Apuntes de Álgebra Lineal

Universidad de Mlaga
Escuela Tcnica Superior de Ingenieros Industriales
lgebra lineal
Apuntes
Teora y ejercicios resueltos
Nombre
Grado en Ingeniera en Tecnologas Industriales
Mlaga - 17 de febrero de 2013
II
ndice general
P. Preliminares
1. Espacios vectoriales y aplicaciones lineales
11
2. Diagonalizacin de endomorfismos
63
3. Espacio afn y eucldeo. Movimientos
119
III
IV
NDICE GENERAL
Preliminares
En este tema veremos los conocimientos bsicos para empezar el curso.
P.1.
Conjuntos
Definicin. Un conjunto es una coleccin de objetos considerada como un objeto en s. A los objetos
los llamamos elementos. Los conjuntos se denotan con letras maysculas. Los elementos se denotan
con letras minsculas. Un conjunto se representa enumerando los elementos entre
llaves. Por ejemplo:
{e, i, , 1} es el conjunto del nmero entero 1, el nmero imaginario puro i = 1 y los nmeros
trascendentes e = 2,7182818 . . . y = 3,1415926 . . .. No contamos los elementos repetidos del
conjunto. Consideramos el conjunto {1, 2, 2, 3, 3, 3} idntico al {1, 2, 3}. El orden de los elementos
es irrelevante. El conjunto {1, 2, 3} es equivalente al {3, 2, 1}.
Existen dos maneras de describir o especificar los elementos de un conjunto. Una de ellas es
por extensin, esto es, listando cada miembro del conjunto. El conjunto de los nmeros enteros es
Z = {. . . , 3, 2, 1, 0, 1, 2, 3, . . . }. La otra es mediante una definicin intensiva o por comprensin, describiendo una condicin que cumplen sus elementos. Para hacer esto usamos la notacin
{x|condiciones de x}. Esto se lee el conjunto de los elementos x tales que . . . (: y | se leen tal que).
x S es la notacin para x pertenece al conjunto S. Para expresar lo contrario hacemos x 6 S
para x no pertenece al conjunto S.
Ejemplos. Presentamos la notacin que usaremos para denotar algunos de los conjuntos ms usuales.
= {} es el conjunto vaco, el conjunto que no contiene elementos.
Z = {. . . , 3, 2, 1, 0, 1, 2, 3 . . .} es el conjunto de los nmeros enteros (la letra Z proviene
de la palabra nmero en alemn que se escribe Zahlen).
Q = {p/q|p, q Z, q 6= 0} es el conjunto de los nmeros racionales (la Q es de cociente, del
ingls quotient.) 1
R = {x|x = a1 a2 an .b1 b2 } es el conjunto de los nmeros reales, es decir, el conjunto de
nmeros con expansin decimal.
C = {a + ib|a, b R, i2 = 1} es el conjunto de los nmeros complejos. i es la raz cuadrada
de 1. (Si no has visto nmeros complejos antes no te alteres. Los veremos ms adelante.
Z+ , Q+ y R+ son los conjuntos de los nmeros enteros, racionales y reales positivos, respectivamente. Por ejemplo, Z+ = {1, 2, 3, . . .}. Usamos el superndice para denotar los conjuntos
de los nmeros negativos.
1
Notese que con esta descripcin enumeramo cada racional un nmero infinito de veces: Por ejemplo: 1/2 = 2/4 =
3/6 = (1)/(2) = . Esto no supone un problema ya que no contamos las repeticiones.
TEMA P. PRELIMINARES
Z , Q and R son los conjuntos de los nmeros enteros, racionales y reales salvo el cero,
respectivamente. Por ejemplo, N = {1, 2, 3, . . .}.
(a . . . b) denota un intervalo abierto en la recta real. (a . . . b) {x|x R, a < x < b}
Usamos corchetes para denotar el intervalo cerrado. [a..b] {x|x R, a x b}
El cardinal de un conjunto S se denota por card(S). Para conjuntos finitos, el cardinal es el

nmero de elementos en el conjunto. El producto cartesiano de dos conjuntos es el conjunto de pares
ordenados:
X Y {(x, y)|x X, y Y }.
El producto cartesiano de n conjuntos es el conjunto de n-uplas ordenadas:
X1 X2 Xn {(x1 , x2 , . . . , xn )|x1 X1 , x2 X2 , . . . , xn Xn }.
Una n-upla es una coleccin de nmeros reales dados en un cierto orden.
Igualdad. Dos conjuntos S y T son iguales si cada elemento de S es elemento de T y viceversa.
Esto se denota, S = T . La desigualdad se expresa S 6= T . S es un subconjunto de T si cada elemento
de S es elemento de T . Se dice que S est incluido en T o que T incluye a S y se escribe S T o
T S, respectivamente. Por ejemplo: El conjunto vaco es un subconjunto de cada conjunto, S.
Los nmeros racionales son un subconjunto de los nmeros reales Q R.
Operaciones. Sea S T . El conjunto de los elementos de S que no pertenecen a T se llama
complemento o conjunto complementario de A respecto de T y lo llamaremos S c .
La unin de dos conjuntos, S T , es el conjunto cuyos elementos estn en cualquiera de los dos
conjuntos La unin de n conjuntos,
nj=1 Sj S1 S2 Sn
es el conjunto cuyos elementos estn en cualquiera de los conjuntos Sj . La interseccin de dos conjuntos, S T , es el conjuntos cuyos elementos estn en los dos conjuntos. En otras palabras, la interseccin de dos conjuntos es el conjunto de elementos que ambos tienen en comn. La interseccin de
n conjuntos,
nj=1 Sj S1 S2 Sn
es el conjunto cuyos elementos estn en todos los conjuntos Sj . Si dos conjuntos no tienen elementos
en comn , S T = , entonces los conjuntos son disjuntos. Si T S, entonces la diferencia entre
S y T , S \ T , es el conjunto de elementos en S que no estn en T .
S \ T {x|x S, x 6 T }
La diferencia de conjuntos tambin se denota S T .
Propiedades. Las siguientes propiedades se pueden verificar fcilmente de las definiciones anteriores.
S = S, S = , S \ = S, S \ S = .
Commutative. S T = T S, S T = T S.
Associative. (S T ) U = S (T U ) = S T U , (S T ) U = S (T U ) = S T U .
Distributive. S (T U ) = (S T ) (S U ), S (T U ) = (S T ) (S U ).
P.2. CUANTIFICADORES
P.2.
Cuantificadores
En lgica, teora de conjuntos y matemticas en general, los cuantificadores son smbolos utilizados para indicar cuntos o qu tipo de elementos de un conjunto dado cumplen con cierta propiedad.
Existen muchos tipos de cuantificadores, entre los ms utilizados estn:
P.2.1.
Cuantificador universal
x, y . . . se lee: para todo x, y . . .

El cuantificador universal se utiliza para afirmar que todos los elementos de un conjunto satisfacen
una determinada proposicin p(x). Por ejemplo:
x A,
p(x)
Esta afirmacin suele usarse como la equivalente de la proposicin

{x A | p(x)} = A
que se lee: el conjunto de los x pertenecientes a A tales que cumplen la proposicin p(x) es igual al
conjunto A.
P.2.2.
Cuantificador existencial
x, y . . . se lee: existe al menos un x, y . . .

El cuantificador existencial se usa para indicar que hay uno o ms elementos en el conjunto A (no
necesariamente nico/s) que satisfacen una determinada proposicin p(x). Se escribe:
x, y A,
p(x)
Esta proposicin suele interpretarse como la equivalente de la proposicin siguiente:

{x, y A | p(x)} =
6 .
P.2.3.
Cuantificador existencial nico
! x, y . . . se lee: existe exactamente un x, y . . .

El cuantificador existencial con marca de unicidad se usa para indicar que hay un nico elemento de
un conjunto A que cumple una determinada propiedad. Se escribe:
! x, y A
p(x).
Se lee Existe un nico elemento de A cumpliendo una proposicin p(x).
P.3.
Aplicaciones
El concepto general de funcin, aplicacin o mapeo se refiere a una regla que asigna a cada
elemento de un primer conjunto un nico elemento de un segundo conjunto. Para designar las aplicaciones se suelen utilizar las letras f , g, h, . . . Para indicar que f es una aplicacin de A en B se escribe:
f
f : A B o A B. La manera habitual de denotar una aplicacin f es:

f :AB
a 7 b = f (a)
donde A es el dominio de la funcin f, su primer conjunto o conjunto de partida; B es el codominio
de f, su segundo conjunto o conjunto de llegada (que no hay que confundir con la imgen). Por f(a)
se denota la regla o algoritmo para obtener la imagen de un cierto objeto arbitrario a del dominio A,
es decir, el (nico) objeto de B que le corresponde.
Sea f : X Y . El rango o imagen de f es
f (X) = {y|y = f (x) para algn x X}.
La imagen es un subconjunto del conjunto de llegada. Para cada Z Y , la imagen inversa de Z est
definida:
f 1 (Z) {x X|f (x) = z para algn z Z}.
Una funcin es inyectiva si para cada x1 6= x2 , f (x1 ) 6= f (x2 ). En otras palabras, a cada elemento
del dominio le corresponde un elemento distinto de la imagen de f . f es sobreyectiva si para cada y
en el conjunto de llegada, hay una x tal que y = f (x). Si una funcin es inyectiva y sobreyectiva,
entonces es biyectiva. Puede verse una representacin de estos tipos de funciones en la figura P.1.
Injective
Surjective
Bijective
Figura P.1: Representacin de las funciones inyectiva, sobreyectiva y biyectiva
P.4.
Estructuras algebraicas
P.4.1.
Ley de composicin interna u operacin interna
Definimos un conjunto A. Definimos un operador entre elementos del conjunto A. Una ley de
composicin interna es una aplicacin que opera dos elementos de A con la operacin y el resultado
es un elemento de A:
A A A
(a, b) 7 a b
Por ejemplo, si tenemos el conjunto A = {0, 1, 2, 3, 4, 5} y = suma. Entonces no es ley de composicin interna ya que, por ejemplo, 5 4 = 9 y 9 6 A.
Sin embargo si tenemos el conjunto B = {0, 1} y = producto, si es ley de composicin interna ya
que todas las operaciones entre los elementos de B dan como resultado otro un elemento de B.
P.4. ESTRUCTURAS ALGEBRAICAS
P.4.2.
Ley de composicin externa u operacin externa
Definimos dos conjunto A y K (K se llama dominio de escalares). A los elementos de K los

llamaremos escalares (normalmente sern nmeros reales). Se llama ley de composicin externa a
toda aplicacin de un elemento de K operado con un elemento del conjunto A cuyo resultado es otro
elemento de A. Si definimos el operador podemos escribir la operacin externa como:
K A A
(k, a) 7 ka
Ejemplo 1. Dado el conjunto V3 de vectores en el espacio, el conjunto R de nmeros reales, y la
operacin producto de un escalar por un vector tenemos, por ejemplo, que 3(2, 1, 3) = (6, 3, 9) y
por tanto es ley de composicin externa.
Ejemplo 2. Dado el conjunto M2 (K) de las matrices de orden 2 con coeficientes en K, el conjunto
R de nmeros reales, y la operacin producto de un escalar por una matriz de orden 2 tenemos, por
ejemplo, que

2 0
10 0
5
=
3 1
15 5
y por tanto es ley de composicin externa.
P.4.3.
Grupos
Un grupo es una pareja (G, ) donde G es un conjunto en el que est definida una operacin
interna que verifica:
1. Asociativa: (a b) c = a (b c),
a, b, c K
2. Existencia elemento neutro: a e = e a = a,
a K
3. Todo elemento posee simtrico: a a0 = a0 a = e

Si adems es conmutativa, el grupo se denominar abeliano.
P.4.4.
Anillos y cuerpos
Un cuerpo es un conjunto K dotado de dos operaciones internas + y denotado por (K, +, )

llamadas suma y producto, tal que:
1. (K, +) es un grupo abeliano
2. El producto es asociativo: (a b) c = a (b c)
a, b, c K
3. El producto es conmutativo: a b = b a a, b K
4. Existe un elemento neutro para la multiplicacin denotado por 1: a 1 = 1 a = a a K
5. Todo elemento distinto del neutro para la suma posee inverso (respecto del producto). Si no
posee esta propiedad, se dice que es un anillo conmutativo.
6. El producto es distributivo respecto a la suma: a (b + c) = a b + a c (a + b) c = a c + b c
P.5.
Matrices y sistemas de ecuaciones lineales
Veremos ahora un breve resumen de matrices y sistemas de ecuaciones lineales. Se debera dar un
repaso de esta materia al libro de bachillerato. Esta parte esta muy bien explicada en el libro [nmero]
de la bibliografa.
Para simplificar, una matriz A se puede designar as:
A = (aij )(i = 1, 2, . . . , m; j = 1, 2 . . . , n) o bien A = (aij )m,n o, simplemente, (aij )
Llamamos Mmn (K) al conjunto de las matrices de orden m n donde los elementos aij (coeficientes) pertenecen a un cuerpo K.
Las matrices, de cierta manera, heredan las operaciones del cuerpo K ,as podemos definir las
siguientes operaciones de matrices:
Suma: A, B Mmn (K), entonces A + B = (aij + bij ).
Producto de un elemento de K por una matriz: Si a K y A Mmn (K), entonces a A =
(a aij ).
P.5.1.
Propiedades
1. (Mmn (K), +) es grupo abeliano.

2. a (A + B) = a A + a B
3. (a + b) A = a A + b A
4. a (b A) = (a b) A
5. 1 A = A
Producto de matrices: Si A Mmn (K) y B Mnp (K) entonces
!
n
X
AB =
aik bkj Mmp (K)
k=1
Propiedades:
1. A(BC) = (AB)C
2. AIn = Im A = A
P.5.2.
El anillo de las matrices cuadradas
(Mnn (K), +, ) es un anillo con unidad (la matriz identidad). A los elementos de este anillo que
son inversibles, les llamamos matrices regulares o inversibles, en caso contrario las llamamos matrices
singulares.
Si A es cuadrada de orden n, se define A0 = In . Para cualquier k Z+ se tiene que Ak = AAk1 y
si A es inversible Ak = (A1 )k .
P.5. MATRICES Y SISTEMAS DE ECUACIONES LINEALES
Tipos especiales de matrices cuadradas. Dada una matriz cuadrada A = (aij ), se tiene:
Matriz diagonal: aij = 0 si i 6= j.
Matriz escalar: matriz diagonal, de forma que aii = para cada i. Es decir A = In .
Matriz triangular inferior: aij = 0 si i < j.
Matriz triangular superior: aij = 0 si i > j.
Matriz simtrica: A = AT .
Matriz antisimtrica: A = AT .
Traza: suma de los elementos de la diagonal principal. a11 + a22 + . . . + ann .
P.5.3.
Independencia y dependencia lineal
Llamamos combinacin lineal de filas (o columnas) f1 , f2 , . . . , fk a una expresin de la forma

a1 f1 + a2 f2 + . . . + ak fk donde los ai son elementos del cuerpo K.
Diremos que un conjunto de filas (o columnas) de una matriz son linealmente independientes si
ninguna de ellas se puede expresar como combinacin lineal de las restantes. En caso contrario se
dice que el conjunto de filas (o columnas) es linealmente dependiente.
P.5.4.
Rango de una matriz
Llamamos rango por filas de una matriz al nmero mximo de filas linealmente independientes.
Asimismo llamamos rango por columnas al nmero mximo de columnas linealmente independientes.
Teorema 1. El rango por filas de cualquier matriz coincide con su rango por columnas. A dicho
nmero le llamamos simplemente rango de la matriz.
Mediante el clculo de determinantes, podremos calcular de forma fcil el rango de una matriz, definindolo como el orden de la mayor submatriz cuadrada con determinante no nulo.
P.5.5.
Clculo de determinantes
Determinante de una matriz de orden 2:

a11 a12
a11 a12
a11 a12
= a11 a22 a12 a21
A=
det
=
a21 a22
a21 a22
a21 a22
Determinante de una matriz de orden 3: (Regla de Sarrus)

a11 a12 a13
a11 a12 a13
a11 a12 a13

A = a21 a22 a23 det a21 a22 a23 = a21 a22 a23 =
a31 a32 a33
a31 a32 a33
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 (a13 a22 a31 + a12 a21 a33 + a11 a23 a32 )
P.5.6.
Resolucin de sistemas de ecuaciones lineales
Un sistema de ecuaciones lineales
a11 x1 + + a1n xn = b1
a21 x1 + + a2n xn = b2
am1 x1 + + amn xn = bm
se puede escribir en forma de matriz como

a11 a12 . . . a1n
x1
b1
a21 a22 . . . a2n x2 b2

..
..
.. .. = ..
..
.
.
.
. . .
am1 am2 . . . amn
xm
bm
|
{z
} | {z } | {z }
A
siendo A la matriz de coeficientes, X el vector de incgnitas y B el vector de trminos independientes.

Por tanto, el sistema se escribe de forma simplificada AX = B. La matriz ampliada del sistema es
a11 a12 . . . a1n b1

a21 a22 . . . a2n b2
(A|B) = ..
..
..
..
.
.
.
.
.
.
.
am1 am2 . . . amn bm
Un sistema de ecuaciones diremos que es homogneo si todos los trminos independientes son 0, es
decir es un sistema de la forma:
a11 x1 + + a1n xn = 0
a21 x1 + + a2n xn = 0
am1 x1 + + amn xn = 0
Teorema de Rouch-Frobenius Dado un sistemas de ecuaciones AX = B, donde A Mmn (K)
y b Km , representaremos por (A|B) la matriz ampliada obtenida aadiendo a la matriz A la columna
formada por los elementos de B. Entonces, siendo n el nmero de incgnitas, se tiene que
Si rang A 6= rang (A|B), entonces el sistema es incompatible (SI). No tiene solucin.
Si rang A = rang (A|B) y
rang A = n, el sistema es compatible determinado (SCD). Tiene solucin y es nica.
rang A < n, el sistema es compatible indeterminado (SCI). Tiene solucin y depende de
uno o ms parmetros, es decir, tiene infinitas soluciones (porque cada parmetro puede
tomar infinitos valores).
Para el caso homogneo, AX = 0, siempre el vector ~x = ~0 es solucin. Por tanto, solo si rang A < n
existen soluciones distintas de la trivial.
P.5.7.
Interpretacin geomtrica
1. Si tenemos un sistema de dos ecuaciones con dos incgnitas, podemos tener los siguientes
casos:
a) SCD: Dos rectas que se cortan en un punto
b) SCI: Dos rectas coincidentes
P.5. MATRICES Y SISTEMAS DE ECUACIONES LINEALES
c) SI: Dos rectas paralelas

2. Si tenemos un sistema de tres ecuaciones con tres incognitas, podemos tener los siguientes
casos:
a) SCD: Los tres planos se cortan en un solo punto
b) SCI
1) Los tres planos se cortan en una recta
2) Dos planos son coincidentes y el otro los corta en una recta
3) los tres planos son coincidentes
c) SI
1)
2)
3)
4)
P.5.8.
Los planos se cortan dos a dos

Dos planos son paralelos y el otro los corta
Los tres planos son paralelos
Dos planos son paralelos y el otro coincidente con uno de ellos
Regla de Cramer
Mediante la Regla de Cramer podremos calcular la solucin de un sistema lineal de ecuaciones en

trminos de determinantes.
1. Sistema de 2 ecuaciones con 2 incgnitas. Dado el sistema de ecuaciones:

ax + by = e
cx + dy = f
Lo representamos de forma matricial como:

e

f
a b
x
e
=
x =
c d
y
f
a
c

b
d

b
d

a

c
y =
a
c

e
f

b
d
2. Sistema de 3 ecuaciones con 3 incgnitas.
ax + by + cz = j
dx + ey + f z = k
gx + hy + iz = l
Trabajando en forma matricial, tenemos:

j

k

a b c
x
j
l
d e f y = k x =
a

g h i
z
l
d

g
b
e
h
b
e
h

a j
c

d k
f

g l
i
, y =
a b
c

d e
f

g h
i

a b
c

d e
f

g h
i
, z =
a b
c

d e
f

g h
i

j
k
l

c
f
i
10
Tema 1
Espacios vectoriales y aplicaciones lineales
1.1.
Espacios vectoriales
Definicin 1. Llamamos espacio vectorial sobre un cuerpo K a un conjunto V con dos operaciones:
una suma (+)V V V (interna) y un producto ()KV V (externa) que verifican las siguientes
propiedades:
1. (V, +) tiene estructura de grupo abeliano.
2. La operacin externa () verifica:
a) Distributiva respecto a la suma de vectores: (~v + w)
~ = ~v + w
~ para K y ~v , w
~ V.
b) Distributiva respecto a la suma de escalares: ( + )~v = ~v + ~v para , K y ~v V .
c) Asociativa respecto a los escalares: ()~v = (~v ) para , K y ~v V .
d) 1 ~v = ~v para ~v K (siendo 1 la unidad).
Representaremos por (V, +, , K) al espacio vectorial. Los elementos del cuerpo se denominan escalares y se suelen representar por letras griegas como , , , , . . .. Los elementos del espacio vectorial
se denominan vectores y se representan por ~u, ~v , w,
~ ...
Ejemplos de espacios vectoriales:
Dado un cuerpo K y un nmero natural n, el conjunto formado por las matrices de tamao n1
(matrices columna de tamao n) es un espacio vectorial. Este espacio vectorial es el principal
ejemplo de espacio vectorial y se denota Kn .
(Rn , +, , R) es el espacio vectorial real n-dimensional.
(Kn , +, , K) es el espacio vectorial n-dimensional sobre K.
Si P es el conjunto de polinomios con coeficientes reales, entonces (P, +, , R) es un espacio
vectorial.
Las matrices m n definidas sobre cualquier cuerpo K tambin forman un espacio vectorial
(sobre el mismo cuerpo K).
Teorema 2. En todo espacio vectorial se tienen las siguientes propiedades:
0 ~v = ~0
~0 = ~0
Si ~v = ~0, entonces = ~0 y/o ~v = ~0
(1)~v = ~v
()~v = (~v ) = (~v )
11
12
TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES
Combinacin lineal. Ser todo vector de la forma

1~v1 + 2~v2 + + n~vn
donde i K y ~vi V .
Nota
Todo vector es combinacin lineal de s mismo.
El vector ~0 es combinacin lineal de cualquier conjunto de vectores.
Dependencia e independencia lineal
Si S = {~v1 , ~v2 , . . . , ~vn } es un conjunto finito de vectores (sistema de vectores) de V , diremos que
son linealmente dependientes si existe una combinacin lineal de ellos
1~v1 + 2~v2 + + n~vn = 0
con al menos un i 6= 0.
En caso de que toda combinacin lineal igualada a ~0 implique 1 = 2 = = n = 0, decimos que
los vectores son linealmente independientes.
Ejemplos
En el espacio vectorial de las funciones reales F (R, R) los conjuntos de vectores {1, x, x2 } y
{sen x, cos x} son linealmente independientes. Para verlo tenemos que demostrar que no existe
ninguna combinacin lineal de ellos. Para el conjunto {1, x, x2 } est claro que 1 1 + 2 x +
3 x2 = 0 implica que 1 = 2 = 3 = 0. Para el conjunto {sen x, cos x} podemos hacer
0
*

2 = 0 1 = 0 2 = 0. En cambio
cos
x = 2 y entonces tenemos que 1 sen 2 + 2
{1, sen2 x, cos2 x} es linealmente dependiente ya que, por ejemplo, 1 + sen2 x cos2 x = 1 +
sen2 x (1 + sen2 x) = 0.
En los espacios vectoriales Kn , si tenemos un sistema de vectores S = {~v1 , ~v2 , . . . , ~vm } podemos construir la matriz A formada por dichos vectores puestos en columna. Entonces el
mximo nmero de vectores independientes de S coincide con el rango de la matriz A. Veamos, por ejemplo, si en R4 el conjunto de vectores {(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)} es
linealmente independiente. Para ello calculamos el rango de la matriz
1 2 3
2 1 3
A=
4 1 3
3 0 3
Podemos ver que la tercera columna es igual a la primera menos la segunda, C3 = C1 C2 ,
y entonces sabemos que el conjunto de vectores es linealmente dependiente. Si no lo vemos
empezamos por escoger a ojo un menor de orden dos no nulo. Procuramos que sea lo ms sencillo posible, pues va a formar parte de muchos determinantes de orden superior que habremos
1.1. ESPACIOS VECTORIALES
13

1 2
de calcular ms adelante. El hecho de que
nos asegura que las dos primeras filas de
2 1
A son linealmente independientes. Veamos si la tercera fila depende linealmente de ellas. Para
ello, aadimos los dos nuevos elementos, 4 y 1, y calculamos el menor de orden 3 en el que
intervienen esas dos columnas:

1 2 3

2 1 3 = 3 24 + 6 + 12 + 12 3 = 0

4 1 3
Al ser cero, se deduce que la tercera fila es combinacin lineal de las dos primeras. Ahora
probamos con la cuarta fila haciendo lo mismo que con la primera:

1 2 3

2 1 3 = 3 18 + 9 + 12 = 0

3 0 3
Por tanto, la cuarta fila es, tambin, combinacin lineal de las dos primeras. Entonces rang(A) =
= 2 y, por tanto, el conjunto de vectores es linealmente dependiente.
Teorema 3. Sea V un e.v., entonces:
Si ~v 6= ~0, entonces {~v } es linealmente independiente.
Todo sistema de vectores que contenga el ~0 es linealmente dependiente.
Si S es un sistema de vectores linealmente independientes y S 0 S, entonces S 0 es linealmente
independiente.
Si S es un sistema de vectores linealmente dependientes y S S 0 , entonces S 0 es linealmente
dependiente.
Si S es un sistema de vectores, no todos nulos, linealmente dependientes, entonces al menos
uno de los vectores se puede expresar como combinacin de los restantes.
Si S es un sistema de vectores linealmente independientes y S{~v } es linealmente dependiente,
entonces ~v es combinacin lineal de los vectores de S.
1.1.1.
Subespacios vectoriales.
Dado un espacio vectorial V y W V , W 6= , un subconjunto de elementos de V , diremos que

es subespacio vectorial (subespacio vectorial) si verifica:
a) para cada ~v , w
~ W se tiene ~v + w
~ W.
b) para cada ~v W y K se tiene ~v W .
O equivalentemente,
~v + w
~ W para cada , K y ~v , w
~ W.
Obsrvese que {~0} es un subespacio vectorial (subespacio trivial) que pertenece a todo espacio vectorial distinto de cero, as como un espacio vectorial siempre es subespacio de s mismo. Un subespacio
vectorial W V diremos que es subespacio propio si W 6= {~0} y W 6= V . ~0 pertenece a todo
subespacio vectorial.
14
Ejemplos de subespacios vectoriales

Si V = R2 , W = {(x, y)|y = mx}, siendo m un nmero real, es un subespacio vectorial.
Si V = R3 , W = {(x, y, z)|ax + by + cz = 0}, siendo a, b, c nmeros reales, es un subespacio
vectorial.
Si V = R2 , W = {(x, y)|x + y = 1} no es un subespacio vectorial, ya que ~0 = (0, 0)
/ W.
Si V = P es el espacio vectorial de los polinomios con coeficientes reales, entones W = Pn
el conjunto de polinomios de grado menor o igual que n es un subespacio vectorial.
Ejemplo 3. Sea P = {(x, y, z) R3 |x = 2y + z} un subconjunto del espacio vectorial R3 .
Comprobar si P es un subespacio vectorial de R3 .
Si nos pidiesen demostrar que P es un espacio vectorial bastara con probar que es subespacio vectorial de R3 , ya que todo subespacio vectorial de un espacio vectorial es otro espacio vectorial.
Por tanto, probamos que ~v + w
~ P , R. Sean (2x + y, x, y), (2z + t, z, t) dos elementos
de P . Entonces,
(2x + y, x, y) + (2z + t, z, t) = (2x + y + 2z + t, x + z, y + t) =
= (2(x + z) + y + t, x + z, y + t)
es un elemento de P , y por tanto, P es subespacio vectorial de R3 .
Ejemplo 4. Comprobar si S = {(x, 2x, x)|x R} es un subespacio vectorial de R3 .
Comprobamos que ~v + w
~ S
Entonces,
, R. Sean (x, 2x, x), (y, 2y, y) dos elementos de S.
(x, 2x, x) + (y, 2y, y) = (x + y, 2x + 2y, x y) =

= x + y, 2(x + y), (x + y)
es un elemento de S, y por tanto, S es subespacio vectorial de R3 .
Ejemplo 5. Comprobar si Q = {(x, y) R2 |x y = 1} es un subespacio vectorial de R2 .
~ Q
, R. Sean (x, y), (z, t) dos elementos de Q. Entonces,
(x, x 1) + (z, z 1) = (x, x ) + (z, z 1) = (x + z, x + z )

no es un elemento de Q, ya que x + z (x + z ) = + 6= 1, y por tanto, Q no es
subespacio vectorial de R2 .
Ejemplo 6. Comprobar si R = {(x, y, z)|x = 0, y = 2 , z = + } es un subespacio
vectorial de R3 .
~ R
elementos de R. Entonces,
, R. Sean (0, 2 , + ), (0, 2 t, + t) dos
(0, 2 , + ) + (0, 2 t, + t) = (0, 2 + 2 t, + + + t) =

= 0, 2( + ) ( + t), ( + ) + ( + t)
es un elemento de R, y por tanto, R es subespacio vectorial de R3 .
15
Teorema 4. Dado un sistema de vectores S V , S 6= , el conjunto L(S) formado por todas las
posibles combinaciones lineales de los vectores de S forman un subespacio vectorial de V .
Definicin 2. A este subespacio vectorial L(S) se le llamar subespacio generado por el conjunto de
vectores S. Si {~v1 , ~v2 , . . . , ~vn } es dicho conjunto se representa por L(S) = h~v1 , ~v2 , . . . , ~vn i.
Definicin 3. Si W es un subespacio vectorial de V , y S es un sistema de vectores tal que L(S) = W
decimos entonces que S es un sistema generador de W .
Ejemplo 7. Si V = R4 y W = h(1, 2, 0, 0), (0, 3, 1, 0)i, entonces los vectores de W son de la
forma:
(x, y, z, t) = (1, 2, 0, 0) + (0, 3, 1, 0)
donde y son nmeros reales cualesquiera.
Ejemplo 8. En el espacio vectorial P de los polinomios con coeficientes reales, S = {1 x, 1 +
x2 , 2x + x2 } es un sistema generador del subespacio vectorial P2 de los polinomios de grado menor
o igual que 2.
Para ver esto comprobamos que cualquier polinomio de la forma a + bx + cx2 es combinacin lineal
de los vectores de S, puesto que
a + bx + cx2 = (1 x) + (1 + x2 ) + (2x + x2 )
nos plantea el sistema compatible de ecuaciones

a
1 1 0
1 0 2 = b
c
0 1 1
Adems, es evidente que cualquier polinomio de grado mayor que 2 no puede ser expresado como
combinacin lineal de los vectores de S.
1.1.2.
Bases y dimensin
Definicin 4. Llamamos base de un espacio vectorial V a un sistema de vectores B linealmente

independiente que es un sistema generador de V , es decir L(B) = V .
Ejemplos:
1. En los espacios vectoriales Kn , el sistema de n vectores
{(1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, . . . , 0, 1)}
es una base, a la que llamamos base cannica.
2. En el espacios vectoriales Pn los polinomos {1, x, x2 , . . . , xn } forman una base.
3. Los espacios vectoriales de los polinomios P admiten una base infinita numerable {1, x, x2 ,
. . . , xn , xn+1 , . . .}.
16

4. En el subespacio de R4 siguiente
W = h(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)i
veamos por cuantos vectores estara formada una base de W . Para ello calculamos el rango de
la matriz cuyas columnas son las coordenadas de los vectores de W .

1 2 3
1 2 3
2 1 3

2 1 3 = 3 24 + 6 + 12 + 12 3 = 0

4 1 3
4 1 3
3 0 3

1 2 3

2 1 3 = 3 18 + 9 + 12 = 0

3 0 3
los tres vectores son linealmente
sin embargo el primero y el segundo son lineal dependientes

1 2
= 1+4 = 3 6= 0, el primero y el tercero tambin porque
mente independientes ya que

2
1

1 3
2 3

2 3 = 36 = 3 6= 0, as como el segundo y el tercero ya que 1 3 = 6+3 = 3 6= 0
Por tanto, una base de W estara formada por cualesquiera dos vectores del sistema generador.
Nota: Nos interesan especialmente los espacios vectoriales con bases finitas.
1.1.3.
Espacio vectorial de dimensin finita
Teorema 5. Si un espacio vectoriale admite una base finita con n vectores entonces todas las bases
tienen exactamente n vectores.
Definicin 5. Si un espacio vectoriale tiene una base finita de n vectores decimos que es de dimensin
finita. Al nmero natural n lo llamamos dimensin del espacio. Denotndose por dimK (V ), o por
dim(V ), si no hay duda de cual es el cuerpo K. Aceptamos que el espacio vectorial trivial {~0} es el
nico espacio de dimensin 0.
Teorema 6. Si B = {~v1 , ~v2 , . . . , ~vn } es una base de un espacio vectorial, cada vector ~v del espacio
se puede expresar de forma nica como combinacin lineal de los vectores de B
~v = 1~v1 + 2~v2 + + n~vn
y se dice que (1 , 2 , . . . , n ) son las coordenadas de ~v respecto de la base B, lo que podemos
simplificar escribiendo (1 , 2 , . . . , n )B .
Ejemplo 9. Fija dos bases distintas para el espacio vectorial generado por el sistema de vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
y determina, de entre los siguientes vectores, los que pertenecen a dicho espacio y qu coordenadas tienen respecto de cada una de las bases.
a) (2, 1, 4, 3) b) (1, 2, 4, 3)
c) (5, 4, 2, 3) d) (3, 2, 1, 3)
1.1.4.
17
Cambio de base
Si B = {~v1 , ~v2 , . . . , ~vn } y B 0 = {~v10 , ~v20 , . . . , ~vn0 } son bases de un mismo espacio vectorial V .
Llamaremos ecuaciones de cambio de base a:

~v10
p11 p12 p1n
~v1
~v 0 p21 p22 p2n ~v2
2

.. = ..
..
.. ..
.
.
. .
.
.
. .
~vn0
pn1 pn2
siendo
PBB0
pnn
p11 p12
p21 p22
= ..
..
..
.
.
.
pn1 pn2
~vn
p1n
p2n
..
.
pnn
la matriz del cambio de base de B a B 0 , esto es: la matriz regular cuyas columnas son las coordenadas
de los vectores de B respecto de B 0 .
Dado un vector ~v respecto de las dos bases, tenemos:
~v = 1~v1 + 2~v2 + + n~vn
~v = 01~v10 + 02~v20 + + 0n~vn0
Siendo (1 , 2 , . . . , n ) sus coordenadas en la base B y (01 , 02 , . . . , 0n ) sus coordenadas en la base
B 0 . Quedando relacionadas dichas coordenadas por:

1
1
p11 p12 p1n
01
0 p21 p22 p2n 2
2

.. = ..
..
.. ..
.
.
. .
.
.
. .
0
n
pn1 pn2 pnn
n

1
2

Si denotamos por B (~v ) a las coordenadas del vector ~v en la base B, B (~v ) = .. , tenemos:
.
n
1
0
B
v ) = PB0 B B (~v )
(~v ) = PBB
0 B (~
Ejemplo 10. Consideremos el espacio vectorial R3 y las bases B = {(1, 1, 1), (0, 1, 1, ),
(0, 0, 1)} y C, la base cannica, y el vector ~
v = (1, 2, 3). Obtener la matriz de cambio de
base de C a B. Emplear esta matriz para calcular las coordenadas de ~
v respecto de la base B.
Calcular la matriz de cambio de base de B a C.
Calculamos las coordenadas del primer vector de C respecto de la base B:
(1, 0, 0) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=1
=1
+ = 0
=1
+ =0
=2
18
Entonces las coordenadas respecto de B son (1, 1, 2) y las escribimos en la primera columna de la
matriz:
1
1
2
Ahora hacemos lo mismo para el segundo vector de C.
(0, 1, 0) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=0
=0
+ = 1
=1
+ =0
=1
Observemos que mucho de los que hemos hecho antes nos a servido para este segundo paso. Por tanto,
podemos pensar que esto se puede hacer de una forma ms automtica como veremos ms adelante.
Escribimos de nuevo nuestra matriz:
1 0
1 1
2 1
Y por ltimo calculamos las coordenadas del tercer vector de C en la base B:
(0, 0, 1) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=0
=0
+ = 0
=0
+ =1
= 1
Y ya tenemos nuestra matriz de cambio de base de C a B:
1 0 0
PCB = 1 1 0
2 1 1
Utilizamos esta matriz para calcular las coordenadas de ~v en la base B:

1 0 0
1
1
1
PCB C (~v ) = 1 1 0 2 = 1 + 2 = 1
2 1 1
3
2 + 2 3
3
Ahora calculamos la matriz de cambio de base de B a C. Como las coordenadas de los vectores de B
respecto de la base cannica coinciden con sus componentes, la matriz es:
1 0 0
PBC = 1 1 0
1 1 1
Las matrices de cambio de base al multiplicarlas entre si siempre dan la matriz identidad. Lo comprobamos para este caso:
1 0 0
1 0 0
1
0
0
1 0 0
1 1 0 1 1 0 = 1 1
1
0 = 0 1 0
2 1 1
1 1 1
211 11 1
0 0 1
19
Esto nos da otra forma ms sencilla de calcular la matriz de cambio de base de una base cannica a
otra base. Para ello calculamos la matriz de cambio de base de esa otra base a la cannica, que como
hemos visto es la matriz cuyas columnas son los vectores de esa otra base, y calculamos su inversa.
Lo comprobamos para este caso, para ello calculamos la inversa de PBC :

1 0 0
1 1 2
1 0 0

1 1 0 = 1 6= 0; Adj(PBC ) = 0 1 1 ; Adj(PBC )t = 1 1 0

1 1 1
0
0
1
2 1 1
1 0 0
1 0 0
t
Adj(PBC )
1
= 1 1 1 0 = 1 1 0
PBC
=
|PBC |
2 1 1
2 1 1
Que como vemos es la misma matriz que habamos obtenido anteriormente.
Para mostrar como funciona todo esto de las matrices de cambio de base vamos a comprobar que
efectivamente a partir de las coordenadas de ~v respecto a la base B y utilizando la matriz de cambio
de base de la base B a la C llegamos a las mismas coordenadas respecto a la base C:

1 0 0
1
1
1
PBC B (~v ) = 1 1 0 1 = 1 + 1 = 2
1 1 1
3
1 + 1 + 3
3
1.1.5.
Ecuaciones cartesianas y paramtricas
En los espacios vectoriales K n podemos representar los subespacios mediante:

Ecuaciones cartesianas (o implcitas): Dan restricciones a las coordenadas de los vectores del
espacio para que pertenezcan al subespacio.
Un espacio vectorial diremos que est en forma implcita si nos lo dan como el conjunto de soluciones
de un sistema de ecuaciones homogneo.
Ecuaciones paramtricas: Expresan las coordenadas de los vectores del subespacio en funcin de
parmetros que pueden tomar cualquier valor de los escalares en el cuerpo.
Paso de cartesianas a paramtricas y viceversa. Depende del tipo de operaciones que queramos
hacer con el subespacio, a veces es conveniente tenerlo en una forma y a veces de otra, por lo que
tenemos que aprender a pasar de forma implcita a paramtrica y viceversa.
El proceso es muy sencillo y lo veremos con unos ejemplos.
Ejemplo 11. Un subespacio de R4 est definido por las siguientes ecuaciones cartesianas:

x + y + 2t = z
zy =t
Buscar una base del subespacio.
Despejamos dos de las ecuaciones en funcin de las dems:

x = z 2t y
y =zt
20
Tomando z y t como parmetros, z = y t = , podemos escribir:

y = ; x = 2 + =
Por lo que las ecuaciones paramtricas son:
y
z
=
=
=
=
Por tanto, nuestro subespacio es W = {(, , , )|, R} de donde

W = h(0, 1, 1, 0), (1, 1, 0, 1)i
ya que, sacando factor comn y tenemos que
(, , , ) = (0, , , 0) + (, , 0, ) = (0, 1, 1, 0) + (1, 1, 0, 1)
Tambin podriamos haberlo hecho por el mtodo matricial. Resolviendo el sistema de ecuaciones

0

x
1 1 1 2 y 0
=
0 1 1 1 z 0
t
0
Ejemplo 12. Supongamos ahora el proceso inverso. Nos dan unos vectores (1, 1, 0, 1),
(0, 1, 1, 0) y nos dicen que calculemos las ecuaciones cartesianas del espacio generado por ellos.
Dicho de otra forma, tenemos que calcular todos los valores x, y, z tales que existe valores , , ,
R con
+ = x + = y
Si tratamos de resolver el sistema considerando x, y, z como trminos independientes tenemos:
1 0
x
1 0 x
1 0
x
1 1 y F2 F1 0 1 y x F3 F2 0 1
yx

0 1 z F4 +F1 0 1
0 0 z + x y
z
0 0
t+x
1 0 t
0 0 t+x
Para que el sistema sea compatible y por lo tanto tenga solucin, la relacin que se tiene que cumplir
entre x, y y z es precisamente:

z+xy =0
t+x=0
Tambin podriamos haberlo resuelto por sustitucin, sin utilizar matrices, como veremos en otros
ejemplos.
21
Ejemplo 13. Sea A = {(x, y, z) R3 |x + 2y + z = 0, x + y z = 0} un subespacio vectorial, calcule una base.

Nos dan las ecuaciones cartesianas. Para poder hallar las ecuaciones paramtricas y a partir de ah
los vectores que forman la base lo primero que tenemos que calcular es el nmero de parmetros que
necesitamos. Y el nmero de parmetros siempre es:
nmero de parmetros (dimensin) = dim(V )(nmero de incgnitas) nmero de ecuaciones
Entonces necesitamos 32 = 1 parmetro, que llamaremos, por ejemplo, . Ahora ponemos nuestras
ecuaciones en un sistema

x + 2y + z = 0
x + y z = 0
Y lo que vamos a hacer es decir que una de esas tres incgnitas x, y, z es igual a , normalmente se
utiliza z. Es como resolver un sistema compatible indeterminado. Ahora despejamos :

x + 2y =
3y = 0 y = 0
x + y =
Como ya sabemos y y z lo podemos sustituir en cualquiera de nuestras ecuaciones para obtener x.
Sustituyendo en la primera por ejemplo:
x + 2 0 + = 0 x =
Y ya tenemos nuestras ecuaciones paramtricas:
x =
y=0
z=
Solo tenemos un parmetro, por lo que esta base estar formada por un solo vector:
(x, y, z) = (1, 0, 1)
Por tanto, la base de A es B = {(1, 0, 1)}.
Ejemplo 14. Sea el subespacio A R3 generado por u
~ (1, 0, 1) y ~
v (1, 1, 1). Determinar una
base, unas ecuaciones paramtricas y unas cartesianas.
Escribimos la matriz A cuyas columnas son las coordenadas de los vectores:
1 1
A = 0 1
1 1
Podemos ver a ojo que el rango de la matriz es rang(A) = 2 por lo que los vectores son linealmente
independientes. El subespacio vectorial A ser aquel formado por los vectores (x, y, z) que surjan
como combinacin lineal de ~u y ~v :
(x, y, z) = (1, 0, 1) + (1, 1, 1)
22
De aqu sacaremos las ecuaciones paramtricas:
x=+
y=
z =+
Ahora buscamos las ecuaciones cartesianas:
x=+y
x=zy+y =z
y=
=y
xz =0
z =+y =zy
Ejemplo 15. Aprovechando el resultado del ejemplo anterior, tenemos el subespacio A = {(x,
y, z) R3 |x z = 0}. Se pide calcular los vectores que pueden formar una base de ese subespacio.
Lo que hay que hacer en este caso es siempre ver cuantos parmetros necesitamos. En este caso
necesitamos 3 1 = 2 parmetros, que sern, por ejemplo, y . Tenemos que tratar de poner nuestra ecuacin cartesiana como ecuaciones que dependan de y . Entonces empezamos diciendo que
y, como no est en las ecuaciones cartesianas, es . Y z = . Como necesitamos dos parmetros, a
dos de las incgnitas les tendremos que asignar un parmetro. Si solo necesitaramos un parmetro,
asignaramos el parmetro a la z para poder despejar x. Entonces las ecuaciones paramtricas son:
xz =0
x=
y=
y=
z=
z=
Y de aqu trataremos de obtener vectores:
x = 0 + 1
y = 1 + 0
z = 0 + 1
Entonces una base es {(0, 1, 0), (1, 0, 1)}.
Se podra haber hecho de esta manera:
(x, y, z) = (0, 1, 0) + (1, 0, 1)
1.1.6.
Interseccin de subespacios
Dada una familia {Vi } de susbespacios de V , la interseccin

i Vi = {x V |x Vi para cada i}
es tambin un subespacio vectorial de V .
Teorema 7. Si S es un sistema de vectores de V , entonces L(S) es la interseccin de todos los
subespacios vectoriales que contienen a S.
Es decir L(S) es el menor subespacio vectorial que contiene a S.
1.1.7.
23
Suma de subespacios
Dados dos subespacios vectoriales V1 y V2 de V , se define

V1 + V2 = {~v1 + ~v2 |~v1 V1 y ~v2 V2 }
que es un nuevo"subespacio vectorial que contiene a V1 V2 . Obsrvese que la simple unin de
subespacios no es subespacio vectorial.
Definicin 6. Si V1 V2 = {~0}, a la suma de subespacios la llamamos suma directa de subespacios
y se representa V1 V2 .
Teorema 8.
1. Si V y W son subespacios tales que W V , entonces

dim W dim V
2. Si W1 ,W2 son subespacios vectoriales de V , de dimensin finita, se tiene

dim(W1 + W2 ) = dim W1 + dim W2 dim(W1 W2 )
En particular dim(W1 W2 ) = dim W1 + dim W2 .
Ejemplo 16. Dado el espacio vectorial en R2 definimos los subespacios
V = {(x, y, z)|x 2y + z = 0}
x = 2
W = y=
z = 3
Calcular base, dimensin, ecuaciones cartesianas y paramtricas de V , W , V W y V W .

Empezamos por V
Nos dan una ecuacin cartesiana. Recordemos que:
nmero de parmetros (dimensin) = dim(V )(nmero de incgnitas) nmero de ecuaciones
Entonces 3 incgnitas 1 ecuacin = 2 parmetros. Las ecuaciones paramtricas son:
x = 2
y=
z=
A partir de las ecuaciones paramtricas podemos ver fcilmente la base de V BV = {(2, 1, 0), (1, 0, 1)}.
La dimensin del subespacio es dim V = 2.
Subespacio W
Nos dan las ecuaciones paramtricas que podemos poner de la forma

x
2
0
y = 1 + 0
z
0
3
24
para ver ms fcilmente los vectores que constituyen la base del subespacio que es BW = {(2, 1, 0),
(0, 0, 3)} y, por tanto, la dimensin de este es dim W = 2. Ahora hallamos las ecuaciones cartesianas:
2 0 x
0 0 x 2y
1 2F2
1 0 y F
1 0
y x 2y = 0
0 3 z
0 3
z
Subespacio V W
Juntamos las bases de U y W para obtener un conjunto de generadores de V W y luego vemos si
hay que eliminar algn vector para obtener una base:

2 1 0

1 0 1 = 3 6= 0

0 0 3
Luego, una base del subespacio V W es BV W {(2, 1, 0), (1, 0, 1), (0, 0, 3)} y su dimensin es
dim(V W ) = 3. Calculamos las ecuaciones paramtricas:

x
2
1
0
x = 2
y = 1 + 0 + 0
y=
z
0
1
3
z = + 3
Vemos ahora cuantas ecuaciones cartesianas hay: 3 incgnitas 3 parmetros = 0 ecuaciones. Por lo
que no hay ecuaciones cartesianas.
Subespacio V W
Reunimos las ecuaciones cartesianas de V y W para obtener unas ecuaciones cartesianas de V W
y luego vemos si es posible eliminar alguna por transformaciones elementales:

x 2y + z = 0
z=0
2y 2y + z = 0 z = 0
x 2y = 0 x = 2y
x = 2y
Ahora calculamos las ecuaciones paramtricas. Vemos primero cuantos parmetros son necesarios:
3 incgnitas 3 ecuaciones = 1 parmetro. Las ecuaciones paramtricas son:

x
2
x = 2
y = y = 1
z
0
z=0
Y una base del subespacio V W es BV W {(2, 1, 0)} y su dimensin es dim(V W ) = 1.
1.2.
Aplicaciones Lineales
Si V y W son dos espacios vectoriales sobre un mismo cuerpo K, llamamos aplicacin lineal de
V en W a una funcin f : V W que verifica:
f (~u + ~v ) = f (~u) + f (~v )
f (~v ) = f (~v )
~u, ~v V
K, ~v V
1.2. APLICACIONES LINEALES
25
Si V = W entonces la aplicacin lineal se llama endomorfismo.

Si la aplicacin lineal es inyectiva se dir que es un monomorfismo.
Si la aplicacin lineal es sobreyectiva se dir que es un epimorfismo.
Si la aplicacin lineal es biyectiva se dir que es un isomorfismo.
Ejemplo 17. Estudiar si las siguientes funciones son aplicaciones lineales:
a) f : R2 R3 dada por f (x, y) = (x y, 0, 2x + 5y)
b) f : R2 R3 dada por f (x, y) = (x + 1, y, 2x + 5y)
c) f : P 3 [x] P 3 [x], dada por f [p(x)] = xp0 (x)
, R y (x1 , x2 ), (y1 , y2 ) R2 se tiene
f [(x1 , x2 ) + (y1 , y2 )] = f (x1 + y1 , x2 + y2 ) = (x1 + y1 x2 y2 , 0, 2x1 + 2y1 +
+ 5x2 + 5y2 )
f (x1 , x2 ) + f (y1 , y2 ) = (x1 x2 , 0, 2x1 + 5x2 ) + (y1 y2 , 0, 2y1 + 5y2 ) = (x1 + y1
x2 y2 , 0, 2x1 + 2y1 + 5x2 + 5y2 )
Por lo tanto, f es una aplicacin lineal. Podramos haberlo demostrado tambin de la siguiente forma:
f [(x1 , x2 ) + (y1 , y2 )] = f (x1 + y1 , x2 + y2 ) = (x1 + y1 x2 y2 , 0, 2x1 + 2y1 +
+ 5x2 + 5y2 ) = ((x1 x2 ) + (y1 y2 ), 0, (2x1 + 5x2 ) + (2y1 + 5y2 )) = (x1 x2 , 0,
2x1 + 5x2 ) + (y1 y2 , 0, 2y1 + 5y2 ) = f (x1 , x2 ) + f (y1 , y2 )
Pero resulta ms sencillo separar las dos expresiones que tenemos que demostrar que son iguales y
ver si al desarrollarlas da lo mismo.
f (0, 0) = (1, 0, 0) 6= (0, 0, 0). Por tanto, f no es una aplicacin lineal.
c) f : P3 [x] P3 [x], dada por f [p(x)] = xp0 (x)
Sean p(x), q(x) P3 (R) y , R
f [p(x) + q(x)] = x[p(x) + q(x)]0 = x[p0 (x) + q 0 (x)] = xp0 (x) + xq 0 (x) =
= f [p(x)] + f [q(x)]
Por tanto, f es una aplicacin lineal. Esta vez no hemos separado las expresiones porque el ejercicio
no era largo.
1.2.1.
Propiedades
Si f : V W es una aplicacin lineal sobre un cuerpo K, se tiene

f (~u ~v ) = f (~u) f (~v )
f (~0V ) = ~0W
26
Caracterizacin de una aplicacin lineal f : V W es una aplicacin lineal si y slo si, ~u, ~v
V K
f (~u + ~v ) = f (~u) + f (~v )
Teorema 9. Si V es un espacio vectorial de dimensin finita n sobre un cierto cuerpo K, entonces V
es isomorfo a K n .
Es decir los espacios vectoriales de dimensin finita podemos considerarlos como conjuntos de
n-tuplas sobre un cierto K.
1.2.2.
Matriz de una aplicacin lineal
Sean U y V dos espacios vectoriales, sobre un cuerpo K. Si B1 = {~u1 , ~u2 , . . . , ~um } es una base de
U y B2 = {~v1 , ~v2 , . . . , ~vn } es una base de V , entonces cada vector f (ui ) se puede expresar respecto
de la base B2 como:
f (u1 ) = a11 v1 + + a1n vn
..
..
.
.
f (ui )
..
.
ai1 v1 + + ain vn
..
.
f (um ) = am1 v1 + + amn vn

Llamaremos matriz de f o matriz asociada a f respecto de las bases B1 y B2 a la matriz
a11 a12 a1n

a21 a22 a2n
MB1 B2 (f ) = ..
..
..
.
.
...
.
am1 am2 amn
cuyas columnas son las coordenadas respecto de B 0 de las imgenes por f de los vectores de B. Por
tanto, ~v = f (~u) si y solo si
B2 (v) = MB1 B2 (f )B1 (u)
Ejemplo 18. Dada una aplicacin lineal
f (x, y, z) = (x + 2y 4z, 2x + 3y + z)
Calcular la matriz asociada respecto de las bases cannicas.

f (1, 0, 0) = (1, 2)
1 2 4
f (0, 1, 0) = (2, 3)
2 3 1
f (0, 0, 1) = (4, 1)
1.2.3.
Cambio de base en aplicaciones lineales
Sean U y V dos espacios vectoriales de dimensiones m y n.

Consideremos dos bases de U

u1
u01

u = ...
u0 = ...
um
u0m
27
y dos bases de V
v1

v = ...
vm
v10

v 0 = ...
0
vm
por tanto, (u0 ) = P u y (v 0 ) = Qv. Si A es la matriz asociada a f respecto de las bases u y v y A0 es

la matriz asociada a f respecto de las bases u0 y v 0 se tiene que:
A0 = P AQ1
Ejemplo 19. Consideremos la aplicacin lineal f : R2 R2 |f (x, y) = x 2y, x + y. Calcule la matriz de f , MC (f ), respecto de la base cannica. Calcule la matriz de f , MB (f ),
respecto de la base B = {(1, 1), (1, 0)}
Recordemos que la base cannica en este caso es C = {(1, 0), (0, 1)} y cuando escribimos MC (f )
significa MCC (f ). Entonces para construir MC (f ), hacemos:

f (1, 0) = (1, 1)
1 2
MC (f ) =
f (0, 1) = (2, 1)
1 1
Para calcular MB (f ) tenemos dos opciones, o bien, hacerlo directamente por definicin de la matriz de
una aplicacin lineal o aplicando una frmula correspondiente a un cambio de base en una aplicacin
lineal. Primero lo haremos aplicando dicha frmula. Observemos que queremos calcular MB (f ), que
es lo mismo que MBB (f ), lo que quiere decir que en el espacio inicial y en el espacio final estamos
considerando la base B. Nosotros tenemos MC (f ) que es:
f
R2 R2
C
C
Y lo que queremos es empezar por B y acabar en B, entonces tenemos
f
R2 R2 R2 R2
B 1a C 2a C 3a B
donde vemos que hay tres aplicaciones. Y ahora vamos a escribir a partir de este diagrama la frmula
de cambio de base. Si hacemos todo en un paso, si vamos del inicio hasta el final, empezamos por
B y acabamos por B, luego tenemos MB (f ). Esto sera lo mismo que si ahora vamos por pasos, ya
que igualmente empezaremos en el inicio y acabaremos en el final. Observemos que tendremos una
matriz por cada aplicacin, luego tendremos tres matrices. Ahora, siempre que tenemos una matriz,
para calcular la imagen colocamos el vector en columna al final. Luego si queremos calcular una
imagen con tres matrices pondremos el vector al final, y al poner el vector al final, la primera matriz
que actuar ser la que est justo al lado de ella. Entonces tenemos
MB (f ) = PCB MC (f )PBC
de donde conocemos la matriz MC (f ) y tenemos que calcular las otras dos, que son matrices de paso.
La matriz de paso ms sencilla de calcular es PBC , que es:

1 1
PBC =
1 0
28
Ahora calculamos PCB que es la inversa de la que acabamos de hallar. La calculamos por Gauss
mismamente:

1 1 1 0 F1 F2 1 0 0 1
1 1 1 0
1 0 0 1 F2 +F1 0 1 1 1
0 1 1 1
Entonces tenemos
PCB =
1
PBC

=
1 1
1 0
1

0 1
=
1 1
Solo nos queda hacer el producto:

0 1
1 2
1 1
1 1
1 1
0 1
MB (f ) =
=
=
1 1
1 1
1 0
2 1
1 0
3 2
Calcularemos ahora MB (f ) a partir de la definicin de una aplicacin lineal. Cogemos el primer
vector de la base B, calculamos su imagen y ponemos las componentes en coordenadas de la base B:
f (1, 1) = (3, 0) (3, 0) = (1, 1) + (1, 0) = ( + , )
Entonces hay que calcular y que sern las coordenadas del vector (3, 0) de la imagen respecto de
la base B:

+ =3
=3
= 0 = 0
Y esto se escribe en la primera columna de nuestra matriz:

0
MB (f ) =
3
Hacemos lo mismo con el segundo vector de la base B:
(
f (1, 0) = (1, 1) (1, 1) = (1, 1) + (1, 0) = ( + , )
+ =1 =2
= 1 = 1
Y nuestra matriz queda:

MB (f ) =

0 1
3 2
Ejemplo 20. Sean las bases de R2 B = {(1, 1), (1, 0)} y B 0 = {(2, 1), (0, 1)} hallar la matriz de cambio de base de B a B 0 .
Consideremos que un vector en la base B tiene coordenadas (t1 , t2 ) y en la base B 0 (x1 , x2 ). Entonces:

1
1
2
0
1 1
t1
2 0
x1
t1
+ t2
= x1
+ x2
1
0
1
1
1 0
t2
1 1
x2
| {z }
A

1

x1
2 0
1 1
t1
=
x2
1 1
1 0
t2

Hallamos la matriz inversa:

2 0

= 2 6= 0; Adj(A) = 1
1 1
0

t 1 1
1
Adj(A) =
A1 =
|A|
2 1
29

1
;
2

0
2
Adj(A)
t

=

1 0
;
1 2
Y, entonces, tenemos:

1 1 0
1
1 1 1
1 1
1
1
x1
t1
=
=
1 0
x2
t2
2 1 2
2 1 + 2 1
2 1 1
Ejemplo 21. Supongamos que tenemos la aplicacin lineal f : R2 R3 y sea B1 = {(0, 1), (1, 1)}
una base del espacio inicial o dominio y B2 = {(1, 1, 0), (0, 1, 1), (1, 0, 0)} una base del
espacio final o codominio. Supongamos que la matriz de f respecto de las bases B1 y B2 es:
1 1
MB1 B2 (f ) = 1 0
2 1
Calcule la expresin analtica de f .
Queremos calcular f (x, y) y el vector (x, y) viene dado por sus componentes, por tanto para poder
utilizar la matriz anterior tenemos que hallar las componentes del vector en la base B1 :

= x = x
(x, y) = (0, 1) + (1, 1) = (, + )
+ =y =x+y
Entonces las coordenadas de (x, y) respecto de B1 son (x + y, x). Ahora ya podemos utilizar la
matriz anterior:

1 1
x+y+x
2x + y
x+y
x+y
MB1 B2 (f )
= 1 0
= x y = x y
x
x
2 1
2x + 2y + x
3x + 2y
Con lo que hallamos las coordenadas respecto a B2 de la imagen de (x, y) f (x, y). Pero lo que
queremos son las componentes de f (x, y), por tanto hacemos:
(2x + y, x y, 3x + 2y) = (2x + y)(1, 1, 0) + (x y)(0, 1, 1) + (3x + 2y)(1, 0, 0) =
= (2x y, 2x + y, 0) + (0, x y, x y) + (3x 2y, 0, 0) = (5x 3y, x, x y)
Y esta es la expresin coordenada o la expresin analtica de f .
1.2.4.
Ncleo e Imagen de una aplicacin lineal
Definicin 7. Sea f : V W una aplicacin lineal. Llamamos ncleo de f (ker f ) al conjunto de

vectores de V cuya imagen es el elemento neutro de W .
ker f = {~v V |f (~v ) = ~0W }
30
Definicin 8. Llamamos imagen de f (Im f ) al conjunto de vectores de W que son imgenes bajo f
de vectores de V .
Im f = {w
~ W |~v V |f (~v ) = w}
~
Teorema 10. Si f : V W es una aplicacin lineal entre dos e.v. sobre un cuerpo K, se tiene que:
1. ker f es un subespacio vectorial de V
2. Im f es un subespacio vectorial de W
Ejemplo Calcular ncleo e imagen de las siguientes aplicaciones lineales.
Teorema 11. Dada una aplicacin lineal f : V W y un sistema generador de V , {~v1 , ~v2 , , ~vp },
se tiene que los vectores {f (~v1 ), f (~v2 ), , f (~vp )} forman un sistema generador de Im(f ).
Teorema 12. Sea f : V W una aplicacin lineal donde V es un e.v. de dimensin finita. Entonces
se verifica
dim(V ) = dim(ker f ) + dim(Im f )
Teorema 13. Sea f : V W una aplicacin lineal. Entonces:
1. f es inyectiva si y slo si ker f = {~0V }
2. f es sobreyectiva si y slo si Im f = W
Teorema 14. Sean V y W dos espacios vectoriales de dimensin n y f : V W una aplicacin
lineal. Entonces son equivalentes:
1. f es biyectiva
2. f es inyectiva
3. f es sobreyectiva
4. dimensin de Im(f ) = rang(f ) = n
5. dimensin de ker(f ) =nulidad de f = nul(f ) = 0
Ejemplo 22. Estudia la inyectividad y sobreyectividad de la aplicacin lineal del ejemplo 33.
Esto se podra hacer por definicin. Ver que es inyectiva, o sea, que si dos elementos tienen la misma
imagen coinciden, y ver que es sobreyectiva, ver que todo elemento del espacio final tiene imagen
inversa. Sin embargo, al tratarse de una aplicacin lineal esto se puede caracterizar a partir del rango
de una cualquiera de sus matrices. En el ejemplo 33 calculamos la matriz de f respecto de la base
cannica y respecto de la base B. Es decir, tenemos dos matrices de f y podemos utilizar cualquiera
de ellas, incluso la base inicial y la final pueden ser distintas. Lo que tenemos que hacer es calcular el
rango de una cualquiera de esas matrices. Por propiedades se cumple que estas matrices al representar
a la misma aplicacin lineal son equivalentes y por lo tanto van a tener el mismo rango. Elegimos por
ejemplo MB (f ):

0 1
0 1

= 3 6= 0
rang MB (f ) = rang
= 2 ya que
3 2
3 2
31
Ahora tenemos que ver si este rango es igual a la dimensin del espacio inicial, que en este caso al
tratarse de R2 es 2. Entonces como rang(f ) = dim R2 = 2 la aplicacin lineal es inyectiva. Y ahora
para ver si es sobreyectiva, por las propiedades de las aplicaciones lineales, tenemos que comprobar
si ese rango coincide con la dimensin del espacio final. Entonces, como rang(f ) = dim R2 = 2 f es
sobreyectiva. Y como f es inyectiva y sobreyectiva obtenemos que f es biyectiva. Y a una aplicacin
lineal biyectiva se la llama isomorfismo.
Ejemplo 23. Dado un endomorfismo en R3 con f (x, y, z) = (z, x + y, z). Caracterizar la
aplicacin.
Para ver si f es inyectiva calculamos el ncleo de f :
z=0
x + y = 0 x = y ; z = 0
f (x, y, z) = (0, 0, 0)
z = 0
Una base de ker f es entonces B = {(1, 1, 0)} y al ser distinta de {(0, 0, 0)} la aplicacin no es
inyectiva.
Para ver si f es sobreyectiva calculamos la imagen de f . Un sistema de generadores de Im f
vendr dado por:
{f (1, 0, 0), f (0, 1, 0), f (0, 0, 1)}
o lo que es igual
{(0, 1, 0), (0, 1, 0), (1, 0, 1)}
A partir de este sistema de generadores se obtiene la base de Im f :
{(0, 1, 0), 1, 0, 1}
No es sobreyectiva porque dim(Im f ) 6= dim R3 .
Ejemplo 24. Determinar si la siguiente aplicacin es lineal:
f : R3 R2 |f (x, y, z) = (x + y + z, 2x y)
Consideramos dos vectores cualesquiera de R3 : ~u = (x, y, z), ~v = (x0 , y 0 , z 0 ). Entonces tenemos

que comprobar que f (~u + ~v ) = f (~u) + f (~v ):
f [(x, y, z) + (x0 , y 0 , z 0 )] = f (x + x0 , y + y 0 , z + z 0 ) = (x + x0 + y + y 0 + z+
+ z 0 , 2x + 2x0 y y 0 ) = (x + y + z, 2x y) + (x0 + y 0 + z 0 , 2x0 y 0 ) =
f (x, y, z) + f (x0 , y 0 , z 0 )
Por tanto, es una aplicacin lineal.
Ejemplo 25. Determinar si la siguiente aplicacin es lineal:
f : R2 R3 |f (x, y) = (x, y + 2, x + y)
32
, R y (x1 , x2 ), (y1 , y2 ) R2 se tiene que cumplir la igualdad f (~u + ~v ) = f (~u) + f (~v ), por
tanto:
f (~u + ~v ) = f [(x1 , x2 ) + (y1 , y2 )] = f (x1 + y1 , x2 + y2 ) = (x1 + y1 , x2 + y2 + 2, x1 + y1 + x2 + y2 )
f (~u) + f (~v ) = f (x1 , x2 ) + f (y1 , y2 ) = (x1 , x2 + 2, x1 + x2 ) + (y1 , y2 + 2, y1 + y2 ) = (x1 + y1 , x2 +
+ y2 + 4, x1 + x2 + y1 + y2 )
Comparando los resultados vemos que no son iguales, y por tanto, no es una aplicacin lineal.
Ejemplo 26. Hallar una base del ncleo y otra de la imagen y caracterizar la aplicacin:
f : R3 R2 |f (x, y, z) = (x + y + z, 2x y)
Calculamos una base del ncleo. Para ello buscamos unas ecuaciones paramtricas:

f (x, y, z) = (0, 0, 0)
y = 2x
x+y+z =0
x + 2x + z = 0 z = 3x
z = 3x
2x y = 0 y = 2x
3 incgnitas 2 ecuaciones = 1 parmetro. Por tanto:
x=
y = 2
z = 3
Y entonces una base del ncleo es {(1, 2, 3)}. Calculamos un sistema de generadores de la imagen
de f :
f (1, 0, 0) = (1, 2)
f (0, 1, 0) = (1, 1)
f (0, 0, 1) = (1, 0)
En R2 una base tiene dos vectores, luego tenemos que escoger dos de los tres que sean lienalmente
1 1
= 1 6= 0. Por lo que una base ser B = {(1, 0), (1, 1)}.
independientes, como por ejemplo
1 0
Ahora caracterizamos la aplicacin. Dado que el ncleo de f es distinto del {(0, 0, 0)}, la aplicacin
no es inyectiva. Como dim(Im f ) = dim R2 la aplicacin es sobreyectiva.
1.3. EJERCICIOS DE INICIACIN. ESPACIOS VECTORIALES
1.3.
33
Ejercicios de iniciacin. Espacios vectoriales
1. En R2 definimos la operacin interna: (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) y la operacin

externa: (x, y) = (x, 0), con R. Estudiar si R2 , con dichas operaciones es espacio vectorial sobre R.
Tenemos que comprobar si se cumplen las propiedades de espacio vectorial, para ello vemos primero si el par (R2 , +) es un grupo abeliano:
La suma de nmeros reales es asociativa y conmutativa.
El elemento neutro es el (0, 0)
El elemento simtrico de (x, y) es (x, y).
Por tanto, el par (R2 , +) es un grupo abeliano. Ahora solo nos falta verificar las propiedades de la
operacin externa:

a) (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) = (x + x0 ), 0 = (x + x0 , 0) = (x, 0) + (x0 , 0) =
(x, y) + (x0 , y 0 )

b) ( + )(x, y) = ( + )x, 0 = x+ x, 0 = (x,
0) + (x, 0)
= (x, y) + (x, y)
c) ()(x, y) = ()x, 0 = (x), 0 = (x, 0) = (x, y)
d) 1(x, y) = (x, 0) 6= (x, y)
Como no se cumple la propiedad d), no es espacio vectorial.
2. En R2 definimos la operacin interna: (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) y la operacin
externa: (x, y) = (2 x, 2 y), con R. Estudiar si R2 , con dichas operaciones es espacio
vectorial sobre R.
Tenemos que comprobar si se cumplen las propiedades de espacio vectorial, para ello vemos primero si el par (R2 , +) es un grupo abeliano:
La suma de nmeros reales es asociativa y conmutativa.
El elemento neutro es el (0, 0)
El elemento simtrico de (x, y) es (x, y).
Por tanto, el par (R2 , +) es un grupo abeliano. Ahora solo nos falta verificar las propiedades de la
operacin externa:

a) (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) = 2 (x + x0 ), 2 (y + y 0 ) = (2 x + 2 x0 , 2 y + 2 y 0 ) =
(2 x, 2 y) + (2 x0 , 2 y 0 ) = (x, y) + (x0 ,y 0 )

b) ( + )(x, y) = ( + )2 x, ( + )2 y = (2 + 2 + 2 )x, (2 + 2 + 2 )y = (2 x +
2x + 2 x, 2 y + 2y + 2 y) 6= (x, y) + (x, y) = (2 x + 2 y, 2 y + 2 y)
Como no se cumple la propiedad distributiva respecto a la suma de escalares, no es espacio vectorial.
3. Consideremos el espacio vectorial R2 sobre el cuerpo R. Demostrar si los siguientes subconjuntos son subespacios vectoriales.
a) A = {(x, y) R2 : x 2y = 0}.
b) A = {(x, y) R2 : xy > 0}.
c) A = {(x, y) R2 : x + y = 1}.
d) A = {(x, y) R2 : x Z, y N}.
a) A = {(x, y) R2 : x 2y = 0}
Veamos si A es subespacio vectorial de R2 . Sean ~v = (2x, x) y w
~ = (2y, y) dos elementos de A:

~v + w
~ = (2x, x) + (2y, y) = (2x + 2y, x + y) = 2(x + y), x + y
34
Como el vector resultante es elemento de A, este es subespacio vectorial de R2 .

b) A = {(x, y) R2 : xy > 0}
No es subespacio vectorial ya que ~0
/ A.
c) A = {(x, y) R2 : x + y = 1}.
Sean (1 x, x) y (1 y, y) dos elementos de A:
(1 x, x) + (1 y, y) = ( x, x) + ( y, y) = + (x + y), x + y
El vector resultante no pertenece a A porque el trmino + puede ser cualquier nmero real y slo
nos vale el uno. Por tanto, A no es subespacio vectorial de R2 .
d) A = {(x, y) R2 : x Z, y N}.
(x, y) + (x0 , y 0 ) = (x + y, x0 + y 0 )
Como , R al hacer x + y podramos obtener cualquier nmero real que no tendra porque pertenecer a los enteros. Igualmente al hacer x0 + y 0 el nmero resultante no tendra porque pertenecer
a los naturales. Por tanto, el vector resultante no pertenece a A en todos los casos posible y entonces
A no es subespacio vectorial de R2 .
4. Dado el espacio vectorial real R4 consideramos los subespacios:
V1 = h(1, 2, 0, 1)i.
V2 = {(x, y, z, t) R4 : x y + z + t = 0, y z = 0}.
V3 = {(x, y, z, t) R4 : x = , y = + , z = , t = }.
Pertenece el vector ~
v = (2, 4, 0, 2) a alguno de estos subespacios?. En caso afirmativo calcular sus coordenadas en alguna de sus bases.
Un vector pertenece a un subespacio si se puede poner como combinacin lineal de los vectores
que conforman la base de ese subespacio.
V1 = h(1, 2, 0, 1)i
(2, 4, 0, 2) = (1, 2, 0, 1). Por tanto, como al multiplicar (1, 2, 0, 1) por el parmetro = 2 da
(2, 4, 0, 2) ese vector esta contenido en V1 , ~v V1 . Si elegimos como base de V1 al propio vector
(1, 2, 0, 1) la coordenada del vector ~v en esa base es 2.
V2 = {(x, y, z, t) R4 : x y + z + t = 0, y z = 0}.
Cogemos y z = 0. Como para y = 4, z = 4 6= 2, V2 no contiene al vector (2, 4, 0, 2).
V3 = {(x, y, z, t) R4 : x = , y = + , z = , t = }.
Las ecuaciones paramtricas son
x=
y =+
z=
t=
Un sistema de generadores de V3 es S = {(1, 1, 0, 0), (0, 1, 0, 1), (0, 0, 1, 0)}. A simple vista podemos
comprobar que es un sistema linealmente independiente, por lo que podemos tomarlo como una base
35
de V3 . Para hallar las coordenadas del vector (2, 4, 0, 2) respecto a esta base buscamos una combinacin lineal:
(2, 4, 0, 2) = (1, 1, 0, 0) + (0, 1, 0, 1) + (0, 0, 1, 0)
Ahora solucionamos el sistema:
=2
=2
+ =4
=2
=0
=0
(1.1)
Por tanto, ~v V3 , y las coordenadas de ~v en la base S sern (2, 2, 0).

5. En el espacio vectorial V = M22 (R), estudiar si los siguientes subconjuntos son subespacios vectoriales y, en caso afirmativo, encontrar una base:
a) W = {A M22 (R) : A = At }.
b) W = {A M22 (R) : |A| = 0}.
c) W = {A M22 (R) : |A| =
6 0}.
d) W = {A M22 (R) : tr(A) = 0}.
a) W = {A M22 (R) :A = At }
a b
Un elemento tpico de W es
por lo que tenemos que:
b c

0 0
a + a0 b + b0
a b
a b
+ 0 0 =
b + b0 c + c0
b c
b c
Como el elemento resultante pertenece a W , W es subespacio vectorial de V . Una base del subconjunto W es:

1 0
0 1
0 0
B=
,
,
0 0
1 0
0 1
b) W = {A M22 (R) : |A| = 0}

Demos un contraejemplo para demostrar que W no es subespacio vectorial de V . Sean

0 0
elementos de W , entonces
0 1

1 0
0 0
1 0
+
=
/W
0 0
0 1
0 1
1 0
0 0

y
c) W = {A M22 (R) : |A| =

6 0}

1 0
1 2
Demos de nuevo un contraejemplo. Sean
y
elementos de W , entonces
2 1
0 1

1 0
1 2
2 2
+
=
/W
2 1
0 1
2 2
Adems,
otra forma
de demostrar que W no es subespacio vectorial de V , es viendo que el vector
0
0
nulo ~0 =
/ W.
0 0
36
d) W
= {A M22 (R) : tr(A) = 0}
a b
Sea
un elemento de W , entonces
c a

0

a b
a
b0
a + a0
b + b0
+ 0
=
c a
c a0
c + c0 (a0 + a0 )

Como la traza de la matriz resultante es cero, esta pertenece al subconjunto W y por tanto este es
subespacio vectorial de V .
6. En el espacio vectorial R3 , consideramos el sistema S = {(1, 1, a), (1, a, 1), (a, 1, 1)}. Estudiar, en funcin de a, la dimensin del subespacio vectorial engendrado por S, es decir, L(S).
Veamos para que valor de a se anula el determinante de la matriz A formada por el sistema:

1 1 a

1 a 1 = a + a + a a3 1 1 = a3 + 3a 2 = 0

a 1 1
1
0
3 2
1 1
2
1
1 1
2
0
1 2
1
1 2
0
2
2
1
0
(a 1)(a 1)(a + 2) = 0
a=1
a = 2
Hay que calcular el rango para cada valor de a, ya que en este caso rang A = dim L(S).
i) Para a = 1 todos los vectores son iguales y por tanto dim L(S) = 1.
ii) Para a = 2 tenemos que:

1 1

1 2 = 2 1 = 3 6= 0
Por tanto dim L(S) = 2.
iii) Para a 6= 1 y a 6= 2, dim L(S) = 3.
7. Consideremos el espacio vectorial V = {a + bx + cx2 : a, b, c R} con la suma y el producto por escalares habituales. Probar que el conjunto B = {1 + x, x + x2 , 1 + x2 } es una
base de V . Encontrar las coordenadas del polinomio p(x) = 2 x x2 en la base B. Puede
ser el conjunto C = {1, 1 x, 1 x2 , 1 x x2 } una base de V ?. De no ser as, obtenga a
partir de C, una base de V .
Veamos si B es una base de V :

1 0 1

1 1 0 = 1 + 1 = 2 6= 0

0 1 1
37
Por tanto, B es base de V . Encontramos ahora las coordenadas del polinomio p(x) = 2 x x2 en
la base B:
2=+
2
1 = + = 2
2 x x = (1, 1, 0) + (0, 1, 1) + (1, 0, 1)
1 = +
1 = 2 + = 3 1 = 3 + 2 = 2 = 1 ; = 1 ; = 2
Por tanto, las coordenadas del polinomio p(x) = 2 x x2 en la base B son (1, 2, 1).
El conjunto C no puede ser una base del espacio vectorial V , porque la dimensin de este es tres y
debe coincidir con el nmero de vectores de una base, por lo que al menos un vector ser linealmente
dependiente. Buscamos una base a partir del conjunto C:
1 0
0
1 0
0
1 0
0
1 1 0 F2 F1 0 1 0
0 1 0

1 0 1 F3 F1 0 0 1 F4 F1 0 0 1
F4 F1
0 0 1
0 1 1
1 1 1
Por tanto, una base de V es C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
8. Justifique la veracidad o falsedad de los siguientes enunciados:
a) En un espacio vectorial, todo sistema generador es libre y por tanto base.
b) En R3 todo sistema con menos de 3 vectores es libre.
c) En el espacio vectorial R3 [x], los vectores 2 x y 2x2 x3 son dependientes.
a) Falso, un sistema generador no siempre es libre, y por tanto no siempre es base.
b) Falso, por ejemplo el sistema {(1, 0, 0), (0, 0, 0)} no es libre porque contiene al vector cero.
c) Falso, son linealmente independientes porque no podemos poner uno como combinacin lineal del
otro.
9. Dadas las bases B1 = {(1, 2, 3), (3, 4, 0), (1, 1, 0)} y B2 = {(1, 1, 0), (0, 1, 1), (1, 0, 1)},
encuentra las coordenadas en B1 del vector cuyas coordenadas en B2 son (1, 1, 1).
En lugar de expresar cada vector de B2 como combinacin lineal de B1 , observemos que tenemos
las matrices de cambio de base de B1 a la base cannica
1 3 1
P = 2 4 1
3 0 0
y tambin B2 a la base cannica
1 0 1
Q = 1 1 0
0 1 1
Entonces si llamamos X1 , X2 y X a las coordenadas en las bases B1 , B2 y cannica, respectivamente,
tenemos que P X1 = X y QX2 = X y entonces P X1 = QX2 X1 = P 1 QX2 . Calculamos
38
entonces P 1 :
1 3 1 1 0
2 4 1 0 1
3 0 0 0 0
1 3
0 9
F3 2F2
0 0
1 3 0
F1 F3
0 1 0
91 F2
0 0 1
1 3
1
0
1
F2 2F1
0 0 2 1 2
F3 3F1
1
0 9 3 3
1
1 0 0
1
F2 F3
0
3 3 0 1
13 F3
3 12 9 2
0
2
3 3 3
1 0
1 F1 3F2
1 1 3
0 1
2
4 3 3
0 0
Por tanto P 1 es:
1 3
1
0 0
1 0 0
F2 =F3
1 0 0 9 3 3 0 1
F3 =9F2
0 1
0 18 9 18 9 0
3 1 1 0 0
9 0 9 9 3
0 1 4 3 23
1
0 0
0
3
0 1 1 13
1 4 3 23
P 1
0
0
1
1
= 3 3 1
3
12 9 2
Calculamos P 1 de la otra forma que deberamos recordar, para la que tenemos que seguir los siguientes pasos:

Aji
1
1
(Aji ) =
(aij ) (ij ) (Aij ) (Aji ) A =
|A|
|A|
Siendo ij los menores complementarios de cada elemento y Aij Hallamos |P | y solo si no es nulo
seguimos adelante:

1 3 1

2 4 1 = 9 12 = 3

3 0 0
Formamos una nueva matriz con los menores complementarios de cada elemento:
0 3 12
0 3 9
1 1 2
Cambiamos el signo alternativamente para obtener los adjuntos:
0
3 12
0 3 9
1 1 2
Trasponemos la matriz:
0
0 1
3 3 1
12 9 2
Dividimos cada elemento por |P |. Si no son divisibles, es ms cmodo sacar factor comn
P 1
0
0
1
1
= 3 3 1
3
12 9 2
1
:
|P |
39
Ahora calculamos
0
0
1
0
1
1
0 1 1
1 0 1
1
1
1
P 1 Q = 3 3 1 1 1 0 = 3 + 3 3 1 12 + 2 = 0 2 14
3
3
3
12 9 2
12 9 9 + 2 12 + 2
3 7 14
0 1 1
Por ltimo usamos esta matriz para calcular las coordenadas del vector cuyas coordenadas en B2 son
(1, 1, 1):
0 1 1
1+1
2
1
1
1
1
0 2 14
2 + 14
16
1 =
=
3
3
3
3 7 14
3 7 + 14
10
1
10. Un vector ~
v R3 tiene las coordenadas (1, 2, 1) expresado en la base B1 = {v1 , v2 , v3 }.
Determina sus coordenadas en la base B2 = {w1 , w2 , w3 } sabiendo que v1 = w1 w3 , v2 =
= w2 + w3 , v3 = w1 + w2 w3 . Expresa matricialmente el cambio de base de B1 a B2 .
Si las coordenadas de x en la base B1 son (1, 2, 1) entonces
x = v1 + 2v2 + v3 = w1 w3 + 2w2 + 2w3 + w1 + w2 w3 = 2w1 + 3w2
Por tanto, las coordenadas de x en la base B2 son (2, 3, 0). El cambio de base de B1 a B2 expresado
matricialmente es:
1 0 1
PB2 B1 = 0 1 1
1 1 1
40
1.4.
Ejercicios de iniciacin. Aplicaciones lineales
1. Determinar si las siguientes aplicaciones son lineales:

c) f : P 3 [x] P 3 [x], dada por f [p(x)] = xp0 (x)
d) f : M22 (R) M22 (R) dada por f (A) = AAt
e) f : R3 M22 (R) dada por

x xy
f (x, y, z) =
0 y+z
a) Este apartado est resuelto en el ejemplo 17 de la pgina 25.

b) Este apartado est resuelto en el ejemplo 17 de la pgina 25.
c) Este apartado est resuelto en el ejemplo 17 de la pgina 25.
d) f : M22 (R) M22 (R) dada por f (A) = AAt
Sean A, B M22 (R) y sean , R
f (A + B) = (A + B)(A + B)t = (A + B)(At + B t ) = 2 AAt + 2 BB t +
+ AB t + At B 6= AAt + BB t = f (A) + f (B)
Por tanto, f no es una aplicacin lineal.
e) f : R3 M22 (R) dada por

x xy
f (x, y, z) =
0 y+z
, R y (x, y, z), (x0 , y 0 , z 0 ) R3 se tiene
f [(x, y, z) + (x0 , y 0 , z 0 )] = f (x + x0 , y + y 0 , z + z 0 ) =

0
x x y
x x0 y 0
x xy
x + x0 x + x0 y y 0
=
+
=
+
0 y 0 + z 0
0 y+z
0
y + y 0 + z + z 0
0 y + z

0 0
x x y0
+
= f (x, y, z) + f (x0 , y 0 , z 0 )
0 y0 + z0
Por tanto, f es una aplicacin lineal.
2. Calcular la matriz de la aplicacin en las bases cannicas:
a) f : R3 R3 dada por f (x, y, z) = (z, x + y, z)
b) f : R3 R2 dada por f (x, y, z) = (x + y, 0)
c) f : R2 R2 dada por f (x, y) = (y, x)
d) f : R3 R2 dada por f (x, y, z) = (y, z)
a) f : R3 R3 dada por f (x, y, z) = (z, x + y, z)
f (1, 0, 0) = (0, 1, 0)
0 0 1
f (0, 1, 0) = (0, 1, 0) 1 1 0
f (0, 0, 1) = (1, 0, 1)
0 0 1
1.4. EJERCICIOS DE INICIACIN. APLICACIONES LINEALES
41
b) f : R3 R2 dada por f (x, y, z) = (x + y, 0)

f (1, 0, 0) = (1, 0)
1 1 0
f (0, 1, 0) = (1, 0)
0 0 0
f (0, 0, 1) = (0, 0)
c) f : R2 R2 dada por f (x, y) = (y, x)
f (1, 0) = (0, 1)
f (0, 1) = (1, 0)

0 1
1 0
d) f : R3 R2 dada por f (x, y, z) = (y, z)

f (1, 0, 0) = (0, 0)
0 1 0
f (0, 1, 0) = (1, 0)
0 0 1
f (0, 0, 1) = (0, 1)
3. Calcular, para las funciones que sean aplicaciones lineales en el ejercicio 1, la matriz en las
bases cannicas.
1. a) f : R2 R3 dada por f (x, y) = (x y, 0, 2x + 5y)
1 1
f (1, 0) = (1, 0, 2)
0 0
f (0, 1) = (1, 0, 5)
2 5
1. c) f : P3 [x] P3 [x], dada por f [p(x)] = xp0 (x)
La base cannica de P 3 [x] es B = {1, x, x2 , x3 }. Por tanto
f (1) = 0
0 0
f (x) = x
0 1
0 0
f (x2 ) = 2x2
f (x3 ) = 3x3
0 0
0
0
2
0
0
0
0
3
1. e) f : R3 M22 (R) dada por

x xy
f (x, y, z) =
0 y+z

1
f (1, 0, 0) =
0
0
f (0, 1, 0) =
0
0
f (0, 0, 1) =
0

1
1 0
0 1
0 0
0 0
a = 1, b = 1,
=a
+b
+c
+d
0
0 0
0 0
1 0
0 1
c = 0, d = 0.
1
1
0
1
La matriz asociada queda:
1 0 0
1 1 0
0 0 0
0 1 1
42
4. Determinar el ncleo y la imagen de las aplicaciones lineales de los ejercicios 1 y 2.

1. a) f : R2 R3 dada por f (x, y) = (x y, 0, 2x + 5y)
Calculemos el ncleo: f (x, y, z) = (0, 0, 0)
xy =0
0=0
x = 0;
2x + 5y = 0
y=0
Luego el ncleo est generado por el vector (0, 0), por lo que podemos decir que la aplicacin es
inyectiva.
Estudiemos la imagen de f:
f (1, 0) = (1, 0, 2)
f (0, 1) = (1, 0, 5)
Por tanto, la imagen de f est generada por los vectores (1, 0, 2) y (1, 0, 5). Como estos vectores son
linealmente independientes una base de la imagen de f viene dada por el conjunto {(1, 0, 2), (1, 0, 5)}.
1. c) f : P3 [x] P3 [x], dada por f [p(x)] = xp0 (x)
Ker f :
f [p(x)] = 0 xp0 (x) = 0
Para los polinomios constantes, p(x) = C, la derivada es cero, p0 (x) = 0, y entonces xp0 (x) = 0. Por
tanto una base del ncleo de f es {1}.
Im f :
Im[p(x)] = {1, x, x2 , x3 }
pues la derivada de un polinomio de grado menor o igual que tres es un polinomio de grado menor
o igual que dos, pero al estar multiplicada la derivada por x, este polinomio vuelve a ser de grado
menor o igual que tres.
1. e) f : R3 M22 (R) dada por

x xy
f (x, y, z) =
0 y+z
Ker f :

x=0
0 0
f (x, y, z) =
x y = 0 Ker f = {(0, 0, 0)}
0 0
y+z =0
Im f :

1
f (1, 0, 0) =
0
0
f (0, 1, 0) =
0
0
f (0, 0, 1) =
0

1
0

1
1 1
0 1
0 0
Im f =
,
,
1
0 0
0 1
0 1

0
1
2. a) f : R3 R3 dada por f (x, y, z) = (z, x + y, z)

Ker f :
z=0
z=0
x+y =0
Ker f = {(1, 1, 0)}
y = x
z = 0
43
Im f :
f (1, 0, 0) = (0, 1, 0)
f (0, 1, 0) = (0, 1, 0) Im f = {(0, 1, 0), (1, 0, 1)}
f (0, 0, 1) = (1, 0, 1)
2. b) f : R3 R2 dada por f (x, y, z) = (x + y, 0)
Ker f :
f (x, y, z) = (0, 0) x + y = 0 y = x Ker f = {(1, 1, 0), (0, 0, 1)}
Im f :
f (1, 0, 0) = (1, 0)
f (0, 1, 0) = (1, 0) Im f = {(1, 0)}
f (0, 0, 1) = (0, 0)
2. c) f : R2 R2 dada por f (x, y) = (y, x)
Ker f :
y=0
Ker f = {(0, 0)}
x=0
Im f :
f (1, 0) = (0, 1)
Im f = {(1, 0), (0, 1)}
f (0, 1) = (1, 0)
2. d) f : R3 R2 dada por f (x, y, z) = (y, z)
Ker f :
y=0
Ker f = {(0, 0, 0), (1, 0, 0)}
z=0
Im f :
f (1, 0, 0) = (0, 0)
f (0, 1, 0) = (1, 0) Im f = {(1, 0), (0, 1)}
f (0, 0, 1) = (0, 1)
5. De una funcin f : R3 R2 sabemos:
f (1, 1, 0) = (2, 1).
f (0, 1, 2) = (1, 1).
f (3, 0, 1) = (0, 3).
Se pide:
a) Calcula f (4, 2, 3).
b) Est bien definida la funcin, es decir, podemos calcular la imagen de cualquier vector de
R3 ?
c) Si consideramos la matriz que tiene las tres imgenes en fila, es decir,
2 1
1 1
0 3
44
A qu bases se refiere la matriz de esta aplicacin?

d) Determina la matriz en las bases cannicas.
e) Estudia si es inyectiva y/o sobreyectiva.
a) Vamos a resolver este apartado de varias formas distintas. La primera es haciendo un cambio
de base. Si tomamos la matriz asociada a f respecto de la base B = {(1, 1, 0), (0, 1, 2), (3, 0, 1)}
en el espacio vectorial origen y la base cannica en el espacio vectorial de llegada, obtenemos

2 1 0
MBC (f ) =
1 1 3
Si tenemos en cuenta la relacin existente entre matrices asociadas a una aplicacin lineal y utilizando
el esquema
f
R3 R3 R2
C 1a B 2a C
se tiene que la matriz asociada a f respecto de la base cannica es MC (f ) = MBC (f )PCB . Tenemos
que PBC es:
1
0 3
1 1 0
0
2 1
Calculamos su inversa:

1

0
3
1
1
2

1 2 ;
|PCB | = 1 1 0 = 1 6 = 7 6= 0; Adj(PCB ) = 6
0

2 1
3 3 1
1 6 3
1 6
3
t
1
Adj(PCB )
1
1 3 ; PBC
= 1 1 3
Adj(PCB )t = 1
=
|PCB |
7
2
2
1
2 2 1
Calculamos ahora la matriz MC (f ):
MC (f ) =
1
7
1 6 3

1 1 13 3
2 1 0
1 1 3
=
1 1 3
7 6 1 3
2
2
1
Ahora calculamos f (4, 2, 3):

4

1 1 13 3 1 21
3
2 =
=
5
7 6 1 3
7 35
3
Por tanto, f (4, 2, 3) = (3, 5).
Ahora lo resolveremos calculando las coordenadas del vector (4, 2, 3) en la base B para poder
45
utilizar directamente la matriz MBC (f ). Tenemos que
4 = + 3
2 =
(4, 2, 3) = (1, 1, 0) + (0, 1, 2) + (3, 0, 1)
3 = 2 +
1 0 3 4
1
0 3 4
1 0 3 4
F2 +F1
1 1 0 2 0 1 3 2 0 1 3 2
F3 +2F2
0
2 1 3
0 2 1 3
0 0 7 7
=1
4 = + 3
2 = + 3 = 3 2 = 1 =
7 = 7
= 4 3 = 1 =
Por tanto, las coordenadas del vector (4, 2, 3) en la base B son (1, 1, 1) y ahora podemos calcular
su imagen.

1

2 1 0
3
1 =
1 1 3
5
1
Otra forma de resolverlo es calculando la matriz MC (f ) directamente. Tenemos que

1

a b c
2
ab=2
1 =
d e f
1
de=1
0

0
b + 2c = 1
1
a b c
1 =
1
e + 2f = 1
d e f
2

3

a b c
0
3a + c = 0
0 =
d e f
3
3d + f = 3
1
y entonces podemos formar los sistemas
ab=2
b + 2c = 1
3a + c = 0
de=1
e + 2f = 1
3d + f = 3
Resolvemos el primer sistema:

a = 2 + b;
b = 2c 1;
3(2 + b) + c = 0 6 + 3b + 2c = 0 6 + 3(2c 1) + c = 0
3
3 + 7c = 0 c = ;
7
6
13
b= 1= =b;
7
7
a=2
13
1
=
=a
7
7
Resolvemos el segundo sistema:

d = e + 1;
e = 2f 1;
7f 3 = 0 f =
3
;
7
3(e + 1) + f = 3 3e + 3 + f = 3 3(2f 1) + f = 0
e=
6
1
1=
=e;
7
7
1
6
d= +1=
=d
7
7
46
Y llegamos a que la matriz MC (f ) es

1

1 1 13 3
13
37
7
7
=
6
3
17
7 6 1 3
7
7
que es la misma a la que llegamos haciendo el cambio de base.
El ltimo mtodo es el ms sencillo. Teniendo en cuenta que la aplicacin es lineal podemos hacer:
f (4, 2, 3) = f (1, 1, 0) + f (0, 1, 2) + (3, 0, 1)
donde claramente podemos ver que en este caso = 1, = 1, = 1. Si no lo viesemos directamente
podramos resolver el sistema
4 = + 3
2 =
3 = 2 +
que ya resolvimos anteriormente. Entonces tenemos que
f (4, 2, 3) = f (1, 1, 0) + f (0, 1, 2) + f (3, 0, 1) = (2, 1) + (1, 1) + (0, 3) = (3, 5)
b)Para ver si podemos calcular la imagen de cualquier vector de R3 comprobamos que la dimensin
de la base B es 3:

1

0
3

1 1 0 = 1 6 = 7 6= 0

0
2 1
Entonces, como los vectores de la base son linealmente independientes podemos calcular la imagen
de cualquier vector de R3 .
c) Se refiere a la base cannica de R2 .
d)

1 1 13 3
MC (f ) =
7 6 1 3
e) Tal como vimos en el ejemplo 22, tenemos que calcular primero el rango de una matriz de la
aplicacin como por ejemplo el de la MC (f ):
1

1
13
3
13
1
78
77
7
7
7 =
+
=
6= 0
= 2 ya que 76
rang MC (f ) = rang 76
1
3
1
7
7
49 49
49
7
7
7
Ahora vemos si el rango es igual a la dimensin del espacio inicial. Como rang(f ) = 2 6= rang R3 =
3 la aplicacin lineal no es inyectiva. Y ahora tenemos que comprobar que la dimensin del espacio
final coincide con ese rango. Como rang(f ) = rang R2 = 2 la aplicacin lineal es sobreyectiva.
6. Consideremos el endomorfismo de R3 dado por f (x1 , x2 , x3 ) = (x1 + x2 + x3 , x1 + x2 x3 , x3 ).
Determina:
a) ker(f )
b) Im(f )
c) f (V ) con V = {(x, y, z) R3 : x + y + z = 0} d) La matriz en la base cannica. e) Matriz en la base B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}. f) Relacin entre ambas matrices.
47
a) Ncleo
Para que (x1 , x2 , x3 ) Ker(f ), se tiene que cumplir que (y1 , y2 , y3 ) = (0, 0, 0), entonces:

x 1 + x2 + x3 = 0
x1 =
x2 = x1
x1 + x2 x3 = 0
x2 =
x3 = 0
x3 = 0
x3 = 0
Por lo tanto el ncleo de f est generado por el vector (1, 1, 0).
b) Imagen
Un elemento genrico de la imagen es:
(y1 , y2 , y3 ) = (x1 + x2 )(1, 1, 0) + x3 (1, 1, 1)
siendo (1, 1, 0) y (1, 1, 1) dos vectores linealmente independientes y por lo tanto base de la Im(f ).
Otra forma de hallarla es calcular la imagen de los vectores de la base que nos dar un sistema
generador de Im(f )
f (1, 0, 0) = (1, 1, 0)
f (0, 1, 0) = (1, 1, 0)
f (0, 0, 1) = (1, 1, 1)
Si nos quedamos con los vectores linealmente independientes, tendremos la base buscada.
c) f (V )
La imagen de V vendr dada por:
f (x, y, z) = (0, x + y z, z) = (0, 2(x + y), (x + y)) = (x + y)(0, 2, 1)
luego f (V ) vendr generada por el vector (0, 2, 1)
Otra forma ser calcular una base del subespacio V y aplicar el Teorema 11,
x=
y=
x + y + z = 0 z = x y
z =
Por lo cual, aplicando f a una base de V tenemos que:
f (1, 0, 1) = (0, 2, 1)
f (0, 1, 1) = (0, 2, 1)
sistema generador de la Im(V ), siendo B = {(0, 2, 1)} una base.
d) La matriz de f en la base cannica es
1 1 1
MC (f ) = 1 1 1
0 0 1
e) La matriz en la base B es la que tiene como columnas las coordenadas respecto de la base B de la
imagen de los vectores de esa misma base B.
2=+
2 = + = 2 ;
f (1, 1, 0) = (2, 2, 0) = (1, 1, 0) + (1, 0, 1) + (0, 1, 1)
0=+
2=2+
=0
=0;
+ =0
=0;
=2;
f (1, 1, 0) = (2, 0, 0)B
48

2=+
3
2=
f (1, 0, 1) = (2, 0, 1) 0 = + =
3 = 2 = ;
1=+
2
1=+

3
43
1
1
3
1 3 1
=2 =
=
= ; = 1 = = ; f (1, 0, 1) =
, ,
2
2
2
2
2
2 2 2 B

f (0, 1, 1) = (2, 0, 1) =
1 3 1
, ,
2 2 2

B
Entonces la matriz es
1
2 12
4
1
1
2
1
3
3
= 0 3
MB (f ) = 0 23
2
2
1
1
0 2 2
0 1 1
f) Teniendo en cuenta el esquema
f
R3 R3 R3 R3
B 1a C 2a C 3a B
tenemos que la relacin entre ambas matrices es:
MB (f ) = PCB MC (f )PBC
Comprobamos que obtenemos la misma matriz que en el apartado anterior. La matriz PBC es
1 1 0
PBC = 1 0 1
0 1 1
Calculamos su inversa:

1 1 0
1

|PBC | = 1 0 1 = 1 1 = 2 6= 0; Adj(PBC ) = 1
0 1 1
1
1 1 1
Adj(PC B)t
1
Adj(PBC )t = 1 1 1 ; PCB = PBC
=
|PBC |
1 1 1
1 1
1 1 ;
1 1
1
1 1
1
= 1 1 1
2
1 1
1
Calculamos ahora MB (f ):
1
1 1
1 1 1
1 1 0
2 2 1
1 1 0
4 1
1
1
1
1
1 1 1 1 1 1 1 0 1 = 0 0 3 1 0 1 = 0 3
3
2
2
2
1 1
1
0 0 1
0 1 1
0 0 1
0 1 1
0 1 1
1.5. EJERCICIOS DEL TEMA 1
1.5.
49
Ejercicios del tema 1
1. Consideremos en R4 los subespacios vectoriales F = ha, b, ci y G = hd, ei con a =

= (1, 2, 3, 4), b = (2, 2, 2, 6), c = (0, 2, 4, 4), d = (1, 0, 1, 2) y e = (2, 3, 0, 1). Determine las dimensiones y una base de los subespacios vectoriales: F , G, F G, F + G y F G.
La dimensin de F
1 2 3 4
2 2 2 6 ;
0 2 4 4
la calculamos hallando el rango de la matriz

1 2 3
1 2 4

2 2 2 = 8 + 12 16 4 = 0; 2 2 6 = 8 + 16 16 12 = 4 6= 0

0 2 4
0 2 4
Por tanto, dim(F ) = 3 y entonces el conjunto {a, b, d} es una base de f . Calculamos ahora la dimensin de G. La matriz

1 0 1 2
2 3 0 1

1 0

=
formada por los vectores d y e tiene rango 2 como podemos ver a ojo, ya que por ejemplo
2 3
3 6= 0, y entonces dim(G) = 2. Por tanto, una base de G es {d, e}.
Sea x F G, entonces, x = a + b + c = (1, 2, 3, 4) + (2, 2, 2, 6) + (0, 2, 4, 4) = ( +
2, 2 + 2 + 2, 3 + 2 + 4, 4 + 6 + 4) y x = md + ne = m(1, 0, 1, 2) + n(2, 3, 0, 1) =
(m + 2n, 3n, m, 2m + n). Resolvemos el sistema:
+
2
=
m
+
2n
+
2
2n
=
0
1
2
0
1
2
2 2 2 0 3
2 + 2 + 2 = 3n
2 + 2 + 2 3n = 0
3 2 4 1
3 + 2 + 4 = m
3 + 2 + 4 + m = 0
0
4 + 6 + 4 = 2m + n
4 + 6 + 4 2m n = 0
4 6 4 2 1
1 2 0 1 2
F2 2F1 0 2 2
2
1

0 4 4 4
6 F3 2F2
F3 3F1
F4 4F1
F4 F2
0 2 4 2
7
1 2 0 1 2
0 2 2 2
1
0 0 0 0
4
0 0 2 0
6
4n = 0 n = 0
2 + 6n = 0 = 0
2 + 2 + 2m + n = 0
2 = 2m = m
+ 2 m 2n = 0
= m
Sustituyendo estos valores en x = ( + 2, 2 + 2 + 2, 3 + 2 + 4, 4 + 6 + 4) tenemos:

x = (m+2m, 2m+2m, 3m+2m, 4m+6m) = (m, 0, m, 2m). Igualmente si los sustituimos
en x = (m + 2n, 3n, m, 2m + n) obtenemos que x = (m, 0, m, 2m) siendo {(1, 0, 1, 2)} una
base de F G y dim F G = 1.
Sabemos que dim(F + G) = dim F + dim G dim(F G). Entonces tenemos que dim(F + G) =
3 + 2 1 = 4. Una base de F + G estar formada, por tanto, por 4 vectores, por ejemplo, los vectores
{a, b, c} ms un vector de G de forma que los 4 sean linealmente independientes. Como

1 2 3 4 1 2

3
4

2 4 2
2 2 2 6 0 2 4 2

= 2
4
4 = 16 + 32 + 16 16 16 32 = 0
0 2 4 4 = 0 2

4
4

2 4 2
1 0 1 2 0 2 4 2
50
entonces d depende linealmente de los vectores a, b y c. Probamos con el vector e:

1 2 3 4 1 2

3
4

2

2
6
2 2 2 6 0 2 4 2

= 2
+ 16 + 24 8 48
= 24 6= 0
4
4 =
56
56
0 2 4 4 = 0 2

4
4

1 6 7
2 3 0 1 0 1 6 7
Una base de F + G estar formada por B = {a, b, c, e}.
Anteriormente vimos que F G 6= {0}, por tanto la suma de F con G no es directa.
2. Dado el endomorfismo de R3 definido por (x1 , x2 , x3 ) 7 (y1 , y2 , y3 ) donde y1 = x1 +
+x2 + x3 , y2 = x1 + x2 x3 e y3 = x3 con respecto a la base cannica, calcule
1. Ker(f ).
2. Im(f ).
3. f (V ) con V = {(x, y, z) R3 : x + y + z = 0}.
Este ejercicio es igual al ejercicio 6 de iniciacin de aplicaciones lineales.
3. Sea V el espacio vectorial de los polinomios con coeficientes reales, en la indeterminada x, de
grado menor o igual a tres. Demuestre que los polinomios p1 (x) := 1 x, p2 (x) := x2 + x3 ,
p3 (x) := 1 + x2 , p4 (x) := x + x3 , constituyen una base B de V . Exprese el polinomio 3+
+3x2 4x3 en dicha base.
Tenemos el conjunto {(1, 1, 0, 0), (0, 0, 1, 1), (1, 0, 1, 0), (0, 1, 0, 1)}. Para ver si sus vectores son
linealmente independientes calculamos el rango de la matriz que forma:

1 0 1 0

1 0 0 1

0 1 1 0

0 1 0 1
calculando los menores de la primera fila tenemos

0 0 1
1 0 1

1 1 1 0 + 1 0 1 0 = 1 1 = 2 6= 0
1 0 1
0 1 1
Ahora que sabemos que ese conjunto es una base, a la que llamaremos B, buscamos las coordenadas
del vector (3, 0, 3, 4) en dicha base:
+ =3
+ = 0
3, 0, 3, 4) = (1, 1, 0, 0) + (0, 0, 1, 1) + (1, 0, 1, 0) + (0, 1, 0, 1)
+ =3
+ = 4
=3
= 4
=3
= 5 ; = 2 ; = 2
=3+4+=7+
= 4
= 3 7 2 = 4 = 2
=
Por tanto, las coordenadas del polinomio 3 + 3x2 4x3 expresado en la base B tiene las coordenadas
(2, 2, 5, 2)B .
51
4. Sea E un espacio vectorial de dimensin 2 y tres bases del mismo B1 = {v1 , v2 }, B2 =

= {w1 , w2 }, B3 = {u1 , u2 }, relacionadas en la forma v1 = u1 u2 , v2 = u2 , w1 = 2u1 ,
w2 = u1 u2 . Calcule las coordenadas de un vector ~
v en la base B2 , sabiendo que sus coordenadas en la base B1 son (2, 3)B1 .
Si las coordenadas de ~v en la base B1 son (2, 3)B1 es porque ~v = 2v1 + 3v2 . Entonces
~v = 2v1 + 3v2 = 2(u1 u2 ) + 3u2 = 2u1 + u2
luego las coordenadas de ~v en la base B3 son (2, 1)B3 . Invirtiendo la relacin que existen entre los
vectores de la base B2 y B3 tenemos

1
3
1
w1 +
w1 w2 = w1 w2
~v = 2u1 + u2 = 2
2
2
2
y entonces las coordenadas de ~v en la base B2 son ( 32 , 1)B2 .
Resolvamos el ejercicio matricialmente. Denotemos por PB1 B3 y PB2 B3 a las matrices de cambio de
base de B1 a B3 y de B2 a B3 , respectivamente, que nos proporciona el enunciado. Estas matrices
son:

1 0
2 1
PB1 B3 =
; PB2 B3 =
1 1
0 1
Como se nos pide calcular las coordenadas de ~v en la base B2 a partir de sus coordenadas en la base
B1 , usaremos la matriz PB1 B2 . Seguimos el esquema
R2 R2 R2
B1 1a B3 2a B2
para tener
PB1 B2 = PB3 B2 PB1 B2 = PB1
P
2 B3 B1 B3
Calculamos la matriz inversa de PB2 B3 :

2 1
1
1
1
1
0
1
1
1
t

; PB2 B3 =
0 1 = 2 6= 0; Adj(PB2 B3 ) = 1 2 ; Adj(PB2 B3 ) = 0
2
2 0 2
Ahora calculamos la matriz PB1 B2 :
PB1 B2
De este modo
1
2
1
=
2

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

3
1 3
0 1
2
=
= 2
2 2
3
1
2 2
5. Sea f el endomorfismo de R4 (R) definido de la forma:

El ncleo de f es el subespacio vectorial de ecuaciones x + y + z = 0 y t = 0.
Los vectores (1, 1, 1, 0) y (0, 0, 0, 1) se transforman en s mismos.
Se pide:
52

1. La matriz de f respecto a la base cannica.
2. Dado el subespacio vectorial de ecuaciones x + y + z t = 0, t = 0 y x y + 2t = 0,
halle una base de su imagen por f .
1. Tenemos los vectores (1, 1, 1, 0) y (0, 0, 0, 1), y queremos calcular dos vectores ms de nuestro
endomorfismo, que sean linealmente independientes, para tener una base del mismo. Nos dan las
ecuaciones cartesianas del ncleo, por tanto, calculamos las ecuaciones paramtricas para obtener
una base del mismo:
x=
y=
{(1, 0, 1, 0), (0, 1, 1, 0)}
z
=
t=0
Veamos entonces que el conjunto {(1, 0, 1, 0), (0, 1, 1, 0), (1, 1, 1, 0), (0, 0, 0, 1)} es linealmente
independiente y, por tanto, es una base de nuestro endomorfismo:

1

0

1

0

0 1 0

1
0
1

1 1 0
= 0 1 1 = 1 + 1 + 1 = 3 6= 0

1 1 0
1 1 1
0 0 1
El conjunto es por tanto una base a la que llamaremos B. Calculamos entonces la matriz de f respecto
a la base B. Los vectores (1, 0, 1, 0) y (0, 1, 1, 0) tienen como imagen al vector nulo por pertenecer
al ncleo de f . Los (1, 1, 1, 0) y (0, 0, 0, 1) al transformarse en s mismos tienen como coordenadas
en la base B a (0, 0, 1, 0)B y (0, 0, 0, 1)B , respectivamente. La matriz de f respecto a la base B queda
entonces:
0 0 0 0
0 0 0 0
MB (f ) =
0 0 1 0
0 0 0 1
Para hallar la matriz de f respecto a la base cannica C, tendremos en cuenta el siguiente esquema:
f
R4 R4 R4 R4
C 1a B 2a B 3a C
La matriz de paso de la base B a la base cannica C viene dada por:
PBC
1
0 1
0
1 1
=
1 1 1
0
0 0
0
0
0
1
Entonces la matriz de f en la base cannica viene dada por:

1
MC (f ) = PBC MB (f )PCB = PBC MB (f )PBC
53
Calculamos la matriz inversa de PBC utilizando el mtodo de Gauss:
1
0 1 0 1 0 0 0
1 0 1 0 1
0
F3 +F1 0 1 1 0 0
1
1
0
0
1
0
0
1 1 1 0 0 0 1 0 0 1 2 0 1
0
0 0 1 0 0 0 1
0 0 0 1 0
1 0 0 0 2/3
1 0 1 0 1 0 0 0
0 1 1 0 0 1 0 0 13 F3 0 1 0 0 1/3
0 0 1 0 1/3
0 0 3 0 1 1 1 0 F1
13 F3
1
F2 3 F3
0 0 0 1 0 0 0 1
0 0 0 1
0
Calculamos ahora MC (f ):
1
0
1
0
1
MC (f ) =
1
1
3
0
0
2 1 1 0
1 2 1 0
=
1
1
1 0
0
0
0 3
0
0
0 0
0 0
1
0
1 1 1
1
1 1 1
3 1 1 1
0 0 0
1
1
1
0
0
0
0
0
0 0
2 1 1
0 0 1 2 1
1 0 1
1
1
0 1
0
0
0

0
1/3 1/3 1/3
1/3 1/3 1/3
0
=
0 1/3 1/3 1/3
3
0
0
0
0
1
0
0
0
0
1
0
0
0
3 +F2
F
0
1
1/3 1/3 0
2/3 1/3 0
1/3
1/3 0
0
0
1
0 0
0
0 1 0 0
=
0 3 0 0
0 0
3
0
0
0
1
1
1
1
0
0
0
0
1
2. Hallamos las ecuaciones paramtricas del subespacio vectorial:
x=
x+y+zt=0

y=
t=0
x + y + z = 0x y = 0
z = 2
x y + 2t = 0
t=0
Una base del subespacio es entonces {(1, 1, 2, 0)}. Calculamos su imagen por f :

1/3 1/3 1/3 0
1
0
1/3 1/3 1/3 0 1 0

1/3 1/3 1/3 0 2 = 0
0
0
0 1
0
0
Tambin podramos haber visto que el vector (1, 1, 2, 0) es combinacin lineal de los vectores que
forman la base del ncleo, ya que (1, 1, 2, 0) = (1, 0, 1, 0) + (0, 1, 1, 0), y por tanto, pertenece
al ncleo, por lo que la base de la imagen por f del subespacio vectorial es el vector nulo.
6. Sea f : R3 R2 la aplicacin lineal dada por
f (x, y, z) = (x + 2y z, 2x y + 3z),
(x, y, z) R3 ,
y sean B1 = {(1, 0, 1), (1, 1, 0), (0, 1, 1)} y B2 = {(1, 3), (2, 1)} bases de R3 y R2 respectivamente.
a) Determine la matriz de f en las bases cannicas.
b) Determine la matriz de f en las bases B1 y B2 .
54
a) Para calcular la matriz de f en las bases cannicas simplemente hacemos:

f (1, 0, 0) = (1, 2)
1 2 1
f (0, 1, 0) = (2, 1) MC (f ) =
2 1 3
f (0, 0, 1) = (1, 3)
b) Lo resolvemos primero aplicando la definicin de aplicacin lineal:
0 = + 2 = 2
5
f (1, 0, 1) = (0, 5) = (1, 3) + (2, 1)
5 = 3 5 = 6 =
7
=
10
7

f (1, 1, 0) = (3, 1)
3 = + 2 = 3 2
1 = 3(3 2) 1 = 9 7
1 = 3
16
21 16
5
8
; =3
=
=
=
7
7
7
7

5
1 = + 2
f (0, 1, 1) = (1, 2)
1 = + 6 4 7 = 5 =
2 = 3 = 3 2
7
7 = 8 =
15 14
1
=
=
7
7
7
Entonces tenemos que

f (1, 0, 1) =
10 5
,
7
7

, f (1, 1, 0) =
B2
5 8
,
7 7

, f (0, 1, 1) =
B2
5 1
,
7 7
y, por tanto, la matriz de f en las bases B1 y B2 es:

10/7 5/7 5/7
MB1 B2 (f ) =
5/7 8/7 1/7
Ahora lo resolvemos matricialmente. Teniendo en cuenta el esquema
f
R3 R3 R2 R2
B1 1a C1 2a C2 3a B2
tenemos que la matriz MB1 B2 (f ) es:
MB1 B2 (f ) = PC2 B2 MC1 C2 (f )PB1 C1 = PB12 C2 MC1 C2 (f )PB1 C1
Las matrices PB1 C1 y PB2 C2 son:
PB1 C1
1 1 0
= 0 1 1 ;
1 0 1

PB2 C2 =

1 2
3 1

B2
55
Calculamos la matriz inversa de PB2 C2 :

1 2
1 3

PB2 C2 | =
= 1 6 = 7 6= 0; Adj(PB2 C2 ) =
;
3 1
2 1

1 1 2
1 2
1
t
Adj(PB2 C2 ) =
; PB2 C2 =
3 1
7 3 1
Calculamos ahora la matriz MB1 B2 (f ):
1
7

1 10 5 5
7 5 8 1
MB1 B2 (f ) =

1 1 0

1 1 0
1 5 0 5
1 2
1 2 1
0 1 1 =
0 1 1 =
3 1
2 1 3
7 1 7 6
1 0 1
1 0 1
Y, por tanto, la matriz de f en las bases B1 y B2 es:

10/7 5/7 5/7
MB1 B2 (f ) =
5/7 8/7 1/7
7. Considere los subespacios vectoriales U = h((1, 1, 1)i y W = {(x, y, z) R3 : x + y+
+z = 0} en R3 .
a) Calcule la matriz de una aplicacin lineal f : R3 R3 tal que ker(f ) = U e Im(f ) = W .
b) Encuentre subespacios U 0 y W 0 de R3 tales que U U 0 = R3 y W W 0 = R3 .
Calculamos las ecuaciones paramtricas de W y a partir de estas una base:
x=
y=
B(W ) = h(1, 0, 1), (0, 1, 1)i
z =
Como los vectores (1, 0, 1) y (0, 1, 1) pertenecen
cannica es:
1
0
0
1
1 1
a la Im f la matriz de la aplicacin en la base
a
b
c
Si el vector (1, 1, 1) genera el ncleo, entonces

1
0 a
1
0
1 + a = 0 a = 1
0
1 + b = 0 b = 1
1 b
1 = 0
1 1 + c = 0 c = 2
1 1 c
1
0
Por tanto la matriz de f en la base cannica es:
1
0 1
1 1
MC (f ) = 0
1 1 2
56
b)Para encontrar los subespacios que cumplan que U U 0 = R3 y W W 0 = R3 debemos tener

en cuenta dos cosas, la primera es que la dimensin del espacio vectorial suma debe ser 3, ya que
dim(R3 ) = 3. Y la otra es que al ser suma directa la dimensin de la interseccin de los subespacios
que estamos sumando debe ser igual a cero. Por tanto, el apartado consiste en hallar una base para
U 0 y W 0 cuyos vectores sean linealmente independientes respecto a U y W respectivamente. Ya que
dim(R3 ) = 3, debemos tener en cuenta que son dos vectores que sean linealmente independientes
con la base de U , y uno que sea linealmente independiente con la base de W .
Ya que dim(U U 0 ) = dim(U ) + dim(U 0 ) dim(U U 0 ) 3 = 1 + dim(U 0 ) 0 dim(U 0 ) = 2.
dim(W W 0 ) = dim(W ) + dim(W 0 ) dim(W W 0 ) 3 = 2 + dim(W 0 ) 0 dim(W 0 ) = 1.
Por ejemplo para U 0 escogemos arbitrariamente los vectores (1, 0, 0), (0, 1, 0), aunque los escogemos
fijandonos en que deben ser linealmente independientes consigo mismo y con los de la base de U . Se
puede
que son linealmente independientes con los vectores de U mediante el determinan comprobar

1 1 1

te: 1 0 0 = 1 6= 0 por lo que U 0 = h(1, 0, 0), (0, 1, 0)i.
0 1 0
Igualmente para W 0 escogemos
el vector
(0, 0, 1) que es linealmente independiente con los vectores

1 0 1

de W . Lo comprobamos: 0 1 1 = 1 6= 0 por lo que W 0 = h(0, 0, 1)i.
0 0 1
8. En el espacio vectorial M2 (R) considere el conjunto
U = {A M2 (R) : A + At = 0}.
Demuestre que se trata de un subespacio vectorial de M (R) y determine una base y su dimensin.
Para comprobar que U es subespacio vectorial cogemos A/A + At = 0 y B/B + B t = 0 y hacemos:
(A + B) + (A + B)t = (A + B) + (At + B t ) = (A + At ) + (B + B t )
Como este ltimo trmino tambin es igual a cero, el subconjunto es un subespacio vectorial de M (R)
Veamos como es un elemento tpico de este subconjunto:

a+a=0a=0
a b
a c
0 0
b + c = 0 b = c
+
=
c d
b d
0 0
d+d=0d=0

Entonces un elemento tpico de U es ~u =

0 x
0 1
. Y una base del subespacio es
,
x 0
1 0
cuya dimensin es uno.

9. Sea f un endomorfismo de un espacio vectorial V sobre un cuerpo de caracterstica distinta
de dos que verifica f f = IV , donde IV es la identidad en V .
1. Pruebe que f es un automorfismo.
57
2. Se definen los conjuntos

U := {x V : f (x) = x} y W := {x V : f (x) = x}
Pruebe que son subespacios vectoriales de V .
3. Demuestre que V = U W .
1. Para ver si es inyectiva tenemos que ver que si f (x) = f (y) x = y. f (x) = f (y) f (f (x)) =
f (f (y)) x = y. Por tanto la aplicacin es inyectiva.
Para ver si es sobreyectiva tenemos que ver que x/f (x) = yy. Si tomamos x = f (y) tenemos que
f (x) = f (f (y)) = y. Por tanto la aplicacin es sobreyectiva. Como es inyectiva y sobreyectiva es un
automorfismo o isomorfismo.
2. U = {x/f (x) = x}. Tomamos x/f (x) = x e y/f (y) = y:
f (x + y) = f (x) + f (y) = x + y
W = {x/f (x) = x}. Tomamos x/f (x) = x e y/f (y) = y:
f (x + y) = f (x) + f (y) = (x + y)
3. Tomamos x V . x = a + b, f (a) = a y f (b) = b. x =
f(
x+f (x)
2
xf (x)
.
2
x + f (x)
f (x) + f (f (x))
x + f (x)
)=
=
2
2
2
f (x) x
x f (x)
x f (x)
)=
=
2
2
2
Comprobamos que V = U W :
f(
x = f (x) = x x = 0
10. Sean S3 (R) y A3 (R) los conjuntos de matrices simtricas y antisimtricas 3 3, respectivamente.
1. Pruebe que son subespacios vectoriales de M3 (R). Obtenga una base de cada uno as
como su dimensin.
2. Demuestre que S3 (R) A3 (R) = M3 (R).
3. Si f : S3 (R) A3 (R) es la aplicacin lineal dada por
d a b
0 a b
f a e c = a 0 c
b c f
b c
0
halle la matriz de f respecto a las bases construidas en el primer apartado.
58

1.
0 0 0
a e f
a + a0 e + e0 f + f 0
a e f
e b g + e0 b0 g 0 = e + e0 b + b0 g + g 0 S3 (R)
f + f 0 g + g 0 c + c0
f 0 g 0 c0
f g c
0
a b
0
a0 b 0
0
a + a0 b + b0
0
c + c0 A3 (R)
a 0 c + a0 0 c0 = a a0
b c 0
b0 c0 0
b b0 c c0
0
0 1 0
0 0 1
0 0 0
0 0 0
0 0 0
1 0 0
BS3 (R) = 0 0 0 , 1 0 0 , 0 0 0 , 0 1 0 , 0 0 1 , 0 0 0
0 0 0
0 0 0
1 0 0
0 0 0
0 1 0
0 0 1
0 0 1
0 0 0
0 1 0
BA3 (R) = 1 0 0 , 0 0 0 , 0 0 1
0 0 0
1 0 0
0 1 0
2. dim(M3 (R)) = 9, dim(S3 (R)) = 6, dim(A3 (R)) = 3.

dim(M3 (R)) = dim(S3 (R)) + dim(A3 (R))
Entonces M3 (R) = S3 (R) A3 (R), porque la interseccin tiene que ser 0.
3. Para no tener que escribir las matrices que conforman los elementos de las bases que vamos
a utilizar muchas veces, denotamos las matrices como BS3 (R) = {~v1 , ~v2 , ~v3 , ~v4 , ~v5 , ~v6 }, BA3 (R) =
{w
~ 1, w
~ 2, w
~ 3 }.
f (~v1 ) = 0w
~ 1 + 0w
~ 2 + 0w
~3
f (~v2 ) = 1w
~ 1 + 0w
~ 2 + 0w
~3
0 1 0 0 0 0
f (~v3 ) = 0w
~ 1 + 1w
~ 2 + 0w
~3
0 0 1 0 0 0
f (~v4 ) = 0w
~ 1 + 0w
~ 2 + 0w
~3
0 0 0 0 1 0
f (~v5 ) = 0w
~ 1 + 0w
~ 2 + 5w
~3
f (~v6 ) = 0w
~ 1 + 0w
~ 2 + 0w
~3
1.6. EJERCICIOS DE EXAMEN DEL TEMA 1
1.6.
59
Ejercicios de examen del tema 1
1 (ABRIL 2008). Consideremos el espacio vectorial V = (Rn , +, ). En qu caso U es un

subespacio vectorial de V ? (seleccione
Pnla respuesta correcta):
n
a) U = {(x1 , x2 , . . . , xn ) R : i=1 ixi = 0}.
b) U = {(x1 , x2 , . . . , xn ) Rn : xi > 0, i}.
c) U = {(x1 , x2 , . . . , xn ) Rn : max(x
i ) 1, i}.
Pn
n
d) U = {(x1 , x2 , . . . , xn ) R : i=1 ixi = 1}.
P
a) U = {(x1 , x2 , . . .P
, xn ) Rn : n
i=1 ixi = 0}.
P
u = (x1 , x2 , . . . , xn ) : ni=1 ixi = 0, v = (y1 , y2 , . . . , yn ) : ni=1 iyi = 0.
u + v = (x1 + y1 , x2 + y2 , . . . , xn + yn )
n
X
i(xi + yi ) = 0
i=1
b) U = {(x1 , x2 , . . . , xn ) Rn : xi > 0, i}.

Ponemos un contraejemplo. Si u = (1, 1, . . . , 1) xi > 0i. Pero si = 1: u = (1, 1, . . . , 1)
xi 0, i.
c) U = {(x1 , x2 , . . . , xn ) Rn : max(xi ) 1, i}.
Ponemos un contraejemplo. Si u = (1, 1, . . . , 1) max(xi ) 0i. Pero si = 2: u = (2, 2, . . . , 2)
max(xi ) 1, i.
P
1}.
d) U = {(x1 , x2 , . . . , xn ) Rn : n
i=1 ixi =P
Ponemos
un contraejemplo. Si u = (1, 0, . . . , 0) ni=1 ixi = 1. Pero si = 2: u = (2, 0, . . . , 0)
Pn
i=1 ixi 6= 1.
2 (ABRIL 2008). En R3 se definen los subespacios vectoriales U = h((1, 1, 1)i y W = {(x, y, z) R3 : x

+y + z = 0}.
a) Calcule la matriz de una aplicacin lineal f : R3 R3 tal que ker(f ) = U e Im(f ) = W .
a) Est resuelto en el ejercicio 7 de la pgina 55.
3 (SEPTIEMBRE 2008). Sea f un endomorfismo de un espacio vectorial V sobre un cuerpo
de caracterstica distinta de dos que verifica f f = IV , donde IV es la identidad en V .
a) Pruebe que f es un automorfismo.
b) Se definen los conjuntos
U := {x V : f (x) = x} y W := {x V : f (x) = x}
Pruebe que son subespacios vectoriales de V .
c) Demuestre que V = U W .
Este ejercicio est resuelto en el 9 de la pgina 56.
4 (SEPTIEMBRE 2009). Sea V = R4 [t] el espacio vectorial de los polinomios reales de grado
menor o igual que 4 en la indeterminada t. Considere el conjunto C = {t4 , (t 1)2 t(t + 1),
(t 1)t2 (t + 1), (t 1)t(t + 1)2 }.
60
a) Encuentre un subconjunto B C que sea una base de hCi.

b) Determine las coordenadas de los polinomios de C con respecto a la base obtenida.
c) Extienda B a una base de V .
(t 1)2 t(t + 1) = (t2 2t + 1)t(t + 1) = t4 2t3 + t2 + t3 2t2 + t = t4 t3 t2 + t
(t 1)t2 (t + 1) = (t 1)(t3 + t2 ) = t4 t3 + t3 t2 = t4 t2
(t 1)t(t + 1)2 = (t2 + 2t + 1)(t2 t) = t4 + 2t3 + t2 t3 2t2 t = t4 + t3 t2 t
a) El conjunto C expresado con las coordenadas de los vectores respecto a la base cannica {1, t, t2 , t3 , t4 }
es:
C = {(0, 0, 0, 0, 1), (0, 1, 1, 1, 1), (0, 0, 1, 0, 1), (0, 1, 1, 1, 1)}
0 0
0
0 1
0 0 0
0 1
0 0 0
0 1
0 1 1 1 1 F4 +F2 0 1 1 1 1 F4 2F3 0 1 1 1 1
0 0 1 0 1 0 0 1 0 1 0 0 1 0 1
0 1 1 1 1
0 0 2 0 2
0 0 0
0 0
Por tanto, B = {t4 , t4 t3 t2 + t, t4 t2 } es una base de hCi.
b)
(0, 0, 0, 0, 1) = 1(0, 0, 0, 0, 1) + 0(0, 1, 1, 1, 1) + 0(0, 0, 1, 0, 1)
(0, 1, 1, 1, 1) = 0(0, 0, 0, 0, 1) + 1(0, 1, 1, 1, 1) + 0(0, 0, 1, 0, 1)
(0, 0, 1, 0, 1) = 0(0, 0, 0, 0, 1) + 0(0, 1, 1, 1, 1) + 1(0, 0, 1, 0, 1)
(0, 1, 1, 1, 1) = a(0, 0, 0, 0, 1) + b(0, 1, 1, 1, 1) + c(0, 0, 1, 0, 1)
0=0
1 = b
1 = b c c = 2
1 = b
1=a+b+c1=a1+2a=0
Comprobamos que (0, 1, 1, 1, 1) + 2(0, 0, 1, 0, 1) = (0, 1, 1, 1, 1). c)
1 0 0
0 0
0 0 0
0 1
0 1 1 1 1
0 0 1 0 1
0 0 0
1 0
B = {1, t4 , t4 t3 t2 + t, t4 t2 , t3 }
5 (SEPTIEMBRE 2010). Considere el espacio vectorial R2 [t] con la base usual B = {1, t, t2 }.
a) Demuestre que el conjunto C = {t + 1, t 1, t2 + 2t} es una base de R2 [t].
b) Determine Q inversible de modo que B [u] = C [u]Q.
c) Demuestre que es lineal la aplicacin T : R2 [t] 7 R2 [t] dada por T (p(t)) := tp0 (t) + p(t).
Calcule la matriz de T en la base B. Es inyectiva? y sobreyectiva?
61
a) Escribiendo las coordenadas de los vectores de la base C respecto de los de la base B tenemos:

1 1 0

1 1 2 = 1 + 1 = 2 6= 0

0 0 1
b) Como trabajamos por columnas buscamos P tal que B [u] = P C [u] siendo P = Qt de modo que
B [u] = C [u]Q. Para pasar de las coordenadas de un vector en la base C a las de la base B usamos
la matriz PCB . Sabemos que PBC es:
1 1 0
1 1 2
0 0 1

1 1 0
1
1
2

1 0 ;
Adj(PBC ) = 1
Adj(PBC )t = 1 1 2
2 2 2
0 0 2
1/2 1/2 1
PCB = 1/2 1/2 1
0
0
1
Y entonces la matriz que nos piden es:
1/2 1/2 0
Q = 1/2 1/2 0
1 1 1
c)
T (p) + T (q) = (tp0 + p) + (tq 0 + q)
T (p + q)0 = t(p + q)0 + (p + q) = tp0 + tq 0 + p + q = (tp0 + p) + (tq 0 + q)
Es aplicacin lineal.
T (1) = 1
1 0 0
T (t) = 2t MB (f ) = 0 2 0
T (t2 ) = 3t2
0 0 3
Tiene que ser dim(R2 [t]) = dim(ker(f )) + dim(Im(f )). dim(Im(f )) = rang(MB (f )) = 3 =
dim(R2 [t]). Por tanto la aplicacin lineal es sobreyectiva. Y como dim(ker(f )) = dim(R2 [t])
dim(Im(f )) = 3 3 = 0 tambin es inyectiva.
6 (ENERO 2011). Se considera el endomorfismo f en R3 dado por f (x, y, z) = (x + z,
x + y + z, y z).
a) Determine la matriz de f en la base B = {(1, 0, 1), (0, 1, 0), (0, 0, 1)}.
b)Calcule el valor de para el cul, dim(ker(f )) = 1.
c) Para dicho valor de , calcule una base del ncleo y otra de la imagen de f .
d) Para qu valores de es f un isomorfismo?
62
a)
f (1, 0, 1) = (2, 1 + , 1) = a(1, 0, 1) + b(0, 1, 0) + c(0, 0, 1) a = 2, b = 1 + , c = 3
f (0, 1, 0) = (0, 1, 1) a = 0, b = 1, c = 1
f (0, 0, 1) = (1, , 1) a = 1, b = , c = 2
2
0 1
MB (f ) = 1 + 1
3
1 2
b) dim(R3 ) = dim(ker(f )) + dim(Im f ) dim(Im f ) = dim(R3 ) dim(ker(f )) = 3 1 = 2 =
rang(MB (f ))

2
0 1

1 + 1 = 4 1 + + 3 2 = 2 = 0 = 2

3
1 2
Para = 2 dim(Im f ) = 2 y, por tanto, dim(ker(f )) = 1.
c) Usando la base cannica:

x+z =0
x =
x+z =0
x + y 2z = 0
y=
ker(f ) = {(1, 1, 1)}

yz =0
yz =0
z=

1 1 0
f (1, 0, 0) = (1, 1, 0)

f (0, 1, 0) = (0, 1, 1)
1 = 1 1 + 2 = 0 6= 0
0 1
1 2 1
f (0, 0, 1) = (1, 2, 1)
Im f = {(1, 1, 0), (0, 1, 1)}.
d) Para 6= 2 f es un isomorfismo, ya que dim(Im f ) = 3 y dim(ker(f )) = 0.
7 (SEPTIEMBRE 2011). Sea {u, v, w} un conjunto linealmente independiente en un espacio
vectorial V (K), con K = R C. Se definen los vectores x = u + (1 )v, y = v + (1
)w, z = w + (1 )u. Analice la independencia lineal del conjunto {x, y, z}.

1
0

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

1
0

+ 22 3 = 32 3 + 1 = 0
9 12
3 3
1
=
= i 3
=
6
6
2
Para K = R no hay valores
de que hagan que el conjunto sea linealmente dependiente. Sin embargo,
1
en K = C, para = 2 i 3 el conjunto es linealmente dependiente y para el resto de valores de
es linealmente independiente.
3
Tema 2
Diagonalizacin de endomorfismos
Definicin 1. Dado un espacio vectorial V sobre un cuerpo K diremos que el endomorfismo f :
V V es diagonalizable si existe una base de V tal que la representacin de f en la base sea una
matriz diagonal D.
Definicin 2. Sea V un espacio vectorial sobre un cuerpo K y f : V V una aplicacin lineal
(endomorfismo). Diremos que un subespacio vectorial W de V es f -invariante si f (W ) W .
Definicin 3. Sea f : V V un endomorfismo. Un vector ~v 6= ~0 de un espacio vectorial V sobre un
cuerpo K se llama autovector o vector propio de un endomorfismo si K tal que f (~v ) = ~v . A
este valor K se le llama autovalor o valor propio del endomorfismo f asociado al autovector ~v .
Definicin 4. Sea f : V V un endomorfismo. Al conjunto P = {~v V |f (~v ) = ~v } se le llama
subespacio propio del endomorfismo f asociado al autovalor .
Propiedades:
P es un subespacio vectorial de V , formado por los autovectores de f asociados a y por
~0V .
Si ~v es un autovector de f , ~v lleva asociado un nico autovalor.
Dada la aplicin identidad I : V V , se tiene P = Ker(f In ).
En dimensin finita
dim(P ) = dim(V ) dim(Im(f Id)) = dim(V ) rang(f Id)
2.1.
Autovalores de una matriz
Definicin 5. Sea A Mn (K). Decimos que una matriz columna no nula X Mn1 (K) es un
autovector o vector propio de la matriz A si existe un escalar K tal que XA = X. A este valor
K se le llama autovalor o valor propio de la matriz A asociado al autovector X.
Proposicin 1. Sea f : V V un endomorfismo del espacio vectorial V sobre K, y A la matriz
asociada a f en una cierta base B. Entonces:
1. K es autovalor de f K es autovalor de A.
2. Si X es la matriz columna formada por las coordenadas de un vector ~x V en la base B,
entonces
~v es un autovector X es un autovector
de f asociado a
de A asociado a
63
64
TEMA 2. DIAGONALIZACIN DE ENDOMORFISMOS
2.2.
Clculo de Autovalores
Teorema 1. Sea A Mn (K). Entonces K es un autovalor de A el determinante de la matriz

(A I) es nulo.
ser autovalor de A si y slo si el sistema homogneo X(A I) = 0 tiene solucin no nula. Esto
ocurre si y slo si (A I) es una matriz singular, es decir su determinante es nulo.
Definicin 6. Sea A Mn (K). Llamamos polinomio caracterstico de la matriz A al determinante
de la matriz (A I).
Definicin 7. A la ecuacin |A I| = 0 se la denomina ecuacin caracterstica y sus soluciones
son los autovalores de A.
Si A es la matriz asociada a f en una cierta base B entonces:
dim P = dim V rang(A I)
Ejemplo 1. De los siguientes endomorfismos reales, hallar los autovalores y sus subespacios propios asociados:
1. f (x, y) = (3x + 2y, 2x)
2. f (x, y, z) = (2x + y, x + z, x + 3y + z)
3. f (x, y, z) = (x, 8x + 4y 6z, 8x + y + 9z)
1. f (x, y) = (3x + 2y, 2x)
Calculamos la matriz asociada al endomorfismo en la base cannica:

f (1, 0) = (3, 2)
3 2
M = MC (f ) =
f (0, 1) = (2, 0)
2 0
El polinomio caracterstico se obtiene calculando el determinante |M I2 |, donde I2 es la matriz
identidad de orden 2. As

3 2
= (3 ) 4 = 2 3 4
p() = |M I2 | =
2

Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica. Obtenemos las
races de la ecuacin caracterstica, que coinciden con los autovalores del endomorfismo:
3 25
35
3 9 + 16
=
=
1 = 4; 2 = 1
=
2
2
2
Calculamos ahora los subespacios propios correspondientes a cada autovalor, teniendo en cuenta que
P = Ker(f In ). Para el autovalor 4 tenemos

x + 2y = 0
x = 2
1 2
x
0
P4 = Ker(M 4I2 ) =
=
x = 2y
2 4
y
0
2x 4y = 0
y=
2.2. CLCULO DE AUTOVALORES
65
Por lo que el subespacio propio asociado al autovalor 4 es P4 = h(2, 1)i. Calculamos ahora el
subespacio asociado a 2 = 1:
P1 = Ker(M + I2 ) =
4 2
2 1

x
0
x=
=
2x + y = 0 y = 2x
y
0
y = 2
Por lo que el subespacio propio asociado al autovalor 1 es P1 = h(1, 2)i.

2. f (x, y, z) = (2x + y, x + z, x + 3y + z)
Repetimos todo para este nuevo endomorfismo:
2 1 0
f (1, 0, 0) = (2, 1, 1)
M = MC (f ) = 1 0 1
f (0, 1, 0) = (1, 0, 3)f (0, 0, 1) = (0, 1, 1)
1 3 1

2 1
0

1 = (2 )(1 ) + 1 3(2 ) + (1 ) =
p() = |M I2 | = 1
1
3 1
= (2 2 + 2 ) + 1 6 + 3 + 1 = (2 3 + 2 ) + 2 4 = 2 + 32
3 + 2 4 = 3 + 32 4
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica 3 32 + 4 = 0.
Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:
1 3 0
4
2
2 2 4
1 1 2 0
2
2
2
p() = 3 32 + 4 = ( + 1)( 2)2
1 1
0
1
1
1 0
Por tanto, los autovalores son 1 = 2 doble y 2 = 1 simple. Calculamos ahora los subespacios
propios correspondientes a cada autovalor, teniendo en cuenta que P = Ker(f In ). Para el
autovalor 2 tenemos

0
1
0
x
0
y=0
y = 0
x 2y + z = 0
P4 = Ker(M 2I2 ) = 1 2 1
1
3 1
z
0
x + 3y z = 0

x=
x=0
y=0
x=z
z=
Por lo que el subespacio propio asociado al autovalor 2 es P4 = h(1, 0, 1)i. Calculamos ahora el
66
3 1 0
x
0
3 1 0
3x + y = 0
x + y + z = 0 1 1 1
P1 = Ker(M + I2 ) = 1 1 1 y = 0
1 3 0
z
0
x + 3y = 0
1 3 1
1 1 1
1 1 1
x=0
F1 =F2
0 4
3
3
y=0
0 4
F2 =F1 +3F2
F3 F2
0 4
2
0 0 1
z=0
F3 +F2
Por lo que no hay subespacio propio asociado al autovalor 1.
3. f (x, y, z) = (x, 8x + 4y 6z, 8x + y + 9z)
1 0 0
f (1, 0, 0) = (1, 8, 8)
M = MC (f ) = 8 4 6
f (0, 1, 0) = (0, 4, 1)f (0, 0, 1) = (0, 6, 9)
8 1 9

1

0
0

p() = |M I3 | = 8 4 6 = (1 )(4 )(9 ) + 6(1 ) =
8
1
9
= (1 )(36 4 9 + 2 ) + 6 6 = (1 )(36 13 + 2 ) + 6 6 = 36 13 + 2
36 + 132 3 + 6 6 = 3 + 142 55 + 42
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica 3 142 + 55
42 = 0. Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:
1 14 55 42
1 13 42
1
1 13 42
0
6
6 42
p() = 3 142 + 55 42 = ( 1)( 6)( 7)
1 7
0
7
7
1 0
Por tanto, los autovalores son 1 = 1 simple, 2 = 6 simple y 3 = 7 simple. Calculamos ahora los
subespacios propios correspondientes a cada autovalor, teniendo en cuenta que P = Ker(f In ).
Para el autovalor 1 tenemos

x
0
0 0 0
8x + 3y 6z = 0
P1 = Ker(M I3 ) = 8 3 6 y = 0
8x + y + 8z = 0
8 1 8
z
0

8 3 6 F3 +F2 8 3 6
8x + 3y 6z = 0
8 1 8
0 4 2
4y + 2z = 0

x = 15
z = 2y
y = 8
8x + 3y + 12y = 0 x = 15
y
8
z = 16
2.3. DIAGONALIZACIN DE UN ENDOMORFISMO
67
Por lo que el subespacio propio asociado al autovalor 2 es P2 = h(15, 8, 16)i. Calculamos ahora el

5 0
0
x
0
5x = 0
y = 0
8x 2y 6z = 0
P6 = Ker(M 6I3 ) = 8 2 6
8
1
3
z
0
8x + y + 3z = 0

x=0
x=0
y = 3
y = 3z
z=
Por lo que el subespacio propio asociado al autovalor 6 es P6 = h(0, 3, 1)i. Por ltimo, calculamos
el subespacio asociado a 2 = 7:

x
0
6 0
0
6x = 0
8x 3y 6z = 0
P6 = Ker(M 6I3 ) = 8 3 6 y = 0
8
1
2
z
0
8x + y + 2z = 0

x=0
x=0
y = 2
y = 2z
z=
Por lo que el subespacio propio asociado al autovalor 7 es P7 = h(0, 2, 1)i.
2.3.
Diagonalizacin de un endomorfismo
Teorema 2. Sea V un espacio vectorial sobre un cuerpo K y f : V V un endomorfismo. Entonces

f es diagonalizable si y solamente si existe en V una base de autovectores de f .
Proposicin 2. Sea V un espacio vectorial definido sobre K y f : V V un endomorfismo. Entonces si: {1 , 2 , , m } son autovalores distintos de f , entonces los autovectores correspondientes
{~v1 , ~v2 , , ~vm } son linealmente independientes,
o equivalentemente, si P1 , , Pm son los subesP
P
es
directa.
Si dim V = m, los vectores {~v1 , ~v2 , ,
pacios propios asociados, la suma m
i
i=1
~vm } forman una base de V , teniendose que
P1 P2 Pm = V
Adems, {1 , , m } son los nico autovalores del endomorfismo f .
Nota: Este teorema no implica que un endomorfismo con autovalores mltiples no pueda ser diagonalizable
2.4.
Caracterizacin de una diagonalizacin
Definicin 8. Sea f : V V un endomorfismo en un espacio vectorial V definido sobre K. Si

K es un autovalor de f , llamamos:
1. Multiplicidad algebraica de , ma (), al orden de multiplicidad de como raz del polinomio
caracterstico de f .
68

2. Multiplicidad geomtrica de , mg (), a la dimensin del subespacio propio asociado a , P .
Si es un autovalor de f , entonces
1 mg () ma ()
Teorema 3. Sea V un espacio vectorial de dimensin n definido sobre un cuerpo K y f : V V un
endomorfismo. Si los autovalores distintos de f son: 1 , 2 , , p K entonces f es diagonalizable
si y slo si se verifican las dos siguientes condiciones:
1. ma (1 ) + ma (2 ) + + ma (p ) = n
2. ma (i ) = mg (i )
i = 1, . . . , p
Una base de V estar formada por la unin de las bases de cada subespacio propio.
Si A es la matriz de f , D = P 1 AP con P una matriz que tiene por columnas las coordenadas
de los correspondientes vectores propios y D es la matriz diagonal de valores propios.
Proposicin 3. Sea A Mn (K). Entonces:
1. A y At tienen los mismos autovalores.
2. autovalor de A k autovalor de kA.
3. autovalor de A k k autovalor de kA kI.
4. Si A es regular, autovalor de A
1
A
autovalor de A1 .
5. autovalor de A n autovalor de An .
Teorema 4 (de Cayley-Hamilton). Toda matriz A Mn (K) donde K es algebraicamente cerrado
es raz de su polinomio caracterstico.
1 3 3
Ejemplo 2. Sea f : R3 R3 con M = MBC = 3 5 3. Diagonaliza M .
6 6 4
Primeramente hay que calcular los valores propios de M (o de f ), siendo las races del polinomio
caracterstico:

1

3
3

5
3 = (1 )(5 )(4 ) 54 54 + 18(5 + )+
p() = |M I3 | = 3
6
6
4
+ 18(1 ) + 9(4 ) = (1 )(20 + 5 4 + 2 ) 108 + 90 + 18 + 18 18 + 36
9 = (1 )(20 + + 2 ) 9 + 36 = 20 + + 2 + 20 2 3 9 + 36 = 3 +
+ 12 + 16
2.4. CARACTERIZACIN DE UNA DIAGONALIZACIN
69
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica 3 12 16 = 0.

Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:
0 12 16
2
2 4
16
1 2 8
0
2
2 8
p() = 3 12 16 = ( 4)( + 2)2
1 4 0
4
4
1 0
1
Resultando los valores propios 4 con multiplicidad algebraica 1 y 2 con multiplicidad algebraica 2.
Como sabemos que la multiplicidad geomtrica est acotada inferiormente por 1 y superiormente por
la multiplicidad algebraica, tenemos que para el autovalor 4 la multiplicidad geomtrica es necesariamente 1 por ser su multiplicidad algebrica 1. Veamos la multiplicidad geomtrica de 2 para ver si
es diagonalizable:
mg (2) = dim P2 = dim(R3 ) rang(M (2)I3 )
3 3 3
Calculamos el rango de M + 2I3 = 3 3 3. Como podemos ver, todas sus filas son proporcio6 6 6
nales y entonces rang(M +2I3 ) = 1. Por tanto mg (2) = 31 = 2 que coincide con su multiplicidad
algebraica, por lo tanto, el endomorfismo f es diagonalizable. Calculamos los vectores propios para
el autovalor 2:

x
0
3 3 3
y = 0 3x 3y + 3z = 0 z = y x
P2 = Ker(M + 2I3 ) = 3 3 3
6 6 6
z
0
x=
y=
P2 = h(1, 0, 1), (0, 1, 1)i
z =
Calculamos los vectores propios para el autovalor 4:

3 3 3
x
0
3x 3y + 3z = 0
3x 9y + 3z = 0
P4 = Ker(M 4I3 ) = 3 9 3 y = 0
6 6 0
z
0
6x 6y = 0

3 3 3
3 3 3
F2 +F1
3x 3y + 3z = 0
3 9 3
0 12 6
12y + 6z = 0
F3 +2F1
6 6 0
0 12 6

x=
z = 2y
y = P4 = h(1, 1, 2)i
3x 3y + 6y = 0 x = y
z = 2
Por lo tanto la matriz de paso y la matriz diagonal sern:
1 0 1
2 0 0
P = 0 1 1
D = 0 2 0
1 1 2
0
0 4
70
2.5.
Forma cannica de Jordan
Cuando una matriz no es diagonalizable, existe la posibilidad de encontrar una representacin agradable, llamada forma cannica de Jordan.
Definicin 9. Un polinomio se dice mnico cuando el coeficiente correspondiente al trmino de mayor grado es 1 o 1.
Definicin 10. Se denomina polinomio mnimo de una matriz cuadrada al polinomio mnico de grado mnimo que dicha matriz satisface (la matriz es raz del polinomio mnimo).
Proposicin 4. Se tienen los siguientes resultados sobre el polinomio mnimo:
1. El polinomio mnimo es nico.
2. El polinomio mnimo de una matriz cuadrada es divisor de todo polinomio que anule a la matriz.
En particular, del polinomio caracterstico.
Definicin 11. Llamaremos bloque elemental de Jordan B() a una matriz cuadrada triangular superior que tiene (autovalor) en la diagonal, unos en los elementos inmediatamente a la derecha de
la diagonal principal y ceros en el resto, Es decir:
1
0 0
0
1 0
.. . . . .
.
B() = .
.
. . . . ..
0 0 1
0 0 0
Teorema 5. Toda matriz cuadrada A sobre un cuerpo K, algebraicamente cerrado, es semejante a una
matriz J diagonal por cajas denominada forma cannica de Jordan asociada a A, es decir, existe P
inversible tal que J = P 1 AP
B1 (1 )
0
0
0
B2 (2 )
0
J = ..
..
.
.
.
.
.
.
.
.
0
0
Br (r )
donde cada Bj (j ) es un bloque elemental de Jordan.
Si ni = dim(Bi (i )), los polinomios mnimos y caractersticos de cada Bi (i ) coinciden y son (x
i )ni , y por lo tanto, los polinomios mnimo y caracterstico de J son:
Y
m(x) = m. c. m.{(x i )ni }
p(x) =
(x i )ni
Asimismo se tiene que
rang(J I) = rang(A I) para cada autovalor de A.
2.5. FORMA CANNICA DE JORDAN
71
El nmero de bloques elementales de Jordan asociados a un autovalor coincide con su multiplicidad geomtrica.
Otra forma de calcular el nmero de bloques asociados a un autovalor es mediante la siguiente proposicin.
Proposicin 5. Sea A la matriz asociada a un endomorfismo f respecto una base B de dimensin n.
El nmero de bloques de orden i asociados al autovalor de f que aparecen en la forma cannica de
Jordan J asociada a f es
n(, i) = rang(A In )i1 2 rang(A In )i + rang(A In )i+1
Nota: rang(A In )0 = rang(In ) = n.

1 0
1
Ejemplo 3. Las matrices de Jordan de tamao 2 son de la forma
y
donde 1 y
0
0 2
2 podran ser iguales.
Ejemplo 4. Las matrices de Jordan de tamao 3 son:
1 0 0
1 0 0
1 1 0
1 0
0 2 0 , 0 2 1 , 0 1 0 , 0 1
0 0
0 0 2
0 0 2
0 0 3
2.5.1.
Introduccin de los autovalores generalizados
Esperamos encontrar una matriz de paso P = (v1|~v 2| . . . |~vn ) que reduzca a A a su forma de Jordan,
J = P ?1 AP , o dicho de otro modo, P J = AP , de modo que atendiendo al primer bloque de J y
suponiendo que este tiene orden m1 , deducimos que las m1 primeras columnas de P satisfacen:
A~v1 = 1~v1 ,
es decir, ~v1 es un autovector correspondiente a 1
A~vi = ~vi + ~vi1 , i = 2, . . . , m1
o equivalentemente, expresndolo a travs de la cadena
(A 1 I)~v1
(A 1 I)~v2
(A 1 I)~v3
=
=
=
..
.
0
~v1
~v2
(A 1 I)~vm1 = ~vm1 1
Los vectores ~v2 , ~v3 , . . . , ~vm1 no son propiamente autovectores, pero se comportan de una forma muy
parecida, y se llaman autovectores generalizados de A, y la sucesin {~v1 , ~v2 , . . . , ~vm1 } se dice que es
una cadena de Jordan correspondiente a 1 . Naturalmente, cada bloque tiene su cadena correspondiente.
72
2.5.2.
Mtodo de Caros para el clculo de J
Analizaremos el caso en que el polinomio caracterstico no tiene races complejas.

1. Se calculan los autovalores de A : 1 , 2 , . . . , k , con sus multiplicidades algebraicas correspondientes ma(1 ), ma(2 ), . . . , ma(k ).
2. Para cada autovalor de multiplicidad algebraica ma() se calculan los rangos de las matrices
(A I)p (a lo sumo habra que calcular hasta la potencia (A I)ma() ).
rang(A I) = r1 x1 = n r1
rang(A I)2 = r2 x2 = r1 r2
..
.
rang(A I)p = rp xp = rp1 rp
si x1 < ma(), seguimos

si x1 + x2 < ma(), seguimos
..
..
.
.
si x1 + x2 + + xp < ma(),
FIN
x1 + x2 + + xp = multiplicidad algebraica de
3. Al valor propio le corresponden:
2.5.3.
x1 x2
x2 x3
..
.
bloques de Jordan de orden

..
.
1
2
..
.
xp1 xp
xp

p1
p
Clculo de P por el mtodo de Caros
Una vez calculada la matriz J por el mtodo de CAROS, procedemos a calcular la matriz P , esto es,
a calcular en el orden adecuado una base formada por autovectores y autovectores generalizados de
A.
Para ello, dado un autovalor , tomemos un vector
~vi Ker(A I)i \ Ker(A I)i1
o lo que es lo mismo, un vector para el cual, segn el mtodo de CAROS, exista un bloque de Jordan
de orden i (empezamos con el valor mximo para el que conozcamos la existencia de una caja).
Una vez obtenido ~vi , calculamos:
~vi1 =(A I)~vi
~vi2 =(A I)~vi1
..
.
~v2 =(A I)~v3
~v1 =(A I)~v2
y el vector ~v1 resulta ser un autovector de A (o una combinacin lineal de ellos) y los vectores
~vj j = 2, . . . , i son sus autovectores generalizados. Dichos vectores son las i primeras columnas
73
de P : primero ~v1 , y despus ~v2 , . . . , ~vi .

Esta operacin se repite para cada bloque de Jordan que nos indique el mtodo de CAROS, obteniendo as m autovectores (propios o generalizados) asociados al autovalor (donde m es el orden de la
matriz J). Para ello, y tras haber empezado con la caja de mayor orden, se continua buscando vectores
que satisfagan las condiciones expuestas y que sean, naturalmente, independientes de los anteriores.
Repitiendo el proceso para cada llegamos a obtener n vectores independientes, es decir, una base
respecto de la cual, la matriz del endomorfismo viene dada por su Forma Cannica de Jordan, o lo
que es lo mismo, hemos encontrado la matriz de paso P .
Ejemplo 5. Determina la forma cannica de Jordan y la matriz del cambio asociada a la matriz
del endomorfismo f de R4 cuya matriz en la base cannica es:
4
0
1
0
1
1
1 1
A=
0 2 3 1
1 2 1 4
Calculamos primeramente los autovalores con el polinomio caracterstico:

4
0
1
0

1
1
1
1
p() = |A I4 | =
2 3 1
0
1
2
1 4
ahora podramos desarrollar el determinante por la primera fila, pero optamos por hacer ceros

4
4 0
0
1
0
1
0

0
F2 +F4 0
3
0
3
1
0
1 C4 C2

=
(3
0
2 3 1
2 3 1
0

1
1
2
1 4
2
1 4

4 0
1
0

0
1
0
0
(3 )
2 3
1
0
1
2
1 2
desarrollando por la segunda fila tenemos

4
1
0

3
1 = (3 )[(4 )(3 )(2 ) 1 + (4 )] = (3 )[(12
(3 ) 0
1
1 2
4 3 + 2 )(2 ) + 3 ] = (3 )(24 14 + 22 12 + 72 3 + 3 ) =
= (3 )(3 + 92 27 + 27)
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica ( 3)(3 92 +
74
27 27) = 0. Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:

1 9 27 27
3 18 27
1 6 9
0
3
3 9
p() = ( 3)(3 92 + 27 27) = ( 3)4
1 3 0
3
3
1 0
Hemos concluido por tanto que hay un nico autovalor, = 3, y de multiplicidad algebraica ma(3) =
4.
Ahora buscamos la matriz J mediante dos mtodos distintos. Por el algoritmo de Caros debemos
hallar el rango de A 3I4 , y sus sucesivas potencias hasta que sea necesario. Lo detallamos a continuacin:
1
0
1
0
1 2 1 1
r1 = rang(A 3I4 ) = rang

0 2 0 1
1 2 1 1
1
0
1
0
1 0 1 0
1 2 1 1 F2 F1 0 2 0 1
0 2 0 1 F
0 2 0 1
4 +F1
1 2 1 1
0 2 0 1
Por tanto, r1 = rang(A 3I4 ) = 2. De modo que x1 = 4 r1 = 4 2 = 2. Como x1 6= 4, debemos
continuar. Calculamos ahora rang(A 3I4 )2 . Para ello calculamos primero la matriz (A 3I4 )2 :
1
0
1
0
1
2
1
1
1 2 1 1
12+1
422
12+1
211
=
0 2 0 1 = 2 + 1
42
2 + 1
21
1 2 1 1
1 + 2 1 4 + 2 + 2 1 + 2 1 2 + 1 + 1
1 2 1 1
0
0
0
0
=
1 2 1 1
0
0
0
0
Por tanto, r2 = rang(A 3I4 ) = 1. As que x2 = r1 r2 = 2 1 = 1. Como x1 + x2 = 3 6= 4,
debemos seguir multiplicando:
1 2 1 1
1
0
1
0
0
0
0
0
1 2 1 1 =
(A 3I4 )3 =
1 2 1 1 0 2 0 1
0
0
0
0
1 2 1 1
12+1
422
12+1
211
0 0 0 0
0 0 0 0
0
0
0
0
1 + 2 1 4 + 2 + 2 1 + 2 1 2 + 1 + 1 = 0 0 0 0
0
0
0
0
0 0 0 0
75
Por tanto, r3 = rang(A 3I4 )4 = 0. Esto significa que x3 = r2 r3 = 1 0 = 1, con lo que ahora s
sucede que x1 + x2 + x3 = 4. Por el algoritmo sabemos que hay x1 x2 = 2 1 = 1 caja de orden
1 1, x2 x3 = 1 1 = 0 caja de orden 2 2, y x3 = 1 caja de orden 3 3. As, la forma de Jordan
asociada a la matriz A es
3 0 0 0
0 3 1 0
J =
0 0 3 1
0 0 0 3
Otro mtodo de hallar J es utilizando la frmula
entonces tenemos que
n(3, 1) = rang(A 3I4 )0 2 rang(A 3I4 )1 + rang(A 3I4 )1+1 =
= rang(I4 ) 2 rang(A 3I4 ) + rang(A 3I4 )2
Al aparecer un slo bloque de Jordan de orden 1, la forma cannica de Jordan ser:
3 0 0 0
0 3 1 0
J =
0 0 3 1
0 0 0 3
Ntese que no puede tener otra configuracin, porque por ejemplo si hubiese un bloque de orden 2
entonces tendran que haber dos bloques de orden 1, pero al haber un slo bloque de orden 1 el otro
bloque tiene que ser de orden 3.
Para obtener la matriz de paso P nos fijamos primero en la caja mayor, e intentamos encontrar un
autovector generalizado que est en Ker(A I4 )3 \ Ker(A I4 )2 . Como (A 3I4 )3 era la matriz
idnticamente nula, Ker(A I4 )3 = R4 , luego basta tomar un vector de R4 que no est en Ker(A
I4 )2 . Buscamos una base que defina al subespacio vectorial Ker(A I4 )2 (que tena dimensin 1):

1 2 1 1
x
0
x=
0
0
0
0 y 0
y=
Ker(A3I4 )2 =
1 2 1 1 z = 0 x2y+zt = 0 z =
0
0
0
0
t
0
t = 2 +
Por tanto, Ker(AI4 )2 = h(1, 0, 0, 1), (0, 1, 0, 2), (0, 0, 1, 1)i. Tenemos que escoger un vector que
pertenezca a R4 pero que no pertenezca a Ker(A I4 )2 . Probamos con el vector (1, 0, 0, 0), viendo
si es linealmente independiente con la base {(1, 0, 0, 1), (0, 1, 0, 2), (0, 0, 1, 1)}:

1 0 0 1

0 1 0 2

0 0 1 1

1 0 0 0
desarrollando por la primera columna

1 0 2 0 0 1

0 1 1 1 0 2 = 1 6= 0

0 0 0 0 1 1
76
Entonces podemos tomar ~v3 := (1, 0, 0, 0). Ahora simplemente calculamos

1
0
1
0
1
1
1 2 1 1 0 1

~v2 := (A 3I4 )~v3 =
0 2 0 1 0 = 0
1 2 1 1
0
1
Igualmente, obtenemos con otra multiplicacin
1
0
1
1 2 1
~v1 := (A 3I4 )~v2 =
0 2 0
1 2 1

0
1
1
1
1 12+1 0
1
=
=
1 0 2 + 1 1
1
1
1 + 2 1
0
Para completar P debemos fijarnos en la caja 1 1, es decir, debemos obtener otro autovector de
A, esto es, otro elemento del ncleo de A 3I4 (que tena dimensin 2), que sea, por supuesto,
independiente de ~v1 , el autovector ya obtenido.

1
0
1
0
x
0
x+z =0
1 2 1 1 y 0
x 2y + z t = 0

Ker(A 3I4 ) =
0 2 0 1 z = 0 2y t = 0
1 2 1 1
t
0
x + 2y z + t = 0
1
0
1
0
1 0 1 0

1 2 1 1 F2 F1 0 2 0 1
x+z =0
z = x
0 2 0 1 F4 +F1 0 2 0 1
2y t = 0
t = 2y
1 2 1 1
0 0 0 0
x=
y=
Ker(A 3I4 ) = h(1, 0, 1, 0), (0, 1, 0, 2)i
z =
t = 2
El primero ya est en la segunda caja (coincide con el vector ~v1 ), y el segundo vector es el elemento
que nos faltaba. Por el orden en que hemos escrito J (que por supuesto no es nico), la matriz de paso
resultante es:
0
1
1 1
1
0
1 0
P =
0 1 0 0
2 0 1 0
Es conveniente verificar que P 1 AP = J. Por tanto calculamos P 1 :
0
1
1 1 1 0 0 0
1 0 1 0 0 1 0
1
F
=F
0
1 0 0 1 0 0 1 2 0 1 1 1 1 0 0
0 1 0 0 0 0 1 0 F
0 1 0 0 0 0 1
4 +2F2
2 0 1 0 0 0 0 1
0 0 1 0 0 2 0
1 0 1 0 0 1 0 0
1 0 0 0 0 1 0
0 1 0 0 0 0 1 0 F1 F4 0 1 0 0 0 0 1

0 0 1 1 1 0 1 0 F3 =F
0 0 1 0 0 2
0
4
F4 =F3 F4
0 0 1 0 0 2 0 1
0 0 0 1 1 2 1
0
=F1
0
F2
0 F3 =F2 +F3
1
1
0
1
1
77
Ahora hacemos
0 1 0 1
4
0
1
0
0
1
1 1
0 0 1 0 1
1
1 1
0
1 0
1
=
P 1 AP =
0 2
0
1 0 2 3 1 0 1 0 0
1 2 1 1
1 2 1 4
2 0 1 0
1 + 1
1 2
1 + 1
14
0
1
1 1
1
0
2
3
1
0
1 0
=
=
21
2+2
21
2 + 4
0 1 0 0
4 2 + 1 2 2 2 1 2 + 3 + 1 2 1 4
2 0 3 0
0
1
1 1
3 + 6
0
3 + 3 0
0 3 0 3
0 2 3 1 1
0
1 0
3
21
0
= 22
=
=
1 4
1
2 0 1 0 0 4 4 1 1 1 + 4 2 1
3 6 3 3
2 0 1 0
6 + 6 3 3 3 6 + 3 3
3 0 0 0
0 3 1 0
=
0 0 3 1
0 0 0 3
Ejemplo 6. Determinarla forma cannica
de Jordan del endomorfimo de R3 , cuya matriz en la
1 1 1
base cannica es A = 0 3 1 , calculando la matriz de paso P .

0 0 1
Calculamos el polinomio caracterstico:

1
1
1

3
1 = (1 )2 (3 ),
p() = |A I3 | = 0
0
0
1
siendo sus races 3 simple (multiplicidad algebraica 1) y 1 doble (multiplicidad algebraica 2). Estudiamos la multiplicidad geomtrica de 1, que es:
0 1 1
mg(1) = dim(P1 ) = 3 rang(A I3 ) = 3 rang 0 2 1 = 3 2 = 1,
0 0 0
no siendo diagonalizable. El polinomio mnimo se encuentra entre los polinomios que dividen al
caracterstico. Si el polinomio mnimo fuese m() = ( 3)( 1) el endomorfismo sera diagonalizable, ya que el mayor orden de cualquier bloque elemental sera 1. Pero como hemos visto que no es
2
diagonalizable el polinomio mnimo coincidir
con elcaracterstiico y ser m() = ( 3)( 1)
1 1 0
(el signo no es importante). Por tanto, J = 0 1 0.
0 0 3
Veamos a continuacin otro mtodo para la determinacin de la matriz de paso P . Sabemos que existe
un cambio de base, con matriz asociada P , de tal forma que en la nueva base la matriz del endomorfismo que define A en R3 es J. Adems se tiene que J = P 1 AP . Si escribimos P = (~v1 |~v2 |~v3 ), para
la matriz de paso, que tiene por columnas las coordenadas de los vectores de la nueva base, vi en la
78
base antigua, la cannica, tenemos que P J = AP .

Calculemos los ncleos, que nos harn falta para calcular la matriz de paso. Asociado a cada autovalor
tenemos una cadena de inclusiones de los ncleos de las sucesivas potencias del endomorfismo que
tiene por matriz A In
{0} Ker(A In ) Ker(A In )2 . . . Ker(A In )k Ker(A In )k + 1 . . .
Esta cadena se estabiliza en la potencia que coincide con el grado del factor correspondiente en el
polinomio mnimo. Este hecho lo usaremos en todos los ejercicios en los que se nos pida la nueva
base o, de forma equivalente, la matriz de paso P . En el caso en el que slo exista un autovalor, la
cadena de inclusiones crece hasta que llega a ser todo el espacio vectorial. En este caso, al tener ms
de una cadena, estas no llegan a ser todo el espacio vectorial, sino que se estabilizan en la potencia
que coincide con el grado del factor asociado en el polinomio mnimo. Por tanto, en este caso como
el polinomio mnimo es m() = ( 3)( 1)2 , la cadena correspondiente al autovalor = 3
se estabilizar en la primera potencia y la correspondiente al autovalor = 1 se estabilizar en la
segunda. Construimos las cadenas de ncleos:
{0} Ker(A 3I3 ) = Ker(A 3I3 )2 = . . .
{0} Ker(A I3 ) Ker(A I3 )2 = Ker(A I3 )3 = . . .
Determinamos los ncleos que aparecen en estas cadenas:

2 1 1
x
0
2x + y z = 0
2x = y
z=0
Ker(A 3I3 ) = 0 0 1 y = 0
z=0
0 0 2
z
0
2z = 0
x=
y = 2 Ker(A 3I3 ) = h(1, 2, 0)i
z=0

0 1 1
x
0
y
z
=
0
y=z
Ker(A I3 ) = 0 2 1 y = 0
2y + z = 0
3y = 0 y = 0
0 0 0
z
0
x=
y = 0 Ker(A 3I3 ) = h(1, 0, 0)i
z=0
Por ltimo calculamos Ker(A I3 )2 , pero para ello antes tenemos que calcular (A I3 )2 :
0 1 1
0 1 1
0 2 1
(A I3 )2 = 0 2 1 0 2 1 = 0 4 2
0 0 0
0 0 0
0 0 0

0 2 1
x
0

2
y = 0 2y + z = 0 z = 2y
Ker(A I3 ) = 0 4 2
0 0 0
z
0
x=
y=
Ker(A 3I3 )2 = h(1, 0, 0), (0, 1, 2)i
z = 2
79
Para determinar la matriz de paso P utilizamos la igualdad P J = AP :
1 1 0
(~v1 |~v2 |~v3 ) 0 1 0 = A(~v1 |~v2 |~v3 )
0 0 3
De aqu obtenemos, multiplicando, las relaciones
~v1 = A~v1
A~v1 ~v1 = 0
(A I3 )~v1 = 0
~v1 + ~v2 = A~v2 A~v2 ~v2 = ~v1 (A I3 )~v2 = ~v1
3~v3 = A~v3
A~v3 3~v3 = 0
(A I3 )~v3 = 0
De las dos primeras igualdades deducimos que ~v2 Ker(A I3 )2 \ Ker(A I3 ), y de la primera y
la ltima que ~v1 Ker(A I3 ) y ~v3 Ker(A 3I3 ). A modo de ejemplo, como ~v2 (A I3 ) = ~v1 ,
sustituimos esta expresin para ~v1 en ~v1 (A I3 ) y obtenemos ~v2 (A I3 )2 = 0 y por tanto ~v2
Ker(A I3 )2 . Le exigimos que no est en el ncleo anterior Ker(A I3 ), para que cuando tengamos
~v2 y apliquemos A I3 obtengamos ~v1 y no el vector nulo, que desde luego no podra formar parte de
ninguna base. Como ya tenemos determinados estos ncleos, no tenemos ms que elegir, por ejemplo,
~v2 := (0, 1, 2) Ker(A I3 )2 \ Ker(A I3 ) = h(1, 0, 0), (0, 1, 2)i h(1, 0, 0)i = h(0, 1, 2)i,
para tener que:

0 1 1
0
3
~v1 := (A I3 )~v2 = 0 2 1 1 = 0
0 0 0
2
0
~v1 = (3, 0, 0) est en el ncleo de A I3 , y por ltimo ~v3 := (1, 2, 0) que est en Ker(A 3I3 ). La
nueva base as construida es {(0, 1, 2), (3, 0, 0), (1, 2, 0)} que tiene asociada la matriz de paso
3 0 1
P = 0 1 2
0 2 0
Comprobamos que P 1 AP = J. Calculamos P 1 :

3 0 1
4
0 0
4 2 1

|P | = 0 1 2 = 12; Adj(P ) = 2 0 6 ; Adj(P )t = 0 0 6
0 2 0
1 6 3
0 6
3
4 2 1
Adj(P )t
1
0 0 6
=
|P |
12
0 6
3
4 2 1
1 1 1
3 0 1
4 4 6 4 2 1
1 1 1
1
1
0 3 1
0 0 6 0 3 1 0 1 2 =
0
0
6
12
12
0 6
3
0 0 1
0 2 0
0 18
6+3
0 0 1
3 0 1
4 2 7
3 0 1
12 2 + 14 4 4
0 1 2 = 1 0 0 6 0 1 2 = 1 0
12
0 =
12
12
0 2 0
0 18 9
0 2 0
0 18 18
36
12 12 0
1 1 0
1
0 12 0 = 0 1 0
=
12
0 0 36
0 0 3
80
Ejemplo 7. Calcula la forma cannica de Jordan y la matriz de paso de
2 0 3 0
1 2 0 3
A=
0 0 2 0
0 0 1 2
Primero, calculamos el polinomio caracterstico:

2

0
3
0

2

3
0
1

2
0
3
= (2 ) 0
=
2
0
p() =

0
2
0
0
0
1
2
0

0
1
2

2
0
= (2 )2
= (2 )2
1
2
Posteriormente calculamos la multiplicidad geomtrica de la nica raz 2
0 0 3 0
1 0 0 3
mg(2) = dim(P2 ) = 4 rang

0 0 0 0 = 4 2 = 2 6= ma(2) = 4
0 0 1 0
no siendo diagonalizable. El polinomio mnimo divide al caracterstico.
0 0 3 0
0 0 0 0
1 0 0 3
0 0 6 0
(A 2I4 )2 =
0 0 0 0 = 0 0 0 0
0 0 1 0
0 0 0 0

0 0 0 0
0 0 3 0
0 0
0 0 6 0 1 0 0 3 0 0
(A 2I4 )3 =
0 0 0 0 0 0 0 0 = 0 0
0 0 0 0
0 0 1 0
0 0
0
0
0
0
0
0
0
0
Entonces el polinomio mnimo es m() = ( 2)3 .

Entonces tenemos
la informacin suficiente para
2 1 0 0
0 2 1 0
tener que la forma cannica de Jordan de A es J =

0 0 2 0.
0 0 0 2
Calculemos la matriz de paso. La cadena de inclusiones de ncleos para el autovalor 2 es
{0} Ker(A 2I4 ) Ker(A 2I4 )2 Ker(A 2I4 )3 = R4
La ltima igualdad se debe a que el polinomio mnimo es m() = ( 2)3 y entonces la matriz
(A 24 ) = 0. Determinamos los ncleos.

0 0 3 0
x
0
x = 3
1 0 0 3 y 0
x
+
3t
=
0
y=

Ker(A 2I4 ) =
0 0 0 0 z = 0 z = 0
z=0
0 0 1 0
t
0
t =
Ker(A 2I4 ) = h(3, 0, 0, 1), (0, 1, 0, 0)i
0
Ker(A 2I4 )2 =
0
0
0
0
0
0
0
6
0
0
81

0
x
0
0 y 0
=
6z = 0 z = 0
0 z 0
0
t
0
x=
y=
z=0
t=
Ker(A 2I4 ) = h(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 0, 1)i

Si P = (~v1 |~v2 |~v3 |~v4 ), tenemos que
0
J = P 1 AP P J = AP (~v1 |~v2 |~v3 |~v4 )
0
0
1
2
0
0
0
1
2
0
0
0
= A(~v1 |~v2 |~v3 |~v4 )
0
2
y entonces
2~v1
~v1 + 2~v2
~v2 + 2~v3
2~v4
= A~v1
(A 2I4 )~v1
= A~v2
(A 2I4 )~v2
= A~v3
(A 2I4 )~v3
= A~v4
(A 2I4 )~v4
=0
= ~v1
= ~v2
=0
Uniendo las tres primeras tenemos que ~v3 Ker(A 2I4 )3 \ Ker(A 2I4 )2 = R4 \ Ker(A 2I4 )2 ,
para lo cual, podemos tomar ~v3 := (0, 0, 1, 0). Aplicando las igualdades, obtenemos:

0 0 3 0
0
3
1 0 0 3 0 0

~v2 := (A 2I4 )~v3 =
0 0 0 0 1 = 0
0 0 1 0
0
1
0
1
~v1 := (A 2I4 )~v2 =
0
0
0
0
0
0
3
0
0
1

0
3
0
3 0 6
=
0 0 0
0
1
0
La eleccin de ~v4 ser de forma que ~v4 Ker(A 2I4 ) pero independiente de ~v1 , ya que ambos
pertenecen al mismo ncleo. Con lo cual ~v4 := (3, 0, 0, 1).
En resumen la nueva base ser:
B = {(0, 6, 0, 0), (3, 0, 0, 1), (0, 0, 1, 0), (3, 0, 0, 1)}
y la matriz de paso
0
6
P =
0
0
2.6.
3
0
0
1
0 3
0 0
1 0
0 1
Forma cannica de Jordan
Cuando una matriz no es diagonalizable, existe la posibilidad de encontrar una representacin agradable, llamada forma cannica de Jordan.
82
Definicin 12. Un polinomio se dice mnico cuando el coeficiente correspondiente al trmino de

mayor grado es 1 o 1.
Definicin 13. Se denomina polinomio mnimo de una matriz cuadrada al polinomio mnico de grado mnimo que dicha matriz satisface (la matriz es raz del polinomio mnimo).
Proposicin 6. Se tienen los siguientes resultados sobre el polinomio mnimo:
1. El polinomio mnimo es nico.
2. El polinomio mnimo de una matriz cuadrada es divisor de todo polinomio que anule a la matriz.
En particular, del polinomio caracterstico.
Definicin 14. Llamaremos bloque elemental de Jordan B() a una matriz cuadrada triangular superior que tiene (autovalor) en la diagonal, unos en los elementos inmediatamente a la derecha de
la diagonal principal y ceros en el resto, Es decir:
1
0 0
0
1 0
.. . . . .
.
.
. . ..
B() = .
.
.
0 0 1
0 0 0
Teorema 6. Toda matriz cuadrada A sobre un cuerpo K, algebraicamente cerrado, es semejante a una
matriz J diagonal por cajas denominada forma cannica de Jordan asociada a A, es decir, existe P
inversible tal que J = P 1 AP
B1 (1 )
0
0
0
B2 (2 )
0
J = ..
..
.
.
.
.
.
.
.
.
0
0
Br (r )
donde cada Bj (j ) es un bloque elemental de Jordan.
Si ni = dim(Bi (i )), los polinomios mnimos y caractersticos de cada Bi (i ) coinciden y son (x
i )ni , y por lo tanto, los polinomios mnimo y caracterstico de J son:
Y
m(x) = m. c. m.{(x i )ni }
p(x) =
(x i )ni
Asimismo se tiene que
rang(J I) = rang(A I) para cada autovalor de A.
El nmero de bloques elementales de Jordan asociados a un autovalor coincide con su multiplicidad geomtrica.
Otra forma de calcular el nmero de bloques asociados a un autovalor es mediante la siguiente proposicin.
Proposicin 7. Sea A la matriz asociada a un endomorfismo f respecto una base B de dimensin n.
El nmero de bloques de orden i asociados al autovalor de f que aparecen en la forma cannica de
Jordan J asociada a f es
83
Nota: rang(A In )0 = rang(In ) = n.

1 0
1
Ejemplo 8. Las matrices de Jordan de tamao 2 son de la forma
y
donde 1 y
0
0 2
2 podran ser iguales.
Ejemplo 9. Las matrices de Jordan de tamao 3 son:

1 0 0
1 0 0
1 1 0
1 0
0 2 0 , 0 2 1 , 0 1 0 , 0 1
0 0
0 0 2
0 0 2
0 0 3
2.6.1.
Exponencial de una matriz
Dada una matriz cuadrada A, de orden n, definimos la exponencial de A como la matriz:

eA = In + A +
Ak
A2 A3
+
+ +
+
2!
3!
k!
Si J es la forma cannica de Jordan asociada a la matriz A con A = P JP 1 entonces

eA = P eJ P 1
donde
B1 0
0 B2
J = ..
.. . .
.
.
.
0 0
0
0
..
.
Br
Dada una matriz de Jordan, la exponencial ser:
eB1 0
0 eB2
eJ = ..
..
..
.
.
.
0
0
0
0
..
.
eBr
donde
eBi
siendo ri la dimensin de Bi .
1
0
= e 0
0
0
1
2!
1
1!
...
0
0
0
0
1
1!
1
(ri 1)!
1
(ri 2)!
...
..
.
..
.
84
3 0 0 0
0 3 1 0
Ejemplo 10. Calcula eJ siendo J =

0 0 3 1.
0 0 0 3
Calculamos la exponencial del bloque elemental de orden 3
3 1 0
0 3 1
1 1 21
e 0 0 3 = e3 0 1 1
0 0 1
Por tanto
e3 0 0 0
0 e3 e3 e3
J
2
e =
0 0 e3 e3
0 0 0 e3
2.7. EJERCICIOS DE INICIACIN. DIAGONALIZACIN
2.7.
85
Ejercicios de iniciacin. Diagonalizacin
1. Determina los autovalores y subespacios propios de los siguientes endomorfismos:

a) f (x, y) = (3x + 2y, 2x)
b) f (x, y, z) = (2x + y, x + z, x + 3y + z)
c) f (x, y, z) = (x, 8x + 4y 6z, 8x + y + 9z)
a) Hallamos la matriz de f en la base cannica:

f (1, 0) = (3, 2)
3 2
A = MC (f ) =
f (0, 1) = (2, 0)
2 0

3 2
= (3 ) 4 = 2 3 4
p() = |A I2 | =
2

Igualando a cero obtenemos la ecuacin caracterstica. Calculamos sus races:
1 3 4
1
1 4
1 4 0 p(x) = 2 3 4 = ( + 1)( 4) = 0
4
4
1 0
Por tanto, las races son 1, simple, y 4 simple. Y como tenemos que 1 < mg() < ma(), sabemos
que los subespacios asociados a cada autovalor estarn formados por un autovector. Calculamos los
subespacios propios:

4 2
x
0
x=
P1 = Ker(A + I2 ) =
=
2x + y = 0 y = 2x
2 1
y
0
y = 2
y entonces, el subespacio propio asociado a 1 es P1 = h(1, 2)i.
P4 = Ker(A 4I2 ) =

1 2
x
0
x = 2
=
x + 2y = 0 x = 2y
2 4
y
0
y=
y por tanto, el subespacio propio de 4 es P4 = h(2, 1)i.

b)
f (1, 0, 0) = (2, 1, 1)
2 1 0
f (0, 1, 0) = (1, 0, 3) A = 1 0 1
f (0, 0, 1) = (0, 1, 1)
1 3 1

2 1

0

1 = (2 )(1 ) + 1 3(2 ) + (1 ) =
p() = |A I3 | = 1
1
3 1
= (2 2 + 2 ) + 1 6 + 3 + 1 = 3 + 32 2 + 2 4 = 3 + 32 4
86
La ecuacin caracterstica es 3 32 + 4 = 0:
1 3 0
4
2 2 4
1 1 2 0
2
2
2
3 32 + 4 = ( 2)2 ( + 1) = 0
1 1
0
1
1
1 0
2

0
1
0
x
0
y=0
x=z
x 2y + z = 0
P2 = Ker(A 2I3 ) = 1 2 1 y = 0
y=0
1
3 1
z
0
x + 3y z = 0
x=
y = 0 P2 = h1, 0, 1i
z=

0
x
0
3x + y = 0
1
y = 0
x + y + z = 0
2
z
0
x + 3y + 2z = 0

3
2
3z
x + 3y + 2z = 0
4
3
y= ;
4y + 3z = 0
4
8 6
y = 3
3z
9z 8z
z
x=
x = 3
+ 2z = +
=
P1 = h(1, 3, 4)i
4
4
4
4
z = 4
3 1
P1 = Ker(A + I3 ) = 1 1
1 3
3 1 0
1
F1 =F3
0
1 1 1
F +F
1 3 2 F23 =F31 3F3 0
c)
f (1, 0, 0) = (1, 8, 8)
1 0 0
f (0, 1, 0) = (0, 4, 1) A = 8 4 6
f (0, 0, 1) = (0, 6, 9)
8 1 9

1

0
0

4 6

= (1 )[(4 )(9 )+
p() = |A I3 | = 8 4 6 = (1 )

1
9
8
1
9
+ 6] = (1 )(36 4 9 + 2 + 6) = (1 )(2 13 + 42)
La ecuacin caracterstica es ( 1)(2 13 + 42) = 0, buscamos las races:
=
13
132 4 42
13 169 168
13 1
13 1
=
=
=
; 1 = 7, 2 = 6
2
2
2
2
87
Entonces tenemos que p() = ( 1)( 7)( 6) = 0.

0 0 0
x
0
8x + 3y 6z = 0
y = 0
P1 = Ker(A I3 ) = 8 3 6
8x + y + 8z = 0
8 1 8
z
0

x = 15
8x + 3y 6z = 0
z = 2y
z = 2y
y = 8
y
4y + 2z = 0
8x + 3y 6 (2y) = 0
x = 15
8
z = 16
Entonces P1 = h(15, 8, 16)i.

6 0
0
x
0
6x = 0
y = 0
8x 3y 6z = 0
P7 = Ker(A 7I3 ) = 8 3 6
8
1
2
z
0
8x + y + 2z = 0

x=0
x=0
y = 2 P7 = h(0, 2, 1)i
y = 2z
z=

5 0
0
x
0
5x = 0
y = 0
8x 2y 6z = 0
P6 = Ker(A 6I3 ) = 8 2 6
8
1
3
z
0
8x + y + 3z = 0

x=0
x=0
y = 3 P6 = h(0, 3, 1)i
y = 3z
z=
2. Es diagonalizable en R el endomorfismo f (x, y, z) = (z, 0, x).
f (1, 0, 0) = (0, 0, 1)
0 0 1
f (0, 1, 0) = (0, 0, 0) A = 0 0 0
f (0, 0, 1) = (1, 0, 0)
1 0 0

0 1

p() = 0 0 = 3 = 0 (2 + 1) = 0; 1 = 0, 2 = 1 = i
1
0
Tenemos que tener tantas races distintas como la dimensin del espacio vectorial (el orden de la
matriz) para poder afirmar que el endomorfismo es diagonalizable. Como las races i y i no son
reales, no hay suficientes races y entonces el endomorfismo no es diagonalizable.
3. Dada una base B = {e1 , e2 , e3 } de un espacio vectorial real, estudia si es diagonalizable el
endomorfismo dado por:
f (e1 e2 ) = 3e1 2e2 + e3 .
f (e1 + e3 ) = 3e1 3e2 .
88

f (3e2 3e3 ) = 4e1 + 3e2 + e3 .
Como la aplicacin f es lineal:

f (e1 ) f (e2 ) = (3, 2, 1)
f (e1 ) + f (e3 ) = (3, 3, 0)
3f (e2 ) 3f (e3 ) = (4, 3, 1)
1 1 0 3 2 1
1 1 0 3 2 1
F2 F1
1 0
0 1 1
1 3 3 0 0 1
1
F3 3F2
0 3 3 4
3 1
0 3 3 4
3
1
1 1 0 3 2 1
f (e1 ) f (e2 ) = (3, 2, 1)
0 1
1
0
0 1 f (e2 ) + f (e3 ) = (0, 0, 1)
0 0 6 4
6
4
6f (e3 ) = (4, 3, 4)
6f (e3 ) = (4, 6, 4) f (e3 ) = ( 32 , 1, 32 )
f (e2 ) + f (e3 ) = (0, 0, 1) f (e2 ) = (0, 1, 1) ( 32 , 1, 23 ) = ( 32 , 0, 13 )
f (e1 ) f (e2 ) = (3, 2, 1) f (e1 ) = (3, 2, 1) + ( 32 , 0, 13 ) = ( 73 , 2, 23 )
Podemos comprobar que se cumplen las igualdades del enunciado:
2
2
1
9
3
7
f (e1 ) f (e2 ) = ( , 2, ) ( , 0, ) = ( , 2, ) = (3, 2, 1) = 3e1 2e2 + e3
3
3
3
3
3
3
7
2
2
2
9
f (e1 ) + f (e3 ) = ( , 2, ) + ( , 1, ) = ( , 3, 0) = (3, 3, 0) = 3e1 3e2
3
3
3
3
3
2
1
2
2
3f (e2 ) 3f (e3 ) = 3( , 0, ) 3( , 1, ) = (4, 3, 1) = 4e1 + 3e2 + e3
3
3
3
3
Por tanto, estamos seguros de que:
2
7
f (e1 ) = e1 2e2 + e3 ;
3
3
2
1
f (e2 ) = e1 e3 ;
3
3
2
2
f (e3 ) = e1 e2 e3
3
3
Y por tanto la matriz de f en la base cannica es:

73
M = MB (f ) = 2
2
3
2
3
0
31
23
1
23
El polinomio caracterstico es
7

2

23
3
3
7
2
4 4 4

1 =
p() = |M I3 | = 2
+
3
3
9 9 9
2
31 23
3

1 7
4
2
14 7
2
8 4
7 1
8 4
2
+
+ +
=
+ + + + + =
3 3
3
3
9
3
3
9 9
9 3
9 3
14
9
8 4
7 3
8 12
27
= 2 3 + + 1 = 3 32 1 =
9
3
9 9
9 9
9
9
9
= 3 32 3 1
89
La ecuacin caracterstica es 3 + 32 + 3 + 1 = 0. Calculamos sus races:

1
3
3
1
1 2 1
1 2
1
0
1 1
1
3 + 32 + 3 + 1 = ( + 1)3 = 0
1 1
0
1
1
1 0
1
Tenemos entonces unas sola raz triple que es 1 (con multiplicidad algebraica 3). Calculamos su
multiplicidad geomtrica:
4 2
3 3 23
mg(1) = 3 rang(M + I3 ) = 3 rang 2 1 1
2
13 31
3
Como podemos ver, todas las filas son proporcionales, por tanto tenemos que mg(1) = 3 1 = 2.
Como la multiplicidad algebraica no coincide con la geomtrica concluimos que la matriz no es
diagonalizable.
1 1 0
4. Halla la potencia An de la matriz A = 0 2 0.
2 1 3
Tenemos que An = P Dn P 1 . Entonces tenemos que calcular la matriz diagonal D y la matriz de
paso P . Calculamos el polinomio caracterstico:

1

1
0

2
0 = (1 )(2 )(3 )
p() = |A I3 | = 0
2
1
3
Las races de la ecuacin caracterstica son 1, 2 y 3. Como tenemos tantas races distintas como
la dimensin del espacio vectorial (orden de la matriz) podemos afirmar que el endomorfismo es
diagonalizable. Determinamos los espacios propios correspondientes para formar la matriz de paso
P:

0 1 0
x
0
y
=
0
y=0
P1 = Ker(A I3 ) = 0 1 0 y = 0
x=z
2x + y + 2z = 0
2 1 2
z
0
x=
y = 0 P1 = h(1, 0, 1)i
z=

1 1 0
x
0
x + y = 0
x=y
0 0 0
y = 0
P2 = Ker(A 2I3 ) =
2x + y + z = 0
x=z
2 1 1
z
0
x=
y = P2 = h(1, 1, 1)i
z=
90

2 1 0
x
0
2x + y = 0
x=0
0 1 0
y = 0
P3 = Ker(A 3I3 ) =
y = 0
y=0
2 1 0
z
0
x=0
y = 0 P3 = h(0, 0, 1)i
z=
1 1 0
Tenemos por tanto que una matriz de paso es P = 0 1 0, donde hemos colocado en la primera
1 1 1
columna el vector propio asociado a 1, en la segunda el asociado a 2 y en la tercera
el asociado
a 3.
1 0 0
Esto nos obliga a escribir la matriz diagonal en el mismo orden, es decir, D = 0 2 0. Nos falta
0 0 3
calcular la inversa de la matriz de paso:

1 1 0
1 0 1
1 1 0

1 0 ;
|P | = 0 1 0 = 1; Adj(P ) = 1 1 0 ; Adj(P )t = 0
1 1 1
0 0 1
1 0 1
1 1 0
Adj(P )t
= 0 1 0
P 1 =
|P |
1 3 1
1 1 0
1 2n 0
1 1 0
1 1 0
1 0 0
1 0 =
1 0 = 0 2 n 0 0
An = 0 1 0 0 2n 0 0
n
n
n
1 0 1
1 2 3
1 0 1
1 1 1
0 0 3
n
1
2 1 0
0
2n
0
=
1 3n 2n 1 3n
5. Halla los autovalores y subespacios propios del endomorfismo f : R2 [x] R2 [x] definido
por f (p(x)) = p(x + 1).
Recordemos que la base cannica para los polinomios de segundo grado es C = {1, x, x2 }. Hallamos
la matriz de f en la base cannica:
f (1) = 1
1 1 1
f (x) = x + 1
A = MC (f ) = 0 1 2
f (x2 ) = (x + 1)2 = x2 + 2x + 1
0 0 1
Calculamos ahora el polinomio caracterstico:
1
1
1
1
2 = (1 )3
p() = |A I3 | = 0
0
0
1
Entonces la ecuacin caracterstica es p() = (1 )3 = 0 y la nica raz de esta ecuacin es
= 1 (triple) con multiplicidad algebraica 3. Calculamos el subespacio propio asociado a este nico
91
autovalor:

0 1 1
x
0
x=
y+z =0
y=0
y=0
P1 = Ker(A I3 ) = 0 0 2 y = 0
2z = 0
z=0
0 0 0
z
0
z=0
Y entonces P1 = h(1, 0, 0)i.

6. Determina,
en funcin
de los valores de los parmetros, si es diagonalizable la matriz:

2 3
3
a) A = a 1 2
1
a 0
a b 0
b) A = 0 1 0
0 0 1
a)

2

3
3

1 2 = (2 )(1 )(1 ) 6a + 3a(1 + )
p() = |A I3 | = a
a
0
1
3a(1 ) = (2 2 + + 2 )(1 ) 6a + 3a + 3a 3a + 3a = (2 + 2 )(1
) + 6a 6a = 2 + 2 + 2 + 2 3 + 6a 6a = 3 + 22 + 6a + 6a 2
La ecuacin caracterstica es 3 22 6a + 6a + 2 = 0. Calculamos sus races:
1 2 6a 1 6a + 2
1
1
1
6a 2
1 1 6a 2
0
p
1 4(6a 2)
1 24a + 9
6a 2 = 0 =
=
2
2
1
1
Y entonces tenemos las races 1, 2 (1 + 24a + 9) y 2 (1 24a + 9). Como no hay ninguna restriccin para el cuerpo K, las races imaginarias sirven como autovalores. Entonces tenemos tres
autovalores distintos y por la acotacin de la multiplicidad geomtrica sabemos que habr un vector
propio asociado a cada uno de ellos. Por lo tanto la matriz A es diagonalizable.
b) Calculamos el polinomio caracterstico:

a

b
0

1
0 = (a )(1 )(1 )
p() = |A I3 | = 0
0
0
1
2
Entonces, la ecuacin caracterstica es p() = ( a)( + 1)( 1) = 0 y las races de la ecuacin

caracterstica son 1 = a, 2 = 1 y 3 = 1. Si estas tres races fueran distintas (depender del valor
de a), podramos asegurar que A es diagonalizable. Entonces si a 6= 1 y a 6= 1 podemos asegurar
que A es diagonalizable. Habr que estudiar el caso en el que a = 1 y a = 1. En el caso en el que
a = 1 la ecuacin caracterstica queda p() = ( + 1)2 ( 1) con lo que obtenemos los valores
92
propios, 1 = 1 (doble) y 2 = 1 (simple). Calculamos la multiplicidad geomtrica del valor propio

1:
0 b 0
mg(1) = 3 rang(A + I3 ) = 3 rang 0 0 0
0 0 2
Si b = 0 mg(1) = 3 1 = 2, la multiplicidad geomtrica coincide con la algebraica, y entonces
A es diagonalizable. Si b 6= 0 mg(1) = 3 2 = 1, la multiplicidad geomtrica no coincide con la
algebraica, y entonces A no es diagonalizable. En el caso en el que a = 1 la ecuacin caracterstica
queda p() = ( + 1)( 1)2 con lo que obtenemos los valores propios 1 = 1 (simple) y 2 = 1
(doble). Calculamos la multiplicidad geomtrica del valor propio 1:
0 b 0
mg(1) = 3 rang(A I3 ) = 3 rang 0 2 0 = 3 1 = 2
0 0 0
ya que no importa lo que valga b que las dos primeras filas siempre van a ser proporcionales. Entonces
como la multiplicidad geomtrica coincide con la algebraica A es diagonalizable.
7. Se sabe que el endomorfismo f : R2 R2 es diagonalizable, que (1, 2) y (3, 1) son autovectores y que f (5, 5) = (2, 1). Halla sus autovalores y su matriz en la base cannica.
Los autovectores (1, 2) y (3, 1) cumplen que
f (1, 2) = (1, 2)
f (3, 1) = (3, 1)
Por otra parte, tenemos que (5, 5) debe ser combinacin lineal de (1, 2) y (3, 1) (por qu?):

5 = a + 3b a = 5 3b
(5, 5) = a(1, 2) + b(3, 1)
5 = 10 6b + b
5 = 2a + b
5b = 15 b = 3; a = 5 9 = 4
f (4(1, 2) + 3(3, 1)) = 4f (1, 2) + 3f (3, 2) = 4(1, 2) + 3(3, 2) = (2, 1)

1
1
4 + 9 = 2
8 18 = 4
15 = 5 = ; 8 + 3 = 1
8 + 3 = 1
8 + 3 = 1
3
3
8 = 2 =
1
4
Entonces, ahora que tenemos los autovalores, la matriz diagonal es

1
0
D= 4 1
0 3
Calculamos ahora la matriz de f , A = P DP 1 . La matriz de paso P es

1 3
P =
2 1
93
calculamos su matriz inversa:

1 3
1 2
1 3
t

|P | =
= 1 6 = 5; Adj(P ) =
; Adj(P ) =
;
2 1
3 1
2 1

1 1 3
Adj(P )t
1/5 3/5
1
=
=
P =
2/5 1/5
|P |
5 2 1
Calculamos A:

1

1 1 3
1 14 1
1 14 2 34 + 1
0
1 3
1 3
4
A=
=
=
=
0 13
2 1
2 1
5 2 1
5 12 31
5 21 23 23 + 13

7

1
1 14 84 34 + 44
1 74 14
20
=
=
= 20
7
1
5 36 46 96 + 26
5 61 76
30
30
8. Determina la forma cannica de Jordan del endomorfismo f de R4 cuya matriz en la base
cannicaes:
4
0
1
0
1
1
1 1
a) A =
0 2 3 1
1 2 1 4
2 0 3 0
1 2 0 3
b) A =
0 0 2 0
0 0 1 2
a) Est resuelto en el ejemplo 5 de la pgina 73.
b) Est resuelto en el ejemplo 7 de la pgina 80.
9. Determina la forma cannica de Jordan y la matriz de paso del endomorfismo f de R3 cuya
matriz en la base cannica es:
1 1 1
A = 0 3 1
0 0 1
Est resuelto en el ejemplo 6 de la pgina 77.
94
2.8.
Ejercicios del tema 2
1 3 3
1. Sea f : R3 R3 con M = MC (f ) = 3 5 3.
6 6 4
1. Calcule los valores propios de M .
2. Calcule una base y la dimensin de cada uno de los subespacios propios.
3. Es posible diagonalizar M ?
1. Los valores propios de M , o de f , se obtienen calculando las races del polinomio caracterstico.

1

3
3

5
3 = (1 )(5 + )(4 ) 54 54 + 18(5 + )+
p() = |M I3 | = 3
6
6
4
+ 18(1 ) + 9(4 ) = (1 )(20 5 + 4 2 ) 9 + 36 = (1 )(20 2 )
9 + 36 = 20 + + 2 + 20 2 3 9 + 36 = 3 + 12 + 16
Igualando a cero este polinomio se obtiene la ecuacin caracterstica 3 12 16 = 0. Calculamos
las races:
0 12 16
4
4
16
16
1 4
4
0
2
2 4
p() = 3 12 16 = ( 4)( + 2)2 = 0
1 2
0
2
2
1 0
1
Entonces, los valores propios son 4, con multiplicidad algebraica 1, y 2, multiplicidad algebraica 2.
2. Calculamos ahora una base de cada subespacio propio:

3 3 3
x
0
P2 = Ker(M + 2I3 ) = 3 3 3 y = 0 3x 3y + 3z = 0 x = y z
6 6 6
z
0
x=
y=
P2 = h(1, 1, 0), (1, 0, 1)i
z=
La dimensin del subespacio propio asociado a 2 es 2.

3 3 3
x
0
P4 = Ker(M 4I3 ) = 3 9 3 y = 0
6 6 0
z
0
3 3 3 1 F
1 1 1
3 1
3 9 3
0 12 6
F2 +F1
6 6 0 F3 +2F1 0 12 6
95

1 1 1
x
0
x+yz =0
z = 2y
y = 0
P4 = Ker(M 4I3 ) = 0 12 6
12y = 6z = 0
x=y
0 12 6
z
0
x=
y = P4 = h(1, 1, 2)i
z = 2
La dimensin del subespacio propio asociado a 4 es 1.
3. Como la multiplicidad geomtrica de cada autovalor es igual que la algebraica podemos afirmar
que es posible diagonalizar M .
0 1 b
2. Sea A = 1 0 b con b N. Estudie para qu valores del parmetro natural b la
b 1 0
matriz A es diagonalizable. Indicacin: el polinomio caracterstico es divisible por t + b.

1 b

p() = |A I3 | = 1 b = 3 b2 + b + b2 b + = l3 + (b2 b + 1)+
b 1
+ (b b2 )
Nos indican que este polinomio es divisible por t + b, por lo que probamos a descomponerlo con la
raz b:
1
0
b2 + b 1 b2 b
b
b
b2
b2 + b
1
b
b1
0
1
b + 1
1
1 b + 1
0
b1
b1
1
0
El polinomio caracterstico se factoriza de la forma
p() = 3 (b2 b + 1) + (b2 b) = ( 1)( + b)( (b 1)
y entonces las races son 1 = 1, 2 = b y 3 = b 1. Si las tres races son distintas podemos
asegurar que A es diagonalizable porque cada autovalor tendr un vector propio asociado. Sin embargo, si hay races con multiplicidad algebraica mayor que 1 habr que comprobar la multiplicidad
geomtrica. Los posibles casos dependen de los valores que tome b. Veamos primero que valores de b
hacen que las tres races sean distintas. Si 1 = 2 , b = 1; si 1 = 3 , b = 2; y si 2 = 3 , b = 1/2.
Luego si b es distinto de 1, 2 y 1/2 la matriz A es diagonalizable. Pero como b es natural no puede
tomar los valores 1 y 1/2, por lo que b solo tiene que ser distinto de 2. Estudiemos el caso en el que
b = 2. En este caso el polinomio caracterstico queda p() = ( 1)2 ( + 2) con lo que obtenemos
dos valores propios, 1 = 1 (doble) y 2 = 2 (simple). Comprobamos la multiplicidad geomtrica
del valor propio 1:
1 1 2
mg(1) = dim(P1 ) = dim(R3 ) rang(A I3 ) = 3 rang 1 1 2 = 3 2 = 1
2 1 1
96
Como la multiplicidad geomtrica no es igual que la algebraica la matriz A no es diagonalizable. De

modo que A solo es diagonalizable si b 6= 2.
3. Sea A M3 (R) una matriz con autovalores 1 = 1, 2 = 4 y 3 = , con R. Consideremos los vectores u = (1, 0, 1), v = (0, 1, 0) y w = (0, 0, 1) y supongamos que u
~ P1 ,
~
v P4 y w
~ P .
1. Es A diagonalizable? Calcule A.
2. Discuta para qu valores de es A inversible.
3. Encuentre (cuando sea posible) una raz cuadrada de A.
1. Si los vectores ~u, ~v y w
~ son linealmente independientes, A es diagonalizable. Comprobamos si lo
son:

1 0 0

|P | = 0 1 0 = 1 6= 0
1 0 1
1 0 0
1 0 0
Entonces tenemos que D = P 1 AP con P = 0 1 0 y D = 0 4 0 . Para calcular A
1 0 1
0 0
tenemos que calcular primero la inversa de P :
1 0 1
Adj(P ) = 0 1 0 ;
0 0 1
1 0 0
Adj(P )t = 0 0 0 ;
1 0 1
P 1
1 0 0
Adj(P )
= 0 0 0 ;
=
|P |
1 0 1
t
Entonces podemos calcular A:
1 0 0
1 0 0
1 0 0
1 0 0
1 0 0
1
0 0
4 0
A = 0 1 0 0 4 0 0 0 0 = 0 4 0 0 0 0 = 0
1 0 1
0 0
1 0 1
1 0
1 0 1
1 0
2. Como el determinante es invariante frente a semejanza, |A| = |D| = 4. Por tanto, A es inversible
si, y slo si, 4 6= 0 6= 0.
3. Una raz cuadrada de A es una matriz B tal que B 2 = A. Si D0 es una raz cuadrada de D, entonces
P D0 P 1 lo es de A. Entonces tenemos que una raz de A es
1 0 0
1 0 0
1 0 0
1 0 0
1 0 0
B = 0 1 0 0 2 0 0 0 0 = 0 2 0 0 0 0 =
1 0 1
0 0
1 0 1
1 0
1 0 1
1
0 0
0
2 0
1 0
donde 0.
97
4. Consideremos tres sucesiones infinitas de nmeros reales {xi }, {yi } y {zi } verificando

xn
3 0 1
xn1
yn = 8 2 4 yn1
zn
2 0
0
zn1
para n N . Calcule una expresin que proporcione los trminos generales para cada sucesin
en funcin de x0 , y0 y z0 . Indicacin: pruebe en primer lugar, usando induccin, que

xn
x0
3 0 1
yn = An y0 , n N, donde A = 8 2 4
zn
z0
2 0
0
No entiendo nada.
5. Calcule la forma cannica de Jordan, con una matriz de paso, as como la matriz exponencial
de las matrices
2 0 0 0
1 1 1
0 2 0 0
.
A=
0 1 2 0 , B = 0 3 1
0 0 1
1 1 0 2
El polinomio caracterstico de la matriz A es:

2

0
0
0

0
2
0
0
4

p() = |A I4 | =
= (2 )
0
1
2
0

1
1
0
2
que se calcula fcilmente porque la matriz es triangular. El nico autovalor es = 2 con multiplicidad
algebraica 4 y la multiplicidad geomtrica o la dimensin del espacio propio es
0 0 0 0
0 0 0 0
mg(2) = dim(P2 ) = dim(R4 ) rang(A 2I4 ) = 4 rang

0 1 0 0 = 4 2 = 2
1 1 0 0
Como la multiplicidad geomtrica no coincide con la algebraica, la matriz A no es diagonalizable. El
polinomio mnimo divide al caracterstico, aunque no puede ser (2 ) ni ( 2), ya que entonces
sera diagonalizable. Entonces las posibilidades son (2 )2 , (2 )3 o (2 )4 que es el propio
polinomio caracterstico. Hacemos el clculo
0
(A 2I4 )2 =
0
1
0
0
1
1
0
0
0
0
2
0
0
0
0
=
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
y entonces el polinomio mnimo es m() = (2 )2 . Ahora, recordando que el nmero de bloques

elementales de Jordan asociados a un autovalor coincide con su multiplicidad geomtrica, podramos
98
pensar que la forma cannica de Jordan de A es
2 1
0 2
0 0
0 0
0
0
2
0
0
0
1
2
2 1 0 0
0 2 1 0
pero sin embargo en la matriz

0 0 2 0 tambin aparecen dos blosques elementales asociados a
0 0 0 2
la raz 2. Por tanto, conocer la multiplicidad geomtrica y el polinomio caracterstico no es suficiente
para hallar la forma cannica de Jordan. Teniendo en cuenta los polinomios caracterstico y mnimo
tenemos que las dos posibilidades para la forma cannica de Jordan de A son:
2 1 0 0
2 1 0 0
0 2 0 0
o bien 0 2 0 0 por qu?
0 0 2 1
0 0 2 0
0 0 0 2
0 0 0 2
Y as, la forma cannica de Jordan de A es
2
0
J =
0
0
1
2
0
0
0
0
2
0
0
0
1
2
Si solo hubiesemos tenido en cuenta el dato del polinomio caracterstico y el polinomio mnimo
necesitaramos de alguna informacin adicional para elegir entre estas dos posibilidades: el rango de
la matriz (A 2I4 ). Como tenemos que rang(A 2I4 ) = rang(J 2I4 ), y adems ya hemos visto
que rang(A 2I4 ) = 2, entonces tenemos que rang(J 2I4 ) = 2. Entonces veamos el rango de las
dos matrices para ver cual es la de rango 2:
2 1 0 0
2 0 0 0
0 1 0 0
0 2 0 0 0 2 0 0 0 0 0 0
0 0 2 0 0 0 2 0 = 0 0 0 0 rang = 1
0 0 0 2
0 0 0 2
0 0 0 0
2
0
0
0
1
2
0
0
0
0
2
0

0
2
0 0
1 0
2
0
0
2
0
0
0
0
2
0

0
0
0 0
=
0 0
2
0
1
0
0
0
0
0
0
0
0
0
rang = 2
1
0
Y entonces llegamos igualmente a la conclusin de que, como la segunda matriz es la que cumple que
rang(J 2I4 ) = 2, esa debe ser la forma cannica de Jordan. Calculamos ahora la matriz de paso P .
Comenzamos calculando la cadena de inclusiones de ncleos:
{0} = Ker(A 2I4 ) Ker(A 2I4 )2 = R4
99
Calculamos ahora las relaciones entre los vectores de la nueva base:
2 1 0 0
0 2 0 0
J = P 1AP P J = AP (~v1 |~v2 |~v3 |~v4 )

0 0 2 1 = A(~v1 |~v2 |~v3 |~v4 )
0 0 0 2
y entonces
2~v1
~v1 + 2~v2
2~v3
~v3 + 2~v4
= A~v1
(A 2I4 )~v1
= A~v2
(A 2I4 )~v2
= A~v3
(A 2I4 )~v3
= A~v4
(A 2I4 )~v4
=0
= ~v1
=0
= ~v3
Por lo que tenemos que:

~v1 , ~v3 Ker(A 2I4 );
~v2 , ~v4 Ker(A 2I4 )2 \ Ker(A 2I4 )
Como Ker(A 2I4 )2 = R4 , los vectores ~v2 y ~v4 pueden ser cualesquiera con la nica condicin de
que no pertenezcan al ncleo de A 2I4 . Determinamos dicho ncleo:

0 0 0 0
x
0
x=0
0 0 0 0 y 0
y
=
0
y=0

Ker(A 2I4 ) =
0 1 0 0 z = 0 x + y = 0 z =
1 1 0 0
t
0
t=
Entonces, tenemos que Ker(A 2I4 ) = h(0, 0, 1, 0), (0, 0, 0,1)i. Tomemos entonces ~v2 := (1, 0, 0, 0)
y as ~v2 6= Ker(A 2I4). Para obtener ~v1 hacemos simplemente:

0 0 0 0
1
0
0 0 0 0 0 0

~v1 := (A 2I4 )~v2 =
0 1 0 0 0 = 0
1 1 0 0
0
1
Observamos que ~v1 pertenece a Ker(A 2I4 ). Tomamos ahora ~v4 linealmente independiente de ~v2 , y
as ~v4 := (0, 1, 0, 0) que tampoco pertencece al ncleo de A 2I4 . Entonces:

0 0 0 0
0
0
0 0 0 0 1 0

~v3 := (A 2I4 )~v4 =
0 1 0 0 0 = 1
1 1 0 0
0
1
0 1 0 0
0 0 0 1
que tambin est en el ncleo de A 2I4 . Entonces tenemos que P =

0 0 1 0.
1 0 1 0
1
Calculamos ahora la matriz exponencial de A. Tenemos que si A = P JP , entonces eA = P eJ P 1 .
Por tanto, conocida la exponencial de la forma cannica de Jordan, solo resta multiplicar por P y P 1
para obtener la de A. La forma cannica de Jordan de la matriz A tiene dos bloques elementales de
Jordan de orden dos iguales. Calculemos su matriz exponencial:
2 1

2 2
e e
0
2
2 1 1
e
=e
= 2 2
0 1
e e
100
Entonces la matriz exponencial queda

2 2
e e 0 0
0 e2 0 0
eJ =
0 0 e2 e2
0 0 0 e2
Calculamos la matriz inversa de P :
0 1 0 0 1 0 0 0
0 0 0 1 0 1 0 0 F1 =F4
0 0 1 0 0 0 1 0 F
2 =F1
F4 =F2
1 0 1 0 0 0 0 1
1 0 0 0 1 0 1 1
0 1 0 0 1 0 0 0
0 0 1 0 0 0 1 0
0 0 0 1 0 1 0 0
0 1 0 1 0
1 0 0 1 0
0 1 0 0 0
0 0 1 0 1
1
0
0
0
Calculamos ahora la matriz exponencial de A:
2 2
1 0 0 0
e e 0 0
1
2
0 1 0 0 0 e 0 0 1
eA =
0 0 1 0 0 0 e2 e2 0
0 0 0 1
0 0 0 e2
0
1 0 1 1
e
0
0 0
2
1 0 0 0 0
e
0 0
2
0 0 1 0 = 0
e
e2 0
0 1 0 0
e2 e2 0 e2
0
0
0
1
0 1
0 0
1 +F3
F
1 0
0 0

1 1
0
e2 0 0
0 0
0
0 e2
= 0
1 0 0
0 e2 e2
e2 e2 e2 e2
0 0
Ahora tenemos que hacer todo lo que hemos hecho con la matriz A pero conla matriz B. La forma
cannica de Jordan y la matriz de paso de la matriz B la calculamos en el ejemplo 6 de la pgina 77,
as que solo nos falta calcular la matriz exponencial de B. La forma canncida de Jordan de B era
1 1 0
J = 0 1 0
0 0 3
Tenemos dos bloques elementales de Jordan. Calculamos primero la matriz exponencial del bloque
de orden dos:
1
1

1 1
e e
0
1
e
=e
=
0 e
0 1

La matriz exponencial del ploque de orden uno es e3 . Por tanto:
e e 0
eJ = 0 e 0
0 0 e3
101
Calculamos ahora la matriz exponencial de B:
3 0 1
3e 3e e3
4 2 1
e e 0
4 2 1
1
1
0
e 2e3 0 0 6 =
0 1 2 0 e 0 0 0 6 =
eA =
12
12
3
0 2e 0
0 2 0
0 6
3
0 0 e
0 6
3
21
12e 6e + 6e3 3e 18e + 3e3
e 21 e + 12 e3 12
e + 14 e3
1
1
0
12e3
6e + 6e3 = 0
e3
2 e + 12 e3 =
=
12
0
0
12e
0
0
e
1
e 2 (e + e3 ) 14 (7e + e3 )
1
(e + e3 )
e3
= 0
2
0
0
e
6. Sea B = {e1 , e2 , e3 , e4 , e5 } una base de R5 y f un endomorfismo con f (e2 ) = e2 , f (e3 + e4 ) = e3

y f (e5 ) = 2e5 + e1 e2 . El polinomio caracterstico de f tiene la raz triple 2. Las ecuaciones
implcitas respecto de la base B del ncleo del endomorfismo f 2Id son x1 + x2 + x3 = 0,
x3 + x4 = 0 y x5 = 0. Calcule la matriz de f con respecto a la base B, su forma cannica de
Jordan y una matriz de paso P .
Como f (e2 ) = e2 , podemos afirmar que 1 es un valor propio de f con e2 como vector propio
asociado. De igual modo, f (e3 + e4 ) = e3 + e4 permite afirmar que 1 es un valor propio con vector
propio asociado e3 + e4 . A partir de las ecuaciones implcitas del subespacio Ker(f 2Id) podemos
determinar una base de este. De este modo, tenemos
x1 =
x1 + x2 + x3 = 0
x3 = x1 x2
x2 =
x3 + x 4
x4 = x1 + x 2
x3 =
Ker(f 2Id) =
x5 = 0
x5 = 0
x4 = +
x5 = 0
Ker(f 2Id) = {(1, 0, 1, 1, 0), (0, 1, 1, 1, 0)} Como entonces dim(Ker(f 2Id)) = 2 se tiene
que la multiplicidad geomtrica de 2 es 2, que no coincide con 3, que es la multiplicidad algebraica
tal y como dice el enunciado. Podemos afirmar entonces que f no es diagonalizable. Como las races
del polinomio caracterstico son 1 y 1 simples, y 2 triple, aparecen seguro dos bloques elementales
de orden uno asociados cada uno a 1 y 1 respectivamente, y uno tambin de orden uno asociado
a 2, ya que el nmero de bloques elementales de Jordan asociados al autovalor 2 coincide con su
multiplicidad geomtrica que es 2, por lo que un bloque tiene que ser de orden uno y el otro de orden
dos. Por tanto
2 1 0 0 0
0 2 0 0 0
0
0
2
0
0
J =
0 0 0 1 0
0 0 0 0 1
Si llamamos A = MB (f ), tenemos que J = P 1 AP . Para calcular A usaremos las tres ecuaciones
que nos dan en el enunciado
f (e2 ) = e2
f (e3 ) + f (e4 ) = e3 + e4
f (e5 ) = 2e5 + e1 e2
102
donde hemos tenido en cuenta que f es lineal. A estas ecuaciones tenemos que aadir dos ms. Los
vectores de la base del ncleo de f 2Id que hemos determinado son e1 e3 + e4 y e2 e3 + e4 y
verifican que (f 2Id)(x) = 0 f (x) = 2x. Por tanto, las ecuaciones que conseguimos son:
f (e1 ) f (e3 ) + f (e4 ) = 2e1 2e3 + 2e4 , f (e2 ) f (e3 ) + f (e4 ) = 2e2 2e3 + 2e4
Resolvemos el sistema:
0 1 0 0 0 0 1 0 0 0
1
0 0 1 1 0 0 0
1 1 0
0
1 =F4
0 0 0 0 1 1 1 0 0 2 F
0
1
1 0 1 1 0 2 0 2 2 0 FF23 =F
0
=F2
F4 =F5 F1
0 1 1 1 0 0 2 2 2 0 F5 =F3
0
1 0 0 2 0 2 0 1 3 0
1 0
0 1 0 0 0 0 1 0 0 0
0 1
F1 F4
0 0 1 1 0 0 0
0 0
1 1 0

1
0 0 0 2 0 0 3 1 3 0 F1 3 2 F4 0 0
F4
0 0 0 0 1 1 1 0 0 2 2
0 0
0 1 1 0 2 0 2 2 0
1 0 0 0 0 1 0 0 0
F1 +F3
1 1 0
0 1 1 0 0 0
F
+F
0 1 1 0 0 3 2 2 0 4 3
0 0 0 1 1 1 0 0 2
0 0 0 2 3
0
0
0
0 0 0 0 1
0
0
0
1 0 0 0 3/2 3/2 1/2 0
0 1 0 0 3/2 1/2 3/2 0

0 0 1 1 1
0
0
2
Entonces tenemos que:

f (e1 ) = 2e1 e2
f (e2 ) = e2
3
1
3
f (e3 ) = e2 + e3 e4
2
2
2
1
3
3
f (e4 ) = e2 e3 + e4
2
2
2
f (e5 ) = e1 e2 + 2e5
As, la matriz de f en la base B de R5 es
2
0
0
0
1
3 1 3/2 3/2 1
0
0
3/2
1/2
0
A=
0
0 1/2 3/2
0
0
0
0
0
2
Solo nos falta calcular una matriz de paso P . Como J
2 1 0 0
0 2 0 0
(~v1 |~v2 |~v3 |~v4 |~v5 )

0 0 2 0
0 0 0 1
0 0 0 0
= P 1 AP , se tiene que P J = AP :
0
0
0
= A(~v1 |~v2 |~v3 |~v4 |~v5 )
0
1
Multiplicando llegamos a
2~v1
~v1 + 2~v2
2~v3
~v4
~v5
= A~v1
(A 2I5 )~v1 = 0
= A~v2
(A 2I5 )~v2 = ~v1
= A~v3 (A 2I5 )~v3 = 0
= A~v4
(A + I5 )~v4 = 0
= A~v5
(A I5 )~v5 = 0
103
Uniendo las dos primeras igualdades tenemos que ~v2 Ker(A 2I5 )\ Ker(A 2I5 ). Una vez elegido
~v2 multiplicamos y obtenemos ~v1 y elegimos ~v3 con independencia lineal en Ker(A 2I5 ). Despus
~v4 Ker(A + I5 ) y ~v5 Ker(A I5 ). Las cadenas de ncleos son
{0} Ker(A 2I5 ) Ker(A 2I5 )2 = Ker(A 2I5 )3 = . . .
{0} Ker(A + I5 ) = Ker(A + I5 )2 = . . .
{0} Ker(A I5 ) = Ker(A I5 )2 = . . .
Para calcular el ncleo Ker(A 2I5)2 primero tenemos que calcular (A 2I5 )2 :
2
0
0
0
0
1
3 3 3/2 3/2 1
2
0 1/2 1/2 0
(A 2I5 ) =
0
=
0
0 1/2 1/2 0
0
0
0
0
0
0 0
0
0
0
0 0 0
0
0
9 9 9/2 + 3/4 3/4 9/2 + 3/4 3/4 3 + 3 9 9 9/2 9/2 0
0 0
1/4 + 1/4
1/4 + 1/4
0
= 0 0 1/2 1/2 0
0 0
1/4 + 1/4
1/4 + 1/4
0
0 0 1/2 1/2 0
0 0
0
0
0
0 0 0
0
0
Y entonces
0
9
Ker(A 2I5 )2 =
0
0
0
x=
y=
t
=
z = s =
Los otros dos ncleos son
3
3
Ker(A + I5 ) =
0
0
0
3 0 0
0 0 1
F2 =F4

0 0 0
F3 +5F4
F4 =F2 3F4 0 0 0
1
F
3 5
0 0 0

0 0
0
0
x
0
y 0

9 9/2 9/2 0

2x + 2y + z t = 0
0 1/2 1/2 0 z = 0
z+t=0
0 1/2 1/2 0
t
0
0 0
0
0
s
0
Ker(A 2I5 )2 = h(1, 0, 1, 1, 0), (1, 1, 0, 0, 0), (0, 0, 0, 0, 1)i

3
0
0
0
1
x
0
0 3/2 3/2 1 y 0
0
2 +F1
z = 0 F
0 5/2 1/2 0
2F2 0
0 1/2 5/2
0
t
0
2F3 0
2F4
0
0
0
0
3
s
0
0 1
x=0
3x + s = 0
5 0
y=
z 5t = 0
24 0
z=0
t=0
12 0
t=0
s=0
0 1
s=0
Ker(A + I5 ) = h(0, 1, 0, 0, 0)i
0 0
0 1
0 3 3 0
0 5 1 0
0 1 5 0
0 0
0 3
104
1
0
0
0
1
x
0
1 0
0
0 1
3 2 3/2 3/2 1 y 0
F2 +3F1 0 4 3 3 4
0
1/2 1/2 0 z = 0 0 0
1 1 0
Ker(A I5 ) = 0
2F2
0
0 1/2 1/2
0 t 0 2F3 0 0 1 1 0
2F4
0
0
0
0
1
s
0
0 0
0
0 1
1 0 0 0 0
x=0
x=0
0 4 0 0 0
y=0
F1 F5
4y = 0
0 0 1 1 0
z = Ker(A I5 ) = h(0, 0, 1, 1, 0)i
zt=0
F2 4F5
0 0 0 0 0
t=
F2 +3F3
s=0
F4 +F3
0 0 0 0 1
s=0
A la vista de las condiciones que hemos deducido, definimos ~v2 := (0, 0, 0, 0, 1) para tener:

0
0
0
0
1
0
1
3 3 3/2 3/2 1 0 1

0 = 0
0
0
1/2
1/2
0
~v1 := (A 2I5 )~v2 =

0
0 1/2 1/2 0 0 0
0
0
0
0
0
1
0
Tenemos que ver si ~v1 pertenece a Ker(A2I5 ). Como tenemos que (1, 0, 1, 1, 0)(0, 1, 1, 1, 0) =
(1, 1, 0, 0, 0), ~v1 pertenece a Ker(A 2I5 ) como tiene que ser. Tomamos entonces en este ncleo
~v3 := (1, 0, 1, 1, 0) que no depende de ~v1 . Ya slo nos falta definir ~v4 := (0, 1, 0, 0, 0) y ~v5 :=
(0, 0, 1, 1, 0) para tener la nueva base
B = {(1, 1, 0, 0, 0), (0, 0, 0, 0, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 0), (0, 0, 1, 1, 0)}
o lo que es lo mismo
B = {e1 e2 , e5 , e1 e3 + e4 , e2 , e3 + e4 }
1
1
con matriz P asociada dada por P =

0
0
0
0 1 0 0
0 0 1 0
0 1 0 1
.
0 1 0 1
1 0 0 0
7. Encuentre, usando la forma cannica de Jordan, una expresin para las potencias An de la
matriz
1 0 0 1
1 0 2 0
4
A=
2 1 4 2 9
1 0 0
3
105

1/2

0
0
1/2

1/2

0
1/2
0

1
0
2

1
2 =
p() = |A I4 | =
= (1 ) 0

2
1
9/2
1/2
1/2
0
3/2
1/2
0
0
3/2

1 2
1/2 1/2 1
1 1

= (1 )(1 )
= (1 )(1 )
= (1 )(1 )
1
3 2 4
1/2
3/2 4
1
1
[(1 2)(3 2) + 1] = (1 )(1 )(3 8 + 42 + 1) = (1 )(1 )(42 8 + 4)
4
4
Igualando a cero obtenemos la ecuacin caracterstica p() = (1 )(1 + )(2 2 + 1) = 0.
Calculamos las races:
2 44
=1
=
2
Por tanto, las races son 1 = 1, simple, y 2 = 1, triple. La multiplicidad algebraica de 1 es
1/2
0
mg(1) = dim(P1 ) = dim(R4 ) rang(A I4 ) = 4 rang
1/2
1/2
0 0 1/2
0 0
2
=43=1
2 2 9/2
0 0
1/2
Como la multiplicidad algebraica de 1 no coincide con la multiplicidad geomtrica, la matriz no es

diagonalizable. Entonces, como el nmero de bloques elementales de Jordan coincide con la multiplicidad geomtrica. El nmero de bloques para el autovalor 1 es 1, y entonces el bloque ser de orden
3. Lo verificamos calculando el polinomio mnimo. El polinomio mnimo puede ser ( + 1)( 1)2
o ( + 1)( 1)3 , ya que si fuese ( + 1)( 1) la matriz sera diagonalizable y acabamos de ver
que no lo es. Hacemos los clculos para ver cul es el polinomio mnimo:
2
3/2 0 0 1/2
1/2 0 0 1/2
0 2 0
2
0 0
2
0
(A + I4 )(A I4 )2 =
1/2 2 0 9/2 1/2 2 2 9/2 =
1/2 0 0 5/2
1/2 0 0
1/2
3/2 0 0 1/2
1/4 1/4
0 0
1/4 1/4
0 2 0
1
0 0
1
2
1/2 2 0 9/2 1/4 1 + 9/4 4 4 1/4 + 4 9 + 9/4 =

1/2 0 0 5/2
1/4 + 1/4
0 0
1/4 + 1/4
3/2 0 0 1/2
0 0 0 0
0 0 0 0
0 2 0
2
1 0 0 1 = 2 0 0 2
=
1/2 2 0 9/2 1 4 4 3 2 0 0 2
1/2 0 0 5/2
0 0 0 0
0 0 0 0
106
Como ( + 1)( 1)2 no es el polinomio mnimo, este debe ser ( + 1)( 1)3 . Lo comprobamos:
2
(A + I4 )(A I4 )3 =
2
0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0
0
0
0
0
0
0
0
0
1/2
0
2
2 1/2
0
1/2

0 0 1/2
0
1 + 1
0 0
2
=
2 2 9/2 1 + 1
0 0
1/2
0
Por tanto la forma cannica de Jordan de la matriz A es:
1 0 0
0 1 1
J =
0 0 1
0 0 0
0
0
0
0
0
0
0 1 + 1
=
0 1 + 1
0
0
0
0
1
1
Calculamos ahora una matriz de paso P tal que J = P 1 AP P J = AP .
1
0
(~v1 |~v2 |~v3 |~v4 )
0
0
~v1
~v2
~v2 + ~v3
~v3 + ~v4
0
1
0
0
0
1
1
0
0
0
= A(~v1 |~v2 |~v3 |~v4 )
1
1
= A~v1
(A + I4 )~v1
= A~v2
(A I4 )~v2
= A~v3
(A I4 )~v3
= A~v4
(A I4 )~v4
=0
=0
= ~v2
= ~v3
De aqu tenemos que ~v4 Ker(A I4 )3 \ Ker(A I4 )2 y ~v1 Ker(A + I4 ). Las cadenas de ncleos
son
{0} Ker(A + I4 ) = Ker(A + I4 )2 = . . .
{0} Ker(A I4 ) Ker(A I4 )2 Ker(A I4 )3 = Ker(A I4 )4 = . . .
Determinamos los ncleos que aparecen en estas cadenas:

0
1 0 0 5
x
3/2 0 0 1/2
0 2 0
1 =2F4 0 2 0 2 F3 F1
2
y = 0 F
Ker(A + I4 ) =
1 4 0 9 F
1/2 2 0 9/2 z 0 2F3
4 4F1
F4 =2F1
0
3 0 0 1
t
1/2 0 0 5/2
1 0 0 5
x=0
x + 5t = 0
0 2 0 2
y=0
0 4 0 4 2y + 2t = 0 z = Ker(A + I4 ) = h(0, 0, 1, 0)i
16t = 0
0 0 0 16
t=0
1/2 0
0
0
Ker(A I4 ) =
1/2 2
1/2 0
1 0 0 1
0 0 0
0 2 2 8
0 0 0
0
107
0 1/2
x
0
1 0 0 1
2F1 0 0 0
0
2
2
3 +F1
y = 0
F
2 9/2 z 0 2F3 1 2 2 9 F4 +F1
2F4
0
1/2
t
0
1 0 0
1
x=0
x t = 0
y=
2t = 0
Ker(A I4 ) = h(0, 1, 1, 0)i

z=
2y 2z + 8t = 0
t=0

0 0 0 0
x
0

1
0
0
1
y
0
x+t=0
2

Ker(A I4 ) =
1 4 4 3 z = 0 x 4y + 4z 3t = 0
0 0 0 0
t
0
x =

x = t
x = t
y =
4y = 4z 4t
y =zt
z=
t=
Ker(A I4 )2 = h(1, 1, 0, 1), (0, 1, 1, 0)i
Para calcular Ker(A I4 )3 primero tenemos que calcular (A I4 )3 :
0 0 0 0
1/2 0 0 1/2
1 0 0 1 0
0 0
2
(A I4 )3 =
1 4 4 3 1/2 2 2 9/2 =
0 0 0 0
1/2 0 0
1/2

0
0 0
0
0
1/2 + 1/2
0 0
1/2 + 1/2
0
=
1/2 + 4/2 3/2 8 8 1/2 8 + 36/2 3/2 = 0
0
0 0
0
0
0 0 0
0 0 0
8 8 8
0 0 0
Calculamos ahora Ker(A I4 )3 :

x
0
0 0 0 0
0
0
0
0
y
0
Ker(A I4 )3 =
0 8 8 8 z = 0 y z + t = 0 y = z t
0 0 0 0
t
0
x=
y =
Ker(A I4 )2 = h(0, 1, 0, 1), (0, 1, 1, 0), (1, 0, 0, 0)i

z=
t=
Elegimos ~v4 := (1, 0, 0, 0) y tenemos:
1/2
0
~v3 := (A I4 )~v4 =
1/2
1/2
0 0 1/2
1
1/2

0 0
2
0 = 0
2 2 9/2 0 1/2
0 0
1/2
0
1/2
108
~v3 Ker(A I4 )2 ya que 12 (1, 1, 0, 1) + 21 (0, 1, 1, 0) = ( 12 , 0, 21 , 21 ).

1/2 0 0 1/2
1/2
1/4 1/4
0
0
0 0
2 0
1
= 1
~v2 := (A I4 )~v4 =
=
1/2 2 2 9/2 1/2 1/4 1 + 9/4 1
1/2 0 0
1/2
1/2
1/4 + 1/4
0
~v2 pertenece al Ker(A I4 ) porque es incluso el
~v1 := (0, 0, 1, 0). Y entonces la matriz de paso es:
0 0
0 1
P =
1 1
0 0
Calculamos la inversa de la matriz P :
0 0 1/2 1 1 0 0 0
0 1
0
0 0 1 0 0
F1 =F3
1 1 1/2 0 0 0 1 0 F
3 =F4
F4 =F1
0 0 1/2 0 0 0 0 1
1 0 0 0 0 1 1 1
0 1 0 0 0 1 0 0
0 0 1 0 0 0 0 2
0 0 0 1 1 0 0 1
vector que forma su base. Solo nos falta definir

1/2
0
1/2
1/2
1
0
0
0
1
0
0
0
1 1/2
1
0
0 1/2
0 1/2
0
0
0
1
0
0
0
1
0
1
0
0
1
0
0
0
0
0
2 F3
F1 F
1
2F3
F4 +F3
0
Antes de calcular An tenemos que calcular J n . Probaremos haciendo J 2 ya que la matriz es casi
diagonal y es posible que sea nilpotente o idempotente. Una matriz A Mn (K) se dice nilpotente si
existe k N tal que Ak = 0. Una matriz idempotente es una matriz la cual es igual a su cuadrado.
1 0 0 0
1 0 0 0
0 1 1 0
= 0 1 2 1
J2 =
0 0 1 1
0 0 1 2
0 0 0 1
0 0 0 1
Con una sola potencia no sacamos nada en claro.
1 0 0 0
1 0
0 1 2 1 0 1
J3 =
0 0 1 2 0 0
0 0 0 1
0 0
0
1
1
0

0
1
0 0
=
1 0
1
0
0
1
0
0
0
3
1
0
0
3
3
1
Si nos fijamos, vemos que el elemento a11 cambia de signo segn si la potencia es par o impar, los
elementos a22 , a33 y a44 siempre valen 1, los elementos a23 y a43 se incrementan en una unidad con
cada potencia por tanto tienen el valor n de la potencia, el elemento a24 de la potencia J n es la suma
de los elementos a23 y a24 de la potencia J n1 (cmo se puede expresar este elemento?). Ahora
calculamos An :
0 0 1/2 1
(1)n 0 0 0
0 1 1 1
0 1
0
0
1 n ?
0
0 1 0 0 =
An = P J n P 1 =
1 1 1/2 0 0
0 1 n 0 0 0 2
0 0 1/2 0
0
0 0 1
1 0 0 1
109
8. Dada la matriz
8
0
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
8
0
8
1. Determine la forma cannica de Jordan J de la matriz. Debern mostrarse todos los

invariantes usados.
2. Determine una matriz inversible P tal que P AP 1 = J .
3. Calcule eJ .
1. (Qu son los invariantes?). Calculamos el polinomio caracterstico:

8 0
0
8
8

0
0
8
8

0 0
0 = 3 (8 )2
p() = 0
0
0
0
0

0
0
0
0 8
Igualando a cero obtenemos la ecuacin caracterstica p() = 3 (8 )2 = 0. Las races son 1 = 0,
triple, y 2 = 8, doble. Veamos la multiplicidad geomtrica de cada autovalor:
mg(0) = dim(P0 ) = dim(R5 ) rang(A 0I5 ) = 5 3 = 2 6= 3
0 0
0
8 8
0 8 0
8 8
mg(8) = dim(R ) rang(A 8I5 ) = 5 rang 0 0 8 0 0

= 5 4 = 1 6= 2
0 0
0 8 0
0 0
0
0 0
y por tanto no es diagonalizable. Entonces hay dos bloques elementales de Jordan asociados al autovalor 0, por lo que uno tendr que ser de orden 1 y el otro de orden 2, y uno solo asociado al 8, que
ser de orden 2. Entonces la nica posibilidad para la forma cannica de Jordan de la matriz A (salvo
el orden en el que se coloquen los autovalores) es:
0 0 0 0 0
0 0 1 0 0
0
0
0
0
0
J =
0 0 0 8 1
0 0 0 0 8
2.
0
0
(~v1 |~v2 |~v3 |~v4 )

0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
8
0
0 = A(~v1 |~v2 |~v3 |~v4 )
A~v1 = 0
A~v2 = 0
A~v3 = ~v2
(A 8I)~v4 = 0
(A 8I)~v5 = ~v4
110
0 0
0
8 8
x
0
t+s=0
0 8 0

8 8
y 0
y=0

Ker(A8I) :
Ker(A8I) = h(1, 0, 0, 0, 0)i
0 0 8 0 0 z = 0 z = 0
0 0
0 8 0
t
0
t=0
0 0
0
0 0
s
0

0 0 0 64
0
x
0
s=
0 64 0 128 64 y 0
ys=0
x=

z = 0
z
=
0
y=
0
0
64
0
0
Ker(A 8I)2 :
0 0 0
64
0
t
0
t=0
z=0
0 0 0
0
0
s
0
t=0
Ker(A 8I)2 = h(0, 1, 0, 0, 1), (1, 0, 0, 0, 0)i
8
0
Ker(A) :
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0

8
x
0
8 y 0
0 z = 0
0 t 0
8
s
0
x=0
y=
z = Ker h(0, 0, 1, 0, 0), (0, 1, 0, 0, 0)i
t=0
s=0
Tenemos que ~v5 Ker(A 8I)2 Ker(A 8I), por tanto, ~v5 := (0, 1, 0, 0, 1).

0 0
0
8 8
0
8
0 8 0
1 0
8
8

~v4 = (A 8I)~v5 =
0 0 8 0 0 0 = 0
0 0
0 8 0 0 0
0 0
0
0 0
1
0
~v3 Ker(A)2 Ker(A).
64 0
0 0
Ker(A)2 :
0 0
0 0
0 0

0 64 128
x
0
t=
y 0

0 0 64
z=

x+t=0
0 0
0 z = 0
y=
s=0
0
x =
0 0
0
t
0 0 64
s
0
s=0
Ker(A)2 = h(1, 0, 0, 1, 0), (0, 0, 1, 0, 0), (0, 1, 0, 0, 0)i

~v3 := (1, 0, 0, 1, 0).
8
0
~v2 = A~v3 =
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0

8
1
0
0 8
8

0
0 = 0
0 1 0
8
0
0
~v1 := (0, 0, 1, 0, 0).
0
0
P =
1
0
0
0 1 8 0
8 0 0 1
0 0 0 0
0 1 0 0
0 0 0 1

3.
0 1

1 1
0
0
0 1 1
=
;
e
=e
0 1
0 1
1 0
0 1
eJ =
0 0
0 0
0 0
111
8 1

8 8
e e
0
8
8 1 1
=
e
=e
0 1
0 e8
0 0 0
1 0 0
1 0 0
0 e8 e8
0 0 e8
112
2.9.
Ejercicios de examen del tema 2
1 (MAYO 2003). Determine la forma cannica de Jordan del endomorfismo de R3 dado por las
condiciones f (1, 0, 0) = 12 (3, 0, 1), f (0, 1, 0) = (0, 2, 0) y f (0, 0, 1) = 21 (1, 0, 3).
Tenemos en cuenta la propiedad: autovalor de A k autovalor de kA.

3
3 0 1
0
1

1
4
0 = (3 )2 (4 ) (4 ) =
A = 0 4 0 ; p(2) = 0
2
1
1 0 3
0
3
62
6 36 32
2
2
=
= (4 )(9 6 + 1) = (4 )( 6 + 8); 2 =
2
2
21 = 4, 22 = 2; p(2) = ( 4)2 ( 2) p() = ( 2)2 ( 1)
Comprobamos la multiplicidad geomtrica del autovalor 2:
1/2 0 1/2
0
0 = 3 1 = 2 = ma(2)
mg(2) = 3 rang 0
1/2 0 1/2
La matriz es diagonalizable y, por tanto, la forma cannica de Jordan coincide con la matriz diagonal:
1 0 0
J = 0 2 0
0 0 2
2 (ENERO 2006). Considere el endomorfismo en R3 dado por f (e1 ) = e1 , f (e2 ) = ae1 + e2
y f (e3 ) = e1 + e2 + 2e3 , donde a R y {e1 , e2 , e3 } es la base cannica de R3 .
a) Para qu valores del parmetro a es f diagonalizable?
b) Calcule su forma cannica de Jordan para a = 1, as como eA .
a)

1
1 a 1
a
1

1
1 = (1 )2 (2 )
A = 0 1 1 ; p() = 0
0
0 0 2
0
2
0 a 1
mg(1) = 3 rang 0 0 1
0 0 1
Para a 6= 0, mg(1) = 3 2 = 1 6= ma(1), y la matriz no es diagonalizable. Para a = 0, mg(1) =
3 1 = 2 = ma(1) y la matriz es diagonalizable ya que la multiplicidad algebraica de cada autovalor
coincide con su multiplicidad geomtrica.
b) Para a = 1, mg(1) = 1 por tanto tenemos una caja de Jordan asociada al autovalor 1:
1 1 0
J = 0 1 0 ,
0 0 2
e e 0
eJ = 0 e 0
0 0 e2
113
3 (ENERO 2006). Encuentre los valores de los parmetros reales y para los que el endomorfismo en R3 de matriz:
2 1 +
0
A=
2 2 2 + 2
es diagonalizable. Diagonalice en esos casos el endomorfismo y encuentre una matriz de paso.

2

1
= ( )
=
0
0
p() =

2 2
+ 2

2 2
2
+ 2

1

1 +
2
2
= ( )

= ( )
1 + 2 = ( ) 0 =
+ 2
= ( )2 ( )
Para = tenemos un solo autovalor de multiplicidad algebraica 3. Calculamos su multiplicidad
geomtrica:
1
0
0 1 0
0 ;
mg() = 3 0 0 0 = 3 1 = 2 6= ma() = 3
A= 0
0
2
0 2 0
La matriz no es diagonalizable para = . Para 6= :
1 +
= 3 1 = 2 = ma()
0
0
mg() = 3 rang 0
2 2 2 2 + 2
0 0
D 0 0 , para todo R, R, 6= .
0 0

1 +
x
0
0
0
0
y = 0 ( )x = y ( + )z
P = Ker(A I) :
2 2 2 2 + 2
z
0
1

x = +
1
1
y+z
P = (1, 0, 1),
, 1, 0
x=
y=
z=

2 2
1
+
x
0
0
y = 0
P = Ker(A I) :
2 2
2
+
z
0

2( )x = ( )
x = 12
(2 2)x + y + ( + )z = 0
y=0
y=0
( )y = 0
z=
z=

1
P =
, 0, 1
2
114
1
1/2
1
P = 0
1
0
1
0
1
4 (ENERO 2009). Sea el endomorfismo de R4 dado por f (x, y, z, t) = (t, z, y, x). Encuentre
una base en la que la matriz de f est formada por bloques elementales de Jordan.

0

0 0 0 1
0
1

1

0 1
0

0 0 1 0

0
; p() = 0 1
1 0 1 0 1 =
A=
=
0

0 1 0 0
1 0

0
1 0
0
0

1 0 0 0
1
0
0

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

= ( 1)
1 1
1
0
0
1
1 1
0
= 4 2 = 2 = ma(1)
1 1 0
0
0 1
1 0 0 1
0 1 1 0
mg(1) = 4 rang
0 1 1 0 = 4 2 = 2 = ma(1)
1 0 0 1
1
0
mg(1) = 4 rang
0
1
El endomorfismo es diagonalizable.

x
0
x=
1 0
0
1
0 1 1
0 y 0
x=t
y=
P1 = Ker(A I) :
=
1 1 0
z
0
y=z
z=
1
0
0 1
t
0
t=
P1 = h(1, 0, 0, 1), (0, 1, 1, 0)i
1
0
P2 = Ker(A + I) :
0
1
0
1
1
0
0
1
1
0

1
x
0
x =
y 0
0
x
=
t
y =
=
0
z
0
y = z
z=
1
t
0
t=
P1 = h(1, 0, 0, 1), (0, 1, 1, 0)i
1 0 0 0
0 1 0 0
;
D=
0
0 1 0
0
0 0 1
1 0 1 0
0 1 0 1
P =
0
1 0 1
1
0 1 0
La base pedida es B = {(1, 0, 0, 1), (0, 1, 1, 0), (1, 0, 0, 1), (0, 1, 1, 0)}.
115
5 (MAYO 2010). Dada la matriz
8
0
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
8
0
8
1. Determine la forma cannica de Jordan J de la matriz. Debern mostrarse todos los

invariantes usados.
2. Determine una matriz inversible P tal que P AP 1 = J .
3. Calcule eJ .
Resuelto en el ejericicio 8 de la pgina 109.
6 (ENERO 2011). Analice para qu valores del parmetro real k el endomorfismo f en R3 de
matriz
2 0 1
A = k 2 k
0 0 1
en la base cannica es diagonalizable. Calcule eA cuando k = 1, dejando sin realizar la inversa
de la matriz de paso.

2

0
1

2

0
= (1 )(2 )2
p() = k 2 k = (1 )

k
2
0
0
1
0 0 1
mg(2) = 3 rang k 0 k
0 0 1
Si k = 0, mg(2) = 3 1 = 2 = ma(2). Si k 6= 0, mg(2) = 3 2 = 1 6= ma(2) = 2. Cuando k = 1
f no es diagonalizable.
1 0 0
1 0 0
(A I)~v1 = 0
(A 2I)~v2 = 0
(~v1 |~v2 |~v3 ) = 0 2 1 = A(~v1 |~v2 |~v3 )
J = 0 2 1 ;
0 0 2
(A 2I)~v3 = ~v2
0 0 2
~v3 Ker(A 2I)2 \ Ker(A 2I), ~v2 Ker(A 2I), ~v1 Ker(A I).

0 0 1
x
0
z=0
Ker(A 2I) : 1 0 1 y = 0
Ker(A 2I) = h(0, 1, 0)i
x=0
0 0 1
z
0

0 0 1
x
0
2
y = 0 z = 0 Ker(A 2I)2 = h(0, 1, 0), (1, 0, 0)i

Ker(A 2I) : 0 0 0
0 0 1
z
0
116

1 0 1
x
0
x+z =0
y = 0
Ker(A I) : 1 1 1
Ker(A I) = h(1, 0, 1)i
y=0
0 0 0
z
0
~v3 := (1, 0, 0).

0 0 1
1
~v2 := (A 2I)~v3 = 1 0 1 0
0 0 1
0
~v1 := (1, 0, 1).
1 0 1
0 1 0 ;
P =
1
0 0
2 1

0
2
2 1 1
e
=e
0 1
1
1 0 1
1 0 1
e 0 0
eA = P eJ P 1 = 0 1 0 0 e2 e2 0 1 0
1
0 0
0 0 e2
1
0 0
7 (SEPTIEMBRE 2011). Dada la matriz:
0 4
0
1
0 2
0
0
A=
0 0
0
0
4 8 12 4
a) Determine la forma cannica de Jordan J de la matriz.
b) Determine una matriz inversible P tal que P AP 1 = J .
c) Calcule eJ .
a)

4

0
1

4

1
0 2 0

0
= (2 ) 0
0 =
p() =

0
0
0
4 12 4
4
8
12 4

1
16 16
4
2
= (2 )(4 + + 4); =
= 2; p() = ( 2)3
= (2 )
4 4
2

2 4 0

0
0
0
mg(2) = 4 rang
0
0
2

4
8 12
0 0
0 2
J =
0 0
0 0

1
0
= 4 2 = 2 6= ma(2) = 3
0
2
0 0
1 0
2 0
0 2
117
b)
0
0
(~v1 |~v2 |~v3 |~v4 )
0
0
0
2
0
0
0
1
2
0
0
=
A(~
v
|~
v
|~
v
|~
v
)
1 2 3 4
0
(A 0I)~v1
(A 2I)~v2
(A 2I)~v3
(A 2I)~v4
=0
=0
= ~v2
=0

2 4 0 1
x
0
t = 2
2x + 4y + t = 0
y=
0
0
0 y 0
Ker(A 2I) :
=
0
0 2 0 z 0
z=0
x = 2
4
8 12 2
t
0
z=0
Ker(A 2I) = h(1, 0, 0, 2), (2, 1, 0, 0)i
0
Ker(A 2I)2 :
0
0

0 12 0
x
0
y 0
0 0 0
= z = 0
0 4 0 z 0
0 0 0
t
0
t=
y=
x=
z=0
Ker(A 2I)2 = h(0, 0, 0, 1), (0, 1, 0, 0), (1, 0, 0, 0)i
0 4 0 1
x
0
t=0
0 2

0
0
y = 0
y = 0 Ker(A 0I) = h(3, 0, 1, 0)i
Ker(A 0I) :
0 0
0
0 z 0
x = 3z
4 8 12 4
t
0
~v3 := (1, 0, 0, 0).

2 4 0 1
1
2
0
0 0
0
0
0
=
~v2 := (A 2I)~v3 =
0
0 2 0 0 0
4
8 12 2
0
4
~v1 := (3, 0, 1, 0), ~v4 = (2, 1, 0, 0).
3 2 1 2
0 0 0 1
P =
1 0 0 0
0 4 0 0
c)
1 0 0 0
0 e2 e2 0
eJ =
0 0 e2 0
0 0 0 e2
118
Tema 3
Espacio afn y eucldeo. Movimientos
3.1.
Formas bilineales
Sea V un espacio vectorial sobre un cuerpo K. Llamamos forma bilineal a toda aplicacin
f : V V K
(~u, ~v ) 7 f (~u, ~v )
que verifica:
1. f (~u, ~v + w)
~ = f (~u, ~v ) + f (~u, w)
~
~u, ~v , w
~ V y , K.
2. f (~u + ~v , w)
~ = f (~u, w)
~ + f (~v , w)
~
~u, ~v , w
~ V y , K.
es decir, una aplicacin f : V V K es una forma bilineal si es lineal en cada una de sus
componentes.
Al conjunto de las formas bilineales lo denotamos por L 2 (V 2 ; K)
Ejemplo 11. Dado R2 , la aplicacin f : R2 R2 R definida por
f : R2 R2 R
((x1 , x2 ), (y1 , y2 )) 7 x1 y2
es una forma bilineal, ya que para todo (x1 , x2 ), (y1 , y2 ), (z1 , z2 ) R2 y , K se tiene que
f ((x1 , x2 ) + (y1 , y2 ), (z1 , z2 )) = f ((x1 + y1 , x2 + y2 ), (z1 , z2 )) = (x1 + y1 )z2 = x1 z2 +
+ y1 z2 = f ((x1 , x2 ), (z1 , z2 )) + f ((y1 , y2 ), (z1 , z2 ))
con lo que queda comprobada la linealidad en la primera variable (o primer argumento) y, anlogamente, se comprobara la linealidad en la segunda variable (o segundo argumento).
Ejemplo 12. Comprobar que las siguientes aplicaciones son bilineales:
1. f : R2 R2 R definida como f [(a, b), (c, d)] = ac + bd.
2. f : R2 R2 R definida como f [(a, b), (c, d)] = ad bc.
3. f : Kn Kn K definida como f (X, Y ) = X t AY , con A Mn (K).
1. Veamos si f es una aplicacin lineal en la primera variable:
f ((a1 , b1 ) + (a2 , b2 ), (c, d)) = f ((a1 + a2 , b1 + b2 ), (c, d)) = (a1 + a2 )c + (b1 +
+ b2 )d = (a1 c + b1 d) + (a2 c + b2 d) = f ((a1 , b1 ), (c, d)) + f ((a2 , b2 ), (c, d))
119
120
TEMA 3. ESPACIO AFN Y EUCLDEO. MOVIMIENTOS
Y por tanto, es lineal en la primera variable. Anlogamente se comprobara que es lineal en la segunda
variable y entonces, f es una aplicacin bilineal.
2. Igual que antes comprobamos la linealidad en la primera variable:
f ((a1 , b1 ) + (a2 , b2 ), (c, d)) = f ((a1 + a2 , b1 + b2 ), (c, d)) = (a1 + a2 )d (b1 +
+ b2 )c = (a1 d b1 c) + (a2 d b2 c) = f ((a1 , b1 ), (c, d)) + f ((a2 , b2 ), (c, d))
Anlogamente se comprobara en la segunda variable, por lo que f es una aplicacin bilineal.
3. Comprobamos la linealidad en la primera variable:
f (X + Z, Y ) = (X + Z)t AY = (X t + Z t )AY = X t AY + Z t AY =
= f (X, Y ) + f (Z, Y )
Anlogamente se comprobara la linealidad en la segunda variable, por lo que f es una aplicacin
bilineal.
Teorema 7. Sea f : V V K una forma bilineal. Entonces:
f (~u, ~0) = f (~0, ~u) = 0
~u V
Definicin 15. Se dice que una forma bilineal f : V V K es simtrica (Ls2 (V 2 ; K)) si verifica
que
f (~u, ~v ) = f (~v , ~u)
~u, ~v V
Ejemplo 13. La forma bilineal f : R2 R2 R definida por f [(x1 , x2 ), (y1 , y2 )] = x1 y1 + x2 y2
es simtrica puesto que:
f ((x1 , x2 ), (y1 , y2 )) = x1 y1 + x2 y2 = y1 x1 + y2 x2 = f ((y1 , y2 ), (x1 , x2 ))
Definicin 16. Se dice que una forma bilineal f : V V K es antisimtrica (La2 (V 2 ; K)) si
verifica que
f (~u, ~v ) = f (~v , ~u)
~u, ~v V
Proposicin 8. Una forma bilineal f : V V K es alternada si y slo si f (~u, ~u) = 0 para todo
~u V .
Definicin 17. Un cuerpo K de caracterstica n es aquel cuerpo en el que se cumple
n ~u = 0
~u K
Por ejemplo, el cuerpo de los reales tiene caracterstica 0.

Proposicin 9. Dada f L 2 (V 2 ; K), si la caracterstica de K es distinta de 2, entonces f es alternada si y solo si f es antisimtrica.
Ntese que si la caracterstica del cuerpo es 2 se tiene que 2x = 0 x + x = 0 x = x, luego
los conceptos de forma bilineal simtrica y antisimtrica son indistinguibles.
3.1. FORMAS BILINEALES
121
Proposicin 10. Si K es un cuerpo de caracterstica distinta de 2, tenemos que:

L2s (V 2 ; K) La2 (V 2 ; K) = L 2 (V 2 ; K)
L2s (V 2 ; K) y La2 (V 2 ; K) son subespacios vectoriales de L2 (V 2 ; K).
Ejemplo 14. La forma bilineal f : R2 R2 R definida por f [(x1 , x2 ), (y1 , y2 )] = x1 y2 x2 y1
es antisimtrica puesto que:
g((x1 , x2 ), (y1 , y2 )) = x1 y2 x2 y1 = (y1 x2 y2 x1 ) = g((y1 , y2 ), (x1 , x2 ))
Definicin 18. Dada f L 2 (V 2 ; K), se dice que es no degenerada a la izquierda si f (~a, ~u) = 0 para
todo ~u V , implica que ~a = 0. Anlogamente se define no degenerada a la derecha.
Corolario: En dimensin finita, una forma bilineal es no degenerada a la izquierda si, y slo si, es
no degenerada a la derecha, y en ese caso se dice simplemente no degenerada.
0 1 0
Ejemplo 15. Sea M = 1 1 1 y f la forma bilineal dada por f (~
u, ~
v ) = (~
u)t M~
v . Prue0 0 1
ba que f no es degenerada.
Consideramos ~a = (a1 , a2 , a3 ) y ~u = (x1 , x2 , x3 ) dos vectores de R3 . Supongamos f (~a, ~u) = 0 ~u
R3 . De la igualdad (~a)t M~u = 0, es decir,

0
1
0
x1

a1 a2 a3 1 1 1 x2 = 0
0 0 1
x3
deducimos (a1 , a2 , a3 ) = (0, 0, 0), luego ~a = ~0, es decir, f es no degenerada a la izquierda. Segn el
corolario anterior, la aplicacin f es no degenerada.
3.1.1.
Perpendicularidad u ortogonalidad
Definicin 19. Dados ~u, ~v V , se dice que ~u es perpendicular u ortogonal a ~v con respecto a f si
f (~u, ~v ) = 0 (~uf ~v ).
Definicin 20. Dado S V y ~u V , se dice que ~u es perpendicular u ortogonal a S con respecto a
f si f (~u, ~v ) = 0 para todo ~v S.
Definicin 21. El subespacio formado por todos los elementos perpendiculares a S se denomina
f
ortogonal de S con respecto de f por la izquierda y se denota por S
f
S = {~u V |f (~u, ~v ) = 0; ~v S}
De igual modo se define ortogonal de S con respecto a f por la derecha

f
S = {~u V |f (~v , ~u) = 0; ~v S}
122
Proposicin 11. Si f es una forma bilineal simtrica o alternada, entonces tenemos que:
f
S = S
Definicin 22. Se denomina ncleo por la izquierda de f al subespacio

f
Keri (f ) := {~u V = f (~u, ~v ) = 0; ~v V } = V

Anlogamente se define el ncleo por la derecha de f como
Kerd (f ) := {~u V = f (~v , ~u) = 0; ~v V } = V
Proposicin 12. Si f es una forma bilineal simtrica o alternada, ambos subespacios coinciden y se
denominar ncleo radical de f .
Definicin 23. Se dice que f es no degenerada a la izquierda si Keri (f ) = {0}.
Anlogamente se define no degenerada a la derecha.
Definicin 24. Se dice que f , simtrica o alternada, es no degenerada si el ncleo o radical es el 0, es
decir,
si f (~u, ~v ) = 0 ~v V ~u = 0
Definicin 25. Un vector ~v V se dice isotrpico si f (~v , ~v ) = ~0.
Definicin 26. Un subespacio S se dice totalmente isotrpico si est formado nicamente por vectores isotrpicos.
(Qu ocurre si f es alternada?)
3.1.2.
Matriz asociada a una forma bilineal en una base B
Definicin 27. Sea V un espacio vectorial sobre un cuerpo K, y sea f : V V K una forma
bilineal. Si B = {~v1 , ~v2 , . . . , ~vn } es una base de V entonces, dados dos vectores ~x, ~y V tenemos
que

f (~v1 , ~v1 ) f (~v1 , ~vn )
y1
.
.
.
t
.
..
..
..
f (~x, ~y ) = (~x) A~y = x1 x2 xn
..
f (~vn , ~v1 )
f (~vn , ~vn )
yn
donde la matriz A = (f (~vi , ~vj )) de orden n definida sobre K recibe el nombre de matriz de la forma
bilineal f en la base B (A = MB (f )).
Ejemplo 16. Sea f : R3 R3 7 R una forma bilineal denida como
f [(x1 , x2 , x3 ), (y1 , y2 , y3 )] = 2x1 y1 3x1 y2 + 6x1 y3 + x2 y3 + 2x3 y1 x3 y2
Calcular la expresin matricial de f en la base cannica de R3 y en la base B = {(2, 0, 0), (0, 1, 0), (1, 0, 1
Definicin 28. Se denomina rango de una forma bilineal al rango de cualquiera de las matrices asociadas a la forma bilineal.
123
Definicin 29. Si dim V = n y f : V V K es una forma bilineal de rango menor que n, se dice
que la forma es degenerada. Si el rango de f es n es no degenerada.
Nota: la condicin necesaria y suficiente para que una forma bilineal sea degenerada es que |A| = 0,
siendo A cualquier matriz asociada a la forma bilineal.
Proposicin 13. Sea V un espacio vectorial de dimensin finita n, entonces las siguientes condiciones son equivalentes:
f
1. V = 0.
2.
V = 0.
3. La matriz asociada a f es regular.

Ntese que no hace falta que sea simtrica o alternada.
Proposicin 14. Sea f L 2 (V 2 ; K). Se tiene que:
1. Si f es una forma bilineal simtrica la matriz asociada a f es simtrica, es decir At = A.
2. Si f es una forma bilineal antisimtrica la matriz asociada a f es antisimtrica, es decir At =
A.
Teorema 8. Sea V un espacio vectorial de dimensin n sobre el cuerpo K y sea f : V V K una
forma bilineal. Si A es la matriz asociada a f en la base B de V y B es la matriz asociada a f en la
base B 0 de V entonces se verifica que
B = P t AP
donde P = PBB 0 es la matriz de cambio de base de B a B 0 (A y B son matrices congruentes).
Ejemplo 17. Sea f : R3 R3 R una forma bilineal definida como
f [(x1 , x2 , x3 ), (y1 , y2 , y3 )] = 2x1 y1 3x1 y2 + 6x1 y3 + x2 y3 + 2x3 y1 x3 y2
Calcular la expresin matricial de f en la base cannica de R3 y en la base B = {(2, 0, 0),
(0, 1, 0), (1, 0, 1)}.
Si denotamos mediante C = {e1 , e2 , e3 } a la base cannica, para la matriz hay que calcular f (e1 , e1 ),
f (e1 , e2 ), . . . , f (e3 , e3 ). Con ellos la matriz es:
f ((1, 0, 0), (1, 0, 0)) = 2
f ((1, 0, 0), (0, 1, 0)) = 3
f ((1, 0, 0), (0, 0, 1)) = 6
f ((0, 1, 0), (1, 0, 0)) = 0

2 3 6
f ((0, 1, 0), (0, 1, 0)) = 0 A = MC (f ) = 0 0 1
f ((0, 1, 0), (0, 0, 1)) = 1
2 1 0
f ((0, 0, 1), (1, 0, 0)) = 2
f ((0, 0, 1), (0, 1, 0)) = 1
f ((0, 0, 1), (0, 0, 1)) = 0
124
Nota: respecto de la base cannica, a partir de la expresin de la forma bilineal se puede escribir la
matriz directamente, (sin clculos) porque atiende a la siguiente regla nemotcnica: enumerando
las filas con las componentes de ~x y las columnas con las de ~y , los elementos de la matriz son los coeficientes del producto de las componentes de ~x e ~y . As a11 es el coeficiente de x1 y1 , a12 el coeficiente
de x1 y2 , etc. . . pero ojo! slo es as para la matriz respecto de la base cannica.
Para calcular la matriz respecto de la base B hay dos vas: calculando directamente las imgenes de
los pares de vectores a partir de la expresin de f , tal como hacamos en las aplicaciones lineales solo
que ahora es ms laborioso, o a travs de la matriz P de cambio de base de B a C. Optamos por esta
segunda va. Realcese como ejercicio por la primera y comprubese que se obtiene la misma matriz.
La matriz de cambio de base de B a C es
2 0 1
P = 0 1 0
0 0 1
As la matriz A0
2 0
A0 = 0 1
1 0
3.1.3.
= MB (f ) de f respecto de la base B 0 es A0

0
2 3 6
2 0 1
4 6
0 0 0 1 0 1 0 = 0 0
1
2 1 0
0 0 1
4 4
= P t AP y vale
12
2 0 1
8 6 16
1 0 1 0 = 0 0 1
6
0 0 1
4 4 10
Bases ortogonales
Definicin 30. Se dice que V es suma directa ortogonal de U1 y U2 si es suma directa de U1 y U2 y

f (~x, ~y ) = 0 para todos ~x U1 e ~y U2 .
V = U1 f U2 = U1 U2
Definicin 31. Dada f , bilineal simtrica, se dice que {~v1 , ~v2 , . . . , ~vn } es una base ortogonal si f (~vi , ~vj ) =
0 si i 6= j.
Definicin 32. Dada f , bilineal simtrica, se dice que {~v1 , ~v2 , . . . ~vn } es una base ortonormal si
f (~vi , ~vj ) = 0 si i 6= j y f (~vi , ~vi ) = 1 para todo i.
Proposicin 15. Sea f aplicacin bilineal simtrica o alternada, no degenerada y U subespacio de V .
Entonces son equivalentes:
1. f es no degenerada sobre U (la restriccin de f a U . En este caso U se dice que es un subespacio
vectorial no degenerado).
2. U + U = V
3. U U = V
4. f no es degenerada sobre U
Teorema 9. Si f es una aplicacion bilineal simtrica, entonces existe una base B respecto a la cual
la matriz asociada de f es diagonal. Dicha base es una base ortogonal.
125
Definicin 33. Dada f bilineal simtrica, se denomina rango al nmero de valores distintos de cero
de la matriz diagonal asociada.
Proposicin 16. La dimensin del ncleo de f ser:
dim(Ker f ) = n rang(A)
Proposicin 17. Sea f : V V K una forma bilineal simtrica y X un subespacio vectorial de V
tal que la restriccin de f a X es no degenerada. Entonces existe un subespacio vectorial Y de V tal
que V = X Y .
Definicin 34. Dados ~x = (~x1 , . . . , ~xn ) e ~y = (y1 , . . . , yn ) en la base cannica, se define producto
escalar euclideo a
n
X
f (~x, ~y ) =
xi yi
i=1
3.1.4.
Diagonalizacin usando vectores no isotrpicos
Ejemplo 18. Diagonaliza la forma bilineal simtrica cuya matriz en la base cannica es
1 0 2
A = 0 1 1 .
2 1 0
Buscamos ~v1 no isotrpico, por ejemplo (1, 0, 0).

1
1 0 2
1
1 0 0 0 1 1 0 = 1 0 2 0 = 1 6= 0
2 1 0
0
0
Calculamos el subespacio ortogonal a ~v1 , h~v1 i = {~x R3 : f (~v1 , ~x) = 0}

x
x = 2
1 0 2
x
1 0 0 0 1 1
y = 1 0 2
y = x + 2z = 0
y=
2 1 0
z
z
z=
resultando h~v1 i = h(2, 0, 1), (0, 1, 0)i. Tomamos ~v2 := (0, 1, 0) y comprobamos si cumple que
f (~v2 , ~v2 ) 6= 0:

1
0
2
0

0
0 1 0 0 1 1 1 = 0 1 1 1 = 1 6= 0
2 1 0
0
0
Ahora calculamos h~v1 , ~v2 i = h~v3 i, para lo cual, calculamos

1
0
2
x

x
0 1 0 0 1 1 y = 0 1 1 y = y + z = 0
2 1 0
z
z
126
y entonces tenemos que

h~v1 , ~v2 i =
x = 2
x + 2z = 0
y=
=
= h(2, 1, 1)i =: h~v3 i
y + z = 0
z=
Calculamos f (~v3 , ~v3 ):

1
0
2
2

2
2 1 1 0 1 1 1 = 0 0 3 1 = 3
2 1 0
1
1
f (~v3 , ~v3 ) puede ser 0 ya que ~v3 es el ltimo vector y no tiene que ser no isotrpico. La base ortogonal
ser por tanto B = {~v1 , ~v2 , ~v3 }.
La matriz respecto de la nueva base ser
1 0
0
MB (f ) = 0 1 0
0 0 3
y la matriz de paso
1 0 2
P = 0 1 1
0 0 1
3.2.
Formas cuadrticas
Definicin 35. Dado un espacio vectorial V sobre un cuerpo K y una forma bilineal f sobre V , a
la funcin q : V K, definida por q(~x) = f (~x, ~x) para todo ~x V , se le llama forma cuadrtica
asociada a f .
Ejemplo 19. Consideremos la forma bilineal f : R2 R2 R definida por:
f ((x1 , x2 ), (y1 , y2 )) = x1 y2 + x2 y1
La forma cuadrtica asociada a f es la aplicacin
q : R2 7 R
dada por:
q(x1 , x2 ) = 2x1 x2
Ejemplo 20. Consideremos la forma bilineal f en R2 definida por:
f ((x1 , x2 ), (y1 , y2 )) = 2x1 y2
La forma cuadrtica asociada a f es, igual que antes,
q(x1 , x2 ) = 2x1 x2
3.2. FORMAS CUADRTICAS
127
Observacin: Distintas formas bilineales pueden dar lugar a una misma forma cuadrtica.
La forma cuadrtica puede expresarse matricialmente como:

x1
..
q((x1 , . . . , xn )B ) = (x1 , . . . , xn )B A .
xn
donde A es la matriz asociada a la forma bilineal f respecto de una base B de V , es decir MB (q) =
MB (f ).
Ejemplo 21. Determinar qu funciones q : Rn R de las siguientes son formas cuadrticas
en R.
1. n = 2, q(x, y) = x2 + 2xy + y 2 .
2. n = 2, q(x, y) = x2 + 2xy + y 2 + 1.
3. n = 3, q(x, y, z) = x2 + y 2 + z 2 .
4. n = 3, q(x, y, z) = x2 + y 2 + z 2 + 4xz.
Definicin 36. Dada una forma cuadrtica q : V K, la forma simtrica f : V V K definida
como
1
f (~x, ~y ) = (q(~x + ~y )) q(~x) q(~y )
2
para todo (~x, ~y ) V V , se denomina forma polar de la forma cuadrtica q.
Consecuencia de su definicin tenemos que:
1. q(x) = 2 q(x).
2. q(x + y) = q(x) + q(y) + f (x + y) + f (y, x).
3. MB0 (q) = P t MB P (cambio de base).
4. rang(r) = rango de cualquier matriz asociada a q.
5. q es no degenerada si la forma polar f es no degenerada.
3.2.1.
Formas cuadrticas reales
Dado un espacio vectorial V de dimensin n y q : V R una forma cuadrtica

q es definida positiva si q(~v ) > 0, para todo ~v V, (v 6= 0).
q es definida negativa si q(~v ) < 0, para todo ~v V, (v 6= 0).
Nota: Toda forma cuadrtica definida es no degenerada.
q es semidefinida positiva si q(~v ) 0, para todo ~v V, (v 6= 0).
q es semidefinida negativa si q(~v ) 0, para todo ~v V, (v 6= 0).
q es indefinida en cualquier otro caso, es decir, cuando toma valores negativos y positivos.
128
3.2.2.
Diagonalizacin de formas cuadrticas
Definicin 37. Dada una forma cuadrtica q : V K, se dice que es diagonalizable si existe una
base B tal que
q(~v ) = 1 1 (~v )2 + + n n (~v )2
Definicin 38. Se define rango (r) de una matriz diagonal asociada a una forma cuadrtica como el
nmero de elementos no nulos.
Teorema 10 (Ley de inercia de Sylvester). Todas las matrices diagonales asociadas a una misma
forma cuadrtica real tienen el mismo nmero de elementos positivos, negativos y nulos.
Definicin 39. Se llama signatura (s) de una forma cuadrtica al nmero de elementos positivos de
una matriz diagonal asociada, siendo invariante.
Proposicin 18. Sean r y s el rango y la signatura de una forma cuadrtica real q, entonces:
0 s r n.
Si 0 = s < r < n, q es semidefinida negativa.
Si 0 = s < r = n, es definida negativa.
Si 0 < s < r, es indefinida.
Si 0 < s = r < n, semidefinida positiva.
Si 0 < s = r = n, definida positiva.
Teorema 11 (Teorema del eje principal). Sea A una matriz simtrica. Entonces todos sus autovalores son reales y adems se tiene que:
A = P DP 1
siendo D, diagonal y P una matriz ortogonal (P 1 = P t ).
Nota: Los vectores columna de la matriz P deben ser ortonormales segn el producto escalar eucldeo.
Ejemplo 22. Diagonaliza ortogonalmente la forma cuadrtica definida por
3 1 0
A = 1 3 0 .
0
0 2
Calculamos primeramente el polinomio caracterstico

3 1

0

0 = (3 )2 (2 ) (2 ) = (2 )[(3 )2
p() = |A I3 | = 1 3
0
0
2
1] = (2 )(9 6 + 2 1) = (2 )(2 6 + 8)
129
Calculamos las races de la ecuacin caracteristica:
6 4
62
6 36 32
=
=
; 1 = 4, 2 = 2
=
2
2
2
Entonces el polinomio caracterstico queda: p() = ( 4)( 2)2 . Posteriormente calculamos los
subespacios propios correspondientes a 4 y 2.

1 1 0
x
0
x=
x y = 0
y =
Ker(A 4I3 ) : 1 1 0 y = 0
2z = 0
0
0 2
z
0
z=0

1 1 0
x
0
x=
y=
Ker(A 2I3 ) : 1 1 0 y = 0 x y = 0
0
0 0
z
0
z=
Resultando los subespacios generados por h(1, 1, 0)i y h(1, 1, 0), (0, 0, 1)i respectivamente. En ultima instancia normalizamos dichos vectores, obteniendo

1
1 1
1
, , 0 , , , 0 , (0, 0, 1)
2
2
2 2
4 0 0
D = 0 2 0
0 0 2
1
2
1
2
P =
1
2
1
2
0
0
1
verificndose que D = P M P t y P P t = I3 .
3.2.3.
Diagonalizacin usando operaciones elementales (por congruencia)
La diagonalizacin ortogonal mediante el polinomio caracterstico, puede ser dificil (o imposible en

ocasiones) de llevar a cabo, pues supone encontrar las races de dicho polinomio.
Sin embargo, como se buscan matrices diagonales que sean congruentes y no es necesario que tambin sean semejantes, es posible disponer de otros mtodos ms sencillos pero igualmente eficaces
para obtener una matriz diagonal, como es mediante vectores no isotrpicos (ya visto) o mediante
operaciones elementales.
Para diagonalizar realizando operaciones elementales, ampliaremos la matriz de la forma cuadrtica
con la matriz identidad. El mtodo es totalmente anlogo al mtodo de Gauss para obtener la inversa
de una matriz, con la salvedad de que cada transformacin que se haga por filas en la matriz, hay
que hacerla tambin por columnas y no es necesario obtener unos en la diagonal principal (slo ceros
fuera). La matriz identidad slo se ve afectada por las operaciones que realicemos por filas. Despus
de dicha manipulacin, la matriz identidad se convierte en la matriz P t de forma que D = P t AP ,
siendo P la matriz de paso, de forma que sus columnas son las coordenadas de los vectores de la
nueva base en la antigua. Hay que tener en cuenta que este mtodo slo es posible cuando la matriz
de partida A es simtrica, ya que toda matriz congruente de una matriz simtrica es tambin simtrica,
y lo que buscamos es una matriz diagonal y las matrices diagonales son simtricas.
130
Ejemplo 23. Diagonaliza la forma cuadrtrica q(x, y, z) = x2 + 2y 2 + 4z 2 + 2xy 4yz,

donde las coordenadas estn dadas respecto a la base cannica.
1 1
0 1 0 0
1 1
0
1 0 0
1 0
0
1 0 0
2 F1
2 C1
1 2 2 0 1 0 F
0 1 2 1 1 0 C
0 1 2 1 1 0
0 2 4 0 0 1
0 2 4
0 0 1
0 2 4
0 0 1
1 0 0
1 0 0
1 0 0 1 0 0
F3 +2F2
C3 +2C2
0 1 2 1 1 0 0 1 0 1 1 0
0 0 0 2 2 1
0 0 0 2 2 1
Por tanto, tenemos que:
1 0 0
D = 0 1 0
0 0 0
1 1 2
2
P = 0 1
0 0
1
Siendo por tanto la nueva base h(1, 0, 0), (1, 1, 0), (2, 2, 1)i, y la forma cuadrtica, respecto de esta
base ser q(r, s, t) = r2 + s2 , siendo (r, s, t) las coordenadas de un vector cualquiera.
Ejemplo 24. Estudia los subespacios totalmente isotrpicos de (R3 , q) con q la forma cuadrtica dada por q(x, y, z) = x2 + y 2 z 2 , en la base cannica.
Sea C la base cannica de R3 la matriz de la forma cuadrtica ser
1 0 0
MC (f ) = 0 1 0
0 0 1
Si ~v R3 de coordenadas (x, y, z) es isotrpico, entonces

1
0
0
x
x

x y z 0 1 0 y = 0 x y z y = 0 x2 + y 2 z 2 = 0
z
0 0 1
z
Por tanto z 2 = x2 + y 2 . El conjunto I = {(x, y, z) R3 : z 2 = x2 + y 2 } es un cono. Sea S un
subespacio totalmente isotrpico. La dimensin de S podra ser 0, 1, 2, 3. No puede ser 3, porque R3
tiene vectores no isotrpicos. Tampoco es cero, porque al menos hay un vector isotrpico. Puede ser
1, que correspondera a las generatrices del cono. No puede ser 2 porque tendramos un plano que
tendra que estar contenido en el cono. Por lo tanto,la dimensin es 1. (No entiendo nada)
3.2.4.
Mtodos de determinacin del carcter de una forma cuadrtica
Mediante la diagonalizacin de la forma cuadrtica

Dada la forma cuadrtica q(~v ) = d1 x21 + d2 x22 + + dn x2n .
1. Si di > 0, para todo i {1, . . . , n}, la forma cuadrtica es definida positiva.
Si di < 0, para todo i {1, . . . , n}, la forma cuadrtica es definida negativa.
2. Si di 0, para todo i {1, . . . , n}, con algn di = 0, la forma cuadrtica es semidefinida
positiva.
Si di 0, para todo i {1, . . . , n}, con algn di = 0, la forma cuadrtica es semidefinida
negativa.
3. Si hay coeficientes di positivos y negativos la forma cuadrtica es indefinida.
131
Mediante el estudio del signo de los menores principales Pr de cualquier matriz de q

Dada una matriz A, llamamos Pr al menor principal de orden r formado por las r filas y columnas
de la matriz A.
1. Si Pi > 0, para todo i {1, . . . , n}, entonces la forma cuadrtica es definida positiva.
2. Si P1 < 0, P2 > 0, P3 < 0 y as sucesivamente, es decir, si los menores de orden impar son
negativos y los de orden par positivos, entonces la forma cuadrtica es definida negativa.
Ejemplo 25. Se consideran en R3 y con respecto a la base cannica, las formas cuadrticas
qa (x, y, z) = x2 + ay2 + 3z2 + 2xy + 2xz + 2ayz.
1. Diagonaliza y estudia el carcter de qa para los distintos valores de a.
2. Para a = 2, calcula el subespacio ortogonal del subespacio V = x y = 0 respecto de
la forma polar.
1. Diagonalizamos usando operaciones elementales sobre la matriz
1 1 1
1
0
0
1
0
0
1 a a 0 a 1 a 1 0 a 1
0
1 a 3
0 a1
2
0
0
3a
Si a 6= 1 y a 6= 3 la forma cuadrtica es no degenerada.
Si a (, 1), es indefinida,porque a 1 < 0 y 3 a > 0.
Si a (1, 3), es definida positiva porque a 1 > 0 y 3 a > 0.
Si a (3, ), es indefinida porque a 1 > 0 y 3 a < 0.
Si a = 1, entonces es semidefinida positiva, porque 3 a > 0.
Si a = 3, entonces es semidefinida positiva, porque a 1 > 0.
Si a = 2, una base del espacio vectorial V = x y = 0 es h(1, 1, 0), (0, 0, 1)i. La matriz asociada a
la forma cuadrtica (y a la forma polar asociada fa ) ser
1 1 1
1 2 2
1 2 3
Los vectores (x, y, z) del subespacio ortogonal a V deben cumplir:

1 1 1
x
1 1 1
x
y =0
y = 0
(1, 1, 0) 1 2 2
(0, 0, 1) 1 2 2
1 2 3
z
1 2 3
z
Habr que resolver el sistema, por tanto,

2x + 3y + 3z = 0
x + 2y + 3 = 0
Como, x = y; z = 31 y tenemos que V = h(i 3, 3, 1).
132
3.3.
Isometras
Definicin 40. Dados dos espacios vectoriales (V1 , q1 ) y (V2 , q2 ) sobre un mismo cuerpo, y un isomorfismo : V1 V2 , se dice que es una isometra si
q2 ((x)) = q1 (x), x V1
(qi formas cuadrticas)
Proposicin 19. En las condiciones anteriores, si fi es la forma polar de qi , son equivalentes las
siguientes condiciones:
1. f2 ((~u), (~v )) = f1 (~u, ~v ) para todos ~u, ~v V1 .
2. q2 ((~u)) = q1 (~u) para todo ~u V1 .
Definicin 41. Se define el grupo ortogonal de (V, q), denotado por O(V, q) a
O(V, q) = { : V V | es una isometra} = {|q((x)) = q(x)}
A los elementos de O(V, q) se denominan transformaciones ortogonales.
Proposicin 20. es una isometra si y solo si f ((ei ), (ej )) = f (ei , ej ), ei , ej B siendo B
una base de V , y f la forma polar asociada a q.
Proposicin 21. Dado un isomorfismo T : V V , es una transformacin ortogonal si y solo si,
fijada una base B de V se tiene que:
MB (T )t MB (q)MB (T ) = MB (q)
Ejemplo 26. Dado el par (R2 , q), donde q(x, y) = x2 + y 2 , consideramos Ta : R2 R2 el
isomorfismo en la base cannica dado por:

MC (Ta ) =
cos a sen a
sen a cos a
Demuestre que Ta es una isometra.

1 0
Aplicando la proposicin anterior, y sabiendo que MB (q) =
, slo tenemos que comprobar
0 1
que MC (Ta )t MC (Ta ) = I2 . Lo comprobamos:

cos a sen a
sen a cos a

Por tanto es una isometra.
cos a sen a
sen a cos a
2

cos a + sen2 a
0
1 0
=
=
0
sen2 a + cosa
0 1
3.3. ISOMETRAS
3.3.1.
133
Transformaciones ortogonales en Rn
Proposicin 22. La matriz de una transformacin ortogonal de (Rn , q) es, en cierta base ortonormal,
de la forma:
Ir
Is
cos
sen
1
1
sen
cos
1
1
..
cos k sen k
sen k cos k
3.3.2.
Transformaciones ortogonales en R2
Utilizando la proposicin anterior, tenemos:

Transformacin ortogonal tipo I. Giro de ngulo

cos sen
sen cos
Transformacin ortogonal tipo II. Simetra respecto de un eje

1 0
0 1
3.3.3.
Transformaciones ortogonales en R3
Transformacin tipo I. Rotacin de ngulo y cierto eje
1
0
0
0 cos sen
0 sen cos
Transformacin ortogonal tipo II. Simetra respecto de un eje
1 0 0
0 1 0
0 0 1
Transformacin tipo III. Composicin de I y II
1
0
0
0 cos sen
0 sen cos
Transformacin tipo IV. Simetra respecto de un eje ( = )
1 0
0
0 1 0
0 0 1
134
Proposicin 23. El determinante de una transformacin ortogonal es 1 o 1.

Definicin 42.
1. Se denomina transformaciones ortogonales propias o directas a las isometras
de determinante 1 (O + (V, q)).
2. Se denomina transformaciones ortogonales impropias o indirectas a las isometras de determinante 1 (O(V, q)).
3. O(V, q) = O + (V, q) O (V, q).
Definicin 43. Dado (V, q), con f la forma polar asociada a q y U un subespacio de V . Se define
radical de U (rad(U )) a:
rad(U ) = U U +
3.4.
Formas hermticas
Definicin 44. Una forma hermtica es una aplicacin de V V en un cuerpo (F, ) verificando:
1. f (a~u1 + b~u2 , ~v ) = af (~u1 , ~v ) + bf (~u2 , ~v )
2. f (~u, ~v ) = f (~v , ~u),
a, b F, ~u1 , ~u2 , ~v V .
~u, ~v V
Siendo la lnea sobre f (~v , ~u) la conjugacin compleja en el caso de C o la identidad en el caso de R.
Un caso particular de formas hermticas son las formas bilineales simtricas reales, ya estudiadas.
3.4.1.
Aplicaciones autoadjuntas
Definicin 45. Una aplicacin T End(V ) se dice autoadjunta si

f (T (~u), ~v ) = f (~u, T (~v )),
~u, ~v V
siendo f una forma hermtica.

Ejemplo 27. Diagonaliza ortogonalmente el endomorfismo
autoadjunto
en el espacio vectorial
3 1 0
eucldeo R3 cuya matriz en la base cannica es A = 1 3 0.
0
0 2
Al ser una matriz simtrica, diagonalizamos como hemos procedido en ejercicios anteriores.
3.5.
Producto escalar
Definicin 46. Sea V un espacio vectorial sobre un cuerpo K y f : V V K una forma bilineal.
Decimos que f es una forma bilineal definida positiva si verifica:
f (~u, ~u) > 0
~u V, ~u 6= ~0
Definicin 47. Sea V un espacio vectorial definido sobre el cuerpo de los nmeros reales. Llamamos
producto escalar a toda forma bilineal f : V V R simtrica y definida positiva.
3.5. PRODUCTO ESCALAR
135
Definicin 48. Llamamos espacio vectorial eucldeo a un espacio vectorial real en el que se ha definido un producto escalar.
Dados dos vectores ~u, ~v V , su producto escalar f (~u, ~v ), suele denotarse de distintas formas:
f (~u, ~v ) =< ~u, ~v >= (~u|~v ) = ~u ~v
Ejemplo 28.
1. Sea V = Rn . Sean ~u y ~v dos vectores con coordenadas en la base cannica
{x1 , . . . , xn } y {y1 , . . . , yn } respectivamente. Se define un producto escalar como
< ~u, ~v >= x1 y1 + x2 y2 + + xn yn
2. Sea V el espacio vectorial sobre R de las funciones reales que son continuas en el intervalo
[a, b]. Se puede definir el producto escalar de dos funciones f, g V como
b
f (t)g(t)dt
< f, g >=
a
3. Sea V = Pn (R). Un producto escalar entre dos polinomios

p(x) = a0 + a1 x + + an xn
q(x) = b0 + b1 x + + bn xn
se define como: < p(x), q(x) >= a0 b0 + a1 b1 + + an bn .
3.5.1.
Determinacin de un producto escalar
Teorema 12. Sea V un espacio vectorial eucldeo y B = {~v1 , . . . , ~vn } una base de V . Entonces el
producto escalar de dos vectores cualesquiera, ~u, ~v V queda determinado conociendo los productos
escalares < ~vi , ~vj > de los vectores de B.
< ~u, ~v >=
n X
n
X
xi yi < ~ui , ~vi >
i=1 j=1
Expresando matricialmente este resultado:
< ~u, ~v >= X t GY = x1
< ~v1 , ~v1 >

..
..
. . . xn
.
.
< ~vn , ~v1 >

< ~v1 , ~vn >
y1
..
..
.
.
< ~vn , ~vn >
yn
donde G es la matriz asociada al producto escalar dado en la base B: matriz de Gram.

Ejemplo 29. Sea V = P3 (R) con producto escalar
Z
< p(t), q(t) >=
p(t)q(t)dt
0
Hallar la matriz G asociada a dicho producto escalar en la base B = {1, t, t2 , t3 }.
136
Definicin 49. Sea V un espacio vectorial eucldeo. Llamamos norma, mdulo o longitud de un
vector ~u V al nmero real:
p
||~u|| = < ~u, ~u >
Definicin 50. Se dice que un vector ~u es unitario o normalizado si ||~u|| = 1. Dado un vector ~u 6= 0
~u
es unitario. Este proceso se llama normalizacin de ~u.
el vector
||~u||
Proposicin 24. Propiedades de la norma. Sea V un espacio vectorial eucldeo, y sean ~u, ~v V ,
R. Entonces:
1. ||~u|| = 0 si y slo si ~u = ~0.
2. ||~u|| = || ||~u||.
3. | < ~u, ~v > | ||~u|| ||~v || (Desigualdad de Schwarz).
4. ||~u + ~v || ||~u|| + ||~v || (Desigualdad triangular).
Definicin 51. Sean ~u, ~v dos vectores no nulos de un espacio vectorial eucldeo V . El ngulo que
forman ~u y ~v se define:
< ~u, ~v >
ng(~u, ~v ) = = arc cos
||~u|| ||~v ||
Utilizando la definicin de ngulo podemos expresar el producto escalar de dos vectores de la forma:
< ~u, ~v >= ||~u|| ||~v || cos
Ejemplo 30. Sobre el espacio vectorial U de los polinomios sobre R, definimos la siguiente forma bilineal
Z 1
< p, q >=
p(t)q(t)dt
0
Se pide
1. Pruebe que < , > es un producto escalar.
2. Si p(x) = x + 2 calcule ||p||.
1.
que < ~u, ~u >> 0 si x(t) 6= 0, lo cual es evidente porque, < ~u, ~u >=
R 1 Tenemos que Rprobar
1 2
x(t)x(t)dt
=
x
(t)dt,
es el rea de x2 (t), entre el eje de abscisas, y las rectas x = 0 y x = 1.
0
0
2. Calculamos la norma de p
s
s
s
s
1
Z 1
Z 1
Z 1
t3
2
2
2
||p|| =
+ 2t + 4t =
p(t)p(t)dt =
(t + 2) dt =
(t + 4t + 4)dt =
3
0
0
0
0
r
r
1 6 12
19
=
+ +
=
3 3
3
3
Ejemplo 31. Sea V = R3 . Consideramos f : V V R el producto escalar eucldeo. Dados
los subespacios S1 =< e1 , e2 >, S2 =< e3 > y S3 =< e1 + e2 + e3 >. Verifica que R3 es
suma directa ortogonal de los subespacios S1 y S2 . Verifica tambin que es suma directa de S1
y S3 pero no ortogonal.
En ambos casos, trivialmente la suma es directa (por qu?).
En el primer caso, como f (e1 , e3 ) = f (e2 , e3 ) = 0, la suma directa es ortogonal.
En el segundo caso, f (e1 , e1 + e2 + e3 ) = 1 6= 0, no es suma ortogonal.
3.5.2.
137
Conjunto ortogonal y ortonormal
Definicin 52. En un espacio vectorial eucldeo V se dice que ~u, ~v V son vectores ortogonales si
< ~u, ~v >= 0.
Observar que dos vectores no nulos ~u, ~v son ortogonales si y slo si son perpendiculares, pues en este
caso cos(~u, ~v ) = 0. Por ello si ~u, ~v son ortogonales suele denotarse ~u~v .
Definicin 53. Un conjunto de vectores no nulos ~v1 , . . . , ~vn } de un espacio vectorial eucldeo V se
dice que es un conjunto ortogonal si cada vector del conjunto es ortogonal a todos los dems, es decir
< ~vi , ~vj >= 0, i 6= j.
Diremos que dicho conjunto es ortonormal si adems se verifica que los vectores que lo forman son
unitarios.
Teorema 13. Sea V un espacio vectorial eucldeo. Si S = {~v1 , . . . , ~vn } es un conjunto ortogonal de
vectores no nulos de V , entonces dicho conjunto es linealmente independiente.
3.5.3.
Mtodo de ortogonalizacin de Gram-Schmidt
Teorema 14. En todo espacio vectorial eucldeo V de dimensin finita existe al menos una base
ortonormal.
Utilizamos un mtodo constructivo, que partiendo de una base cualquiera B = {~v1 , . . . , ~vn } de V
permite obtener una base ortogonal Bog = {w
~ 1, . . . , w
~ n } de V .
Se definen los vectores desconocidos de Bog como combinacin lineal de los de B.
w
~ 1 = ~v1
w
~ 2 = ~v2 + a21 w
~1
w
~ 3 = ~v3 + a31 w
~ 1 + a32 w
~2
..
.
w
~ n = ~vn + an1 w
~ 1 + an2 w
~ 2 + + an,n1 w
~ n1
Los vectores w
~ i, w
~ j tienen que ser ortogonales (< w
~ i, w
~ j >= 0).
Por lo tanto:
0 =< w
~ 2, w
~ 1 >=< ~v2 + a21 w
~ 1, w
~ 1 >=< ~v2 , w
~ 1 > +a21 < w
~ 1, w
~ 1 > a21 =
< ~v2 , w
~1 >
<w
~ 1, w
~1 >
0 =< w
~ 3, w
~ 1 >=< ~v3 + a31 w
~ 1 + a32 w
~ 2, w
~ 1 >=< ~v3 , w
~ 1 > +a31 < w
~ 1, w
~ 1 > +a32 < w
~ 2, w
~ 1 >
< ~v3 , w
~1 >
a31 =
<w
~ 1, w
~1 >
138
Calculando as cada uno de los coeficientes aij tenemos que:

w
~ 1 = ~v1
< ~v2 , w
~1 >
w
~1
<w
~ 1, w
~1 >
< ~v3 , w
~1 >
< ~v3 , w
~2 >
w
~ 3 = ~v3
w
~1
w
~2
<w
~ 1, w
~1 >
<w
~ 2, w
~2 >
..
.
w
~ 2 = ~v2
w
~ n = ~vn
< ~vn , w
~2 >
< ~vn , w
~ n1 >
< ~vn , w
~1 >
w
~1
w
~2
w
~ n1
<w
~ 1, w
~1 >
<w
~ 2, w
~2 >
<w
~ n1 , w
~ n1 >
Ejemplo 32. Sea V = R3 con el producto escalar usual. Aplicar el mtodo de Gram-Schmidt a
la base B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.
Ejemplo 33. Sea f : R3 R3 R definida por:
f (~
u, ~
v ) = (x1 2x2 )(y1 2y2 ) + x2 y2 + (x2 + x3 )(y2 + y3 )
siendo (x1 , x2 , x3 ) e (y1 , y2 , y3 ) las coordenadas de u
~ e~
v en la base cannica.
1. Pruebe que es un producto escalar.
2. Aplique Gram-Schmidt, con este producto escalar, a la base cannica.
1. Desarrollando f (~u, ~v ) tenemos:
f (~u~v ) = x1 y1 2x1 y2 2x2 y1 + 4x2 y2 + x2 y2 + x2 y2 + x2 y3 + x3 y2 + x3 y3 =
= x1 y1 2x1 y2 2x2 y1 + 6x2 y2 + x2 y3 + x3 y2 + x3 y3
La expresin matricial de f ser:
f ((x1 , x2 , x3 ), (y1 , y2 , y3 )) = x1 x2

1
2
0
y1

x3 2 6 1 y2
0
1 1
y3
Demostraremos que se trata de un producto escalar viendo que la forma cuadrtica asociada es definida positiva ya que evidentemente es simtrica.
Si x 6= 0, por ser suma de cuadrados, q(x) 0. Para que q(x) = 0, se tendr que verificar:
x1 2x2 = 0
x2 = 0
x1 = x2 = x3 = 0
x2 + x3 = 0
luego es un producto escalar. Vemoslo de otra forma diagonalizando la matriz usando vectores no
isotrpicos. Seleccionamos ~u1 = (1, 0, 0) con

1
2
0
1

1
f (~u1 , ~u1 ) = 1 0 0 2 6 1 0 = 1 2 0 0 = 1
0
1 1
0
0
139
por lo que ~u1 es no isotrpico. El segundo vector de la base ser seleccionado de < ~u1 > , es decir,
verificando f (~u1 , ~u2 ) = 0, esto es,

1
2
0
x
x
x = 2

1 0 0 2 6 1 y = 1 2 0 y = x 2y = 0
y=
0
1 1
z
z
z=
Elegimos ~u2 = (2, 1, 0) con

1
2
0
2

2
1 = 0 2 1 1 = 2
f (~u2 , ~u2 ) = 2 1 0 2 6 1
0
1 1
0
0
por lo que es no isotrpico. El tercer vector de la base, ~u3 , debe pertenecer a < ~u1 , ~u2 > , por tanto,
debe verificar la anterior ecuacin (x 2y = 0) y f (~u2 , ~x) = 0, esto es

1
2
0
x

x
2 1 0 2 6 1 y = 0 0 2 1 y = 0 2y + z = 0
0
1 1
z
z
Tenemos el sistema:

x = 2
x 2y = 0
y=
2y + z = 0
z = 2
Un posible tercer vector de la base ser ~u3 = (2, 1, 2), siendo

1
2
0
2

2
f (~u3 , ~u3 ) = 2 1 2 2 6 1 1 = 0 0 1 1 = 2
0
1 1
2
2
La matriz diagonalizada, respecto de la base {~u1 , ~u2 , ~u3 } ser
1 0 0
0 2 0
0 0 2
definida positiva por lo que se trata de un producto escalar.
2. Apliquemos Gram-Schmidt a la base cannica:
w
~ 1 = (1, 0, 0)
< e2 , w
~1 >
w
~1
<w
~ 1, w
~1 >
< e3 , w
~1 >
< e3 , w
~2 >
w
~ 3 = (0, 0, 1)
w
~1
w
~2
<w
~ 1, w
~1 >
<w
~ 2, w
~2 >
w
~ 2 = (0, 1, 0)
Como
< e2 , w
~1 >
< (0, 1, 0), (1, 0, 0) >
=
<w
~ 1, w
~1 >
< (1, 0, 0), (1, 0, 0) >
140
calculamos

1
1 2 0
1
< (0, 1, 0), (1, 0, 0) >= 0 1 0 2 6 1 0 = 2 6 1 0 = 2
0
1 1
0
0
y

1
2
0
1

1
0 = 1 2 0 0 = 1
< (1, 0, 0), (1, 0, 0) >= 1 0 0 2 6 1
0
1 1
0
0
Por tanto w
~ 2 = (0, 1, 0)
2
(1, 0, 0)
1
= (2, 1, 0). Como
< (0, 0, 1), (1, 0, 0) > < ~e3 , w

~2 >
< (0, 0, 1), (2, 1, 0) >
< ~e3 , w
~1 >
=
y
=
<w
~ 1, w
~1 >
< (1, 0, 0), (1, 0, 0) > < w
~ 2, w
~2 >
< (2, 1, 0), (2, 1, 0) >
ahora calculamos

1
1 2 0
1
< (0, 0, 1), (1, 0, 0) >= 0 0 1 2 6 1 0 = 0 1 1 0 = 0
0
1 1
0
0

2
1 2 0
2
< (0, 0, 1), (2, 1, 0) >= 0 0 1 2 6 1 1 = 0 1 1 1 = 1
0
1 1
0
0

2
1 2 0
2
< (2, 1, 0), (2, 1, 0) >= 2 1 0 2 6 1 1 = 0 2 1 1 = 2
0
1 1
0
0
Por tanto w
~ 3 = (0, 0, 1)0(1, 0, 0) 12 (2, 1, 0) = (1, 21 , 1). Normalizando los vectores obtenemos:
w
~1
= (1, 0, 0)
<w
~ 1, w
~1 >
w
~2
(2, 1, 0)
=
~v2 =
<w
~ 2, w
~2 >
2
w
~3
~v3 =
<w
~ 3, w
~3 >
~v1 =
Calculamos
<w
~ 3, w
~ 3 >= 1 12

1
2
0
1
1 2 6 1
12 = 0 0
0
1 1
1

1
~v3 = 1,
,1
2
2
1

1
1 1
2 =
2
2
1
3.6. ESPACIO AFN
3.6.
141
Espacio afn
Definicin 1. Un espacio afn es una terna = (A, V, f ) en la que A es un conjunto no vaco, a

cuyos elementos llamaremos puntos,V un espacio vectorial de dimensin finita sobre un cuerpo K y
f es una aplicacin
f :AAV
tal que, denotando pq := f (p, q) para cada (p, q) A A se verifica:
1.
pq +
qr =
pr, p, q, r A.
2. Dados p A y ~v V , existe un nico q A tal que

pq = ~v .
Nota: se usarn las notaciones p + ~v = q,

pq = ~v y ~v = q p indistintamente.
El conjunto A se denota por P() (puntos del espacio afn ).
El espacio vectorial V se denota por V L() (vectores libres del espacio afn ).
Dados p, q P(), al vector

pq V L() lo llamaremos vector de origen p y extremo q.
Ejemplo 1. Veamos dos ejemplos de espacios afines:
1. En el conjunto A = R2 podemos definir una estructura de espacio afn sobre el espacio vectorial
V = vectores libres de R2 , f : R2 R2 V definida por f ((p1 , p2 ), (q1 , q2 )) =

pq =
(q1 p1 , q2 p2 ).
2. Generalizando el ejemplo anterior, en el conjunto A = Rn podemos definir una estructura de
espacio afn sobre el espacio vectorial V = vectores libres de Rn , f : Rn Rn V definida
por f (p, q) =
pq.
3.6.1.
Propiedades
Dado un espacio afn . Para todo p, p0 , q, q 0 P() y para todo ~v , ~v 0 V L() se verifica:
1.
pq = pq 0 q = q 0 .
2.
pp = 0.
3.
pq = 0 p = q.
4. p(p + ~v ) = ~v .
5. p +
pq = q.
6. p + ~v = p ~v = ~0.
7. p + ~v = p + ~v 0 ~v = ~v 0 .
8. (p + ~v ) + ~v 0 = p + (~v + ~v 0 ).
9. (p + ~v )(p + ~v 0 ) = ~v 0 ~v .
142
10. (p + ~v )(q + ~v ) =
pq
Definicin 2. Se denomina dimensin del espacio afn a la dimensin de V .
Definicin 3. Notaremos por q = p + ~v al nico punto q que cumple
q = p + ~v
pq ~v
Definicin 4. Llamaremos subespacio afn (o variedad afn) de dimensin r de V L() que pasa por
p y tiene la direccin W al subconjunto
p + W = {p + w|
~w
~ W}
Si dim(W ) = 1, se dice que p + W es una recta que pasa por p y tiene direccin W .
Si dim(W ) = 2, se dice que p + W es un plano que pasa por p y tiene direccin W .
Si la dimensin del subespacio vectorial suplementario es 1, se dice que p+W es un hiperplano
afn.
Definicin 5. Dado el subespacio afn p + W , si q p + W , las siguientes definiciones son equivalentes:
1. q est sobre p + W .
2. p + W pasa por q.
3. p + W contiene a q.
Proposicin 1. Dado un espacio afn y p + U un subespacio afn suyo, entonces
p + U = {q|
pq U } P()
Proposicin 2. Dado un espacio afn y p0 +U0 un subespacio afn suyo, entonces, si p y q P(),
se tiene que:
1. Si p, q p0 + U0 , entonces
pq U0 .
2. Si q p0 + U0 entonces q + U0 = p0 + U0 .
Proposicin 3. Dados dos subespacios afines p1 + U1 y p2 + U2 de un espacio afn , se tiene

U U
p1 + U1 p2 + U2 1 2
p1 p 2 U
Los subespacios sern iguales si y solo si

p
1 p2 U1 = U2 .
Definicin 6. Se denomina rango de un conjunto de puntos {p0 , p1 , . . . , pn } al rango del conjunto de

vectores {
p
0 p1 , p0 p2 , . . . , p0 pn }.
Si el conjunto de vectores es independiente, el conjunto de puntos se dice afnmente independientes.
3.6. ESPACIO AFN
143
Si el espacio afn es de dimensin n se denomina referencia afn o sistema de referencia afn en

a
{p0 , p1 , . . . , pn } P()
talque {
p
p ,
p
p ,...,
p
p } es una base de V L().
0 1
0 2
0 n
Definicin 7. Se denomina coordenadas afines de p respecto a la referencia afn dada, al vector

(1 , . . . , n ) tal que:
p = p0 + 1
p
0 p1 + 2 p0 p 2 + + n p 0 pn
En Rn , se denominar sistema de referencia cannico o usual al formado por el origen de
coordenadas y los extremos de los vectores de la base cannica.
Proposicin 4. La interseccin
Tde subespacios
T afines es un subespacio afn, esto es, dada la familia
{Ai = pi + Ui }, tenemos que Ai = p + Ui es un subespacio donde p es un punto cualquiera de
la interseccin.
Definicin 8. Dos subespacios afines de un espacio afn se dicen que son paralelos si

AB =
A = p + U y B = q + W son paralelos si
U W W U
es decir, una direccin est contenida en la otra, pero no hay puntos en comn.
(Algunas veces se suprime la condicion A B = )
Definicin 9. Sea B un subconjunto de puntos. Se denomina subespacio afn generado por B, L(B)
al menor subespacio afn que contiene a B
L(B) = p + U siendo p B
U =<
pq : q B >
Definicin 10. Se define la suma de un conjunto de subespacios afines, como el menor subespacio
afn que los contiene.
Proposicin 5. La interseccin de dos subespacios p+U y q+W es no vaca si y solo si

pq U +W .
Proposicin 6. Dado dos subespacios afines p + U y q + W , el subespacio suma ser
1. r + (U + W ) si (p + U ) (q + W ) 6= siendo r (p + U ) (q + W ).
2. s + (U + W + <
pq >) si (p + U ) (q + W ) = siendo s (p + U ) (q + W ).
Proposicin 7. Dados dos subespacios afines p + U y q + W , tenemos que:
dim(p + U ) + dim(q + W ) = dim[(p + U ) + (q + W )] + dim[(p + U ) (q + W )]
Proposicin 8. Sea un espacio afn. Dados dos puntos distintos p y q, tenemos que solo pasa una
nica recta q+ <

pq >, por dichos puntos, denotada por
pq.
144
Corolario Cada par de rectas distintas de un espacio afn se cortan a lo sumo en un punto.
Definicin 11. Un espacio afn = (A, V, f ) se dir eucldeo si V es un espacio vectorial eucldeo
(espacio vectorial donde se ha definido un producto escalar).
Ejemplo 2. En el espacio afn R4 y en el sistema de referencia cannico, se consideran los subespacios
F1 = {(x1 , x2 , x3 , x4 ) R4 : x1 + x2 = 4, x3 + x4 = a}
y
F2 = {(3 + , 2 2, 2, 1 + ) : R}
y a R.
1. Calcula la dimensin de cada uno de los subespacios. Escrbelos de la forma p + W .
2. Determina a para que el subespacio afn F1 + F2 tenga dimensin mnima. Calcula dicho
subespacio.
1. Para el subespacio afn F1 , resolvemos el sistema de ecuaciones lineales, resultando x1 = ,
x2 = 4 , x3 = y x4 = a . Por tanto,
F1 = p + V1 = (0, 4, 0, a) + h(1, 1, 0, 0), (0, 0, 1, 1)i
La dimensin de F1 es por tanto, 2 (plano afn). Igualmente hacemos con F2 .
F2 = q + V2 = (3, 2, 0, 1) + h(1, 2, 2, 1)i
La dimensin de F2 es por tanto, 1 (recta afn).
2. El subespacio vectorial asociado a la suma F1 + F2 ser V1 + V2 V1 + V2 + < pq >. Para que sea
de dimensin mnima, tendramos que tener
pq V + V
1
Determinemos entonces V1 + V2 . Uniendo las bases de ambos subespacios vectoriales tendremos un

sistema generador de dicha suma. Pero como

1 1 0
1 1 0 0

0 0 1 = 1 + 2 = 1 6= 0
rang 0 0 1 1

1 2 2
1 2 2 1
los vectores de V1 y V2 son independientes. El vector

pq es (3, 2, 0, 1 a) y para que
pq V1 + V2 ,
se debe cumplir

1 1 0

0 1 1 0
0

1 1
1 0
0
0
0 0 1

1 0 0 1
0

3 = 1 1
3 =
1 2 2
= 1 2 2
= 1 2
1
3

3 2 1 a
3 1 1 a
3 2 0 1 a 3 2 0 1 a

1

3
= (1 + a 3) = 2 a = 0 a = 2
=
1 1 a
De este modo tenemos que
F1 + F2 = p + (V1 + V2 ) = (0, 4, 0, 4)+ < (1, 1, 0, 0), (0, 0, 1, 1), (1, 2, 2, 1) >
3.6. ESPACIO AFN
3.6.2.
145
Transformaciones afines y afinidades
Definicin 12. Sean y 0 dos espacios afines sobre un mismo cuerpo K Se dice que : P()
P(0 ), biyectiva, es una transformacin afn si existe un isomorfismo
T : V L() V L(0 )
talque (q) = (p) + T (pq).
Si = 0 , se dice que es una afinidad.
Si (p) = p diremos que p es un punto invariante, doble o fijo.
Por ejemplo, una traslacin o una rotacin son transformaciones afines.
3.6.3.
Representacin matricial de una afinidad
Dada la afinidad : P() P() definida por (q) = (p) + T (pq) y sean (x1 , x2 , . . . , xn ) e
(y1 , y2 , . . . , yn ) las coordenadas de los puntos X e Y = (X).
Si M = (aij )ni,j=1 es la matriz asociada a T en la base {e1 , e2 , . . . , en } con ei = p0 pi , entonces la
representacin matricial de la afinidad es:

0 0
1 0
1
1
y1 b1 a11 a12 a1n x1

y2 b2 a21 a22 a2n x2

=
.. ..
.
..
..
.
.
..
..
. .
..
.
.
xn
yn
bn an1 an2 ann
donde (b1 , b2 , . . . , bn ) se calcula a partir de la imagen de un punto cualquiera.
Ejemplo 3. Dada la afinidad (x1 , x2 , x3 ) = (y1 , y2 , y3 ), dada por:
y 1 = x2
y 2 = x1 + x2 + x3 + 1
y 3 = x1 + x2 2
en forma matricial tenemos:

1
1
y1 0
=
y2 1
y3
2
0
0
1
1
0
1
1
1

0
1
0 x1
1 x2
x3
0
el vector (0, 1, 2) ha sido determinado a partir de x1 = 0, x2 = 0 y x3 = 0.
3.6.4.
Movimientos
Definicin 13. Dado un espacio afn euclideo (provisto de un producto escalar). Una afinidad se
llama movimiento si conserva las distancias entre puntos, es decir, si
d((p), (q)) = d(p, q),
p, q P()
146
Ntese que si es un movimiento, entonces T es un isomorfismo en el espacio vectorial euclideo

V L() que conserva la longitud de los vectores ya que,
||T (pq)|| = ||(p)(q)|| = d((p), (q)) = d(p, q) = ||pq||
Nota: para que sea un movimiento, la matriz asociada a la afinidad debe ser ortogonal, es decir
M M t = I.
La afinidad de ecuaciones

1 0
0
1
1
y1 = 0 0 1 x1
y2
x2
1 1 0
es un movimiento.
Para ello comprobamos que

M=

0 1
1 0
es ortogonal, es decir, M M t = I 2 :

0 1
0 1
1 0
=
1 0
1 0
0 1
Definicin 14. Una traslacin es una afinidad f con la aplicacin identidad como isomorfismo asociado. En R2 , dado el vector v = (v1 , v2 ) la ecuacin ser

1

1 0 0
1
y1 = v1 1 0 x1
x2
y2
v2 0 1
x3
y en R3

1
1
y1 v1
=
y2 v2
y3
v3
0
1
0
0
0
0
1
0

0
1
0 x1
0 x2
x3
1
(No tienen puntos invariantes)

Definicin 15. Una homotecia es una afinidad con aplicacion kI. El nico punto invariante se denomina centro de la homotecia. Si p = (p1 , p2 , p3 ) es el centro de la homotecia, tenemos

1
0 0 0
1
1
y1 (1 k)p1 k 0 0 x1
=

y2 (1 k)p2 0 k 0 x2
y3
x3
(1 k)p3 0 0 k
Si k = 1 entonces la homotecia es la transformacin identidad.
Si k = 1 entonces la homotecia es una simetra central de centro p.
En otro caso, no es un movimiento.
3.6. ESPACIO AFN
147
Definicin 16.
Dada M matriz ortogonal asociada a un movimiento, se dice que el movimiento
es directo si |M | = 1, es decir, conserva la orientacin.
Dada M matriz ortogonal asociada a un movimiento, se dice que el movimiento es inverso si
|M | = 1, es decir, no conserva la orientacin.
3.6.5.
Movimientos en R2 . Matrices ortogonales asociadas
1. Aplicacin identidad o traslacin (segn existencia puntos fijos).

1 0
0 1
2. Simetra de eje paralelo al eje determinado por u1 , o simetra seguida por una traslacin del
vector paralelo a dicho eje (simetra deslizante), segn puntos fijos.

1 0
0 1
3. Giro de ngulo y centro el nico punto fijo asociado

cos sen
sen cos
4. Simetra respecto de un punto o o giro de ngulo

1 0
0 1
Ejemplo 4. Con respecto al sistema de referencia usual {o,
e1 , e2 } en R2 se considera M , un
giro de 45 grados que transforma el (0, 0) en el (1, 1 2). Determina la matriz asociada a
dicho movimiento, calculando el centro de giro.
La matriz del giro ortogonal es:

cos 45 sen 45
sen 45 cos 45
La ecuacin matricial de la transformacin es

1
0
0
1
1
x0 = b1 cos 45 sen 45 x
y0
y
b2 sen 45 cos 45
donde se determinarn b1 , b2 ya que se sabe que el punto (0, 0) se transforma en el (1, 1
Entonces se tiene:

1
1
0
0
1
1 = b1 cos 45 sen 45 0 b1 = 1
b2 = 1 2
0
b2 sen 45 cos 45
1 2
2).
148
La matriz de este movimiento es:
1
0
0
A = 1 cos 45 sen 45
1 2 sen 45 cos 45
El centro de giro del movimiento (p1 , p2 ) es un punto fijo, por lo cual hay que resolver:

(
0
0
1
1
1
p1 = 1 + 12 p1 12 p2

p1 = 1
cos
45
sen
45
p
p2 = 1 2 + 12 p1 + 12 p2
p2
p2
1 2 sen 45
cos 45

1
1 2
p2 = 1 + p 1 p2 = 1 2 p1 + 2
2
2

1
1
1
p2 = 1 2 + p1 + p2 1 2 p1 + 2 = 1 2 + p1 +
2
2
2

i
1 h
1 2 p1 + 2
2 2 p 1 + 2 = 2 2 + p1 + 1 2 p1 + 2
+
2
2p1 2p1 p1 p1 + 2p1 = 2 2 4 2 2p1 4p1 = 2 2 4 p1 = 1
p2 = 1 2 + 2 = 1
Dando como resultado (1, 1).
Resultados en R2
1. Todo movimiento directo es la identidad, una traslacin o un giro.
2. Todo movimiento inverso es una simetra o una simetra deslizante.
3. Si un movimiento tiene ms de un punto fijo es una identidad o una simetra.
4. Si un movimiento tiene ms de un punto fijo y es directo, es la identidad.
5. Si un movimiento tiene ms de un punto fijo y es inverso es una simetra.
6. La composicin de un giro y una traslacin es otro giro del mismo ngulo.
7. La composicin de una simetra y un giro cuyo centro est en el eje de simetra es otra simetra.
8. La composicin de una simetra y una traslacin es una simetra o una simetra deslizante.
3.6.6.
Movimientos en R3 . Matrices ortogonales asociadas
1. Aplicacin identidad o traslacin (segn existencia de puntos fijos).
1 0 0
0 1 0
0 0 1
3.6. ESPACIO AFN
149
2. Simetra respecto al plano < u1 , u2 >, o simetra deslizante
1 0 0
0 1 0
0 0 1
3. Giro de ngulo alrededor del eje determinado por u1 o rotacin y traslacin.
1
0
0
0 cos sen
0 sen cos
4. Simetria axial respecto a un eje paralelo a u1 o simetria ms traslacin.
1 0
0
0 1 0
0 0 1
5. Rotacin de ngulo alrededor de un eje paralelo a u1 seguida de una simetra respecto a un
plano paralelo al plano < u2 , u3 >.
1
0
0
0 cos sen
0 sen cos
6. Simetra central respecto de algn punto en el espacio. ( = )
1 0
0
0 1 0
0
0 1
Resultados en R3
1. Si el movimiento es directo, es una identidad, traslacin, rotacin alrededor de un eje o movimiento helicoidal.
2. Si el movimiento es inverso, es una simetra respecto a un plano, simetra deslizando o la composicin de un giro y una simetra.
3. Si el movimiento es un giro, para calcular el ngulo de giro podremos utilizar que la traza es
invariante por semejanza.
4. Tambin, en este ltimo caso, se puede calcular el ngulo que forman un vector perpendicular
al eje de giro y su imagen (usando la definicin dada en producto escalar).
Ejemplo 5. Clasifica el movimiento de ecuaciones:

0
0
1
1
1
3
1
y1 =
x
0
1
2
2
1
3
x2
y2
1 2
2
150
Primeramente verificamos que es un movimiento comprobando que la matriz

!
3
1
M = 21 32
2
es ortogonal, bien porque sus filas constituyan una base ortonormal o bien comprobando que M M t =
I2
!
!

3
3
3
3
3
1
1
1
1
0
2
2
2
2
= 34 43 41 34 =
3
3
1
1
0 1
4
+4
2
2
2
2
4
4
Calculamos su polinomio caracterstico:

3
2 21
p() = |M I2 | = 1
=
3
2

2
siendo p() = 2
!2
+
3
1
1
= 3 + 2 +
4
4
4
3 + 1. Calculamos sus races
1
3 34
=
3i
=
2
2
El polinomio caracterstico no tiene races reales, lo cual confirma que es un giro, ya que es la nica
transformacin ortogonal en R2 que puede tener valores propios complejos. Comparando la matriz
M con la general de un giro
!

3
1
cos
sen
2
2
=
3
1
sen cos
2
vemos que
3
1
y sen =
2
2
y entonces deducimos que = 6 . Nos queda estudiar sus puntos fijos.

(

1 0
0
1
1
3
x 12 y = x
3x y= 2x
3
1
2
0
x = x
2
3
1
2
2 + x + 3y = 2y
1
+
x
+
y
=
y
3
1
2
2
y
y
1
cos =
y=
y=
3x 2x; 2 + x + 3x 2 3x = 2 3x 4x 8x 4 3 = 2 x =
3
32
2
1
3x 2x y =

=
=
=y
2
2( 3 2) 2( 3 2)
2( 3 2)
Por tanto, el centro del giro es

x=
Ejemplo 6. Estudia la afinidad
,
2( 3 2)
y=
1
2

1 0
0
1
1
y1 = 1 0 1 x1
y2
x2
1 1 0
2( 3 2)
3.6. ESPACIO AFN
151
Primeramente verificamos que la afinidad es un movimiento. Para que la afinidad sea un movimientoel isomorfismo
asociado tiene que ser una transformacin ortogonal. Para ello la matriz

0 1
M =
debe ser ortogonal. En efecto sus columnas forman una base ortonormal de R2 .
1 0
Tambin podemos comprobar que M M t = I 2 :

0 1
0 1
1 0
=
1 0
1 0
0 1
Calculamos el polinomio caracterstico

1
= 2 1
p() = |M I2 | =
1
Con races 1. Es una simetra o simetra deslizante, segn existan puntos fijos. Calculamos el eje
vectorial de la simetra

1 1
x
0
2
P1 = Ker(M I2 ) = (x, y) R :
=
= (x, y) R2 : x + y = 0 =
1 1
y
0
= h(1, 1)i
La recta afn ser de la forma x + y
1 0
1 0
1 1
= k. Resolvemos la ecuacin de puntos fijos

0
1
1
1y =x
1 x = x
1x=y
y
y
0
obtenemos el eje afn de la simetra x + y = 1.

Otra forma de calcular el eje afn sera plantear el sistema

0
1 0
1
1
1 0 1 x = x 1 k + x = x
1x=kx
kx
kx
1 1 0
y resolviendo nos sale k = 1.
Ejemplo 7. Estudia la afinidad

0
1 0
1
1
y1 = 2 0 1 x1
x2
y2
0 1 0
Realizando el mismo estudio obtenemos que es una simetra, con eje vectorial x + y = 0. Si analizamos los puntos fijos con la ecuacin

1 0
0
1
1
2 0 1 x = x 2 y = x
x = y
y
y
0 1 0
152
no obtenemos solucin. Existe por tanto, adems, una traslacin. Repitiendo el razonamiento, el eje
afn es de la forma x + y = k, por tanto
1 0
0
1
1
2 0 1 x = 2 k + x
kx
x
0 1 0
Como tiene que ser tambin un punto de la recta, entonces (2 k + x) + (x) = k, de donde k = 1
y el eje de simetra es x + y + 1.
Calculemos
el vector traslacin. Tomamos un punto cualquiera de la recta de simetra, por ejemplo
p = 21 , 21 , que cumple 12 + 12 = 1 y calculamos su imagen

1 0
0
1
1
2 0 1 1 = 3
2
2
1
1
0 1 0
2
2
Por tanto el vector ser
3 1
,
2 2
1 1
,
2 2

= (1, 1)
Ejemplo 8. Encuentra en la base cannica de R2 , la matriz de la simetra ortogonal con respecto

a la recta 2x y = 0.
Primeramente buscamos una base ortonormal. Trabajamos por tanto con el vector director de la recta
(1, 2) y normalizamos para definir

1 2
~u := ,
5 5
Completamos con un vector perpendicular, tambin normalizado

2 1
~v = ,
5 5
!

1
2
1 0
La matriz de la simetra en la base B = {~u, ~v } ser
. La matriz de paso P = 25 1 5
0 1
5
5
refleja el cambio de base hacia la base B. Por tanto, teniendo en cuenta el esquema
f
R2 R2 R2 R2
C 1a B 2a B 3a C
la matriz de la simetra en la base cannica ser:
1
MC (f ) = PBC MB (f )PCB = PBC MB (f )PBC
!

1
2
1
1 0
1
0
1
5
5
5
P
P = 2
1
2
0 1
0
1
5
5
5
1 4 2 2 3 4

1 3 4
+
5 5
= 52 25 45 51 =
=
4
3
+5 55
5 4 3
5
5
5
2
5
1
5
!
=
1
5
2
5
2
5
15
1
5
25
2
5
1
5
Ntese que por ser P ortogonal, P 1 = P t , ya que sus columnas forman una base ortonormal.
3.6. ESPACIO AFN
153
Ejemplo 9. Prueba que un giro en R2 de ngulo 3 que lleva el punto (2, 2) al punto (1, 3),
tiene por centro el punto ( 3, 1), dadas las coordenadas en el sistema de referencia cannico.
La matriz de giro es de la forma
1 0
0
0
0
1
a cos sen = a 1 3
3
3
2
2
3
1
b sen 3 cos 3
b
2
Calculamos a y b mediante la imagen que nos da el enunciado

1 0
0
1
1
1 3 =
1
a 1 3 2 = 1 a +
2
2
b+ 3+1= 3
1
2
3
b 23
2
dando como resultado a = 3 y b = 1. La matriz del giro queda entonces
1
0
0
3 1 3
2
3
2
1
2
Por ltimo se plantea la ecuacin de puntos fijos para comprobar el resultado del centro

1
0
0
1
1
3
1
3
+
x
y=x
2 3 +x 3y = 2x
2
2
3 1 3 x = x
2
2
2 + 3x + y = 2y
1 + 23 x + 12 y = y
3
1
y
y
1 2
2

x = 2 3 3y;
2 + 3 2 3 3y + y = 2y 2 + 6 3y + y = 2y
4y = 4 y = 1;
x= 3
Por lo que el centro es ( 3, 1) tal y como nos pide probar el ejercicio.

Ejemplo 10. Determina a para que la siguiente transformacin sea un movimiento y clasifcalo.

0
0
1 0
1
1
a
1
1 a
y1
2
2
2 x1
=
a
a
1
y2
x2
1 2
2
2
1
1
y3
x3
1
0
2
Para que sea movimiento la matriz
M=
a
2
a
2
1
2
a
2
a
2
12
12
1
2
debe cumplir que M M t = I 3 . De este modo

a
a
a2 a2 1
a
a
1
1
+ 4 +2
2
2
2
2
4
2
2
2
2
a
a
1
a
a
1
a

2 = 4 + a4 12
2
2
2
2
2
a
1
12
0
12 12
0
2a 2
2
2 2
a2 1 a2 1
0
1
0
0
2
2
2
2
2
2
= a2 21 a2 + 12 0 = 0 1 0
0 0 1
0
0
1
2
a2
+ a4 12
4
2
a2
+ a4 + 12
4
a
2a 2
2 2
2a 2 + 2a 2
2a 2 =
2 2
1
+ 21
2
154

2
Por tanto a2 12 = 0, lo cual implica que a = 1.

Caso a) a = 1. La matriz de la transformacin ortogonal es
1
1
1
2
2
2
1
1
A = 12
2
2
1
12
0
2
Si calculamos su polinomio caracterstico, obtenemos

1
1
1

2

2
2
2
1
1
1
1
1
1

1
1
1
2 =
p() = |A I3 | = 2
+ + +
+ +
2
1

2
4 4 2 2
4
2
12

1 1 1
1 1
1
1
1 1
1
3
2
+
=
+ + + + + = 3 + 2 +
2 2
4
2 4 2
4
4 2
4
4
3
2
+ 1 = + + 1
La ecuacin caracterstica es p() = 3 2 + 1 = 0. Calculamos sus races:
1
1 1 1 1
1 0 1 2 + 1 = 0 = i
1 0 1 0
Por lo que al factorizar el polinomio caracterstico queda p(x) = (x 1)(x2 + 1) con races 1 y i. Se
trata por tanto de una rotacin ya que uno de los vectores de la base ortonormal permanece invariante
y sobre el plano ortogonal se produce un giro. Para calcular el eje vectorial de giro, calculamos
P1 , obteniendo < (1, 1, 0) >. Calculamos el ngulo de rotacin mediante la igualdad de trazas:
1 + 2 cos = 1, por tanto cos = 0. Para determinar qu ngulo es de los dos posibles, establecemos
una base ortogonal a partir del eje obtenido anteriormente orientada positivamente
B = {(1, 1, 0), (0, 0, 1), (1, 1, 0)}

Como la imagen de (0, 0, 1) es 1/ 2, 1/ 2, 0 = 0(0, 0, 1) + 1/ 2(1, 1, 0) nos indica que

= /2.
El eje vectorial era x y = 0. Tenemos que calcular el eje afn de rotacin x y = r.

1
1
r + y
1 + 21 + 2r + s2 + y
=
A
y 1 + 2r s + y
2
r
s
1 2
Su solucin es x y = 2/2, z = 1/2 o bien

!
2
1
(x, y, z) =
, 0,
+ < (1, 1, 0) >
2
2
Para determinar el vector traslacin se toma la diferencia entre un punto de la recta y su transformado
por el movimiento
!
!
2
1
2
1
si p =
, 0,
, su transformado ser 1 +
, 1,
2
2
2
2
3.6. ESPACIO AFN
155
por tanto, el vector traslacin ser v = (1, 1, 0).

Caso b) a = 1. En este caso las races del polinomio caracterstico son 1, i. Es una rotacin
seguida de una simetra. Calculamos el eje vectorial de rotacin calculando P1 = h(1, 1, 0)i. Calculamos el ngulo de rotacin mediante la traza: cos = 0. Completamos una base ortogonal orientada
positivamente, B = {(1, 1, 0), (0, 0, 1), (1, 1, 0)} y calculamos la imagen de (0, 0, 1) siendo
(1/ 2, 1/ 2, 0) = 0(0, 0, 1) + 1/ 2(1, 1, 0)

nos indica que = /2. El plano de simetra ser < (0, 0, 1), (1, 1, 0) >. Calculamos el nico
punto fijo que tiene el movimiento

1
1
x x

A
y = y
z
z

Resultando p = 14 (2 + 2), 14 (2 2), 21 .
Por tanto, el eje de rotacin y el plano de simetra afn sern, respectivamente:

1
1
1
(x, y, z) =
(2 + 2), (2 2),
+ < (1, 1, 0) >
4
4
2

1
1
1
(2 + 2), (2 2),
(x, y, z) =
+ < (0, 0, 1), (1, 1, 0) >
4
4
2
Ejemplo 11. Dados los siguientes subespacios afines
A = {(x, y, z, t) = (3, 1, 0, 3) + (1, 0, 0, 1)}
B = {(x, y, z, t) R4 : y t = 1, x = z}
1. Obtenga una base del subespacio vectorial asociado y la dimension de cada uno de los
subespacios afines.
2. Estudie la posicin relativa de ambos subespacios determinando la interseccin.
3. Escriba la ecuacin de un plano paralelo al subespacio A.
A = p + U = (3, 1, 0, 3)+ < (1, 0, 0, 1) >, por tanto la dimensin es 1, recta afn. B = q + V =
(0, 1, 0, 0)+ < (0, 1, 0, 1), (1, 0, 1, 0) >, por tanto la dimensin es 2, plano afn.
pq = (3, 0, 0, 3) = 3(1, 0, 0, 1) + 0(0, 1, 0, 1) + 0(1, 0, 1, 0) U + V U V 6=
La interseccin vendra dada por:
(3, 1, 0, 3) + (1, 0, 0, 1) = (0, 1, 0, 0) + t(0, 1, 0, 1) + s(1, 0, 1, 0)
resultando que slo tienen el punto (0, 1, 0, 0) en comn.
Un posible plano paralelo al subespacio A se conseguir extendiendo la base de A a dimensin 2 y
tomando un punto distinto a p, por ejemplo,
C = (3, 1, 3, 0)+ < (1, 0, 0, 1), (0, 1, 0, 0) >
156
Ejemplo 12. Demuestra que la siguiente transformacin afn, con ecuaciones en el sistema de
referencia cannico representa una simetra respecto del plano x + z = 2.
y1 = 2 x3
y2 = x2
y3 = 2 x1
Escrito de forma matricial nos queda:

1
1
0
y1 2 0
=
y2 0
0
y3
2 1

0 0
1
x1
0 1

1 0 x2
0 0
x3
Calculando M M t = I 3 comprobamos que es un movimiento. Su polinomio caracterstico ser

p(x) = x3 + x2 + x + 1 con races 1, doble y 1 simple. Calculamos el subespacio propio
P1 =< (1, 0, 1), (0, 1, 0) >, para calcular el plano vectorial, x + z = 0. El plano afn de simetra
ser por tanto x + z = k, que, calculando su transformado, nos dar
1
1
x 2 k + x

A
y =
y
kx
2 x
Como debe pertenecer al plano, aplicando la condicin obtenemos k = 2, es decir, x + z = 2.
Estudiamos las posibles traslaciones tomando la transformada de un punto cualquiera del plano

1
1
1 1

A
0 = 0
1
1
Como no hay cambio, no existe traslacin.
3.7.
Cnicas y cudricas
3.7.1.
Cnicas
Definicin 17. Una cnica es el lugar geomtrico de los puntos que resultan de la interseccin en R3
de un cono generalizado y un plano. La ecuacin de una cnica es del tipo:
Ax2 + 2Bxy + Cy 2 + 2Dx + 2Ey + F = 0
en la que los coeficientes A, B, C, D, E y F son reales no todos nulos.
3.7. CNICAS Y CUDRICAS
157
Forms cannicas o reducidas

Elipse
x2 y 2
+ 2 1=0
a2
b
Elipse imaginaria
x2 y 2
+ 2 +1=0
a2
b
Punto
x2 y 2
+ 2 =0
a2
b
Hiprbola
x2 y 2
2 1=0
a2
b
Punto
Parbolas
x2 y 2
2 =0
a2
b

y 2 2px = 0
x2 2py = 0
Par de rectas reales paralelas

x 2 a2 = 0
Par de rectas imaginarias paralelas
x 2 + a2 = 0
Par de rectas reales coincidentes
x2 = 0
Recta
ax + by + c = 0
Clasificacin ortogonal de las cnicas
Definicin 18. Una cnica se dice degenerada si se puede reducir a un punto o a un par de rectas
reales que se cortan en un punto o coincidentes.
La ecuacin general de una cnica se puede escribir de forma matricial como:

A B
x
x
x y
+2 D E
+F =0
C D
y
y
Observamos que la matriz

A B
C D
158
es simtrica y define una forma cuadrtica en R2 , por lo tanto diagonalizable ortogonalmente (autovectores). Por lo tanto segn la nueva base ortonomal,

0

u
u
u v
+2 D E P
+F =0
0
v
v

A B
siendo y los autovalores reales de la matriz
y P la matriz ortogonal de paso.
C D

x
t u
u v =P
x y =P
v
y
Operando obtenemos:
u2 + v 2 + M u + N v + F = 0
Posibilidades:
a) Los dos autovalores son distintos de cero
Completando cuadrados, nos queda la expresin:

2

2

M
N
M2 N2
u+
+ v+
+ F
=0
2
2
4
4
Si realizamos el siguiente cambio de variable:
r =u+
M
2
s=v+
N
2
K=F
M2 N2
4
4
obtenemos
r2 + s2 + K = 0
La expresin obtenida es analizada segn las ecuaciones de las cnicas vistas anteriormente,
1. Signo() = Signo() = Signo(K) Elipse imaginaria.
2. Signo() = Signo() 6= Signo(K) Elipse.
3. Signo() 6= Signo() Hiprbola.
b) Un autovalor es cero, por ejemplo = 0
Completando cuadrados obtenemos:
2

N2
N
+ Mu + F
=0
v+
2
4
Si realizamos el siguiente cambio de variable
s=v+
N
2
L=F
obtenemos
s2 + M u + L = 0
Analizando la expresin obtenida, obtenemos:
N2
4
159
1. Si M 6= 0 Parbola.
2. Si M = 0 y Signo() 6= Signo(L) Rectas paralelas.
3. Si M = 0 y Signo() = Signo(L) Rectas imaginarias.
c) Si los dos autovalores son cero
La ecuacin general nos queda como
2Dx + 2Ey + F = 0
que es una recta.
Ejemplo 13. Clasifique la siguiente cnica:
x2 + y 2 6xy + 4x + 4y = 0
Escrita en forma matricial sera de la forma:

1 3
x
x
x y
+2 2 2
=0
3 1
y
y

A continuacin diagonalizamos ortogonalmente la matriz simtrica M =

1 3
. Calculamos
3 1
el polinomio caracterstico:

1 3
p() = |M I2 | =
= (1 )2 9 = 1 2 + 2 9 = 2 2 8
3 1
Caculamos las races:
=
4+48
2 36
26
=
=
; = 2, = 4
2
2
2
Calculamos los subespacios propios asociados a los autovalores:

x
x
0
2
P2 = Ker(M + 2I2 ) =
R : (M + 2I2 )
=
=
y
y
0

x
3 3
x
0
x
2
2
=
R :
=
=
R : 3x 3y = 0 = h(1, 1)i
y
3 3
y
0
y

x
x
0
2
P4 = Ker(M 4I2 ) =
R : (M 4I2 )
=
=
y
y
0

x
3 3
x
0
x
2
2
=
R :
=
=
R : 3x 3y = 0 = h(1, 1)i
y
3 3
y
0
y
Una base de P2 es el vector w
~ 1 = (1, 1) y del espacio propio P4 el vector w
~ 2 = (1,!1). Despus
1
1
de ortonormalizar, que en este caso es solo normalizar, se tiene que P = 12 1 2 . De forma
2
160
que si llamamos (u, v) a las coordenadas

de cualquier
punto del plano en la nueva base ortonormal
x
u
B = {w
~ 1, w
~ 2 }, se verifica la relacin
=P
, y la ecuacin de la cnica queda
y
v

2 0

u
u v
+2 2 2
0 4
v
1
2
1
2
12
1
2
!
u
=0
v
Al tener dos autovalores de distintos signo estamos ante una hiprbola.

Ejemplo 14. Clasifique ortogonalmente la cnica de ecuacin
x2 + 4y 2 6x 8y 3 = 0
Como en la ecuacin no aparece ningn trmino de la forma xy, completamos cuadrados directamente (no es necesario aplicar lo anteriormente visto)
(x 3)2 + 4(y 1)2 16 = 0
Dividiendo por 16 y despejando, obtenemos
(x 3)2 (y 1)2
+
=1
16
4
que corresponde a una elipse de centro (3, 1).
Ejemplo 15. Clasifique ortogonalmente la familia de cnicas de ecuacin
x2 + 2xy + y 2 + ( + )(x + y) + 1 = 0
>0
En forma matricial nos queda:

x
x
x y
+ + +
+1=0

y
y

= ( )2 2 = 2 2 + 2 2 = 2 2 + 2 2
p() =

Las races del polinomio caracterstico son
p
p
2 4 2
2 42 42 + 4 2
=
=
=
2
2
Por lo que la matriz tiene como autovalores 1 = + y 2 = .
Si = 0 ya est diagonalizada, la ecuacin de la cnica queda de la forma:

0
x
x
x y
+
+1=0
0
y
y
161
con lo cual nos queda la expresin:

x2 + x + y 2 + y + 1 = 0
En este caso completando cuadrados tenemos que
2

2

1
1
1
+ y+
+1 =0
x+
2
2
2
Dividiendo por y haciendo la traslacin r = x + 21 , s = 21 , nos queda
r 2 + s2 +
1 1
=0
2
teniendo que:
Si = 2, tenemos un punto.
Si > 2, tenemos una circunferencia.
Si 0 < < 2, tenemos una circunferencia imaginaria.
Si 6= 0, los valores propios son entonces 1 = + y 2 = . Calculamos los subespacios
propios asociados:

x
x
0
x
2
2
P+ =
R :
=
=
R : x y = 0
y
y
0
y
P

x
+
x
0
x
2
2
=
R :
=
=
R : x + y = 0
y
+
y
0
y
Por tanto los vectores propios asociadosn

a 1 y 2son
~u1 = (1, 1) y ~u2 = (1, 1)
respectivamente
o
1
1
1
1
,
, 2 , 2 . Podemos definir la matriz P cuque normalizados proporcionan la base
2
2
yas columnas son las
coordenadas

de los vectores de esta nueva base formada por vectores propios.
x
u
Haciendo entonces
=P
la cnica queda
y
v
!

+
12 12
0
u
u
u v
+ + +
+1=0
1
1
v
v
2
2
Multiplicando:
2
( + )u2 + ( )v 2 + ( + )u + 1 = 0
2
y completando cuadrados nos queda:

2
1
1
+ ( + )v 2 ( + ) + 1 = 0
( + ) u +
2
2
Haciendo las traslaciones r = u +
1 ,
2
s = v, tenemos que:

+
2
2
( + )r + ( + )s + 1
=0
2
Por lo tanto:
162
Si + = 2, es un punto.
Si + < 2, es una elipse imaginaria.
Si + > 2, es una elipse.
3.7.2.
Cudricas
Se denomina cudrica al lugar geomtrico de los puntos del espacio afn eucldeo cuyas coordenadas satisfacen:
A1 x2 + A2 y 2 + A3 z 2 + 2B1 xy + 2B2 xz + 2B3 yz + 2C1 x + 2C2 y + 2C3 z + D = 0
Expresada de forma matricial queda como:

A
B
B
x
1
1
2

x
x y z B1 A2 B3 y + 2 C1 C2 C3 y + D = 0
B2 B3 A3
z
z
Clasificacin ortogonal de las cudricas
A1 B1 B2
Haciendo un cambio de base y diagonalizando ortogonalmente la matriz B1 A2 B3 obteB2 B3 A3
nemos

u
u
0 0
u v w
0 0
v + 2 C1 C2 C3 P v + D = 0
0 0
w
w
siendo , y los autovalores de la matriz indicada y P la matriz de paso. Operando nos queda la
ecuacin:
u2 + v 2 + w2 + E1 u + E2 v + E3 w + D = 0
Posibilidades:
a) Todos los autovalores son distintos de cero
Completando cuadrados, nos queda la expresin:

E1
E2
E3
E12 E22 E32
+ v+
+ w+
+ D
=0
u+
2
2
2
4 4
4
E2
E2
E2
Sea F = D 41 42 43 .
a.2) Si F 6= 0
En este caso podemos dividir toda la ecuacin por F , obteniendo la siguiente ecuacin:
d1 r 2 + d2 s 2 + d3 t 2 = 1
1. Si di > 0 para i = 1, 2, 3, tenemos una elipsoide de revolucin. En el caso de d1 = d2 = d3 ,
tenemos una esfera.
2. Si d1 > 0, d2 > 0 y d3 < 0, tenemos un hiperboloide de una hoja.
163
3. Si d1 > 0, d2 < 0 y d3 < 0 tenemos un hiperboloide de dos hojas.

a.1) Si F = 0
En este caso la ecuacin nos queda como:
r2 + s2 + t2 = 0
1. Si Signo() = Signo() = Signo(), entonces la nica solucin es (0, 0, 0).
2. Si Signo() = Signo() 6= Signo(), la cudrica es un cono.
b) Un autovalor es nulo, por ejemplo , 6= 0 y = 0
La ecuacin puede escribirse como
u2 + v 2 + E1 u + E2 v + E3 w + D = 0
b.1) Si E3 6= 0 r 2 + s2 + E3 t = 0
Despejando t obtenemos:
t=
r 2 s2
a2 b 2
tomando el signo positivo, obtenemos un paraboloide elptico.

tomando el signo negativo, obtenemos un paraboloide hiperblico.
b.2) Si E3 = 00 r 2 + s2 + F = 0
En este caso obtenemos un cilindro cuya forma depender de la cnica proyectada en el plano (eliptico, hiperblico, o un par de planos o una recta si F = 0).
c) Dos autovalores nulos, por ejemplo 6= 0 y = = 0
La ecuacin nos queda como:
u2 + E1 u + E2 v + E3 w + D = 0
c.1) Si E2 = E3 = 0 r2 k = 0
si k > 0, tenemos dos planos paralelos.
si k = 0, un plano.
si k < 0, ningn punto verifica la ecuacin de la cudrica.
c.2) Si E2 6= E3 = 0 r 2 + E2 s = 0
En este caso obtenemos un cilindro parablico.
c.3) Si E2 6= 0 6= E3
En este caso obtenemos, tambin, un cilindro parablico.
d) Todos los autovalores son nulos
En este caso, se corresponde con un plano si el conjunto es no vaco.
164
Ejemplo 16. Clasifique ortogonalmente la cudrica de ecuacin

2x2 7y 2 + 2z 2 10xy 8xz 10yz + 6x + 12y 6z + 5 = 0
En forma matricial sera:

2
5
4
x

x
x y z 5 7 5 y + 2 3 6 3 y + 5 = 0
4 5 2
z
z
Calculamos los autovalores y la matriz de paso ortonomal asociada a la matriz
2 5 4
M = 5 7 5
4 5 2
El polinomio caracterstico es:

2
5
4

p() = |M I3 | = 5 7 5 = (2 )2 (7 ) 100 100 + 16(7 + )
4
5
2
25(2 ) 25(2 ) = (4 4 + 2 )(7 ) 200 + 112 + 16 100 + 50 = 28+
+ 28 72 4 + 42 3 + 66 188 = 3 32 + 90 216
La ecuacin caracterstica es p() = +3 + 32 90 + 216 = 0. Determinamos los autovalores de
T resolviendo la ecuacin caracterstica:
3 90 216
3
3
18 216
1 6 72
0
6
6
72
p() = ( 3)( 6)( + 12)
1 12
0
12
12
1 0
1
dando como resultado:
P =
1
16
3
1
2
2
3
13
1
6
1
3
12
y = 12, = 3 y = 6, es decir, los tres autovalores son no nulos. Realizando el cambio de base

u
u
12 0 0
u v w
0 3 0
v + 2 3 6 3 P v + 5 = 0
0 0 6
w
w
donde P es la matriz de paso antes indicada, obtenemos:
12u2 + 4 6u + 3v 2 4 3v + 6w2 + 6 2w + 5 = 0
165

2

2

2
1
2
1
12 + u + 3 + v + 6 + w
6
3
2
Como el trmino independiente es nulo, observamos los signos de los coeficientes de los trminos
cuadrticos.
En este caso, por ser uno de ellos (12) de distinto signo que los otros dos, la cuadrtica es un cono.
Ejemplo 17. Clasifique ortogonalmente la cuadrtica de ecuacin
2x2 + y 2 + z 2 + 6yz 4x 2y 4z + 6 = 0
En forma matricial sera:

2
0
0
x

x
x y z 0 1 3 y + 2 2 1 2 y + 6 = 0
0 3 1
z
z
Calculamos los autovalores y la matriz de paso ortonomal asociada a la matriz
2 0 0
M = 0 1 3
0 3 1
dando como resultado:
0 12
0
P = 1
1
0
2
1
2
0
1
2
y = 2, = 2 y = 4, es decir, los tres autovalores son no nulos.

Realizando el cambio de base

2
0
0
u
u

u v w 0 2 0 v + 2 2 1 2 P v + 6 = 0
0 0 4
w
w
donde P es la matriz de paso antes indicada, obtenemos:
2u2 + 2v 2 + 4w2 2u 4v 3 2w + 6 = 0
!2

2
2
3
2
25
+
2 u +
2(v 1)2 + 4 2
=0
8
8
4
De lo cual deducimos que la cudrica es un hiperboloide de dos hojas.
166
3.8.
Ejercicios tema 3
8. Sea V = R2 y f : V V R una forma bilineal dada por f (~

v, ~
v 0 ) = xx0 + 2yy 0 xy 0 ,
0
0
0
2
donde ~
v = (x, y), v = (x , y ) son dos vectores cualesquiera de R en la base cannica. Calcule la matriz de f en la base cannica de R2 . Obtenga, usando la definicin, la matriz de f en
la base B = {~
u1 , u
~ 2 } donde u
~ 1 = (1, 1) y u
~ 2 = (1, 1). Muestre la relacin existente entre
ambas matrices.
La matriz de f en la base cannica es:

1 1
M = MC (f ) =
0 2
Obtengamos la matriz de f en la base B usando la definicin:
f (~u1 , ~u1 ) = f ((1, 1), (1, 1)) = 1 + 2 1 = 2

f (~u1 , ~u2 ) = f ((1, 1), (1, 1)) = 1 2 + 1 = 0
2 0
MB (f ) =
f (~u2 , ~u1 ) = f ((1, 1), (1, 1)) = 1 2 1 = 2
2 4
f (~u2 , ~u2 ) = f ((1, 1), (1, 1)) = 1 + 2 + 1 = 4
La relacin entre las matrices es MB (f ) = P t M P . Siendo P la matriz de cambio de base de B a
C, es decir, la matriz que tiene por columnas las coordenadas de los vectores
de labase B en la base
1 1
cannica. Verifiquemos la relacin entre las matrices. Tenemos que P =
. Y entonces
1 1

1 1
1 1
1 1
1 1
1 1
2 0
=
=
1 1
0 2
1 1
1 3
1 1
2 4
9. Sea f :
R3 R3
R la forma bilineal cuya matriz en la base cannica de R3 , C = {~
e1 ,
0 0 1
~
e2 , ~
e3 }, es 0 0 0. Encuentre una base ortogonal con respecto a f de R3 , es decir, diago1 0 1
nalice f , usando vectores no isotrpicos.
Elegimos un vector ~v1 R3 no isotrpico, es decir, tal que f (~v1 , ~v1 ) 6= 0. Probamos, por ejemplo,
con el vector ~e3 :

0
0 0 1
0
0 0 1 0 0 0 0 = 1 0 1 0 = 1 6= 0
1 0 1
1
1
Entonces definimos ~v1 := (0, 0, 1). Cogemos ahora un vector no isotrpico del subespacio ortogonal
a ~v1 , h~v1 i = {~u R3 : f (~v1 , ~u) = 0}. Si ~u = (x, y, z), tenemos que

0
0
1
x
x=

y=
f (~v1 , ~u) = 0 0 1 0 0 0 y = 0 x + z = 0
1 0 1
z
z =
Por tanto h~v1 i = h(1, 0, 1), (0, 1, 0)i. Probamos con el vector ~e2 :

0
0
1
0

0 1 0 0 0 0 1 = 0
1 0 1
0
3.8. EJERCICIOS TEMA 3
167
Por lo que el vector ~e2 es isotrpico. Probamos con el vector (1, 0, 1):

0
0
1
1

1
1 0 1 0 0 0
0
= 1 0 0 0 = 1 6= 0
1 0 1
1
1
Por tanto, como el vector (1, 0, 1) es no isotrpico definimos ~v2 : (1, 0, 1). Calculemos entonces
h~v1 , ~v2 i . Si ~u = (x, y, z) h~v1 , ~v2 i tenemos que f (~v1 , ~u) = 0 y f (~v2 , ~u) = 0. Calculamos entonces

0
0
1
x

x
f (~v2 , ~u) = 1 0 1 0 0 0 y = 0 1 0 0 y = 0 x = 0
1 0 1
z
z
Entonces obtenemos las ecuaciones

x=0
x+z =0
y=
x=z=0
x=0
z=0
Por lo que h~v1 , ~v2 i = h(0, 1, 0)i. Entonces definimos ~v3 := (0, 1, 0) aun siendo este ltimo vector
isotrpico. La base B = {~v1 , ~v2 , ~v3 } de R3 es la base ortogonal buscada. Se tiene adems que
1 0 0
MB (f ) = 0 1 0
0 0 0
La matriz de cambio de base es
0 1 0
P = 0 0 1
1 1 0
10. Se consideran en R3 y con respecto a la base cannica, las formas cuadrticas qa (x, y, z) =
= x2 + ay 2 + 3z 2 + 2xy + 2xz + 2ayz.
1. Diagonaliza y estudia el carcter de q a para los distintos valores de a.
2. Para a = 2, calcula el subespacio ortogonal del subespacio V = x y = 0 respecto de
la forma polar.
3. Para a = 1, calcule el rango y el ncleo de la forma polar.
4. Diagonalice la forma polar para a = 3, encontrando una base ortogonal.
1. Diagonalizamos completando cuadrados:
qa (x, y, z) = x2 + 2xy + ay 2 + 2xz + 2ayz + 3z 2 = (x + y + z)2 + 2z 2 + ay 2 y 2 + 2ayz
2yz = (x + y + z)2 + 2z 2 + y 2 (a 1) + 2yz(a 1) = (x + y + z)2 + (a 1)(y + z)2
(a 1)z 2 + 2z 2 = (x + y + z)2 + (a 1)(y + z)2 + (3 a)z 2
168
siendo una posible diagonalizacin de la forma cuadrtica
1
0
0
0 a 1
0
0
0
3a
Se puede diagonalizar tambin usando operaciones elementales sobre la matriz de qa . Haremos esto
aadiendo la matriz identidad ya que en el apartado 4 nos piden que encontremos una base ortogonal:
1
1
1
1 0 0
1 1 1 1 0 0
2 F1
2 C1
0 a 1 a 1 1 1 0 C
1 a a 0 1 0 F
0 0 1
1 a 3 0 0 1
1
a
3
1
0
1
1 0 0
1
0
1
1 0 0
3 F1
3 C1
0 a 1 a 1 1 1 0 F
0 a 1 a 1 1 1 0 C
1 a1
3
0 0 1
0 a1
2
1 0 1
1 0 0
1
0 0
1
0
0
1
0
0
3 F2
3 C2
0 a 1 a 1 1 1 0 F
0 a 1 a 1 1 1 0 C
0 a1
2
0
0
2
1 0 1
0 1 1
1
0
0 1
0 0
0 a 1 0 1 1 0
0
0
2 0 1 1
Si a 6= 1 y a 6= 3 la forma cuadrtica es no degenerada.
Si a (, 1), es indefinida, porque a 1 < 0 y 3 a > 0.
Si a (1, 3), es definida positiva porque a 1 > 0 y 3 a > 0.
Si a (3, ), es indefinida porque a 1 > 0 y 3 a < 0.
Si a = 1, entonces es degenerada y semidefinida positiva, porque 3 a > 0.
Si a = 3, entonces es degenerada y semidefinida positiva, porque a 1 > 0.
2. Si a = 2, una base del espacio vectorial V = x y = 0 es:
x=
y = V = h(1, 1, 0), (0, 0, 1)i
z=
La matriz asociada a la forma cuadrtica (y a la forma polar asociada fa ) ser:
1 1 1
1 2 2
1 2 3
Los vectores (x, y, z) del subespacio ortogonal a V deben cumplir:

1
1
1
x

x
1 1 0 1 2 2 y = 0 2 3 3 y = 0 2x + 3y + 3z = 0
1 2 3
z
z
169

x
1 1 1
x
0 0 1 1 2 2 y = 0 1 2 3 y = 0 x + 2y + 3z = 0
1 2 3
z
z
Habr que resolver, por tanto, el sistema,

2x + 3y + 3z = 0
x + 2y + 3z = 0
x+y =0
x + 2y + 3z = 0
x =
x = y
y=
y + 3z = 0
z = 31
Entonces haciendo = 3 tenemos que V = h(3, 3, 1)i.

3. Para a = 1 la matriz diagonal asociada a la forma polar es
1 0 0
0 0 0
0 0 2
por lo que el rango de la forma polar es 2. Tambin podemos ver cual es la forma polar para a = 1 y
calcular el rango a partir de ella:
1 1 1
1 1 1
1 1 3
Igualmente vemos que el rango es 2. Calculemos el ncleo de la forma polar:

1 1 1
x
0
1 1 1 y = 0 x + y + z = 0 x + y + z = 0 x + y = 0
x + y + 3z = 0
2z = 0
z=0
1 1 3
z
0
x=
y =
z=0
luego Ker(f1 ) = h(1, 1, 0)i.
4. Sustituyendo a = 3 en la diagonalizacin de la forma polar tenemos
1 0 0
0 2 0
0 0 0
Siendo por tanto la base ortogonal B = {(1, 0, 0), (1, 1, 0), (0, 1, 1)}.
11. Sea R2 [t] el espacio vectorial real de los polinomios de grado menor o igual que 2. Consideremos la base B = {1, t, t2 }. Definimos la forma cuadrtica q : R2 [t] R dada por q(p(t)) :=
:= p()p() donde y son nmeros reales fijos.
1. Determine la matriz asociada a q en la base B.
2. Si = , diagonalice q (encontrado una nueva base) y clasifquela.
170
1. La matriz de q en la base B coincide con la matriz de la forma polar asociada a q, que viene dada
por la ecuacin:
1
f (p(t), r(t)) = (q(pt(t) + r(t))) q(p(t)) q(r(t))),
2
p(t), r(t) R2 [t]
Los elementos de la matriz (aij ) de f en la base B sern:

1
1
1
a11 = f (1, 1) = (q(1 + 1) q(1) q(1)) = (2 2 1 1 1 1) = (4 2) = 1
2
2
2
1
1
1
a12 = f (1, t) = (q(1 + t) q(1) q(t)) = ((1 + )(1 + ) 1 1 ) = (1 + + +
2
2
2
1
+ 1 ) = ( + )
2
1
1
1
a13 = f (1, t2 ) = (q(1 + t2 ) q(1) q(t2 )) = ((1 + 2 )(1 + 2 ) 1 1 2 2 ) = ((1 + 2 )
2
2
2
1
1
(1 + 2 ) 1 1 2 2 ) = (1 + 2 + 2 + 2 2 1 2 2 ) = (2 + 2 )
2
2
a21 = a12
1
1
1
a(22) = f (t, t) = (q(t + t) q(t) q(t)) = (( + )( + ) ) = (22
2
2
2
1
) = (4 2) =
2
1
1
1
a23 = f (t, t2 ) = (q(t + t2 ) q(t) q(t2 )) = (( + 2 )( + 2 ) 2 2 ) = (+
2
2
2
1
2
2
2 2
2 2
2
2
+ + + ) = ( + )
2
a31 = a13
a32 = a23
1
1
a33 = f (t2 , t2 ) = (q(t2 + t2 ) q(t2 ) q(t2 )) = ((2 + 2 )( 2 + 2 ) 2 2 2 2 ) =
2
2
1
2 2
2 2
2 2
2 2
= (4 ) =
2
La matriz queda de la forma:
1
1 ( + )
2
1
(2 + 2 )
2
1
(
2
+ )
1
2
(
+ 2 )
2
1
(2 + 2 )
2
1
( 2 + 2 )
2
2 2
2. Si = , entonces la matriz de f es de la forma
1
0 2
0 2 0
2
0 4
171
Diagonalizamos q usando operaciones elementales:
1 0 0
1
0 2 1 0 0
1 0 2
2
F1
C3 2 C1
0 2 0 0 1 0 F3
0 2 0
0 1 0
2
0 4 0 0 1
0 0
0 2 0 1
1 0 0 1 0 0
0 2 0 0 1 0
0 0 0 2 0 1
La nueva base es B = {1, t, 2 + t2 }. La forma es indefinida si 6= 0 y semidefinida positiva si
= 0.
12. Diagonalice ortogonalmente el endomorfismo autoadjunto en el espacio vectorial eucldeo
R3 cuya matriz en la base cannica es
3 1 0
M = 1 3 0
0
0 2
Est resuelto en el ejemplo 22.
13. Consideremos el espacio vectorial R2 [t] formado por los polinomios reales en la indeterminada t de grado menor o igual que 2 con las operaciones habituales. Definamos el producto
escalar
Z 1
p(t)q(t) p, q R2 [t]
< p, q >:=
0
Aplique el proceso de ortonormalizacin de Gram-Schmidt a la base {1, t, t2 }.

En el ejemplo 33 de la pgina 138 calculamos primero una base ortogonal y despus la normalizamos,
pero tambin se puede hacer normalizando los vectores conforme se van hallando como haremos
ahora. ~e1 = 1, ~e2 = t y ~e3 = t2
w
~ 1 := ~e1 = 1 ~u1 :=
Calculamos
Z
< 1, 1 >=
1
1
=
k1k
< 1, 1 >
1 dt = [t]10 = 1
y entonces ~u1 = 1.
w
~ 2 := ~e2
< ~e2 , ~u1 >

< t, 1 >
~u1 = t
1
< ~u1 , ~u1 >
< 1, 1 >
Calculamos
Z
< t, 1 >=
0
1
t
1
t dt =
=
2 0 2
y entonces
t 12
t 12
1
w
~ 2 = t ~u2 :=
=q
2
kt 12 k
< t 21 , t
1
2
>
172
Calculamos
1
1
< t , t >=
2
2
1
3
=
+
12
12
1
t
2
2
dt =
0
Por tanto
~u2 =
1
t t+
4
2
t3 t2
t
dt =
+
3
2
4

1
=
0
6
4
+
12 12

1
= 3(2t 1)
22 3 t
2
Por ltimo
< ~e3 , ~u1 >

< ~e3 , ~u2 >
< t2 , 1 >
< t2 , 3(2t 1) >
2
w
~ 3 := ~e3
~u1
~u2 = t
1
< ~u1 , ~u1 >
< ~u2 , ~u2 >
< 1, 1 >
< 3(2t 1), 3(2t 1) >
3(2t 1)
Calculamos
3 1
1
t
=
< t , 1 >=
t dt =
3 0 3
0

Z
1
t4 t3 1 3 2
3
3
2
2
(2t t ) dt = 3
= 3
< t , 3(2t 1) >= 3
=
2
3 0
6 6
6
0
<
1
2
(2t 1) dt = 3
3(2t 1), 3(2t 1) >= 3
1
4 3
2
(4t 4t + 1) dt = 3 t 2t + t =
3
0

=46+3=1
Por tanto
1
3
1 1
2 3
1
w
~3 = t
3(2t 1) = t2 (2t 1) = t2 t + = t2 t +
3
6
3 2
6 6
6
y entonces
t2 t + 16
t2 t + 61
q
~u3 := 2
=
kt t + 16 k
< t2 t + 1 , t2 t + 1 >
2
Calculamos
2
Z 1
Z 1
1 2
1
1
1
t t2
2
< t t + , t t + >=
dt =
t4 t3 + t2 t3 + t2 +
t t+
6
6
6
6
6
6
0
0

5
1
Z 1
4
2
1
4
t
1
t
t
4
t
t
t
36
+
dt =
t4 2t3 + t2 +
dt =
+ t3 +
=
6 36
3
3 36
5
2
9
6
36 0 180
0
90
80
30
5
1
+
=
180 180 180 180
180
2
Por tanto
~u3 =
1
180 t t +
6
2

1
2
= 62 5 t t +
= 5(6t2 6t + 1)
6
Obteniendo entonces una base ortonormal {~u1 , ~u2 , ~u3 } de R2 [t].
173
14. Sea f : R3 R3 R definida por:

f (~
u, ~
v ) = (x1 2x2 )(y1 2y2 ) + x2 y2 + (x2 + x3 )(y2 + y3 )
siendo (x1 , x2 , x3 ) e (y1 , y2 , y3 ) las coordenadas de u
~ e~
v en la base cannica.
1. Pruebe que es un producto escalar.
2. Aplique Gram-Schmidt, con este producto escalar, a la base cannica.
Esta resuelto en el ejemplo 33 de la pgina 138.
2 1 1
15. Considere la matriz A = 1 2 1.
1 1 2
1. Si A representa un endomorfismo, sus autovalores son reales? Calclelos. Determine el
lmite de Ak cuando k .
2. Determine nmeros positivos r, s y t tales que las matrices A rI3 , A sI3 y A tI3 ,
representando a formas cuadrticas reales, sean, respectivamente, definida positiva, indefinida y definida negativa.
1. Segn el teorema 11 de la pgina 128 todos los autovalores son reales por ser la matriz simtrica.
Calculamos los autovalores por operaciones elementales:
2 1 1 1 0 0
2 0
1 1 0 0
2 1 1 1 0 0
F 12 F1
2 F3
2 C3
0 1 1 0 1 1 C
0 2 1 0 1 1 3
1 2 1 0 1 0 F
1 1 2 0 0 1
1 1 2 0 0 1
1 1 2 0 0 1
2 0
1
1
0 0
2
0
0
1
0
0
1
C3 2 C1
F3 + 12 F2
0 2 1
0 2 1
0
1 1
0
1 1
0 1 3/2 1/2 0 1
0 1 3/2 1/2 0 1
2 0 0
1
0
0
2 0 0
1
0
0
C3 + 21 C2
0 2 1
0
1 1 0 2 0
0
1 1
0 0 1 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
Por tanto los autovalores son 2 doble y 1 simple. Calculamos ahora Ak :
1 0 1/2
2 0 0
1
0
0
2 0
0
1/2 0 2k 0 0
1 1 = 0 2k 0
Ak = P Dk P t = 0 1
0 1 1/2
0 0 1
1/2 1/2 1/2
0 0 1/2
1
0
0
2 0
0
k
0
1 1 = 0 2
0
1/2 1/2 1/2
0 0 1/4
Cuando k :
2. Ni idea.
0
0
A=0 0
0 0 1/4
174
16. Clasifica el movimiento de ecuaciones:

1
1
y1 =
0
y2
1
3
2
1
2

0
1
1
x1
2
3
x2
2
en el sistema de referencia cannico de R2 , mediante el anlisis del polinomio caracterstico y

espacios propios asociados, determinando los elementos geomtricos correspondientes.
Resuelto en el ejemplo 5 de la pgina 149.
17. Realice un estudio completo de la afinidad de ecuaciones

1 0
0
1
1
x0 = 2 0 1 x
y0
y
0 1 0
en el sistema de referencia cannico de R2 , probando para ello en primer lugar que se trata de
un movimiento.
Esta resuelto en el ejemplo 6 de la pgina 150.
2
18. Con respecto al sistema de referencia usual {o,
e1 , e2 } en R se considera M 1 , un giro de
45 grados que transforma el (0, 0) en el (1, 1 2) y M2 , una simetra respecto del eje afn
(0, 0) + h(1, 1)i seguida de una traslacin de vector (0, 1).
1. Determine las matrices asociadas a ambos movimientos con respecto al sistema de referencia usual.
2. Calcule el centro del giro M1 .
3. Si se componen ambos movimientos, actuando M1 en primer lugar, se obtiene un movimiento? En caso afirmativo, clasifquelo y estudie sus elementos geomtricos.
Los puntos 1 y 2 estn resueltos para M1 en el ejemplo 4 de la pgina 147. Resolvemos el punto 1
para el segundo movimiento.
1. Seguimos los pasos del ejemplo 8 de la pgina 152. Tomamos un vector director de la recta de
norma 1

1 1
~u := ,
2 2
y completamos a una base ortonormal de R2 conservando la orientacin cannica

1 1
~v := ,
2 2

1 0
En esta base as construida, B = {~u, ~v }, la matriz de la simetra es
con lo que si llamamos
0 1
P a la matriz de paso
!
1
1
P = 12 1 2
2
175
podemos obtener la matriz en la base cannica haciendo

!

1
1
1
1 0
1 0
1
2
2
2
P
P = 1
1
1
0 1
0
1
2
2
2

0 1
=
1 0
1
2
1
2
!
=
1
2
1
2
1
2
12
1
2
12
1
2
1
2
!
=
Como adems tenemos la traslacin y el (0, 0) es un punto de la recta afn de la simetra, tenemos que
la matriz de este segundo movimiento es
1 0 0
M2 = 0 0 1
1 1 0
3. La composicin de movimientos es siempre un movimiento, por tanto la respuesta a la pregunta
es afirmativa. Es fcil comprobar que la composicin de transformaciones afines se corresponde con
la multiplicacin de sus matrices respecto de sistemas de referencia fijados. Entonces, si M1 acta
primero la matriz del movimiento composicin queda

0
0
0
0
1
1
1 0 0
1
1
1
1
0 0 1
1 2 2 = 1 2 2 2
1
1 1 0
2
12
1 2 12 12
2
Calculamos el polinomio caracterstico asociado a la transformacin ortogonal correspondiente, con
matriz asociada
!
M=
1
2
1
2
1
2
12

1

1
1
1
1
1
1
2

2
2
=
p() = |M I3 | = 1
=

1
2

2
2
2
2
2
2
= 2 1
Las races son 1 por tanto se trata de una simetra. El eje vectorial es

x
0
x
2
P1 = Ker(M I2 ) =
R : (M I2 )
=
=
y
y
0
! )
(
1 1
1
x
x
0
2
2
=
R2 :
=
;
1
1
y
21
y
0
2
!

1 1
1
F
=
2F
1
2 1 F2 ( 2+1)F1
1
2
2
2
1
21
2+1
1
F2 = 2F1
2

1
1
1
1

=
=
0 1 (2 1)
0
0
0 1 21 2+1

D

E
x
P1 =
R2 : x 1 + 2 y = 0 = 1 + 2, 1
y
176
El eje afn de simetra es entonces de la forma

x 1+ 2 y =k
para cierto k R. Si tomamos un punto cualquiera de esta recta, de la forma por tanto k + 1 +
su imagen
1
0
0
1
1
1 2 1
1
k + 1 + 2 y = 1 2 + k + y + y =
2
2
2
2
k + y + y y
1
1
y
2
+
2
2
2
2
2
2
y
k
= 1 2 + 2 + 2 + y
2 + k2 + y
debe verificar

1
1
k + 1 + 2 y = 1 2 + k + y + y
2
2
y
2 + k2 + y

2 y, y ,

Apuntes de Álgebra 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

Apuntes de Álgebra Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad de Mlaga

Escuela Tcnica Superior de Ingenieros Industriales

Grado en Ingeniera en Tecnologas Industriales

Mlaga - 17 de febrero de 2013

1. Espacios vectoriales y aplicaciones lineales

3. Espacio afn y eucldeo. Movimientos

El cardinal de un conjunto S se denota por card(S). Para conjuntos finitos, el cardinal es el

x, y . . . se lee: para todo x, y . . .

Esta afirmacin suele usarse como la equivalente de la proposicin

x, y . . . se lee: existe al menos un x, y . . .

Esta proposicin suele interpretarse como la equivalente de la proposicin siguiente:

Cuantificador existencial nico

! x, y . . . se lee: existe exactamente un x, y . . .

Se lee Existe un nico elemento de A cumpliendo una proposicin p(x).

f : A B o A B. La manera habitual de denotar una aplicacin f es:

Figura P.1: Representacin de las funciones inyectiva, sobreyectiva y biyectiva

Ley de composicin interna u operacin interna

P.4. ESTRUCTURAS ALGEBRAICAS

Ley de composicin externa u operacin externa

Definimos dos conjunto A y K (K se llama dominio de escalares). A los elementos de K los

2. Existencia elemento neutro: a e = e a = a,

3. Todo elemento posee simtrico: a a0 = a0 a = e

Un cuerpo es un conjunto K dotado de dos operaciones internas + y denotado por (K, +, )

Matrices y sistemas de ecuaciones lineales

1. (Mmn (K), +) es grupo abeliano.

El anillo de las matrices cuadradas

P.5. MATRICES Y SISTEMAS DE ECUACIONES LINEALES

Independencia y dependencia lineal

Llamamos combinacin lineal de filas (o columnas) f1 , f2 , . . . , fk a una expresin de la forma

Rango de una matriz

Determinante de una matriz de orden 2:

Resolucin de sistemas de ecuaciones lineales

Un sistema de ecuaciones lineales

se puede escribir en forma de matriz como

siendo A la matriz de coeficientes, X el vector de incgnitas y B el vector de trminos independientes.

a11 a12 . . . a1n b1

P.5. MATRICES Y SISTEMAS DE ECUACIONES LINEALES

c) SI: Dos rectas paralelas

Los planos se cortan dos a dos

Mediante la Regla de Cramer podremos calcular la solucin de un sistema lineal de ecuaciones en

2. Sistema de 3 ecuaciones con 3 incgnitas.

TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Combinacin lineal. Ser todo vector de la forma

1.1. ESPACIOS VECTORIALES

Dado un espacio vectorial V y W V , W 6= , un subconjunto de elementos de V , diremos que

TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Ejemplos de subespacios vectoriales

, R. Sean (x, 2x, x), (y, 2y, y) dos elementos de S.

(x, 2x, x) + (y, 2y, y) = (x + y, 2x + 2y, x y) =

, R. Sean (x, y), (z, t) dos elementos de Q. Entonces,

(x, x 1) + (z, z 1) = (x, x ) + (z, z 1) = (x + z, x + z )

, R. Sean (0, 2 , + ), (0, 2 t, + t) dos

(0, 2 , + ) + (0, 2 t, + t) = (0, 2 + 2 t, + + + t) =

1.1. ESPACIOS VECTORIALES

Definicin 4. Llamamos base de un espacio vectorial V a un sistema de vectores B linealmente

TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Espacio vectorial de dimensin finita

1.1. ESPACIOS VECTORIALES

TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

1.1. ESPACIOS VECTORIALES

Ecuaciones cartesianas y paramtricas

En los espacios vectoriales K n podemos representar los subespacios mediante:

TEMA 1. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Tomando z y t como parmetros, z = y t = , podemos escribir: