Estadstica, Fsica y Matema

ticas
Primer Curso

ALGEBRA LINEAL I

Juan A. Navarro Gonzalez

2 de diciembre de 2016
2
Indice general

1. Preliminares 1
1.1. Relaciones de Equivalencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. N
umeros Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2. Espacios Vectoriales 9
2.1. Espacios Vectoriales y Subespacios Vectoriales . . . . . . . . . . . . . . . . . . 9
2.2. Teora de la Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Suma Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3. Aplicaciones Lineales 17
3.1. Aplicaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2. Teorema de Isomorfa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4. Geometra Eucldea 25
4.1. Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Espacios Vectoriales Eucldeos . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3. Bases Ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5. Endomorfismos 31
5.1. Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3. Diagonalizacion de Endomorfismos . . . . . . . . . . . . . . . . . . . . . . . . 33

3
4 INDICE GENERAL
Captulo 1

Preliminares

1.1. Relaciones de Equivalencia

Definici on en un conjunto X es dar una familia de parejas ordenadas
on: Dar una relaci
de X, y pondremos x y cuando la pareja (x, y) este en tal familia. Diremos que es una
relacion de equivalencia si tiene las siguientes propiedades:
1. Reflexiva: x x, x X.
2. Simetrica: x, y X, x y y x.
3. Transitiva: x, y, z X, x y, y z x z.

umero natural, n 2. Diremos que dos n

Ejemplo: Sea n un n umeros enteros a, b Z son
congruentes modulo n cuando b a es m
ultiplo de n:

a b (m
od. n) cuando b a = cn para alg
un c Z .

La relacion de congruencia modulo n es una relacion de equivalencia en el conjunto Z:

Reflexiva: Si a Z, entonces a a (mod. n) porque a a = 0 n.
Simetrica: Si a b (mod. n), entonces b a = cn, donde c Z; luego a b = (c)n, y
por tanto b a (mod. n).
Transitiva: Si a b y b c (mod. n), entonces b a = xn y c b = yn, donde x, y Z;
luego c a = (c b) + (b a) = yn + xn = (y + x)n, y por tanto a c (mod. n).
Esta relacion de equivalencia tiene ademas la siguiente propiedad:

a b (mod. n) a + c b + c y ac bc (mod. n) cZ

pues si b = a + xn, donde x Z, entonces b + c = a + c + xn y bc = (a + xn)c = ac + xcn.

Definicion: Dada una relacion de equivalencia en un conjunto X, llamaremos clase de

equivalencia de un elemento x X al subconjunto de X formado por todos los elementos
relacionados con x. Se denota

= [x] := {y X : x y} .
x

Diremos que un subconjunto C X es una clase de equivalencia de la relacion si es

un elemento x X; es decir, C = x
la clase de equivalencia de alg un x X.
para alg
El conjunto cociente de X por es el conjunto formado por las clases de equivalencia
de , y se denota X/ .

1
2 CAPITULO 1. PRELIMINARES

Teorema 1.1.1 Si es una relaci on de equivalencia en un conjunto X, en el conjunto

cociente X/ s
olo se identifican los elementos equivalentes:

[x] = [y] x y ; x, y X .

Demostracion: Si [x] = [y], entonces y [y] = [x]; luego x y.

Recprocamente, si x y, veamos que [y] [x]. En efecto, si z [y], entonces y z, y
por la propiedad transitiva x z; luego z [x].
Ahora bien, si x y, entonces y x; luego tambien [x] [y], y [x] = [y].

Corolario 1.1.2 Cada elemento x X est nica clase de equivalencia de .

a en una u

on: x esta en [x], porque x x, y si x [y], entonces y x; luego [y] = [x].

Demostraci

Ejemplo: Cuando en Z consideramos la relacion de congruencia modulo n, la clase de

equivalencia de a Z es

[a] = a + nZ = {a + cn : c Z} ,

y coincide con la clase [r] del resto de la division de a por n, pues a = cn + r.

Por tanto el conjunto cociente, que se denota Z/nZ, tiene n elementos:

Z/nZ = {[1], [2], . . . , [n] = [0]} .

1.2. N
umeros Complejos
Definicion: Los numeros complejos son las parejas de n
umeros reales z = x + yi (donde
x R se llama parte real de z e y R se llama parte imaginaria) que se suman y
multiplican con las siguientes reglas (i2 = 1):

(x1 + y1 i)+(x2 + y2 i) := (x1 + x2 ) + (y1 + y2 )i

(x1 + y1 i)(x2 + y2 i) := (x1 x2 y1 y2 ) + (x1 y2 + x2 y1 )i

El conjunto de todos los numeros complejos se denota C. El conjugado de un n umero

complejo z = x+ yi es el n
u mero complejo z
:= x yi, y el m
o dulo de z es el n
u mero real
|z| := z z = x2 + y 2 0. Las siguientes propiedades son de comprobacion sencilla:

z + u = z + u
zu = zu z = z |z| = |
z|
|z| = 0 z = 0 |zu| = |z| |u| z + z 2|z| |z + u| |z| + |u|

ltima. Para demostrarla bastara ver que |z + u|2 (|z| + |u|)2 :

excepto la u

|z + u|2 = (z + u)(z + u) = (z + u)( ) = |z|2 + |u|2 + z u

z+u + zu
= |z|2 + |u|2 + z u |z|2 + |u|2 + 2|z u
+ zu |
= |z|2 + |u|2 + 2|z| |
u| = |z|2 + |u|2 + 2|z| |u| = (|z| + |u|)2 .

Si un numero complejo z = x + yi no es nulo, tenemos que z z = |z|2 = x2 + y 2 > 0, as

que su inverso z 1 existe, es de modulo |z 1 | = |z|1 , y es

1 z z x y
= 2 = = 2 2 i.
z |z| z z x + y2 x + y2

Por tanto, si zz = 0 y z = 0, entonces z = z 1 zz = z 1 0 = 0.


1.2. NUMEROS COMPLEJOS 3

Exponencial Compleja
Definicion: Si t R, pondremos eti := cos t + i sen t, donde el seno y coseno se consideran
d
en radianes para que dt (eit ) = ieit . Tenemos la f
ormula de Euler (1707-1783)

e2i = 1

y en general e2ni = 1 para todo n umero enteron.

El numero complejo eti es de modulo |eti | = cos2 t + sen2 t = 1, y todo n
umero com-
plejo de modulo 1 es ei para algun numero real .
Si z C es de modulo = 0, el modulo de z/ es 1, as que z/ = ei y

z = ei = (cos + i sen )

para algun numero real = arg z que llamamos argumento de z (bien definido salvo la
adicion de un m
ultiplo entero de 2).
Cuando z = x + yi; x, y R, tenemos que

cos = x/ , sen = y/ , tan = y/x .

Ejemplos: Si es un n umero real positivo, arg = 0, arg (i) = /2, arg () = y

arg (i) = 3/2 porque
3
= e0 , i = e 2 i , = ei , i = e 2 i .

Por otra parte, las formulas del seno y coseno de una suma expresan que

eti et i = e(t+t )i

eti et i = (cos t + i sen t)(cos t + i sen t ) =
( ) ( )
= (cos t)(cos t ) (sen t)(sen t ) + i (cos t)(sen t ) + (sen t)(cos t )

= cos(t + t ) + i sen(t + t ) = e(t+t )i ;

y la igualdad (ei )( e i ) = e(+ )i muestra que

arg (z z ) = (arg z) + (arg z )

de modo que arg (z 1 ) = arg z, al ser arg z 1 + arg z = arg (z 1 z) = arg 1 = 0.

Ahora, si u C y un = z = ei , entonces

|u|n = |un | = |z| =

narg (u) = arg (un ) = arg z = + 2k , kZ

Luego |u| = n y arg (u) = n + 2k
n , y claramente basta tomar k = 0, . . . , n 1. As
, todo
umero complejo no nulo z = ei tiene n races n-esimas complejas, que son:
n

+2k
)i =
e(
2k
n n n
e n ie n i

En particular, las races n-esimas de la unidad complejas son

2k
e n i ; k = 1, . . . , n,

y vemos que las races n-esimas de un n umero complejo no nulo se obtienen multiplicando
una de ellas por las races n-esimas de la unidad.
4 CAPITULO 1. PRELIMINARES

Ejemplos: Las races n-esimas de la unidad complejas, cuando n = 2, 3, 4, 6 y 8, son:

2 4
n = 2; e 2 i = ei = 1, e 2 i = e2i = 1.
2
4
6
n = 3; e 3 i = 12 + 3
2 i, e 3 i = 21 3
2 i, e 3 i = 1.
2 4 6 8
n = 4; e 4 i = i, e 4 i = 1, e 4 i = i, e 4 i = 1.
2
4
6
6 i = i, e 6 i = 1,
1 3 1 3
n = 6; e 6 i = 2 + 2 i, e 2 + 2
8 10
12
e6i= 12 23 i, e 6 i = 21 23 i, e 6 i = 1.
2 4 6 8
n = 8; e 8 i = 1 1 i, e 8 i = i, e 8 i = 1 + 1 i, e 8 i = 1,
+
2 2 2 2
10 12 14 16
e 8 i = 12 12 i, e 8 i = i, e 8 i = 12 12 i, e 8 i = 1.

Por u ltimo, si z = x + yi pondremos ez = ex eyi = ex (cos y + i sen y), de modo que

ez +z = ez ez para cualesquiera n umeros complejos z , z.
Cuando eu = z, decimos que u es el logaritmo neperiano de z, y ponemos u = ln z.
As, el logaritmo neperiano de z = e(+2k)i = eln e(+2k)i = eln +(+2k)i es

ln z = ln + ( + 2k)i.

1.3. Permutaciones
Definici on: Sean X e Y dos conjuntos. Dar una aplicaci on f : X Y es asignar a cada
elemento x X un u nico elemento f (x) Y , llamado imagen de x por la aplicacion f .
Si g : Y Z es otra aplicacion, llamaremos composici on de g y f a la aplicacion
( )
g f : X Z, (g f )(x) := g f (x) .

La identidad de un conjunto X es la aplicacion IdX : X X, IdX (x) = x.

Sea f : X Y una aplicacion.
Si A X, pondremos f (A) := {f (x) : x A} y es un subconjunto de Y .
Si B Y , pondremos f 1 (B) := {x X : f (x) B} y es un subconjunto de X.
Si y Y , puede ocurrir que f 1 (y) no tenga ning
un elemento o tenga mas de uno, de
modo que, en general, f 1 no es una aplicacion de Y en X.
Diremos que una aplicacion f : X Y es inyectiva si elementos distintos tienen image-
nes distintas:
x, y X, f (x) = f (y) x = y
(i.e., cuando, para cada y Y se tiene que f 1 (y) tiene un elemento o ninguno) y diremos
que f es epiyectiva si todo elemento de Y es imagen de alg un elemento de X:

y Y y = f (x) para alg

un x X ,

es decir, cuando f (X) = Y o, lo que es igual, cuando, para cada y Y se tiene que f 1 (y)
tiene al menos un elemento.
Diremos que una aplicacion f : X Y es biyectiva cuando es inyectiva y epiyectiva;
es decir, cuando cada elemento y Y es imagen de un u nico elemento de X, de modo que
f 1 (y) tiene un u
nico elemento, y en tal caso f 1 : Y X s es una aplicacion, llamada
aplicacion inversa de f porque f 1 f = IdX y f f 1 = IdY .

Definici
on: Las permutaciones de n elementos son las aplicaciones biyectivas

: {1, . . . , n} {1, . . . , n} .
1.3. PERMUTACIONES 5

El conjunto de todas las permutaciones de n elementos se denota Sn , y esta claro que su

cardinal es n! = n (n 1) . . . 2 1. El producto de permutaciones es la composicion de
aplicaciones, y como son aplicaciones biyectivas, toda permutacion tienen una permutacion
inversa 1 , de modo que 1 (j ) = i cuando (i) = j. Ademas, ( )1 = 1 1 .

Definici on: Si d 2, dados a1 , . . . , ad {1, . . . , n} distintos, denotaremos (a1 . . . ad ) la

permutaci on Sn tal que (ai ) = ai+1 , entendiendo que (ad ) = a1 , y deja fijos los
restantes elementos. Diremos que tal permutacion (a1 . . . ad ) es un ciclo de longitud d. Los
ciclos (a1 a2 ) de longitud 2 se llaman trasposiciones.
Diremos que dos ciclos (a1 . . . ad ) y (b1 . . . bk ) son disjuntos cuando ai = bj para todo
par de ndices i, j; en cuyo caso conmutan:

(a1 . . . ad )(b1 . . . bk ) = (b1 . . . bk )(a1 . . . ad ).

El inverso de un ciclo = (a1 . . . ad ) es 1 = (ad . . . a1 ).

Toda permutaci on descompone claramente en producto de ciclos disjuntos, y tambien
en producto de trasposiciones, porque todo ciclo es producto de trasposiciones:

(a1 a2 a3 . . . ad ) = (a1 a2 )(a2 a3 ) (ad1 ad ) . (1.1)

Signo de una permutaci

on
Definici
on: Consideremos el siguiente polinomio con coeficientes enteros:

(x1 , . . . , xn ) = (xj xi )
1i<jn

Dada una permutaci on Sn , los factores de (x(1) , . . . , x(n) ) = i<j (x(j) x(i) )
coinciden, eventualmente salvo el signo, con los de (x1 , . . . , xn ). Luego ambos polinomios
coinciden o difieren en un signo, (x(1) , . . . , x(n) ) = (x1 , . . . , xn ), y llamaremos signo
umero entero sgn() = 1 tal que
de al n

(x(1) , . . . , x(n) ) = sgn() (x1 , . . . , xn ) . (1.2)

Llamaremos pares a las permutaciones de signo 1, e impares a las de signo 1.

Teorema 1.3.1 El signo de cualquier producto de permutaciones es el producto de los signos

de los factores: sgn( ) = (sgn )(sgn ) .
El signo de las trasposiciones es 1, y el signo de los ciclos de longitud d es (1)d1 .

Demostraci on: Sean , Sn . Aplicando a los ndices de las indeterminadas x1 , . . . , xn

en la igualdad 1.2, obtenemos que

(x( )(1) , . . . , x( )(n) ) = (sgn ) (x (1) , . . . , x (n) )

= (sgn )(sgn ) (x1 , . . . , xn ) .

Luego sgn( ) = (sgn )(sgn ) = (sgn )(sgn ).

Un calculo directo demuestra que el signo de la trasposicion (12) es 1.
Si (ij) es otra trasposicion, tomamos una permutacion tal que (1) = i, (2) = j, de
modo que (ij) = (12) 1 , y concluimos que

sgn(ij) = sgn( ) sgn(12) sgn( 1 ) = sgn( ) sgn( 1 ) = sgn( 1 ) = 1.

Por u
ltimo, cuando = (a1 . . . ad ) es un ciclo de longitud d, se sigue directamente de 1.1
que sgn() = (1)d1 , porque todas las trasposiciones tienen signo 1.
6 CAPITULO 1. PRELIMINARES

1.4. Matrices
En adelante pondremos K = Q, R o C, y llamemos escalares a los elementos de K.

Dada una matriz A = (aij ) de m filas y n columnas (donde el subndice i indica la fila
y el subndice j la columna), su matriz traspuesta es At = (aji ), que tiene n filas y m
columnas. Si B = (bjk ) es otra matriz de n filas y r columnas, su producto AB es una
matriz m r cuyo coeficiente cik de la fila i y columna k es

n
cik = aij bjk = ai1 b1k + ai2 b2k + . . . + ain bnk .
j=1

El, producto de matrices es asociativo, aunque no conmutativo, y (AB)t = B t At .

La matriz unidad In es la matriz n n con todos sus coeficientes nulos, salvo los de la
diagonal, que son la unidad. Si A es una matriz m n, entonces Im A = A y AIn = A.
Una matriz cuadrada A de n columnas se dice que es invertible si existe otra matriz
cuadrada B de n columnas tal que AB = In = BA, en cuyo caso tal matriz B es u nica y se
pone B = A1 . Si A y B son matrices invertibles n n, entonces (AB)1 = B 1 A1 .

Determinantes
Definici
on: El determinante de una matriz cuadrada A = (aij ) de n filas y columnas es

|A| := (sgn )a1(1) . . . an(n)
Sn

y tiene las siguientes propiedades (que se probaran en el curso de Algebra Lineal II):
1. |A| = |At |.
2. Es lineal en cada columna (y por tanto en cada fila):
|A1 , . . . , Ai + Bi , . . . , An | = |A1 , . . . , Ai , . . . , An | + |A1 , . . . , Bi , . . . , An | ,
|A1 , . . . , Ai , . . . , An | = |A1 , . . . , Ai , . . . , An | .
3. |A(1) , . . . , A(n) | = (sgn )|A1 , . . . , An |.
 
a11 a12 . . . a1n 
 
 0 a22 . . . a2n 

4.   = a11 . . . ann , |In | = 1.

. . . . . . . . . . . . 
 0 . . . 0 ann 
5. |AB| = |A| |B| , |A1 | = |A|1 .
Luego el determinante es 0 cuando dos columnas (o dos filas) son iguales y
|A1 , . . . , Ai , . . . , An | = |A1 , . . . , Ai + Aj , . . . , An | , i = j .
Definicion: El adjunto Aij de una matriz A es (1)i+j por el determinante de la matriz
que se obtiene eliminando la fila i y la columna j de la matriz A.
El determinante de A puede calcularse desarrollando por cualquier fila o columna:
|A| = ai1 Ai1 + . . . + ain Ain ,
|A| = a1j A1j + . . . + anj Anj .
Si el determinante de una matriz A no es nulo, entonces A es invertible, y su inversa es

A11 . . . An1
1
A1 = ... ... ...
|A|
A1n . . . Ann
1.4. MATRICES 7

(Notese que el coeficiente de la fila i y columna j es el adjunto Aji , no Aij ). Por tanto, una
matriz cuadrada A es invertible si y solo si su determinante no es nulo.

Definicion: El rango (por columnas) de una matriz A es el maximo n umero de columnas

de A linealmente independientes, y se denota rg A.
El rango por filas de una matriz A es el rango (por columnas) de su traspuesta At .
Los menores de orden r de una matriz A son los determinantes de las matrices formadas
con los coeficientes de r filas y r columnas de A (obviamente r no ha de superar el n
umero
de columnas ni de filas de A).

Teorema del Rango: El rango de una matriz es el orden del mayor menor no nulo.

Como los menores de A y At son los mismos, el rango por filas de cualquier matriz A
coincide con su rango por columnas.

Sistemas de Ecuaciones Lineales

Regla de Cr amer (1704-1752): Si A es una matriz cuadrada invertible, entonces el sistema
de ecuaciones lineales AX = B tiene una u
nica soluci
on, que es

|A1 , . . . , B, . . . , An |
xi =
|A1 , . . . , Ai , . . . , An |

donde A1 , . . . , An denotan las columnas de la matriz A.

Demostraci on: Si A es invertible, la u nica solucion de AX = B es X = A1 B. Ademas, si

x1 , . . . , xn es la solucion del sistema, entonces x1 A1 + . . . + xn An = B y por tanto:

|A1 , . . . , B, . . . , An | = j xj |A1 , . . . , Aj , . . . , An | = xi |A1 , . . . , Ai , . . . , An |

porque la matriz (A1 , . . . , Aj , . . . , An ) tiene dos columnas iguales (las columnas i y j) cuando
i = j. Luego xi = |A1 , . . . , B, . . . , An |/|A1 , . . . , Ai , . . . , An | es la u
nica solucion del sistema.

Teorema de Rouch e-Frob enius (1832-1910, 1849-1917): Un sistema de ecuaciones linea-

les AX = B es compatible si y s
olo si rgA = rg(A|B) .

Si un sistema de ecuaciones lineales AX = B es compatible y X0 es una solucion par-

ticular, AX0 = B, entonces todas las soluciones se obtienen sumandole las soluciones del
sistema homogeneo AY = 0; es decir, las soluciones son X = X0 + Y , donde AY = 0.
8 CAPITULO 1. PRELIMINARES
Captulo 2

Espacios Vectoriales

2.1. Espacios Vectoriales y Subespacios Vectoriales

Definicion: Dar una estructura de K-espacio vectorial en un conjunto E (cuyos elementos
llamamos vectores o puntos) es asignar a cada par de vectores e1 , e2 E otro vector
e1 + e2 E, y a cada escalar K y cada vector e E, otro vector e E, de modo que:
1. e1 + (e2 + e3 ) = (e1 + e2 ) + e3 para cualesquiera vectores e1 , e2 , e3 E.
2. e1 + e2 = e2 + e1 para cualesquiera vectores e1 , e2 E.
3. Existe un vector 0 E tal que e + 0 = e para todo vector e E.
4. Para cada vector e E existe un vector e tal que e + (e) = 0.
5. (e1 + e2 ) = e1 + e2 para todo K, e1 , e2 E.
6. (1 + 2 )e = 1 e + 2 e para todo 1 , 2 K, e E.
7. ()e = (e) para todo , K, e E.
8. 1 e = e para todo vector e E.
Si e, v E, ponemos v e := v + (e), y decimos que e es el opuesto del vector e.
En los espacios vectoriales son validas las reglas usuales del calculo vectorial:

e + v = e + v e = e
e+v =v e=0
e + v = 0 v = e
0e=0 , 0=0 , 0 = 0
(e) = ()e = (e) , (e) = e , (1)e = e
(e v) = e v , ( )e = e e
e = 0 = 0 o e = 0

Definicion: Un subconjunto V de un espacio vectorial E es un subespacio vectorial de

E cuando la suma de vectores y el producto por escalares de E definan tambien en V una
estructura de K-espacio vectorial; es decir, cuando
1. v1 + v2 V , para todo v1 , v2 V .
2. v V , para todo K y v V .
3. 0V.

9
10 CAPITULO 2. ESPACIOS VECTORIALES

Ejemplos:

1. En la Geometra eucldea, los segmentos orientados con origen en un punto prefijado O

forman un espacio vectorial real. Este es el ejemplo paradigmatico de espacio vectorial,
que motiva los nombres de los conceptos que iremos introduciendo.

2. K n = K . n. . K = {(1 , . . . , n ) : 1 , . . . , n K} es un K-espacio vectorial.

Si A es una matriz mn con coeficientes en K, las soluciones del sistema de ecuaciones
lineales homogeneo AX = 0 forman un subespacio vectorial de K n .

3. Fijados dos n
umeros naturales positivos m y n, la suma de matrices y el producto de
matrices por escalares definen una estructura de K-espacio vectorial en el conjunto
Mmn (K) de todas las matrices de m filas y n columnas con coeficientes en K.

4. C es un C-espacio vectorial, y tambien es un R-espacio vectorial y un Q-espacio vecto-

rial. Estas tres estructuras de espacio vectorial sobre C son bien distintas, porque en
cada caso los escalares son diferentes.

5. Un espacio vectorial E nunca puede ser el conjunto vaco, porque el axioma 3 impo-
ne la existencia del vector nulo. El espacio vectorial que tiene un u
nico vector (que
necesariamente ha de ser el vector nulo) se denota 0.

6. Todo espacio vectorial E admite los subespacios vectoriales triviales 0 y E.

7. Si e1 , . . . , en son vectores de un espacio vectorial E, entonces

Ke1 + . . . + Ken := {1 e1 + . . . + n en ; 1 , . . . , n K}

es un subespacio vectorial de E que contiene a los vectores e1 , . . . , en , y diremos que

es el subespacio vectorial de E generado por e1 , . . . , en .
Tambien se denota e1 , . . . , en , y si un subespacio vectorial V de E contiene a los
vectores e1 , . . . , en , entonces Ke1 + . . . + Ken V .

8. Si V y W son dos subespacios vectoriales de un espacio vectorial E, entonces su

on V W y su suma V + W := {v + w; v V y w W } tambien son
intersecci
subespacios vectoriales de E.

9. Si E y F son dos K-espacios vectoriales, su producto directo E F es un K-espacio

vectorial cuando la suma y el producto por escalares se definen del siguiente modo:

(e, f ) + (e , f ) := (e + e , f + f ) , (e, f ) := (e, f ) .

10. Diremos que un subconjunto X de un espacio vectorial E es una subvariedad lineal

un punto p E tales que
si existe un subespacio vectorial V de E y alg

X = p + V := {p + v; v V } .

En tal caso diremos que V es la direccion de X, y que X es la subvariedad lineal que

pasa por p con direccion V . Diremos que dos subvariedades lineales p + V y q + W son
paralelas si sus direcciones V y W son incidentes (V W o W V ).

11. Espacio Vectorial Cociente: Cada subespacio vectorial V de un K-espacio vectorial

E define una relacion de equivalencia en E (llamada congruencia modulo V ):

e e (modulo V ) cuando e e V ; es decir e e + V .

2.2. TEORIA DE LA DIMENSION
11

i) e e para todo vector e E, porque e e = 0 V .

ii) Si e e , entonces e e V ; luego e e = (e e) V y e e.
iii) e e , e e e e, e e V ; e e = (e e ) + (e e) V y e e .
La clase de equivalencia [p] = p + V de p E es la subvariedad lineal de direccion V
que pasa por p. Por tanto, si una subvariedad lineal X = p + V de direccion V pasa
por un punto q, entonces p q (mod. V ) y por tanto tambien X = q + V .
El conjunto cociente (que se denota E/V ) es el conjunto de todas las subvariedades
lineales de E de direccion V , y las siguientes operaciones definen en el conjunto E/V
una estructura de K-espacio vectorial (compruebense los 8 axiomas) y diremos que es
el espacio vectorial cociente de E por V :

[e1 ] + [e2 ] := [e1 + e2 ]

[e ] := [e ]

Veamos que estas definiciones no dependen de los vectores elegidos en las clases:

Si [e1 ] = [e1 ] y [e2 ] = [e2 ], entonces e1 e1 , e2 e2 V ; luego e1 + e2 (e1 + e2 ) V

y por tanto [e1 + e2 ] = [e1 + e2 ].

Si [e] = [e ], entonces e e V ; luego e e = (e e) V y por tanto [e] = [e ].

Con esta estructura de espacio vectorial que hemos de definido en E/V , el opuesto de
un vector e E/V es [e], y el vector nulo de E/V es precisamente la clase de 0 E,
de modo que e = 0 precisamente cuando e 0 (modulo V ):

[e] = 0 e V (2.1)

Nota 2.1.1 Si e Ke1 + . . . + Ken , entonces e K e1 + . . . + K en .

En efecto, si e = 1 e1 + . . . + n en , entonces e = [1 e1 + . . . + n en ] = 1 e1 + . . . + n en .

2.2. Teora de la Dimensi

on
Definici on: Diremos que unos vectores e1 , . . . , en de un espacio vectorial E lo generan, o
que forman un sistema de generadores de E cuando todo vector de E es una combinacion
lineal de e1 , . . . , en con coeficientes en K:

Ke1 + . . . + Ken = E .

Diremos que e1 , . . . , en son linealmente dependientes si existen escalares 1 , . . . , n

tales que 1 e1 + . . . + n en = 0 y alg un i = 0, de modo que ei es combinacion lineal de
los restantes vectores. En caso contrario diremos que son linealmente independientes.
Es decir, e1 , . . . , en son linealmente independientes cuando la u
nica combinacion lineal nula
es la que tiene todos los coeficientes nulos:

1 e1 + . . . + n en = 0 1 = . . . = n = 0 ; donde 1 , . . . , n K.

Diremos que una sucesion de vectores e1 , . . . , en de un espacio vectorial E es una base

de E cuando tales vectores sean linealmente independientes y generen E. En tal caso, cada
vector e E se escribe de modo u
nico como combinacion lineal con coeficientes en K

e = x1 e1 + . . . + xn en ,
12 CAPITULO 2. ESPACIOS VECTORIALES

y diremos que (x1 , . . . , xn ) K n son las coordenadas del vector e en la base e1 , . . . , en .

En efecto, si e = x1 e1 + . . . + xn en = y1 e1 + . . . + yn en , entonces

(x1 y1 )e1 + . . . + (xn yn )en = x1 e1 + . . . + xn en (y1 e1 + . . . + yn en ) = e e = 0 ;

luego yi xi = 0 para todo ndice i, porque e1 , . . . , en son linealmente independientes.

Ejemplos 2.2.1

1. Sea e un vector no nulo. Como e = 0 = 0; tenemos que e es linealmente

independiente, y por tanto define una base del subespacio vectorial Ke = e. Ademas,
si otro vector v no esta en Ke, entonces e, v son linealmente independientes, de modo
que forman una base del subespacio vectorial Ke + Kv = e, v.

2. Los vectores e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, . . . , 0, 1) forman una

base de K n , llamada base usual de K n . Las coordenadas de un vector e = (a1 , . . . , an )
de K n en esta base son precisamente (a1 , . . . , an ), porque e = a1 e1 + . . . + an en .

3. Las matrices m n que tienen todos sus coeficientes nulos, excepto uno que es la
unidad, definen una base de Mmn (K), base que esta formada por mn matrices. Las
coordenadas de una matriz en tal base son precisamente los coeficientes de la matriz.

Lema Fundamental: Sean e1 , . . . , en vectores de un K-espacio vectorial E. Si tenemos

que v1 , . . . , vr Ke1 + . . . + Ken y r > n, entonces los vectores v1 , . . . , vr son linealmente
dependientes.

on: Si vr = 0 es obvio: 0 v1 + 0 v2 + . . . + 0 vr1 + 1 vr = 0.

Demostraci
Si vr = 0, procedemos por induccion sobre n. Si n = 1, entonces v1 , vr Ke1 , as que
v1 = 1 e1 , vr = r e1 y r = 0 porque vr = 0. Luego v1 , . . . , vr son linealmente dependientes:

r v1 1 vr = r 1 e1 1 r e1 = 0 .
n
Si n > 1, reordenando los vectores e1 , . . . en si es preciso, tendremos vr = i=1 i ei con
0. Despejando, obtenemos que en Ke1 + . . . + Ken1 + Kvr , y por tanto
n =

v1 , . . . , vr1 Ke1 + . . . + Ken Ke1 + . . . + Ken1 + Kvr .

De acuerdo con 2.1.1, en el espacio vectorial cociente E/(Kvr ) tendremos que

v1 , . . . , vr1 K e1 + . . . + K en1 + K vr = K e1 + . . . + K en1 ,

donde r 1 > n 1, y por hipotesis de induccion existen escalares 1 , . . . , r1 , alguno no

nulo, tales que

0 = 1 v1 + . . . + r1 vr1 = [1 v1 + . . . + r1 vr1 ] .
r1 r1
Luego i=1 i vi Kvr seg un 2.1, y concluimos que i=1 i vi = r vr para alg
un escalar
r ; es decir, los vectores v1 , . . . , vr son linealmente dependientes.

Teorema 2.2.2 Todas las bases de un espacio vectorial tienen igual n

umero de vectores.

Demostraci on: Si e1 , . . . , en y v1 , . . . , vr son dos bases de un espacio vectorial E, como

los vectores e1 , . . . , en E = Kv1 + . . . + Kvr son linealmente independientes, por el lema
fundamental tenemos que n r. Como los vectores v1 , . . . , vr E = Ke1 + . . . + Ken son
linealmente independientes, tambien tenemos que r n; luego n = r.
2.2. TEORIA DE LA DIMENSION
13

Definici on: Si un espacio vectorial E = 0 admite una base, llamaremos dimensi on de E

al numero de vectores de cualquier base de E, y lo denotaremos dimK E; o sencillamente
dim E cuando no induzca a confusion. Tambien diremos que el espacio vectorial E = 0 tiene
dimension 0 y que su base es el vaco. Diremos que un espacio vectorial E tiene dimension
infinita cuando ninguna familia finita de vectores de E sea una base de E.
La dimension de una subvariedad lineal X = p + V es la de su direccion V . Las subva-
riedades lineales de dimension 1 y 2 se llaman rectas y planos respectivamente.

Ejemplos 2.2.3

1. Seg
un los ejemplos 2.2.1, para todo vector no nulo e tenemos que dim K (Ke) = 1; y si
ademas v
/ Ke, entonces dim K (Ke + Kv) = 2.
Tambien, dimK K n = n y dimK Mmn (K) = mn .

2. En particular dimC C = 1; aunque dimR C = 2, porque 1, i forman una base de

C = R + Ri como R-espacio vectorial.

3. Si E es un Q-espacio vectorial de dimensi

on finita n, cada base e1 , . . . , en define una
on K n E, (1 , . . . , n ) 7 i i ei , y por tanto el conjunto E es numerable.
biyecci
Como R y C no son numerables, dim Q R = dim Q C = .

4. El K-espacio vectorial K[x] := {a0 + a1 x + a2 x2 + . . . ; a0 , a1 . . . K}, formado por

todos los polinomios con coeficientes en K en una indeterminada x, tiene dimension
infinita, porque los polinomios 1, x, . . . , xn son linealmente independientes.
El subespacio vectorial Pn := {a0 + a1 x + . . . + an xn : a0 , . . . , an K}, formado por
todos los polinomios de grado n con coeficientes en K, admite la base 1, x, . . . , xn ;
luego dim Pn = n + 1.

5. Por dos puntos distintos p y q = p + e pasa una u

nica recta p + Ke, formada por los
puntos p + te = tq + (1 t)p, donde t K. El punto p + 12 e = p+q
2 recibe el nombre
de punto medio entre p y q.

6. En un triangulo (tres puntos distintos no alineados a, b, c llamados v

ertices) las
igualdades
( )
a+b+c a 2b+c b 2a+c c 2a+b 2 b+c
= + = + = + =a+ a = ...
3 3 3 2 3 3 2 3 3 2 3 2

muestran que las tres medianas (rectas que unen un vertice con el punto medio del
lado opuesto) se cortan en el punto g = a+b+c
3 , llamado baricentro, que divide a cada
mediana en la proporcion 2:1.
c

a+c
2 b+c
2

a b
a+b
2

Proposici on 2.2.4 Todo sistema finito de generadores {e1 , . . . , en } de un espacio vectorial

E = 0 contiene una base de E. Por tanto n dim E, y si adem as n = dim E, entonces los
vectores e1 , . . . , en ya forman una base de E.
14 CAPITULO 2. ESPACIOS VECTORIALES

on: Para ver que {e1 , . . . , en } contiene una base de E procedemos por induccion
Demostraci
sobre n.
Si n = 1, e1 = 0 porque Ke1 = E = 0; luego e1 es ya una base de E = Ke1 .
Si n > 1, y los vectores e1 , . . . , en son linealmente independientes,
n forman ya una base
de E. Si son linealmente dependientes, tendremos alguna relacion i=1 i ei = 0 con alg un
coeficiente i no nulo. Reordenando los vectores e1 , . . . , en podemos suponer que n = 0.
Despejando en tenemos que en Ke1 + . . . + Ken1 . Luego E = Ke1 + . . . + Ken1 , y por
hipotesis de induccion {e1 , . . . , en1 } contiene una base de E.
Por u
ltimo, si n = dim E, entonces los vectores e1 , . . . , en ya forman una base de E;
porque una base de E no puede tener menos de n vectores seg un 2.2.2.

Lema 2.2.5 Si e1 , . . . , em E son linealmente independientes, y no se pueden ampliar con

un vector de E de modo que lo sigan siendo, entonces ya forman una base de E.

on: Para todo vector e E tenemos que e1 , . . . , em , e son linealmente depen-

Demostraci
dientes:
1 e1 + . . . + m em + e = 0
y alg
un coeficiente no es nulo. Si = 0, entonces e1 , . . . , em seran linealmente dependientes,
en contra de la hipotesis. Luego = 0 y despejando vemos que e Ke1 + . . . + Kem .
Luego los vectores e1 , . . . , em generan E, y como son linealmente independientes por
hipotesis, forman una base de E.

Proposici on finita. Toda familia {e1 , . . . , er }

on 2.2.6 Sea E un espacio vectorial de dimensi
de vectores de E linealmente independiente se puede ampliar hasta obtener una base de E.
Por tanto r dim E, y si adem as r = dim E, entonces los vectores e1 , . . . , er ya forman
una base de E.

Demostraci on: A nadimos vectores de E hasta obtener una familia linealmente independiente
e1 , . . . , er , e1 , . . . , es que ya no pueda ampliarse de modo que lo siga siendo (el proceso
termina porque, si n = dim E, en virtud el lema fundamental en E no puede haber mas de
n vectores linealmente independientes, as que siempre r + s n).
Ahora e1 , . . . , er , e1 , . . . , es ya es base de E por el lema anterior.
Por u
ltimo, si r = dim E, entonces los vectores e1 , . . . , er ya forman una base de E;
porque una base de E no puede tener mas de r vectores seg un 2.2.2.

Teorema 2.2.7 Sea V subespacio vectorial de un espacio vectorial de dimensi

on finita E.

1. dim V dim E y s
olo se da la igualdad cuando V = E.

2. dim (E/V ) = dim E dim V .

Demostraci on: Veamos primero que la dimension de V tambien es finita. Tomemos en V

una familia {v1 , . . . , vr } linealmente independiente que ya no pueda ampliarse con un vector
de V de modo que lo siga siendo (existe porque, si n = dim E, por el lema fundamental en
E no puede haber mas de n vectores linealmente independientes).
Por el lema anterior v1 , . . . , vr forman una base de V , de modo que r = dim V .
Ahora 2.2.6 permite ampliarla hasta obtener una base v1 , . . . , vr , e1 , . . . , es de E.
Luego dim V = r r + s = dim E; y si se da la igualdad, entonces s = 0 y v1 , . . . , vr ya
es base de E, de modo que E = Kv1 + . . . + Kvr = V .
En cuanto a la segunda afirmacion, basta probar que e1 , . . . , es es una base de E/V .
Como v1 , . . . , vr , e1 , . . . , es generan E, y en E/V tenemos que v1 = . . . = vr = 0, se sigue que
E/V = K e1 + . . . + K es . Veamos por u ltimo que e1 , . . . , es son linealmente independientes:
2.2. TEORIA DE LA DIMENSION
15

s s s
Si 0 = i=1 i ei = [ i=1 i ei ], entonces i=1 i ei V de acuerdo con 2.1, as que

1 e1 + . . . + s ee = 1 v1 + . . . + r vr
s r
para ciertos escalares 1 , . . . , r . Luego i=1 i ei j=1 j vj = 0, y como los vectores
v1 , . . . , vr , e1 , . . . , es son linealmente independientes, concluimos que 1 = . . . = s = 0.

Corolario 2.2.8 Sea e1 , . . . , en una base de un espacio vectorial E. Si A es la matriz que

tiene por columnas las coordenadas de v1 , . . . , vm E en tal base de E, entonces

dim (Kv1 + . . . + Kvm ) = rg A .

Demostraci on: Pongamos r = rg A y d = dim (Kv1 + . . . + Kvm ).

Como {v1 , . . . , vm } genera Kv1 + . . . + Kvm , de acuerdo con 2.2.2 contiene una base
vi1 , . . . , vid de Kv1 + . . . + Kvm , as que las columnas i1 , . . . , id de la matriz A son lineal-
mente independientes y por tanto d r (pues unos vectores son linealmente independientes
precisamente cuando sus coordenadas son linealmente independientes en K n ).
Por otra parte, como la matriz A tiene r columnas linealmente independientes, hay r
vectores vj1 , . . . , vjr linealmente independientes en Kv1 + . . . + Kvm , y de acuerdo con
2.2.6 concluimos que r d .

Ejemplos:

1. Con las notaciones del corolario anterior, tenemos que

v1 , . . . , vm son linealmente independientes rg A = m = no de columnas de A .
v1 , . . . , vm generan E rg A = dim E = no de filas de A .

En particular, la condicion necesaria y suficiente para que v1 , . . . , vm formen una base

de E es que m = n y el determinante de la matriz A no sea nulo.
2. Dados n vectores v1 = (a11 , . . . , an1 ), . . . , vn = (a1n , . . . , ann ) en K n , la condicion
necesaria y suficiente para que formen una base de K n es que el determinante de la
matriz A = (aij ) no sea nulo.
3. Dados tres puntos distintos no alineados a, b = a + e y c = a + v, tenemos que v
/ Ke,
porque c no esta en la recta a + Ke que pasa por a y b. Luego dim (Ke + Kv) = 2, y
vemos que a + Ke + Kv es un plano que pasa por a, b, c.
nico, si otro plano P = p + V pasa por ellos, tenemos que b, c P = a + V ;
Y es el u
luego e = ba, v = ca V y Ke+Kv V . Ambos subespacios vectoriales coinciden
porque son de dimension 2.
4. Sean X = p + V , Y = q + W dos subvariedades lineales paralelas de igual dimension.
Como dim V = dim W , y ademas V W o W V , 2.2.7.1 afirma que V = W : dos
subvariedades lineales paralelas de igual dimensi
on tienen la misma direcci
on.

Teorema de Rouch e-Frob enius (1832-1910, 1849-1917): Un sistema de ecuaciones linea-

les AX = B es compatible si y s
olo si rgA = rg(A|B) .

Demostraci on: Sean A1 , . . . , An las columnas de A, de modo que el sistema AX = B puede

escribirse x1 A1 + . . . + xn An = B, y la condicion de que sea compatible significa que en K m
tenemos que B A1 , . . . , An ; es decir, que A1 , . . . , An = A1 , . . . , An , B. Ahora bien, el
teorema 2.2.7.1 afirma que

A1 , . . . , An = A1 , . . . , An , B dimA1 , . . . , An = dimA1 , . . . , An , B

y, de acuerdo con 2.2.8, esta u

ltima condicion significa que rg A = rg (A|B) .
16 CAPITULO 2. ESPACIOS VECTORIALES

2.3. Suma Directa

Definicion: Diremos que la suma V1 + . . . + Vr de unos subespacios vectoriales V1 , . . . , Vr
de un espacio vectorial E es directa si cada vector e V1 + . . . + Vr descompone de modo
nico en la forma e = v1 + . . . + vr , donde vi Vi ; es decir, si la aplicacion
u

s : V1 . . . Vr V1 + . . . + Vr , s(v1 , . . . , vr ) = v1 + . . . + vr ,

(que siempre es epiyectiva, por definicion de suma de subespacios vectoriales) tambien es

inyectiva. En tal caso, el subespacio vectorial V1 + . . . + Vr se denota V1 . . . Vr .

Teorema 2.3.1 La condici on necesaria y suficiente para que la suma de dos subespacios
vectoriales V y W de un espacio vectorial E sea directa es que V W = 0.

on: Si la suma de V y W es directa y e V W , entonces

Demostraci

0 = 0 + 0 = e + (e) ,

donde 0, e V y 0, e W . La unicidad de la descomposicion del vector 0 en suma de un

vector de V y otro de W implica que e = 0. Luego V W = 0.
Recprocamente, si V W = 0 y un vector e V + W admite dos descomposiciones

e = v + w = v + w ; v, v V, w, w W

entonces v v = w w W . Como v v V , se sigue que v v V W = 0. Luego

0 = v v = w w , y concluimos que v = v y w = w . Es decir, tal descomposicion es
u
nica, as que la suma de V y W es directa.

Definici
on: Diremos que dos subespacios vectoriales V y W de un espacio vectorial E son
suplementarios (o que W es un suplementario de V en E, o que V es un suplementario de
W en E) cuando E = V W ; i.e., cuando cada vector de E descompone, y de modo u nico,
en suma de un vector de V y otro de W ; es decir, cuando V + W = E y V W = 0.

Ejemplos:
1. Si e1 , . . . , en es una base de un espacio vectorial E, entonces cada vector e E des-
compone de modo u nico como combinacion lineal e = 1 e1 + . . . + n en ; luego

E = Ke1 . . . Ken

y vemos as que un suplementario de V = Ke1 . . . Ker en E es el subespacio

vectorial W = Ker+1 . . . +Ken .
2. Para hallar un suplementario de un subespacio vectorial V de E basta ampliar una
base v1 , . . . , vr de V hasta obtener una base v1 , . . . , vr , w1 , . . . , ws de E, porque en tal
caso W = Kw1 + . . . + Kws es un suplementario de V en E.

3. Sean p + V y q + W dos subvariedades lineales de un espacio vectorial E. Dar un punto

de corte es dar vectores v V , w W tales que p + v = q + w; es decir, q p = v w.
Por tanto, la condicion necesaria y suficiente para que se corten es que q p V + W ,
y el punto de corte es unico cuando la suma V W es directa.
Captulo 3

Aplicaciones Lineales

3.1. Aplicaciones Lineales

on: Diremos que una aplicacion f : E E entre dos K-espacios vectoriales es
Definici
K-lineal, (o simplemente lineal, si K se sobrentiende) cuando
f (e + v) = f (e) + f (v) para todo e, v E
f ( e) = f (e) para todo K, e E
Toda aplicaci on lineal f : E E verifica que f (0) = 0, que f (e) = f (e), y tambien
que f (1 e1 + . . . + n en ) = 1 f (e1 ) + . . . + n f (en ).
( )
En efecto, f (0) = f (0 0) = 0 f (0) = 0, f (e) = f (1)e = (1)f (e) = f (e) y
f (1 e1 + . . . + n en ) = f (1 e1 ) + . . . + f (n en ) = 1 f (e1 ) + . . . + n f (en ).

Proposicion 3.1.1 Si dos aplicaciones f (: E ) E y h : E E son K-lineales, entonces
on hf : E E , (hf )(e) = h f (e) , tambien es K-lineal.
su composici
Demostracion: Para todo K y todo e, v E tenemos que
( ) ( )
(hf )(e + v) = h f (e + v) = h f (e) + f (v) = h(f (e)) + h(f (v)) = (hf )(e) + (hf )(v)
( ) ( )
(hf )(e) = h f (e) = h f (e) = h(f (e)) = (hf )(e)

Proposici on 3.1.2 Si f : E E es una aplicacion lineal, entonces su n

ucleo Ker f =
1
f (0) := {e E : f (e) = 0} es un subespacio vectorial de E, y su imagen Im f = f (E) :=
{f (e); e E} es un subespacio vectorial de E .
Demostracion: Veamos que Ker f es un subespacio vectorial de E. Tenemos que 0 Ker f
porque f (0) = 0. Ahora, si e1 , e2 Ker f , por definicion f (e1 ) = f (e2 ) = 0, as que
f (e1 + e2 ) = f (e1 ) + f (e2 ) = 0
f (e1 ) = f (e1 ) = 0
Luego e1 + e2 Ker f y e1 Ker f , as que Ker f es un subespacio vectorial de E.
Veamos que Im f es un subespacio vectorial de E :
Tenemos que 0 Im f porque 0 = f (0). Ahora, si e1 , e2 Im f , por definicion existen
vectores e1 , e2 E tales que e1 = f (e1 ) y e2 = f (e2 ), as que
e1 + e2 = f (e1 ) + f (e2 ) = f (e1 + e2 ) Im f
e1 = f (e1 ) = f (e1 ) Im f
y concluimos que Im f es un subespacio vectorial de E .

17
18 CAPITULO 3. APLICACIONES LINEALES

Proposici on lineal f : E E es inyectiva si y s

on 3.1.3 Una aplicaci olo si Ker f = 0.
Demostraci on: Si f es inyectiva y e Ker f , entonces f (e) = 0 = f (0); luego e = 0.
Recprocamente, supongamos que Ker f = 0. Si f (e) = f (v), donde e, v E, entonces
f (v e) = f (v) f (e) = 0; luego v e Ker f = 0 y por tanto e = v; i.e., f es inyectiva.

Ejemplos:
1. Una aplicacion lineal f : E E es epiyectiva si y solo si Im f = E .
2. Sea V un subespacio vectorial de un espacio vectorial E. La inclusion i : V E,
i(v) = v, es una aplicacion lineal inyectiva y su imagen es Im i = V .
on canonica : E E/V , (e) = [e], es una aplicacion lineal epiyectiva y
La proyecci
su n
ucleo es Ker = V de acuerdo con 2.1 (v. pagina 11).
3. Cada matriz A Mmn (K) define una aplicacion lineal f : K n K m , f (X) = AX,
cuyo n ucleo Ker f est
a formado por todas las soluciones de la ecuacion homogenea
AX = 0. Por otra parte, la condicion B Im f significa que el sistema de m ecuaciones
lineales con n inc
ognitas AX = B es compatible.
4. Cada familia {e1 , . . . , en } de vectores de un K-espacio vectorial E define una aplicacion

f : K n E , f (1 , . . . , n ) = 1 e1 + . . . + n en ,

que siempre es K-lineal. La imagen de esta aplicacion lineal es Im f = Ke1 +. . .+Ken ,

as que f es epiyectiva cuando e1 , . . . , en generan E.
Adem as la condicion de que e1 , . . . , en sean linealmente independientes significa que
Ker f = 0, de modo que en tal caso la aplicacion lineal f es inyectiva. Por tanto,
cuando e1 , . . . , en forman una base de E, esta aplicacion lineal f es biyectiva.

Matriz de una Aplicaci

on Lineal
Definici on: Sea f : E E una aplicacion lineal entre dos espacios vectoriales de dimension
finita. Si fijamos una base e1 , . . . , en de E y una base e1 , . . . , em de E , tendremos que

f (ej ) = a1j e1 + . . . + amj em , 1jn (3.1)

para ciertos escalares aij K, y diremos que A = (aij ) es la matriz de la aplicaci on

lineal f en las bases e1 , . . . , en de E y e1 , . . . , em de E .
Por definicion, la columna j-esima de la matriz A esta formada por las coordenadas del
vector f (ej ) en la base e1 , . . . , em de E .
Ahora, para cada vector e = x1 e1 + . . . + xn en E tendremos que su imagen f (e) es

n
n
m m (
n )
f (e) = xj f (ej ) = xj aij ei = aij xj ei .
j=1 j=1 i=1 i=1 j=1

Es decir, si X denota las coordenadas del vector e en la base e1 , . . . , en , puestas en co-

lumna, entonces las coordenadas X de f (e) en la base e1 , . . . , em se obtienen multiplicando
X por la matriz A de f en las bases consideradas:

X = AX (3.2)

Proposici on lineal f : E E , entonces

on 3.1.4 Si A es la matriz de una aplicaci

dim (Im f ) = rg A
3.2. TEOREMA DE ISOMORFIA 19

Demostraci on: Sea e1 , . . . , en una base de E. Como f ( i i ei ) = i i f (ei ), la imagen de
f esta generada por los vectores f (e1 ), . . . , f (en ):

Im f = f (e1 ), . . . , f (en ) ,

y tenemos que dim f (e1 ), . . . , f (en ) = rg A de acuerdo con 2.2.8 y 3.1.

3.2. Teorema de Isomorfa

Definicion: Diremos que una aplicacion K-lineal f : E E es un isomorfismo cuando
es biyectiva, y en tal caso la aplicacion inversa f 1 : E E tambien es K-lineal (y por
supuesto biyectiva, as que f 1 tambien es un isomorfismo).
En efecto, si e , v E , entonces e = f (e) y v = f (v), donde e, v E, de modo que
( ) ( )
f 1 (e + v ) = f 1 f (e) + f (v) = f 1 f (e + v) = e + v = f 1 (e ) + f 1 (v )
( ) ( )
f 1 (e ) = f 1 f (e) = f 1 f (e) = e = f 1 (e ) .

Diremos que dos K-espacios vectoriales E y E son isomorfos si existe alg

un isomorfismo
K-lineal f : E E , en cuyo caso pondremos E E .

Ejemplos:

1. Si una matriz A Mnn (K) es invertible, la aplicacion que induce f : K n K n ,

f (X) = AX, es un isomorfismo, y el isomorfismo inverso f 1 : K n K n es precisa-
mente el que define la matriz inversa A1 ; es decir, f 1 (X) = A1 X.

2. Si V1 , . . . , Vn son subespacios vectoriales de un espacio vectorial E, la aplicacion

s : V1 . . . Vn V1 + . . . + Vn , s(v1 , . . . , vn ) = v1 + . . . + vn ,

es lineal y epiyectiva. Ademas esta aplicacion lineal s es inyectiva precisamente cuando

la suma es directa, de modo que en tal caso V1 . . . Vn V1 . . . Vn .

3. Si e1 , . . . , en es una base de un K-espacio vectorial E, entonces la aplicacion lineal

f : K n E , f (x1 , . . . , xn ) = x1 e1 + . . . + xn en ,

es un isomorfismo. El isomorfismo inverso f 1 : E K n asigna a cada vector e E

sus coordenadas (x1 , . . . , xn ) en la base e1 , . . . , en .
on n es isomorfo a K n .
Por tanto, todo espacio vectorial de dimensi

4. Los isomorfismos transforman vectores linealmente independientes en vectores lineal-

mente independientes, y sistemas de generadores en sistemas de generadores (com-
pruebese); luego bases en bases. Por tanto, si E E , entonces dim E = dim E .

Teorema de Isomorfa: Si f : E E es una aplicaci on lineal, entonces la aplicaci

on
lineal : E/Ker f Im f , (
e) = f (e), es un isomorfismo:

E/Ker f Im f

Demostraci on: Veamos primero que es una aplicacion bien definida, que ( e) no depende
del representante elegido, que si e = v, entonces f (e) = f (v). Ahora bien, si e = v, entonces
e v (modulo Ker f ); luego v e Ker f , 0 = f (v e) = f (v) f (e) y f (e) = f (v).
20 CAPITULO 3. APLICACIONES LINEALES

Veamos ahora que tal aplicacion es lineal:

(
e + v) = ([e + v]) = f (e + v) = f (e) + f (v) = (
e) + (
v)
( e) = ([e]) = f (e) = f (e) = ( e) .

e) = f (e), entonces e Ker f , luego e = 0 por 2.1.

es inyectiva: Si 0 = (
es epiyectiva: Si e Im f , entonces existe e E tal que e = f (e) = (
e).

on lineal f : E E entre espacios vectoriales de di-

Corolario 3.2.1 Para toda aplicaci
mensi
on finita tenemos que

dim (Ker f ) + dim (Im f ) = dim E

2.2.7
on: dim (Im f ) = dim (E/Ker f ) = dim E dim (Ker f ) .
Demostraci

on lineal f : E E , entonces
Corolario 3.2.2 Si A es la matriz de una aplicaci

dim (Ker f ) = (no de columnas) rg A

3.2.1 3.1.4
on: dim (Ker f ) = dim E dim (Im f ) = dim E rg A.
Demostraci

Corolario 3.2.3 Las soluciones de un sistema homogeneo AX = 0 de m ecuaciones lineales

ognitas y coeficientes en K forman un subespacio vectorial de K n de dimensi
con n inc on
n rg A; y las soluciones de un sistema no homogeneo compatible AX = B forman una
subvariedad lineal de K n de direcci on n rg A.
on AX = 0 y dimensi

Demostracion: Sea V = {X K n : AX = 0} el conjunto de soluciones del sistema ho-

mogeneo AX = 0. La matriz A Mmn (K) define una aplicacion lineal f : K n K m ,
f (X) = AX, y V es precisamente el n ucleo de f . La matriz de f en las bases usuales de K n
y K m (ver 2.2.1) es A, as que 3.2.2 afirma que la dimension de V es n rg A.
Por u
ltimo, si un sistema AX = B es compatible, las soluciones se obtienen sumando a
una solucion particular X0 las soluciones de la ecuacion homogenea AX = 0; luego forman
la subvariedad lineal X0 + V y, por tanto, su dimension tambien es n rg A.

Definicion: Fijada una base de un espacio vectorial de dimension finita E, dar ecuaciones
param etricas de un subespacio vectorial V de E es dar las coordenadas de un sistema de
generadores de V (mejor si forman una base de V ), y dar ecuaciones implcitas de V es dar
un sistema homogeneo de ecuaciones lineales (mejor si son independientes) cuyas soluciones
sean las coordenadas de los vectores de V .
Dar ecuaciones param etricas de una subvariedad lineal X de E es dar las coordenadas
de un punto de X y de un sistema de generadores de la direccion de X, y dar ecuacio-
nes implcitas de X es dar un sistema de ecuaciones lineales cuyas soluciones sean las
coordenadas de los puntos de X.

Ejemplo: Fijada una base (e1 , . . . , en ) de un espacio vectorial E, las ecuaciones parametricas
e implcitas del subespacio vectorial nulo son

x1 = 0 x1 = 0
...... , ......

xn = 0 xn = 0
3.2. TEOREMA DE ISOMORFIA 21

mientras que la ecuacion implcita de E es 0x1 + . . . + 0xn = 0, y las ecuaciones parametricas

de E que da la base fijada son
x1 = 1
......

xn = n
Ejemplo: Fijada una base (e1 , e2 , e3 , e4 ) de un espacio vectorial E de dimension 4, consi-
deremos la subvariedad lineal X de ecuaciones parametricas

x1 = 1 + 42 + 2 x1 2 1 4
x2 1 2 3
x2 = 21 + 32 + 1
,
x3 = 1 + 1 3 + 2 2

x3 = 31 + 22 + 1

x4 = 41 + 2 + 3 x4 3 4 1

cuya direccion V admite como base los vectores de coordenadas (1, 2, 3, 4) y (4, 3, 2, 1), de
modo que dim V = 2. Hallemos primero ecuaciones implcitas de la direccion V .
Si (x1 , x2 , x3 , x4 ) son las coordenadas de un vector de V , entonces

1 4 x1
2 3 x2
2 = rg
3 2 x3

4 1 x4
 
1 4 x1 
 
0 = 2 3 x2  = 5x1 + 10x2 5x3
3 2 x3 
 
1 4 x1 
 
0 = 2 3 x2  = 10x1 + 15x2 5x4
4 1 x4 

Vemos as que las coordenadas de los vectores de V son soluciones del sistema de ecuaciones
lineales homogeneo }
x1 2x2 + x3 = 0
(3.3)
2x1 3x2 + x4 = 0
Como ambos subespacios vectoriales de K 4 tienen dimension 2, coinciden, de modo que unas
ecuaciones implcitas de V vienen dadas por 3.3. Ahora, como la subvariedad lineal X pasa
por el punto de coordenadas (2, 1, 1, 3), unas ecuaciones implcitas de X son
}
x1 2x2 + x3 = 1
2x1 3x2 + x4 = 4

Teorema 3.2.4 Si V y W son dos subespacios vectoriales de un espacio vectorial de di-

mensi
on finita E, entonces

dim (V + W ) = dim V + dim W dim (V W )

Demostraci on: Consideremos la aplicacion lineal f : V (V + W )/W , f (v) = [v], que es

epiyectiva, pues para toda clase [v + w] (V + W )/W tenemos que

[v + w] = [v] + [w] = [v] + 0 = f (v) ,

ucleo es Ker f = {v V : [v] = 0} = V W . Terminamos por 2.2.7 y 3.2.1:

y su n

dim V = dim (V W ) + dim (V + W )/W = dim (V W ) + dim (V + W ) dim W .

22 CAPITULO 3. APLICACIONES LINEALES

Corolario 3.2.5 Sean V y W dos subespacios vectoriales de un espacio vectorial de dimen-

si
on finita E. Si la suma de V y W es directa, entonces

dim (V W ) = dim V + dim W

on: De acuerdo con 2.3.1 tenemos que V W = 0, as que

Demostraci

dim (V + W ) = dim V + dim W dim (V W ) = dim V + dim W .

Corolario 3.2.6 Si E y F son dos K-espacios vectoriales de dimensi

on finita,

dim (E F ) = dim E + dim F .

Demostracion: La aplicacion lineal p : E F E, p(e, v) = e, es epiyectiva, y su n

ucleo
0 F es claramente isomorfo a F ; luego

dim (E F ) = dim E + dim (0 F ) = dim E + dim F .

3.3. Cambio de Base

Definici on: Sea e1 , . . . , en una base de un espacio vectorial E. Si consideramos una nueva
base v1 , . . . , vn de E, tendremos escalares bij K tales que

vj = b1j e1 + . . . + bnj en , 1jn (3.4)

y diremos que B = (bij ) Mnn (K) es la matriz de cambio de base.

Las columnas de la matriz de cambio de base B estan formadas por las coordenadas
de los vectores de la nueva base en la antigua. Es decir, B es la matriz de la identidad
Id : E E cuando en el espacio de salida se considera la nueva base v1 , . . . , vn y en el de
llegada la base antigua e1 , . . . , en .
Por tanto, de acuerdo con 3.2, si X son las coordenadas de un vector e E en la nueva
base, y X son las coordenadas de Id(e) = e en la base antigua, tendremos que X = B X.
Por otra parte, tambien tenemos una matriz de cambio de base C Mnn (K) cuando
se considera que v1 , . . . , vn es la base inicial de E y que e1 , . . . , en es la nueva base, de
modo que X = CX. Luego X = BCX y X = CB X,
y como estas igualdades son validas

para cualesquiera columnas X, X, se concluye que BC = CB = I. Es decir, la matriz B es
invertible, y su inversa es la matriz C. En resumen, la relacion entre las coordenadas X y
X de un mismo vector e E en las bases e1 , . . . , en y v1 , . . . , vn respectivamente es

X = BX , = B 1 X
X (3.5)

Aplicaciones Lineales
Sea f : E E una aplicacion lineal y sea A Mmn (K) la matriz de f en ciertas bases
e1 , . . . , en y e1 , . . . , em de E y E respectivamente.
Consideremos nuevas bases v1 , . . . , vn y v1 , . . . , vm

de E y E respectivamente, las co-
rrespondientes matrices de cambio de base B Mnn (K) y C Mmm (K), y sea A
Mmn (K) la matriz de f en estas nuevas bases de E y E . Vamos a determinar la nueva
matriz A de f en terminos de la matriz A y las matrices de cambio de base B y C
Sean X y X las coordenadas de un vector e E en las bases e1 , . . . , en y v1 , . . . , vn
respectivamente, y sean X e X las coordenadas de f (e) E en las bases e , . . . , em y
1

v1 , . . . , vm respectivamente. De acuerdo con 3.2 tendremos que

X = AX , = AX
X
3.3. CAMBIO DE BASE 23

= B 1 X , X = C X
y de acuerdo con 3.5 tendremos que X ; luego

AX = X = C X
= C AX 1 X .
= C AB

Como esta igualdad es valida para cualquier columna X, concluimos que

1
A = C AB , A = C 1 AB (3.6)
24 CAPITULO 3. APLICACIONES LINEALES
Captulo 4

Geometra Eucldea

4.1. Producto Escalar

Definicion: Dar un producto escalar en un espacio vectorial real E es asignar a cada par
de vectores e, v E un n umero real, que denotaremos e v (o < e | v >), de modo que se
verifiquen las siguientes condiciones:
1. Bilineal : (e + e ) v = e v + e v , (e) v = (e v),
e (v + v ) = e v + e v , e (v) = (e v).
2. Simetrico: e v = v e.
3. Definido-positivo: e e 0 , y solo se da la igualdad cuando e = 0.
Fijado un producto escalar
en un espacio vectorial real E, se llama m
odulo de un vector
e E al n
umero real + e e (que es positivo cuando e = 0) y se denota |e|, o e.
Notese que e = 2 e e = || e.
La distancia entre dos puntos p, q E es el modulo de su diferencia: d(p, q) := q p.

Ejemplos:
1. En la geometra eucldea, los vectores con origen en un punto prefijado O forman un
espacio vectorial real de dimension 3. Fijada una unidad de longitud, el modulo de un
vector es la longitud del segmento, y el producto escalar de dos vectores no nulos es

el producto de sus modulos por el coseno del angulo que forman. Este es el ejemplo
paradigm atico de producto escalar, que motiva los nombres que introduciremos.
2. El producto escalar usual en Rn es

n
(x1 , . . . , xn ) (y1 , . . . , yn ) := xi yi = x1 y1 + . . . + xn yn .
i=1

3. Un producto escalar en C es < z1 | z2 > := z1 z2 + z1 z2 .

4. Un producto escalar en Mnn (R) es< A | B > := tr At B. Es definido-positivo porque,
si A = (aij ), entonces < A | A > = ij a2ij .
5. En el espacio vectorial de todas las funciones reales continuas sobre un intervalo dado
[a, b], un producto escalar es
b
< f | g > := f (t)g(t) dt
a

25
26 CAPITULO 4. GEOMETRIA EUCLIDEA

Lema 4.1.1 Para todo par de vectores e, v E se tiene la desigualdad de Cauchy-Schwarz

|e v| e v ; y por tanto la desigualdad triangular: e + v e + v .
Demostraci on: El polinomio p(t) = (te + v) (te + v) = (e e)t2 + 2(e v)t + v v es de grado
2 (salvo cuando e = 0, caso en que la desigualdad es obvia) y no toma valores negativos,
porque el producto escalar es definido-positivo, as que no puede tener dos races reales
distintas (es decir, su discriminante no puede ser positivo):

4(e v)2 4(e e)(v v) 0 ;

luego (e v)2 (e e)(v v), y tomando raz cuadrada vemos que |e v| e v.

En cuanto a la desigualdad triangular, como |e v| e v, tenemos que

e + v2 = (e + v) (e + v) = e e + v v + 2(e v) e e + v v + 2|e v|
e2 + v2 + 2e v = (e + v)2

y tomando raz cuadrada se concluye que e + v e + v.

on: Si e, v = 0, de acuerdo con el lema anterior, tenemos que 1 ev

Definici ev
1, y
diremos que el coseno del angulo que forman dos vectores no nulos e y v es
ev
cos :=
e v

(de modo que el angulo que forman e y v esta bien definido salvo un signo). El angulo que
forman 3 puntos distintos abc es el angulo que forman los vectores a b y c b. Diremos
que dos vectores e, v E son ortogonales cuando e v = 0; es decir, cuando cos = 0.
Cuando > 0, el angulo que forman e y v coincide con el que forman e y v, porque

(e) (v) (e v) ev
= =
e v || e v e v

Ejemplos:
1. Si en un triangulo abc consideramos los vectores e = b a y v = c a, de modo que
c b = v e, de la igualdad

v e2 = (v e) (v e) = v2 + e2 2(e v)

se sigue tanto el Teorema de Pitagoras (s. VI a. de C.) como su recproco:

c
e v = 0 v e2 = e2 + v2
v ve
= /2 c a2 = b a2 + c b2
a e b

2. Vamos a demostrar el Teorema de Tales (s. VI a. de C.): Si en un tri angulo se traza

una recta paralela a un lado, corta a los otros dos lados en segmentos proporcionales.
Como los vectores e y v son linealmente independientes,
v v e = (v e), = =
v v
v =
e e
v e v e
= =
e e v e v e
4.1. PRODUCTO ESCALAR 27

3. Si h es el punto de corte de las alturas de un triangulo abc (rectas que pasan por un
vertice y son perpendiculares al lado opuesto) trazadas por c y a, tenemos que

(b a) (h c) = 0 (4.1)
(c b) (h a) = 0 (4.2)

y sumando obtenemos que (c a) (h b) = 0, de modo que la altura trazada por el

tercer vertice b pasa tambien por h: Las tres alturas de un triangulo se cortan en un
punto h, llamado ortocentro.

4. Si f es el punto de corte de las mediatrices (rectas perpendiculares a los lados por

el punto medio) de los lados ab y bc, tendremos que

0 = 2(b a) (f a+b
2 ) = (b a) 2f + a a b b (4.3)
0 = 2(c b) (f b+c
2 ) = (c b) 2f + b b c c (4.4)

y sumando obtenemos que 0 = (c a) 2f + a a c c = 2(c a) (f a+c

2 ), de modo
que la mediatriz del lado ab tambien pasa por f : las tres mediatrices se cortan en un
punto f , llamado circuncentro.
a+b+c
5. Sumando ahora 4.1 con 4.3, y 4.2 con 4.4, y recordando que el baricentro es g = 3 ,
obtenemos tambien que

(b a) (h + 2f 3g) = 0
(c b) (h + 2f 3g) = 0

Como los vectores b a, c b son linealmente independientes, porque los puntos a, b, c

no estan alineados, se sigue que h + 2f 3g = 0; es decir,

h 2f 2
g= + = h + (f h)
3 3 3
de modo que el baricentro esta en el segmento que determinan el ortocentro y el
circuncentro, y a doble distancia del primero que del segundo. La recta que pasa por
estos tres puntos recibe el nombre de recta de Euler (1707-1783).

6. Consideremos un cuadril atero (la figura formada por cuatro puntos ordenados abcd
en los que no hay 3 alineados) y pongamos e = ba, v = da. La condicion de que sea
un paralelogramo (los lados opuestos son paralelos) es que c d = e y c b = v
para ciertos escalares , ; luego c a = e + v = e + v.
d c
e
v v

e
a b

Como los vectores e, v son linealmente independientes, porque los puntos abd no estan
alineados, se sigue que = = 1, de modo que los lados opuestos son iguales, c d =
b a y c b = d a, y las dos diagonales se bisecan mutuamente:

a+c b+d a+b+c+d

= = .
2 2 4
28 CAPITULO 4. GEOMETRIA EUCLIDEA

4.2. Espacios Vectoriales Eucldeos

Definicion: Llamaremos espacio vectorial eucldeo, en honor de Euclides (325?-265? a.
de C.), a todo espacio vectorial real E de dimension finita dotado de un producto escalar, y
diremos que el ortogonal de un subespacio vectorial V de E es:

V := {e E : e v = 0 para todo vector v V } .

Teorema 4.2.1 Si V es un subespacio vectorial de un espacio vectorial eucldeo E, su

ortogonal es un subespacio vectorial de E de dimensi
on:

dim V = dim E dim V

Demostraci
on: Sea v1 , . . . , vd una base de V , y consideremos la aplicacion lineal

f : E Rd , f (e) = (e v1 , . . . , e vd ) .

Su n
ucleo es

Ker f = {e E : e v1 = 0, . . . , e vd = 0} = (Rv1 + . . . + Rvd ) = V ,

porque si un vector e E es ortogonal a ciertos vectores, e v1 = . . . = e vd = 0, entonces

tambien es ortogonal a todas sus combinaciones lineales,

e (1 v1 + . . . + d vd ) = 1 (e v1 ) + . . . + r (e vd ) = 0 ,

de modo que e (Rv1 + . . . + Rvd ) . Luego V es un subespacio vectorial de E y

dim E = dim V + dim (Im f ) dim V + d = dim V + dim V,

3.2.1
(4.5)

donde la desigualdad se debe a que la imagen de f es un subespacio vectorial de Rd .

Por otra parte, si v V V , entonces v v = 0; luego v = 0, porque el producto escalar
es definido-positivo, y vemos que V V = 0 . Por tanto

dim V + dim V = dim (V + V ) dim E

3.2.4
(4.6)

y comparando con 4.5 concluimos que dim V + dim V = dim E.

Corolario 4.2.2 Si V es un subespacio vectorial de un espacio vectorial eucldeo E, tenemos

que E = V V y que (V ) = V .
Demostraci on: Como V V = 0, la suma de V y V es directa por 2.3.1 y, de acuerdo con
3.2.5, su dimension es dim (V V ) = dim V + dim V = dim E, as que 2.2.7.1 permite
concluir que V V = E.
Por otra parte, V (V ) por definicion de V , y de acuerdo con 4.2.2

dim (V ) = dim E dim (V ) = dim E (dim E dim V ) = dim V ,

as que de nuevo 2.2.7.1 permite concluir que (V ) = V .

Corolario 4.2.3 Si V y W son subespacios vectoriales de un espacio vectorial eucldeo E:

1. V W W V
2. V = W V = W
3. (V + W ) = V W
4. (V W ) = V + W
4.3. BASES ORTONORMALES 29

Demostracion: Si V W , es claro que W V . Recprocamente, si W V ,

entonces (V ) (W ) ; luego V W de acuerdo con 4.2.2.
2. Si V = W , entonces (V ) = (W ) ; luego V = W de acuerdo con 4.2.2.
3. Como V V + W y W V + W , tenemos que (V + W ) V y (V + W ) W ;
luego (V + W ) V W .
Adem as, si e V W , para todo vector v + w V + W tendremos que
e (v + w) = e v + e w = 0 .
Luego V W (V + W ) y concluimos que (V + W ) = V W .
4. De acuerdo con el segundo apartado, para demostrar que (V W ) = V + W
basta ver que sus ortogonales coinciden:
( ) 3 4.2.2 ( )
V + W = (V ) (W ) = V W = (V W )
4.2.2
.
Ejemplos:
1. Se llama distancia de un punto p a una subvariedad lineal X al nfimo de las distancias
de p a los puntos de X:
d(p, X) := nf d(p, x) .
xX

Existe un unico punto q X tal que p q es ortogonal a la direcci

on de X. Adem
as,
la distancia de p a X se alcanza en tal punto: d(p, q) = d(p, X).
un 4.2.2 tendremos p x = v + w donde v V y w V ,
En efecto, si X = x + V , seg
y esta descomposicion es unica. Es decir, q = x + v es el u nico punto de X tal que
p q V . Ademas, para cualquier otro punto x X, por el teorema de Pitagoras
tendremos d(p, x )2 = d(p, q)2 + d(q, x )2 , as que d(p, q) < d(p, x ) cuando x = q.
2. Si V es un subespacio vectorial de un espacio vectorial eucldeo E, de acuerdo con
4.2.2 tenemos que E = V V . La aplicacion lineal sV : E E que es la identidad
en V y transforma cada vector de V en su opuesto se llama simetra respecto de
V , y la aplicacion lineal pV : E V que es la identidad en V y se anula en todos los
vectores de V se llama proyecci on ortogonal sobre V .
Es decir, cada vector e E descompone de modo u nico en suma, e = v + w, de un
vector v V y otro w V , y por definicion sV (e) = v w , pV (v + w) = v .
3. Se dice que dos subvariedades lineales X = p + V , Y = q + W de un espacio vectorial
eucldeo E son perpendiculares cuando V y W son incidentes (i.e., cuando V W
o W V ), lo que, en virtud de 4.2.3, equivale a que W y V sean incidentes.

Cuando V W , tenemos que V W W W = 0; luego V W = 0.
Cuando W V , tenemos que E = W + W V + W ; luego V + W = E.

4.3. Bases Ortonormales

Definici
on: Diremos que una base e1 , . . . , en de un espacio vectorial eucldeo E es orto-
normal cuando todos los vectores de la base son de modulo 1 y mutuamente ortogonales:
{
1 cuando i = j
ei ej =
0 cuando i = j
Por definicion, en una base ortonormal el producto escalar de dos vectores e, v E de
coordenadas (x1 , . . . , xn ), (y1 , . . . , yn ) respectivamente, es
e v = (x1 e1 + . . . + xn en ) (y1 e1 + . . . + yn en ) = x1 y1 + . . . + xn yn .
30 CAPITULO 4. GEOMETRIA EUCLIDEA

Teorema 4.3.1 Todo espacio vectorial eucldeo E = 0 admite bases ortonormales.

Demostraci on: Procedemos por induccion sobre n = dim E. Cuando n = 1, tenemos que
E = Rv. Si tomamos e = v/v, entonces e e = 1 y e ya es una base ortonormal de E.
Si n > 1, tomamos un vector no nulo v E y ponemos en = v/v, de modo que
en en = 1. De acuerdo con 4.2.1, dim (Ren ) = n 1, as que por hipotesis de induccion
existe alguna base ortonormal e1 , . . . , en1 de (Ren ) . Ahora los vectores e1 , . . . , en son
de modulo 1 y mutuamente ortogonales, as que basta ver que e1 , . . . , en forman una base
de E. Como el n umero de vectores coincide con la dimension de E, de acuerdo con 2.2.2 es
suficiente probar que e1 , . . . , en generan E. Ahora bien,

Re1 + . . . + Ren1 + Ren = (Ren ) + Ren = E .

4.2.2
Captulo 5

Endomorfismos

5.1. Polinomios
En este captulo, de nuevo los escalares seran K = Q, R o C.

Regla de Runi (1765-1822): Sea p(x) un polinomio con coeficientes en K. Si K es

ultiplo de x :
una raz de p(x), entonces p(x) es m
p(x) = (x )q(x) .
on: Dividiendo p(x) por x tendremos que p(x) = (x )q(x) + r, y sustitu-
Demostraci
yendo x = en esta igualdad obtenemos que
0 = p() = ( )q() + r = r ,
y concluimos p(x) = (x )q(x).

Definicion: Si K es una raz de un polinomio no nulo p(x) con coeficientes en K,

llamaremos multiplicidad de tal raz al mayor n umero natural m tal que (x )m divida
a p(x); es decir, p(x) = (x ) q(x) donde q(x) ya no admite la raz , de acuerdo con la
m

Regla de Runi. Las races de multiplicidad 1 se denominan simples.

Consideremos un polinomio p(x) = 0 con coeficientes en K. Si admite una raz 1 K,

tendremos p(x) = (x 1 )m1 q1 (x), donde el polinomio q1 (x) tambien tiene coeficientes en
K y ya no admite la raz 1 . Ahora, si p(x) admite otra raz 2 K, ha de ser una raz de
q1 (x), de modo que p(x) = (x1 )m1 (x2 )m2 q2 (x). Procediendo de este modo obtenemos
una descomposicion
p(x) = (x 1 )m1 (x 2 )m2 . . . (x r )mr q(x) , (5.1)
donde 1 , . . . , r son todas las races de p(x) en K, los exponentes m1 , . . . , mr son sus
respectivas multiplicidades, y el polinomio q(x) carece de races en K. Esta descomposicion
muestra que el n umero de races en K de un polinomio no nulo p(x), cada una contada con
su multiplicidad, est a acotado por el grado del polinomio, y diremos que p(x) tiene todas sus
races en K cuando se de la igualdad; i.e., cuando en 5.1 el polinomio q(x) sea constante.

Teorema de DAlembert (1717-1783): Todo polinomio no constante con coeficientes com-

plejos admite alguna raz compleja.

La demostracion de este teorema fundamental se dara en cursos posteriores. De acuerdo

con este teorema, en el caso de polinomios con coeficientes complejos, en la descomposicion
5.1 el factor q(x) ha de ser constante: El n
umero de races complejas de un polinomio no
constante, contadas con su multiplicidad, siempre es el grado del polinomio.

31
32 CAPITULO 5. ENDOMORFISMOS

5.2. Valores y Vectores Propios

Definicion: Llamaremos endomorfismos de un K-espacio vectorial E a las aplicaciones
K-lineales T : E E. Si S, T : E E son dos endomorfismos, su producto ST es la
composicion S T , que tambien es un endomorfismo de E.
Dado un endomorfismo T de un K-espacio vectorial E, diremos que un escalar K es
un valor propio de T si existe alg un vector no nulo e E tal que T (e) = e, en cuyo caso
diremos que e es un vector propio de T y pondremos

V := Ker (Id T ) = {e E : T (e) = e}

de modo que V es un subespacio vectorial de E, y V = 0.

on: Fijada una base e1 , . . . , en de E, cada endomorfismo T : E E esta determi-

Definici
nado por su matriz A = (aij ) Mnn (K) en tal base:

n
T (ej ) = aij ei , j = 1, . . . , n .
i=1

y diremos que el polinomio

 
x a11 a12 ... a1n 
 ( )
 a21 x a22 ... a2n  n
cT (x) :=  = x n
a xn1 + . . . + (1)n |A|
 . . . ... ... . . .  i=1
ii

 an1 an2 . . . x ann 

es el polinomio caracterstico de T , pues no depende de la base elegida, solo de T .
En efecto, si se considera una nueva base en E, y B es la matriz del cambio de base,
un 3.6 la matriz A de T en la nueva base es
seg
A = B 1 AB , (5.2)
y tenemos que
= |xB 1 IB B 1 AB| = |B 1 (xI A)B| = |B 1 | |xI A| |B| =
|xI A|
= |B 1 | |B| |xI A| = |B 1 B| |xI A| = |I| |xI A| = |xI A| .

Teorema 5.2.1 Sea T un endomorfismo de un K-espacio vectorial de dimensi on finita E.

Los valores propios de T son las races en K de su polinomio caracterstico cT (x).
Demostracion: Sea n = dim E. Por definicion, K es un valor propio de T precisamente
cuando 0 = Ker (Id T ); es decir, si y solo si
( ) 3.2.2
0 < dim Ker (Id T ) = n rg (I A) ;
lo que significa que rg (I A) < n, y ocurre justo cuando cT () = |I A| = 0.

Corolario 5.2.2 El numero de valores propios de un endomorfismo T de un espacio vecto-

rial E de dimensi
on n siempre es menor o igual que n.
Demostraci on: El grado del polinomio caracterstico cT (x) es n = dim E, y el n
umero de
races en K de un polinomio siempre esta acotado por el grado del polinomio.

Corolario 5.2.3 Todo endomorfismo de un espacio vectorial complejo de dimensi

on finita
tiene alg
un valor propio.
Demostraci
on: Es consecuencia directa de 5.2.1 y del Teorema de DAlembert.
 DE ENDOMORFISMOS
5.3. DIAGONALIZACION 33

Teorema de Hamilton-Cayley (1805-1865 y 1821-1895): El polinomio caracterstico c(x) =

xn + . . . + c1 x + c0 de un endomorfismo T de un K-espacio vectorial de dimensi
on finita E
siempre anula al endomorfismo: c(T ) = T n + . . . + c1 T + c0 Id = 0 .

Demostracion: Si A Mnn (K) es la matriz de T en una base de E, la matriz del endo-

morfismo c(T ) es c(A) = An + . . . + c1 A + c0 I = 0, as que el teorema afirma que c(A) = 0,
donde c(x) = |xI A|; luego basta probarlo en el caso K = C.
En tal caso procedemos por induccion sobre n = dim E. Si n = 1, entonces A = (a) para
un escalar a C. Luego c(x) = x a y c(A) = A aI = 0.
alg
Si n > 1, de acuerdo con 5.2.3, el endomorfismo T tiene alg un valor propio C.
Consideremos un vector propio e1 E de valor propio , y una base e1 , . . . , en en E. La
matriz A de T en esta base es de la forma
( )
...
A=
0 A

para cierta matriz cuadrada A de n 1 columnas. Luego c(x) = (x )

c(x), donde c(x) =
|xI A|
y, por hipotesis de induccion, c(A)
= 0. Ahora
( r )
...
Ar =
0 Ar
( )( ) ( )( )
0 ... c() ... 0 ... c() ...
c(A) = (A I)
c(A) = = =0.
0 B 0 c(A) 0 B 0 0

5.3. Diagonalizaci
on de Endomorfismos
Definici on: Diremos que un endomorfismo T de un K-espacio vectorial de dimension finita
E es diagonalizable si existe alguna base e1 , . . . , en de E formada por vectores propios de
T ; i.e., T (ej ) = j ej para ciertos escalares j K, lo que significa que la matriz de T en
tal base es diagonal (todos sus coeficientes son nulos, salvo quizas los de la diagonal):

1 0 . . . 0
0 2 . . . 0
D =
. . . . . . . . . . . .
0 0 . . . n
De acuerdo con 5.2, un endomorfismo T de matriz A es diagonalizable si existe alguna
matriz invertible B tal que D = B 1 AB es una matriz diagonal D. En tal caso A = BDB 1 ,
y es sencillo calcular las potencias Am (y por tanto, la solucion general Xm = Am X0 del
sistema de ecuaciones en diferencias finitas Xm+1 = AXm ), porque
Am = (BDB 1 )(BDB 1 ) . . . (BDB 1 ) = BDm B 1 .
Igualmente, la solucion general del sistema de ecuaciones diferenciales X = AX es X = B X,


donde X es la solucion general del sistema X = DX. En efecto:
X = BX
= BDX
= BDB 1 X = AX .

Ahora, para resolver el sistema X = DX; i = i x

es decir, x i , basta observar que la

solucion general de la ecuacion diferencial x = x es
x
= = (ln x)
x
ln x = + t
x(t) = e+t = cet .
34 CAPITULO 5. ENDOMORFISMOS

Ejemplos:
1. Para resolver la ecuacion diferencial x = ax + bx, a, b R, planteamos el siguiente
sistema de ecuaciones diferenciales con una nueva funcion incognita y(t):
{ ( ) ( )( ) ( )
x = y x 0 1 x 0 1
, = , A=
y = ay + bx y b a y b a

El polinomio caracterstico del endomorfismo A : R2 R2 es

 
 u 1 
c(u) = |uI A| =  = u2 au b .
b u a 

Si el polinomio caracterstico u2 aub tiene dos races reales y distintas (a2 +4b > 0)

a a2 + 4b
1 , 2 =
2
estas son los valores propios de tal endomorfismo. Para hallar vectores propios se han
de resolver los sistemas de ecuaciones lineales homogeneos
( )( ) ( ) ( )( ) ( )
1 1 x1 0 2 1 x1 0
= , =
b 1 a x2 0 b 2 a x2 0
1 x1 x2 = 0 , 2 x1 x2 = 0

Los vectores propios e1 = (1, 1 ) y e2 = (1, 2 ) forman una base de R2 ,y nos permiten
diagonalizar la matriz A:
( ) ( )
1 0 1 1
D= = B 1 AB , B=
0 2 1 2

= DX:
Ahora resolvemos el sistema de ecuaciones diferenciales X
( ) ( )( ) { {
x 1 0 x x = 1 x x = c1 e1 t
= , ,
y 0 2 y y = 2 y y = c2 e2 t

y la solucion general del sistema de ecuaciones diferenciales X = AX es X = B X:

( ) ( ) ( t)
x 1 1 c1 e 1
=
y 1 2 c2 e2 t

x(t) = c1 e1 t + c2 e2 t c1 , c2 R .

2. Si el polinomio caracterstico u2 au b tiene dos races imaginarias (a2 + 4b < 0)

a a2 4b
i = i ,
2 2
sustituimos R por C en el razonamiento anterior, y consideramos funciones con valores
complejos. La solucion general de la ecuacion diferencial x = ax + bx es
( )
x(t) = c1 e(+i)t +c2 e(i)t = et c1 eit +c2 eit , c1 , c 2 C

En las soluciones reales c1 y c2 han de ser conjugados, c1 = ei y c2 = ei , as que

( )
x(t) = et ei(t+) + ei(t+)

x(t) = c et cos(t + ) c, R .
 DE ENDOMORFISMOS
5.3. DIAGONALIZACION 35

3. Para hallar las sucesiones (xn ) = (x0 , x1 , . . .) tales que xn+2 = axn+1 +bxn , planteamos
el siguiente sistema de ecuaciones con una nueva sucesion incognita (yn ):
{ ( ) ( )( )
xn+1 = yn xn+1 0 1 xn
, = , Xn+1 = AXn
yn+1 = ayn + bxn yn+1 b a yn

cuya solucion general es Xn = An X0 . Cuando a2 +4b = 0, la matriz A es diagonalizable,

A = BDB 1 , de modo que la solucion general es Xn = BDn B 1 X0 :
( ) ( )( n )( )1 ( )
xn 1 1 1 0 1 1 x0
=
yn 1 2 0 2n 1 2 y0

( ) ( )( ) ( ) ( )1 ( )
xn 1n 2n c1 c1 1 1 x0
= , = (5.3)
yn 1n+1 2n+1 c2 c2 1 2 y0

xn = c1 1n + c2 2n

4. La sucesion de Fibonacci (1170-1250) es la sucesion 0, 1, 1, 2, 3, 5, 8, 13,... cuyos

terminos iniciales son x0 = 0, x1 = 1, y cada termino es la suma de los dos anteriores:
xn+2 = xn+1 + x ces del polinomio u2 u 1 son 1 = y 2 = 1 ,
n . Como las ra

donde = (1 + 5)/2 1 618... es la llamada proporcion aurea, el termino general
de la sucesion de Fibonacci es

xn = c1 n + c2 ()n . (5.4)

Las constantes c1 y c2 pueden determinarse a partir de los terminos iniciales x0 = 0,

y0 = x1 = 1 mediante la formula 5.3, o bien resolviendo el sistema de ecuaciones
lineales que se obtiene al dar los valores n = 0 y n = 1 en 5.4:
}
c1 + c2 = x0 = 0 1 1
, c1 = = , c2 = c1 .
c1 c2 1 = x1 = 1 + 1
5

n ()n
xn = .
5

Lema 5.3.1 Sean 1 , . . . , r todos los valores propios de un endomorfismo T de un espacio

vectorial E de dimensi
on finita. T es diagonalizable si y s olo si V1 + . . . + Vr = E.
Demostraci on: Si T es diagonalizable, por definicion V1 + . . . + Vr contiene una base de
E, y como es un subespacio vectorial de E, concluimos que V1 + . . . + Vr = E.
Recprocamente, si V1 + . . . + Vr = E, considerando una base en cada sumando Vi
vemos que E admite un sistema de generadores formado por vectores propios de T , y 2.2.2
permite concluir que E admite una base formada por vectores propios de T ; es decir, que T
es diagonalizable.

Teorema 5.3.2 Si 1 , . . . , m son valores propios de un endomorfismo T , distintos entre

s, entonces la suma de los subespacios vectoriales V1 , . . . , Vm es directa, y por tanto

dim (V1 + . . . + Vm ) = dim V1 + . . . + dim Vm .

Demostraci on: Seg un la definicion de suma directa, hemos de probar que es inyectiva la
siguiente aplicacion lineal:

s : V1 . . . Vm V1 + . . . + Vm , s(v1 , . . . , vm ) = v1 + . . . + vm .
36 CAPITULO 5. ENDOMORFISMOS

Procedemos por induccion sobre m, y el enunciado es obvio cuando m = 1.

Si m > 1 y v1 + . . . + vm = 0, donde vi Vi , tendremos que
0 = T (v1 + . . . + vm ) = 1 v1 + . . . + m vm
y restando la igualdad 0 = m (v1 + . . . + vm ) obtenemos que
0 = (1 m )v1 + . . . + (m1 m )vm1 .
Por hipotesis de induccion, se sigue que (1 m )v1 = . . . = (m1 m )vm1 = 0. Como
i = j cuando i = j, concluimos que v1 = . . . = vm1 = 0, y por tanto que tambien
vm = v1 . . . vm1 = 0.
ltimo, dim (V1 . . . Vm ) = dim V1 + . . . + dim Vm de acuerdo con 3.2.5.
Por u

Corolario 5.3.3 Si un endomorfismo T de un K-espacio vectorial E de dimensi on n tiene

n valores propios distintos (su polinomio caracterstico tiene todas sus races en K y son
simples), entonces T es diagonalizable.
on: Si 1 , . . . , n son los valores propios de T , tenemos que 1 dim Vi as que
Demostraci
5.3.2
n dim V1 + . . . + dim Vn = dim (V1 + . . . + Vn ) dim E = n .
Luego dim (V1 + . . . + Vn ) = n, de modo que V1 + . . . + Vn = E y T es diagonalizable
de acuerdo con 5.3.1.

Criterio de Diagonalizaci on: Un endomorfismo T de un K-espacio vectorial de dimen-

si
on finita E es diagonalizable si y s
olo si su polinomio caracterstico cT (x) tiene todas sus
races en K y la multiplicidad mi de cada raz i coincide con la dimensi on de Vi :
mi = dim Vi .
Demostraci
on: Si T es diagonalizable, por definicion su matriz en alguna base de E es

1 0 . . . 0
0 2 . . . 0
D =
. . . . . . . . . . . .
0 0 . . . n

as que su polinomio caracterstico cT (x) = |xI D| = (x 1 ) . . . (x n ) claramente tiene

todas sus races en K, y la multiplicidad mi de cada raz i es el n umero de veces que se
repite i en la sucesion 1 , . . . , n , de modo que rg (D i I) = n mi y
3.2.2 ( )
mi = n rg (i I D) = dim Ker (i Id T ) = dim Vi .
Recprocamente, sean 1 , . . . , r K las races en K de cT (x) y m1 , . . . , mr sus respec-
tivas multiplicidades. Si cT (x) tiene todas sus races en K, entonces
m1 + . . . + mr = gr cT (x) = dim E .
Si ademas mi = dim Vi para todo ndice i = 1, . . . , r, entonces
5.3.2
dim (V1 + . . . + Vr ) = dim V1 + . . . + dim Vr = m1 + . . . + mr = dim E,
y obtenemos que V1 + . . . + Vr = E. Luego T es diagonalizable de seg
un 5.3.1.

Nota: Si A es la matriz de T en una base de E, de acuerdo con 3.2.2 tenemos que

( )
dim Vi = dim Ker (i I T ) = n rg (i I A) .
Indice alfab
etico

altura, 27 ecuaciones
aplicacion, 4 implcitas, 20
biyectiva, 4 parametricas, 20
epiyectiva, 4 endomorfismo, 32
inversa, 4 diagonalizable, 33
inyectiva, 4 epiyectiva, aplicacion, 4
lineal, 17 equivalencia
argumento, 3 , clase de, 1
aurea, proporcion, 35 , relacion de, 1
escalar, 6
baricentro, 13 , producto, 25
base, 11 espacio vectorial, 9
, cambio de, 22 cociente, 11
ortonormal, 29 eucldeo, 28
biyectiva, aplicacion, 4 Euler
, formula de, 3
cambio de base, 22 , recta de, 27
caracterstico, polinomio, 32 exponencial compleja, 4
ciclo, 5
circuncentro, 27 generadores, sistema de, 11
clase de equivalencia, 1
cociente Hamilton-Cayley, teorema de, 33
, conjunto, 1
identidad, 4
, espacio vectorial, 11
imagen, 4, 17
complejos, n umeros, 2
imaginaria, parte, 2
composicion, 4
impar, permutacion, 5
congruencia, 1, 10 implcitas, ecuaciones, 20
conjugado, 2 independencia lineal, 11
conjunto cociente, 1 inversa
coordenadas, 12 , aplicacion, 4
coseno, 26 , matriz, 6
Cramer, regla de, 7 invertible, matriz, 6
cuadrilatero, 27 inyectiva, aplicacion, 4
isomorfa, teorema de, 19
DAlembert, teorema de, 31
isomorfismo, 19
dependencia lineal, 11
determinante, 6 lineal
diagonalizable, endomorfismo, 33 , aplicacion, 17
diagonalizacion, criterio de, 36 , dependencia, 11
dimension, 13 , independencia, 11
direccion, 10 , subvariedad, 10
directa, suma, 16 logaritmo neperiano, 4
disjuntos, ciclos, 5
distancia, 25, 29 modulo

37
38 INDICE ALFABETICO

de un numero complejo, 2 signo de una permutacion, 5

de un vector, 25 simetra, 29
matriz, 6 simple, raz, 31
, determinante de una, 6 sistema de generadores, 11
, menor de una, 7 subespacio vectorial, 9
, rango de una, 7 subvariedad lineal, 10
invertible, 6 suma
traspuesta, 6 de subespacios vectoriales, 10
unidad, 6 directa, 16
mediana, 13 suplementario, 16
mediatriz, 27
medio, punto, 13 Tales, teorema de, 26
menor de una matriz, 7 trasposicion, 5
multiplicidad de una raz, 31 traspuesta, matriz, 6
triangulo, 13
n
ucleo, 17
unidad, matriz, 6
ortocentro, 27 valor propio, 32
ortogonal vector, 9
, proyeccion, 29 propio, 32
, subespacio vectorial, 28
ortonormal, base, 29

paralelismo, 10
paralelogramo, 27
parametricas, ecuaciones, 20
permutaci on, 4
impar, 5
par, 5
perpendicularidad, 29
Pitagoras, teorema de, 26
plano, 13
polinomio caracterstico, 32
producto
de matrices, 6
de numeros complejos, 2
escalar, 25
propio
, valor, 32
, vector, 32
proyeccion
ortogonal, 29
punto, 9

raz simple, 31
rango, 7
, teorema del, 7
real, parte, 2
recta, 13
relacion, 1
de equivalencia, 1
Rouche-Frobenius, teorema de, 7, 15
Runi, regla de, 31