Apuntes Alg Lineal PDF

UNIVERSIDAD DIEGO PORTALES
Instituto de Ciencias Bsicas
lgebra Lineal
Isabel Arratia Zrate
Matrices y Sistemas de
ecuaciones lineales
__________________________________________________________________
Algebra Lineal - I. Arratia Z.
Matrices: definiciones y notaciones bsicas

Una matriz A con componentes en un cuerpo es un
arreglo en filas y columnas de elementos de . Por ejemplo,
4 23
3 0 5
y B = 15 3
A =
1
2
1
7 9
3
son matrices con componentes en , el cuerpo de los

nmeros reales. La matriz A tiene dos filas y tres columnas
mientras que la matriz B tiene tres filas y dos columnas.
Si una matriz tiene m filas y n columnas, se dice que ella
es de orden m x n (se lee m por n).
__________________________________________________________________
Cmo denotar una

matriz de orden m x n?
Se usan dos ndices:
a 11
a
A = 21
...
a
m1
a 12
a 22
...
a m2
a 1n
a 2n
...
...
. . . . . a mn
.....
.....
lo que abreviadamente se expresa,
A = (a i j ), i = 1, 2, . . . . , m ; j = 1, 2, . . . . , n
Ejercicio: Determine por extensin la matriz A, de orden

2x3 definida as, a i j = | 2i j |.
__________________________________________________________________
El elemento a i j, es el que se ubica en la i-sima fila j-sima

columna de la matriz A; se llama componente i j de la matriz A.
Si la matriz A tiene el mismo nmero n de filas que de
columnas, se dice que ella es una matriz cuadrada de orden n.
Si A es una matriz de orden n, las componentes
a i i constituyen la diagonal de A; se anota:
diag(A) = (a11, a 22 , . . . . . . . , a nn )
La suma de los elementos de la diagonal de una matriz
cuadrada de orden n se llama traza de A, es decir,
tr ( A ) =
aii
i =1
__________________________________________________________________
Una matriz cuadrada

si
A = (a i j ) se dice matriz diagonal
a i j = 0 cuando i j. Por ejemplo,

2
A = 0
0
0
5
0
0
1
-1
B =
0
son matrices diagonales.
Una matriz cuadrada A = (a i j ) se

llama
triangular
superior si a i j = 0 para i > j, y se llama triangular inferior
si a i j = 0 para i < j. Por ejemplo,
4
C = 0
0
1
6
0
0
8
-3
B =
2
son matrices triangulares.
__________________________________________________________________
Ejemplo: Determine por extensin la matriz A = (a i j ), de orden

3 dada por
si i = j
i
A = 2i j si i < j
| i 3 j | si i > j
Cul es la diagonal y la traza de A Cul es el valor de la traza

de A si la matriz A fuese de orden 20? y si fuese de orden n?
Solucin: La matriz A es
A = 1
0
0
2
3
1
3
Su diagonal es diag(A) = (1, 2, 3) y tr(A) = 6. Si A es de

orden 20, tr(A) =
20
i=1
ai i = 210 y si es de orden n, tr(A) =
n(n +1)
2
__________________________________________________________________
Resulta fcil comprender la utilidad que

prestan las matrices para ordenar datos.
La produccin semanal, en cientos, de los artculos p1, p2, .p60
que se fabrican en una industria se pueden expresar mediante
una matriz P de 60 filas - donde se escribirn los productos
elaborados - y 5 columnas que indicarn los das de la semana
de lunes a viernes:
Lu Ma Mi Ju Vi
2 3,5 3 3, 2 3 p1
6
6
,
5
6
,
3
6
,
2
6
p2
P = .. ..
..
..
.. ..
..
..
.. ..
.. ..
4 3,8 3,5 4 3, 2 p
60
__________________________________________________________________
El conjunto de todas las matrices de
m filas y n
columnas con componentes en el cuerpo

denotado por
ser
M mxn ( ) y ser M n ( ) cuando
se trate de matrices cuadradas de orden n.

Dos matrices A = (a i j ) y B = ( bi j ) son iguales si tienen el
mismo orden y adems a i j = bi j , i j.
Si A = (a i j ) es una matriz de orden m x n, la transpuesta de A,
t
A
denotada por
, es la matriz de orden n x m que se obtiene al
intercambiar las filas por las columnas de A. En consecuencia,
A t = (a j i )
__________________________________________________________________
Ejercicio: Cul es la transpuesta de la matriz A = (a i j ) de
orden 3 x 2 definida por a i j = 3i j2 ?
Sea A = (a i j ) matriz cuadrada. Se dice que A es una matriz

t
simtrica si A = A y se dice que A es antisimtrica si
At = A , donde -A es la matriz A = (a i j ).
6
Por ejemplo, A = 1
4
1
7
2
2
3
es una matriz simtrica.
Construya usted una matriz antisimtrica de orden 3.
Ejercicio: Si A es una matriz de orden n antisimtrica,

demuestre que diag(A) = (0, . . . . , 0) y tr (A) = 0.
__________________________________________________________________
10
Ejercicios:
Ade
= (orden
a i j ) 4 definida
1) Determine por extensin la matriz
como sigue. Calcule la traza de A. Es A una matriz
simtrica?
i 2 7 si
i= j
A = i j + 3 si
i = j 1
0
en otros casos
2) Demuestre que toda matriz diagonal es simtrica.

3) Determine todos los valores reales de a y b de modo que
la matriz B dada sea simtrica.
2
2
B = a
3
a+6
5
b3
b + 2
1
__________________________________________________________________
11
Operaciones con matrices

Se llama matriz nula (o matriz cero) de orden m x n a la matriz
de orden m x n que tiene todas sus componentes iguales a 0 .
La matriz nula se denotar por
Omxn o simplemente O.
Suma de matrices
Si A = (ai j ), B = (bi j ) Mmxn() , la suma de A y B es la
matriz A + B = (ci j) Mmxn() , donde ci j = a i j + bi j
Por ejemplo, si
7 9
4 12
A = 6 5 y B = 2 6 ,
8 4
1 3
3 3
A + B = 4 1
7 1
__________________________________________________________________
12
Observe que para sumar matrices, ellas deben ser del mismo
orden. Se tienen las siguientes propiedades:
1.
(A+B)+C = A+(B+C), A, B,CMmxn()
2.
A+B = B+A , A, BMmxn()
3.
Existe Omxn , matriz nula, tal que A+O = A , AMmxn()
4.
5.
6.
AMmxn(,)existe
AMmxn
)
tal (que
A = (a i j) cuando A=(a i j)
tr(A+B) = tr(A) + tr(B), A, BMn ()
Para cada matriz

A) = O , donde
A+(-
(A + B) t = A t + B t, A, BMmxn()
A+B diagonal
8. A, B simtricas A+B simtrica
9. A, B antisimtricas A+B antisimtricas
7.
A, B diagonales
Ejercicio: Demuestre las propiedades enunciadas antes.

__________________________________________________________________
13
Multiplicacin por escalar o ponderacin

Si A = (a i j ) M mxn ( ) y , la multiplicacin veces
A es la matriz de orden m x n,
Por ejemplo, si
A=(a i j)
1 5
3 15
A = 4 12 , entonces 1 A = 4
4
3
3
6 20
20
Se puede establecer que:
1. (A) = ()A, , , A matriz

2. ( + )A = A + A, , , A, B Mmxn ()
3. (A + B) = A + B, , A, B Mmxn ()
4. 1 A = A,
(-1)A = -A,
0 A = O, A matriz
__________________________________________________________________
14
Adems
5. tr( A) = tr(A), A M n ( )
6.
( A) t = A t , A M mxn ( )
Ejercicio: Demuestre las propiedades 1. a 6. anteriores.

Las propiedades algebraicas de las
matrices nos permiten resolver ecuaciones
matriciales de manera eficiente.
Ejercicio: Resuelva la ecuacin

5( X + A ) = A t 1 ( B 9 X t ) t
3
3 6
2 1
si A =
5 0 , B = 4 2
0 2
C =
1 2
t
__________________________________________________________________
15
Problema: Un fabricante produce tres modelos de

zapatillas de descanso A, B y C en tres tamaos: para
nios, damas y caballeros. La fabricacin se realiza en
dos plantas, una ubicada en San Bernardo y la otra en
Maip. La produccin semanal, en pares de zapatillas, en
cada planta se entrega a travs de las matrices:
San Bdo. Nios Damas Varones
A
20
34
30
B
C
16
24
20
28
48
32
Maip Nios Damas Varones

A
16
24
26
B
C
10
15
14
20
32
28
a) Determine la matriz que contiene los datos relativos a la

produccin semanal total de cada modelo de zapatilla en ambas
plantas.
b) Si la produccin en la planta de San Bernardo se incrementa en un
20% y la de Maip en un 40%, escriba la matriz que representa la
nueva produccin semanal total de cada tipo de zapatilla.
__________________________________________________________________
16
La multiplicacin de matrices
Si A = (a i j) Mmxn() y B = (b i j) Mnxr() , la multiplicacin
de A y B es la matriz AB= (c i j) , de orden m x r, donde
c i j=
a ikb k j
k =1
El elemento ubicado en la fila i columna j del producto AB es:
c i j= a i1b 1j + a i2b 2 j + . . . . . + a inb nj

Componentes
de la fila i
Componentes
de la columna j
__________________________________________________________________
17
Por ejemplo, si
2 1
8
2
5
y B = 2 4,
A =
3 1 1
1 0
15 16
entonces AB=
9 7
Observe que en este ejemplo, BA tambin se puede realizar

pero es una matriz de orden 3, con lo que concluimos que
La multiplicacin de matrices no es conmutativa
Note tambin que para la matriz A del ejemplo anterior,
producto A 2 = A A no se puede efectuar.
__________________________________________________________________
el
18
Este producto
tiene otras
curiosidades?
Si, por ejemplo,
Existen matrices cuadradas A, no nulas pero tales que
A2 = O
Ms an, existen matrices A y B, de orden n, no nulas,

distintas y AB = O, es decir, el producto de dos matrices puede
ser la matriz cero y ninguna de ellas ser cero.
Por lo tanto,
/ (A = 0 B = 0)
AB= 0
AB= AC
/ B= C
__________________________________________________________________
19
Sin embargo, siempre que las operaciones se puedan realizar,

se puede demostrar que:
1. (A B) C = A (B C)
2. (A + B) C = A C + B C
C (A + B) = C A + CB
Surge la interrogante Existe elemento identidad en

el conjunto M mxn ( )?
In = (ai j ) de orden n definida as:

1 si i = j
ai j =
0 si i j
La matriz cuadrada
se llama matriz identidad; ella es tal que
A I n = A = I n A , A M n ()
__________________________________________________________________
20
En consecuencia, existe elemento identidad en M n ( ).
Ejercicio: a) Muestre con ejemplos que, en general,

tr ( AB ) tr ( A ) tr (B) y que ( AB )t A t B t
b) Demuestre que tr(AB) = tr(BA)
c) Demuestre que, siempre que los productos se puedan
realizar, (A B)t = Bt At .
Ejercicio: Determine la matriz X de modo que la siguiente

igualdad resulte verdadera:
3 2 - 3
5
1 - 1 X = 6
0
1 - 2 2
1
__________________________________________________________________
21
Dadas las matrices A y B,

qu necesitamos para
resolver la ecuacin AX = B?
La ecuacin ax = b, en el conjunto de los nmeros
reales, se resuelve usando el inverso multiplicativo de a:
x = a 1b = b
a
Si A es una matriz no nula nos preguntamos existe una matriz
B tal que AB = I n = BA? Que equivale a existe el inverso
multiplicativo de A? Observe que esta pregunta tiene sentido
slo si A es una matriz cuadrada. Sin embargo, aunque A sea
cuadrada, la respuesta a la interrogante es no siempre.
__________________________________________________________________
22
3
Por ejemplo para A =
1
de tal matriz B.
a
Supongamos que B =
c
6
investiguemos la existencia
2
b
es tal que AB = I 2; entonces
d
3 6 a b 1 0

=
que equivale a
1 2 c d 0 1
y a resolver
a + 2c = 1
3a + 6c 3b + 6d 1 0
a + 2c b + 2d 0 1
y a + 2c = 0 .
Concluimos que no existen a y c; de manera anloga, no

existen b y d. Por lo tanto la matriz B no existe.
Surge entonces la siguiente definicin:
__________________________________________________________________
23
A M n ( ) es invertible
B M n ( tal
) que AB
o no singular si existe
In= BA. La matriz B, cuando existe, est
=
Se dice que una matriz
nicamente determinada por A, se llama inversa

1
de A y se denota por A .
Por lo tanto,
A A1 = In = A1 A
Ejercicio: Demuestre que,

a) (A1)1 = A , A Mn () invertible
t 1
1 t
b) (A ) = (A ) , A Mn () invertible
1
1 1
c) (A B) = B A ; A, B Mn () invertibles
__________________________________________________________________
24
Cules matrices
son invertibles?
En lo que sigue, trataremos de contestar esta

interrogante, es decir, caracterizaremos a las
matrices invertibles.
Adems mostraremos
maneras de calcular la inversa.
Una primera respuesta la obtendremos a travs
de los determinantes que comenzaremos a
estudiar a continuacin.
__________________________________________________________________
25
Determinantes
Asociado a cada matriz A M n ( )
existe un elemento
de , su determinante, que lo denotaremos det(A) o | A | .
a b
M 2 ( ) , det(A) = ad bc ; por ejemplo,
Si A =
c d
4 1
= 12 7 = 5
3
7
Si A es una matriz cuadrada de orden mayor que 2, el
determinante de A se define en forma recursiva como sigue:
Sea A = (a i j ) matriz de orden n. Llamaremos menor de orden
ij de A, y anotaremos
, alM
determinante
de orden n -1 que se
ij
obtiene a partir de A, eliminndole la i-sima fila y la j-sima
columna.
__________________________________________________________________
26
El cofactor de orden ij de A, denotado C i j es el nmero

Ci j = (1)i + j Mi j
5 2
1
Por ejemplo, si A = 0
2
1 , M13 = 2, M32 = 1
1 9 1
C13 = 2 y C32 = 1
El determinante de la matriz de orden n, A = (a i j ) es el nmero
n
n
i
j
+
( 1) a i jM i j =
a i jC i j con 1 j n fijo
i =1
i =1
det( A ) =
n
n
i
j
+
( 1) a i jM i j =
a i jC i j con 1 i n fijo
j =1
j =1
__________________________________________________________________
27
Por ejemplo, calculemos el determinante de
1 3 9
A 2 0
5
2 4 7
Fijando i = 1 tenemos que:
det(A) =
(1)1+ j a1 jM1 j = M11 3M12 9M13 = 20 12 + 72 = 40
j=1
Observe que el fijar i = 1 signific que al

desarrollar la sumatoria intervinieron los elementos
y los correspondientes menores (o cofactores) de
la fila 1.
El determinante det(A) = 40 se pudo haber
obtenido por seis caminos diferentes. Cul de
ellos es el que necesita menos clculos?
__________________________________________________________________
28
De la definicin dada para los determinantes

siguen las siguientes propiedades:
1. det(A) = det(At ). En consecuencia, las propiedades de los
determinantes demostradas para las filas, son tambin
vlidas para las columnas. Y recprocamente.
2. Si todos los elementos de una fila (o columna) de la matriz A
son cero, det(A) = 0.
3. det( I n ) = 1, n IN . En efecto, es claro que det(I2 ) = 1.
Supongamos que det( I k) = 1, para k IN . Entonces,
n +1
det(Ik+1 ) = (1)1+ j a1 jM1 j = (1)2 1 det(Ik ) = 1

j=1
__________________________________________________________________
29
Del mismo modo, usando un razonamiento inductivo,

podemos establecer que
4. Si A es una matriz diagonal o triangular, det(A) es igual al
producto de los elementos de la diagonal.
5. Si dos filas (o columnas) adyacentes de A son iguales,
entonces det(A) = 0.
Esta propiedad nos permite demostrar que:
6. Si dos filas adyacentes o columnas adyacentes de A se
intercambian, se produce un cambio de signo del
determinante.
Lo que nos permite ampliar la propiedad 5:
7. Si dos filas (o columnas) de A son iguales, entonces det(A)
es igual a 0.
__________________________________________________________________
30
Qu sucede con el
determinante de A+B?
En general, det( A + B ) det( A ) + det( B )

Sin embargo, existe una propiedad que la enunciaremos en
primer lugar para uno de los casos de orden 2.
a 1 + c1
a 2 + c2
a1
a2
c1
c2
(k )
8. Si A M n ( ) y A , 1 k n, denota la k-sima columna
de A, entonces
det(A (1) , . . . , A1( k ) + A (2k ) , . . . , A (n) ) =

det(A (1) , . . . , A1( k ) , . . . , A (n) ) + det(A (1) , . . . , A (2k ) , . . . , A (n) )
__________________________________________________________________
31
Respecto a la ponderacin, en general,
det(A) det(A)
Pero, utilizando la notacin de la propiedad 8, se tiene que
(1)
(k )
9. det(A , . . . , A
, . . . , A(n) ) = det(A(1) , . . . , A(k ) , . . . , A(n) )
Y como consecuencia,
det(A) = n det(A)
10. Si A y B son matrices de orden n, se puede demostrar que

det (A B) = det(A) det(B)
11. Finalmente una propiedad que ser de mucha utilidad:
Si las componentes de una fila (o columna) de A se
multiplican por un nmero y los resultados se suman a
los elementos correspondientes de otra fila (o columna), el
valor del determinante no se altera. Es decir,
det(A(1) , . . . , A(k ) , . . . , A(j) + A(k ) , . . . , A(n) ) = det(A)

__________________________________________________________________
32
Cmo utilizar la
propiedad 11
anterior?
Si la fila i multiplicada por el nmero

la fila j, anotaremos Fi + Fj .
la sumamos a
Para calcular el siguiente determinante usaremos la operacin

2F1 + F2 ; a continuacin la operacin 4F1 + F3 y luego
desarrollaremos el determinante a travs de la primera columna:
1 5 2
1 5 2
3 1
2 7 3 = 0
3
1=
= 19
8 9
4 12
1 0
8
9
__________________________________________________________________
33
Ejercicio: Calcule los siguientes determinantes:

2
4
1
1
4
a+b
1,
7
1
1
a+c
a+d
c ,
d
x+3
7
6
x5
6
1
1 ,
x+2
a2
1
1
b
c
b2
c2
Ejercicio:
Clasifique las siguientes

afirmaciones como verdaderas o falsas:
1.
det( A 2 B 2 ) = det( A + B) det( A B) , A, B M n ( )
2.
det( A + I 2 ) = det( A ) + det( I 2 )
3.
det(-A) = - det(A), A M n ( )
tr(A) = 0
__________________________________________________________________
34
Definicin: La matriz adjunta de A = (a i j) Mn () , es la

transpuesta de la matriz de los cofactores de A , es decir,
adj( A ) = (( 1) i + j M i j ) t = (C i j ) t = (C j i )
a b
d - b
M2() , adj(A)=
Por ejemplo, si A =
c d
- c a
Cul es la matriz adjunta de

cofactores de A es
9
5
2
1
6 12
2 1 0
A = 3 5 6 ? La matriz de los
1 0 1
5
1 6
5
1 ; luego adj( A ) = 9
2 12
5 1
6
6
__________________________________________________________________
35
Observe que si
a b
M 2 () ,
A =
c d
0
a b d - b ad - bc

=
A adj(A) =
c
a
c
d
0
ad
bc
0
d - b a b ad - bc

=
y adj(A) A =
ad - bc
- c a c d 0
Y si el determinante de A es distinto de cero tenemos que,
1
1
A
adj(A) = I 2 =
adj(A) A
det(A)
det(A)
__________________________________________________________________
36
Este resultado es ms general; se puede demostrar que si

A M n ( ) y det(A) es distinto de cero, entonces
A 1 adj(A) = I n = 1 adj(A) A
det( A )
det( A )
es decir, A es invertible y se tiene que
adj(A)
A -1 =
det(A)
Recprocamente, si A es invertible, entonces
1 = det(I n ) = det(A A 1 ) = det(A) det(A 1 )

y por lo tanto, det(A) 0.
Por lo tanto, podemos enunciar el siguiente teorema que
caracteriza a las matrices invertibles:
__________________________________________________________________
37
Teorema:
Sea A Mn () ; entonces
A invertible
det( A ) 0
-1
Y en este caso se tiene que A = det(1 A ) adj(A)
Por ejemplo, si
a b
M2 () , y ad - bc 0, entonces
A =
c d
1 d - b
-1
A =
ad bc - c a
Ejercicio: Calcule la inversa de las siguientes matrices:

2 1 4
5 9
, B = 3 1 6 ,
A =
2 3
1 2 1
1 5 1
C = 2 1 3
3 2 4
__________________________________________________________________
38
Ejercicio: Es verdadero o falso que para

matrices A, B invertibles de orden n se tiene que:
1
det( A )
1.
det( A 1 ) =
2.
( A + B ) 1 = A 1 + B 1
3.
(AB) -1 = B 1 A 1
4.
(A -1 ) 1 = A
Ejercicio: Determine todos los valores reales de k de modo

que las siguientes matrices sean invertibles:
1+ k
k
,
A =
1 k k
1
k 1
B = 2 0 2k ,
3 1 k 2
1
C=
1
0 1
1 1
1 k 1
0 0 k
0
k
__________________________________________________________________
39
Operaciones elementales Matrices escalonadas

Para una matriz A Mmxn () consideraremos las siguientes
operaciones elementales con las filas de A:
Permutar dos filas: Si se permuta la fila i con la fila j anotamos
Fij
Multiplicar una fila por un nmero real: Si se multiplica la fila i
por el nmero 0, esta operacin se anota
Fi
Sumar dos filas: Si la fila i se suma a la fila j, anotamos
Fi + Fj
Finalmente, podemos combinar las dos ltimas operaciones y

obtener
Fi + Fj
__________________________________________________________________
40
Ejercicio:
Verifique que si se realizan las operaciones

elementales indicadas con las filas de la matriz A, se obtiene
la matriz E.
2 6
1 4
A = 1 4 , F12 , - 2F1 + F2 , F1 + F3 , F2 3 , 2F2 + F3 , E = 0 1

1 3
0 0
Si A, B Mmxn ()y si B se obtiene realizndole a la matriz A un

nmero finito de operaciones elementales, entonces se dice que A
Bejemplo, las matrices
es equivalente a B y se anota
.APor
A y E del ejercicio anterior son equivalentes.
La matriz E del ejercicio anterior tiene una forma muy particular, es
una matriz del tipo escalonada. A continuacin damos una
definicin de matriz escalonada:
__________________________________________________________________
41
Una matriz A Mmxn () se llama

satisface las siguientes condiciones:
matriz
escalonada
si
Las filas que tengan todas sus componentes iguales a cero deben
estar ubicadas debajo de aquellas que tengan componentes no
nulas.
La primera componente no nula de cada fila no nula es 1, vista de
izquierda a derecha. Esta componente se llama uno distinguido o
uno capital.
El nmero de ceros al comienzo de una fila aumenta a medida
que se desciende en la matriz.
Si adems A satisface lo siguiente:
Todas las componentes de la columna donde aparece un 1
distinguido son ceros,
la matriz A se llama escalonada reducida por filas.
__________________________________________________________________
42
Ejercicio: Decida si las siguientes matrices son

o no son escalonadas.
reducidas por filas?
1 1
2 1 0
A = 0 2 , B = 0 1 0 ,
0 0
0 0 1
Son
escalonadas
0
1 5 0
C = 0 0 1 4
0 1 1 2
Teorema: Toda matriz A Mmxn () es equivalente a una

matriz
E Mmxn () del tipo escalonada reducida por filas.
Si A Mmxn () , entonces A E , con E matriz escalonada

reducida por filas. Se define el rango de A como el nmero de
filas no nulas de E, que equivale al nmero de unos distinguidos
de E. El rango de A lo denotaremos por r(A).
__________________________________________________________________
43
El rango de la matriz nula es cero: r(O) = 0.

El rango de la matriz identidad de orden n es n: r(I n ) = n
4 6 2 4
A
1
1
0
5
=
El rango de la matriz
es 2. Por qu?
3 2 1
3
Ejercicio: Determine todos los valores reales de a de modo

que el rango de la matriz M sea 3 si
M = 2
3
2
3
4
1
a 2
Ejercicio: Estudie el rango de la matriz A, dependiendo de

los valores reales de k si
1 1 0 1
A = 1 k + 1 1 0
1 4 3 2
__________________________________________________________________
44
Un teorema que caracteriza a las matrices invertibles es:
Teorema:
Sea
A invertible
A Mn () ; entonces
r (A ) = n
AIn
Y si una sucesin de operaciones elementales fila reducen A a la

matriz identidad I n , entonces esa misma sucesin de operaciones
1
elementales fila cuando se aplican a I n proporcionan A .
Ejercicio: Aplique la ltima parte del teorema para calcular

la inversa de cada una de las siguientes matrices:
1 3 1
5
12
, B = 2 4 1 ,
A =
1 3
3 1 2
3
2 3
C = 3 1
1
k 1 2
__________________________________________________________________
45
Las operaciones elementales tambin se pueden

realizar con las columnas de la matriz.
Sin embargo, para los objetivos de este curso,
usaremos slo operaciones elementales con las
filas de la matriz.
Ejercicio:
compleja:
Determine el rango de la siguiente matriz
i
3i
3
1
A = 2+i
1 1 + 2i 4 + i
1 + i 1 + i 1 + i 1 + i
__________________________________________________________________
46
Matrices elementales
Una matriz elemental es aquella que se obtiene al realizar una
operacin elemental a la matriz identidad I n .
Usaremos las
elementales:
Ei j
siguientes
notaciones
para
las
matrices
: se obtiene al realizar Fi j a I n
Ei () : se obtiene al realizar Fi a I n
Ei j () : se obtiene al realizar Fi + Fj a I n
Por ejemplo, para orden 3,
E2 3
1 0 0
= 0 0 1 ,
0 1 0
1 0 0
E1 3 (4) = 0 1 0
4 0 1
__________________________________________________________________
47
Observaciones
(1) Existe una equivalencia entre realizar a la matriz A una
operacin elemental fila y multiplicar, por la izquierda, la matriz A
por una matriz elemental. A saber,
Ei j A
corresponde a realizar a A la operacin elemental
Fi j
Ei () A
Fi
E i j ( ) A
Fi + Fj
(2) Las matrices elementales son invertibles; en efecto,
Ei j Ei j = I n
Ei () Ei ( 1 ) = I n
Ei j () Ei () = I n
__________________________________________________________________
48
(3) La inversa de una matriz elemental es tambin una matriz

elemental.
Ahora estamos en condiciones de demostrar el
teorema enunciado antes y que caracteriza a las
matrices invertibles.
Teorema:
Sea A Mn () ; entonces
A invertible
AIn
i) Supongamos que A es invertible y que A E , con E matriz

escalonada reducida por filas, E I n . Entonces E tiene por lo
menos una fila de ceros y por tanto det( E) = 0.
Pero si A E , el determinante de A difiere del determinante de
E en el signo o en un factor numrico. En cualquier caso
concluimos que det(A) = 0, lo que es una contradiccin. Por lo
tanto se debe tener A I n .
__________________________________________________________________
49
i) Supongamos que A I n ; entonces I n se obtiene realizando

una sucesin de operaciones elementales fila a la matriz A. Esto
quiere decir que
Ek Ek-1 . . . . E2 E1 A = In , con E1, . . . Ek
matrices elementales.
Como las matrices elementales son
invertibles podemos expresar
A = E 1 1 E 2 1 . . . . E -1
k
det(A) = det(E
-1
1 )
. . . . det(E
-1
k )
det(A) 0
A invertible
Del teorema siguen los siguientes corolarios:
(1) A Mn () A invertible r ( A ) = n
__________________________________________________________________
50
(2) A Mn () , A invertible
A es producto de
matrices elementales.
Esto ltimo sugiere otro mtodo para calcular la inversa de A:
E k . . . . . E 2 E1 A = I n A -1 = E k . . . . . E 2 E1
Adems, prueba el enunciado hecho antes: Si una sucesin de
operaciones elementales fila reducen A a la matriz identidad I n,
entonces esa misma sucesin de operaciones elementales fila
cuando se aplican a I n proporcionan A 1.
2 8
A
=
Ejercicio: Exprese la inversa de la matriz
1 3
como producto de matrices elementales.
__________________________________________________________________
51
Factorizacin LU
Sea A Mn () . Si al escalonar A no es necesario realizar
permutacin de filas, entonces A puede factorizarse como el
producto LU donde:
L es una matriz triangular inferior con todos los elementos de
su diagonal iguales a 1.
U es una matriz triangular superior con los elementos pivotes
en la diagonal.
No toda matriz admite
factorizacin LU
__________________________________________________________________
52
A
=
Por ejemplo,
1
efecto,
a
A =
c
0 x

d 0
no admite factorizacin LU.
0 1 ax
=

1 0 cx
ax = 0
En
cy + dz
ay
(a = 0
x = 0)
L o U no invertible
A no invertible
Lo que es una contradiccin pues det(A) = -1.

Este ejemplo muestra que,
A
invertible
A admite factorizacin LU
__________________________________________________________________
53
Ejemplo: Encontremos la factorizacin LU de la matriz

1
A = 0
1
1 1 1 F1 + F3
A = 0 1 1
1 2 0
1
1
2
1
0
1 1 1 F2 + F3
0
1
1
0 1 1
1 1 1
0
1
1
=U
0 0 2
Lo anterior se expresa con matrices elementales as:
E2 3 (1) E1 3 (1) A = U
A = (E2 3 (1))1 (E1 3 (1))1 U

A = E1 3 (1) E2 3 (1) U
A
__________________________________________________________________
54
Efectivamente,
A = 0
1
1
1
2
1 1

1 = 0
0 1
0
1
1
0 1
0 0
1 0
1
1
0
1
2
De lo realizado se puede concluir que la factorizacin LU

de una matriz A no es nica.
Ejercicio: Encuentre una descomposicin LU para las

matrices A y B siguientes.
1 2
A= 3 0
1 2
2
0
1
0
3
1
2
1
1
1
B=
3 1 1
2
1
2
3 1
__________________________________________________________________
55
Sistemas de m ecuaciones lineales

con n incgnitas
Un sistema de m ecuaciones lineales con n incgnitas se expresa
a11 x 1 + a12 x 2 + . . . . . + a1n x n

a x + a x + ..... + a x
22 2
2n n
(*) 21 1
........
a m1x 1 + a m 2 x 2 + . . . . . + a mn x n
=
=
b1
b2
...
bm
donde A = ( a i j ) M mn ( ) es la matriz de los coeficientes del

sistema y
x1
x2
X=
,
....
x
n
b1
b
B= 2
....
b
m
son las (matrices) columnas
de incgnitas y de trminos constantes respectivamente.

__________________________________________________________________
56
x1
Los nmeros reales ( x 1, x 2 , . . . . . , x n ) , formalmente x 2

....
x
n
que satisfacen cada una de las ecuaciones de (*) forman una

solucin del sistema (*).
El sistema (*) se dice compatible si posee al menos una
solucin y se dice incompatible cuando no tiene solucin.
Observe que el sistema (*) equivale a la
ecuacin matricial AX = B, con A la
matriz de orden m x n formada con los
coeficientes del sistema, X la matriz
columna de incgnitas y B la matriz
columna de trminos constantes.
__________________________________________________________________
57
Ejercicio:
Escriba la ecuacin matricial AX = B que

representa a los sistemas:
2 x1 x 2 + 7 x 3
x1 + 4 x 2 3 x 3
5 x 2 x + 3 x
2
3
1
=
=
0
6
x1 x 2 2 x 3 + 2 x 4
3x 1 + x 2 + 4 x 3 + 9 x 4
Ejercicio: Escriba el sistema de ecuaciones lineales

AX = B que corresponde a las matrices:
0 3
2
A = 1 5 1 ,
6
1
1
4 5
A =
1 0
2
,
7
2

B = - 4
3

1

B = - 6
10

__________________________________________________________________
58
Problema: Haga el planteamiento matemtico del

siguiente problema: Un empresario tiene tres mquinas
que son empleadas en la fabricacin de cuatro productos
diferentes. Para utilizar plenamente las mquinas, estas
estarn en operacin 8 horas diarias. El nmero de horas
que cada mquina es usada en la produccin de una unidad
de cada uno de los cuatro productos est dado en la tabla.
Prod 1 Prod 2 Prod 3 Prod 4
Mq 1
1
2
1
2
Mq 2
2
0
1
1
Mq 3
1
2
3
0
Cuntas unidades de cada producto se deben

producir en un da, con el fin de usar
plenamente las mquinas?
__________________________________________________________________
59
Sistemas de ecuaciones lineales

homogneos
Un sistema de ecuaciones lineales se dice homogneo cuando

la columna de trminos constantes est formada slo por ceros.
Sea AX = O, con A M mn ( )
entonces:
un sistema homogneo;
1. AX = O es siempre compatible pues X = O es solucin de l.

2. Si E M mn ( ) es tal que A E , entonces los sistemas
(equivalentes) AX = O y EX = O tienen las mismas soluciones.
3. Si el rango de A, r(A) = n, entonces X = O es la nica solucin
de AX = O.
4. Si el rango de A, r(A) < n, entonces existen infinitas soluciones
para AX = O. Estas se pueden expresar en trminos de uno o
ms parmetros.
__________________________________________________________________
60
Resolucin de sistemas homogneos

Ejemplo 1
x1 + x 2 x3
= 0
2x1 2x 2 + 3x3 = 0
3x1 + 7x 2 x3 = 0
La matriz de este sistema es:

1 1
1
A = 2 2 3
3
7 1
Con A, realizamos operaciones elementales fila hasta obtener E

1 1 1 1 - 1 1 0 3 2 1 0 0
1

1
A = 2 2
3 0 - 4 5 0 1
0
1
0
=E
2
3
7 1 0 4 2 0 0
7 0 0 1
Como r(A) = 3 = N columnas de A = N de incgnitas, el sistema

tiene solucin nica y sta es la misma que tiene EX = O, es decir,
0

S = 0 , que nos permitimos escribir S = (0, 0, 0)
0

__________________________________________________________________
61
Ejemplo 2:
x1 + x2 3x3
= 0
2x1 4x2 + 6x3 = 0

1x1 7x2 + 15x3 = 0
A = 2
1
1
4
7
3 1

6 0
15 0
1
-6
-6
En este caso:
- 3 1

12 0
12 0
0
1
0
2 = E
0
Como r(A) = 2 < N columnas de A (N de incgnitas), el sistema

tiene infinitas soluciones. Estas las buscamos en el sistema EX = O:
x1 x 3 = 0
x1 = x 3
x 2 = 2x 3
x 2 2x 3 = 0
Asignamos a x 3 el parmetro con el fin de expresar las infinitas
soluciones as:
1

S = 2 = 2 ; .
1

O tambin, S = (1, 2, 1) ,
__________________________________________________________________
62
Ejemplo 3: Resolvamos el sistema de 4 incgnitas:

x y + 4 z + 5u
2x + 3y 7z
4 5 1 1
4
1 1

A =
3 7 0 0
5 15
2
5 1 0
1
3

=E
10 0 1 3 2
En este caso, r(A) = 2 < N columnas de A (N de incgnitas) y el

sistema tiene infinitas soluciones. El sistema equivalente EX = O
es:
x + z + 3u = 0
x = - z - 3u
y 3 z 2u = 0
y = 3z + 2u
Asignamos dos parmetros: z = , u = . Las infinitas soluciones

- 3
se expresan: 1

3
2

S = + ; , .
0
1

1
0

O tambin, S = ( 1, 3, 1, 0) + ( 3, 2, 0, 1) ; ,
__________________________________________________________________
63
Ejemplo 4: Determinemos todos los valores de k de modo

que el siguiente sistema tenga soluciones distintas de X=O,
es decir, soluciones no triviales.
= 0
5x1 x2 + 3x3
2x1 + 4x2 + 6x3 = 0
= 0
x2 + (k 1)x3
El sistema tendr soluciones no triviales si y slo si r(A) < 3 = N
columnas de A (N de incgnitas del sistema).
5
A = 2
0
1
4
1
3 1

6 0
k 1 0
-2
9
1
-3 1 0
1

18 0 1
2 =E
k - 1 0 0 k 3
Por lo tanto el valor de k buscado es k = 3, en cuyo caso las mltiples

soluciones del sistema se pueden expresar:
( 1, - 2, 1) ;
__________________________________________________________________
64
Ejercicio: Determine todos los valores reales de k de

modo que el siguiente sistema tenga soluciones no triviales:
x1 + x 2 x 3
2 x1 4 x 2 + kx 3
3 x1 + 7 x 2 x 3
=
=
0
0
Ejercicio: Para qu valores del nmero

real a, el sistema AX = O tiene solucin
nica? Aqu A es la matriz:
1 1 1
A = 3 a a
4 a 0
__________________________________________________________________
65
Sistemas de ecuaciones lineales no homogneos

Consideremos el sistema no homogneo AX
= B, de m ecuaciones lineales con n
incgnitas, donde A = ( a i j ) M mn ( ) y
B = ( b1, b 2 , . . . . . , b m ) t M mx1 ( )
Llamaremos matriz ampliada (o matriz aumentada) del
sistema AX = B a:
a 11
a 21
A =
....
a
m1
a 12
a 22
....
....
a 1n
a 2n
....
am 2
....
....
....
a mn
b1
b2
....
b m
__________________________________________________________________
66
Se tiene que:
El sistema AX = B es compatible si y slo si r(A) = r(A; B)
O equivalente,
El sistema AX = B es incompatible si y slo si r(A) r(A; B).
Supongamos que AX = B, sistema de m ecuaciones lineales
con n incgnitas, es compatible.
1. Si r(A) = r(A; B) = n, entonces AX = B tiene solucin nica.
2. Si r(A) = r(A; B) < n, entonces AX = B tiene infinitas
soluciones que se pueden expresar en trminos de uno o
ms parmetros.
__________________________________________________________________
67
Si el sistema AX = B tiene n ecuaciones y n

incgnitas, A es una matriz cuadrada de
orden n.
Y si el rango de A, r(A) = n,
entonces r(A; B) tambin es n, A es invertible
y la nica solucin del sistema la podemos
encontrar a travs de la inversa de A:
Ejercicio:
X = A 1B
En las condiciones anteriores, por qu
Ejercicio:
Usando la inversa de la matriz del sistema,
X = BA 1no es solucin del sistema?
resuelva
x1 + x 2 + 2x 3
3x1 + 6x 2 5x 3 = 0
2x1 + 4x 2 4x 3 = 2
__________________________________________________________________
68
Resolucin de sistemas no homogneos

Ejemplo 1:
x + 4y 3z
3x + 6y z
=
=
3
1
1 4 3 3 1 4 3 3 1 0 7 3 113

( A; B) =
8 10 0 1 4 3 5 3
1 0 6
3 6 1
En este caso, r(A) = 2 = r(A; B) y el sistema es compatible. Como
n = N de incgnitas = 3, el sistema tiene infinitas soluciones; las
buscamos en:
7
11
x + 3z
y 43 z
Soluciones:
=
=
( 7 , 4 , 1) + (11, -5 , 0) ;
3
__________________________________________________________________
69
Ejemplo 2: Estudiemos la compatibilidad del sistema

x1 2 x 2 + x 3
2 x1 + x 2 + x 3
5x2 x3
1 a 1 2
1 2

( A ; B) = 2
1
1 b 0 5
0
5 1 c 0 5
=
=
b
c
1
a 1 2

1 b 2a 0 5
1
c 0 0
1
1
0
b 2a
2a b + c
Por lo tanto, el rango de A es 2.

El sistema ser compatible si y slo si
r(A; B) = 2,
lo que equivale a que a, b, c deben cumplir,
2a b + c = 0
__________________________________________________________________
70
Ejemplo 3: Determinemos los valores reales de m de

manera que el sistema: x + 2 x + 2 x
1
1
2
3 =
= 2
mx 2 + x 3
x1 + x 2 + mx 3 = 1
i) Tenga solucin nica
ii) Posea mltiples soluciones
iii) Sea incompatible
1 1 2
2

2 0 m
1
1 0 1 m 2
3
2m 2
2m
2
2
( m 1)
2 (1 m )
1 2 2
( A ; B) = 0 m
1
1 1 m
0
0
0
1
0
2
2
__________________________________________________________________
71
i) Para cualquier nmero real m, m 1, r(A) = 3 = r(A; B) y el

sistema tiene solucin nica. En este caso,
1 0 2 ( m 1)
( A ; B) 0 1
2m
0 0 ( m 1) 2
Y la solucin es:
S = 1,
1 0 0
ii) Si m = 1, ( A ; B) 0 1 1
0 0 0
2
2 (1 m )
2
m -1
-2
m -1
),
1
2
m 1
2
m 1
m 1
2 , r(A) = 2 = r(A; B) y el
0
sistema tiene mltiples soluciones que se expresan:
( 0, - 1, 1) + (-3, 2, 0) ;
iii) Para ningn nmero real m, el sistema es incompatible.
__________________________________________________________________
72
Ejercicio: Analice las soluciones del sistema

x1 + x 2 + ax 3 + x 4
x1 + ax 2 + x 3 + x 4
ax 1 + x 2 + x 3 + x 4
=
=
2
1
dependiendo de los valores que tome el nmero

real a.
Ejercicio: Resuelva el sistema
2 x1 + x 2 + x 3
x 1 + kx 2 + kx 3
x 1 + kx 2 kx 3
=
=
2k
k
Para todos los valores reales de k para los cuales existen

mltiples soluciones.
Para algn valor de k, el sistema resulta ser incompatible?
__________________________________________________________________
73
Problema:
Una persona invierte

US$20.000 en tres diferentes negocios
que proporcionan utilidades del 5%, 6%
y 8% respectivamente.
La ganancia anual total de las tres
inversiones es US$1.266.
Determine la cantidad depositada en
cada negocio si se sabe que la utilidad
del negocio al 8% es igual a dos veces la
ganancia que deja el negocio al 5%.
Determine la cantidad depositada en cada negocio si se
sabe que la utilidad del negocio al 8% es igual a dos veces la
ganancia que deja el negocio al 5%.
__________________________________________________________________
74
La Regla de Cramer
La Regla de Cramer nos proporciona un mtodo para
resolver ciertos sistemas de n ecuaciones lineales con n
incgnitas.
Sea A matriz de orden n y consideremos el sistema de
ecuaciones lineales AX = B. Si det (A) 0, entonces A es
invertible y la nica solucin del sistema es X = A 1B .
La Regla de Cramer nos entrega otra manera de hallar esta
nica solucin de AX = B a travs de los determinantes;
asegura que,
i
xi =
, i = 1, 2, . . . . . , n
donde = det( A ) y i es el determinante de la matriz que

se obtiene al sustituir la i-sima columna de A por la columna
B de trminos constantes.
__________________________________________________________________
75
Ejemplo: Resolvamos el sistema x1 + 2x2 + 2x3 =

mx 2 + x 3
x1 + x2 + mx 3
=
=
1
2
1
para todos los valores de m que hacen que este sistema

tenga solucin nica.
En este caso
Luego
1 2 2
= 0 m 1 = (m 1)2
1 1 m
m {1} , = det(A) 0
y el sistema tiene
solucin nica. Calculemos la solucin:
__________________________________________________________________
76

x1 = 1 =
x2 =
x3 =
2
=
3
=
Solucin:
1
2
2
m
2
1
( m 1)
1
0
1
2
2
1
( m 1) 2
1
0
1
2
m
1
1
2
1
( m 1) 2
S = 1,
2 ,
m -1
( m 1) 2
( m 1)
2 ( m 1)
( m 1) 2
= 1
2 ( m 1)
( m 1) 2
-2
,
m -1
2
m 1
2
m 1
m 1
__________________________________________________________________
77
Problema: Suponga que dos productos A y B compiten y

que las demandas Q A y Q B de estos productos estn
relacionadas con sus precios p A y p B por las ecuaciones
de demanda: Q A = 17 - 2p A + 1 p B ,
2
Q B = 207 - 3p A + 1 p B
2
Las ecuaciones de la oferta son:
pA = 2 + Q A + 1 QB ,
3
pB = 2 + 1 Q A + 1 Q B
2
4
que indican los precios a los cuales las cantidades
estarn disponibles en el mercado. En el punto de equilibrio
del mercado las cuatro ecuaciones deben satisfacerse.
Calcule los valores de equilibrio de Q A , QB , p A y pB .
__________________________________________________________________
78
Sistemas lineales y factorizacin LU

Consideremos el sistema AX = B, donde A es una matriz de
orden n que admite una descomposicin LU. Si AX = B tiene
solucin nica, sta se puede obtener de la manera que se indica
a continuacin:
AX = B
LU X = B
LY = B, con Y = UX
Ejemplo: Resolvamos el sistema

x1 + 2x 2 x 3 + x 4
x1 x 2 + 2x 3 x 4
3 x1 + 4 x 2 x 3
2x1 + 4 x 2 + 2x 3 + x 4
= 2
=
=
=
4
1
7
__________________________________________________________________
79
La matriz A del sistema admite una factorizacin LU as:
1 2 1 1 1 0

1
1 1 2 1 1
=
A=
3 4 1 0 3 2

2 4 2
0
1 2
0 0 1

0 0 0
1 0 0

1 1 0
2 1
1
1 1 0
0 4 3
0 0
2
U
Resolvemos LY = B,
y1
y1 + y 2
3 y1 2y 2 + y 3
2y1 + y 3 + y 4
= 2
=
=
=
4
1
7
- 2

2
Y=
9

2

__________________________________________________________________
80
Finalmente, resolvemos U X = Y,
x1 + 2x 2 x 3 + x 4
x 2 + x3
4x3 3x 4
2x 4
= 2
= 2
= 9
=
2

- 1
X=
3

1

Solucin del sistema
__________________________________________________________________
81
Espacios vectoriales
__________________________________________________________________
82
En el estudio de las matrices y, en

particular, de los sistemas de ecuaciones
lineales realizamos sumas y multiplicacin por
escalares con un tipo especial de matrices, las
de orden nx1.
Abusando del lenguaje y la notacin establecimos la
correspondencia:
x1
x2
.
..
.
xn
(x 1, x 2 , . . . . , x n )
__________________________________________________________________
83
n
Es decir, aceptamos que Mnx 1( ) , con el fin de
aprovechar la familiaridad que se tiene con los espacios
2 y 3 .
En este captulo estudiaremos conjuntos que

n
poseen propiedades algebraicas similares a .
A dichos conjuntos se les dar el nombre de
espacios vectoriales y a sus elementos el
nombre de vectores.
En lo que sigue designar al cuerpo de los nmeros
reales o al cuerpo C de los nmeros complejos.
__________________________________________________________________
84
Espacios y subespacios vectoriales

Un espacio vectorial sobre el cuerpo
de objetos V con dos operaciones:
(1) + : V x V
V ; (u, v)
es un conjunto
u+v
que es asociativa, conmutativa, posee elemento neutro

(cero) y cada elemento posee un inverso.
(2) p:
xV
V ; ( , v)
que satisface lo siguiente:
i) ( v ) = ( )v ; , ; v V
ii) ( + )v = v + v; , ; v V
iii) (u + v ) = u + v; ; u, v V
iv ) 1 v = v; v V, con 1 elemento unidad de
__________________________________________________________________
85
La operacin (1) es interna en V; se llama suma

o adicin. La operacin (2) es externa y se llama
multiplicacin por escalar o ponderacin.
Los elementos de V se llaman vectores y los de

escalares. Si = , se dice que V es un espacio
vectorial real. Si = C , el espacio vectorial V se dice
complejo.
En cualquier espacio vectorial V sobre
a)
b)
0 v = 0 , v V
0 = 0,
c)
d)
v = 0 ( = 0
(-1) v = v, v V
se tiene que:
v = 0)
__________________________________________________________________
86
Ejemplos de espacios vectoriales

(1)
Para n nmero natural, sea

(n veces), es decir,
n = . . . .
n = { ( x1, . . . . . , x n ) / x i , i = 1, . . . . , n }
n con las operaciones siguientes:
( x1, . . . . , x n ) + (a1, . . . . , a n ) = ( x1 + a1, . . . . , x n + a n )

( x1, . . . . , x n ) = ( x1, . . . . , x n ) ,
es un espacio vectorial real.

En consecuencia,
sobre s mismo.
es un espacio vectorial
__________________________________________________________________
87
El espacio vectorial real
__________________________________________________________________
88
El espacio vectorial real
__________________________________________________________________
89
Suma en
3
Ponderacin en
__________________________________________________________________
90
(2) No slo es un espacio vectorial sobre . Si IK es

un cuerpo, IK es un espacio vectorial sobre si mismo. En
este caso, la ponderacin coincide con la multiplicacin
del cuerpo IK. En consecuencia, C (nmeros complejos)
es un espacio vectorial complejo. Pero C tambin es un
espacio vectorial real si se considera la ponderacin:
( a + bi ) = a + bi ,
(3) Para m , n IN , el conjunto M mxn ( ) de las matrices
reales de orden mxn, con las operaciones suma y
multiplicacin habituales de las matrices, es un espacio
vectorial real.
(4) El conjunto [ x ] de los polinomios en x con coeficientes
reales, con las operaciones suma y ponderacin usuales,
es un espacio vectorial sobre .
__________________________________________________________________
91
(5) Para n nmero natural, denotemos por

Pn [ x] = { p( x ) [x] / p(x) de grado n }
Pn [ x], con las operaciones suma y multiplicacin por
escalares reales, es un espacio vectorial real.
(6) Si A , el conjunto F( A, ) = { f : A / funcin },
con la suma y ponderacin usuales de las funciones, es
un espacio vectorial sobre .
Cul es el elemento cero de los
siguientes espacios vectoriales reales?
n , M mxn ( ) , Pn [ x] y F( A, )
__________________________________________________________________
92
Los siguientes conjuntos, con las operaciones

suma y ponderacin habituales de los respectivos
espacios, no son espacios vectoriales reales.
A = { ( x , y) 2 / y = 2x 3 }
B = { a + 5x 2 P2 [x] / a }
C = { A M n ( ) / det(A) 0 }
D = { f F ( , ) / f creciente en }
Ejercicio: Demuestre que los conjuntos A, B, C y

D mencionados anteriormente, no son espacios
vectoriales reales.
__________________________________________________________________
93
Cuando un subconjunto W de un espacio

vectorial V sobre el cuerpo , con las
operaciones de V restringidas a sus
elementos, resulta ser un espacio vectorial
sobre , entonces se dice que W es un
subespacio vectorial (o subespacio lineal o
simplemente subespacio) de V.
Por lo tanto,
W es un subespacio de V 0V W
O equivalentemente,
0V W
W no es subespacio de V
__________________________________________________________________
94
El siguiente teorema caracteriza a los subespacios de V.
Teorema: Sea V un espacio vectorial sobre
y W
un subconjunto no vaco de V. W es un subespacio de V
si y slo si
i)
u, v W u + v W
ii)
, u W u W
Del teorema anterior sigue que, si V es un espacio

vectorial sobre , entonces V y { 0 } son subespacios
vectoriales de V.
__________________________________________________________________
95
Ejemplo: El conjunto D = { ( x, y) 2 / y = x 2 } no es
un subespacio de 2 pues, por ejemplo, u = (2, 4) D,
v = (3, 9) D y u + v = (5, 13) D.
Ejemplo: El conjunto W = { ( x, y, z) 3 / 2x - z = 0 } es
un subespacio de 3 ; en efecto,
W = { ( x, y, 2x)
/ x , y }
y se tiene que,
i) 0 = (0, 0, 0) W
ii) (x, y, 2x) + (a, b, 2a) = (x + a, y + b, 2(x + a)) W

iii) ( x, y, 2 x ) = ( x, y, 2 x ) W
En virtud del teorema enunciado anteriormente, W es
un subespacio de 3 .
__________________________________________________________________
96
Ejemplo: El conjunto U = { A M n ( ) / A es simtrica}

es un subespacio de M n ( ) ; efectivamente,
i)
O n U ; puesto que la matriz nula es simtrica.
Luego U
i) A, B U (A t = A
Bt = B)
(A + B) t = A t + B t = A + B
A +BU
ii)
( A U)
( A) t = A t = A
A U
Por lo tanto, W es un subespacio de M n ( ).

__________________________________________________________________
97
Ejercicio: Muestre 3 ejemplos de

conjuntos que sean subespacios de
3 y 3 conjuntos que no sean
subespacios de 3 .
Ejercicio: Demuestre que los siguientes conjuntos

son subespacios del respectivo espacio.
S 1 = { ( x, y) 2 / y = 4x }
S 2 = { a + bx + c x 2 P2 [x] / a + 2c = 0 }
S 3 = { (x, y, z, t) 4 / x + 3y + 4 t = 0 y - z + 2t = 0 }
a
S 4 =
c
b
M 2 ( ) /
d
3a + b - d = 0 2c - b = 0
__________________________________________________________________
98
Teorema: Sea V un espacio vectorial sobre y sean

U y W subespacios de V. Entonces U W es un
subespacio de V.
Efectivamente, como 0V pertenece a U y tambin a W,
0 V U W. Adems si u, v son vectores de U W ,
uU u V vU v W
u+ vU u+ v W
u + v U W
Finalmente, si u U W y ,
uU u W
u U u W
u U W
__________________________________________________________________
99
Es posible demostrar que la interseccin de

cualquier coleccin de subespacios de un
espacio vectorial V es un subespacio de V.
Tambin es fcil mostrar que la unin de dos subespacios
de un espacio vectorial V no es un subespacio de V.
2
Por ejemplo, considere los subespacios de :
U = { (x, y) / y = 2x }
W = { (x, y) / y = 3x }
2
Entonces U U W no es un subespacio de .
Por qu?
__________________________________________________________________
100
Combinaciones lineales - generadores

Sea V es un espacio vectorial sobre
S = { v1, . . . . . , vn }
un conjunto de vectores
de V. Una combinacin lineal de vectores

de S (o de v1, . . . . . , v n ) es un vector de la
forma
v = 1 v1 + . . . . . . + nvn, donde
1, . . . . , n .
Por ejemplo, el vector v = (-1, -2, 7) del espacio 3 es

combinacin lineal de los vectores s = ( 1, -4, 3) y
t = (-2, 5, -1) puesto que v = 3 s + 2 t.
__________________________________________________________________
101
El conjunto de todas las combinaciones lineales

de vectores de S resulta ser un subespacio
vectorial de V; se llama espacio generado por
S (o espacio generado por v1, . . . . . , v n ) y se
denota <S> o < { v1, . . . . . , v n }>.
Ejemplo: Determinemos el subespacio generado por los

3
vectores v1 = (1, 0, 2) y v2 = (0, - 1, 1) de :
< { v1, v 2 } > = { v1 + v 2 / , }
= { (1, 0, 2) + (0, - 1, 1) / , }
= { ( , - , 2 + ) / , }
= { (x, y, z) 3 / z = 2x - y }
__________________________________________________________________
102
Ejemplo: Sea S = { 2 - 5x + x 2 , 1 - 3x + 2x 2 } P2 [x]

El vector p(x) = 2 - 4x 5 x 2 pertenece a < S > ?
La pregunta equivale a existen , tales que
(2 - 5x + x 2 ) + (1- 3x + 2x 2 ) = 2 - 4x - 5x 2 ?
Esta igualdad nos conduce a
2 + = 2
5 3 = 4
+ 2 = 5
Sistema que resulta incompatible y, en consecuencia,
p <S >
__________________________________________________________________
103
VoF
Ejercicio:
Determine si las
siguientes afirmaciones, relativas a
un
espacio
vectorial
V,
son
verdaderas o falsas:
A)
B)
0 < S >, S V
k = 1, . . . . , n, v k < {v 1, . . . . . , v n } >
C)
ST <S> <T>
D)
<S>=<T> S=T
Si V es un espacio vectorial y S es un subconjunto de

V, puede ocurrir que < S > = V; en este caso se dice
que S genera a V o que V est generado por S.
__________________________________________________________________
104
3
Ejemplo: Consideremos los vectores de , e 1 = ( 1, 0, 0),
e 2 = ( 0 , 1, 0)
e 3 = ( 0 , 0, 1).
Entonces { e1, e 2 , e 3 }
3
genera al espacio ; en efecto,
< { e1, e2, e3 } > = {a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1) / a, b, c }

= {(a, b, c) / a, b, c }
= 3
Puntos en el espacio
__________________________________________________________________
105
est generado por e 1 = 1

0
2 est generado por
e 1 = (1, 0), e 2 = ( 0 , 1)
P2[x] est generado por {1, x, x2 } puesto que
a + bx + cx2 = a 1+ b x + c x2
Cules son los generadores naturales de M2( )?
__________________________________________________________________
106
Dependencia lineal
4
En , consideremos los vectores u = (1, 0, -1, 0),
v = (0, 1, 0, -1) y w = (1, -1, -1, 1). Entonces,

< {u, v, w} > = {( + , , - , - + ) / , , }
= {(a, b, c, d) / a + c = 0 y b + d = 0 }
Por otra parte,

< {u, v} > = {( , , - , - ) / , }
= {(a, b, c, d) / a + c = 0 y b + d = 0]
Es decir, < {u, v, w} > = < {u, v} >. Este hecho no es
casual, se deriva de la dependencia lineal que existe
entre u, v, w que, en este caso, significa w = u v.
__________________________________________________________________
107
Sea V espacio vectorial sobre

y
S = { v1, . . . . . , v n } un conjunto de vectores de V.
Se dice que S es linealmente dependiente
(l.d.) si existen escalares 1, . . . . . , n no todos
nulos tales que 1 v1 + . . . . . . + nvn = 0
Si S no es l.d., se dice que S es linealmente
independiente (l.i.). Por lo tanto S es l. i. si
1 v1 + . . . . . . + nvn = 0 i = 0, i = 1, . . . . , n
Por ejemplo, los vectores e1, e2, e3 de 3 son l. i.
demustrelo!
__________________________________________________________________
108
Sea ei el vector de n que tiene todas sus componentes

iguales a cero, excepto la i-sima que es uno. Entonces
el conjunto de vectores {e1, . . . ,en}, adems de generar
a n , es un conjunto l. i.
El conjunto {1, x, x2 } de generadores de
P2[x] es un conjunto l. i.
1 0
0 1
0 0
0 0
, E2 =
, E3 =
, E4 =
0 0
0 0
1 0
0 1
Los vectores E1 =
generan al espacio M2( ) y son l. i.
Ejercicio: Demuestre las afirmaciones hechas antes.

__________________________________________________________________
109
Ejercicio:
son l. i.
Determine si los siguientes conjuntos
S 1 = { (1, 1, 1), (1, 1, 0), (1, 0, 0) } 3

S 2 = { (1, 1, - 2), (-1, 0, 1), (-1, 3, 2) } 3
S 3 = { 1 + 2x - 2x 2 , 3x + x 2 , 1 - 2x 2 } P2 [ x ]
1 2 3
0 - 1 4
,
M 2 ( )
S 4 =
,
4
1 2 2 0
1
Ejercicio: Sean V espacio vectorial sobre
, u y
vectores de V.
a) Bajo que condiciones { v } es l. i.?
b) Bajo que condiciones { u, v } es l.d.?
__________________________________________________________________
110
Ejercicio: Sea V espacio vectorial sobre
Demuestre que:
a) 0 S S l. d
b) (S T T l.i. ) S l.i.
c) (S T S l.d. ) T l.d.
Ejercicio: Suponga que { v1, v2, v3 } es un conjunto

linealmente independiente de vectores de un espacio
vectorial V.
Demuestre que {v1 + v2 2v3, 2v2 + v3, v1 2v3 } es
tambin un conjunto linealmente independiente de V.
__________________________________________________________________
111
Base - dimensin
Sea V un espacio vectorial sobre el cuerpo .
Una base de V es un conjunto B de vectores
de V que es linealmente independiente y
generador de V.
Por ejemplo, para cada n IN el conjunto B = { e1, . . . . , en}
n
n
de vectores de , es una base de ; se llama base
n
cannica (o usual) de .
Los conjuntos B = { 1, x, x 2 }
1 0 0
,
B =
0
0
0
1
,
0
0 0 0
,
1
1
son las bases cannicas de P2[x] y M2() respectivamente.

__________________________________________________________________
112
Todo espacio vectorial

tiene una base?
Si un espacio vectorial posee un conjunto finito de

generadores S, S {0}, entonces S contiene a
una base de V.
Para demostrar este hecho consideremos S = {v1, . . . , vm}.
(*) Si S es l.i., entonces S es base de V. Si S no es l.i.,
alguno de los vectores de S, llamemos vi depende
linealmente de los dems y el conjunto S(1) = S {vi} sigue
generando a V. Y volvemos a (*) pero ahora con S(1).
Repitiendo este proceso llegamos a obtener una base de V
que, al menos, tendr un solo vector no nulo.
__________________________________________________________________
113
Cada espacio vectorial

tiene una nica base?
No, por ejemplo, sea B el conjunto de vectores de 3

B = {(-2, 1, 0), (1, 3, 2), (1, 1, 1)}
i) Demostremos que B es linealmente independiente.
Sean , , tales que
( 2, 1, 0) + (1, 3, 2) + (1, 1, 1) = (0, 0, 0)
2 + + = 0
+ 3 + = 0
2 + = 0
Sistema que tiene solucin

nica = 0, = 0, = 0
Luego B es l. i.
__________________________________________________________________
114
ii) Demostremos que B genera a .

3
Sea ( a, b, c) y , , tales que
( 2, 1, 0) + (1, 3, 2) + (1, 1, 1) = (a, b, c)
2 + + = a
+ 3 + = b
2 + = c
Sistema que tiene solucin nica
= a b + 2c
= a + 2b - 3c
En consecuencia,
= 2a - 4b + 7c
(-a-b+2c)(-2, 1, 0) + (a+2b-3c)(1, 3, 2) + (-2a-4b+7c)(1, 1, 1) = (a, b, c)

3
Luego B genera a y B es una base de 3 .
__________________________________________________________________
115
Ejercicio: Determine si los conjuntos S1, S2 son

base del espacio P2[x].
S1 = { 2 + 3x + x2, 3 + x, -1 + 2x + x2 }
S2 = {1 + x2, -1 + x, 2 + 2x }
Ejercicio: Suponga que { v1, v2, v3 } es

una base de un espacio vectorial V.
Demuestre que {v1 + 2v2 v3, v2 + 3v3,
v1 + 4v2 + 6v3 } tambin es una base de V.
__________________________________________________________________
116
Un espacio vectorial V sobre puede tener mltiples

bases, pero se puede demostrar que todas ellas, cuando
son finitas, tienen el mismo nmero de elementos (la
misma cardinalidad). Este hecho nos permite entregar el
siguiente concepto:
Si V es un espacio vectorial sobre
que tiene una base B con n vectores,
entonces se dice que V es un espacio de
dimensin finita y el nmero entero n se
llama dimensin de V.
Si V tiene dimensin n, anotaremos dimKV = n
dim V = n, si no hay lugar a confusin.
__________________________________________________________________
117
En consecuencia,
dim = 1,
dim n = n
dim P2 [ x ] = 3,
dim M 2 ( ) = 4,
dim Pn [ x ] = n + 1
dim M mn ( ) = mn
Cul es la dimensin
del espacio {0}
El espacio V = {0} no posee base, sin

embargo se le asigna la dimensin cero:
dim {0} = 0
__________________________________________________________________
118
Ejemplo: Determinemos la dimensin del subespacio

de P2[x] , W = { a + bx + cx2 / 2a b + 4c = 0}
Se tiene que W = {a + bx + cx 2 / b = 2a + 4c }
= { a + (2a + 4c)x + cx 2 / a, c }
= { a(1 + 2x) + c (4x + x 2 ) / a, c }
= < { 1 + 2x, 4x + x 2 } >
Siendo B = { 1 + 2x, 4x + x2 } un conjunto generador de

W y linealmente independiente, puesto que B tiene dos
vectores y uno no es mltiplo escalar del otro, B es una
base de W; luego dim W = 2.
__________________________________________________________________
119
Observaciones:
1) La dimensin del espacio vectorial real C de los
nmeros complejos es 2. Pero si consideramos a
C como espacio vectorial sobre si mismo,
entonces C es un espacio de dimensin 1.
Justifique esta afirmacin.
2) Existen espacios vectoriales que no poseen una
base finita.
Dichos espacios se dicen de
dimensin infinita; por ejemplo, el espacio
vectorial real C([a, b]; ), de todas las funciones
reales continuas en [a, b] tiene dimensin infinita.
Muestre otro ejemplo de un espacio vectorial de
dimensin infinita.
__________________________________________________________________
120
Sea V un espacio vectorial sobre de

dimensin finita n. La demostracin de los
siguientes teoremas queda de ejercicio.
1. Si S = {v1, . . . . , vm} V, con m > n, entonces S es l.d.

2. Si B = {v1, . . . . , vn} V es l. i., entonces B es base de V.
3. Si B = {v1, . . . . , vn} V es generador de V, entonces B
es base de V.
4. Si W es un subespacio de V, entonces dim W n
5. Si W es un subespacio de V tal que dim W = n, entonces
V = W.
__________________________________________________________________
121
En un espacio vectorial V de dimensin finita,

un conjunto linealmente independiente de
vectores de V puede completarse hasta
formar una base de V.
Teorema (Completacin de base)
Sea V espacio vectorial sobre de dimensin finita n.

Si { v1, . . . . . , v k } V, con k < n, es un conjunto linealmente independiente, entonces existen vectores
v k +1, . . . . . , v n V tales que { v1, . . . . , v k , v k +1, . . . , v n }
es base de V.
Ejercicio: Demuestre el teorema precedente.

__________________________________________________________________
122
Ejercicio: Considere el subespacio de M2(R),

a b
W =
/ a - 2b + c - 4d = 0 a + b - 3d = 0
c
d
a) Determine una base S para W.

b) Encuentre una base B de M2(R) que contenga a la
base S de W.
Ejercicio: Determine todos los valores del nmero k

de modo que el conjunto
B = { (1, 1, -1), (3, k, k), (4, k, 0)}
sea una base de R3.
__________________________________________________________________
123
El siguiente teorema nos proporciona otra

caracterizacin para las bases de un espacio
vectorial de dimensin finita.
Teorema: Sea V espacio vectorial sobre
y sea
B = {v1, . . . . , vn} conjunto de vectores de V.

B es base de V
todo vector v de V se escribe
de una nica manera como
combinacin lineal de los
vectores de B.

__________________________________________________________________
124
El teorema precedente asegura que para cada v V

existen nicos escalares 1, . . . . . , n tales que
v = 1 v1 + . . . . . + n v n
Estos escalares reciben el nombre de
coordenadas del vector v con respecto
a la base (ordenada) B y se denotan
[ v ]B = ( 1, . . . . . , n )
n
Observe que [ v ]B es un vector de . Por esta razn,

muchas veces es llamado vector coordenado.
__________________________________________________________________
125
Ejemplo: Las coordenadas del vector v = (6, -5) con

2
respecto a la base cannica E = {(1, 0), (0, 1)} de son
[ v ]E = ( 6 , - 5 )
Cules son las coordenadas de v = (6, -5) con respecto
a la base ordenada B = {(5, - 3), (2, -1)} ?
Debemos resolver para , la ecuacin
(5, - 3) + (2, - 1) = (6, - 5)

es decir,
5 + 2 = 6
- 3 = - 5
De aqu, [ v ]B = ( 4, - 7)
__________________________________________________________________
126
Ejemplo: Sea v 3 tal que [ v ]B = (1, - 1, 2) , donde B es

la base ordenada B = {(1, -1, 3), (1, 0, -2), (3, 1, -1)}.
Cul es el vector v? Determinemos [ v ]C , donde C es
la base C = {(1, 0, 1), (1, 1, 2), (1, 1, 4)}.
El vector es v = 1(1, -1, 3) - 1(1, 0, -2) + 2(3, 1, -1) = (6, 1, 3)
Determinemos , ,
tales que
(1, 0, 1) + (1, 1, 2) + (1, 1, 4) = (6, 1, 3)

Esto requiere resolver el sistema compatible
++ = 6
+ =1
+ 2 + 4 = 3
Obtenemos [ v ]C = (5, 3, -2)
__________________________________________________________________
127
Ejemplo: Consideremos la base ordenada de P2[x]

B = {1 + x 2 , 1 + x, 2 + 3x 2 }
Determinemos
las
coordenadas
del
vector
p ( x ) = 4 + 5 x - 3x 2 con respecto a la base B, esto es,
encontremos , , tales que
(1 + x 2 ) + (1 + x) + (2 + 3x 2 ) = 4 + 5x 3x 2
Reordenando e igualando polinomios obtenemos el
sistema:
+ + 2 = 4
=5
+ 3 = -3
cuya solucin nos conduce a
[p( x )]B = (3, 5, - 2)
__________________________________________________________________
128
Sea V espacio vectorial sobre

ordenada de V. Entonces,
( 1)
(2)
y B una base
[v + u] B = [v] B + [ u ] B , v, u V
[ v] B = [v] B , v V,
Ejercicio: Sea B = { v1, v2, v3 } una base ordenada

de R3. Determine los vectores de B si se sabe que
(-1, 1, 1), (1, -1, 2) y (3, -1, 1) son las respectivas
coordenadas, segn la base B, de los vectores e1, e2,
e3 de la base cannica de
R3 .
__________________________________________________________________
129
Suma y Suma directa

Sea V un espacio vectorial sobre y sean U, W dos
subespacios de V.
Ya mencionamos que la unin de U y W no es,
necesariamente, un subespacio de V. Definiremos U + W,
la suma de U y W; esta resultar ser un subespacio de V
que contendr a ambos subespacios.
La suma de U y W es:
U + W = { v V / v = u + w, u U, w W }
__________________________________________________________________
130
Se tiene que:
i) 0V = 0 + 0, con 0 U y 0 W
ii) Si v1= u1 + w1 y v2 = u2 + w2 son vectores de U + W,
entonces v1 + v2 = (u1 + u2) + (w1 + w2) U + W.
iii) Si , entonces v1 = u1 + w 1 U + W
Por lo tanto U + W es un subespacio de V. Adems se
puede establecer que:
(1) U U + W
(2) Si U = S
W U+ W
y W = T , entonces U + W = S T
(3) dim (U + W) = dim U + dim W - dim(U W)
__________________________________________________________________
131
Puede suceder que dim(U + W) = dim V,

es decir, V = U + W. Por ejemplo, 2 = U + W
donde U = {(1, 0), (0, 1)} y W = {(3, 1)}
En efecto, es claro que U + W 2
Por otra parte, si ( x, y) 2 , entonces
( x, y) = (0, y - x ) + (x, x ) U + W
3
Si V = U + W, los vectores de V no necesariamente se

escriben de manera nica como una suma de un vector
de U y un vector de W. En el ejemplo anterior,
(3, 3) = 2(0, 1) + (3, 1)
(3, 3) = -6(1, 0) + 3(3, 1)
__________________________________________________________________
132
Observe que:
V = U + W v V, u U, w W : v = u + w
Sea V un espacio vectorial sobre y
sean U, W dos subespacios de V. Se dice
que V es la suma directa de U y W, en cuyo
caso se anota V = U W si
v V, !u U, ! w W : v = u + w
Ejercicio: Sean U = < {(0, 1)} > y W = < {(3, 1)} >
subespacios de R2 .
Demuestre que R2 es suma
directa de U y W.
__________________________________________________________________
133
Una caracterizacin til de la suma directa la entrega el

siguiente teorema:
sean
U, W dos subespacios de V.
V = U W (V = U + W U W = {0})

Consecuencia del teorema anterior es la siguiente:
Si V es un espacio vectorial de dimensin finita y
V = U W , entonces dim V = dim U + dim W.
__________________________________________________________________
134
Ejercicio: Considere los subespacios de R3

U1 = { (x, y, z) : x + y + z = 0 }
U2 = < { (1, 1, 1) } >
Demuestre que
R3 es suma directa de U1 y U2.
Ejercicio: Sean S1 y S2 los subespacios de M2( R)

S1 = { A M2 () / A diagonal }
a b
S2 =
M2 () / d = 0
c
d
Es M2(R) suma directa de S1 y S2?
__________________________________________________________________
135
Dado un subespacio U de V, existe un

suplementario de U? Es decir, existe un
subespacio W de V tal que V = U W .
de
dimensin finita n y sea U
subespacio de V.
Entonces existe W subespacio de V tal que V = U W .
En efecto, si U = V, basta tomar W = {0}. Supongamos
que dim U = k < n y sea { v1, . . . , vk} una base de U.
Por el teorema completacin de base, existen vk+1, . . . ,
vn vectores de V tales que { v1, . . . . , vn } es base de V.
Sea W = { vk+1, . . . , vn} ; entonces V = U W .
__________________________________________________________________
136
El suplementario de un subespacio U no es
2
nico.
En cualquier par de rectas no
colineales que pasen por el origen, estn
asociadas a subespacios suplementarios.
Ejercicio: Considere el subespacio de 4 ,

U = {(x, y, z, t) : x - 2y + z 4 t = 0 y x + y + 2z = 0}
4
4
Determine W subespacio de tal que = U W .
__________________________________________________________________
137
Espacios con producto interior
__________________________________________________________________
138
En esta unidad, todos los

espacios vectoriales sern reales
Sea V un espacio vectorial sobre . Un producto interior
(p.i.) en V es una funcin < , > : V x V

(u, v)
< u, v >
que satisface lo siguiente:

i) < u1 + u 2 , v > = < u1, v > + < u 2 , v > ; u1, u 2 , v V
ii ) < u, v > = < u, v >; ; u, v V
iii ) < u, v > = < v, u >; u, v V
iv ) v 0 < v, v > es positivo
< u, v > se lee producto interior (o producto escalar) entre
los vectores u y v.
__________________________________________________________________
139
Un espacio con producto interior es

un espacio vectorial V con un p.i.
definido en l.
Observaciones:
(1) Cuando el espacio V es complejo, las condiciones

exigidas para que una funcin sea p.i. son diferentes. A
saber, < u, v > = < v, u >; u, v V .
(2) Si (V, <, >) es un espacio con p.i., entonces
i) < u, v 1 + v 2 > = < u, v 1 > + < u, v 2 > ; u, v 1, v 2 V

ii) < u, v > = < u, v >; ; u, v V
__________________________________________________________________
140
Ms an,
< u, 1v1 + . . . . + n v n > = 1 < u, v1 > +. . . . + n < u, v n > ;

u, v1,. . ., v n V, 1,. . . , n
(3) Si (V, < , >) es un espacio con p.i., entonces
< v, v > = 0 v = 0
(4) En un espacio vectorial V pueden estar definidos varios
p.i. Por ejemplo, las siguientes funciones constituyen
2
p.i. en
f( (x, y), (a, b) ) = xa + yb
g( (x, y), (a, b) ) = xa ya xb + 4yb
__________________________________________________________________
141
Ejemplos de espacios con p.i.
Para n nmero natural, los espacios n, M n ( ) y

Pn [ x] son espacios con p.i., si se considera:
n
< ( x1, . . . . , x n ), ( y1, . . . . , y n ) > =
xi yi
i =1
< A, B > = tr(B t A )

< p(x), q(x) > =
respectivamente.
0 p(x) q(x) dx
Ejercicio: Demuestre que efectivamente las

funciones < , > definidas antes son p.i. en los
respectivos espacios.
__________________________________________________________________
142
En lo que sigue, siempre que no se diga algo en

n
contrario, los espacios , Mn ( ) y Pn [ x ] se
considerarn con los productos interiores definidos
antes que son llamados p.i. cannicos o usuales.
Ejercicio: Calcule
a) < (3, -5, 1, -2) , (7, 4, -2, 3 >
2 0 7 8
b) <
,
>
- 5 9 1 1
c) < x2 + 5 , 2x + 1 >
__________________________________________________________________
143
Definiciones: Sea V un espacio con p.i. < , >.
1) La norma o longitud del vector v de V es el nmero real
|| v || =
< v, v >
2) La distancia entre los vectores u y v de V es
d(u, v) = || u - v ||
3) El vector v de V se dice unitario si || v || = 1.
Si el vector v de V,
v
entonces || v ||
v 0 , no es unitario,
lo es. Por ejemplo, el vector
v = (3, 0, 4) no es unitario puesto que || v || = 5,

pero
v
4
3
= , 0, lo es.
5
|| v || 5
__________________________________________________________________
144
Ejercicio: Calcule la norma de u y la distancia entre

u 2v y 3u + v
si u = (-3, 0, 4, 0) y v = (1, -5, 2, 6)

4
son vectores de .
Ejercicio:
7 1
4 2
M2 (),
A
,
B
=
=
Si
1 5
1 3
calcule la longitud de A y de A B.
Ejercicio: Muestre ejemplos de vectores unitarios

u1, u2, u3 de los espacios 3 , M2 ( ) y P1[ x ] que no
sean los de la base cannica de esos espacios.
__________________________________________________________________
145
Observaciones:
Si
x , || x || =
< x, x > =
Si v = ( x , y ) 2 , || v || =
Coincide con lo
aprendido: distancia
entre dos puntos del
plano
x2 = |x |
x2 + y2
< v, v > =
v = (x, y)
y
|| v ||
__________________________________________________________________
146
Si v = ( x, y, z ) 3 , || v || =
< v, v > =
x2 + y2 + z2
v = (x, y, z)
|| v ||
__________________________________________________________________
147
Si (V, < , >)

demostrar que:
i)
ii )
iii )
iv )
es un espacio con p.i., se puede
|| v || 0 ; v V
|| v || = 0 v = 0
|| v || = || v ||; , v V
|| v + u || || v || + || u || ; v, u V
(Desigualdad triangular)
No es difcil demostrar i), ii) y iii) anteriores.

La
demostracin de iv) es consecuencia de otro teorema
conocido como la Desigualdad de Cauchy-Schwartz:
| < v, u > | || v || || u || ; v, u V
dndose la igualdad si y slo si v y u son linealmente
dependientes.
__________________________________________________________________
148
Si (V, < , >) es un espacio con p.i., las propiedades

enunciadas para la norma || || permiten demostrar lo
siguiente para la distancia entre vectores:
d(v, w) = || v w ||
i)
d ( v , u) 0 ;
v, u V
ii ) d( v , u) = 0 v = u
iii ) d( v , u) = d(u, v); v , u V
iv ) d(v, u) d(v, w) + d(w, u) ; v, u, w V
(Desigualdad triangular)
__________________________________________________________________
149
La Desigualdad de Cauchy-Schwartz le da sentido a la

siguiente definicin:
Definicin: Sea V un espacio con p.i. < , >. El ngulo
entre los vectores u y v de V es tal que

< u, v >
cos =
|| u || || v ||
< u, v >
= cos 1
|| u || || v ||
__________________________________________________________________
150
Ejemplo: Calculemos el valor del nmero real k para

que el ngulo formado por los vectores u = (1, k, 1) y
v = (1, 1, 0) sea 3 radianes.
= cos
1+ k
k2 + 2
=
3
1+ k
2k 2 + 4
k =0
1
2
Ejercicio: Calcule el ngulo entre los vectores

a) u1 = (1, -4, 2) y u2 = (-5, 1, -1)
b) v1 = (1, -1, 1, -1) y v2 = (2, 0, 3, 5)
__________________________________________________________________
151
Definicin: Sea V un espacio con p.i. < , >. Se dice que:

1) Los vectores
u, v de V
son ortogonales o
perpendiculares si < u, v > = 0.
2) El conjunto S de vectores de V es un conjunto
ortogonal si todos sus elementos son ortogonales entre
s.
3) El conjunto S es ortonormal si es ortogonal y todos sus
elementos son unitarios.
u v
< u, v > = o
__________________________________________________________________
152
2
Por ejemplo, en los vectores u = (a, b)
y v = (-b, a) son ortogonales puesto que
< u, v > = 0.
Sea B = {e1, . . . . , en} la base cannica de n. Los

vectores de B tienen la siguiente caracterstica:
1 si i = j
< e i, e j > =
0 si i j
En consecuencia, B es un conjunto ortogonal. Ms an,
B es un conjunto ortonormal puesto que
|| e i || =
< e i, e i > =
1 = 1, i
__________________________________________________________________
153
Observaciones: Sea V espacio con p.i. < , >

1. El vector 0 es ortogonal a todos los vectores de V.
En efecto, si v es cualquier vector de V, podemos
escribir
< v , 0 > = < v, 0 + 0 >
< v , 0 > = < v, 0 > + < v, 0 >

< v, 0 > = 0
2. Si S es un conjunto ortogonal de vectores de V,
v
So =
/ v S es un conjunto ortonormal
|| v ||
1
pues < v , u > = 1
< v, u > = 0
|| v || || u ||
|| v || || u ||
__________________________________________________________________
154
Ejemplo: Determinemos todos los valores reales de k

de modo que los vectores u = (k2, 2, k) y w = (k, 3, -7)
sean ortogonales.
< u, w > = 0
k3 + 6 7k = 0
(k 1)(k 2)(k + 3) = 0
k=1 o
k=2 o k=-3
Ejercicio: Para qu valores del nmero real k los

siguientes vectores son ortogonales (p.i. usuales):
a) u1 = (k, 1, 2, k) y u2 = (4, 3k, k + 10, k)
b) p(x) = x y q(x) = x k
c)
k2
A =
2
4
k
1
B =
k
__________________________________________________________________
155
Teorema de Pitgoras:
Sea V un espacio con p.i. < , > y sean u, v vectores de
V tales que u v . Entonces
|| u + v ||2 = || u ||2 + || v ||2
Ejercicio: Sea V espacio con p.i. < , >. Demuestre

que para todo u, v vectores de V se tiene que:
|| u + v ||2 + || u v ||2 = 2 ( || u ||2 + || v ||2 )
(Ley del Paralelgramo)
__________________________________________________________________
156
Complemento ortogonal
Resolvamos el siguiente problema:
3
Sea S = { (1, -2, 3), (-2, 5, -1) } . Encontrar dos
vectores unitarios y ortogonales a los vectores de S.
a) Queremos (x, y, z) tales que <(x, y, z), (1, -2, 3)> = 0 y

<(x, y, z), (-2, 5, -1)> = 0. Por lo tanto debemos resolver
x 2y + 3z
2x + 5y z
=
=
0
0
Obtenemos infinitas soluciones para este sistema:
( 13 , - 5, 1) ;
__________________________________________________________________
157
b) Escojamos dos de estas soluciones: v1 = (-13, -5, 1)

y v2 = (13, 5, -1); entonces v1 y v2 son ortogonales a
los vectores de S.
c) Pero v1 y v2 no son unitarios puesto que
= || v2 ||.
|| v1 || =
195
d) Entonces los vectores
u1 =
1
195
v1 y u2 = 1 v 2
195
satisfacen lo pedido.
__________________________________________________________________
158
Definicin: Sea V un espacio con p.i. < , > y S V .

El complemento ortogonal de S es el conjunto,
S = {v V / v x , x S}
= {v V / < v, x > = 0 , x S}
3
Ejemplo: Si S = {(1, -2, 3), (-2, 5, -1)} (problema

precedente), entonces el complemento ortogonal de S es
S = {( x, y, z ) 3 / < (x, y, z), (1, - 2, 3) > = 0

< (x, y, z), (-2, 5, - 1) > = 0 }
= {(x, y, z) 3 / x - 2y + 3z = 0 - 2x + 5y - z = 0 }
= < { (-13, - 5, 1) } >
__________________________________________________________________
159
Si V es un espacio con p.i. con elemento cero 0V,

entonces
{ 0 V }
= V
V =
{ 0 V }.
Teorema: Sea V un espacio con p.i.

< , > y S V, S . Entonces S es
un subespacio vectorial de V.
Efectivamente, como 0 es ortogonal a todos los vectores

de V, en particular 0 es ortogonal a todos los vectores de
S; luego 0 S. Adems
u, v S < u, x >= 0 < v, x >= 0, x S

< u + v, x > = < u, x > + < v, x > = 0, x S
u + v S
__________________________________________________________________
160
Finalmente,
y u S y < u, x >= 0 , x S
< u, x > = < u, x > = 0 = 0, x S
u S
Ejercicio: Considere el espacio M2(R) con p.i. usual.

Determine el complemento ortogonal del conjunto
1 1 0 4 2 - 3
,
,
T =
3 5 - 2 1 1 - 1
Cul es el complemento ortogonal de T si se

considera el p.i. < A, B> = tr ( At B)?
__________________________________________________________________
161
Observaciones:
1. Sea V espacio con p.i. < , > y W un subespacio
de V tal que W = < {w1, . . . . , wk} >. Entonces,
W = { w1, . . . . . , wk }
Efectivamente, v W v w, w W
v wi , i = 1, . . . . , k
v {w1, . . . . , wk }
Por otra parte, sea v {w1, . . . , wk } y w W, entonces
w = 1w1 + . . . . + k wk , con 1, . . . , k y
< v, w > = 1 < v, w1 > + . . . . + k < v, wk > = 0
es decir, v W
__________________________________________________________________
162
2. Sea V espacio con p.i. < , > de dimensin finita

y W un subespacio de V. Entonces,
dim W + dim W = dim V
V = W W
Ejercicio: Sea W el subespacio de 3 ,

W = < {(1, 2, 1), (-1, 0, 1), (-1, 4, 5)}>.
Determine la dimensin del complemento
ortogonal de W.
Ejercicio: Encuentre una base para el complemento

4
ortogonal del subespacio de ,
U = {(x, y, z, u) / x + y + 3z u = 0 y x z + 2u = 0}
__________________________________________________________________
163
Bases ortogonales - ortonormales

Teorema:
Sea V un espacio con p.i. < , >. Todo

conjunto S ortogonal de vectores no nulos de V es
linealmente independiente.
En efecto, sea S = {v1, . .. ., vk} ortogonal y tal que vi 0, i .
Sean 1, . . . , k tales que 1v1 + . . . . + k vk = 0 ; entonces
i = 1, 2, ...., k, < vi, 1v1 + ..... + k vk > = 0

1 < vi, v1 > +..... + k < vi, vk > = 0
i < vi, vi > = 0
i || vi ||2 = 0
i = 0
Luego S es l.i.
__________________________________________________________________
164
Consecuencia del Teorema anterior es:

Si S es un conjunto ortogonal de
vectores no nulos de V, entonces
card(S) dim(V)
Sea V un espacio con p.i. < , > de dimensin finita.

Sabemos que V posee bases pero stas no son
necesariamente ortogonales (ortonormales).
La construccin de una base ortogonal (ortonormal) a
partir de una base del espacio V es un resultado
importante conocido como Proceso de ortogonalizacin
de Gram-Schmidt.
__________________________________________________________________
165
Proceso de ortogonalizacin de Gram-Schmidt

Sea B = {v1, . . . , vn} base de V, espacio con producto
interior < , >. Proceda a considerar los vectores:
w1 = v1
w2 = v2
w3 = v3
< v 2 , w1 >
2
|| w1 ||
w1
< v3, w 2 >

2
|| w 2 ||
w2
< v 3 , w1 >
2
|| w1 ||
w1
........
wn = vn
< v n, w n-1 >

2
|| w n-1 ||
w n-1 . . . . . .
< v n , w1 >
2
|| w1 ||
w1
Entonces BO = {w1, . . . , wn} es una base ortogonal de V.

__________________________________________________________________
166
Adems, Bo =
w1
w
, . . . . . , n es una base ortonormal de V.
||w1||
||wn ||
Cmo funciona
este Proceso?
Para comprender el proceso, definamos la

proyeccin del vector v en el vector u como
pr u ( v ) = < v , u2> u
|| u ||
pru(v)
__________________________________________________________________
167
Entonces los vectores w1 y w2 de la base BO son:

v2
w2
prw1 (v2 )
v1
w1
w1 = v1
w2 = v2
< v 2 , w1 >
2
|| w1 ||
w1 = v 2 prw1 ( v 2 )
__________________________________________________________________
168
Ejemplo: Sea B la base de 3, B = {(1, -1, 1), (1, 0, 1),

(1, 1, 2)}. A partir de la base B construyamos una base
ortonormal para 3 .
w1 = (1, - 1, 1)
w 2 = (1, 0, 1)
< (1, 0, 1), (1, - 1, 1) >

|| (1, - 1, 1) ||2
(1, - 1, 1) = (1, 0, 1) -
2
(1, - 1, 1)
3
1 2 1
=( , , )
3 3 3
< (1, 1, 2), ( 1 , 2 , 1 ) > 1 2 1 < (1,1, 2), (1, - 1, 1)
3 3 3
w3 = (1, 1, 2)
( , , )(1, - 1, 1)
2
2
1
2
1
3
3
3
|| ( , , ) ||
|| (1, - 1, 1) ||
3 3 3
= (1,1, 2) -
2
1
1
5 1 2 1
( , , ) - (1, - 1, 1) = (- , 0, )
2
2
2 3 3 3
3
__________________________________________________________________
169
1 2 1
1
1
Entonces, Bo = (1, - 1, 1), ( 3 , 3 , 3 ), (- 2 , 0, 2 )
base ortogonal de 3.
es
una
6
, || w1 || = 1 ,
Como || w1 || = 3, || w 2 || =
3
2
1
1
(1, 0, 1)
(1, 2, 1),
Bo = 1 (1, - 1, 1) ,
2
6
3
3
es una base ortonormal de .
Ejercicio: Encuentre una base ortogonal para 3 a

partir de la base B = {(1, 1, 1), (0, 1, 1), ( 0, 0 , 1)}.
__________________________________________________________________
170
Ejercicio: Aplique el Proceso de ortogonalizacin de

3
Gram-Schmidt a las siguientes bases de :
a)
B = {(2, 1, 0), (-1, 1, 1), ( 1, 0 , 3)}
b)
B = {(1, 1, 0), (1, 0, 1), ( 0, 1 , 1)}
Ejercicio: Encuentre una base ortogonal para los

4
siguientes subespacios de y M2(R):
U = {(x, y, z, u) / x + y = 0 y z + u = 0}
a b
M2 () / a = 0 c = 0
W =
c d
__________________________________________________________________
171
Observacin:
Si V es un espacio con p.i. < , > de dimensin finita y
Bo = {w1, . . . ., wn} es una base ortogonal de V, las
coordenadas del vector v de V con respecto a la base
< v, w i >
Bo son i =
. En efecto, como v =
2
|| w i ||
para cada i = 1, . . . , n,
i w i
i=1
< v , w i > = < 1w 1 + . . . . + n w n , w i >

= 1 < w 1, w i > + . . . . + n < w n , w i >
= i < w i, w i >
= i || w i || 2
__________________________________________________________________
172
Proyeccin ortogonal
Sea V un espacio con p.i. < , > y W un subespacio de V
con base ortogonal {w1, .. , wk}. La proyeccin
ortogonal del vector v de V en el subespacio W es el
vector
k
v = pr W ( v ) =
i =1
< v, w i >
|| w i ||
wi
prW(v)
W
__________________________________________________________________
173
La aplicacin p : V
por p(v) = v ,
W ; definida
se llama proyeccin
ortogonal de V en W.
Ejemplo: En 3
consideremos el subespacio W
generado por S = {(1, -2, 3), (5, -1, 0)} y determinemos la
proyeccin ortogonal del vector v = (4, -1, 6) en W.
i) S es una base de W pero S no es ortogonal.
ii) Aplicamos a S el Proceso de Gram-Schmidt y
obtenemos S0 = {(1, -2, 3), (3, 0, -1)} base ortogonal de W.
iii) La proyeccin ortogonal de v en W es:
3 ( 3 , 0, - 1)
v = 12
(
1
,
2,
3)
+
7
5
__________________________________________________________________
174
Ejercicio:
Encuentre
la
proyeccin
ortogonal del vector v = (1, 1, -1) de 3 en

el subespacio U = {(x, y,z) / x y 2z = 0}
Ejercicio: Sea
W = <{(1,0,1,0), (1,0,3,0), (2,1,4,1)}>.
Determine la proyeccin ortogonal de v = (1,1,1,-1) en W.
Ejercicio:
Encuentre
la
proyeccin
1 1
en el subespacio
A =
1 0
generado por 1 1 y 0 0 .
3 1
0 0
ortogonal de
M2(R)
__________________________________________________________________
de
175
Transformaciones lineales
__________________________________________________________________
176
Sean V y W espacios vectoriales sobre

el cuerpo de los nmeros reales. Una
transformacin lineal o aplicacin lineal de V
en W es una funcin T : V
W que
satisface:
i)
T(u + v ) = T ( u ) + T ( v ); u , v V
ii )
T( v ) = T ( v);
; v V
Si T es una transformacin lineal de V en W, entonces

T( v1 + . . . . . + v n ) = T ( v1 ) + . . . . . + T ( v n )
Ms an, T(1v1 + . . . . . + n vn ) = 1T(v1) + . . . . . + nT(vn ),
v1, . . . . , vn V, 1, . . . . , n .
__________________________________________________________________
177
Si T es una transformacin lineal de V en W, entonces

T(0) = 0. Esto se enuncia de manera equivalente as,
T (0 ) 0
T no es aplicacin lineal
Ejemplos de aplicaciones lineales
1) Consideremos f : la funcin f(x) = 4x.

Entonces,
f(x + a) = 4(x + a) = 4x + 4a = f(x) + f(a)
f ( x ) = 3( x ) = ( 3 x ) = f ( x )
Por lo tanto, f es una aplicacin lineal. Pero si definimos
g(x) = x + 4, g no es una aplicacin lineal puesto que
g ( 0 ) 0 . Observe que la funcin g tampoco cumple las
condiciones i) y ii) exigidas para ser transformacin lineal.
__________________________________________________________________
178
Las siguientes funciones de en no son lineales:

f(x) = x2
f(x) =
f(x) = e x
f(x) = ln x
f(x) = 1
x
f(x) = cos x
Cules son las funciones

lineales de en ?
2) Sea T : 3 2 la funcin definida as,

T(x, y, z) = (2x y + z, y + 3z).
Entonces T es una aplicacin lineal. Demustrelo!
__________________________________________________________________
179
Ejercicio: Muestre un ejemplo de una aplicacin de

3 en 2 que sea lineal y otro que no sea lineal.
3) Consideremos F : Mmxn ( ) Mnxm ( );
F(A) = A t
Entonces, F ( A + B ) = ( A + B ) t = A t + B t = F ( A ) + F ( B )
F( A ) = ( A )t = A t = F( A )
Por lo tanto F es una transformacin lineal.

4) La funcin T : P3 [x] P2 [ x]; T(p) = p' = dp es lineal; en
dx
efecto,
T(p + q) = (p + q) = p + q = T(p) + T(q)
T (a p) = (a p) = a p = a T(p) , a
__________________________________________________________________
180
Destacamos los
siguientes dos
ejemplos
5) Si V y W son espacios vectoriales sobre
To : V W; To (v) = 0 W
es una aplicacin lineal
6) Si V es un espacio vectorial sobre
, la funcin
I : V V; I(u) = u
es lineal; se llama aplicacin identidad de V.
__________________________________________________________________
181
El siguiente teorema nos ensea a extender a

todo el espacio dominio, una aplicacin lineal que
se conoce slo en una base de dicho espacio.
Teorema: Sean V un espacio vectorial sobre con
base B = {v1, . . . . . , v n } y W un espacio vectorial sobre .

Si w1, . . . . . , w n W entonces existe una nica aplicacin
lineal T de V en W tal que T( v i ) = w i , i = 1, . . . . , n .
En efecto, si v V, existen nicos 1, . . . . . , n tales que
v = 1v1 + . . . . . + n v n
La aplicacin T de V en W definida por:
T(v) = 1w1 + . . . . . + n w n
satisface lo requerido en el teorema.
__________________________________________________________________
182
Ejemplo: Cul es la aplicacin lineal T de 2 en 2 tal

que T(1, 0) = (-3, 1) y T(0, 1) = (5, -4)?
Sea (a, b) 2 , entonces (a, b) = a (1, 0) + b (0, 1).
La aplicacin T que satisface lo requerido es:
T : 2
2 ; T(a, b) = a(-3, 1) +b(5, -4),
o ms precisamente, T(a, b) = (-3a + 5b, a - 4b).

Cul es la aplicacin lineal T si se quiere que T(4,-3) =(-3, 1)
y T(-3, 2) = (5, -4)? En este caso debemos escribir,
(a, b) = (-2a 3b) (4, -3) + (-3a - 4b) (-3, 2)
Y la aplicacin lineal es,
__________________________________________________________________
183
T(a, b) = (-2a 3b)(-3, 1) + (-3a - 4b)(5, -4),

es decir, T(a, b) = (-9a - 11b, 10a + 13b).
Ejercicio: Cul es la aplicacin lineal T de

3 en 2 tal que T(1, 0, 0) = (2, -3), T(0, 1, 0) =
(1, 1) y T(0, 0, 1) = (6, 5)?
Ejercicio: Determine la aplicacin lineal T de 3 en

P2 [ x ] tal que T(1, 1, 1) = 2 + x, T(1, 1, 0) = x x2 y
T(1, 0, 0) = 1 + 3x + 2x2.
__________________________________________________________________
184
Ejercicio:
Determine cul (es) de las siguientes

aplicaciones son lineales.
1) T : 3 ; T(x) = ( x, 0, 3x)
2) T : 2 3; T(a, b) = (5a b, a + b, 1)
3) T : 2 P2 [ x]; T(a, b) = a + 5ax + (2a + 4b)x 2
4) T : P1[ x] 3 ; T(a + bx) = (a, 2b - a, a + b)
2a c a
5) T : 3 M2 (); T(a, b, c) =
a c 3
6) T : Mn () ; T(A) = det(A)
__________________________________________________________________
185
Ncleo e imagen
Sean V y W espacios vectoriales sobre y
T: V
W una transformacin lineal. El
ncleo o kernel de T es el conjunto
Ker T = { v V / T(v) = 0 }
La imagen de T es el conjunto
Im T = { w W / v V talque T(v) = w }
Ejemplo:
Determinemos el ncleo y la imagen de la

aplicacin lineal T : 3 2 ; T(x, y, z) = (x - 2y, 3y + z).
Ker T = {(x, y, z) / T(x, y, z) = (0, 0)}
= {(x, y, z) / x 2y = 0 y 3y + z = 0 }
__________________________________________________________________
186
Resolviendo el sistema de ecuaciones lineales obtenemos

Ker T = {(x, y, z) / x = 2y z = -3y }
= {(2y, y, -3y) / y }
= < { (2, 1, -3) } >
Es decir, el ncleo de T result ser un subespacio de
dimensin uno del espacio 3 .
3
Im T = { T(x, y, z) / (x, y, z) }
= { (x 2y, 3y + z) / x, y, z }
= < { (1, 0), (-2, 3), (0, 1) } >
= < { (1, 0), (0, 1) } >
2
=
__________________________________________________________________
187
Cul es el kernel y la imagen de las aplicaciones
To : V W; To (v) = 0 W
IV : V V; I(u) = u ?
Ker To = V, Im To = {0}, Ker I V = {0} e Im I V = V.
El ncleo y la imagen de una transformacin lineal no son

simples conjuntos como se aprecia en el siguiente
teorema, cuya demostracin se deja de ejercicio.
Teorema: Si T de V en W es una aplicacin lineal,

entonces el ncleo de T es un subespacio de V y la
imagen de T es un subespacio de W.
__________________________________________________________________
188
La dimensin del ncleo de T se llama

nulidad de T y la dimensin de la imagen de
T es el rango de T.
La nulidad de T y el rango de T sern denotados as,
( T ) = dim (Ker T)
(T) = dim (Im T)
Y se demuestra el siguiente teorema que relaciona estos

nmeros mediante la igualdad
(T) + (T) = dim V

En consecuencia,
__________________________________________________________________
189
(T ) = dim V - (T)
(T) = dim V - (T)
Ejemplo: Consideremos la aplicacin lineal

T : P2 [ x] 2; T(a + bx + cx2 ) = (a b, 2a + c)
Entonces,
KerT = {a + bx + cx2 P2[x] / (a b, 2a + c) = (0,0)}

= {a + bx + cx2 P2[x] / a = b c = -2a}
= { a + ax - 2a x2 / a }
= {a(1+ x - 2x2 ) / a }
= < {1+ x - 2x2} >
__________________________________________________________________
190
Como B = {1 + x 2x 2 } es un conjunto generador de Ker T

y es linealmente independiente, puesto que tiene slo un
vector no nulo, B es una base de Ker T; luego ( T ) = 1 .
As, el rango de T es
(T) = dim V - (T) = 3 -1 = 2.

Si la dimensin de la imagen de T es 2, debe tenerse que,
Im (T) = 2
El siguiente teorema caracteriza a
las aplicaciones lineales inyectivas,
epiyectivas y por lo tanto biyectivas.
__________________________________________________________________
191
Teorema: Sea T : V
W aplicacin lineal.
(1) T inyectiva Ker T = {0} ( T ) = 0

(2) T epiyectiva Im T = W ( T ) = dim W
Por ejemplo, si V {0} , la aplicacin lineal T0 (ejemplo 5)
no es inyectiva. Pero la aplicacin identidad I V (ejemplo 6)
es inyectiva y epiyectiva, es decir, I V es biyectiva.
Ejercicio: Determine si la transformacin lineal F

definida a continuacin es o no es biyectiva.
a b 2a b + 3c a + 2b c + d
=
F : M 2 () M 2 () , F
c d b + c + d 3b 3c 2d
__________________________________________________________________
192
Isomorfismos
1
Recordemos que una funcin f posee funcin inversa f

1
si y slo si f es biyectiva. La funcin f tambin resulta
1
y (f o f -1)(x) = x .
ser biyectiva y tal que (f o f )(x) = x
Definicin: Un isomorfismo es una

aplicacin que es lineal y biyectiva.
Ejemplo: La aplicacin lineal T : 3 3 definida por
T(x, y, z) = (x y, 2y + z, x + y + z)
no es un isomorfismo puesto que Ker T = < {(1, 1, -2)}>
y, en consecuencia, no es inyectiva.
__________________________________________________________________
193
Ejercicio: Muestre que la siguiente aplicacin de 3
3
en es un isomorfismo,
T(x, y, z) = (x - y, 2y + z, x + 2y + z)
Si T es una aplicacin lineal de V en W, entonces,

T isomorfismo T invertible
T isomorfismo T 1 lineal
1
T isomorfismo T
isomorfismo
Y si dimV = dimW, entonces
T biyectiva
T inyectiva
T epiyectiva
__________________________________________________________________
194
Ejercicio: Determine cul o cules de las siguientes

funciones T son invertibles?
1) T : 3 3; T(x, y, z) = (x, 2x - y, x + 4y - z)
2) T : 3 P2[x]; T(a, b, c) = (a c) + (2a + b + c)x + (3a + b + c)x2
a b
4
= (a + d, 2c, a + c, c - d)
3) T : M2 () ; T
c d
Si T: V
W es un isomorfismo,
entonces se dice que los espacios V y W
son isomorfos, en cuyo caso se anota
V W
__________________________________________________________________
195
Ejemplo: Los espacios 3 y P2[x] son isomorfos; el

isomorfismo natural entre ellos es
T(a, b, c) = a + bx + cx2
a b
El isomorfismo T
= (a, b, c, d) establece que los
c d
espacios M2 () y 4 son isomorfos.
La relacin ser isomorfo a es una relacin de
equivalencia entre espacios vectoriales, es decir,
i) V V
ii) V W W V
iii) (V W W U ) V U
__________________________________________________________________
196
Teorema: Todo espacio vectorial real de

n
dimensin finita n es isomorfo a .
En efecto, sea V espacio vectorial real de dimensin n y
sea B = {v1, . . . . , vn} una base de V.
Definamos T : V
n por T(v) = [ v ]B; entonces,
T es aplicacin lineal.
Ker T = { v V / [ v ]B = (0, . . . , 0) } = { 0 }; luego T es
inyectiva.
Como la nulidad de T es cero, el rango de T es n, es
n
decir, la imagen de T es un subespacio de
de
dimensin n; entonces Im T = n y T es epiyectiva.
As T es un isomorfismo y V n .
__________________________________________________________________
197
El teorema precedente es ms general; se puede enunciar

lo siguiente:
Teorema: Sea V espacio vectorial sobre el cuerpo

de dimensin finita n. Entonces V es
n
isomorfo a .
Ejercicio: Demuestre
1) El teorema precedente.
2) Que el espacio de las matrices reales diagonales de
orden 3 es isomorfo a 3 .
3) Que el espacio de las matrices reales antisimtricas
de orden 3 es isomorfo a 3 .
__________________________________________________________________
198
El espacio de las transformaciones lineales

Sean V y W espacios vectoriales sobre y denotemos
por L(V, W) = { T : V W / T lineal}.
Se
puede
demostrar que:
1) T, SL(V, W) T + SL(V, W)
2) y T L(V, W) T L(V, W)
3) To L(V, W)
Las aplicaciones T + S y T
(T+S)(v) = T(v) + S(v)
( T)(v) = T(v)
estn dadas por:
__________________________________________________________________
199
Por lo tanto, L(V, W) es un espacio vectorial sobre ;

el espacio de las transformaciones lineales de V en W.
Qu sucede con
el producto?
Si T, SL(V, W) , el producto (TS)(v) = T(v) S(v)

puede no estar definido.
Pero an existiendo TS, este no es lineal. Por ejemplo,
sean T, S las transformaciones lineales de en
dadas por T(x) = 3x, S(x) = 2x. Entonces (TS)(x) = 6x2,
que no es lineal.
__________________________________________________________________
200
Sean T L(V, W) y SL(W,U) ; entonces la composicin

de T y S, (S oT)(v) = S(T(v)), es una transformacin lineal.
En efecto, si u, vV y , , entonces
(S o T)( u + v) = S(T( u + v)
= S( T(u) + T(v))
= S(T(u)) + S(T(v))
= (S o T)(u) + (S o T)(v)
Recuerde que la composicin de funciones es asociativa y
distributiva con la suma:
So (T o R) = (So T)o R y So (T+ R) = (So T)+ (So R)

Adems, T o IV = T y IW o T = T
__________________________________________________________________
201
Por estas razones, la composicin de

funciones es considerada como producto en
el espacio de las transformaciones lineales.
En lo que sigue, y siempre que T S exista, se entender que
(T S)(v) = T (S(v))
Observe que este producto no es conmutativo y adems no
todas las transformaciones lineales poseen inversa.
Ejercicio: Sean T L(V, W) y SL(W,U) aplicaciones

lineales invertibles. Demuestre que el producto de T y
S es invertible y se tiene que (S T) -1 = T -1 S -1.
__________________________________________________________________
202
Aplicacin lineal asociada a una matriz

Sea A Mmxn() y consideremos la aplicacin,
TA : n m definida por TA (X) = A X
Para X, Y n y se tiene que,
i) TA (X + Y) = A (X + Y) = A X + A Y = TA (X) + TA (Y)
ii) TA ( X) = A ( X) = (A X) = TA (X)
Es decir,
TA es una transformacin lineal.
La transformacin lineal
asociada a la matriz A.
TA se llama aplicacin lineal
__________________________________________________________________
203
Ejemplo: Sea
1 5
A = 3 1
2 4
y determinemos la aplicacin
lineal asociada a A.
TA : 2 3 ; TA (x, y) = ??
1 5
x + 5y
3 1 = 3x y
2 4 y 2x 4y
TA : 2 3 ; TA (x, y) = (x + 5y, 3x - y, 2x 4y)
Ejercicio: Encuentre la aplicacin lineal asociada a

las matrices A = 9 3 1
2
5
0
0 0 0
0 =
0 0 0
e I3
__________________________________________________________________
204
Aplicaciones lineales y matrices

Parecidos?
Apreciamos cierto parecido, desde un

punto de vista algebraico, entre el
espacio
de
las
aplicaciones
lineales y cierto espacio de matrices.
Ms precisamente, pretendemos establecer que el

espacio L(n , m ) es isomorfo a Mmxn() . Para ello
debemos mostrar una funcin, entre estos espacios, que
sea un isomorfismo. Consideremos,
F : Mmxn () L(m , n ) definida por F(A) = TA

__________________________________________________________________
205
Se tiene que:
9 F es una funcin bien definida y adems es lineal, puesto
que
TA + B = TA + TB
TA = TA ,
Ejercicio: Demuestre estas igualdades.

9 F es inyectiva pues Ker F = { A / TA = To } = { 0 mn }
9 F es epiyectiva ya que para cada transformacin lineal
n
m
T de en , existe una matriz A Mmxn() tal que
F(A) = TA = T . Esta matriz A es nica, se llama matriz

asociada a la transformacin lineal T, se denota [ T ] y
se determina as:
__________________________________________________________________
206
Sean {e1, ..... , en} y {e1, ..... , em} las bases cannicas
de n y m respectivamente. Entonces,
T (e1 ) =
a11e1 + a 21e 2 + . . . . . + a m1e m
T (e 2 ) =
......
a12 e1 + a 22 e 2 + . . . . . + a m2 e m
......
T (e n ) = a1n e1 + a 2 n e 2 + . . . . . + a mn e m
y la matriz,
a 11
a 12
A = [T ] =
....
a
1n
a 21
a 22
....
a 2n
a m1
. . . . a m2
.... ....
. . . . a mn
....
__________________________________________________________________
207
a 11
a 21
es decir, la matriz A = [ T ] =
....
a
m1
a 12
a 22
....
a m2
a 1m
. . . . a 2m
,
.... ....
. . . . a mn
....
es tal que, F([T]) = F(A) = TA = T.

Por lo tanto, F es un isomorfismo y
queda establecido que
L(n , m ) Mmxn()
__________________________________________________________________
208
Ejemplo: Consideremos la aplicacin lineal,

T : 2 3 ; T ( x , y ) = (4x - 2y, x + 3y, 2x + 5y)
y determinemos la matriz asociada a T.
Procedemos a evaluar T en los vectores de la base cannica
2
de y luego, a escribir estas imgenes como combinacin
3
lineal de los vectores de la base cannica de .
T (1, 0 ) = ( 4 , 1, 2) = 4(1, 0, 0) + 1(0, 1, 0) + 2 (0, 0, 1)

T ( 0 , 1) = ( 2 , 3, 5) = 2 (1, 0, 0) + 3(0, 1, 0) + 5(0, 0, 1)
Entonces la matriz asociada a T es:
4
[ T ] =
2
1
3
4
t
2
= 1
5
2
3
5
__________________________________________________________________
209
Ejercicio: Determine la matriz asociada a las

siguientes transformaciones lineales.
T : 3 2 ; T ( x , y, z ) = (-x + 3 y - 7z, 2x - y + z)
T : 3 3 ; T ( x , y, z ) = (7y - z, x + 6 z, 5x y + 2 z)
Consecuencia del isomorfismo
L ( n , m ) M mxn ( )
que se ha establecido tenemos que:
[T + S] = [T] + [S]
[a T] = a [T] , a nmero real
Adems, [T o S] = [T] [S] y si T es invertible, [T -1 ] = [T] -1
__________________________________________________________________
210
Matriz asociada - Caso general

Consideremos ahora V y W espacios vectoriales de
dimensin n y m respectivamente y sea T: V
W
una aplicacin lineal. Repetimos el procedimiento realizado
para obtener la matriz asociada a T pero considerando las
bases B = {v1, .., vn} y E = {w1, .. ,wm} de V y W
respectivamente. Evaluamos T en los vectores de B y luego
expresamos estas imgenes como combinacin lineal de los
vectores de E.
T ( v1 ) =
a11w1 + a 21w 2 + . . . . . + a m1w m
T(v 2 ) =
......
a12 w1 + a 22 w 2 + . . . . . + a m2 w m
......
T ( v n ) = a1n w1 + a 2 n w 2 + . . . . . + a mn w m
__________________________________________________________________
211
La matriz,
a11
a12
....
a
1n
a 21
a 22
....
a 2n
. . . . a m1 a11

. . . . a m2 a 21
=
....
.... ....

. . . . a mn a m1
a12
a 22
....
a m2
. . . . a1m
. . . . a 2m
.... ....
. . . . a mn
E
[T]
B
se denota
y es la matriz asociada a la
transformacin lineal T o matriz de representacin
de T, cuando se consideran las bases B de V y E de W.
E
Cuando n = m y B = E , la matriz [T] B se denota [T]B .
__________________________________________________________________
212
E
La matriz [T] B est caracterizada as:
Si las coordenadas de v V con respecto a la

base B son [v]B = X = (x1, . . . . , x n ) , entonces
[T]E
B X son las coordenadas de la imagen
T(v) con respecto a la base E.
La matriz de representacin de T establece un isomorfismo
entre el espacio L(V, W) y el espacio Mmxn() .
Consecuencia de este isomorfismo es lo siguiente:
Si T y S son transformaciones lineales de V en W, B y E
son bases de V y W respectivamente, entonces:
__________________________________________________________________
213
E
E
[T + S] E
=
[T]
+
[S]
B
B
B
E
[ T] E
=
[T]
B
B ,
Adems, si T: V
W y S: W
U son
transformaciones lineales y B, E, C son bases de V, W
y U respectivamente, entonces
C
E
[So T] C
=
[S]
[T]
B
E
B
Si T: V
W es una aplicacin lineal invertible y
B, E son bases de V y W respectivamente, entonces
-1 B
-1 E
E
[T]E
[T
]
=
[T
o
T
]
=
[
I
]
B
E
E
W E = In
__________________________________________________________________
214
E
-1
B
B
[T -1] B
[T]
=
[T
o
T]
=
[
I
]
E
B
B
V B = In
Por lo tanto,
[T]E
B
es invertible y se tiene que:
-1
-1 B
( [T]E
)
=
[T
]E
B
Finalmente, el rango de T es
(T) = dim(Im T) = ([T] E

B)
Ejemplo: Consideremos la aplicacin lineal,
T : 3 2 ; T ( x , y, z ) = (x + 2 y - z, 3x + z)
__________________________________________________________________
215
E
y determinemos la matriz [T] B donde B = { (1,1,1), (1,1, 0),
(1, 0, 0)} base de 3 y E = {(2, 3), (-3, -5)} base de 2 .
Tenemos que calcular las coordenadas i , i , i originadas

as:
T (1, 1, 1) = ( 2 , 4) = 1 (2, 3) + 2 (-3, - 5)
T (1, 1, 0 ) = ( 3, 3) = 1 (2, 3) + 2 (-3, - 5)

T (1, 0, 0 ) = (1, 3) = 1 (2, 3) + 2 (-3, - 5)
De este modo obtenemos la matriz:
t
2 2
2 6 4
E
[T ] B = 6
3 =
4 3 2 3 3
__________________________________________________________________
216
E
[T]
Ejemplo: Determinemos la matriz
B asociada a la
transformacin lineal T de P3[x] en P2[x] definida por

T(p(x) = p(x) si B = {1, x, x2, x3} y E = {1, x, x2}.
En este caso,
T(1) = 0 =
T(x) = 1 =
T(x2) = 2x =
T(x3) = 3x2 =
0 + 0x + 0x2
1 + 0x + 0x2
0 + 2x + 0x2
0 + 0x + 3x2
0 1 0 0
E
Por lo tanto, [T]B = 0 0 2 0
0 0 0 3
Esta matriz
deriva
polinomios?
__________________________________________________________________
217
Ejemplo: Determinemos la matriz asociada a la

E
aplicacin identidad de 2 en los siguientes casos [ I ]E
B
B
[ I ]E
,
[
I
]
y
[
I
]
B
E
B donde E = {e1, e2} es la base
cannica de 2 y B = {v1 =(1, -2), v2 = (3, -4)}.
Puesto que, e1 = 1e1 + 0e2 , e2 = 0e1 + 1e2

y v1 = 1v1 + 0v2, v2 = 0v1 + 0v2
B
obtenemos [ I ]E
=
I
=
[
I
]
E
2
B
Verifique que en los otros casos,
3
E 1
[ I ]B =
- 2 - 4
2
2
=
y [ I ]B
E
1
1
2
__________________________________________________________________
218
Matriz de cambio de base

Si V es un espacio vectorial de dimensin n y B es
cualquier base de V, entonces la matriz de la aplicacin
identidad es [IV ]B
B = [ IV ]B = In. Pero si E es otra base
de V, entonces [ IV ] E
B In . Observe lo siguiente:
B
E
E
[IV] E
[I
]
=
[I
o
I
]
=
[
I
]
B V E
V V E
V E = In
E
B
B
=
o
=
[IV] B
[I
]
[I
I
]
[
I
]
E V B
V V B
V B = In
E
Es decir, la matriz [ IV ]B es invertible y su
B
inversa es [ IV ]E.
__________________________________________________________________
219
Las matrices
de cambio
siguiente:
B
[IV] E
y
[I
]
B
V E son llamadas matrices
de
base, nombre que se deriva de lo
Si V es un espacio vectorial de dimensin finita n, B y E

son bases de V y T: V
W es una aplicacin lineal,
entonces:
Cambia
base?
E
B
[ IV ] B
[T]
=
[T]
E
E
E
E
E
[T] E
[I
]
=
[T]
E V B
B
E
E
B
[ IV ] B
[T]
[
I
]
=
[T]
E
E
V B
B
__________________________________________________________________
220
Ejercicio: Considere la transformacin lineal F de 3

en P2[x] definida por F(a, b, c) = a + (2b+c) x + (b-a) x2.
Determine:
(1) La matriz [F] asociada a F.
(2) La matriz [F -1] asociada a F -1.
(3) La expresin algebraica F -1(a + bx + cx2).
E
(4) La matriz [F] B de representacin de F cuando se
3
consideran la base B = {e1, e2, e3} cannica de y
E = {1 + x x2, 2 + x, x2 x} base de P2[x].
__________________________________________________________________
221
Ejercicio: Considere F:
lineal tal que F(1,0,2) = 2x 3,
P2[x] la aplicacin
F(0,1,2) = 1 + x2
2 lineal cuya
F(0,0,1) = 2x x2. Sea G: P2[X]
matriz de representacin en las bases B = {1, 1+x, 1+x+x2}

1
.
y C = {(1,0), (0,3)} es [ G ]CB =
1 2
0
matriz [2G o F] (bases cannicas).
Determine la
Ejercicio: Sea V un espacio vectorial real de dimensin 2

con base B = {u, v} y T una aplicacin lineal de V en V tal
que T(2u + v) = -4u - v y T(u) - 2T(v) = -7u + 2v. Exprese
T(u) y T(v) como combinacin lineal de los vectores de la
base B y a partir de esto encuentre la matriz [T]B.
__________________________________________________________________
222
Diagonalizacin de matrices reales
__________________________________________________________________
223
Valores y vectores propios

Sea V espacio vectorial real. En lo que sigue, T ser
una transformacin lineal de V en V; por lo tanto
cualquier matriz asociada a T es una matriz cuadrada.
Un escalar se llama valor propio de T
(o valor caracterstico) si existe v V, v 0 tal
que T(v) = v.
Si es un valor propio de T, cualquier v V, v 0
tal que T(v) = v se llama vector propio de T (o vector
caracterstico de T) asociado al valor propio .
__________________________________________________________________
224
Ejemplo: = 2 es un valor propio de la aplicacin lineal

T : 2 2 ; T ( x , y ) = (27x 10 y, 75x - 28y)
puesto que T(2, 5) = (4, 10) = 2 (2, 5).
En este caso,
v = (2,5) es un vector propio de T asociado al valor propio 2.
Si es un valor propio de T y denotamos
por V al conjunto de todos los vectores
propio de T asociados al valor propio ,
entonces es fcil mostrar que V resulta ser
un subespacio de V. El subespacio V se
llama espacio propio de T asociado a .
V = { vV / T(v)= v}
__________________________________________________________________
225
Cmo determinamos los

valores propios de T?
es un valor propio de T
v V, v 0 tal que T ( v) = v
v V, v 0 tal que T ( v) v = 0
v V, v 0 tal que (T I n )( v) = 0
v V, v 0, v Ker (T - I n )
T I n no invertible
det [T I n ] = 0
__________________________________________________________________
226
Observe que p( ) = det [T I n ] es un polinomio en de

grado n y los valores propios de T son las races reales
de dicho polinomio o de la ecuacin p ( ) = 0 . Note que
p ( ) = 0
Por otra parte,
det(T - I) = 0
det( I - T) = 0
V = { v n / T(v) = v }
= { v n / T(v) - v = 0}
= { v n / (T - I n )(v) = 0}
= Ker (T - I n )
Es decir, los vectores propios de T asociados a son los

vectores del kernel de la transformacin lineal [T I n ] .
__________________________________________________________________
227
Ejemplo: Sea T la transformacin lineal

T : 2 2 ; T(x, y) = (y, x)
0 1
.
0
La matriz asociada a T es A =
1
Como la ecuacin caracterstica de T,
1
p() = 0 det[ I - T] = 0
= 0 2 +1 = 0,
1
no tiene races reales, T no tiene valores propios.
Ejercicio: Muestre que los valores propios de la

siguiente transformacin lineal T son 1 y 2.
T : 3 3 ; T(x, y, z) = (3x + y - z, 2x + 2y - z, 2x + 2y)

__________________________________________________________________
228
Ejemplo: Los vectores propios de la transformacin lineal
T : 3 3 ; T(x, y, z) = (3x + y - z, 2x + 2y - z, 2x + 2y)

se encuentran en Ker[T I3 ] y en Ker[T - 2I 3 ] , es decir,
2x + y - z =
Ker[ T I 3 ] = { (x, y, z) /
2x + 2y - z =
3
0
}
0
= < { (1, 0, 2) } >

x+y+z = 0
Ker[ T 2 I 3 ] = { (x, y, z) 3 /
2x - z = 0
2x + 2y - 2z = 0
= < { (1, 1, 2) } >
__________________________________________________________________
229
Diagonalizacin
Se dice que una base B de V diagonaliza a la
transformacin lineal T si la matriz [T]B asociada a T es
una matriz diagonal. Cuando tal base B existe, se dice
que T es diagonalizable.
Una matriz A Mn () es diagonalizable si la aplicacin
lineal asociada a A lo es.
Cundo T es
diagonalizable?
Teorema: T diagonalizable si y slo si existe

B base de V formada por vectores propios de T.
__________________________________________________________________
230
En efecto, sea B = {v1, .., vn} base de V con v1, .., vn

vectores propios de T. Entonces,
T ( v1 ) = 1 v1 =
T(v 2 ) = 2v 2 =
......
T(v n ) = n vn =
1 v1 + 0 v 2 + . . . . . + 0 v n
0 v1 + 2 v 2 + . . . . . + 0v n
......
0 v1 + 0 v 2 + . . . . . + n v n
donde i son valores propios de T no necesariamente

distintos. La matriz de representacin de T en la base B es:
1
0
[T ] B =
....
0
2
....
....
....
....
....
0
. . . .
__________________________________________________________________
231
Ejemplo: La transformacin lineal T : 3 3 ;

T(x, y, z) = (-9x 8y + 4z, 8x + 7y - 4z, - 8x 8y + 3z)
tiene dos valores propios: 3 y -1. Los espacios propios
asociados son,
Ker[T - 3I 3 ] = < { (1, - 1, 1) } >

Ker[T + I3 ] = < { (1, 0, 2), (0, 1, 2) } >
Y B = {(1, -1, 1), (1, 0, 2), (0, 1, 2)} es una base de 3 que
diagonaliza a T; en este caso,
3
[ T ]B = 0
0
0
1
0
0
1
__________________________________________________________________
232
Ejemplo: La transformacin lineal T : 3 3 ;
T(x, y, z) = (3x+ y - z, 2x + 2y z, 2x + 2y)

tiene dos valores propios: 1 y 2. Sin embargo, T no es
diagonalizable. Los espacios propios asociados son,
Ker[T - I3 ] = < { (1, 0, 2) } >

Ker[T - 2I 3 ] = < { (1, 1, 2) } >
Y es imposible encontrar una base de 3 formada por
vectores propios de T.
__________________________________________________________________
233
Otros criterios de diagonalizacin
Teorema: T diagonalizable si y slo si el

polinomio caracterstico de T tiene la forma
p( ) = ( - 1 ) d1 ( - 2 ) d 2 . . . . . . ( - k ) d k
con d i = dim V y V espacio propio
i
i
de T asociado al valor propio i .
Por ejemplo, el polinomio caracterstico de la transformacin
lineal T(x, y, z) = (-9x 8y + 4z, 8x + 7y - 4z, - 8x 8y + 3z) es
p( ) = ( - 3)( + 1) 2
Y dim V = 3 = 1,
dim V = -1 = 2 ; luego T diagonalizable.
__________________________________________________________________
234
Teorema: T diagonalizable si y slo si

dim V = dim V1 + dim V 2 + ...... + dim V k
donde 1, ..... , k son los valores propios
de T y V i es el espacio propio de T
asociado al valor propio i .
Por ejemplo, en el caso de la transformacin lineal

diagonalizable del ejemplo anterior
T(x, y, z) = (-9x 8y + 4z, 8x + 7y - 4z, - 8x 8y + 3z)

se tiene que dim V = 3 + dim V = -1 = 1 + 2 = dim 3
__________________________________________________________________
235
Ejercicio: Determine si la siguiente transformacin

lineal T es o no es diagonalizable.
T : 3 3 ; T(x, y, z) = (3x- y + z, 7x 5y+ z, - 6x + 6y - 2z)

El hecho que T sea diagonalizable significa
que la matriz [T] asociada a T, es similar a la
matriz diagonal [T]B en el sentido siguiente:
Existe P matriz invertible tal que [T]B = P 1[T] P
Ejercicio: Demuestre que los valores propios de

una matriz triangular A = (ai j) son los elementos a i i
de la diagonal.
__________________________________________________________________
236

Apuntes Alg Lineal PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apuntes Alg Lineal PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD DIEGO PORTALES

Instituto de Ciencias Bsicas

Matrices: definiciones y notaciones bsicas

son matrices con componentes en , el cuerpo de los

Cmo denotar una

Se usan dos ndices:

lo que abreviadamente se expresa,

Ejercicio: Determine por extensin la matriz A, de orden

El elemento a i j, es el que se ubica en la i-sima fila j-sima

Una matriz cuadrada

A = (a i j ) se dice matriz diagonal

a i j = 0 cuando i j. Por ejemplo,

son matrices diagonales.

Una matriz cuadrada A = (a i j ) se

son matrices triangulares.

Ejemplo: Determine por extensin la matriz A = (a i j ), de orden

Cul es la diagonal y la traza de A Cul es el valor de la traza

Su diagonal es diag(A) = (1, 2, 3) y tr(A) = 6. Si A es de

ai i = 210 y si es de orden n, tr(A) =

Resulta fcil comprender la utilidad que

El conjunto de todas las matrices de

columnas con componentes en el cuerpo

M mxn ( ) y ser M n ( ) cuando

se trate de matrices cuadradas de orden n.

Ejercicio: Cul es la transpuesta de la matriz A = (a i j ) de

orden 3 x 2 definida por a i j = 3i j2 ?

Sea A = (a i j ) matriz cuadrada. Se dice que A es una matriz

es una matriz simtrica.

Construya usted una matriz antisimtrica de orden 3.

Ejercicio: Si A es una matriz de orden n antisimtrica,

2) Demuestre que toda matriz diagonal es simtrica.

Operaciones con matrices

(A+B)+C = A+(B+C), A, B,CMmxn()

A+B = B+A , A, BMmxn()

Existe Omxn , matriz nula, tal que A+O = A , AMmxn()

Para cada matriz

Ejercicio: Demuestre las propiedades enunciadas antes.

Multiplicacin por escalar o ponderacin

Se puede establecer que:

1. (A) = ()A, , , A matriz

Ejercicio: Demuestre las propiedades 1. a 6. anteriores.

Ejercicio: Resuelva la ecuacin

Problema: Un fabricante produce tres modelos de

Maip Nios Damas Varones

a) Determine la matriz que contiene los datos relativos a la

El elemento ubicado en la fila i columna j del producto AB es:

c i j= a i1b 1j + a i2b 2 j + . . . . . + a inb nj

Observe que en este ejemplo, BA tambin se puede realizar

Ms an, existen matrices A y B, de orden n, no nulas,

Sin embargo, siempre que las operaciones se puedan realizar,

Surge la interrogante Existe elemento identidad en

In = (ai j ) de orden n definida as:

se llama matriz identidad; ella es tal que

En consecuencia, existe elemento identidad en M n ( ).

Ejercicio: a) Muestre con ejemplos que, en general,

Ejercicio: Determine la matriz X de modo que la siguiente

Dadas las matrices A y B,

Concluimos que no existen a y c; de manera anloga, no

Se dice que una matriz

nicamente determinada por A, se llama inversa

Ejercicio: Demuestre que,

En lo que sigue, trataremos de contestar esta

El cofactor de orden ij de A, denotado C i j es el nmero