Anda di halaman 1dari 49

Lecturas de Algebra Lineal

Departamento de Matematica - Facultad de Ingeniera


Universidad de Atacama

Prefacio
Estas lecturas son una recopilacion del curso Algebra y Algebra Lineal, dictada por el Profesor
Gabriel Gatica en el Departamento de Ingeniera Matematica de la Universidad de Concepcion,

Chile y del curso de Algebra Lineal, dictada por los Profesores Agueda
Mata y Miguel Reyes del
Departamento de Matematica Aplicada de FI-UPM, Espana.

Francisco Torres C.
Departamento de Matematica
Facultad de Ingeniera

Copiapo, Agosto 2013


Departamento de Matematica

II

Departamento de Matematica


Indice
general
1. Matrices y Sistemas de Ecuaciones
1.1. Matrices . . . . . . . . . . . .
1.2. Ejercicios . . . . . . . . . . .
1.3. Sistemas de Ecuaciones . . . .
1.4. Ejercicios . . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

1
1
5
7
10

2. Espacios y Subespacios Vectoriales


15
2.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3. Transformaciones Lineales y Diagonalizacion
3.1. Transformaciones Lineales . . . . . . . .
3.2. Ejercicios . . . . . . . . . . . . . . . . .
3.3. Diagonalizacion . . . . . . . . . . . . . .
3.4. Ejercicios . . . . . . . . . . . . . . . . .

Departamento de Matematica

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

33
33
36
39
41

IV

Departamento de Matematica

INDICE
GENERAL

Captulo 1
Matrices y Sistemas de Ecuaciones
1.1.

Matrices

Definicion 1 . Sean n, m N. Una matrz de orden n m es de la forma

a11 a12 a13 a1m


a21 a22 a23 a2m

A = a31 a32 a33 a3m


..
..
..
..
...
.
.
.
.
an1 an2 an3 anm
o bien A = (aij ), donde i = 1, 2, ..., n es el numero de filas y j = 1..., m es el numero de columnas
de la matriz.
Nota 1 .
1. El conjunto de todas las matrices de orden n m, con coeficientes en R, se donota por
Mnm (R).
2. Se llama matrz nula a la matrz (aij ), donde aij = 0, i = 1, ..., n y j = 1, ..., m y se
denota por 0Mnm . Tambien se denota 0 cuando esta claro el orden de la matrz.
3. Sean A = (aij ), B = (bij ) Mnm (R) entonces
A = B aij = bij , i = 1, ..., n, j = 1, ..., m.
Definicion 2 (Suma y Producto de Matrices)
1. Sean A = (aij ), B = (bij ) Mnm (R) entonces A + B = (cij ) donde cij = aij + bij ,
i = 1, ..., n, j = 1, ..., m.
2. Sean A = (aij ) Mnm (R) y B = (bij ) Mmp (R) entonces C = AB Mnp (R) donde
cij =

m
X
k=1

Departamento de Matematica

aik bkj

Captulo 1. Matrices y Sistemas de Ecuaciones


Propiedades 1 .
1. Sean A, B, C Mnm (R) y 0Mnm = 0 entonces
a) (A + B) + C = A + (B + C)
b) 0 Mnm (R) tal que A + 0 = A
c) A + B = B + A
d) (A) Mnm (R) tal que A + (A) = 0
2. Para A, B, C tales que los productos esten definidos, se tiene
a) (AB)C = A(BC)
b) A(B + C) = AB + AC
c) A 6= 0, B 6= 0 tal que AB = 0
Definicion 3 . Sean R y A = (aij ) Mnm (R), entonces A = B es definido por
A = (bij )

donde

bij = aij

Propiedades 2 . Sean A = (aij ), B = (bij ) Mnm (R) y , R, entonces


1. (A + B) = A + B.
2. ( + )A = A + A.
3. ()A = (A) = (A).
4. (AC) = (A)C = A(C), C Mmp (R)
Definicion 4 . Sea A Mnm (R), la transpuesta de A es la matrz At Mmn (R) donde
At = (aji )
Propiedades 3 . Sean R y A,B Mnm (R), entonces
1. (At )t = A.
2. (A + B)t = At + B t
3. (A)t = At
4. (CD)t = Dt C t , C Mnm (R), D Mmp (R).
Definicion 5 . Una matrz A se dice cuadrada si tiene n filas y n columnas, esto es, A Mnn (R) =
Mn (R). Una matrz cuadrada A = (aij ) es:
1. Triangular superior si aij = 0, para i > j.
2. Triangular inferior si aij = 0, para i < j.
Departamento de Matematica

1.1 Matrices

3. Diagonal si aij = 0 para i 6= j.


4. Identidad si es diagonal y aii = 1.
5. Simetrica si At = A.
6. Antisimetrica si At = A.
Nota 2 .
1. La matrz identidad de orden n se denota por In . Tambien se denota I cuando esta claro el
orden de la matrz. Ademas,
A I = I A = A,

A Mn (R)

2. Toda matrz cuadrada se descompone como la suma de una matrz simetrica con una antisimetrica.
Definicion 6 . Una matriz A Mn (R) se dice invertible (o no singular) si existe una matriz
B Mn (R) tal que A B = I y B A = I.
Propiedades 4 .
1. La matriz B se llama inversa de A y se denota A1 .
2. Si A es invertible, entonces A1 es u nica.
3. Si A y B son invertibles, entonces AB es invertible y
(A B)1 = B 1 A1
Definicion 7 . Sea A Mnm (R). Se llaman operaciones elementales por filas (OEF) sobre A a
las siguientes operaciones.
1. Intercambio de dos filas de A, esto es, la fila i con la fila j. Se escribe fi fj , i, j =
1, 2, ..., n.
2. Multiplicar una fila de A por un escalar no nulo, esto es, para la fila i. Se escribe fi = fi ,
i = 1, 2, ..., n y R.
3. Sumar un multiplo escalar de una fila a otra, esto es, a la fila i se suma veces la fila j. Se
escribe fi = fi + fj , i, j = 1, 2, ..., n y R.
Definicion 8 . Dos matrices A, B Mnm (R) se dicen equivalentes por filas si una se obtiene de
la otra aplicando OEF.
Teorema 1 . Si A Mn (R) es equivalente por filas con I, entonces A es invertible.
Nota 3 . Sea A Mn (R). Si la matriz ampliada (A \ I) es equivalente por filas con (I \ B),
entonces B = A1 .
Departamento de Matematica

Captulo 1. Matrices y Sistemas de Ecuaciones


Definicion 9 . Sea A = Mnm (R), se llama Aij M(n1)(m1) (R) a la matriz obtenida de A
eliminando la fila i y la columna j.
Definicion 10 . Sea A Mn (R), el determinante de A es definido por
n
X
|A| =
(1)i+j aij |Aij | ,

i = 1, 2, ..., n.

j=1

Si n = 1 y A = (a) entonces |A| = a.


Propiedades 5 Para A Mn (R), tenemos:
1. Si A tiene una fila nula entonces |A| = 0.
2. Si A es triangular, entonces |A| =

n
Y

aii .

i=1

3. |A| = |At |.
4. Si f es una OEF que intercambia dos filas de A, esto es, B = f (A), entonces |B| = |A|.
5. Si f es una OEF que multiplica una fila de A por un escalar , esto es, B = f (A), entonces
|B| = |A|.
6. Si f es una OEF que suma un multiplo escalar de la fila i a la fila j, esto es, B = f (A),
entonces |B| = |A|.
7. Si A tiene dos filas iguales, entonces |A| = 0.
8. |AB| = |A||B|.
Nota 4 Como |A| = |At |, entonces estas propiedades tambien valen para las columnas.
Definicion 11 Sea A Mn (R).
1. Se dice Menor de un elemento de aij al determinante de la matriz Aij , esto es, |Aij |.
2. Se dice Cofactor de un elemento aij al escalar cij = (1)i+j |Aij |.
Definicion 12 Sea A Mn (R).
1. Se dice Matriz de Cofactores de la matriz A a la matriz (cij ), donde cij es el cofactor de aij
y se escribe cof (A) = Ac .
2. Se dice Matriz Adjunta de la matriz A a la transpuesta de la matriz de cofactores y se escribe
Adj(A) = (Ac )t .
Teorema 2 Sea A Mn (R).
1. A es invertible si y solo si |A| =
6 0.
Departamento de Matematica

1.2 Ejercicios

2. La inversa de A es
A1 =

Adj(A)
|A|

Definicion 13 (Rango de una Matriz)


Sea A Mnm (R). Sea dice rango de A al orden de la mayor submatriz cuadrada de A con
determinante no nulo y se escribe r(A).
Nota 5 .
1. Si A y B son equivalentes por filas, entonce r(A) = r(B).
2. Una matriz A Mnm (R) se dice Escalonada por filas si el primer elemento no nulo de
cada fila de A esta a la derecha del primer elemento no nulo de la fila anterior.
3. El numero de filas no nulas de cualquier matriz escalonada equivalente por filas con A es el
rango de A.

1.2.

Ejercicios

1. En cada caso calcular |A| y |A1 |

1 1
0
0
a) A = 2 4
3 1 2

2 1 1
b) A = 4 1 3
2 1 3

0 1 2
2. Encontrar R tal que |A I| = 0, donde A = 1 0 1
0 0 1

1 a a2
3. Sea A = 1 b b2 , pruebe que |A| = (b a)(c a)(c b).
1 c c2


a 0 0 b



0 a b 0 a b 2



4. Pruebe que
0 b a 0 = b a


b 0 0 a
5. Calcule, si es que existen, los valores de k R para los cuales las siguientes matrices tienen
inversa

k 1 1
2 2
6
a) A = 1 k 1
b) B = 0 k 4 k
1 1 k
0 k
k
6. Calcule
el rango de la
siguientes matrices

1 2 3
1 0 1 1
a) A = 1 2 3
b) B = 0 2 1 2
0 4 0
1 4 3 5
Departamento de Matematica

Captulo 1. Matrices y Sistemas de Ecuaciones


7. Calcule, si es que existen, los valores de k R para los cuales las siguientes matrices tengan
rango tres
o dos

k 1 1
2 2 6 k
a) A = 1 k 1
b) B = 0 k k 1
1 1 k
0 k
k k
8. Para cada matriz dada determine su inversa, si existe, usando operaciones elementales por
filas y matriz
de cofactores

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

2 6 2 6
0 1 2 3
2

9. Sea A M4 (R) definida por A =


0 0 2 2 . Demuestre que A es invertible y calcule
0 0 0 12
A1 .

SOLUCIONES

1.

a) det(A) = 4, det(A1 ) = 14
1
b) det(A) = 12, det(A1 ) = 12

2. = 1 es el u nico valor.
5.

a) k R {1; 2}
b) k R {0}

6.

a) r(A) = 2
b) r(B) = 2

7.

a) r(A) = 3 si k R {1; 2}; r(A) = 2 si k = 2 y r(A) = 1 si k = 1.


b) r(B) = 3 si k 6= 0; r(B) = 2 si k = 0 y r(B) 6= 1 para todo k.

8.

a) A1

1 1 1
= 12 2 1 1
5 4 3

9. A1

1 12 11 16
0 4 4 8

= 21
0 0
1 4
0 0
0
4

Departamento de Matematica

b) B 1

1 0 1
1
= 12 0 1
2 1 1

1.3 Sistemas de Ecuaciones

1.3.

Sistemas de Ecuaciones

Definicion 14 Un Sistema de Ecuaciones Lineales de n ecuaciones y m incognitas en R es definido por

a11 x1 + a12 x2 + a13 x3 + ..... + a1m xm = b1

a21 x1 + a22 x2 + a23 x3 + ..... + a2m xm = b2


(S)
..
..

.
.

a x + a x + a x + ..... + a x
n1 1
n2 2
n3 3
nm m = bn
donde i 1, 2, ..., n y j 1, 2, ..., m. aij R, bi R y {xi }m
erminos
i=1 son los coeficientes, los t
independientes y las incognitas del sistema (S).
Definicion 15 (Forma Matricial) Este sistema (S) se puede escribir de la forma


a11 a12 a13 a1m
x1
b1
a21 a22 a23 a2m x2 b2


a31 a32 a33 a3m x3 b3

=
..
..
..
.. .. ..
.
.
.
.
.
.
. . .
xm
bn
an1 an2 an3 anm
esto nos lleva a la forma matricial del sistema
AX = B
Si B = 0, el sistema (S) se dice homogeneo, en caso contrario se dice no homogeneo.
Definicion 16 El vector (y1 , y2 , ..., ym )t Rn1 es solucion del sistema si satisface simultaneamente cada una de las ecuaciones. El conjunto de todas las soluciones del sistema se dice Conjunto Solucion.
Definicion 17 Es sistema (S) se dice.
1. Incompatible, si no tiene solucion.
2. Compatible Determinado, si tiene u nica solucion.
3. Compatible Indeterminado, si tiene mas de una solucion.
Definicion 18 Dado el sistema AX = B, la matriz (A \ B) Mn(m+1) (R) se dice la Matriz
Ampliada del Sistema.
Teorema 3 (Existencia de Soluciones)
Dado el sistema AX = B tal que r(A) = r(A \ B)
1. El sistema tiene u nica solucion si r(A) = m.
2. El sistema tiene mas de una solucion si r(A) < m.
Si r(A) 6= r(A \ B) el sistema no tiene solucion.
Departamento de Matematica

Captulo 1. Matrices y Sistemas de Ecuaciones


Nota 6 .
1. Si (A \ B) es equivalente por filas con (A1 \ B1 ), entonces los sistemas
AX = B

A1 X = B1

tienen el mismo conjunto solucion.


2. El sistema homogeneo AX = 0 siempre tiene solucion, que es la solucion nula.
3. El sistema homogeneo tiene solucion no nula si y solo si r(A) < n.
Definicion 19 Si A Mn (R) con |A| =
6 0, entonces A es invertible y el sistema AX = B tiene
solucion u nica
X = A1 B
Definicion 20 (Regla de Cramer) Si A Mn (R) con |A| =
6 0, entonces la u nica solucion del
sistema AX = B es
|Ai |
,
i {1, 2, ..., n}
xi =
|A|
donde Ai se obtiene de la matriz A sustituyendo la i-esima columna por B.
Ejemplo 1 Resolver el sistema
x 2y + 4z = 3
x + 3y + 2z = 4
5x
6z = 1
Escalonando la matriz ampliada, tenemos

1 2 4
1 2 4
3
3
3
1 2 4

=f2 +f1
1 3
2
4 ff32=f
0 1
6
7 .. 0 1
6
7
3 5f1
5
0 6 1
0 10 26 16
0 0 1 1
As, la solucion del sistema es X = (1, 1, 1).
Ejemplo 2 Resolver el sistema
x+y+z = 1
2x + 2y + z = 2
x+y
= 1
Escalonando la matriz ampliada, tenemos

1 1 1 1 1 1 1 1
1 1 1 1

2 2f1
2 2 1 2 ff2 =f
0 0 1 0 f3 =f3 f2 0 0 1 0
3 =f3 f1
1 1 0 1
0 0 1 0
0 0 0 0
Departamento de Matematica

1.3 Sistemas de Ecuaciones

As, r(A) = (A \ B) < numero de incognitas, entonces el sistema tiene mas de una solucion. El
sistema equivalente es
x+y+z = 1
z = 0
Entonces z = 0 e y = 1 x. El conjunto solucion es
S = {(x, y, z) R3 : y = 1 x z = 0}
= {(x, 1 x, 0) : x R}
Ejemplo 3 Resolver el sistema
x 2y + 2z = 3
x 5y + 4z = 1
2x 3y + 2z = 1
Escalonando la matriz ampliada, tenemos

1 2 2 3 1 2 2
3
1 2 2
3

2 3f1
3 5 4 1 ff2 =f
0 1 2 8 f3 =f3 f2 0 1 2 8
3 =f3 2f1
2 3 2 1
0 1 2 5
0 0
0
3
En este caso, r(A) 6= (A \ B). Por tanto el sistema no tiene solucion.
Ejemplo 4 Dado el sistema de ecuaciones
x 2y + z = 2
x + y + az = 1
2x + ay + 4z = 2
Encuentre el valor de a R, talque es sistema
1. No tenga solucion.
2. Tenga mas de una solucion.
3. No tenga solucion.

SOLUCION.
La matriz asociada al sistema es

1 2 1
A = 1 1 a
2
a 4

El sistema tiene u nica solucion si |A| =


6 0.


1 2 1


|A| = 1 1 a = a2 + 5a + 6
2
a 4
|A| = 0 si y solo si a = 2 o a = 3.
Departamento de Matematica

10

Captulo 1. Matrices y Sistemas de Ecuaciones


a. El sistema tiene u nica solucion si a 6= 2 y a 6= 3.
b. Para a = 2, escalonando la matriz ampliada, tenemos

1 2 1 2 1 2 1 2
1 2 1 2

=f2 +f1
1 1 2 1 ff2=f
0 1 1 1 f3 =f3 +2f2 0 1 1 1
3
3 2f1
2
0
2 2 4 2
0 2
2
0 0
0
Entonces, r(A) = (A \ B) < 3. Por tanto el sistema tiene mas de una solucion.
c. Para a = 3, escalonando la matriz ampliada, tenemos

1 2 1 2 1 2 1 2
1 2 1 2

=f2 +f1
1 1 3 1 ff2=f
0 1 2 1 f3 =f3 +f2 0 1 2 1
3
3 2f1
2 3 4 2
0 1
2
2
0 0
0
1
Entonces, r(A) 6= (A \ B). Por tanto el sistema no tiene solucion.
Ejemplo 5 Resuelva usando la Regla de Cramer.
2x + 3y + 5z = 10
3x + 7y + 4z = 3
x + 2y + 2z = 3

SOLUCION
El determinante de la matriz asociada es


2 3 5


|A| = 3 7 4 = 1
1 2 2
entonces se puede utilizar la Regra de Cramer.




10 3 5
2 10 5




3 7 4
3 3 4




3 2 2
1 3 2
x=
= 3, y =
= 2,
1
1

1.4.



2 3 10


3 7 3


1 2 3
z=
=2
1

Ejercicios

1. Decida si los sistemas que siguen son incompatibles o compatibles. En el u ltimo caso, decida
si son determinados o indeterminados y encuentre la solucion
xy = 2
a) 2x 2y = 8
3x y = 4
Departamento de Matematica

xy = 2
b) x + 3y = 8
2x + 2y = 10

1.4 Ejercicios

11

2. Muestre que el siguiente sistema es compatible determinado (tiene u nica solucion) y encuentre su solucion por reduccion por filas y por Cramer.
2x 4y
x 3y + t
x z + 2t
3x 4y + 3z t

= 10
= 4
= 9
= 15

3. Determinar el o los valores de p y q tales que el sistema no tenga solucion, tenga u nica solucion o tenga infinitas soluciones.
x y + 2z = 2
a) 3x + y + z = 1
2x + pz = q

x + 2y + z = q
b) 2x y + z = p
3x + y + 2z = 1

4. Encontrar R para que el siguiente sistema sea compatible determinado


(1 )x + y + z = a
x + (1 )y + z = b
x + y + (1 )z = c
En caso que el sistema no sea determinado, determine las condiciones que debe satisfacer
(a, b, c) R3 para que el sistema sea compatible indeterminado.

Departamento de Matematica

12

Captulo 1. Matrices y Sistemas de Ecuaciones


5. Determine los valores R para el siguiente sistema tenga solucion no trivial
x + z
= 0
2x + y z = 0
y+z
= 0
6. Dado el siguiente sistema lineal de dos ecuaciones y dos incognitas:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
Suponga que el sistema es compatible determinado y denote por A a la matriz de coeficientes.
Aplicando reduccion por filas a este sistema deduzca la regla de Cramer.
7. Considere la ecuacion diferencial ordinaria, donde la incognita es la funcion p : R R.
p000 (x) + 3p00 (x) p0 (x) + p(x) = x x2 + x3

(1.1)

a) Suponga que p es un polinomio de grado 3, esto es, p(x) = a + bx + cx2 + dx3 .


Encuentre los valores de a, b, c, d R tales que p sea solucion de la ecuacion (1.1).
b) Encuentre los valores de a, b, c, d, e R tales que p(x) = a + bx + cx2 + dx3 + ex4
sea solucion de la ecuacion (1.1).
8. En una bolsa hay 20 monedas, de $500, $100 y $50. Si el monto total del dinero en ella es
$14.500. Cual es el numero de monedas de $500?. (Solo escribir el sistema de ecuaciones)
9. Los pueblos A, B, y C no estan situados en linea recta. El camino de A a B, pasando por C
es de 81,5 km., el camino de A a C, pasando por B es de 75,5 km., y el camino de B a C,
pasando por A es de 71 km.. Determinar la distancia entre los pueblos.
10. La suma de las cifras de un numero N de 3 cifras es 10. La cifra de las unidades menos
la cifra de las decenas es igual a 3. Si se permutan las decenas con las unidades resulta un
numero que tiene 27 unidades mas que N. Cual es el numero N?
11. En un cuadrilatero regular los a ngulos internos , , y se cumplen las siguientes condiciones: la diferencia entre los a ngulos y es igual a 40o y la diferencia entre y es igual
a 10o . La suma de y da 230o . Cual es el valor de .
SOLUCIONES
1.

a) Incompatible
b) Compatible determinado x = 72 , y =

3.

a)

3
2

i. No tiene solucion si p = 52 y q 6= 52
ii. Tiene solucion u nica si p 6= 25
iii. Tiene infinitas soluciones si p = 52 y q = 52

Departamento de Matematica

1.4 Ejercicios
b)

4.

i. No tiene solucion si p + q 6= 1.
ii. En ningun caso tiene u nica solucion.
iii. Tiene infinitas soluciones si p + q = 1.

a) Es compatible determinado si 6= 0 y 6= 3.
b) Si = 0 es compatible indeterminado si a = b y b = c, si una de estas condiciones
falla, entonces no tiene solucion.
c) Si = 3 es compatible indeterminado si a+b+c = 0; si no, entonces no tiene solucion.

5. = 1
7.

a) a = 19, b = 13, c = 2 y d = 1.
b) a = 19, b = 13, c = 2, d = 1 y e = 0

9. distancia entre A y B, 32, 5 km.


distancia entre B y C, 43 km.
distancia entre A y C, 38, 5 km.
10. Existe mas de un numero, por ejemplo, 514 y 325

Departamento de Matematica

13

14

Departamento de Matematica

Captulo 1. Matrices y Sistemas de Ecuaciones

Captulo 2
Espacios y Subespacios Vectoriales
2.1.

Espacios Vectoriales

Definicion 21 Un Espacio Vectorial sobre R es un conjunto V 6= sobre el que hay definidas dos
operaciones
1. Adicion.
: V V V
(u, v) u v
Verificando las siguientes propiedades:
a) Conmutativa: u v = v u, u, v V .
b) Asociativa: (u v) w = u (v w) , u, v, w V .
c) Elemento neutro: V tal que u = u = u, u V .
d) Elemento opuesto: u V , u V tal que u ( u) = ( u) u = .
se dice inverso aditivo.
2. Producto por escalar.
: RV V
(, u) u
Verificando las siguientes propiedades:
a) 1 u = u, u V.
b) ( u) = () u, , R, u V .
c) ( + ) u = u u, , R, u V .
d) (u v) = u v, R, u, v V.
Nota 7 Los elementos de un espacio vectorial se llaman Vectores.
Departamento de Matematica

16

Captulo 2. Espacios y Subespacios Vectoriales


Ejemplo 6 Son espacios vectoriales, con las operaciones que se indican, los siguientes conjuntos:
1. El conjunto de las n uplas de numeros reales
Rn = {x = (x1 , x2 , ..., xn ) : xi R, i = 1, 2, ..., n}
con las operaciones
x+y = (x1 + y1 , x2 + y2 , ..., xn + yn )
x = (x1 , x2 , ..., xn )
2. El conjunto de las matrices de orden n m:
Mnm (R) = {A = (aij ) : aij R, 1 i n, 1 j m}
con las operaciones suma de matrices y producto por escalar.
3. El conjunto de los polinomios con coeficientes reales de grado menor o iguala n.
Pn (R) = {p(x) = a0 + a1 x + a2 x2 + ... + an xn : ai R i = 0, 1, ..., n}
con las operaciones
p(x) + q(x) = (a0 + a1 x + a2 x2 + ... + an xn ) + (b0 + b1 x + b2 x2 + ... + bn xn )
= (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 x2 + ... + (an + bb )xn
p(x) = (a0 ) + (a1 )x + (a2 )x2 + ... + (an )xn
4. El conjunto de las funciones reales:
F(R) = {f : R R}
con las operaciones suma de funciones y producto por escalar.
Propiedades 6 Sea V un espacio vectorial, entonces
1. 0 u = .
2. (1) u = u.
para todo u V .

2.2.

Subespacios Vectoriales

Definicion 22 Se llama subespacio vectorial, de un espacio V a cualquier subconjunto no vaco


S V que es espacio vectorial con las mismas operaciones definidas sobre V y se denota por
S V.
Departamento de Matematica

2.2 Subespacios Vectoriales

17

Teorema 4 Si V es un espacio vectorial y S V , S 6= , entonces

u, v S
u + v S,
SV

u S, R, u S
Corolario 1 Si V es un espacio vectorial y S V , S 6= , entonces
S V u + v S, , R, u, v S
Corolario 2 Sea V un espacio vectorial y S V entonces 0 S.
Nota 8 Sea V un espacio vectorial, S V y 0 S, esto no implica que S es subespacio vectorial
de V .
Por ejemplo, sean V = R2 , S = {(x, y) R2 : y = x2 } y 0 S, pero S  V , pues el vector
u = (1, 1) S , = 2 R y u = 2(1, 1) = (2, 2)
/ S, entonces falla la segunda condicion del
Teorema 4.
Ejemplo 7 .
1. En todo espacio vectorial V , el conjunto {0} es un subespacio vectorial llamado subespacio
trivial.
2. Sea F(R) = {f : R R} el espacio vectorial de las funciones reales. Son subespacios
vectoriales
S1 = {f F(R) : f (0) = 0},
S3 = {f F(R) : f es acotada},

S2 = {f F(R) : f es continua}
S4 = {f F(R) : f es derivable}

y no lo son
S5 = {f F(R) : f (x) > 0, x R},

S6 = {f F(R) : |f (x)| 1, x R}

3. Sea Pn (R) el espacio de los polinomios de grado menor o igual a n. Son subespacios vectoriales
S1 = {p(x) Pn (R) : p0 (0) = 0},

S2 = {p(x) Pn (R) : a0 = a1 = 0}

no son subespacios vectoriales


S3 = {p(x) Pn (R) : gr(p) = 4},

S4 = {p(x) Pn (R)) : gr(p) par}

gr(p) es el grado de p(x).


4. Sea Mn (R) el espacio de las matrices cuadradas de orden n.
a) El subconjunto de la matrices simetricas es un subespacio vectorial.
Departamento de Matematica

18

Captulo 2. Espacios y Subespacios Vectoriales


b) El subconjunto de las matrices invertibles (Regulares) y el subconjunto de las matrices
no invertibles (Singulares) no son subespacios vectoriales.
c) El conjunto de soluciones del sistema Ax = 0, A Mnm (R), es un subespacio
vecrorial de Rm .
d) Son subespacios vectoriales de M2 (R)



0 a
S1 =
: a, b R
b 0


S2 =

0 a
a 0


:aR

y no es




0 1
:aR
a 0

S3 =

Definicion 23 Sea V un espacio vectorial. Se dice que v V es combinacion lineal de los vectores {v1 , v2 , ..., vn } V , si existen 1 , 2 , ..., n R tales que
v=

n
X

i vi

i=1

Ejemplo 8 .
1. En R3 , el vector v = (1, 2, 3) es combinacion lineal de v1 = (1, 1, 1), v2 = (2, 4, 0) y
v3 = (0, 0, 1). En efecto, se plantea la ecuacion vectorial
(1, 2, 3) = (1, 1, 1) + (2, 4, 0) + (0, 0, 1)
que es equivalente al sistema de ecuaciones
+ 2
= 1
+ 4
= 2

+ = 3
cuya solucion es = 0, =

1
2

y = 3. As,

1
(1, 2, 3) = 0(1, 1, 1) + (2, 4, 0) + 3(0, 0, 1)
2
por tanto v es combinacion lineal de v1 , v2 , v3 .




1 0
1 1
2. En M2 (R), la matriz A =
no es combinacion lineal de A1 =
y
2 4
2 2


3 2
A2 =
. Se plantea la ecuacion matricial
3 5






1 0
1 1
3 2
=+
+
2 4
2 2
3 5
Departamento de Matematica

2.2 Subespacios Vectoriales

19

que es equivalente al sistema de ecuaciones


+ 3
+ 2
2 + 3
+

=
=
=
=

1
0
2
4

el cual no tiene solucion, luego A no es combinacion lineal de {A1 , A2 }.


Definicion 24 (Dependencia e Independencia Lineal)
Sea V un espacio vectorial. Se dice que el conjunto de vectores {v1 , v2 , ..., vn } V es linealmente
dependiente (l.d) si y solo si existen 1 , 2 , ..., n R, con algun i 6= 0, tales que
n
X

i vi = 0

i=1

En caso contrario, se dice que el conjunto {v1 , v2 , ..., vn } es linealmente independiente (l.i).
Nota 9 Para estudiar si un conjunto de vectores {v1 , v2 , ..., vn } es l.i o l.d, se plantea el sistema
de ecuaciones
n
X
i vi = 0
i=1

y se estudian sus soluciones. Si el sistema admite una solucion no nula, entonces el conjunto es l.d
y si solo admite la solucion nula, entonces el conjunto es l.i.
Ejemplo 9 .
1. En R4 , los vectores v1 = (1, 0, 1, 2), v2 = (1, 1, 0, 1) y v3 = (2, 1, 1, 1) son l.i., pues, la
ecuacion vectorial
v1 + v2 + v3 = 0
es equivalente al sistema
+ + 2
+

2 + +

=
=
=
=

0
0
0
0

cuya solucion es = = = 0.
2. En R4 , los vectores v1 , v2 y v3 , del ejemplo anterior y v4 = (2, 1, 1, 1) son l.d.,pues, el
sistema vectorial
v1 + v2 + v3 + v4 = 0
Departamento de Matematica

20

Captulo 2. Espacios y Subespacios Vectoriales


es equivalente al sistema de ecuaciones
+ + 2 +
+

2 + + + 4

=
=
=
=

0
0
0
0

que admite soluciones no nulas y el conjunto solucion es


S = {(2, , , ) : R}
Para = 1, una solucion es (2, 1, 1, 1).
Propiedades 7 En un espacio vectorial V se cumplen las siguientes propiedades:
1. {v} es l.d. si y solo si v = 0.
2. 0 A V entonces A es l.d.
3. {u, v} es l.d. si y solo si u = v, R.
4. A l.i. y B A entonces B es l.i.
5. A l.d y A B entonces B es l.d.
6. A es l.d. si y solo si existe v A que es combinacion lineal de A\{v}.
7. A es l.i. si y solo si no existe v A que es combinacion lineal de A\{v}.
Lema 1 Sea V un espacio vectorial y A = {v1 , v2 , ..., vn } V , entonces
( n
)
X
hAi =
i vi : i R
i=1

es un subespacio vectorial de V , que se llama Subespacio Generado por A. El conjunto A se


llama sistema de generadores de hAi.
Ejemplo 10 .
1. Si V = R3 y A = {(1, 0, 1), (1, 1, 1)}, determinar el subespacio W = hAi.

SOLUCION.
Sea v = (x, y, z) W entonces (x, y, z) = (1, 0, 1) + (1, 1, 1), as, tenemos el sistema
de ecuaciones
x = +
y =

z =
Departamento de Matematica

2.2 Subespacios Vectoriales

21

donde , R. Estas ecuaciones se llaman Ecuaciones Parametricas de W . Resolviendo


el sistema para y , tenemos

1 1 x
1 1
x
1 1
x

0 1 y

f3 =f3 f1 0
y f3 =f3 +2f2 0 1
y
1
1 1 z
0 2 z x
0 0 z x + 2y
entonces, el sistema tiene solucion si
x 2y z = 0
que se llaman Ecuaciones Implcitas. El subespacio vectorial W es
W = {(x, y, z) R3 : x 2y z = 0}
Los vectores que pertenecen a W deben satisfacer las ecuaciones implcitas. Por ejemplo
(3, 1, 1) W , pero (1, 2, 1)
/ W.
2. Sea V = R4 y A = {(1, 1, 1, 1), (1, 2, 1, 3)}. Determinar W = hAi.

SOLUCION
Sea v = (x, y, z, t) W entonces (x, y, z, t) = (1, 1, 1, 1) + (1, 2, 1, 3), el sistema
de ecuaciones asociado es
x
y
z
t

=
=
=
=

+
+ 2

+ 3

Resolviendo para y , tenemos x 2y 3z = 0 y x + 4y 3t = 0. El subespacio vectorial


W es
W = {(x, y, z, t) R4 : x 2y 3z = 0 x + 4y 3t = 0}
Los vectores que pertenecen a W deben satisfacer ambas ecuaciones. En particular, el sistema de generadores.
Definicion 25 (Base de un Espacio Vectorial)
Se llama base de un espacio vectorial (o subespacio vectorial) a cualquiera de sus sistemas de
generadores de vectores linealmente independientes.
Teorema 5 Todo espacio vectorial V 6= {0} (o subespacio vectorial) con un sistema de generadores finito tiene al menos una base.
Definicion 26 (Coordenadas Respecto de una Base)
Sea B = {v1 , v2 , ..., vn } una base de V , entonces para todo v V se tiene
v = 1 v1 + 2 v2 + ... + n vn =

n
X

i vi

i=1

Se llaman Coordenadas de v respecto de la base B a la n-upla (1 , 2 , ..., n ) Rn y se escribe


v = (1 , 2 , ..., n )B
Departamento de Matematica

22

Captulo 2. Espacios y Subespacios Vectoriales


Lema 2 En un espacio vectorial, las coordenadas de un vector respecto de una base finita son
u nicas.
Ejemplo 11 (Bases Canonicas)
En cada uno de los siguientes espacios vectoriales, la base canonica es la que se indica.
1. En Rn ,
Bc = {e1 = (1, 0, 0, ..., 0), e2 = (0, 1, 0, ..., 0), ..., en = (0, 0, 0, ..., 1)}
2. En Mnm (R),

Bc = E1 = ..

0
0
.. . .
.
.
0

0
0
0
0

.. , E2 = ..
.
.
0
0

1
0
.. . .
.
.
0

0
0
0
0

.. , ..., Enm = ..
.
.
0
0

0
0
.. . .
.
.
0

..
.

3. En Pn (R),
Bc = {1, x, x2 , ..., xn }
Nota 10 Sea V = Rn y A = {v1 , v2 , ..., vn } V . Si se representa tambien por A la matriz cuyas
filas son los vectores de A y Ar la matriz escalonada asociada a A, entonces una base para hAi
esta formada por los vectores correspondientes a las filas no nulas de Ar .
Ejemplo 12 .
1. Si A = {(1, 3, 4), (2, 1, 1), (3, 2, 5), (5, 15, 20)} R3 , entonces

1
1 3 4
1 3 4
1 3 4

2 1 1

f2 =f2 2f1 0 7 7 0 7 7

f3 =f3 f2
f2 = 71 f2 0
3 3f1
0
3 2 5 ff34 =f

0 7 7
0 0 0
=f4 5f1
5 15 20
0 0 0
0 0 0
0

3
1
0
0

4
1

0
0

As, una base para hAi es B = {(1, 3, 4), (0, 0, 1)}. Usando definicion 26, calculamos las
coordenadas de v = (2, 1, 1):
(2, 1, 1) = (1, 3, 4) + (0, 1, 1)
entonces = 2 y = 7, por lo tanto v = (2, 7)B .
Las ecuaciones parametricas e implcitas de hAi son
x =
y = 3 +
z = 4 +
y
x+yz =0
por lo tanto
hAi = {(x, y, z) R3 : x + y z = 0}
Departamento de Matematica

2.2 Subespacios Vectoriales

23

2. Sea A = {pp1 = 1 x3 , p 2 = x x3 , p 3 = 1 x, p 4 = 1 + x 2x3 } , describa el espacio


hAi.
Nota 11 Todo polinomio p(x) Pn (R) se representa como un vector en Rn+1 , esto es,
p(x) = a0 + a1 x + a2 x2 + ... + an xn = (a0 , a1 , a2 , ..., an )
As, A = {(1, 0, 0, 1), (0, 1, 0, 1), (1, 1, 0, 0), (1, 1, 0, 2)}, entonces

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


0 1 0 1

f3 =f3 f1 0 1 0 1 f3 =f3 +f2 0 1 0 1


1 1 0 0 f4 =f4 f1 0 1 0 1 f4 =f4 f2 0 0 0 0
0 0 0 0
0 1 0 1
1 1 0 2
Una base para hAi es
B = {qq 1 = 1 x3 , q 2 = x x3 }
Sea p = a + bx + cx2 + dx3 = (a, b, c, d), las ecuaciones parametricas e implcitas de hAi,
son
a
b
c
d

=
=
=
=

y
a+b+d = 0
c = 0
por lo tanto
p(x) = a + bx + cx2 + dx3 : a + b + d = 0 c = 0}
hAi = {p(x)
3. Sea

A=











1 1
0 0
2 2
3 3
1 1
M1 =
, M2 =
, M3 =
, M4 =
, M5 =
0 1
1 1
2 2
5 3
3 1

Los elementos de A se representan como vectores en R4 como sigue


A = {M1 = (1, 1, 0, 1), M2 = (0, 0, 1, 1), M3 = (2, 2, 2, 2), M4 = (3, 3, 5, 3), M5 = (1, 1, 3, 1)}
entonces

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

2 2 2 2 ... 0 0 0 1

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

as, una base para hAi









1 1
0 0
0 0
B = N1 = (1, 1, 0, 0) =
, N2 = (0, 0, 1, 0) =
, N3 = (0, 0, 0, 1) =
0 0
1 0
0 1
Departamento de Matematica

24

Captulo 2. Espacios y Subespacios Vectoriales


Sea M una matriz arbitraria en hAi, entonces


a b
M=
= (a, b, c, d)
c d
Ahora, las ecuaciones parametricas e implcitas de hAi, son
a
b
c
d

=
=
=
=

y
a+b=0
Por lo tanto





a b
hAi = M =
:a+b=0
c d

Propiedades 8 Si V 6= {0} es un espacio vectorial con una base formada por n vectores, entonces
cualquier subconjunto de V con n + 1 vectores es linealmente dependiente.
Teorema 6 Todas las bases de un espacio vectorial V 6= {0} tienen el mismo numero de elementos
(cardinal).
Definicion 27 (Dimension de un Espacio Vectorial)
Se llama dimension de un espacio vectorial V 6= {0}, que se denota por dimV , al numero de
elementos de cualquiera de sus bases. La dimension de V = {0} es cero.
Nota 12 Una base de un espacio vectorial V de dimension n esta formado por cualquier conjunto
de n vectores linealmente independientes.
Nota 13 (Interpretacion Geometrica de Subespacios)
Sean V = Rn y S V un subespacio vectorial.
1. Si dimS = 0, S = {0} es un punto (el origen).
2. Si dimS = 1, S = hui es la recta que pasa por el origen con vector direccion u.
3. Si dimS = 2, S = hu, vi es el plano que pasa por el origen con vectores direcionales u y v.
4. Si dimS = n, S = Rn es todo el espacio.
Definicion 28 (Suma e Interseccion de Subespacios)
Sean S y T subespacios vectoriales de V , se define su interseccion y suma como
S T = {v V : v S v T }
S T y S + T son subespacios vectoriales.
Departamento de Matematica

S + T = {u + v : u S v T }

2.2 Subespacios Vectoriales

25

Ejemplo 13 Sean S = {(x, y, z) : z = 0} y T = {(x, y, z) : x z = 0} subespacios vectoriales


de R3 .
1. Una base para S .
u = (x, y, z) S si y = 0, entonces
u = (x, 0, z) = (x, 0, 0) + (0, 0, z)
= x(1, 0, 0) + z(0, 0, 1)
esto es, u h(1, 0, 0), (0, 0, 1)i, por tanto S = h(1, 0, 0), (0, 0, 1)i. Como estos vectores son
l.i., forman una base para S, as,
BS = {(1, 0, 0), (0, 0, 1)}
2. Una base para T .
u = (x, y, z) T si x = z, entonces
u = (x, y, x) = (x, 0, x) + (0, y, 0)
= x(1, 0, 1) + y(0, 1, 0)
esto es, u h(1, 0, 1), (0, 1, 0)i, por tanto T = h(1, 0, 1), (0, 1, 0)i. Como estos vectores son,
l.i., forman una base para T , as,
BT = {(1, 0, 1), (0, 1, 0)}
3. Una base para S T .
u S T si x = z e y = 0, entonces
u = (x, y, z) = (x, 0, x) = x(1, 0, 1), esto es, S T = h(1, 0, 1)i as,
BST = {(1, 0, 1)}
4. Una base para S + T .
S + T esta generado por la union de una base de S y una base de T , esto es,
S + T = h(1, 0, 0), (0, 0, 1), (1, 0, 1), (0, 1, 0)i
entonces,

1
0

0
1

0
0
1
0

0
1

1 0
f4 =f4 f1
0
0
1
0

0
0
1
0

1
0

1 0
f4 =f4 f2
0
0
0
1

0
0
1
0

0
1

0
0

As,
BS+T = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Por tanto, por (4)
(4), Nota 13, S + T = R3 .
La representacion de un vector de S T como suma de un vector de S y uno de T no es
unica.
Por ejemplo

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


= (3, 0, 3) + (2, 1, 2)
donde, en cada suma, el primer vector pertenece a S y el segundo a T .
Departamento de Matematica

26

Captulo 2. Espacios y Subespacios Vectoriales


Definicion 29 (Suma Directa de Subespacios)
Si S y T son dos subespacios vectoriales de V , se dice que S + T es Suma Directa de S y T , que
se representa por S T , si es u nica la expresion de cada vector de la suma como un vector de S
mas otro de T .
Teorema 7 Sean S y T subespacios vectoriales de V . Entonces
S T S T = {0}
Teorema 8 (Formula de la Dimension)
Sean S y T subespacios vectoriales de V . Entonces
dim(S + T ) = dimS + dimT dim(S T )
Definicion 30 Dos subespacios S y T de V se dicen Suplementarios si V = S T .
Ejemplo 14 Sean
S = {p P2 (R) : p(1) = p(5) = 0}
T = {p P2 (R) : p0 (5) = 0}
subespacios de P2 (R). Probar que S T = P2 (R).

SOLUCION.
Sea p(x) = a + bx + cx2
1. Base para S.
p(1) = a b + c = 0
p(5) = a + 5b + 25c
Resolviendo el sistema, tenemos que b = 4c y a = 5c, entonces
p(x) = 5c 4cx + cx2 = c(5 4x + x2 )
por tanto
BS = {5 4x + x2 } dim(S) = 1
2. Base para T .
p0 (x) = b + 2cx
p0 (5) = b + 10c = 0 b = 10c
Entonces
p(x) = a 10cx + cx2 = a 1 + c(10x + x2 ) p(x) h{1, 10x + x2 }i
Estos vectores son l.i., por tanto
BT = {1, 10x + x2 } dim(T ) = 2

Departamento de Matematica

2.3 Ejercicios

27

3. Base para S + T .
S + T = h{1, 10x + x2 , 5 4x + x2 }i
Por Nota 11, todo polinomio de grado menor o igual a dos se representa por un vector en
R3 .
Entonces
S + T = h{(1, 0, 0), (0, 10, 1), (5, 4, 1)}i
Estos vectores son l.i., si la matriz formada por estos vectores escritos como filas tiene
determinante distinto de cero. As,


1

0
0


0 10 1 = 6 6= 0


5 4 1
Por lo tanto
BS+T = {(1, 0, 0), (0, 10, 1), (5, 4, 1)} dim(S + T ) = 3
Por Nota 13, S + T = P2 (R), por la formula de la dimension dim(S T ) = 0 entonces
S T = {0}, por tanto, por Teorema 7
S T = P2 (R)

2.3.

Ejercicios

1. En R2 se definen las siguientes operaciones


(x1 , y1 )

L
(x2 , y2 ) = (x1 + x2 , y1 + y2 )

(x, y) = (x, y)

Es un espacio vectorial?
2. cuales de los siguientes subconjuntos de R3 o P3 (R) son subespacios vectoriales?
a) S = {(x, y, z) : y = 0}
b) S = {(x, y, z) : x + y + z = 0}
c) S = {(x, y, z) : x + z = 1}
d) S = {(x, y, z) : x + z = 0}
e) S = {(x, y, z) : x + z 0}
f ) S = {(x, y, z) : xy = 0}
g) S = {p(x) = x3 + ax + b, a, b R}
h) S = {p(x) = ax3 + b, a, b R}
Departamento de Matematica

28

Captulo 2. Espacios y Subespacios Vectoriales


3. Estudiar la dependencia o independencia lineal de los siguientes conjuntos conjuntos de
vectores en R3 .
a) {(0, 1, 0), (1, 1, 1), (1, 0, 1)}
b) {(0, 0, 1), (1, 1, 0), (1, 0, 0)}
c) {(1, 0, a), (a, 1, 0), (0, a, 1)}
d) {(1, 0, a), (a, 1, 0), (a, 0, 1)}
4. Estudiar la dependencia o independencia lineal de los siguientes conjuntos conjuntos de
vectores en P2 (R).
a) {1, 1 + x, 1 + x + x2 }
b) {x, x2 , x + x2 }
c) {1 x2 , 1 + x, x2 x, x + x2 }
d) {1 + x2 , 2 + x2 }
5. Sean f, g, h : {a, b, c} R definidas por: f (a) = 0, f (b) = f (c) = 1; g(a) = g(c) = 1,
g(b) = 0; h(a) = h(b) = 1, h(c) = 0. Estudiar la dependencia o independencia lineal del
conjunto {f, g, h}.
6. Determinar si los siguientes conjuntos de vectores son l.d. o l.i. En caso de ser l.d., encontrar
una combinacion lineal entre ellos y un subconjunto con un numero maximo de vectores l.i.
a) {(3, 5, 1), (2, 1, 3)}
b) {(1, 2, 3), (1, 3, 2), (0, 1, 1)}
c) {(1, 0, 1, 0), (2, 1, 3, 1), (0, 1, 1, 1), (2, 2, 4, 2)}
d) {1 + 3x + 4x2 , 4 + x2 , 3 + x + 2x2 }
7. Para que valores de a el conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)} es base de R3 ?. Para
a = 2, calcular las coordenadas de vector v = (1, 1,3) respecto a dicha base.
8. En P3 (R) se considera la base B = {1, 1 x, (1 x)2 , (1 x)3 }. Hallar las coordenadas
del polinomio p(x) = 2 3x + x2 + 2x3 respecto a dicha base.
9. En P2 (R) se considera el conjunto B = {1, x + 3, (x + 3)2 }. Probar que es una base y hallar
las coordenadas del polinomio p(x) = a + bx + cx2 respecto a dicha base.
10. Los vectores (1, 1, 0) y (2, 3, 1) pertenecen al conjunto h(2, 5, 1), (3, 4, 1), (5, 9, 2)i?
11. Determinar a y b tal que el vector (2, a, 3, b) pertenezca al conjunto h(2, 3, 1, 5), (0, 2, 1, 3)i.
12. Sean los conjuntos: A = {(1, 0, 1), (1, 1, 0), (0, 1, 1)}, B = {(2, 1, 1), (1, 2, 1)} y C =
{(2, 1, 1), (1, 1, 0)}. Pruebe que A y B generan el mismo subespacio y e ste no coincide
con el generado por C.
13. Hallar una base para el espacio vectorial generado por

Departamento de Matematica

2.3 Ejercicios

29
h(3, 2, 0, 5), (1, 0, 3, 4), (2, 2, 3, 1), (0, 2, 9, 17)i

14. Encontrar la dimension y una base del espacio vectorial



V =

a + b + 3c
2a b
a c a + 2b + 5c


: a, b, c R

15. El conjunto solucion de los siguientes sistemas


a)

x+y = 0
z+t = 0

b)

x+y = 1
z+t = 1

son subespacios vectoriales de R4 . En caso afirmativo, determine una base.


16. En R3 , sean S = {(x, y, z) : x = z} y T = {(x, y, z) : x = z y}
a) Probar qu S y T son subespacios vectoriales de R3 .
b) Encontrar una base para S.
c) Probar que BT = {(0, 1, 1), (1, 1, 0)} es una base de T y hallar las coordenadas del
vector (2, 1 1) T respecto a dicha base.
17. En R4 se consideran los subespacios vectoriales:
S = h{(1, 0, 1, 1), (1, 1, 1, 0), (0, 1, 2, 1)}i
T = {(x, y, z, y) : x z t = 0, y + z = 0}
Encontrar una base para S + T y S T .
18. En P3 (R) se consideran los conjuntos
S = {p(x) : p(1) = 0} y T = {p(x) = ax3 + bx2 + (a + b)x + 2b : a, b R}
a) Pruebe que S y T son subespacios vectoriales
b) Determinar S + T y S T .
19. En M22 (R) se consideran los subespacios vectoriales

U=

a b
b a


: a, b R


y V =

a b
c a


: a, b, c R

Hallar la dimension y una base de los subespacios U, V, U + V y U V .


20. En R3 considere los subespacios vectoriales:
U = {(x, y, z) : z = 0} y W = h(0, 1, 1), (2, 0, 1), (2, 1, 2)i
Hallar la dimension de los subespacios U, W, U + W y U W .
Departamento de Matematica

30

Captulo 2. Espacios y Subespacios Vectoriales


21. En R4 considere los subespacios vectoriales
S = h(1, 0, 2, 1), (0, 1, 2, 0), (2, 1, 6, 2)i y
T = h(1, 1, 4, 1), (1, 0, 0, 1), (1, 2, 2, 1)i
Probar que dim(S + T ) = 3 y que dim(S T ) = 2
22. En R3 se considere los subespacios
U = {(a, b, c) : a = c, a, b, c R}
V = {(0, 0, c) : c R}
W = {(a, b, c) : a + b + c = 0, a, b, c R}
Probar que R3 = U + V = U + W = V + W . Cual de las sumas es directa?.
23. En R4 considere los subespacios vectoriales
S = h(1, 0, 1, 0), (2, 1, 0, 2), (0, 1, 2, 2)i y T = h(1, 1, 1, 0), (1, 1, 1, 2)i
Es S + T suma directa?. Hallar una base para esta suma.
SOLUCIONES
1. No
2. (a),(b),(d) y (h) Si; el resto No.
3. (a) l.d.; (b) l.i.; (c) l.d. si a = 1, y l.i. si a 6= 1; (d) l.i. si a 6= 1 y l.d. si a = 1
4. (a) y (d) l.i.; (b) y (c) l.d.
5. Son l.i.
6.

a) l.i.
b) l.d., {v1 = (1, 2, 3), v2 = (1, 3, 2)} es l.i y v3 = (0, 1, 1) = v1 v2
c) l.d., {v1 = (1, 0, 1, 0), v2 = (0, 1, 1, 1)} es l.i. y v3 = (2, 1, 3, 1) = 2v1 + v2 y
v4 = (2, 2, 4, 2) = 2v1 + 2v2
d) l.d., {p1 (x) = 1 + 3x + 4x2 , p2 (x) = 4 + x2 } es l.i., y p3 (x) = 3 + x + 2x2 =
1
p (x) + 23 p2 (x)
3 1

7. Es base para a 6= 0 y a2 6= 2. Para a = 2, v = ( 21 , 0, 32 )B .


8. p(x) = 2 3x + x2 + 2x3 = (2, 5, 7, 2)B .
9. p(x) = a + bx + cx2 = (a 3b + 9c, b 6c, c)B .
10. (1, 1, 0) = (2, 5, 1) + (3, 4, 1) pertenece y (2, 3, 1) no pertenece.
Departamento de Matematica

2.3 Ejercicios
11. a = 1 y b = 11.
12. hAi = hBi = h{(1, 0, 1), (0, 1, 1)}i = S y hCi 6= S pues los generadores de S no
satisfacen la ecuacion implcita de hCi o el vector (1, 1, 0) 6 S.
13. Una base es B = {(3, 2, 0, 5), (0, 29, 7), (0, 0, 3, 4)}

 

1 2
0
3
14. dimV = 2 y una base es B =
,
1 1
1 1
15.

a) S, es un subespacio vectorial de dimension 2 y una base {(1, 1, 0, 0), (0, 0, 1, 1)}


b) No es subespacio vectorial

16.

b) BS = {(1, 0, 1), (0, 1, 0)} y u = (a, b, a) = (a, b)BS


c) (2, 1 1) = (1, 2)BT

17. BS+T = {(1, 0, 1, 1), (0, 1, 0, 1), (0, 0, 1, 0)} y BST = {(3, 1, 1, 2)}
b) BS = {(1, 1, 0, 0) = 1 + x, (1, 0, 1, 0) = 1 + x2 , (1, 0, 0, 1) = 1 + x3 }
BT = {(0, 1, 0, 1) = x + x3 , (2, 1, 1, 0) = 2 + x + x2 }
BST = {(2, 2, 1, 1) = 2 + 2x + x2 + x3 }
S + T = P3 (R)

 

0 1
1 0
19. dim(U ) = 2 y BU =
,
0
1

 1
 0 

1 0
0 1
0 0
dim(V ) = 3 y BV =
,
,
0 1
0 0
1 0
dim(U + V ) = 4, luego U +
V = M12
R
y
una
base es la canonica (usual).

0 1
dim(U V ) = 1 y BU V =
1 0

18.

20. dim(U ) = 2 y BU = {(1, 0, 0), (0, 1, 0)}


dim(W ) = 2 y BW = {(2, 0, 1), (0, 1, 1)}
dim(U + W ) = 3, luego U + W = R3 y BU +W = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
dim(U W ) = 1 y BU W = {(2, 1, 0}
21. Usar formula de la dimension
22. R3 = U V = V W y la suma U W no es directa.
23. La suma no es directa. BS+T = {(1, 0, 1, 0), (0, 1, 2, 2), (0, 0, 1, 1)}

Departamento de Matematica

31

32

Departamento de Matematica

Captulo 2. Espacios y Subespacios Vectoriales

Captulo 3
Transformaciones Lineales y
Diagonalizacion
3.1.

Transformaciones Lineales

Definicion 31 Sean V y W espacios vectoriales reales. Una aplicacion f : V W se llama


Transformacion Lineal (T.L.) si
1. f (u + v) = f (u) + f (v), u, v V .
2. f (u) = f (u), u V , R.
Nota 14 Estas dos condiciones son equivalentes a la u nica condicion
f (u + v) = f (u) + f (v), u, v V, , R.
Ejemplo 15 .
1. Las siguientes aplicaciones , f : R2 R2 , son T.L.:
u) = u
u, R.
a) f (u
b) f (x, y) = (x, 0).
c) f (x, y) = (x, y).
u) = Au
u es una T.L. Para que
2. Si A Mmn (R), la aplicacion f : Rn Rm definida por f (u
u, el vector u se escribe como columna.
tenga sentido el producto Au
3. La aplicacion f : Mnm (R) Mmn (R) definida por f (A) = At es una T.L.
Propiedades 9 Si f : V W es una T.L., se cumple:
1. f (0) = 0.
2. f (u) = f (u).
3. S V f (S) W .
Departamento de Matematica

34

Captulo 3. Transformaciones Lineales y Diagonalizacion


4. T W f 1 V .
Nota 15 Si f (0) = 0, No Implica que f es una T.L.
Pues, para la aplicacion f (x) = x2 tenemos que f (0) = 0.
Ahora, sean x1 = 1 y x2 = 3
f (x1 + x2 ) = f (1 + 3) = f (4) = 16
f (x1 ) + f (x2 ) = 12 + 32 = 10
Por tanto, no se cumple la condicion (1) de la definicion 31, as f no es una T.L.
Definicion 32 (Nucleo
de una T.L.)

Sea f : V W una T.L. Sea llama Nucleo


de f y se denota Ker(f )), al siguiente subespacio

vectorial de V
Ker(f ) = {v V : f (v) = 0}
Definicion 33 Imagen de una T.L.
Sea f : V W una T.L. Sea llama Imagen de f y se denota Im(f )), al siguiente subespacio
vectorial de W
Im(f ) = {w W : f (v) = w v V }
Proposicion 1 Sea f : V W una T.L. Entonces
1. f es inyectiva si y solo si Ker(f ) = {0}.
2. f es sobreyectiva si y solo si Im(f ) = W .
Proposicion 2 (Dimension del Subespacio Imagen)
Sea f : V W una T.L. Si B = {v1 , v2 , ..., vn } es una base de V , entonces
Im(f ) = hf (v1 ), f (v2 ), ..., f (vn )i
y, en consecuencia dimIm(f ) dimV
Definicion 34 (Matriz de una Tranformacion Lineal)
Sea f : V W una T.L., las bases BV = {v1 , v2 , ..., vn } de V y BW = {w1 , w2 , ..., wm } de W . La
matriz asociada a f de la base BV en BW se obtiene, colocando como columnas, los coeficientes
de la combinacion lineal que representa al vector f (vi ) al escribirlo como combinacion lineal de
los vectores de la base BW , i = 1, 2, ..., n.
W
La denotamos por A = M (f, BV , BW ) o A = [f ]B
BV .
Ejemplo 16
Sea f : P1 (R) P2 (R) una T.L., definida por
f (a + bx) = ax2 + (a + b)x

Departamento de Matematica

3.1 Transformaciones Lineales

35

Calcular A = M (f, BV , BW ) donde BV = {1, 1 x} y BW = {1, x, (1 x)2 }.

SOLUCION
f (1) = f (1 + 0x) = x2 + x, entonces
x2 + x = 1 + x + (1 x)2
= + x + 2x + x2
= + + ( 2)x + x2
lo que nos lleva a resolver el sistema

+ = 0
2 = 1
= 1

entonces = 1, = 3 y = 1.
Ahora, f (1 x) = x2 , entonces
x2 = 1 + x + (1 x)2
= + x + 2x + x2
= + + ( 2)x + x2
El sistema asociado es

+ = 0
2 = 0
= 1

as, = 2, = 2 y = 1.
Por tanto, la matriz es:

1 2
2
A= 3
1
1
Definicion 35 (Matriz Cambio de Base)
Sea V un espacio vectorial de dimension n y sean
B = {v1 , v2 , ..., vn } y B 0 = {v10 , v20 , ..., vn0 }
dos bases de V . Entonces la Matriz Cambio de Base es definida por A = M (Id, B, B 0 ), donde Id
es la aplicacion Identidad.
Teorema 9 (Teorema de la Dimension)
Sea f : V W una T.L. tal que dimV, dimW < , entonces
dimKer(f ) + dimIm(f ) = dimV
Definicion 36 (Rango de una Transformacion Lineal)
Sea f : V W una T.L. El rango de cualquier matriz asociada a f (respecto de bases cualquiera), se dice Rango de la Transformacion Lineal que es constante e igual a la dimension de la
imagen.
Departamento de Matematica

36

Captulo 3. Transformaciones Lineales y Diagonalizacion

3.2.

Ejercicios

1. Estudiar la linealidad de las siguientes transformaciones


a) f (x, y) = (x + y, x y, x)
b) f (x) = (3x, 2x)
c) f (x, y) = (x + y, 1)
d) f (x, y) = xy
e) f (x, y) = (xcos() ysen(), xsen() + ycos()), con 0 < 2.
f ) f (a, b, c) = a + bx + cx2
2. Estudiar la linealidad de las siguientes transformaciones
a) f : Mnn (R) {A Mnn (R) : A = At } definida por f (A) =

A+At
.
2
t

b) f : M22 (R) {A M22 (R) : A = At } definida por f (A) = AA


c) f : Pn (R) Pn (R) definida por f (p(x)) = p(x + 1).
d) f : Pn (R) Pn (R) definida por f (p(x)) = p(x) + 1.

3. Sea f : R3 R3 la aplicacion lineal cuya matriz, respecto a la base canonica {e1 , e2 , e3 } es

1 3 2
A = 0 1 1
2 1 0
Calcular f (e1 ), f (e2 ), f (e3 ) y f (e1 + 2e2 e3 ).
4. Sea f : R3 R3 la aplicacion lineal cuya matriz, respecto a la base canonica {e1 , e2 , e3 } es

2 0 1
A = 3 1 1
1 1 1
Encontrar una base de la imagen y del ker.
5. Encuentre la matriz, respecto a las bases usuales, en los correspondientes espacios, de las
siguientes aplicaciones lineales.
a) f : P3 (R) P3 (R) definida por f (1) = x2 + 1, f (x) = x + 2, f (x2 ) = x3 x y
f (x3 ) = 1.
R1
b) f : P3 (R) R2 definida por f (p(x)) = (p(1), 0 p(x)dx)

Departamento de Matematica

3.2 Ejercicios

37
2

6. Sea f : P3 (R) M22 (R) definida por f (a + bx + cx + dx ) =


a
a+b
. Obtener
cd ab

la matriz de la aplicacion lineal, su imagen y su nucleo (ker).


7. Sea f : R3 R3 una aplicacion lineal tal que f (0, 0, 1) = (2, 5, 3) y f (v) = 3v, para
todo v S = {(x, y, z) : x + z = 0}. Hallar la matriz de f respecto a la base canonica.

1
2
1
0
1
0

8. Sea f : R3 R4 la aplicacion lineal definida por la matriz A =


1 1
0
1 1 1
a) Hallar el valor de a tal que (1, a, a, 0) Imf .
b) Em R3 considere el subespacio U con base BU = {(1, 1, 1), (1, 1, 0)} y en R4 el subespacio V con base BV = {(1, 0, 0, 1), (1, 1, 1, 1), (2, 0, 1, 1)}. Hallar la matriz de
f : U V respecto a estas bases.
9. Hallar las matrices cambio de base de B1 en B2 (esto es, A = M [id, B1 , B2 ]), en los siguientes casos.
a) B1 = {(1, 1), (3, 1)} y B2 = {(1, 0), (0, 1)}
b) B1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y B2 = {(2, 3, 4), (1, 2, 6), (1, 3, 5)}
10. Sea V un espacio vectorial real de dimension 3, y sean B = {e1 , e2 , e3 } y B 0 = {e01 , e02 , e03 }
dos bases de V relacionadas por la ecuaciones
e01 = 2e1 e2 e3

e02 = e2

e03 = 2e2 + e3

Encontrar los vectores de V que tienen las mismas coordenadas respecto a ambas bases.
11. Sea f : R3 R3 una aplicacion lineal tal que f (1, 1, 1) = (1, 1, 0), f (1, 1, 1) = (0, 0, 1)
y f (1, 2, 1) = (0, 0, 0).
a) Hallar la matriz de f respecto a la base canonica.
b) Hallar la matriz de f respecto a la base B = {(1, 1, 1), (1, 1, 1), (1, 2, 1)}
12. Sea B = {e1 , e2 , e3 } la base canonica de R3 y f : R3 R3 definida por
f (e1 ) + f (e2 ) = ae1 + (a + 1)e2 + e3
f (e1 ) + f (e3 ) = e1 + ae2 + 2e3
f (e3 ) = e1 + e3
a) Hallar la matriz de f respecto a B. Para que valores de a es f biyectiva?.
b) Si a = 1, considere el subespacio W = h{(1, 1, 0), (2, 0, 1)}i. Es kerf W = R3 ?.
Es Imf kerf = R3 ?.
c) Si a = 2, Sea B 0 = {e1 e2 , e3 , 2e2 + e3 }. Probar que B 0 es una base de R3 y hallar la
matriz de f respecto a B 0 .
Departamento de Matematica

38

Captulo 3. Transformaciones Lineales y Diagonalizacion

1 2
13. Sea f : R2 R3 tal que A = M (f, B1 , B2 ) es dada por A = 1 1, donde
1 3
B1 = {(1, 1), (1, 1)} y B2 = {(1, 2, 1), (1, 0, 1), (1, 2, 1)}
Encontrar f .
14. Sea f : R3 R3 definida por
f (a, b, c) = (a + b + c, a b + 2c, 3b c)
a) Pruebe que f es invertible
b) Encuentre A = M (f, Bc , B) donde Bc es la base canonica y B = {(1, 1, 0), (1, 1, 1), (2, 1, 0)}.
15. Sea f : P3 (R) P3 (R) definida por f (p(x)) = p0 (x) xp00 (x) y sean
B1 = {1 x2 , 1 + x2 , 1 x3 , 2 + x} y B2 = {1, x3 + x2 , x3 x2 , 1 2x}
Hallar A = M (f, B1 , B2 ), A = M (f, B2 , B1 ) y la matriz cambio de base de B1 en B2 .
SOLUCIONES

1. (a), (b) y (e) S, el resto No.


2. (a) y (c) Si; el resto No.
3. f (e1 ) = (1, 0, 2), f (e2 ) = (3, 1, 1), f (e3 ) = (2, 1, 0) y f (e1 + 2e2 e3 ) = (5, 1, 0)
4. {(1, 1, 1), (0, 1, 1)} es base de la imagen y {(1, 1, 2)} base del ker.
5. las matrices son

1
0
(a) A =
1
0

1
1
6. A =
0
1

7. A = 5
0
Departamento de Matematica

2 0 1


1 1 0
1
1
(b) A = 1 1
0 0 0
1 1/2 1/3 1/4
0 1 0

0 0



0 0
a
a
+
b
, Imf =
: a, b, c R
, kerf = h{x2 + x3 }i.
1 1
c ab
0 0

0 2
3 5
0 3
0
1
0
1

3.3 Diagonalizacion

39

1 0
8. (a) a = 1/5 (b) A = 1 1
1 1



8 1 1
1 3
9. (a) A =
(b) A = 91 3 6 3
1 1
10 8 1
10. {(0, a, a) : a R}

3 0 3
11. (a) A = 16 3 0 3
3 2 1

12. a) M (f, B, B) = a
1

3 3 0
(b) A = 16 1 1 0
2 2 0

a 1
1 0 y f es biyectiva si a 6= 1
0 1

b) ambas son afirmativas.

4 2 6
3 3
c) M (f, B 0 , B 0 ) = 12 3
1 1 5

3.3.

Diagonalizacion

Definicion 37 Se llama Operador Lineal a una transformacion lineal de un espacio vectorial en


si mismo, esto es,
f :V V
Definicion 38 Un operador lineal f sobre un espacio vectorial V es Diagonalizable si existe una
base B respecto de la cual la matriz D = M (f, B ) es diagonal. La base B esta formada por
los autovectores de una matriz asociada a f respecto a cualquier base.
Identificando el operador con su matriz asociada, una matriz A Mn (R) se dice Diagonalizable
si existe una matriz regular (invertible) P Mn (R) tal que D = P 1 AP . La matriz P esta
formada por los autovectores de A escritos como columnas.
Definicion 39 (Autovalores y Autovectores)
Sea A una matriz asociada a un operador lineal f sobre el espacio vectorial V de dimension n.
Se dice que R es un Autovalor se existe v 6= 00, que se llamara Autovector, si
Av = v (A In )v = 0
Nota 16 .
1. El sistema homogeneo (3.1) tiene solucion no nula si
r(A In ) < n lo que equivale a |A In | = 0
Departamento de Matematica

(3.1)

40

Captulo 3. Transformaciones Lineales y Diagonalizacion


2. Los autovalores de A son las races reales del Polinomio Caracterstico P () = |AIn | =
0 y los autovectores asociados son los vectores v 6= 0 tales que v Ker(A In ).
3. Se llama Espectro de A, que se denota por (A), al conjunto de todos los autovalores.
4. Se llama Subespacio Propio asociado al autovalor a todos sus autovectores asociados
mas el vector nulo, esto es,
S() = {vv : (A In )vv = 0} = Ker(A In )

0 0 1
Ejemplo 17 Sea f : R3 R3 un operador lineal asociado a la matriz A = 4 2 2,
2 0 3
reapecta a la base canonica. El polinomio caracteristico y sus raices, son




0
1



2 = ( 2)2 ( 1) = 0
P () = |A I| = 4 2
2
0
3
entonces = 1 con m(1) = 1 y = 2 con m(2) = 2, donde m() es la multiplicadad de .
El espectro es (A) = {1, 2}
Los subespacios propios asociados a estos autovalores son:


1 0 1
x

y = 0 = {vv : x z = 0 y 2z = 0} = h(1, 2, 1)i


S(1) = v = (x, y, z) : 4 1 2

2 0 2
z


2 0 1
x

S(2) = v = (x, y, z) : 4 0 2 y = 0 = {vv : 2x z = 0} = h(1, 0, 2), (0, 1, 0)i

2 0 1
z
Los autovectores son v1 = (1, 2, 1), v2 = (1, 0, 2) y v3 = (0, 1, 0). As, B = {(1, 2, 1), (1, 0, 2), (0, 1, 0)}.
Por tanto,

1 0 0
D = M (f, B ) = 0 2 0
0 0 2
y

1 1 0
P = 2 0 1
1 2 0
Es facil comprobar que D = P 1 AP
Luego el operador lineal f y la matriz A son diagonalizables.
Teorema 10 Un operador lineal f sobre un espacio vectorial real V , de dimension n, es diagonalizable si y solo si existen n autovalores reales (algunos de ellos pueden se iguales) y una base
formada por los autovectores asociados.
Departamento de Matematica

3.4 Ejercicios

41

Proposicion 3 Autovectores asociados a autovalores distintos son Linealmente Independientes.


Nota 17 (Algoritmo de Diagonalizacion)
Sea f un operador lineal sobre V asociado a la matriz A. El algoritmo para diagonalizar es:
1. Se resuelve la ecuacion P () = |A I| = 0. Si una de sus races no es real, el operador
no es diagonalizable.
2. Para cada autovalor (A) se halla su subespacio propio S(), comprobando que
dimS() = m()
Si algun autovalor no verifica lo anterior, el operador no es diagonalizable.
3. La base respecto en que el operador es diagonal esta formada por los autovalores asociados
a cada autovalor.
Propiedades 10 .
1. El polinomio caracterstico de un operador lineal, respecto a cualquier base, es siempre el
mismo, por tanto, los autovalores del operador son los mismos.
2. El producto de todos los autovalores de una matriz, contando cada cada uno de ellos tantas
veces como lo indica su multiplicidad, es igual al determinantes.
3. Una matriz es Singular ( no invertible) si y solo si = 0 es un autovalor.

3.4.

Ejercicios

1. Hallar los subespacios propios (los generadores) de cada una de la siguientes aplicaciones o
matrices. Que representan geometricamente cada uno de ellos?
(a) f (x, y) = (x, 2y)


1 4
(d) A =
2 3

(b) f (x, y) = (x + y, 0)

(c) f (x, y) = (2x y, x 2y)

2. Hallar los subespacios propios de las siguientes aplicaciones


(a) f (x, y, z) = (x, z, y)
(c) f (x, y, z) = (x y + 3z, y 3z, z)
(b) f (x, y, z) = (x y + 3z, 2y 3z, z)
(d) f (x, y, z) = (x y + z, 2y z, z)
3. Es diagonalizable la aplicacion f (x, y, z) = (z, 0, x)?.
4. Sea Bc = {e1 , e2 , e3 } la base canonica, estudiar la diagonalizacion de la aplicacion
f (e1 e2 ) = (3, 2, 1), f (e1 + e3 ) = (3, 3, 0) y f (3e2 3e3 ) = (4, 3, 1)

2 3
3
5. Sea A = a 1 2.
a 0
1
Departamento de Matematica

42

Captulo 3. Transformaciones Lineales y Diagonalizacion


a) Determinar los valores de a de modo que la matriz A sea diagonalizable.

6.

b) Para a = 0, encontrar la matriz diagonal D y la matriz P tales que D = P 1 AP .

a b 0
a) Determinar a y b tale que A = 0 1 0, sea diagonalizable.
0 0 1
b) Determinar a tales que las siguientes aplicaciones sean diagonalizables.
i. f (x, y, z) = (x 2y (2 + a)z, y + az, z)
ii. f (x, y, z) = (x + a(x y + z), (a + 2)x ay + (a 1)z, 2x y)
Diagonalizar cuando sea posible.

7. Sea f : R4 R4 definida por f (x, y, z, t) = (x, 2x, x, x + ay). Calcular a R tal que f
sea diagonalizable y en estos casos, hallar una base B respecto a la cual la matriz asociada
a f sea diagonal.
8. Diagonalizar la aplicacion f (a + bx + cx2 + dx3 ) = d + cx + bx2 + a3 , donde la matriz
asociada a f es respecto a la base B = {1 + x3 .x + x2 , 1 x3 , x x2 }.
9. Hallar los autovalores y subespacios propios de la aplicacion f : P3 (R) P3 (R) definida
por f (p(x)) = p(x + 1). Es f diagonalizable?.
10. Sea f: M22
(R) M22 (R) una aplicacion definida por f (A) = AF F A donde
1 2
F =
. Se pide:
0 3
a) Hallar la matriz asociada a f respecto a la base canonica.
b) Base del Kerf .
c) Polinomio caracterstico y espectro de f .
d) La base de autovectores, si existe, respecto de la cual la matriz de f es diagonal.
SOLUCIONES

1.

a) S(1) = h(1, 0)i y S(2) = h(0, 1)i


b) S(1) = h(1, 0)i y S(0) = h(1, 1)i

c) S( 3) = h(1, 2 3)i y S( 3) = h(1, 2 + 3)i


d) S(1) = h(2, 1)i y S(5) = h(1, 1)i

2.

a) S(1) = h(1, 0, 0)i


b) S(1) = h(1, 1, 1)i, S(1) = h(1, 0, 0)i y S(2) = h(1, 1, 0)i
c) S(1) = h(1, 0, 0)i y S(1) = h(3, 6, 4)i
d) S(1) = h(1, 0, 0), (0, 1, 1)i y S(2) = h(1, 1, 0)i

Departamento de Matematica

3.4 Ejercicios

43

3. No es diagonalizable, pues tiene autovalores complejos


4. No es diagonalizable, pues dimS(1) 6= m(1)
5.

a) A es diagonalizable si 38 < a < 13 y si a > 31 .

1 0 0
1
0 1
b) D = 0 1 0 y P = 1 1 0
0 0 2
0 1 0

6.

a) A es diagonalizable si a = 1 y b = 0,
en este
a 0

diagonalizable si a 6= 1 y b R con D = 0 1
0 0
b)

casoya es diagonal.
Tambi
en es

0
1 0 b
0 y P = 0 0 a + 1
1
0 1
0

i. Para cualquier a R, no es diagonalizable.

1 0 0
0 1 1
ii. Es diagonalizable si a = 0, en cuyo caso D = 0 1 0 y P = 1 2 0
0 0 1
1 0 2
7. Es diagonalizable si a = 0 y B = {(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1), (1, 2, 1, 1)}

1 0 0
0
0 1 0
0

8. D =
0 0 1 0
0 0 0 1
9. El u nico autovalor es = 1 con m(1) = 4. S(1) = h(1, 0, 0, 0)i. Por lo tanto no es diagonalizable.
10.

a) f (a, b, c, d) = (2c, 2a + 2b 2d, 2c, 2c)



 

1 1
1 0
b) BKerf =
,
0 0
0 1

Departamento de Matematica