Algebra Lineal PDF

ALGEBRA LINEAL
CON EL USO DE MATLAB
AUTORES
Omar Saldarriaga
Ph.D., State University of New York at Binghamton
Profesor Asociado
Instituto de Matematicas
Universidad de Antioquia
Hernan Giraldo
Ph.D., Universidad de Sao Paulo
Profesor Asociado
Instituto de Matematicas
Universidad de Antioquia
ii
c Copyright by Omar Saldarriaga, 2010.

All rights reserved.
Indice general
1. Algebra de matrices 3
1.1. Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Operaciones con Matrices y Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4. Matrices Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5. Inversas Laterales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2. Espacios Vectoriales 45
2.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3. Independencia Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.4. Conjuntos generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.5. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6. Subespacio generado por un conjunto de vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7. Subespacios fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.8. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.9. El Teorema de la base incompleta en Rm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3. Transformaciones Lineales 85
3.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2. Transformaciones Lineales Inyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.3. Transformaciones Lineales Sobreyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.4. Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.5. Espacios Vectoriales Arbitrarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.5.1. Transformaciones lineales entre espacios vectoriales arbitrarios. . . . . . . . . . . . . . . . 103
3.6. Propiedades de los Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.7. Suma Directa de Espacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
iii
Autor: OMAR DARIO SALDARRIAGA, HERNAN GIRALDO 1
4. Ortogonalidad en Rn 119
4.1. Producto interno en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2. Proyeccion Ortogonal sobre un Vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.2.1. La matriz proyeccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.3. Proyeccion Ortogonal sobre un Subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4. Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.5. El Proceso Gramm-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4.6. La Factorizacion QR de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5. Determinantes 157
5.1. Definicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.2. Determinantes y operaciones elementales de fila . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.3. Propiedades del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.4. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.5. La Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.6. Interpretacion Geometrica del Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6. Valores y Vectores Propios 187

6.1. Polinomio Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
6.2. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.3. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.3.1. La matriz de una transformacion con respecto a dos bases . . . . . . . . . . . . . . . . . . 207
6.4. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.5. Matrices Simetricas y Diagonalizacion Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
6.6. Formas Cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
7. Aplicaciones 225
7.1. Potencia de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
7.1.1. Relaciones de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
7.1.2. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
7.2. Exponencial de una matriz diagonalizable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7.2.1. Sistemas Lineales de Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . 229
2
Captulo 1
Algebra de matrices
En este captulo veremos ... Las letras m,n, i, j y k denotaran numeros enteros positivos y denotaremos por
R el conjunto de los numeros reales ... mn{m, n} es el menor numero entre m y n... el conjunto de matrices de
tamano m n sera denotado por Mmn (R) y por Mn (R) cuando m = n. El conjunto vaco ??
1.1. Sistemas de Ecuaciones Lineales

Comenzamos esta seccion ilustrando un ejemplo del tema central del captulo, el cual es la solucion de
sistemas de ecuaciones lineales, y usaremos este ejemplo para introducir el metodo de solucion conocido como
reduccion Gauss-Jordan en matrices.
Consideremos el siguiente sistema de dos ecuaciones en dos incognitas:
x + 3y = 4 (1.1)
4x + 6y = 10 (1.2)
Existen varios metodos para resolver este sistema, por la similitud con el metodo que expondremos en esta
seccion destacamos el de eliminacion.
Este metodo usa dos operaciones basicas para llevar a la solucion de un sistema lineal las cuales son:
1. Sumar un multiplo de una ecuacion a otra ecuacion con el objetivo de eliminar una de las variables, por
ejemplo la operacion
-4 Ecuacion(1.1) + Ecuacion(1.2)
elimina la variable x y produce la ecuacion 6y = 6.
2. Multiplicar una ecuacion por una constante no cero con el objetivo de simplicarla, por ejemplo si multi-
plicamos la nueva ecuacion 6y = 6 por 16 obtenemos y = 1.
3
4
3. Si multiplicamos esta ultima ecuacion (y = 1) por -3 y se la sumamos a la Ecuacion (1.1), obtenemos

x = 1. Finalmente la solucion al sistema esta dada por los valores: x = 1 y y = 1.
Los metodos que veremos en este libro son:
1. El metodo de reduccion Gauss-Jordan, el cual veremos en esta seccion.
2. El metodo de multiplicacion por la matriz inversa, este metodo solo funciona en algunos casos, ver Teorema
1.12 en la Seccion 1.3.
3. El metodo de multiplicacion por la inversa a la izquierda de la matriz, este metodo solo funciona en algunos
casos, ver Seccion 1.5
4. La regla de Cramer, ver Seccion 5.5.
Retomando las soluciones para un sistema, vale la pena notar que si tenemos un sistema de dos ecuaciones
lineales en dos incognitas, hay tres posibles respuestas y estas son:
1. El sistema tiene solucion unica (como en el ejemplo ilustrado anteriormente).
2. El sistema no tiene solucion (o solucion vaca), caso en el cual, decimos que es inconsistente.
3. El sistema tiene infinitas soluciones, caso en el cual decimos que el sistema es redundante.
Cuando se tiene una ecuacion lineal en dos variables, esta representa una lnea recta en el plano, las tres
posibles soluciones descritas corresponden a las diferentes posibilidades geometricas las cuales son: las rectas se
intersectan (solucion unica), las rectas son paralelas (solucion vaca) o las rectas coinciden (infinitas soluciones).
Estas se ilustran en la Figura 1.1.
Cuando tratamos de resolver un sistema 33, de tres ecuaciones en tres incognitas, tambien podemos obtener,
al igual que en el caso anterior (caso 22), tres posibles respuestas: solucion unica, solucion vaca o infinitas
soluciones. En este caso, una ecuacion en tres variables representa un plano en el espacio, las posibilidades
geometricas se muestran en las Figuras 1.1 y 1.1. Sin embargo, a diferencia del caso 22, la solucion vaca no
se obtiene exclusivamente en el caso de que los planos sean paralelos como se observa en la Figura 1.1. Tambien
se puede ver en la Figura 1.1 que hay diferentes casos que conducen a infinitas soluciones y no solo cuando los
planos coinciden.
Uno de los objetivos de la seccion es mostrar que aun en dimensiones mayores se presentan exactamente las
mismas tres posibilidades. El caso general lo resolveremos usando matrices, asociaremos a cada sistema lineal
una de estas y aplicaremos operaciones elementales de fila para resolver el sistema. Las operaciones elementales
de fila sobre matrices son simplemente operaciones equivalentes a las mencionadas en el metodo de eliminacion
al principio de la seccion.
Definicion 1.1. Una matriz real es un arreglo rectangular de numeros reales en m filas y n columnas

a11 a1n

.. .. ..
. . . ;

am1 amn
donde aij es un numero real para i = 1, . . . , m y j = 1, . . . , n. A esta matriz se le llama una matriz de tamano
m n.
En esta seccion se esta interesado en operaciondes de fila de una matriz, as en esta seccion se donotara la
i-esima fila de una matriz A por Fi . Ademas, de ahora en adelante el conjunto de matrices de tamano m n
sera denotado por Mmn (R) y por Mn (R) cuando m = n.

1 1
Ejemplo 1.1. (MatLab) A = es una matriz de tamano 22. Esta matriz la definimos en MatLab
2 0
de la siguiente forma:
>> A = [1, 1; 2, 0]
y MatLab guardara la matriz como el arreglo rectangular
A=
1 1
2 0
En general, para definir matrices en MatLab se escriben las entradas entre corchetes, escribiendo las entradas
de las filas separadas con coma y separando las filas con punto y coma.
A un sistema lineal de m ecuaciones con n incognitas,
a11 x1 + + a1n xn = b1
..
.
am1 x1 + + amn xn = bm ,
se le asocia la matriz de tamano m (n + 1)

a11 a1n b1

.. .. .. ..
. . . .

amn a1n bm
llamada la matriz de coeficientes o matriz asociada. Cada fila de esta matriz tiene los coeficientes de cada
una de las ecuaciones incluyendo el termino constante al final de la misma y cada columna esta asociada a una
incognita excepto la ultima columna que contiene los terminos independientes.

x + 2y = 3 1 2 3
Ejemplo 1.2. Al sistema lineal le corresponde la matriz de coeficientes .
4x + 5y = 6 4 5 6
Las operaciones descritas al principio de la seccion que se realizan sobre las ecuaciones de un sistema lineal en
el metodo de eliminacon se traducen en operaciones de fila sobre matrices, llamadas operaciones elementales de
fila, las cuales describimos a continuacion.
6
Definicion 1.2. Sea A una matriz de tamano m n, una operacion elemental de fila sobre A es una de
las siguientes operaciones:
1. Multiplicar una fila por una constante no cero. Se usara la notacion cFi Fi para indicar que se multiplica
la fila i por la constante c.
2. Sumar un multiplo de una fila a otra fila. Se usara la notacion cFi + Fj Fj para indicar que se le suma
c veces la fila i a la fila j.
En estos dos pasos, la fila que aparece despues de la flecha es la fila que se debe modificar o simplemente,
a la que se le debe aplicar la operacion.
3. Intercambiar dos filas. Se usara la notacion Fi Fj para indicar que se debe intecambiar la fila i con la
fila j.
x + 3y = 4
Ejemplo 1.3. Al principio de la seccion resolvimos el sistema de ecuaciones aplicando las opera-
4x + 6y = 10
ciones
1. -4 Ecuacion 1.1 mas Ecuacion 1.2, de la cual obtenemos la ecuacion 6y = 6,
2. multiplicamos esta ultima ecuacion por 61 , obteniendo y = 1,
3. finalmente de, -3 ecuacion (y = 1) mas Ecuacion 1.1, obtenemos x = 1.
Como en la matriz asociada a un sistema lineal las ecuaciones se representan en filas, estas operaciones se
traducen en operaciones de fila, de hecho, la primera operacion se traduce en la operacion de fila 4F1 + F2 , la
1
segunda en 6 F2
y la tercera en 3F2 + F1 . Al aplicar estas operaciones obtenemos

1 3 4 1 3 4 1 3 4 3F2 +F1 F1 1 0 1

4 6 10 4F1 +F2 F2 0 6 6 1 F2 F2 0 1 1 0 1 1
6
De esta ultima matriz obtenemos las ecuaciones x = 1 y y = 1 las cuales nos dan la solucion al sistema.
Este ultimo ejemplo ilustra el metodo de solucion de un sistema lineal con operaciones de fila sobre matrices, el
cual es el objetivo de la seccion. Para ilustrar el caso general debemos mostrar como aplicar operaciones de fila
sobre una matriz de una manera eficiente que garantice una solucion, una manera efectiva es llevar la matriz a
una matriz en forma escalonada reducida, la cual definimos a continuacion.
Definicion 1.3. Sea A una matriz de tamano m n, decimos que A esta en forma escalonada reducida si
A satisface las siguientes condiciones:
1. Todas las filas nulas (filas donde todas las entradas, en esa fila, son ceros) estan en la parte inferior de
la matriz.
2. La primera entrada no cero de una fila no nula es un uno. A esta entrada se le llama pivote.
3. Si dos filas consecutivas son no nulas, entonces el pivote de la fila de arriba esta mas a la izquierda del
pivote de la fila de abajo.
4. Todas las entradas de una columna donde haya un pivote son cero, excepto la entrada donde esta el pivote.
Ejemplo 1.4. Las siguientes matrices estan en forma escalonada reducida:

1 0 0 1 0 1 0 0 1 0

A = 0 1 0 , B = 0 1 , C = 0 0 1 , D = 0 0 1 ,

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

1 0 1 0 0 1

E = 0 0 0 , F = 0 0 0 y G = 0 0 0 ,

0 0 0 0 0 0 0 0 0
donde las entradas * representan un numero real arbitrario. De hecho estas son todas las posibles formas esca-
lonadas reducidas que se obtienen de matrices 3 3 no nulas.
Ejemplo 1.5. (MatLab) La forma escalonada reducida de una matriz

se calcula en MatLab con el comando
1 2 3 1

rref como se muestra a continuacion. Sea A = 0 3 2 1,

2 1 8 1
>> format rat, A = [1, 2, 3, 1; 0, 3, 2, 1; 2, 1, 8, 1]; R = rref (A)
R=
1 0 13
3
1
3
0 1 32 31
0 0 0 0
El comando format rat se usa para que MatLab entregue la respuesta con numeros racionales en cada entrada
de la matriz.
El proceso de aplicar operaciones elementales de fila sobre una matriz hasta llevarla a su forma escalonada
reducida se le conoce como reduccion Gauss-Jordan. Este proceso nos lleva tambien a determinar si el
sistema tiene solucion y a encontrarla en el caso de que exista (ver Teorema 1.2). Primero debemos garantizar
que es posible llevar cualquier matriz a una matriz en forma escalonada reducida por medio de operaciones
elementales.
Teorema 1.1. Aplicando reduccion Gauss-Jordan, toda matriz se puede llevar a una forma escalonada reducida.
Mas que dar una idea de la prueba, lo que presentamos a seguir, es una descripcion de un algoritmo para
calcular la forma escalonada reducida de una matriz.
Bosquejo de la demostracion. La demostracion se hace por induccion sobre el numero de columnas de A.

Si A tiene una columna y A = 0 entonces A ya esta en forma escalonada reducida. Si A 6= 0 tomamos
ai1 la primera entrada no nula de A para algun i, entonces intercambiamos la primera fila con la i-esima fila
8
obteniendo la matriz ai1

0
..
.
0 . (1.3)
ai+1,1
.
..
am1
1
Para reducir esta matriz, multiplicamos la primera fila por ai1 obteniendo una matriz con un uno en la primera
posicion y a continuacion se usa esta entrada para anular el resto de las entradas como se muestra a continuacion
ai1 1 1
0 0 0
1
.. ai1 F1 F1 .. ..
. . .
0 0 ai+1,1 F1 +Fi+1 Fi+1 0
ai+1,1 ai+1,1 .. 0
. . .
.. .. . ..
am1 F1 +Fm Fm
am1 am1 0
como esta ultima esta en forma escalonada reducida obtenemos el resultado para matrices con una columna.
Ahora supongamos que el resultado es cierto para matrices con n 1 columnas y sea A una matriz con n
columnas, usando la induccion obtenemos que podemos reducir las primeras n 1 columnas hasta obtener una
matriz en la forma 1
... 0 ... 0 a1n
0 ... 1 ... 0 a2n
. . . .. . . .. ..
.. .. .. .
0 ... 0 ... 1 akn .

0 ... 0 ... 0 ak+1,n
. . . .. . . .. ..
.. .. .. .
0 ... 0 ... 0 amn
Si las entradas ak+1,n , . . . , amn son todas iguales a cero, entonces esta ultima matriz ya esta en forma escalonada
reducida, en caso contrario, suponemos sin perdida de generalidad que ak+1,n 6= 0, ya que si esta es cero haciendo
un intercambio de fila podemos llevar una entrada diferente de cero que este por debajo de esta, como se hizo
1
en (1.3), despues multiplicamos la fila k + 1 por ak+1,n obteniendo
1 ... 0 ... 0 a1n 1 ... 0 ... 0 a1n

0 ... 1 ... 0 a2n 0 ... 1 ... 0 a2n
. . . .. . . .. .. . . . . .. ..
.. .. .. . . .. . ..
0 ... 0 ... 1 akn
. . . .
1
Fk+1 Fk+1 0 ... 0 ... 1 akn
0 ... 0 ... 0 ak+1,n ak+1,n 0 ... 0 ... 0 1
. . . .. . . .. .. . . . . .. ..
.. .. .. . .. . . .. . . . .
0 ... 0 ... 0 amn 0 ... 0 ... 0 amn
Finalmente, usando este 1, empleamos operaciones elementales para anular las demas entradas de esta columna
como se muestra a continuacion
a 1 Fk+1 +F1 F1
1 1n
... 0 ... 0 a1n a 1 Fk+1 +F2 F2 1 ... 0 ... 0 0
0 ... 1 ... 0 a2n 2n
0 ... 1 ... 0 0
. . . . .. .. .. .. . . .. . . .. ..
. .. . .. . . . . . .
. . . . a 1 Fk+1 +Fk Fk
.
0 ... 0 ... 1 akn kn
0 ... 0 ... 1 0 ,
0 ... 0 ... 0 1 1
0 ... 0 ... 0 1
a Fk+1 +Fk+2 Fk+2 .
. . . .
.. . . .. . . .. .. k+2n
.. . . .. . . .. ..
. . .. .. ...
0 ... 0 ... 0 amn . 0 ... 0 ... 0 0
1
amn Fk+1 +Fm Fm
como esta ultima matriz esta en forma escalonada reducida obtenemos por induccion que cualquier matriz se
puede reducir a una matriz en forma escalonada reducida.

1 0 0 1

Ejemplo 1.6. Calcular la forma escalonada de reducida de la matriz A = 2 2 1 4 .

3 3 2 6
Aunque sabemos que podemos usar MatLab para calcular esta reduccion, es importante tambien entender
el algoritmo propuesto en el teorema anterior, el cual basicamente nos dice que la reduccion la podemos hacer
columna por columna.
Como la primera columna no es nula pero su primera entrada es cero, entonces intercambiamos la fila
cuya primera entrada sea no nula, en este caso la segunda fila, como esto se debe hacer usando operaciones
elementales, entonces intercambiamos la primera y la segunda fila

0 0 1 1 2 2 1 4
F F
1 2
2 2 1 4 0 0 1 1

3 3 2 6 3 3 2 6
1
Luego multiplicamos la primera fila por 2 para obtener el pivote en la primera columna y despues usamos
este pivote para anular las demas entradas de esta columna, como se muestra a continuacion

2 2 1 4 21 F1 F1 1 1 12 2 1 1 21 2

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

3 3 2 6 3 3 2 6 3F1 + F3 F3 0 0 12 0
El pivote en la segunda columna, si existiera, debera estar en una fila debajo de la primera y como la segunda
y tercera entrada son ceros, entonces no hay pivote en esta columna, por tanto la tercera entrada en la segunda
fila es el siguiente pivote, usamos esta entrada para anular las demas entradas en la tercera columna, as

1 1 12 2 21 F2 + F1 F1 1 1 0 3
2

0 0 1 1 0 0 1 1 .

0 0 12 0 21 F2 + F3 F3 0 0 0 12
Finalmente, la cuarta entrada en la tercera fila debe ser el siguiente pivote, para convertirlo en un uno,
multiplicamos la tercera fila por -2 y despues usamos el pivote para anular las demas entradas en la cuarta
columna, esto lo hacemos de la siguiente forma

3 3 3
1 1 0 2 1 1 0 2 2 F3
+ F1 F1 1 1 0 0

0 0 1 1 0 0 1 0 1 0 .
1 F3 + F2 F2 0 (1.4)

0 0 0 12 2F3 F3 0 0 0 1 0
0 0 1

1 1 0 0

Por tanto la matriz 0 0 1 0 es la forma escalonada reducida de A.

0 0 0 1
El algoritmo anterior es el que se deduce del bosquejo de la demostracion del teorema anterior, en donde
se calculan los pivotes columna por columna, otra forma de aplicar reduccion Gauss-Jordan es calculando los
pivotes fila por fila en donde se debe aplicar la definicion paso a paso.
10
Por ejemplo, si queremos calcular la forma escalonada reducida de la matriz A de esta forma, notese que el
pivote en cada fila debe ser la primera entrada no nula de la fila, por tanto la tercera entrada de esta fila debe
ser el primer pivote, luego usamos esa entrada para anular las demas entradas en su respectiva columna como
se indica a continuacion

0 0 1 1 0 0 1 1

2 2 1 4 F1 + F2 F2 2 2 0 3 .

3 3 2 6 2F1 + F3 F3 3 3 0 4
Con estos pasos estamos garantizando el cumplimiento de la condiciones 2. y 4. de la Definicion 1.3.

El siguiente paso es encontrar el pivote en la segunda fila convertirlo en un uno y usarlo para anular las
restantes entradas en su respectiva columna. Para la segunda fila se tiene que el pivote corresponde a la primera
1
entrada en esta fila, para convertirlo en un 1 se multiplica la segunda fila por 2

0 0 1 1 0 0 1 1

1 3
2 2 0 3 2 F2 F2 1 1 0 .
2

3 3 0 4 3 3 0 4
despues se usa el pivote para anular las demas entradas en su columna, en este caso, la primera columna.

0 0 1 1 0 0 1 1

3 3
1 1 0
2
1 1 0 .
2

3 3 0 4 3F2 + F3 F3 0 0 0 21
Antes de continuar con el siguiente pivote notemos que los pivotes en esta ultima matriz no satisfacen la
condicion 3. de la Definicion 1.3, ya que el pivote de la segunda fila esta a la derecha del primer pivote y no a
la izquierda, para organizarlos, intercambiamos las dos primeras filas:

3
0 0 1 1 F1 F2 1 1 0 2

3
1 1 0 2
0 0 1 1 .

1
0 0 0 2 0 0 0 21
Finalmente observamos que la primera entrada no nula de la tercera fila es la ultima entrada en esta fila, para
convertirla en un uno y anular la otras entradas
de la ultima columna repetimos los pasos que hicimos en (1.4)
1 1 0 0

y obtenemos nuevamente que la matriz 0 0 1 0 es la forma escalonada reducida de A.

0 0 0 1

2 4 2

Ejemplo 1.7. Calcule la forma escalonada reducida de la matriz A = 2 4 2 .

1 2 1
Las operaciones para reducir esta matriz son las siguientes:

1
2 4 2 2 F1
F1 1 2 1 1 2 1 1 2 1

1
2 4 2 2 4 2 2F1 + F2 F2 0 0 4 4 F2 F2 0 0 1

1 2 1 1 2 1 F1 + F3 F3 0 0 2 0 0 2

F2 + F1 F1 1 2 0

0 0 1 .

2F1 + F3 F3 0 0 0
Ahora que sabemos que toda matriz se puede llevar, por medio de operaciones elementales, a una matriz en
forma escalonada reducida, debemos tambien saber para que nos sirve este resultado en terminos de soluciones
de sistemas de ecuaciones lineales. El siguiente teorema nos muestra la utilidad de poder reducir matrices a su
forma escalonada reducida ya que de esta ultima podemos determinar si un sistema tiene soluciones y en el caso
afirmativo tambien nos permite saber si la solucion es unica o existen infinitas.

a11 x1 + + a1n xn = b1 a11 b1 a1n

.. . .. ..
..
Teorema 1.2. Considere el sistema de ecuaciones . , sea A = .. . . .

am1 x1 + + amn xn = bm am1 amn bm
la matriz de coeficientes asociada al sistema y sea A la forma escalonada reducida de A. Tenemos los siguientes
casos:
1. Si A tiene pivote en todas las columnas excepto la ultima entonces el sistema tiene solucion unica.
2. Si A tiene pivote en la ultima columna entonces el sistema tiene solucion vaca.
3. Si A no tiene pivote en la ultima columna y hay al menos otra columna sin pivote entonces el sistema
tiene infinitas soluciones.

1 0 c1

. . ..
1. En este caso tenemos que A = .. . . . ..

Demostracion. . y posiblemente algunas filas de ceros

0 1 cn
al final, las cuales omitimos al no aportar ninguna informacion adicional.
De esta matriz se obtienen las ecuaciones x1 = c1 , . . . , xn = cn la cuales corresponden a la unica solucion

al sistema.
2. Como A tiene un pivote en la ultima columna y un pivote es la primera entrada no nula de una fila
h i
entonces tenemos que la matriz A tiene una fila de la forma 0 0 1 y de esta fila se obtiene la
ecuacion 0 = 1, lo cual implica que el sistema es inconsistente.
3. Supongamos sin perdida de generalidad que las dos ultimas columnas de A no tienen pivote y que las
12
demas si, entonces A tiene la forma

1 0 c1 d1

. .. .. .. ..
A = ..

. . . .

0 1 cn1 dn1
y posiblemente algunas filas cero de las cuales precindimos. As obtenemos las ecuaciones x1 + c1 xn =
d1 , . . . , xn1 + cn1 xn = dn1 o equivalentemente
x 1 = d1 c 1 x n , ..., xn1 = dn1 cn1 xn .
Las cuales corresponden a las soluciones del sistema y por cada valor asignado a la variable xn obtenemos
una solucion, por tanto el sistema tiene infinitas soluciones.
Un razonamiento similar demuestra esta afirmacion cuando la columna sin pivote esta en una columna
diferente y tambien en el caso en donde hay varias columnas sin pivotes.
A las variables correspondientes a columnas sin pivote se les llamara variables libres y a las demas se les
llamara variables basicas o no libres. La siguiente obervacion nos servira mas adelante.
Observacion 1.1. Los recprocos de las tres afirmaciones del teorema anterior tambien son ciertos, en la
Seccion 1.4 veremos que las operaciones elementales de fila son reversibles lo cual permite aplicar operaciones
elementales de fila a A hasta recuperar la matriz A lo que nos lleva de las soluciones al sistema original.
Corolario 1.3. Un sistema lineal con mas variables que ecuaciones (n > m) nunca tiene solucion unica.
Ejemplo 1.8. En este ejemplo se muestra las posibles soluciones para sistemas 2 2 segun sus matricces
escalonadas reducidas.
x + 2y = 3
1. En el Ejemplo 1.3 se obtuvo que al sistema lineal le corresponde la matriz de coeficientes
4x + 5y = 6

1 2 3 1 0 1
y que la matriz escalonada reducida era . Por el Teorema 1.2 el sistema tiene so-
4 5 6 0 1 1
lucion unica y esta dada por x = 1 y y = 1, la cual se muestra en la Figura 1.1.

1 4 1 4
x + y = 1
2. Al sistema lineal 3 3
le corresponde la matriz de coeficientes 3 3
y su matriz escalonada
1 1 1 1
x
3 + y = 3 3 1 3

1 3 0
reducida es . Por el Teorema 1.2 el sistema tiene solucion vaca, lo cual se muestra en la Figura
0 0 1
1.1.

x + 3y = 3 1 3 3
3. Al sistema lineal le corresponde la matriz de coeficientes y su matriz escalonada
2x + 6y = 6 2 6 6

1 3 3
reducida es . Por el Teorema 1.2 el sistema tiene infinitas soluciones, lo cual se muestra en la
0 0 0
Figura 1.1.
x1 + x2 + x3 + x4 = 4
Ejemplo 1.9. Determine si el sistema tiene soluciones y en el caso afirmativo escribalas
x3 x4 = 3
de forma parametrica.
1 1 1 1 4
Solucion. La matriz de coeficientes es y su forma escalonada reducida esta dada por A =
0 0 1 1 3

1 1 0 2 1
. Por el Teorema 1.2 el sistema tiene infinitas soluciones las cuales se pueden dar en forma
0 0 1 1 3
parametrica leyendo el sistema de ecuaciones de la matriz A , las cuales son x1 + x2 + 2x4 = 1 y x3 x4 = 3,
y escribiendo las variables basicas en terminos de las variables libres obtenemos
x1 = 1 x2 2x4
x3 = 3 + x4 .
De acuerdo a estas ecuaciones las variables x2 y x4 toman valores arbitrarios y por cada par de valores que se le
asignen a estas variables, se tiene una solucion particular, si a estas variables les asignamos valores parametricos
x2 = t y x4 = u obtenemos todas las soluciones parametricas al sistema:
x1 = 1 t 2u
x2 = t
x3 = 3 + u
x4 = u.
x + 2y + 3z = 1
Ejemplo 1.10. Considere el sistema 3y 2z = 1 . La matriz asociada al sistema esta dada por A =
2x y 8z = 1

1 2 3 1

0 3 2 1 cuya forma escalonada reducida R fue calculada en en el Ejemplo 1.5

2 1 8 1

1 0 133
1
3

R = 0 1 32 31 .

0 0 0 0
De aqu tenemos que el sistema tiene infinitas soluciones las cuales estan dadas por
1 13
x= 3 + 3 z
y = 31 + 23 z,
14
asignando el valor parametrico z = t a la variable libre z, obtenemos las soluciones parametricas al sistema:
1 13
x= 3 + 3 t
y = 13 + 32 t
z= t
x + 2y + 3z = 1
Ejemplo 1.11. (MatLab) El sistema 2x 4y 6z = 1 tiene matriz asociada al sistema dada por
2x y 8z = 1

1 2 3 1

A = 2 4 6 1 .

2 1 8 1
Usando MatLab para calcular la forma escalonada reducida de A,
(>>format rat, A = [1, 2, 3, 1; 2, 4, 6, 1; 2, 1, 8, 1]; R = rref (A)), obtenemos la matriz

1 0 13 3 0

2
R = 0 1 3 0 .

0 0 0 1
Como esta ultima matriz tiene un pivote en la ultima columna, entonces por el Teorema 1.2 el sistema no tiene
solucion.
Del Teorema 1.2 tambien se desprende el siguiente corolario, para el cual necesitamos la siguiente definicion.
Definicion 1.4. Un sistema lineal homogeneo es un sistema lineal de la forma
a11 x1 + + a1n xn = 0
..
. ,
am1 x1 + + amn xn = 0
es decir, un sistema donde todos los terminos independientes son cero.
Corolario 1.4. Un sistema lineal homogeneo siempre tiene solucion.
Terminamos la seccion con la definicion de rango de una matriz.
Definicion 1.5. Sea A una matriz y A su forma escalonada reducida. Definimos el rango de A, denotado por
rango(A), como el numero de pivotes de A .
Ejemplo 1.12. Para las matrices del Ejemplo 1.4 se tiene que
rango(A) = 3, rango(B) = rango(C) = rango(D) = 2 y
rango(E) = rango(F ) = rango(G) = 1.

Problemas
1.1.1. Use el metodo Gauss-Jordan para resolver los siguientes sistemas.
x 2y + 3z = 7 2x + 4y 4z = 6 x+yz =7
a. 2x + y z = 7 b. 2x 5y + 4z = 6 c. xy+z =4
2x y z = 7 x + 16y 14z = 3 2x + y + z = 3
x + 2y + 3z + 4w = 1
x + 2y + 3z = 1 x + 2y + 3z + w = 7
x + 2y + 3z + 3w = 2
d. 4x + 5y + 6z = 2 e. 4x + 5y + 6z + 2w = 7 f.
x + 2y + 2z + 2w = 3
7x + 8y + 9z = 4 7x + 8y + 9z + 4w = 7
x+ y+ z+ w =1
1.1.2. Encuentre las soluciones parametricas al sistema y uselas para calcular dos soluciones particulares:
x 2y + 3z + w = 3
y =2
w=1
2x y + 3z =
1.1.3. Demuestre que el sistema 3x + y 5z = es consistente si y solo si = 2 3.
5x 5y + 21z =
1.1.4. Para los sistemas cuyas matrices aumentadas estan dadas en los numerales desde a. hasta c. determine
los valores y para los cuales el sistema tiene:
I. Ninguna solucion.
II. Solucion unica.
III. Infinitas soluciones y en este caso dar dos soluciones particulares.

1 0 0 1 0 0 1 0 0

a. 0 1 1 b. 0 1 1 c. 0 1 1

0 0 + 2 0 0 2 + + 1 0 0 2
ax + by = 0
1.1.5. Muestre que el sistema tiene solucion si y solo si ad bc = 0.
cx + dy = 0
1.1.6. Haga una lista de todas las matrices 34 que esten en forma escalonada reducida.
1.1.7. Demuestre el Corolario 1.3 y el Corolario 1.4.
1.1.8. Muestre que si el numero de ecuaciones en un sistema lineal homogeneo es menor que el numero de sus
incognitas, entonces el sistema tiene una solucion no trivial.
16
1.1.9. Muestre que efectuar operaciones elementales en un sistema de ecuaciones produce un sistema ecuaciones
equivalente. Dos sistemas de ecuaciones son equivalentes si tienen las mismas soluciones.
1.1.10. Usando el Problema 1.1.9, muestre que un sistema de ecuaciones es equivalente al sistema de ecuaciones
que se obtiene de la correspondiente matriz escalonada reducida.
1.1.11. Si A es una matriz de tamano m n, demuestre que el rango(A) mn{m, n}.
ax + by = 0
1.1.12. Demuestre que el sistema homogeneo tiene infinitas soluciones si y solo si ad bc = 0
cx + dy = 0
1.2. Operaciones con Matrices y Vectores
En esta seccion se expondran las operaciones basicas entre matrices y vectores y se mostraran las propiedades
que estas operaciones satisfacen.
Definicion 1.6. Definimos vector columna (fila) como una matriz con una sola columna (fila).

1
h i

Ejemplo 1.13. v = 2 es un vector columna y w = 0 1 es un vector fila.

1
Definicion 1.7. (Operaciones con matrices y vectores)

a11 a1n b11 b1n

. .. .. . .. ..
1. (Suma de matrices) Sean A = .. . . y B = .. . . matrices del mismo tamano,

am1 amn bm1 bmn
definimos la matriz A + B como la matriz dada por:

a11 + b11 a1n + b1n

.. .. ..
A+B = . . . .

am1 + bm1 amn + bmn

..
y1 x 1 + y1
x .
1 . ..
y y = .. como el vector x + y =

Similarmente, definimos la suma de los vectores x = . .
xn
yn x n + yn
" a1 #
Identificando vectores v = .. con el vector en Rn iniciando en el origen y terminando en el punto
.
an
(a1 , . . . , an ), obtenemos que la suma de vectores se rige por la Ley del paralolegramo, ver
Figura
1.7. En la
a
a1 1
siguiente figura vemos la representacion geometrica de los vectores v = en R2 y w = a2 en R3 .

a2
a3

a11 a1n

. .. ..
2. (Producto de una matriz por un escalar) Sea A = .. . . una matriz de tamano m n y un

am1 amn
escalar (constante real arbitraria), definimos la matriz A como la matriz dada por

a11 a1n

.. .. ..
A = . . . .

am1 amn

x1

.
Similarmente, definimos el producto de un vector x = .. por un escalar R como el vector x =

xn

x1

..
. .

xn

1 2 2 2

Ejemplo 1.14. (MatLab) Sean A = 1 3 y B = 3 1 . Podemos calcular las matrices A + B y

0 1 1 1
2A en MatLab como sigue
>> A = [1, 2; 1, 3; 0, 1]; B = [2, 2; 3, 1; 1, 1]; A + B, 2 A
Obteniedo las matrices:

1 0 2 4

A+B = 2 2 y 2 A = 2 6 .

1 2 0 2
Notacion 1. Denotaremos por Omn a la matriz de ceros de tamano m n, o simplemente por O si no hay
lugar a confusion y al vector cero lo denotaremos por n o simplemente si no hay lugar a confusion.
Si A es una matriz, denotamos por Ai el vector fila formado por la i-esima fila de A y por Ai el vector
columna formado por la i-esima columna de A.
El siguiente teorema establece las propiedades que satisfacen estas operaciones en matrices y vectores.
Teorema 1.5. Sean A, B y C matrices de tamanos m n, y escalares, entonces tenemos
1. (A + B) + C = A + (B + C) 2. A + Omn = Omn + A = A
3. A + (1A) = 1A + A = O 4. A+B =B+A
5. (A + B) = A + B 6. ( + )A = A + A
7. ()A = (A) 8. 1A = A
18
De la Propiedad 3. de este teorema se observa que 1A es el inverso aditivo de A y este sera denotado por
A (el inverso aditivo de una matriz es unico, ver Problema 1.2.4 ). En este sentido la diferencia de dos matrices
A y B, A B, se define como: A + (B).
El siguiente teorema establece las propiedades analogas que se cumplen para vectores.
Teorema 1.6. Sean x, y y z vectores con n componentes, y escalares, entonces tenemos
1. (x + y) + z = x + (y + z) 2. x + n = n + x = x
3. x + (1x) = 1x + x = n 4. x+y =y+x
5. (x + y) = x + y 6. ( + )x = x + x
7. ()x = (x) 8. 1x = x
A continuacion se da la definicion de producto interno de vectores y transpuesta de una matriz, lo cual

permitira definir el producto de matrices.

x1 y1

.. ..
Definicion 1.8. Sean x = . y y = . vectores columna de n componentes, definimos el producto

xn yn
interno o producto escalar de los vectores x y y, denotado por x y, por la formula
n
X
x y = x 1 y1 + + x n yn = x i yi .
i=1

a11 a1n

. .. ..
Definicion 1.9. Sea A = .. . . una matriz de tamano m n, definimos la matriz transpuesta

am1 amn
de A, denotada por At , como la matriz cuyas columnas son las filas de A, esto es:

a11 am1

. .. ..
At = ..

. . .

a1n amn
Si una matriz A satisface que At = A, decimos que A es simetrica.

Si una matriz A satisface que At = A, decimos que A es antisimetrica.

2 1
2 3 1
Ejemplo 1.15. Si A = entonces At =
3 2 .
1 2 1
1 1

2 1 1

2 1 entonces B t = B y B es una matriz simetrica.

Si B = 1

1 1 2
Ejemplo1.16. (MatLab)El comando en MatLab para calcular la transpuesta de una matriz es transpose.
32 10 78

Sea A = 3 56 89, as para calcular su transpuesta se hace:

45 0 9
>> A = [32, 10, 78; 3, 56, 89; 45, 0, 9]; T = transpose(A)

32 3 45

Obteniedo la matriz T = At = 10

56 0 .

78 89 9
Ahora pasemos a definir el producto de matrices.

a11 a1n

. .. ..
Definicion 1.10. (Producto de matrices) Sea A = .. . . una matriz de tamano m n y B =

am1 amn

b11 b1q

.. .. ..
. . . de tamano n q. Definimos el producto A B, usualmente denotado por AB, como la matriz

bn1 bnq

c11 c1q

. .. .. Pn
de tamano m q dada por AB = .. . . donde cij = k=1 aik bkj = ai1 b1j + ai2 b2j + + ain bnj ,

cm1 cmq
para i = 1, . . . , m y j = 1, . . . , q.
Notese que la ij-esima entrada de la matriz AB es la suma de los productos de cada entrada en la fila i de A
por la respectiva entrada de la columna j de B, esto es:

a a1n
11
. .. ..
.. .
. b11 b1j b1q

. .. .. .. ..
a ain . . .

.
i1
.

. . .
. .. ..
. . . bn1 bnj bnq

am1 amn
t
Este producto coincide con el producto escalar Ai Bj , donde Ai es la i-esima fila de A y Bj es la j-esima
columna de B.

2 0
1 1 0
Ejemplo 1.17. Calcular el producto AB donde A = yB=
2

1 .
2 2 3
1 0
20
Solucion. Vamos a calcular cada una de las entradas cij de la matriz AB:

2 1 2
h it
1 t
c11 = A B1 = 1 1 0 2 = 1 2 = 2 + 2 + 0 = 4,

1 0 1

0 1 0
h it
1 t
c12 = A B2 = 1 1 0 1 = 1 1 = 0 1 + 0 = 1,

0 0 0

2 2 2
h it
2 t
c21 = A B1 = 2 2 3 2 = 2 2 = 4 4 3 = 3,

1 3 1

0 2 0
h it
2 t
c22 = A B2 = 2 2 3 1 = 2 1 = 0 + 2 + 0 = 2.

0 3 0
De estos resultados tenemos

c11 c12 4 1
AB = = .
c21 c22 3 2

0 2
1 1 0
Ejemplo 1.18. (MatLab) Sean A = y B =
2 1 las matrices del ejemplo anterior,
2 2 3
1 0
podemos calcular el producto de matrices en MatLab usando el comando *, como se muestra a continuacion:
>> A = [1, 1, 0; 2, 2, 3]; B = [2, 0; 2, 1; 1, 0]; C = A B, D = B A
Obtienendo las matrices:
2 2 0
4 1

C= y D = 0 4 3 .
3 2
1 1 0
El ejemplo anterior nos muestra que el producto de matrices no es en general conmutativo pero si satisface la
asociatividad.
Teorema 1.7. Sean A, B y C matrices de tamanos m n, n p y p q, respectivamente. Entonces se tiene

que
A(BC) = (AB)C.
Demostracion. Sean aij , bij y cij las entradas de las matrices A, B y C respectivamente, y sean dij y eij las
entradas de las matrices AB y BC respectivamente. Por definicion del producto de matrices tenemos que
n
X p
X
dij = aik bkj y eij = bih chj .
k=1 h=1
Ahora, sean fij y gij las entradas de las matrices A(BC) y (AB)C respectivamente. Entonces
n
X n
X p
X p
n X
X
fij = aik ekj = aik bkh chj = aik bkh chj y (1.5)
k=1 k=1 h=1 k=1 h=1
p
X p X
X n p
n X
X
gij = dih chj = aik bkh chj = aik bkh chj . (1.6)
h=1 h=1 k=1 k=1 h=1
De las ecuaciones (1.5) y (1.6) tenemos que (AB)C = A(BC).
Una matriz con igual numero de filas y columnas, es de decir de tamano n n, se llama matriz cuadrada.
El producto de matrices cuadradas satisface otras propiedades importantes, entre ellas la existencia de una
matriz neutra bajo
el producto, a la cual se le llama la matriz identidad y se denota por In . Esta matriz se
1 0

.. . . .
define por In = . . .. , es decir, la matriz identidad es la matriz cuyas entradas en la diagonal principal

0 1
son uno y ceros por fuera esta. Listamos a continuacion mas propiedades de las operaciones con matrices.
Teorema 1.8. Sean A y C matrices de tamanos m n y n q respectivamente, entonces se tiene lo siguiente:
1. Im A = A y AIn = A. En particular si A es una matriz cuadrada de tamano n n entonces AIn = In A = A.
2. Okm A = Okn y AOnk = Omk para cualquier k = 1, 2, 3, . En particular si A es una matriz cuadrada de
tamano n n entonces AOnn = Onn A = Onn .
3. (A + B)C = AC + BC, donde B es una matriz de tamano m n.
4. A(B + C) = AB + AC, donde B es una matriz de tamano n q.
A continuacion listamos tres propiedades, que aunque parecen no tener mucha importancia, seran muy utiles
en muchas demostraciones en el resto del libro.

A1

.
Lema 1.9. Sean A = .. una matriz de tamano m n donde A1 , . . . , Am son las filas de A, B =

Am

x1
h i
..
B1 Bq de tamano n q donde B1 , . . . , Bq son las columnas de B y x = . un vector columna,

xq
entonces
1. Las columnas del producto AB son los vectores columna AB1 , . . . , ABq , es decir
h i
AB = AB1 ABq .

A1 B

.
2. Las filas del producto AB son los vectores fila A1 B, . . . , Am B, esto es, AB = .. .

Am B
22
3. El producto Bx es el vector x1 B1 + + xq Bq . Es decir, el vector Bx es una combinacion lineal de las

columnas de B con coeficientes tomados de x.
En el siguiente ejemplo se muestra como puede ser usado el lema anterior para realizar el producto de matrices.

2
1 3 1 0 3
Ejemplo 1.19. Sean A = , B = y x = 3

. El producto AB se puede ver de las
4 1 2 1 1
1
siguientes formas h i
1 3 B
AB = h i y
4 1 B

1 0 3
AB = A A A
2 1 1

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

5 3 0
= .
2 1 11
El producto Bx es una combinacion de las columnas de B:

1 0 3 5
Bx = 2 3 + 1 = .
2 1 1 8
El producto de matrices sirve para establecer otra conexion entre matrices y sistemas de ecuaciones lineales. Sea
a11 x1 + + a1n xn = b1
..
. un sistema de ecuaciones lineales, entonces por definicion del producto de matrices
am1 x1 + + amn xn = bm

a11 a1n x1

.. .. .
.. , x = ...

tenemos que este sistema es equivalente a la ecuacion matricial Ax = b donde A = . .

am1 amn xn

b1

.
y b = .. . En lo que sigue del libro usaremos la ecuacion matricial Ax = b en lugar del sistema de ecuaciones.

bm
Terminamos la seccion definiendo matrices triangulares y matriz diagonal, que aparecen muy a menudo en
varias partes del libro.

a11 a1n

.. .. ..
Definicion 1.11. Sea A = . . . una matriz de tamano n n, decimos que

an1 ann
1. A es triangular superior si aij = 0 para i > j.
2. A es triangular inferior si aij = 0 para i < j.
3. A es diagonal si aij = 0 para i 6= j.

1 2 3 1 0 0 1 0 0

Ejemplo 1.20. Las matrices A = 0 3 1, B = 2 3 0 y C = 0 3 0 son, respectivamente,

0 0 2 1 2 2 0 0 2
triangular superior, triangular inferior y diagonal.
Problemas

3
1 2

1.2.1. Ejecutar las operaciones indicadas con los vectores v = 1, w = 1 y z = 5 .

3 2 0
a. v+w b. 3v c. 3w d. 3v + 2d 3w.

1 2 2 2

1.2.2. Ejecutar las operaciones indicadas con las matrices A = 1 3 y B = 3 1 .

0 1 1 1
a. A+B b. AB c. 3A d. 3A + 2B.
1.2.3. Es muy posible que los estudiantes que esten tomando algebra lineal por primera vez esten acostumbrados
a que al multiplicar dos cosas distintas de cero su resultado sea distinto de cero. En la multiplicacion de matrices
esto puede no ocurrir. Al resolver este problema encontraran ejemplos de esta situacion y de otras situaciones
a las que posiblemente no esten acostumbrados.
0 1 0
0 1 3 3 1 0 1 0 0 0
Sean A = , B = , C = , D = , E = yF =
0

0 1. Calcule
0 0 52 52 1 0 0 0 0 1
0 0 0
los siguientes productos:
(a) AA, F F F y BC. Puede concluir algo mas general del producto BC?
(b) DD y EE.
1.2.4. Demuestre que el inverso aditivo de una matriz es unico.
1.2.5. Sean A y B matrices de tamanos m n. Muestre que
(a) (A + B)t = At + B t .
(b) (AB t )t = BAt .

24
1.2.6. Sean A y B matrices de tamanos m n y n p, demuestre que (AB)t = B t At .
1.2.7. Demuestre los Teoremas 1.5, 1.6 y 1.8.
1.2.8. Una matriz cuadrada se llama una matriz de probabilidad si cada componente es no-negativa y la suma
de los elementos de cada fila es 1. Demuestre que si A y B son dos matrices de probabilidad tamanos m n y
n q, entonces AB es una matriz de probabilidad.
1.2.9. Si A y B son matrices simetricas demuestre lo siguiente
1. A + B es simetrica.
2. (AB)t = BA.
1.2.10. Si A es una matriz de tamano m n, demuestre que AAt y At A son matrices simetricas.
1.2.11. Sea A Mn (R), muestre que A+At es simetrica y AAt es antisimetrica y A = 21 (A+At )+ 21 (AAt ).
Es decir, toda matriz cuadrada se puede expresar como la suma de una matriz simetrica y una antisimetrica.
1.2.12. Sean A, B Mn (R), demuestre lo siguiente
1. Si A y B son triangulares superiores, entonces AB es triangular superior.
2. Si A y B son triangulares inferiores, entonces AB es triangular inferior.
3. Si A y B son matrices diagonales, entonces AB es diagonal.
4. En todos los anteriores casos, si las entradas en las diagonales principales de A y de B son, respectivamen-
te, a11 , . . . , ann y b11 , . . . , ann , entonces las entradas en la diagonal principal de AB son a11 b11 , . . . , ann bnn .
" 0 #
1
1.2.13. Sean A, B Mn (R) con B = .. . . . .. diagonal, demuestre lo siguiente:

. .
0 n
1. Si las columnas de A son C1 , . . . , Cn entonces las columnas de AB son 1 C1 , . . . , n Cn . Es decir, si

A = [ C1 Cn ] entonces AB = [ 1 C1 n Cn ].
"F #
1
2. Si las filas de A son F1 , . . . , Fn entonces las columnas de BA son 1 F1 , . . . , n Fn . Es decir, si A = ..

.
" F # Fn
1 1
entonces BA = .. .
.
n Fn
1.2.14. Si A Mmn (R), demuestre que rangoA = 1 si y solo si existen vectores v Rm y w Rn tal que
A = vwt .
1.2.15. Sean v1 , v2 y v3 vectores en Rn y un escalar. Demuestre lo siguiente:
v1 = 0, v1 v2 = v2 v1 , v1 (v2 + v3 ) = v1 v2 + v1 v3 , (v1 ) v2 = v1 (v2 ) = (v1 v2 ) y v1 v2 0.
1.2.16. Si A y B son matrices cuadradas que conmutan y son nilpotentes entonces A + B es nilpotente.
1.3. Inversa de una Matriz

Las matrices invertibles juegan un papel fundamental en el algebra lineal, en particular la posibibilidad de
tener la inversa de una matriz nos permitira resolver algunos sistemas de ecuaciones lineales de manera muy
simple. Se comienza esta seccion con la definicion de este concepto.
Definicion 1.12. Sea A una matriz cuadrada de tamano n n, decimos que A es invertible si existe una
matriz B de tamano n n tal que AB = BA = In .

2 1
Ejemplo 1.21. La matriz A = es invertible ya que el producto
1 1

1 1 2 1 1 1 1 0
A = = = I2 .
1 2 1 1 1 2 0 1

1 1
Ejemplo 1.22. No toda matriz tiene inversa, por ejemplo, si la matriz A = tuviera una inversa,
0 0

a c a+b c+d
entonces existira una matriz B = tal que AB = BA = I2 . Sin embargo AB = y
b d 0 0

a+b c+d 1 0
tendramos que = I2 = , por tanto 0=1 lo cual es una contradiccion y A no puede ser
0 0 0 1
invertible.
En general si A es una matriz con una fila de ceros entonces A no es invertible. Esta afirmacion se deja como
ejercicio, Problema 1.3.5.
Las matrices invertibles satisfacen las siguientes propiedades.
Lema 1.10. Sea A una matriz n n una matriz invertible, entonces la inversa es unica.
Demostracion. Sean B y C matrices inversas de A, es decir
AB = BA = In y AC = CA = In .
Entonces utilizando una de las propiedades de la matriz identidad del Teorema 1.8 tenemos que:
B = BIn = B(AC) = (|{z}

BA )C = In C = C.
In
Notacion 2. Como la inversa de una matriz invertible es unica, entonces de ahora en adelante la denotaremos
por A1 .
Teorema 1.11. Sean A y B matrices de tamanos n n, entonces:

26
1. Si A y B son invertibles entonces AB es invertible y (AB)1 = B 1 A1 .
1 t
2. A es invertible si y solo si At es invertible y en este caso se tiene que (At ) = A1 .
Demostracion. 1. Utilizando la propiedad asociativa del producto de matrices (Teorema 1.7) se tiene que
(AB)(B 1 A1 ) = A BB 1 1 1 1
| {z } A = AIA = AA = I
=I
y de igual forma (B 1 A1 )(AB) = I, entonces la matriz B 1 A1 es la inversa de AB. Como la inversa

es unica tenemos que (AB)1 = B 1 A1 .
2. Supongamos que A es invertible, por el Problema 1.2.6 tenemos que At (A1 )t = (A1 A)t = I t = I y
ademas (A1 )t At = (AA1 )t = I t = I, entonces la matriz (A1 )t es la invera de At , como la inversa es
unica obtenemos que (At )1 = (A1 )t .
La demostracion del recproco es analoga.

1 1 3 1 1 2

Ejemplo 1.23 (MatLab). Sean A = 1 2 2 y B = 0 0 1, de acuerdo al teorema anterior hay

2 0 2 1 2 2
dos maneras de calcular (AB)1 , las cuales son multiplicar A y B y despues calcular su inversa, o calcular B 1
y A1 y multiplicarlas. El comando para calcular la inversa de una matriz es inv, a continuacion exhibimos
estos calculos en MatLab.
>> format rat, A = [1, 1, 3; 1, 2,
2; 2, 0, 2]; B
= [1, 1,
2; 0, 0, 1; 1, 2,2]; C = inv(AB), D = inv(B)inv(A)
8 7 7
8 7 7
3 3 6 3 3 6
5 5
Obteniendo las matrices C = 34 2
3
y D = 34
6
2
3
,
6
las cuales son iguales.

1
3 23 1
6
1
3 23 1
6
El teorema tambien nos dice que hay dos maneras de calcular la inversa de At , una de forma directa y la
otra se obtiene al transponer A1 .
>> format rat, A = [1, 1, 3; 1, 2, 2;
2, 0, 2]; E = transpose(inv(A))
23 1
3
2
3

1
Obteniendo E = 3 23
13 y si se calcula de la siguiente forma,

2 1 1
3 6 6
>> format rat, A = [1, 1, 3; 1, 2, 2; 2, 0, 2]; F = inv(transpose(A))
se obtiene lo mismo.
Si Ax = b es un sistema de ecuaciones con A invertible, entonces el sistema tiene solucion unica y esta es facl
de calcular como se muestra a continuacion.
Teorema 1.12. Sea Ax = b un sistema de ecuaciones lineales de n ecuaciones con n incognitas. Si A es

invertible entonces el sistema tiene solucion unica y esta esta dada por x = A1 b.
Demostracion. Se deja como ejercicio.
x y + 3z = 2
Ejemplo 1.24. (MatLab) Resuelva el sistema lineal x 2y + 2z = 1.
2x + 2z = 0

1 1
3 2

Solucion. El sistema es equivalente a la ecuacion Ax = b con A = 1 2 2 y b = 1 y de acuerdo al

2 0 2 0
teorema anterior la solucion esta dada por x = A1 b la cual calculamos con MatLab
>> A = [1, 1, 3; 1, 2, 2; 2, 0, 2]; b = [2; 1; 0]; x = inv(A) b

1

Obteniendose el vector x = 0 . Entonces la solucion al sistema esta dada por x = 1, y = 0 y z = 1.

1
Problemas

a b
1.3.1. Demuestre que una matriz A = es su propia inversa si y solo si A = I o a = d y bc = 1 a2 .
c d
1.3.2. Encuentre cuatro matrices 22 que sean sus propias inversas.
1.3.3. Sea A una matriz m n y sea B una matriz n m con n < m, demuestre que AB no es invertible.
(Ayuda: Demuestre que existe x 6= 0 tal que ABx = 0.)
Sean A, B y C matrices de tamano n n.
1.3.4. Demuestre que si A = BC con A y B invertibles entonces C es invertible.
1.3.5. Demuestre que si una matriz A tiene una fila o una columna de ceros, entonces A no es invertible (Use
el Lema 1.9.)
1.3.6. Demuestre el Teorema 1.12.
1.3.7. Demuestre que A1 es invertible y que (A1 )1 = A.
1.3.8. Si A es 4 3 y B es 3 4 muestre que AB 6= I. (Ayuda: Muestre que la ecuacion Bx = 0 tiene una

solucion no trivial.)
1.3.9. Generalizando el problema anterior, si A es m n y B es n m y m > n entonces AB 6= I.

28
1.4. Matrices Elementales

En esta seccion introduciremos las matrices elementales las cuales estan asociadas a las operaciones elemen-
tales definidas en la Seccion 1.
Definicion 1.13. Sea E una matriz de tamano n n, decimos que E es una matriz elemental si E se obtiene
de la identidad al aplicar una operacion elemental de fila.
Ejemplo 1.25. Las siguientes matrices son matrices elementales:

0 1 0 1 2 0 1 0 0

A = 1 0 0 , B = 0 1 0 y C = 0 3 0 .

0 0 1 0 0 1 0 0 1
Cada una de estas matrices se obtiene al aplicar una operacion sobre la matriz identidad, como se muestra a
conitunacion:
1 0 0 0 1 0
F F
1 2
0 1 0 1 0 0 = A,

0 0 1 0 0 1

1 0 0 1 2 0
2F + F F
2 1 1
0 1 0 0 1 0 = B,

0 0 1 0 0 1
y
1 0 0 1 0 0

0 1 0 0 3 0 = C.
3F2 F2
0 0 1 0 0 1
Notacion 3. Como hay tres tipos diferentes de operaciones elementales, hay un numero igual de tipos de
matrices elementales, entonces usaremos la siguiente notacion.
Eij denotara la matriz elemental que se obtiene al intercambiar las filas i y j de la matriz identidad.
Eij (c) denotara la matriz que se obtiene al sumar c veces la fila i a la fila j de la matriz identidad.
Ei (c) la matriz que se obtiene al multiplicar por la constante c la fila i de la matriz identidad.
Ejemplo 1.26. En el ejemplo anterior tenemos que A = E12 , B = E21 (2) y C = E2 (3).
La importancia de las matrices elementales reside en el hecho de que estas matrices reemplazan las opera-
ciones elementales ya que aplicar una operacion elemental a una matriz A es equivalente a multiplicar la matriz
elemental correspondiente a la operacion por A. Esto lo expresamos en el siguiente teorema.
Teorema 1.13. Sea A una matriz de tamano m n y E una matriz elemental de tamano m m asociada a
una operacion elemental de fila, el producto EA es la matriz que se obtiene al aplicar la operacion elemental de
fila a la matriz A.
La demostracion de este teorema se hace verificando que al aplicar una operacion elemental se obtiene la
misma matriz que al multiplicar la matriz asociada a la operacion elemental, se debe considerar un caso por cada
operacion elemental. La verificacion es sencilla y preferimos mostrar un ejemplo que compruebe la afirmacion.

2 2 4

1
Ejemplo 1.27. Sea A = 0 1 1. Al aplicar la operacion que multiplica la primera fila por 2 obtenemos

4 5 1

1 1 2

la matriz 0 1 1.

4 5 1

1
0 0
2
Notese que la matriz elemental asociada a esta operacion es la matriz E1 ( 12 ) = 0 1 0 y es facil

0 0 1

1 1 2

verificar que E1 ( 12 )A = 0 1 1.

4 5 1

2 2 4

Si en la matriz A sumamos -2 veces la fila 1 a la fila 3 obtenemos la matriz 0 1 1.

0 1 7

1 0 0

Notese que la matriz elemental asociada a esta operacion esta dada por E13 (2) = 0 1 0 y es facil

2 0 1

2 2 4

verificar que E13 (2)A = 0 1 1.

0 1 7

2 2 4

Finalmente, si en la matriz A intercambiamos las filas 2 y 3 obtenemos la matriz 4 5 1 . La matriz

0 1 1

1 0 0 2 2 4

elemental asociada a esta operacion de fila es E23 = 0 0 1 y facil ver que E23 A = 4 5 1 .

0 1 0 0 1 1
Las operaciones elementales de fila son reversibles, es decir, al aplicar una operacion elemental de fila, siempre
se puede aplicar otra operacion elemental que deshaga la operacion aplicada. Esto se muestra en el siguiente
ejemplo.
Ejemplo 1.28. Para ilustrar la reversibilidad de las operaciones elementales consideremos la matriz A =
30

0 1
3

2 0 2, si intercambiamos las filas 1 y 2 de esta matriz y aplicaramos nuevamente la misma operacion,

3 1 0
obtenemos la matriz orginal como se muestra a continuacion

0 1 3 2 0 2 0 1 3
F F F F
1 2 1 2
2 0 2 0 1 3 2 0 2 .

3 1 0 3 1 0 3 1 0
En general, si se intercambian dos filas de una matriz, la operacion se puede revertir al volver a intercambiarlas
una vez mas. Esto a la vez nos dice que la matriz elemental Eij , asociada a esta operacion de intercambio de
1
dos filas, es invertible y es igual a su propia inversa, esto es Eij = Eij .
1
Volviendo a la matriz A, si multiplicamos la fila 2 por 2 y despues multiplicamos la misma fila por 2 obtenemos
la matriz original como se muestra a continuacion

0 1 3 0 1 3 0 1 3

1
2 0 2 2 F2 F2 1 0 1 2F2 F2 2 0 2 .

3 1 0 3 1 0 3 1 0
En general, si se multiplica una fila de una matriz por una constante c 6= 0, la operacion se puede revertir al
1
volver a multiplicar la misma fila de la nueva matriz por la constante c. Esto a la vez nos dice que la matriz
elemental Ei (c), asociada a esta operacion de multiplicar la fila i por una constante c 6= 0, es invertible y su

inversa esta dada por Ei (c)1 = Ei 1c .
1 1
Una vez mas regresamos a la matriz A, si le sumaramos 2 de la fila 2 a la fila 1 y despues le sumaramos 2 de
la fila 2 a la fila 1 obtenemos la matriz original como se muestra a continuacion

1 1
0 1 3 2 F2 + F1 F1 1 1 4 2 F2 + F1 F1 0 1 3

2 0 2 2 0 2 2 0 2 .

3 1 0 3 1 0 3 1 0
Comunmente, si se le suma c veces la fila i de una matriz a la fila j, la operacion se puede revertir al volver
a sumar c veces la fila i a la fila j. Esto una vez mas nos dice que la matriz elemental Eij (c), asociada a
esta operacion de sumar c veces la fila i a la fila j, tambien es invertible y su inversa esta dada por Eij (c)1 =
Eij (c) .
De acuerdo a lo observado en el ejemplo anterior tenemos el siguiente resultado.
Teorema 1.14. Toda matriz elemental es invertible y las inversas estan dadas por

1 1
Eij = Eij , Eij (c)1 = Eij (c) y Ei (c)1 = Ei .
c
Al aplicar reduccion Gauss-Jordan a una matriz, por cada operacion elemental de fila, hay una matriz
elemental, la matriz que se obtiene al aplicar la operacion de fila a la matriz identidad. Como toda matriz se
puede reducir a una forma escalonada reducida, entonces se tiene el siguiente teorema.
Teorema 1.15. Toda matriz se puede expresar como el producto de un numero finito de matrices elementales
por una matriz en forma escalonada reducida. Mas concretamente, si A es una matriz de tamano m n, existen
matrices elementales E1 , . . . , Ek todas de tamano m m y una matriz escalonada reducida A tal que
A = E1 Ek A .
Demostracion. El resultado se sigue de los Teoremas 1.1 y 1.13 teniendo en cuenta que a cada operacion
elemental tiene asociada una matriz elemental.

1 1 0

Ejemplo 1.29. Expresar la matriz A = 1 1 2 como un producto de matrices elementales por una matriz

2 2 2
en forma escalonada reducida.
Solucion. Necesitamos aplicar reduccion Gauss-Jordan a la matriz A indicando las matrices elementales aso-
ciadas a cada operacion aplicada

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

1 1 2 F1 +F2 F2 0 0 2 0 0 2 12 F2 F2 0 0 1 0 0 1 .

2 2 2 2 2 2 2F1 +F3 F3 0 0 2 0 0 2 2F2 +F3 F3 0 0 0
| {z } | {z } | {z } | {z }
E12 (1) E13 (2) E2 ( 21 ) E23 (2)

1 1 0

1
E13 (2)E12 (1)A = A con A = 0 0 1. Entonces se

Por el Teorema 1.13 tenemos que E23 (2)E2 2
0 0 0
tiene que
1
1
A = E12 (1)1 E13 (2)1 E2 E23 (2)1 A
2
= E12 (1)E13 (2)E2 (2)E23 (2)A .
Escribiendo las matrices de manera explicita tenemos:

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

A = 1 1 0 0 1 0 0 2 0 0 1 0 0 0 1 .

0 0 1 2 0 1 0 0 1 0 2 1 0 0 0
A continuacion verificamos el resultado con MatLab

>> E1=[1 0 0;1 1 0;0 0 1]; E2=[1 0 0;0 1 0;2 0 1]; E3=[1 0 0;0 2 0;0 0 1]; E4=[1 0 0;0 1 0;0 2 1]; A =[1 1
E3 E4 A
0;0 0 1;0 0 0]; A = E1 E2
1 1 0

Obteniendo la matriz A = 1 1 2 .

2 2 2
32
Ahora usaremos matrices elementales para dar un criterio de invertibilidad de una matriz. Primero debemos
observar lo siguiente.
Lema 1.16. Sea A una matriz de tamano n n en forma escalonada reducida, entonces A es invertible si y
solo si A = I.
Demostracion. Supongamos que A es una matriz escalonada reducida invertible y razonemos por el
absurdo, supongamos que A 6= I, entonces A tiene al menos una columna sin pivote y al ser de tamano n n,
A debe tener al menos una fila de ceros, entonces por el Problema 1.3.5 A no puede ser invertible, lo cual es un
absurdo. Concluimos que A = I.
Si A = I entonces A es claramente invertible.
De esto se desprende el siguiente resultado.
Teorema 1.17. Sea A una matriz de tamano n n, entonces A es invertible si y solo si A se puede escribir
como un producto de matrices elementales.
Demostracion. Supongamos que A es invertible. Por el Teorema 1.15 sabemos que A = E1 Ek A

con E1 , . . . , Ek matrices elementales y A en forma escalonada reducida, como A es invertible y las matrices
elementales tambien son invertibles tenemos que A es invertible, entonces por el Lema 1.16 tenemos que A = I
y por tanto A = E1 Ek es un producto de matrices elementales.
Si A = E1 Ek es un producto de matrices elementales, como las matrices elementales son invertibles
entonces A es el producto de matrices invertibles y por el Teorema 1.11 tenemos que A es invertible.

0 1 2

Ejemplo 1.30. Expresar la matriz A = 1 0 1 y su inversa como un producto de matrices elementales.

1 2 2
Solucion. Abajo se muestra la reduccion Gauss-Jordan de esta matriz indicando la matriz elemental asociada
a cada operacion aplicada de acuerdo a la Notacion 3.

0 1 2 F1 F2 1 0 1 1 0 1

1 0 1 0 1
2 0 1
2

1 1 2 1 1 2 F1 +F3 F3 0 1 1
| {z } | {z }
E12 E13 (1)

1 0 1 F3 +F1 F1 1 0 0 1 0 0

0 1 2 0 1 2 2F3 +F2 F2 0 1 0

F2 +F3 F3 0 0 1 0 0 1 0 0 1
| {z } | {z } | {z }
E23 (1) E31 (1) E32 (2)
De aqu tenemos que E32 (2)E31 (1)E23 (1)E13 (1)E12 A = I, por tanto
A1 = E32 (2)E31 (1)E23 (1)E13 (1)E12 y

1
A = E12 E13 (1)1 E23 (1)1 E31 (1)1 E32 (2)1
= E12 E13 (1)E23 (1)E31 (1)E32 (2).
Las matrices elementales tambien nos ayudan a demostrar un algoritmo para calcular la inversa de una matriz,
el cual enunciamos a continuacion.
Notacion 4. Sea A y B matrices con el mismo numero de filas, a la matriz obtenida de juntar ambas matrices
h i
se llamara matriz aumentada y se denotara por A B .
Teorema 1.18. (Algoritmo para calcular la inversa de una matriz) Sea A una matriz invertible de tamano nn,
h i h i
al aplicar reduccion Gauss-Jordan a la matriz aunmentada A I obtenemos la matriz I A1 . Mas
h i
aun, si B es una matriz de tamano n q, al aplicar reduccion Gauss-Jordan a la matriz aumentada A B
h i
obtenemos la matriz I A1 B .
Demostracion. Sean E1 , . . . , Ek las matrices elementales asociadas a las operaciones elementales necesarias
para reducir la matriz A a su forma escalonada reducida A . Como A es invertible entonces A = I y tenemos
h i
que Ek E1 A = I. Al aplicar las operaciones E1 , . . . , Ek a la matriz A | I obtenemos

E1 2 E k E
[A | I] [E1 A | E1 I = E1 ] [E2 E1 A | E2 E1 ] . . . E k E1 A | E k E1 . (1.7)
| {z }
=I
Como Ek E1 A = I y como la inversa de una matriz cuadrada es unica, entonces Ek E1 = A1 , as la

h i
ultima matriz en la Ecuacion (1.7) es igual a I | A1 .
El mismo analisis muestra la segunda parte.

0 1 2

1 calcular A1 .

Ejemplo 1.31. (MatLab) Sea A = 1 1

1 2 2
h i
Solucion. Usando MatLab para calcular la forma escalonada reducida de la matriz A I obtenemos
>> AI = [0, 1, 2, 1, 0, 0; 1, 1, 1, 0, 1, 0; 1, 2, 2, 0,0,1]; rref (AI)
1 0 0 0 2 1
h i

Obteniendo la matriz aumentada I A = 0 1 0 1 2 2 , de lo cual se sigue que la matriz

0 0 1 1 1 1

0 2 1

1
inversa A = 1 2 2.

1 1 1

0 1 2 1 2

1 y B = 2 3, calcular A1 B.

Ejemplo 1.32. (MatLab) Sean A = 1 1

1 2 2 0 1
34
Solucion. De acuerdo al teorema anterior debemos encontrar la forma escalonada reducida de la matriz au-
0 1 2 1 2
h i

mentada C = A B = 1 1 1 2 3 , la cual calculamos usando MatLab

1 2 2 0 1
>> C = [0, 1, 2,
1, 2; 1, 1, 1, 2, 3; 1, 2,
2, 0, 1]; rref (C)
1 0 0 4 7 4 7

y se obtiene 0 1 0 5 10 . De acuerdo al teorema anterior A1 B = 5 10.

0 0 1 3 6 3 6
Observacion 1.2. Del Teorema 1.18 se sigue que al aplicar reduccion Gauss-Jordan a una matriz invertible A
se obtiene I, si se aplican las mismas operaciones elementales que se aplicaron a A para reducirla a I entonces
se obtiene el producto de las correspondientes matrices elementales, producto que a su vez es igual a A1 . Es
decir, si E1 , . . . , Ek son las matrices elementales asociadas a las operaciones elementales que se usaron para
reducir la matriz A, entonces al aplicar las mismas operaciones elementales y en el mismo orden sobre la matriz
I, el resultado final es A1 .
Esto es cierto ya que aplicar una operacion elemental a una matriz es equivalente a multiplicar por la matriz
elemental asociada a la operacion a la izquierda, al comenzar con I obtenemos
E E E
1
I 2
E1 I = E1 k
Ek E1 = A1 .
Observacion 1.3. Si en el Teorema 1.18 las columnas de la matriz B son los vectores B1 , . . . , Bq , entonces al
h i h i
aplicar reduccion Gauss-Jordan a la matriz aumentada A B = A B1 Bq obtenemos la matriz
h i
A1 B = A1 B1 A1 Bq , obteniendo soluciones simultaneas a los sistemas Ax = B1 , . . . , Ax = Bq .
Ejemplo 1.33. Usar la observacion anterior para resolver los sistemas
x2 + 2x3 = 1 x2 + 2x3 = 2
x1 + x2 + x3 = 2 y x1 + x2 + x3 = 3
x1 2x2 2x3 = 0 x1 2x2 2x3 = 1.
Solucion. Estos sistemas son equivalentes a las ecuaciones matriciales

0 1 2 1 2

Ax = b1 y Ax = b2 donde, A = 1 1 1 , b1 = 2 y b 1 = 3 .

1 2 2 0 1
Estos se pueden resolver
simultaneamente calculando la forma escalonada
reducida de la
matriz aumentada
0 1 2 1 2 1 0 0 4 7
h i

A b 1 b2 = 1 1 1 2 3 , la cual esta dada por 0 1 0 5 10 (ver ejemplo ante-

1 2 2 0 1 0 0 1 3 6
rior) y por tanto las respectivas soluciones a los sistemas estan dadas por

4 7

x = 10 .

x = 5 y

3 6
Terminamos la seccion con el siguiente teorema que sera util en el proximo captulo, en este teorema se
explota el hecho de que las operaciones elementales son reversibles.
Teorema 1.19. Sea A una matriz de tamano m n y A su forma escalonada reducida. Entonces Ax = 0 si
y solo si A x = 0, es decir, x es una solucion al sistema homogeneo Ax = 0 si y solo si x es una solucion al
sistema A x = 0.

a11 a1n a11 x1 + + a1n xn = 0

.. .. .. ..
Demostracion. Si A = . . . , entonces el sistema es equivalente a .

am1 amn am1 x1 + + amn xn = 0,
h i
el cual se puede resolver aplicando las operaciones elementales de fila a la matriz aumentada A 0 . Si aplicamos
h i
operaciones hasta llegar a la forma escalonada reducida obtenemos la matriz A 0 , la cual nos da las soluciones
al sistema A x = 0. Ahora como las operaciones elementales son reversibles, comenzando con el sistema A x = 0,
podemos llegar al sistema Ax = 0. Por tanto Ax = 0 si y solo si A x = 0.
Problemas
1.4.1. Determine si las siguientes matrices son invertibles y en caso afirmativo calcule su inversa.

1 1 1 2 0 4 2 0 4

A = 1 2 2 , B = 0 2 2 y C = 0 2 10 .

4 4 1 3 1 1 3 1 1
1.4.2. Escriba las siguientes matrices y sus inversas como producto de matrices elementales.

1 1 1 2 0 4

A = 1 2 2 y B = 0 2 2 .

4 4 1 3 1 1
1.4.3. Escribala matriz A como un producto de matrices elementales por una matriz en forma escalonada
1 1 1 1 1 1

1 1 1 1 1 2
reducida. A =

.

1 1 1 1 2 3

1 1 1 2 3 4
1.4.4. si A y B tienen la misma forma escalonada reducida entonces existen matrices elementales E1 , . . . , Es
tal que A = E1 Es B.
1.4.5. Sean A y B matrices de tamanos m n y n q respectivamente. Demuestre que rango(AB) rango(A)

(Ayuda: Use el Lema 1.9 y el Teorema 1.15)
36
1.5. Inversas Laterales
En esta seccion se definira el concepto de inversa lateral, que generaliza el concepto de invertibilidad de
una matriz. Veremos que hay matrices que no son invertibles que tienen inversa a la izquierda o a la derecha y
mostraremos criterios claros que nos permitiran decidir cuando una matriz posee inversas laterales y algoritmos
para calcularlas. Terminaremos el captulo con un teorema que reune todas las propiedades equivalentes a que
una matriz sea invertible.
Definicion 1.14. Sea A una matriz de tamano m n.
1. Decimos que A tiene inversa a la izquierda si existe una matriz L de tamano n m tal que LA = In .
2. Decimos que A tiene inversa a la derecha si existe una matriz R de tamano n m tal que AR = Im .

1 0
1 1 0
Ejemplo 1.34. Sean A = yB= 0

0, un facil calculo nos muestra que AB = I2 y por tanto B
0 1 1
0 1
es una inversa a la derecha de A y a la vez, A es una inversa a la izquierda de B. Notese ademas que ni A ni
B son invertibles pues no son matrices cuadradas.
Tenemos el siguiente criterio para caracterizar las matrices que tienen inversa a la derecha. En lo que sigue,
para i = 1, . . . , n denotaremos por ei al vector columna en Rn cuya entrada es uno en la posicion i y cero en
las demas entradas, es decir,
1 0 0
0 1 0
0 0 0
e1 = .. , e2 = .. , ... en = .. .
. . .
0 0 0
0 0 1
Teorema 1.20. Sea A una matriz de tamano m n, entonces las siguientes afirmaciones son equivalentes:
1. A tiene inversa a la derecha.
2. El sistema Ax = b tiene solucion para cada b Rm .
3. rango(A) = m = numero de filas de A.
4. La funcion TA : Rn Rm definida por TA (x) = Ax es sobreyectiva.
Demostracion. Vamos a demostrar que 1 2, 2 3 y 2 4.

h i
1 2Si A tiene inversa a la derecha, existe R = R1 Rm de tamano n m tal que AR = I. Sea
b = b1 e1 + + bm em Rm entonces el vector c = b1 R1 + + bm Rm es una solucion al sistema Ax = b ya que
Ac = A(b1 R1 + + bm Rm ) = b1 AR1 + + bm ARm

b1
h i
..
= AR1 ARm .

bm
h i
= A R1 Rm b
| {z }
=R
= |{z}
AR b
=I
= b.
2 1Supongamos que la ecuacion Ax = b tiene solucion para cada b, entonces para cada i = 1, . . . , m, la
ecuacion Ax = ei tiene solucion. Sean r1 , . . . , rm las soluciones respectivas dichas ecuaciones. Es decir,
Ar1 = e1 , . . . , Arm = em .
h i
Sea R = r1 rm , entonces se tiene que
" #
h i h i
AR = A r1 Ar1
= |{z} Arm =
rm |{z} e1 em = I m .
=e1 =em
Por tanto R es la inversa a la derecha de A.

2 3Supongamos que Ax = b tiene solucion para cada b y sabemos que rango(A) m = numero de filas de
A. Si rango(A) < m, entonces las forma escalonada A de A tiene al menos una fila de ceros. Sean E1 , . . . , Ek
matrices elementales tal que A = E1 Ek A y sea b = Ek1 E11 em entonces al aplicar reduccion Gauss-
h i
Jordan a la matriz A b usando las operaciones elementales de fila asociadas a las matrices E1 , . . . , Ek
" #
h i
E E A E E b
obtenemos la matriz | {z } | {z } = A em . Como la ultima fila de A es de ceros, entonces
1 k 1 k
=A em
el sistema es inconsistente, es decir, para b = Ek1 E11 em , la ecuacion Ax = b no tiene solucion, lo que
contradice la hipotesis. Por tanto rango(A) = m.
3 2Si rango(A) = m = # de filas, entonces A tiene un pivote en cada fila, por tanto para todo b Rm
h i
se tiene que la matriz A b no tiene pivote en la ultima columna y as el sistema Ax = b siempre tiene al
menos una solucion.
2 4Si la ecuacion Ax = b tiene solucion para todo b, entonces para todo b Rm , existe c Rn tal que
b = Ac = TA (c). Por tanto TA es sobre.
4 2Si TA es sobre, para todo b Rm , existe c Rn tal que b = TA (c) = Ac, es decir, x = c es una solucion
al sistema Ax = b.
La parte 3. de este teorema nos dice que una matriz tiene inversa a la derecha si y solo si su forma escalonada
reducida tiene un pivote en cada fila. El teorema tambien nos ofrece un metodo calcular la inversa a la derecha, el
38
cual esta casi explcito en la demostracion de 1 2, ya que en ese numeral se prueba que las columnas R1 , . . . , Rm
de la inversa a la derecha R son las respectivas soluciones a las ecuaciones Ax = e1 , Ax = e2 , . . . , Ax = en como
se ilustra en el siguiente ejemplo.
Procedimiento 1.1. Sea A una matriz de tamano m n y A la forma escalonada reducida de A, si A tiene
un pivote en cada fila entonces A tiene una inversa a la derecha, para calcularla hacemos lo siguiente:
1. Para i = 1, , m, calculamos una solucion ri al sistema Ax = ei , es decir, un vector ri tal que Ari = ei .
Sabemos que estos vectores existen por el Teorema 1.2.

h i
2. Se hace R = r1 rm la matriz cuyas columnas son los vectores r1 , , rm calculados en el paso
anterior.
De acuerdo al Teorema 1.20, la matriz R es una inversa a la derecha de A.

1 2 2
Ejemplo 1.35. Determine si la matriz A = tiene inversa a la derecha y en caso afirmativo
1 0 4
calcular una inversa a la derecha de A.
1 0 4
Solucion. Como la forma escalonada de reducida de A es la matriz A = se tiene que rango(A) =
0 1 3
2 = numero de filas, por tanto A tiene inversa a la derecha por el Teorema 1.20.
Para encontrar la inversa a la derecha de A debemos encontrar soluciones a las ecuaciones
Ax = e1y Ax =
0 0

1 1
e2 . Se puede verificar que soluciones particulares a estas ecuaciones estan dadas por r1 = 2 y r2 = 4 y

1
0 4
por tanto una inversa a la derecha de A esta dada por

0 0
h i

R = r1 r2 = 12 14 .

1
0 4
El siguiente teorema carateriza las matrices con inversa a la izquierda, las propiedades son analogas a las del
teorema anterior para la inversa a derecha.
Teorema 1.21. Sea A una matriz de tamano m n, entonces las siguientes afirmaciones son equivalentes:
1. A tiene inversa a la izquierda.
2. El sistema Ax = b tiene a lo sumo una solucion para cada b Rm .
3. La funcion TA : Rn Rm definida por TA (x) = Ax es inyectiva.
4. El sistema Ax = m tiene solucion unica.
5. rango(A) = n = numero de columnas de A.

Demostracion. Para este teorema demostraremos las equivalencias en el orden 1 2, 2 3, 3 4, 4 5 y

5 1.
1 2Supongamos que A tiene inversa a la izquierda L , y sean v y w soluciones al sistema Ax = b. Entonces
Av = L |{z}
v = Iv = L |{z} b = |{z}
LA w = Iw = w.
=b =Aw =I
Como v = w el sistema tiene a lo sumo una solucion.

2 3Supongamos que Ax = b tiene a lo sumo una solucion para todo b y que TA (v) = TA (w), entonces
Av = Aw. Sea b = Av, entonces la ecuacion Ax = b tiene dos soluciones v y w, entonces v = w.
3 4Supongamos que TA es inyectiva. Entonces si v es tal que Av = se tiene que = Av = TA (v) y como
TA () = A = entonces TA (v) = TA () y como TA es inyectiva, v = .
4 5 Supongamos que el sistema Ax = tiene solucion unica, entonces por el Teorema 1.2 la forma
h i h i
escalonada reducida de la matriz A = A , donde A es la forma escalonada reducida de A tiene
un pivote en todas la columnas excepto la ultima, es decir, A tiene un pivote en cada columna y por tanto
rango(A) = n = numero de columnas de A.
5 1Supongamos que rango(A) = n, entonces la forma escalonada A de A tiene un pivote en cada columna,
por tanto 1 0 0
0 1 0
.. .. . . ..
. . . .
A =
00 00 1 .
0
. .
.. .. . . ..
..
0 0 0
Sean E1 , . . . , Ek matrices elementales tal que A = E1 Ek A y sea
B1

.
B = Ek1 E11 , entonces A = BA. Sean B 1 , . . . , B m las filas de B, es decir B = .. . Como A = BA

m
B
tenemos lo siguiente
B1 B1A

. .
A = BA = .. A = .. .

Bm BmA

B1

.
Ahora tomemos C = .. la matriz formada con las primeras n filas de B, veamos que C es la matriz inversa

Bn
a la izquierda de A.

1 0 0
B1 B1A

.

.
0 1 0
CA = .. A = .. = primeras n filas de A = .. .. . . .. = I.

. . . .
n n
B B A
0 0 1
40
Este teorema tambien nos da una forma de determinar si una matriz tiene inversa a la izquierda (se calcula el
rango y la matriz tiene inversa a la izquierda si y solo si el rango es igual al numero de columnas). El teorema
tambien provee un algorimo para calcular dicha matriz, el cual se describe a continuacion.
Procedimiento 1.2. Sea A una matriz de tamano m n y sea A la forma escalonada de de A, si A tiene
un pivote en cada columna entonces A tiene una inversa a la izquierda. Si A tiene inversa a la izquierda esta
se puede calcular haciendo lo siguiente:
1. Se aplica reduccion Gauss-Jordan a la matriz.
2. Se calcula el producto de las matrices elementales Ek E1 asociadas a las operaciones elementales usadas
en el paso anterior. Este producto se puede calcular directamente aplicando sucesivamente las operaciones
elementales que se aplicaron en el paso anterior para reducir la matriz A comenzando con la matriz
identidad Im , con m = numero de filas de A.
3. La matriz L formada por las primeras n filas de la matriz Ek E1 es la inversa a la izquierda.
Ejemplo 1.36. (MatLab) Para cada una de las matrices abajo, determine si tienen inversa a la izquierda y
encuentrela en caso afirmativo.

2 1 1 1

1 1 0

a. A = 4 2 b. B = c. C = 0 1 .
2 1 1
2 1 2 1
Solucion.
1. Usando MatLab para calcular el rango de la matriz A obtenemos
>> A = [2, 1; 4, 2; 2, 1]; r = rank(A)
que r = 1, as como rango(A) = 1 < numero de columnas, entonces por el Teorema 1.21 la matriz no
tiene inversa a la izquierda.
2. La matriz B tiene 2 filas, de donde rango(B) 2 < 3 =numero de columnas. Por tanto B no tiene
inversa a la izquierda.
3. El rango de esta matriz C es dos, entonces C tiene inversa a la izquierda. Para calcular una inversa a la
izquierda debemos aplicar el procedimiento descrito arriba,
1. Apliquemos reduccion Gauss-Jordan a la matriz C

1 1 1 1 F2 +F1 F1 1 0 1 0

0 1 0 1 0 1 0 1 .

2 1 2F1 +F3 F3 0 3 0 3 3F2 +F3 F3 0 0
| {z } | {z } | {z }
E1 E2 E3
Donde E1 , E2 y E3 son las matrices elementales asociadas a cada una de las operaciones ejecutadas.
2. Aplicamos las operaciones efectuadas en la reduccion a la matriz identidad 3 3. Esto es equivalente a

multiplicar las matrices elementales asociadas a las operaciones.

1 0 0 1 0 0 F2 +F1 F1 1 1 0

0 1 0 0 1 0 0 1 0

0 0 1 2F1 +F3 F3 2 0 1 2 0 1
| {z } | {z }
E1 E2 E1

1 1 0

0 1 0 = E3 E2 E1 .

3F2 +F3 F3 2 3 1

1 1 0
3. La matriz L = , obtenida al suprimir la ultima fila a la matriz E3 E2 E1 , es una inversa a la
0 1 0
izquierda de C.
Hay otra forma de calcular la inversa a la izquierda de una matriz. Es facil ver que si R es una inversa a la
derecha de At entonces L = Rt es una inversa a la izquierda de A. Esto se ilustra en el siguiente ejemplo.

1 1

Ejemplo 1.37. (MatLab) Calcular una inversa a la izquierda de la matriz C = 0 1 .

2 1
Solucion. Para calcular la inversa a la derecha de C t , necesitamos resolver las ecuaciones C t x = e1 y C t x = e2 .
Estas soluciones las calculamos con MatLab
>> C t =[1,0, 2; 1, 1,
1]; e1 = [1; 0]; e2 = [0; 1]; r1 = A\e1, r2 = A\e2
1
2
3 3

r1 = 0 y r2 = 0 .

1 1
3 3
1
23
3
Entonces una inversa a la derecha de C t es la matriz R = 0

0 , por tanto una inversa a la izquierda de

1 1
3 3
1 1
3 0 3
C es la matriz L = Rt = .
32 0 1
3
De estos resultados obtenemos la siguiente caracterizacion para matrices invertibles.
Corolario 1.22. (Caracterizacion de una matriz invertible) Sea A una matriz cuadrada de tamano n n,
entonces las siguientes afirmaciones son equivalentes:
1. A es invertible.
2. A tiene inversa a la izquierda.

42
3. El sistema Ax = b tiene a lo sumo una solucion para cada b Rn .
4. La funcion TA : Rn Rn definida por TA (x) = Ax es inyectiva.
5. El sistema Ax = n tiene solucion unica.
6. rango(A) = n = numero de columnas de A = numero de filas deA.
7. A tiene inversa a la derecha.
8. El sistema Ax = b tiene solucion para cada b Rm .
9. La funcion TA : Rn Rn definida por TA (x) = Ax es sobreyectiva.
10. La funcion TA : Rn Rn definida por TA (x) = Ax es biyectiva.
11. At es invertible.
12. A es un producto de matrices elementales.
Demostracion. Las condiciones 1. y 12. son equivalentes por el Teorema 1.17, las condiciones 1. y 11. son
equivalentes por el Teorema 1.11, las condiciones 2. a 6. son equivalentes por el Teorema 1.21 y las condiciones
6. a 10. son equivalentes por el Teorema 1.20. Es suficiente demostrar que 1 2.
1 2Si A es invertible, entonces A1 A = I y por tanto A1 es inversa a la izquierda de A.
2 1Si A tiene inversa a la izquierda, entonces existe B tal que BA = I y por el Teorema 1.21, rango(A) = n =
numero de columnas. Como A es cuadrada entonces el numero de filas es igual al numero de columnas e igual
al rango(A), entonces por el Teorema 1.20, A tiene una inversa a la derecha C, de donde AC = I, entonces se
tiene que
B = BI = B(AC) = (BA)C = IC = C.
Entonces BA = AB = I y por tanto A es invertible y B = A1 .
Problemas
1.5.1. Determine cual de las matrices tiene inversa a la izquierda o a la derecha y compute una para las que la
tengan:
1 2 1 1
1 1 1 2 1 5

a. . b. . c. 4 8 . d. 1 2 .
2 2 2 3 4 1
2 4 1 4

1 3 1
1.5.2. Encuentre soluciones a las ecuaciones Ax = e1 y Ax = e2 con A = y uselas para calcular
4 1 2
una inversa a la derecha de la matriz A.

1 1 1

1 1 2
1.5.3. Calcule una inversa a la izquierda de la matriz A =

.

1 2 3

1 2 4

1 1 1 1 1 1

1 1 1 1 1 2
1.5.4. Calcule una inversa a la derecha de la matriz B =

de dos formas: primero usando

1 1 1 1 2 3

1 1 1 2 3 4
el Procedimiento 1.1 y despues usando el Procedimiento 1.2 para calcular una inversa a la izquierda de B t .
1.5.5. Demuestre que si una matriz A de tamano m n tiene inversa a la izquierda L e inversa a la derecha
R, entonces L = R y m = n.
1.5.6. Demuestre que L es una inversa a la izquierda de A si y solo si Lt es in inversa a la derecha de At .

Concluya que si rango(A) = numero de columnas de A, entonces rango(At ) = rango(A).
1.5.7. Si A es 4 3 y B es 3 4 muestre que AB no es invertibe. (Ayuda: Muestre que la ecuacion Bx = 0

tiene una solucion no trivial.)
1.5.8. Gerenalizando el problema anterior, si A es n m y B es m n con m < n muestre que AB no es

invertible.
1.5.9. Muestre que una matriz no cuadrada no puede tener inversa a la izquierda y a la derecha.
1.5.10. Muestre que una matriz no cuadrada no puede ser la inversa a la izquierda y a la derecha de otra
matriz.
1.5.11. Muestre que Ax = b tiene solucion para todo b si y solo si At y = 0 tiene solucion unica.
1.5.12. Muestre que las matrices inversas a izquierda o derecha de una matriz no cuadrada no son unicas, de
hecho, pueden existir infinitas.
El siguiente ejercicio tiene el proposito de mostrar que en la definicion de matrices cuadradas invertibles es
suficiente exigir que existe B tal que AB = I.
1.5.13. Sea A Mn (R) una matriz y suponga que existe B tal que AB = I. Demuestre lo siguiente:
1. rangoA = n.
2. existe C tal que CA = I.

44
3. C = B
4. A es invertible.
Captulo 2
Espacios Vectoriales
2.1. Definicion y Ejemplos

En el captulo anterior se dieron ejemplos, sin mencionarlo, de espacios vectoriales. Mas concretamente en los
Teorema 1.5 y 1.6 se mostro que el conjunto de matrices de tamano m n y el conjunto de vectores columna
Rn son espacios vectoriales. Solo nos falta enunciar la definicion y ver que estos conjuntos la satisfacen. En
este captulo solo trabajaremos sobre Rn y los teoremas seran acerca de este conjunto, en el Captulo 3 se
demostraran los teoremas generales.
Definicion 2.1. Sea V un conjunto no vacio con dos operaciones + : V V V y : R V V , decimos

que V es un espacio vectorial sobre R si para todo x, y y z V y para todo y R se cumple lo siguiente:
1. (x + y) + z = x + (y + z),
2. existe V tal que + x = x + = x, (A se le llama el neutro de V )
3. existe w tal que x + w = w + x = , (A w se le llama el inverso aditivo de x)
4. x + y = y + x,
5. (x + y) = x + y,
6. ( + ) x = x + x,
7. ( x) = () x,
8. 1 x = x.
Ejemplo 2.1. 1. El conjunto de vectores en Rm es un espacio vectorial, por el Teorema 1.6.
2. El conjunto de matrices m n es un espacio vectorial, esto por el Teorema 1.5. A este conjunto lo deno-
taremos por Mmn (R) cuando las entradas sean reales y por Mmn (C) cuando las entradas sean complejas.
En el caso en que m = n, usaremos la notacion Mn (R) o Mn (C).
3. Sea Pn = {a0 + a1 t + + an tn | a0 , . . . , an R} el conjunto de polinomios de grado a lo sumo n en la

indeterminada t, este conjunto es un espacio vectorial sobre R bajo las operaciones:
45
46
a0 + a1 t + + an tn + b0 + b1 t + + bn tn = (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn y
(a0 + a1 t + + an tn ) = a0 + a1 t + + an tn .
Veamos que estas operaciones satisfacen todas las propiedades de la

definicion de espacio vectorial.
Sean p1 = a0 + a1 t + + an tn , p2 = b1 t + + bn tn y p3 = c0 + c1 t + + cn tn Pn , , R,
1.
(p1 + p2 ) + p3 =(a0 + a1 t + + an tn + b0 + b1 t + + bn tn )
+ c 0 + c 1 t + + c n tn
=(a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
+ c 0 + c 1 t + + c n tn
(definicion de suma en Pn )
=((a0 + b0 ) + c0 ) + ((a1 + b1 ) + c1 )t + . . .
+ ((an + bn ) + cn )tn
=(a0 + (b0 + c0 )) + (a1 + (b1 + c1 ))t + . . .
+ (an + (bn + cn ))tn
(asociatividad en R)
=a0 + a1 t + + an tn + (b0 + c0 ) + (b1 + c1 )t + . . .
+ (bn + cn )tn
=a0 + a1 t + + an tn
+ (b0 + b1 t + + bn tn + c0 + c1 t + + cn tn )
=p1 + (p2 + p3 )
2. Sea = 0 el polinomio constante = 0, entonces
p1 + = a 0 + a 1 t + + a n t n + 0 = a 0 + a 1 t + + a n t n = p1
3. Sea w = a0 a1 t + an tn entonces
w + p1 = a0 a1 t + an tn + a0 + a1 t + + an tn +
= (a0 + a0 ) + (a1 + a1 )t + + (an + an )tn
= 0 = .
4.
p 1 + p 2 = a 0 + a 1 t + + a n t n + b0 + b1 t + + bn t n
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
(Definicion de suma en Pn )
= (b0 + a0 ) + (b1 + a1 )t + + (bn + an )tn
(Conmuatitividad en R)
= b0 + b1 t + + bn t n + a 0 + a 1 t + + a n t n
(Definicion de suma en Pn )
= p2 + p1
5.
(p1 + p2 ) = (a0 + a1 t + + an tn + b0 + b1 t + + bn tn )
= ((a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn )
definicion de suma en Pn
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
definicion de producto por escalar en Pn
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
distributividad en R
= a0 + a1 t + + an tn + b0 + b1 t + + bn tn
= (a0 + a1 t + + an tn ) + (b0 + b1 t + + bn tn )
= p1 + p2
48
6.
( + ) p1 = ( + ) (a0 + a1 t + + an tn )
= ( + )a0 + ( + )a1 t + + ( + )an tn
= (a0 + a0 ) + (a1 + a1 )t + + (an + an )tn
ditributividad en R
= a0 + a1 t + + an tn + a0 + a1 t + + an tn
= (a0 + a1 t + + an tn ) + (a0 + a1 t + + an tn )
= p1 + p1
7.
() p1 = () (a0 + a1 t + + an tn )
= ()a0 + ()a1 t + + ()an tn
= (a0 ) + (a1 )t + + (an )tn
asociatividad en R
= (a0 + a1 t + + an tn )
= ( (a0 + a1 t + + an tn ))
= ( p1 )
8.
1 p1 = 1 (a0 + a1 t + + an tn ) = 1 a0 + 1 a1 t + + 1 an tn
= a 0 + a 1 t + + a n tn
= p1 .
4. El conjunto de polinomios con entradas en R,
R[t] = {a0 + a1 t + + an tn | a0 , . . . , an R, n N {0}} ,
es un espacio vectorial.
5. Si X es un conjunto, el conjunto de funciones de X en R,
F(X, R) = {f : X R | f es una funcion },
es un espacio vectorial sobre R con las operaciones de suma y producto por escalar definidos por:
(f + g)(x) = f (x) + g(x) y (f )(x) = f (x).
Los detalles se dejan como ejeercicio al lector.
Los espacios vectoriales satisfacen las siguientes propiedades que se desprenden de la definicion.
Teorema 2.1. Sea V un espacio vectorial, x V y R entonces
1. El neutro es unico, es decir, si y son neutros entonces = ,
2. el inverso aditivo de x es unico, es decir, si w y w son inversos aditivos de x entonces w = w , (dada la

unicidad del inverso aditivo de x, este sera denotado por x)
3. = , 4. 0 x = ,
5. 1 x = x, 6. Si x = entonces = 0 o x = .
Demostracion. 1. = + = + = .
2. w = w + = w + (x + w ) = (w + x) + w = + w = w .
3. + = ( + ) = , sumando el inverso aditivo de a ambos lados tenemos: = .
4. 0x = (0 + 0)x = 0x + 0x, sumando el inverso aditivo de 0x a ambos lados tenemos que = 0x.
5. 1x + x = 1x + 1x = (1 + 1)x = 0x = . como el inverso aditivo de x es unico, tenemos que 1x = x.

1
6. Supongamos que x = y que 6= 0. Si multiplicamos a ambos lados por tenemos que

1 1
(x) = 1x = x=
| {z } |{z}
|{z} =x
=

1

= x

|{z}
=1
Problemas
2.1.1. Demuestre que R+ = {x R | x > 0} es un espacio vectorial bajo las operaciones
x y = xy y x = x ,
para todo x, y R+ y todo R.

50
2.1.2. Generalizando el problema anterior, demuestre que el conjunto

n
(R+ ) = {(x1 , . . . , xn ) | x1 , . . . , xn R+ } es un espacio vectorial bajo las operaciones
(x1 , . . . , xn ) (y1 , . . . , yn ) = (x1 y1 , . . . , xn yn ) y (x1 , . . . , xn ) = (x

1 , . . . , xn ).
2.1.3. Determine cuales de los siguientes conjuntos son espacios vectoriales con las operaciones indicadas. Si
no lo son, enuncie las propiedades que no cumplen.
1. El conjunto de matrices simetricas, {A Mn (R) | At = A}, bajo la suma y el producto por escalar usual de
matrices. (La suma y producto usual de matrices se dieron en la Definicion ??.)
2. El conjunto de matrices anti-simetricas, {A Mn (R) | At = A}, bajo la suma y el producto por escalar
usual de matrices.

x
3. El conjunto R+ R = x, y R, x > 0 bajo la suma y el producto por escalar usual de R2 . (La suma
y
y producto usual de vectores en Rn se dieron en la Definicion ??.)

x
4. El conjunto (R \ R+ ) (R \ R+ ) = x, y R, x, y < 0 bajo la suma y el producto por escalar usual
y
de R2 .
5. El conjunto

R+ R+ R \ R+ R \ R+ = (x, y) R2 | x, y 0 o x, y 0
bajo la suma y producto por escalar usuales de R2 .

x

6. El conjunto y x, y R, x > 0 bajo la suma y el producto por escalar usual de R3 .

xy

7. El conjunto {a + at2 + + at2n | a R} bajo las operaciones de suma y producto por escalar usual de
polinomios. (Ver Ejemplo 2.1 tem 3.)

a
1
8. El conjunto a R bajo las operaciones usuales para matrices.

a a
9. El conjunto {a0 + a1 t + + an tn | a0 = 1} bajo las operaciones de suma y producto por escalar usual de
polinomios.
2.1.4. Demuestre que R R \ {0} es un espacio vectorial con las operaciones (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 b2 )
y (a, b) = (a, b ).

1 a
2.1.5. Demuestre que el conjunto V = a R es un espacio vectorial bajo la suma definida por

0 1
A B = AB donde AB denota el producto usual de matrices y el producto por escalar definido por

1 a 1 a
= .
0 1 0 1
2.1.6. Demuestre que un plano que pasa por el origen,

S = (x, y, z) R3 | x + y + z = 0, , , R ,
es un espacio vectorial bajo la suma y producto por escalar usuales de R3 .
2.1.7. Generalizando el problema anterior, demuestre que un hiperplano que pasa por el origen,
S = {(x1 , . . . , xn ) Rn | 1 x1 + + n xn = 0, 1 , . . . , n R} ,
es un espacio vectorial bajo la suma y producto por escalar usuales de Rn .
2.1.8. Generalizando aun mas el Problema 2.1.6, demuestre que el conjunto de soluciones a un sistema ho-
mogeneo,

11 x1 + + 1n xn = 0

..
S= (x1 , . . . , xn ) Rn . , ij R, para i, j = 1, . . . , n. ,

n1 x1 + + nn xn = 0
es un espacio vectorial bajo la suma y producto por escalar usuales de Rn .

Ayuda: Recuerde
que las soluciones
al sistema
de ecuaciones son las soluciones a la ecuacion matricial
11 1n x1

.. .. .. y x = ...
.
Ax = 0 con A = . . .

n1 nn xn
2.1.9. Demuestre que los conjuntos dados en los numerales 4. y 5. del Ejemplo 2.1 son espacios vectoriales con
las operaciones indicadas.
2.1.10. Sea V un espacio vectorial y sean x, y V , para cada una de las siguientes ecuaciones, demuestre que
existe un unico z V que la satisface
1. x + z = y. 2. x z = y. 3. z = x. 4. x + z = y.
2.2. Subespacios
En esta seccion se dara un criterio para determinar si un subconjunto de un espacio vectorial es un subespacio
y como construir nuevos subespacios de otros.
52
Definicion 2.2. Sea V un espacio vectorial y 6= W V , decimos que W es un subespacio de V si W es

tambien un espacio vectorial bajo las mismas operaciones de suma y producto por escalar de V .
Ejemplo 2.2. 1. En el Ejemplo 2.1 vimos que Pn es un espacio vectorial para todo n, como Pn1 Pn y
ambos son espacios vectoriales, tenemos que Pn1 es un subespacio de Pn .
2. Tambien tenemos que Pn es un subespacio de R[t] para todo n, al ser un espacio vectorial y subconjunto
de R[t].
3. El conjunto de numeros reales R es un espacio vectorial, el conjunto de numeros complejos C tambien es

un espacio vectorial, como R C tenemos que R es un subespacio de C.
En teora para demostrar que un subconjunto no vacio de un espacio vectorial V es un subespacio es necesario
determinar si cumple las ocho condiciones de la definicion, sin embargo, el siguiente teorema nos da un criterio
en el que solo es necesario mostrar que este es cerrado bajo la suma y el producto por escalar.
Teorema 2.2. Sea V un espacio vectorial y 6= W V , entonces W es un subespacio de V si para todo

w, w W y para todo R se satisface que
1. w + w W, 2. w W.
Demostracion. Debemos demostrar W cumple las ocho condiciones de espacio vectorial.
1. La asociatividad se cumple para todo v, v y v V , entoncs en particular si estos estan en W .
2. Como W 6= , existe w W , entonces por hipotesis tenemos que w = (1)w W , en consecuencia

0 = w + w W .
3. Si w W entonces por la hipotesis 2. tenemos que w = (1)w W .
4-8. Estas propiedades se cumplen para todo w, w V , en particular si w, w W .
Por tanto W es un espacio vectorial y como W V , tenemos que W es un subespacio de V .

x
1

..

Ejemplo 2.3. Sea H = . xn = 0 Rm , demuestre que H es un subespacio de Rm .

x

n
Solucion. Primeronotese
que H 6= ya que n H, veamos que H satisface las condiciones 1. y 2. del
x1 y1

.. ..
Teorema 2.2. Sean . , . H y R, entonces xn = 0 = yn por tanto

xn yn

x1 y1 x 1 + y1 x 1 + y1 x1 x1 x1

.. .. .. .. .. .. ..
. + . = . = H y = = H.
. . . .

xn yn x n + yn 0 xn 0 0
El Teorema 2.2 no solo facilita la verificacion de si un subconjunto es un subespacio, tambien facilita las
demostraciones de los siguientes teoremas.
Teorema 2.3. Sea V un espacio vectorial y sean W1 y W2 subespacios de V entonces W1 W2 es un subespacio

de V .
Demostracion. Como W1 y W2 son subespacios, entonces 0 W1 y 0 W2 , se sigue que 0 W1 W2 y por

tanto W1 W2 6= . Ahora mostremos que el conjunto W1 W2 satisface las condiciones 1. y 2. del Teorema
2.2.
Sean w, w W1 W2 , entonces w, w W1 y w, w W2 , luego w + w W1 y w + w W2 , por tanto
w + w W1 W2 .
Sea R, como W1 y W2 son subespacios tenemos que w W1 y w W2 , por tanto w W1 W2 .
Concluimos que W1 W2 es un subespacio de V .
Teorema 2.4. Sea V un espacio vectorial y sean W1 y W2 subespacios de V y definamos
W1 + W2 = {w1 + w2 | w1 W1 y w2 W2 }
entonces W1 + W2 es un subespacio de V .
Demostracion. Esta se deja como ejercicio.
Problemas

a
b a b
2.2.1. Sea V = M2 (R), demuestre que H1 = a, b, c R y H2 =

a, b R son subes-

0 c b a
pacios de V y describa el conjunto H1 H2 .
2.2.2. Demuestre el Teorema 2.4

x 1

n .
.
2.2.3. Demuestre que un hiperplano H de R , H = . 1 x1 + + n xn = 0, 1 , . . . , n R es un

x

n
subespacio de Rn .
2.2.4. Sea A una matriz m n, demuestre que el conjunto H = {x Rn | Ax = 0} es un subespacio de Rn .

(Este ejercicio es una generalizacion del ejercicio anterior, notese que en el ejercicio anterior la matriz A es la
matriz A = [1 n ]. )
2.2.5. La traza de una matriz A = (aij ) Mn (R) se define como tr(A) = a11 + + ann . Demuestre que
el conjunto de matrices de traza cero es un subespacio de Mn (R), a este subespacio se le denota por sln (R) o
sl(n, R).
54
2.2.6. Sean A, B Mn (R) y , R, demuestre que
1. tr(A + B) = tr(A) + tr(B),
2. tr(AB) = tr(BA)
3. tr(At ) = tr(A).
2.2.7. De ejemplos de subconjuntos de R2 que cumplan lo siguiente:
1. que sea cerrado bajo el producto por escalar pero no que sea cerrado bajo la suma,
2. que sea cerrado bajo la suma pero que no sea cerrado bajo el producto por escalar.
2.2.8. Demuestre que el conjunto solucion de el sistema homogeneo
a11 x1 + + a1n xn = 0
..
.
am1 x1 + + amn xn = 0
n
es un subespacio de R .
a11 a1n x1

. .. .. .
Ayuda: Sea A = .. . . la matriz del sistema, demuestre que x = .. es una solucion al

am1 amn xn
sistema si y solo si Ax = 0 y use el Ejercicio 2.2.4.
2.2.9. 1. Construya un contraejemplo que muestre que la union de subespacios no es un

subespacio.
2. Sea V un espacio vectorial y W1 y W2 subespacios de V , demuestre que W1 W2 es un subespacio si y

solo si W1 W2 o W2 W1 .
2.2.10. Sea V un espacio vectorial y sean W1 y W2 subespacios de V , demuestre que W1 + W2 es el subespacio

mas pequeno que contiene a W1 y a W2 .
2.2.11. Demuestre que el conjunto de matrices simetricas,
Sn = {A Mn (R) | A es simetrica },
es un subespacio de Mn (R).
2.2.12. Demuestre que el conjunto de matrices antisimetricas,
An = {A Mn (R) | A es antisimetrica },
es un subespacio de Mn (R).
2.2.13. Una funcion se llama par si f (x) = f (x), para todo x. Demuestre que el conjunto de funciones pares
es un subespacio vectorial de F(R, R).
Demuestre tambien que el subconjuto formado por las funciones impares, funciones tal que f (x) = f (x),
para todo x, tambien es un subespacio de F(R, R).
2.2.14. Sea F = F([0, 1], R), el conjunto de funciones del intervalo [0, 1] en R, demuestre que los siguientes
subconjuntos son subespacios de F:
1. el conjunto C([0, 1], R) de funciones continuas del intervalo [0, 1] en R,

Z 1

2. el conjunto f F f (x)dx = 0 .
0
2.2.15. Sea V un espacio vectorial y sean H1 y H2 subespacios, demuestre que H1 H2 es el subespacio mas
grande contenido en H1 y H2 .
2.2.16. Sea V = {f : R R | f es una funcion } el espacio de funciones de R en R. Determine si los

siguientes conjuntos son subespacios de V .

1. H1 = f V lm f (x) = + . 2. H2 = f V lm f (x) = 0 .
x
x0
2.2.17. Sean H, K y L subespacios de un espacio vectorial V . Haga lo siguiente
1. Muestre que (H K) + (H L) H (K + L).
2. Exhiba un contraejemplo que muestre que la igualdad H (K + L) = (H K) + (H L) no es cierta.
3. Muestre que si K H entonces H (K + L) = K + (H L).
4. Muestre que H + (K L) (H + K) (H + L).
5. Exhiba un contraejemplo que muestre que la igualdad H + (K L) = (H + K) (H + L) no es cierta.
2.2.18. Si A V es un subconjunto de un espacio vectorial V , definimos L(A) como el conjunto L(A)=interseccion

de subespacios que contienen a A, muestre lo siguiente:
1. L({x}) = {ax : a R}
2. H es un subespacio de V si y solo si L(W ) = W .
3. Si A B entonces L(A) L(B).
4. Si H1 y H2 son subespacios entonces L(H1 H2 ) = H1 + H2 .
5. L(A) es el subespacio mas pequeno que contiene a A.

R1
2.2.19. Muestre que {p R4 [t] | 0
p(x)dx = 0} es un subespacio .
56
2.3. Independencia Lineal

En esta seccion se estudiara el concepto de independencia lineal el cual nos permitira determinar cuando
un vector en un conjunto dado de vectores se puede expresar en terminos de los demas. Tambien se dara un
criterio que nos permitira determinar computacionalmente cuando un conjunto de vectores en Rm es linealmente
independiente. Se usara muy a menudo la frase combinacion lineal, la cual definimos a continuacion.
Definicion 2.3. Sea V un espacio vectorial y sean v1 , . . . , vk V , una combinacion lineal de estos vectores es
una expresion de la forma
1 v 1 + + k v k ,
donde 1 , . . . , k son reales.
Definicion 2.4. Sea V un espacio vectorial y sean v1 , . . . , vk V , decimos que el conjunto {v1 , . . . , vk } es
linealmente independiente si la unica combinacion lineal de los vectores v1 , . . . , vk que produce el vector nulo es
la trivial, es decir, si se tiene que 1 v1 + + k vk = 0 entonces 1 = 2 = = k = 0. En este caso tambien
diremos que los vectores v1 , . . . , vk son linealmente independientes o simplemente LI para simplificar.
Si el conjunto {v1 , . . . , vk } no es linealmente independiente, decimos que es linealmente dependiente o simple-
mente LD para simplificar.
Observacion 2.1. De la definicion anterior se deprende que si el conjunto {v1 , . . . , vk } es LD si existe una
combinacion lineal de los vectores v1 , . . . , vk que se anula, es decir, {v1 , . . . , vk } es LD si y solo si existen
constantes 1 , . . . , k , no todas cero, talque
1 v1 + + k vk = 0. (2.1)
Lo que es equivalente a decir que alguno de los vi se puede escribir como una combinacion lineal de los demas,
esto ya que al menos uno de los i 6= 0, por tanto despejando por vi en (2.1) tenemos
1 i1 i+1 k
vi = v1 vi1 vi+1 vk .
i i i i
Es decir, un conjunto es LD si y solo si uno de los vectores es una combinacion lineal de los demas.

1 0 0
Ejemplo 2.4. Los vectores v1 = y v2 = son LI ya que si suponemos que 1 v1 + 2 v2 = tenemos
0 1 0
que
1 0
= 1 v 1 + 2 v 2 =
2 0
lo que implica que 1 = 2 = 0.

1 2
Los vectores v1 = y v2 = son LD ya que v2 = 2v1 lo que es equivalente a escribir 2v1 + v2 = 0 y
1 2
por la definicion se sigue que v1 y v2 son LD.
De la ultima observacion obtenemos una interpretacion geometrica que podemos usar para conjuntos pequenos
de vectores la cual exhibimos a continuacion.
El conjunto de vectores {v, w} es LD si y solo si w = v, es decir, el conjunto {v, w} es LD si y solo si w
es un multiplo de v. La siguiente figura nos muestra las posibilidades y aunque se usa una grafica en R2 , vale
la pena aclarar que la mismos casos se cumplen para un par de vectores en dimensiones mayores.
w
w
v
v
Vectores LD Vectores LI
Un conjunto formado por tres vectores {v, w, z} es LD si y solo si uno de ellos es combinacion lineal de los
otros. Esta ultima propiedad nos lleva a dos casos:
Caso 1: Dos vectores, digamos w y z, son ambos multiplos de v. En este caso los tres vectores estan contenidos
en una lnea.
Caso 2: Un vector, digamos z, es combinacion lineal de v y w, pero v no es multiplo de w. En este caso
tenemos que z es de la forma z = v + w y como la suma de dos vectores se rige por la ley del paralelogramo,
esta ultima ecuacion implica que z esta contenido en el mismo plano que contiene a v y w.
Concluimos que tres vectores son LD si y solo si estos estan contenidos en una lnea o en un plano.
En consecuencia tenemos que tres o mas vectores en R2 son necesariamente LD. La siguiente figura nos
muestra los posibles casos geometricos de tres vectores
z
z
w
v z
w
b b b
v
Vectores LD Vectores LD Vectores LI
Del Teorema 2.5 se deduce facilmente que cuatro o mas vectores en R3 son LD, por tanto, para exhibir
geometricamente cuatro vectores LI se necesitan al menos 4 dimensiones y por este motivo no podemos exhibir
mas figuras en las que se consideren cuatro o mas vectores LI.

1 2 1

Ejemplo 2.5. 1. El conjunto v1 = 1 , v2 = 3 , v3 = 9 es LD ya que v3 = 3v1 2v2 de donde

2 0 6
3v1 2v2 v3 = 0.
58

1 0 1

2. El conjunto de vectores v1 = 1 , v2 = 1 , v3 = 0 es LI ya que si existieran constantes 1 , 2 , 3

0 1 1
tal que 1 v1 + 2 v2 + 3 v3 = 0 entonces tendramos que

0 1 0 1

0 = 1 v1 + 2 v2 + 3 v3 = 1 1 + 2 1 + 3 0

0 0 1 1

0 + 3
1 3 1

= 1 + 2 + 0 = 1 + 2

0 2 3 2 + 3
1 + 3 = 0
De donde 1 + 2 = 0, el cual es equivalente a la ecuacion matricial
2 + 3 = 0

1 0 1 0
1

1 1 0 2 = 0 . (2.2)

0 1 1 3 0

1 0
1

Al aplicar reduccion Gauss-Jordan a la matriz 1 1 0 obtenemos la matriz identidad, luego la unica solucion

0 1 1
al sistema (2.2) es la trivial, 1 = 0, 2 = 0 y 3 = 0. Por tanto el conjunto {v1 , v2 , v3 } es LI.
En Rm es facil establecer un criterio para determinar si un conjunto de vectores es LI o no. De la definicion se

sigue que un conjunto de vectores {v1 , . . . , vk } Rm es LD si existen constantes 1 , . . . , k , no todas cero tal
que 1 v1 + + k vk = 0 pero esta ecuacion la podemos escribir matricialmente de la siguiente forma

1
h i
..
0 = 1 v 1 + + k v k = v 1 v k . .

k

1 0
h i
.
.
De esto se sigue que los vectores son LD si la ecuacion 1 v1 + + k vk = v1 vk .. = .. tiene

k 0
soluciones no triviales lo cual, por el Teorema 1.21, es equivalente a que el rango de A es igual al numero de
sus columnas. Este criterio lo enunciamos a continuacion en le siguiente teorema.
h i
Teorema 2.5. Sea {v1 , . . . , vk } Rm y sea A = v1 vk la matriz cuyas columnas son los vectores
v1 , . . . , vk , entonces el conjunto {v1 , . . . , vk } es LI si y solo si rangoA = k = # de columnas de A.
Demostracion. El conjunto {v1 , . . . , vk } es LI si y solo si las unicas constantes 1 , . . . , k tal que 1 v1 + +

1 0
h i
.. ..
k vk = 0 son 1 = = k = 0 si y solo si la unica solucion al sistema v1 vk . = . es el vector
| {z }
=A k 0

1 0

.. ..
. = . y por el Teorema 1.21 esto es equivalente a que rangoA = k = # de columnas de A.

k 0
En este captulo nos concentraremos en estudiar criterios que aplican solo para vectores en Rm , pero estos
seran generalizados a espacios vectoriales arbitrarios de dimension finita en la Captulo 3 usando los teoremas
de isomorfismo.
Del teorema se deduce el siguiente procedimiento computacional para determinar si un conjunto de vectores
es LI y si no lo son, tambien nos permite encontrar la dependencia lineal entre los vectores, el procedimiento se
enuncia a continuacion.
Procedimiento 2.1. (Procedimiento para determinar si un conjunto de vectores de Rm es lineal-

mente independiente.) Sea {v1 , . . . , vk } un conjunto de vectores en Rm , para determinar si este conjunto es
LI hacemos lo siguiente:
h i
1. Aplicamos reduccion Gauss-Jordan a la matriz A = v1 vk .
2. Si la forma escalonada reducida A de A tiene un pivote en cada fila entonces los vectores son LI, si no
entonces los vectores son LD.

1

.
3. Si los vectores son LD, entonces el sistema Ax = 0 o equivalentemente A x = 0 tiene solucion. Si x = ..

k
es una solucion a este sistema, las constantes 1 , . . . , k satisfacen
1 v 1 + + k v k = 0
la cual nos da una dependencia lineal entre los vectores.
Ejemplo 2.6. Determine si el conjunto de vectores es LI, si no lo es, encontrar una dependencia lineal entre
ellos.

1 2 1 0

1. v1 = 1 , v2 = 1 , v3 = 1 , v4 = 1

0 1 2 1

1 0 1

2. v1 = 1 , v2 = 1 , v3 = 0

0 1 1
60
Solucion. 1. Necesitamos
aplicar reduccion
Gauss-Jordan a la matriz
1 2 1 0
h i

v 1 v 2 v 3 v 4 = 1 1 1 1, cuya forma escalonada reducida esta dada por

0 1 2 1

1 0 3 2

A = 0 1 2 1 .

0 0 0 0
Como rango(A) = 2 < # de columnas de A entonces los vectores son LD. Para encontrar una dependencia
lineal entre estos vectores resolvemos el sistema A x = 0, el cual nos da las ecuaciones x1 + 3x3 + 2x4 = 0 y
x2 2x3 x4 = 0 o equivalentemente
x1 = 3x3 2x4 x2 = 2x3 + x4 ,
con x3 y x4 son variables libres, entonces si hacemos x3 = x4 = 1 obtenemos la solucion particular x1 = 5,

x2 = 3 y x3 = x4 = 1, por tanto una dependencia lineal entre los vectores esta dada por
5v1 + 3v2 + v3 + v4 = 0.

1 0 1
h i

2. En este caso necesitamos escalonar la matriz v1 v2 v3 = 1 1 0, cuya forma escalonada reducida

0 1 1
es A = I y por tanto rango(A) = # de columnas de A y los vectores v1 , v2 y v3 son LI.
Ejemplo 2.7. Determine si el conjunto de vectores dado es linealmente independiente:

( "1# "1# "1# "1# ) 1 1 1 1 2
1 1 1 1
1. v1 = 1 , v2 = 1 , v3 = 1 v4 = 2 , 2. w1 = 11 , w2 = 11 , w3 = 12 , w4 = 23 , w5 = 34
1 1 2 3 1 2 3 4 5
1 2 3 4
Solucion.
"1 0 0 0#
0 1 0 0
1. Al aplicar reduccion a la matriz A = [v1 v2 v3 v4 ] obtenemos la matriz A = 0 0 1 0 , lo que implica que
0 0 0 1
0 0 0 0
rangoA = 4 y por tanto los vectores v1 , v2 , v3 y v4 son LI.
1 0 0 0 1
0 1 0 0 0
2. Al aplicar reduccion a la matriz A = [w1 w2 w3 w4 w5 ] obtenemos la matriz A = 0 0 1 0 0 , se sigue que
0 0 0 1 1
rangoA = 4 < # de columnas de A y por tanto los vectores w1 , w2 , w3 , w4 y w5 son LD.
Para calcular una dependencia lineal entre estos vectores debemos obtener una solucion a la ecuacion
Ax = 0 o equivalentemente a la ecuacion A x = 0. Usando la matriz en forma escalonada reducida se
obtiene que una solucion x = (x1 , x2 , x3 , x4 , x5 ) a la ecuacion Ax = 0 satisface las ecuaciones
x1 + x5 = 0 x2 = 0 x3 = 0 y x4 + x5 = 0
con x5 libre. Asignando el valor x5 = 1 obtenemos que x1 = 1, x2 = 0 = x3 y x4 = 1, por tanto los

vectores w1 , w2 , w3 , w4 y w5 satisfacen la relacion:
w1 w4 + w5 = 0.
Terminamos la seccion con un corolario que nos sera util mas adelante.
Corolario 2.6. Un conjunto de vectores linealmente independientes de Rm tiene a lo sumo m vectores.

h i
Demostracion. Sean v1 , . . . , vk Rm vectores linealmente independientes y sea A = v1 vk , dado que
las columnas de A son vectores en Rm , tenemos que la matriz tiene tamano m k y es obvio que rango(A)
mn{m, k} y por el Teorema 2.5 tenemos que rango(A) = k = # de columnas, por tanto se tiene que
k = rango(A) mn{m, k} m.
Problemas
2.3.1. Determine cuales de los siguientes conjuntos son LI, si no lo son, encuentre una dependencia lineal entre
los vectores:

1 1 1

1 1
1 1 1
1 1 1

2 1 1

a. 2 , 1 b. 2 , 1 , 1 c. 2 , 1 , 1 d. , ,

3 1 3
3 1 3 1 3 3 1 3

4
1 1
2.3.2. Encuentre el valor de a para los que los vectores son LI

2 1 1

2 , 2 , 1 .

2 3 a
2.3.3. Determine la relacion entre y para que los vecores v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (, , + )
sean LD y exhiba una dependencia lineal entre los vectores.
2.3.4. Encuentre vectores v1 , v2 y v3 de tal forma que v1 , v2 sean LI y v2 , v3 sean tambien LI pero que v1 , v2 , v3
sean LD.
2.3.5. Sea V un espacio vectorial y sean v, w V , demuestre que {v, w} es LD si y solo si w = cv con c R,
es decir, si w es un multiplo de v.
2.3.6. Sean v, w R3 con v 6= 0, demuestre que
1. si v, w son LD entonces {v, w} es una lnea que pasa por el origen,
2. si v, w son LI entonces {v, w} es un plano que pasa por el origen.
2.3.7. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean w1 = v1 v2 , w2 = v2 v3 y w3 = v3 . Demuestre

que {v1 , v2 , v3 } es LI si y solo si {w1 , w2 , w3 } es LI.
62
2.3.8. Sea V un espacio vectorial, sean v1 , v2 , v3 V vectores LI, demuestre que los vectores v1 + v2 , v2 + v3 y
v3 + v1 son LI y los vectores v1 v2 , v2 v3 y v3 v1 son LD.
2.3.9. Demuestre que si el conjunto {v1 , . . . , vn } es LI y k < n entonces el conjunto {v1 , . . . , vk } tambien es LI.
2.3.10. Demuestre que si el conjunto {v1 , . . . , vn } es LD y vn+1 es otro vector entonces el conjunto {v1 , . . . , vn , vn+1 }
tambien es LD.
2.3.11. Sean v, w R3 vectores LI, demuestre que gen{v} + gen{w} es el plano que contiene a los vectores v
y w.
2.3.12. Sean v, w R3 vectores LD, demuestre que gen{v} + gen{w} es la lnea que contiene al vector v.
2.3.13. Demuestre que los polinomios 1, t, t2 , . . . , tn son LI.

1 0 0 1 0 0 0 0
2.3.14. Demuestre que las matrices , , y son LI.
0 0 0 0 1 0 0 1
2.3.15. Demuestre que el conjunto {sen(x), sen(2x), cos(x), cos(2x)} es LI.
2.3.16. Muestre que el conjunto los subconjuntos de M2 (R) son LI.
1. {E11 , E22 , E12 + E21 }.
2. {E12 , E21 , E11 E22 }.
En general denotamos por Eij a la matriz cuya ij-esima entrada es 1 y ceros en las demas posiciones.
2.4. Conjuntos generadores

El concepto mas importante en algebra lineal es el concepto de base para un espacio vectorial, el cual se define
a partir de la independencia lineal y de conjunto generador. El Corolario 2.6 mostro que un conjunto linealmente
independiente en Rm tiene a lo sumo m vectores y en esta seccion veremos como un conjunto generador en Rm
tiene al menos m vectores, mostrando como los dos conceptos se balancean.
Definicion 2.5. Sea V un espacio vectorial, decimos que los vectores v1 , v2 , . . . , vk generan a V , si para todo
v V existen escalares 1 , 2 , . . . , k tal que
v = 1 v 1 + + k v k .
Tambien diremos que V es generado por el conjunto de vectores {v1 , . . . , vk }, lo cual denotaremos por V =
gen{v1 , . . . , vk }. Al conjunto {v1 , . . . , vk } se le llama conjunto generador de V .
La definicion misma nos permite dar una interpretacion geometrica, para dimensiones 1, 2 y 3, de conjuntos
generadores. Veremos que en general el conjunto generado por unos vectores depende de si estos son LI o LD
Conjunto generado por un vector {v}: de la definicion, el conjunto generado por un vector, es el conjunto
{v | R}, es decir, el conjunto de multiplos escalares de v. Sabemos de las propiedades de producto de un
escalar por un vector, que este es el conjunto de multiplos de v y por tanto si v 6= 0 este coincide con la lnea
que contiene a v. Si v = 0 entonces gen{v} = {0} el subespacio trivial. De esto se sigue que un vector no nulo
en R genera a R, pero un vector no nulo en Rm , con m 2, no es suficiente para generar este espacio.
Lnea generada por v
Conjunto generado por dos vectores v1 y v2 no nulos. Distinguimos dos casos

Caso 1: los vectores v1 y v2 son LD, o equivalentemente, uno de los vectores es un multiplo del otro, digamos
v2 = v1 . En este caso el conjunto generado por estos vectores, que por definicion es el conjunto {v1 + v2 |
, R}, es en realidad una combinacion lineal de v1 ya que dadas la relacion entre v1 y v2 obtenemos que
una combinacion lineal de estos es de la forma
v1 + v2 = v1 + v1 = ( + ) v1
|{z}
v1
y obtenemos que gen{v1 , v2 } = gen{v1 } es la lnea que contiene a v1 .

Caso 2: los vecores son LI, o equivalentemente, ningun vector es multiplo del otro. En este caso tenemos que
el conjunto generado por los vectores v1 , v2 , el cual por definicion es el conjunto {v1 + v2 | , R} es, por
la ley del paralelogramo, el plano que contiene a los dos vectores. Se sigue de esto que R2 es generado por dos
vectores no colineales pero dos vectores no pueden generar Rm con m 3.
v2 v1
v1
b b
v2
Dos vectores LD generan una lnea Dos vectores LI generan un plano
Conjunto generado por tres vectores {v1 , v2 , v3 }. Distinguimos dos casos

Caso 1: los vectores son LD, es decir, un vector es combibacion lineal de los demas, digamos v3 = 1 v1 +2 v2 ,
en este caso el conjunto generado por los vectores v1 , v2 , v3 que consta de los vectores de la forma 1 v1 + 2 v2 +
3 v3 es en realidad generado por los vectores v1 y v2 ya que
1 v 1 + 2 v 2 + 3 v3 = 1 v1 + 2 v2 + 3 (1 v1 + 2 v2 ) = (1 + 3 1 )v1 + (2 + 3 2 )v2 gen{v1 , v2 }

|{z}
1 v1 +2 v2
64
y por el caso anterior, sabemos que el generado por dos vectores es una lnea o un plano.
Caso 2: los vectores v1 , v2 , v3 son LI. En este caso los vectores generan un espacio 3-dimensional. De esto
se sigue que tres vectores LI en R3 generan el espacio 3-dimensional, pero tres vectores no son suficientes para
generar Rm con m 4.
v3
v3
v2 v1
v1 v3
v1
b b b
v2
v2
Tres vectores LD generan Tres vectores LI generan
una lnea o un plano un espacio 3-dimensional
La siguiente es una caracterizacion que sirve para determinar cuando un conjunto de vectores es un conjunto
generador de Rm .
h i
Teorema 2.7. Sean v1 , v2 , . . . , vk vectores en Rm y sea A = v1 vk la matriz cuyas columnas son los
vectores v1 , v2 , . . . , vk . Entonces el conjunto {v1 , v2 , . . . , vk } es un conjunto generador si y solo si rango(A) =
m = # de filas de A.
Demostracion. Por definicion el conjunto {v1 , v2 , . . . , vk } es un conjunto generador si y solo si para todo

1
h i
m ..
b R , existen escalares 1 , . . . , k tal que b = 1 v1 + + k vk = v1 vk . = Ax donde
| {z }
A k

1

..
x = . , si y solo si la ecuacion Ax = b tiene solucion para todo b Rm y esto, por el Teorema 1.20, es

k
equivalente a que rango(A) = m = # de filas de A.
De este teorema se desprende un procedimiento para determinar si un conjunto de vectores es un conjunto

generador de Rm , el cual describimos a continuacion.
Procedimiento 2.2. (Procedimiento para determinar si un conjunto de vectores de Rm es un

conjunto generador) Sean v1 , v2 , . . . , vk vectores en Rm , entonces
h i
1. Forme la matriz A = v1 vk .
2. Aplique reduccion Gauss-Jordan a A para calcular la forma escalonada reducida A de A.
3. Si A tiene un pivote en cada fila, entonces los vectores v1 , v2 , . . . , vk generan a Rm , de otra forma no
generan.
Ejemplo 2.8. Determine si el conjunto de vectores genera a R3 ,

1 2 0 1

1. v1 = 2 , v2 = 4 , v3 = 1 , v4 = 0

5 10 1 3

1 2 0

2. v1 = 2 , v2 = 4 , v3 = 1

5 9 1
Solucion.
h i
1. Siguiendo los pasos indicados en el procedimiento, primero formamos la matriz A = v1 v2 v3 v4 =

1 2 0 1

2 4 1 0 . Ahora calculamos la matriz escalonada reducida de A, usando MatLab obtenemos

5 10 1 3
>> A = [1 2 0 1; 2 4 1 0; 5 10 1 3]; rref (A)
ans =

1 2 0 1

0 0 1 2

0 0 0 0
Como rango(A) = 2 < 3 = # de filas, entonces los vectores no generan a R3 .

1 2 0
h i

2. En este caso formamos la matriz A = v1 v2 v3 = 2 4 1 . Ahora calculamos la matriz escalonada

5 9 1
reducida de A, usando MatLab obtenemos
>> A = [1 2 0; 2 4 1; 5 10 1]; rref (A)
ans =

1 0 0

0 1 0

0 0 1
Como rango(A) = 3 = # de filas, entonces estos vectores generan a R3 , es decir, gen{v1 , v2 , v3 } = R3 .
Corolario 2.8. Sean v1 , v2 , . . . , vk vectores en Rm , si k < n entonces los vectores v1 , v2 , . . . , vk no generan a

Rm .
h i
Demostracion. Sea A = v1 vk , entonces rango(A) k < m = # de filas de A, entonces por el
Teorema 2.7, el conjunto no genera a Rm .
El siguiente corolario es la version del Corolario 2.6 para conjuntos generadores.
Corolario 2.9. Un conjunto generador de Rm tiene al menos m vectores.

66
Teorema 2.10. Si los vectores v1 , . . . , vm Rm son linealmente independientes, entonces generan a Rm , es

decir, gen{v1 , . . . , vm } = Rm .
h i
Demostracion. Sea A = v1 vm , como los vectores v1 , . . . , vm son linealmente independientes entonces,
por el Teorema 2.5, se tiene que rango(A) = m = # de columnas, pero la matriz A es de tamano m m, por
tanto # de filas=# de columnas. Luego rango(A) = m = # de filas de A. Por tanto por el Teorema 2.7 los
vectores v1 , . . . , vm generan a Rm .

1 0 1

Ejemplo 2.9. En el Ejemplo 2.6 se encontro que los vectores v1 = 1 , v2 = 1 y v3 = 0 son linealmente

0 1 1
3
independientes, entonces por el teorema anterior se tiene que estos vectores generan R .
Problemas
2.4.1. Determine si el conjunto de vectores genera a R3 .

1 1 3

1 1 3 1

a. 1 , 1 , 1 b. 1 , 1 , 1 , 2

2 2 2 2 2 2 2
2.4.2. Determine si el conjunto de vectores genera a R4

1 1 2 1 1 1 2 1

1 1 2 0

1 1 2 7
a. , , ,
b. , , ,

3 1 2 1

3 1 2 5

1
2 2 0 1 2 2 3
2.4.3. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean w1 = v1 v2 , w2 = v2 v3 y w3 = v3 . Demuestre

que el conjunto {v1 , v2 , v3 } genera a V si y solo si el conjunto {w1 , w2 , w3 } genera a V .
2.4.4. Sea V un espacio vectorial y sean v1 , . . . , vk V , el conjunto generado por los vectores v1 , . . . , vk se
define como
gen{v1 , . . . , vk } = {1 v1 + + k vk | 1 , . . . , k R }.
Demuestre que gen{v1 , . . . , vk } es un subespacio de V .
2.4.5. Sea V un espacio vectorial y sean v1 , . . . , vk , w1 , . . . , wl V , demuestre que
gen{v1 , . . . , vk } + gen{w1 , . . . , wl } = gen{v1 , . . . , vk , w1 , . . . , wl }.
2.4.6. Demuestre que los polinomios 1, t, t2 , . . . , tn generan a Pn .


1 0 0 1 0 0 0 0
2.4.7. Demuestre que las matrices , , y generan a M2 (R).
0 0 0 0 1 0 0 1
2.4.8. Demuestre que S2 (R) = gen{E11 , E22 , E12 + E21 } y A2 (R) = gen{E12 E21 }.
2.4.9. sl2 (R) = gen{E12 , E21 , E11 E22 }.
2.5. Bases
Al unir los conceptos de independencia lineal y conjunto generador se consigue uno de los conceptos mas
importantes del algebra lineal: el concepto de base de un espacio vectorial el cual definimos a continuacion.
Definicion 2.6. Sea V un espacio vectorial y sean v1 , . . . , vn V , decimos que el conjunto {v1 , . . . , vn } es una
base para V si
1. los vectores v1 , . . . , vn son linealmente independientes,
2. los vectores {v1 , . . . , vn } generan a V .
De los Corolarios 2.6 y 2.9 de las secciones anteriores tenemos lo siguiente.
Teorema 2.11. 1. Toda base de Rm tiene exactamente m vectores.
2. Un conjunto de m vectores linealmente independientes de Rm es una base.
Demostracion. 1. Se sigue de los corolarios 2.6 y 2.9.
2. Se sigue de el Teorema 2.10.

1 2 0

Ejemplo 2.10. En el ejemplo anterior se comprobo que los vectores v1 = 2 , v2 = 4 y v3 = 1 son

5 9 1
linealmente independientes, por tanto generan y forman una base para R3 .
El ultimo teorema garantiza que todas las bases de Rm tienen m vectores, en general para todos los espacios
vectoriales con un numero finito de generadores (tambien llamados finito dimensionales) se cumple que todas las
bases tienen exactamente el mismo numero de elementos. Abajo en el Teorema 2.15 se demostrara este hecho
para subespacios de Rm , el caso general se demostrara en la Seccion 3.4. Por ahora daremos un argumento
computacional que nos permitira determinar si un conjunto de vectores es una base para Rm .
h i
Teorema 2.12. Sean v1 , . . . , vm Rm y A = v1 vm entonces el conjunto {v1 , . . . , vm } es una base
para Rm si y solo si rango(A) = m.
La demostracion de este teorema es una aplicacion inmediata de los Teoremas ?? Tenemos ademas el si-
guiente corolario.
68
h i
Corolario 2.13. an v1 , . . . , vm Rm y A = v1 vm entonces el conjunto {v1 , . . . , vm } es una base para
Rm si y solo si A es invertible.
Demostracion. La demostracion se sigue del teorema anterior y el Corolario 1.22.
Nuevamente este teorema da un procedimiento para determinar si un conjunto de vectores es una base, el cual
consiste en formar una matriz con los vectores dados y determinar si el rango de esta matriz es el # de filas e
igual al # de columnas. Como lo mostramos en el siguiente ejemplo.
Ejemplo 2.11. Determine en cada caso si el conjunto de vectores dados forma una base para R3 .

1 2 1

1 1 1

1. v1 = 1 , v2 = 2 , v3 = 1 2. v1 = 1 , v2 = 2 , v3 = 1

3 6 4 3 3 4
Solucion.

1 2 1

1. Al aplicar reduccion Gauss-Jordan a la matriz A = 1 2 1 formada por los vectores v1 , v2 y v3 ,

3 6 3

1 2 0

obtenemos la matriz 0 0 1. Esta matriz tiene rango 2 y por tanto los vectores v1 , v2 y v3 no forman

0 0 0
una base para R3 , ya que no son LI.

1 1 1

2. El aplicar reduccion Gauss-Jordan a la matriz A = 1 2 1, formada por los vectores v1 , v2 y v3 ,

3 3 4

1 0 0

obtenemos la matriz 0 1 0 . Como esta matriz tiene rango 3, entonces los vectores v1 , v2 y v3 forman

0 0 1
una base para R3 , ya que son LI y tres vectores LI generan a R3 .
Problemas
2.5.1. Encuentre una base de R4 que contenga los vectores (1, 2, 2, 1) y (1, 0, 2, 2).
R1
2.5.2. Calcule una base del subespacio {p R4 [t] | 0
p(x)dx = 0} de R4 [t].
2.5.3. Muestre que el conjunto {E12 , E21 , E11 + E22 } es una base de S2 (R).
2.5.4. Muestre que el conjunto {E12 , E21 , E11 E22 } es una base de sl2 (R).
2.5.5. Demuestre que {Eij + Eji | 1 i < j n} {Eii | 1 i n} es una base de Sn (R).
2.5.6. Demuestre que {Eij Eji | 1 i < j n} es una base de An (R).
2.5.7. Demuestre que {Eij | 1 i n} {Ejj Ej+1,j+1 | 1 j < n} es una base para sln (R).
2.5.8. Sea V un espacio vectorial y X Y V tal que X es LI y V = genY entonces existe una base Z tal
que X Z Y . En particular si Y es una base muestre que existe S Y tal que XU S es una base de V .
2.6. Subespacio generado por un conjunto de vectores

Cuando se tiene un conjunto de vectores en Rm , el conjunto de combinaciones lineales de estos es un
subespacio, el cual podra ser todo Rm en el caso de que estos generen o un subespacio propio, si estos no generan
a Rm . Al conjunto de combinaciones lineales de un conjunto de vectores se le llama el conjunto generado por
los vectores y lo definimos a continuacion.
Definicion 2.7. Sea V un espacio vectorial y sean v1 , . . . , vk V , definimos el conjunto generado por estos
vectores, denotado por gen{v1 . . . , vk }, como el conjunto de combinaciones lineales de los vectores v1 , . . . , vk .
Esto es,
gen{v1 . . . , vk } = {1 v1 + + k vk | 1 , . . . , k R } .
Es facil mostrar que el conjunto generado por los vectores v1 , . . . , vk V es un subespacio de V , ver Problema
2.4.4, por esta razon al conjunto gen{v1 . . . , vk } lo llamaremos el subespacio generado por los vectores v1 , . . . , vk .
A continuacion demostramos que todo subespacio de Rm tiene una base finita y en consecuencia todo subes-
pacio H de Rm es el subespacio generado por un conjunto finito de vectores, es decir, existen vectores v1 ,
. . . , vk Rm tal que H = gen{v1 , . . . , vk }.
Teorema 2.14. Sea H 6= {0} un subespacio de Rm , entonces existen vectores v1 , . . . , vk Rm tal que
{v1 , . . . , vk } es una base de H.
Demostracion. Sea 0 6= v H, si H = gen{v} terminamos, si no, existe v2 H \ gen{v}.

Si H = {v, v2 } terminamos la demostracion, si no, tomamos v3 H \ gen{v, v2 }. Continuando de manera
inductiva obtenemos vectores v1 , . . . , vk tal que H = gen{v, v2 , . . . , vk }
Debemos demostrar que los vectores son linealmente independientes. Por induccion notese que {v} es LI, ya
que si v = 0, como v 6= 0 entonces tenemos que = 0.
Ahora, supongamos que el conjunto {v, v2 , . . . , vk1 } es LI y veamos que {v, v2 , . . . , vk1 , vk } es LI. Para
esto supongamos que
v + 2 v2 + + k vk = 0. (2.3)
Veamos por el absurdo que k = 0 ya que si k 6= 0 tenemos que k vk = 1 v1 k1 vk1 y por

tanto
1 k1
vk = v1 vk1 gen{v1 , . . . , vk1 }

70
lo que contradice la escogencia del vector vk .

Se sigue que k = 0 y la Ecuacion 2.3 se reduce a v + 2 v2 + + k1 vk1 = 0 y como {v, v2 , . . . , vk1 }
es LI tenemos que 2 = = k1 = 0 y por tanto {v, v2 , . . . , vk1 , vk } es LI.
El hecho de que los vectores v1 , . . . , vk son LI para todo k garantiza que el proceso termina en un numero
finito de pasos, de hecho se pueden tomar a lo sumo m vectores de esta forma, esto es debido a que los vectores
v1 , . . . , vk Rm entonces el Corolario 2.6 garantiza que k m.
Concluimos que el conjunto {v, v2 , . . . , vk } es una base de H y k m.
La demostracion de este teorema se puede adaptar para demostrar que todo subespacio de un espacio vectorial
con una base finita tiene una base finita. Existe tambien una demostracion de que todo espacio vectorial tiene
una base usando el Axioma de eleccion.
De este teorema deducimos ademas que todo subespacio de Rm tiene una base con a lo sumo m vectores,
veamos que el numero de vectores en una base es un invariante, al cual llamaremos la dimension del subespacio.
Teorema 2.15. Sea V un subespacio de Rm y sean {v1 , . . . , vk } y {w1 , . . . , wl } bases para V , entonces k = l.
Es decir, todas las bases de V tienen exactamente el mismo numero de vectores.
Demostracion. Primero supongamos que l > k, como los vectores v1 , . . . , vk forman una base para V , entonces
por definicion de base tenemos que V = gen{v1 , . . . , vk } y por tanto para i = 1, . . . , l existen constantes
1i , . . . , ki tal que

1i
h i
.
wi = 1i v1 + + ki vk = v1 vk .. .

ki
Uniendo estas ecuaciones obtenemos:

11 1l
h i h i h i
.. .. ..
w1 wl = v 1 vk . . . = v1 vk A, (2.4)

k1 kl

11 1l

. .. ..
donde A = .. . . . Como l > k, entonces el sistema Ax = 0 tiene mas variables que ecuaciones y por

k1 kl
tanto este sistema tiene al menos una solucion no trivial, es decir, exiten constantes no todas nulas 1 , . . . , l
tal que

1 0

.. ..
A . = . . (2.5)

l 0

1

.
Luego, multiplicando la Ecuacion (2.4) a la derecha por .. , obtenemos

l

1 1 0 0
h i h i h i
. . .. ..
w1 wl .. = v1 vk A .. = v1 vk . = . .

l l 0 0
| {z }
=0 por Ec. (2.5)

1 0
h i
.. ..
Es decir w1 wl . = . , este ultimo sistema es equivalentemente, por el Lema 1.9, a la ecuacion

l 0
1 w1 + + l wl = 0, y se sigue que los vectores w1 , . . . , wl son linealmente dependientes lo que contradice el
hecho de que forman una base para V , por tanto k l.
De igual forma se demuestra que l k y por tanto k = l.
Este lema motiva la siguiente definicion.
Definicion 2.8. Definimos la dimension de un subespacio de H de Rm , la cual denotaremos por dim H, como
el numero de elementos en una base de H.
Problemas
2.6.1. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean u1 = v1 v2 , u2 = v2 v3 y u3 = v3 . Demuestre

que el conjunto {v1 , v2 , v3 } genera a V si y solo si el conjunto {u1 , u2 , u3 } genera a V .
2.6.2. Sean H y K subespacios de Rn con dim H = dim K y H K. Demuestre que H = K.
2.6.3. Sean v1 , . . . , vk Rn y V = gen{v1 , . . . , vk } entonces dim H k.
2.7. Subespacios fundamentales

Dada una matriz A se pueden definir cuatro subespacios determinados por esta, los cuales definimos a
continuacion.
Definicion 2.9. Sea A una matriz de tamano m n definimos los siguientes subespacios:
1. El espacion nulo de A, denotado N ul(A), se define como
N ul(A) = {x Rn | Ax = 0.}
72
2. El espacio columna, denotado Col(A), se define como
Col(A) = gen{c1 , . . . , cn },
donde c1 , . . . , cn son las columnas de A.
3. El espacio fila de A, denotado por F il(A), se define como
F il(A) = gen{f1t , . . . , fm
t
},
donde f1 , . . . , fm son las filas de A.
4. El espacio nulo a izquierda de A, denotado por N uliz(A), se define como
N uliz(A) = {x Rm | At x = 0.}
De acuerdo al Problema 2.4.4, el espacio columna, Col(A), y el espacio fila, F il(A), de una matriz A son
subespacios de Rm y Rn , respectivamente, y por el Problema 2.2.8 los conjuntos N ul(A) y N uliz(A) tambien
son subespacios de Rn y Rm , respectivamente.
El proposito ahora es dar un procedimiento que nos permita hallar una base para los subespacios fundamentales.
Calcular el espacio nulo de una matriz A es mas sencillo, ya que los vectores x en este espacio son solucion a la
ecuacion Ax = 0, o equivalentemente, la ecuacion A x = 0 con A la esaclonada reducida de A. El procedimiento
para calcular una base para el espacio columna se sigue del siguiente teorema.
Teorema 2.16. Sea A una matriz de tamano m n y sea A la forma escalonada reducida de A. Entonces los
vectores para los cuales la columna de A tiene un pivote, forman una base para Col(A) y por tanto dim Col(A) =
rango(A). Ademas se tiene que dim N ul(A) = n rango(A).
Demostracion. Sea k = rango(A), sin perdida de generalidad, supongamos que las primeras k columnas de
A tienen pivote, es decir
1 0 b1,k+1 b1n

.. . . ..
..
.. .. .
. ..

. .
A = 0 1 bk,k+1 bkn (2.6)
0 0 0 0
. . . .. .. . . ..
.. .. . . .
0 0 0 0
Sean c1 , . . . , cn las columnas de A, vamos a demostrar que los vectores c1 , . . . , ck forman una base para Col(A).
Primero notese que los vectores c1 , . . . , ck son linealmente independientes ya que estos forman las primeras
h i
columnas de A y por tanto la forma escalonada reducida de la submatriz c1 ck esta dada por las
primeras k filas de A y de la Ecuacion (2.6), se obtiene que esta tiene un pivote en cada columna, luego por el
Teorema 2.5, los vectores c1 , . . . , ck son linealmente independientes.
Antes de demostrar que estos vectores generan el espacio columna, calculemos una base para el espacio nulo.

x1

.
Para esto tomemos x = .. , de la Ecuacion (2.6) tenemos lo siguiente

xn

x1 x1 +b1,k+1 xk+1 ++b1n xn =0

.. ..
. N ul(A) si y solo si Ax = 0 si y solo si A x = 0 si y solo si .
xk +bk,k+1 xk+1 ++bkn xn =0
xn
x1 =b1,k+1 xk+1 b1n xn
si y solo si ..
.
xk =bk,k+1 xk+1 bkn xn
x1 b1,k+1 xk+1 b1n xn b
1,k+1
b1n
.. .
.. . .
. .
. ..
xk
bk,k+1 xk+1 bkn xn

bk,k+1 bkn
si y solo si xk+1 = xk+1 = xk+1 1 + + xn 0
. (2.7)
.
. . .
.. .. .. ..
xn xn 0 1
b b1n b b1n
1,k+1 1,k+1

. .
. .

..
.. .
. ..
bk,k+1 bkn . Notese ademas que los vectores bk,k+1 , . . . , bkn

Entonces N ul(A) = gen 1 ,..., 0

1 0

. .
..

. .
..

..
..
0 1 0 1
son claramente LI y por tanto forman una base para N ul(A). De esto se sigue que los vectores c1 , , cn
satisfacen las ecuaciones
b b
1,k+1 1,k+1
0 .. h .

.. . ..
i
. = A bk,k+1 bk,k+1
1 = c1 cn 1

. .
0 .. ..
0 0
..
.
b1n b1n
0 . .
.. h i ..
.. bkn bkn
. = A 0 = c1 cn 0

.. ..
0 . .
1 1
Por el Lema 1.9 tenemos que estas ecuaciones matriciales son equivalentes a las ecuaciones
b1,k+1 c1 bk,k+1 ck + ck+1 = 0 o equivalentemente ck+1 = b1,k+1 c1 + + bk,k+1 ck

..
.
b1n c1 bkn ck + cn = 0 o equivalentemente cn = b1n c1 + + bkn ck
Obtenemos que cada uno de los vectores ck+1 , . . . , cn es una combinacion lineal de los vectores c1 , . . . , ck . Por
74
tanto si x Col(A), obtenemos que
x =1 c1 + + k ck + k+1 ck+1 + + n cn
=1 c1 + + k ck + k+1 (b1,k+1 c1 + + bk,k+1 ck ) + + n (b1n c1 + + bkn ck )
=(1 + k+1 b1,k+1 + + n b1n )c1 + + (k + k+1 bk,k+1 + + n bkn )ck gen{c1 , ck }
Concluimos que ColA = gen{c1 , . . . , ck }, entonces los vectores c1 , . . . , ck generan a Col(A) y como son lineal-
mente independientes entonces forman una base para Col(A).
Finalmente, observese que dim Col(A) = k = rango(A) y por la Ecuacion (2.7) tenemos que dim N ul(A) =
n k = n rango(A).
De este resultado se desprende el siguiente corolario el cual sera clave para la demostracion del Teorema
3.20, el cual es uno de los teoremas mas importantes del algebra lineal.
Corolario 2.17. Sea A una matriz de tamano m n, entonces
dim Col(A) + dim N ul(A) = n = # de columnas de A.

1 1 0 1

Ejemplo 2.12. Calcule los cuatro subespacios fundamentales de la matriz A = 2 2 1 4. Solucion:

3 3 1 5
Calculando la forma escalonada reducida de A obtenemos

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

2 2 1 4 2F1 +F2 F2 0 0 1 2 0 0 1 2

3 3 1 5 2F1 +F3 F3 0 0 1 2 F2 +F3 F3 0 0 0 0
entonces por el teorema anterior la primera y tercera columna de A forman una base para el espacio columna
de A, es decir

1 0

Col(A) = gen 2 , 1 .

3 1
Ahora para el espacio nulo resolvemos el sistema Ax = 0 o equivalentemente A x = 0 y obtenemos lo siguiente

x
1
0
x
2
x1 x2 + x4 = 0 x1 = x2 x4
A = 0
x3 x3 + 2x4 = 0 x3 = 2x4
0
x4

x1 x2 x4 1 1

x2 x2 1 1
=
= x2 + x4 .

x3 2x4 0 2

x4 x4 0 1

1 1

1 1

Por tanto N ul(A) = gen , .

0 2

0
1
Para calcular el espacio fila y el nulo a izquierda, calculamos la escalonada reducida de At

1 2 3 1 2 3 1 2 3 2F2 +F1 F1 1 0 1

1 2 3 F1 +F2 F2 0 0 0 0 1 1 0 1 1

F2 F3
0 1 1 0 1 1 0 0 0 0 0 0

1 4 5 F1 +F4 F4 0 2 2 0 2 2 2F2 +F4 F4 0 0 0

1 2

x

1 2 1
x2 satisface la ecuacion At x = 0 si y

Se sigue que F il(A) = gen , , ademas un vector x =

0 1

x 3

1
4
solo si
0
x1 x x 1
0

x + x = 0 x = x 1 3
1 3 1 3
At x2 =

x2 = x3 = 1 .
0

x2 + x3 = 0 x2 = x3
x3 x3 x3 1
0

1

Por tanto N uliz(A) = gen 1 .

1
El siguiente teorema nos permite calcular bases alternativas para el espacio columna y el espacio fila de una
matriz.
Teorema 2.18. Sea A una matriz, entonces tenemos que F ilA = F ilA donde A es la forma escalonada
reducida de A, ademas se tiene que dim F ilA = rango(A). Es decir, el espacio fila de una matriz coincide con
el espacio de su forma escalonada reducida.
Demostracion. Sean f1 , . . . , fm las filas de A y sean f1 , . . . , fk las filas no nulas de A , entonces k = rango(A).
Como A se obtiene de A aplicando operaciones elementales de fila, las cuales envuelven combinaciones lineales
de filas de A, entonces tenemos que fi gen{f1 , . . . , fm }, para i = 1, . . . , k. De esto se deduce que F ilA F ilA.
Ahora, como las operaciones elementales son reversibles y podemos recuperar la matriz A de A por medio
de operaciones elementales, entonces tenemos que fi gen{f1 , . . . , fk }, para i = 1, . . . , m. Deducimos que
F ilA F ilA y por tanto F ilA = F ilA.
Es facil ver que los vectores f1 t , . . . , fk t son LI ya que la matriz A esta en forma escalonada reducida y los
pivotes estan en diferentes columnas, por tanto estos forman una base de A, concluimos que dim F ilA = k =
rango(A).
76
Corolario 2.19. Sea A una matriz de tamano m n, entonces rango(A) = rango(At ).
Demostracion. De la definicion de espacio fila y espacio columna tenemos que F il(A) = Col(At ) y por el
teorema anterior dim F il(A) = rango(A) y por el Teorema 2.16 tenemos que dim Col(At ) = rango(At ), por
tanto
rango(A) = dim F il(A) = dim Col(At ) = rango(At ).

1 1 0 1

Ejemplo 2.13. Sea A = 2 2 1 4 la matriz del Ejemplo 2.12. En ese ejemplo se calculo que las matrices

3 3 1 5

1 0 1
1 1 0 1

t

t
0 1 1
escalonadas reducidas de A y A respectivamente son A = 0 0 1 2 y (A ) = y como

0 0 0
0 0 0 0
0 0 0

1 0

Col(A) = F il(At ) = F il(At ) se tiene que Col(A) = gen v1 = 0 , v2 = 1 . Se deja como ejercicio al

1 1
lector verificar que v1 = c1 2c3 y v2 = c3 , donde c1 y c3 son la primera y tercera columna de la matriz A, lo
que verifica que en realidad el espacio generado por v1 y
v2 es igual
al espacio columna
de A.

1 0

1 0
Ademas F il(A) = F il(A ), entonces F il(A) = gen w1 =
, w2 = . Se deja como ejercicio al

0 1

1 2
lector verificar que w1 = f1 y w2 = 2f1 + f2 donde f1 y f2 son la primera y segunda fila de A. Lo que verifica
que el espacio generado por w1 y w2 es igual al espacio fila de A.
AGREGAR EJEMPLO MATLAB
Problemas
2.7.1. Encuentre los cuatro subespacios fundamentales de la matriz

1 2 1 1 2 1 2 3 4

a. A = 2 4 b. B = 2 2 4 c. C = 5 6 7 8

1 2 1 9 2 9 10 11 12
Encuentre una base para el subespacio solucion del sistema lineal
2x1 x2 + 3x3 =0 2x1 x2 + 3x3 =0

a. b.
4x1 + 2x2 6x3 =0 x1 + x2 x3 =0
Ayuda: Escriba el sistema en la forma Ax = 0, por el Ejercicio 2.2.4 tenemos que x es solucion al sistema si y
solo si x N ul(A).
2.7.2. Sean A y B matrices tal que AB = 0, demuestre que Col(B) N ul(A) y F il(B) N uliz(A).
2.7.3. Determine las dimensiones de los cuatro subespacios fundamentales de una matriz que satisface:
a. A es 8 7 con rango 5. b. A es 7 5 con rango 5.
2.7.4. Determine el tamano de A para que dim N ulA = dim N ulizA + 1.
2.7.5. muestre que b ColA si y solo si Ax = b tiene solucion. (El espacio columna es el espacio solucion a la
ecuacion Ax = b).
2.7.6. Demuestre o de un contraejemplo de las siguientes afirmaciones
1. Si las columnas de A son LD tambien lo son las filas de A.
2. Si las columnas de A son LI tambien lo son las filas de A.
3. Si X es una base de Rn y W Rn es un subespacio entonces un subconjunto de X es una base de W .
2.7.7. Si A = [I2 I2 ] determine ColA y N ulA.
2.7.8. Si A es 34 con N ulA = gen{(1, 1, 1, 0)} determine lo siguiente
1. rangoA,
2. la forma escalonada A de A,
3. F ilA

1 1 1 0

2.7.9. Si A = 0 0 0 1, cuales de los subespacios N ulA, N ulizA, ColA y F ilA se pueden determinar y

0 0 0 0
que se puede decir de los demas.
2.7.10. Determine el espacio columna en los siguientes casos
1. si A es 3 6 y Ax = b tiene solucion para todo b,
2. si A es 44 y Ax = 0 tiene solucion unica,
3. A es 2 3 y A tiene una inversa a derecha.
2.7.11. Sea A una matriz 4 3, si N ulA = gen{(1, 1, 1), (1, 0, 0)} determine la forma escalonada reducida A
de A y una base para F ilA.
2.7.12. Sea A Mn (R), Nk = N ul(Ak ) y Ck = Col(Ak ), demuestre que para todo k 1 se tiene que
78
1. Nk Nk+1
2. Ck+1 Ck
2.7.13. Si A Mmn (R) es una matriz, muestre que
Col(A) = {Ax | x Rn } = ({b | existe x tal que b = Ax})
Este ejercicio muestra que el espacio columna es el conjunto solucion de la ecuacion Ax = b.
2.7.14. Sea A Mmn (R) y B Mnq (R), muestre que lo siguiente
1. Col(AB) Col(A) y deduzca que rango(AB) rango(A)
2. Si B tiene inversa a la derecha, en particular si B es invertible, entonces Col(AB) = Col(A). Concluya

que en este caso se tiene que rango(AB) = rango(B).
2.7.15. Sea A Mmn (R) y B Mnq (R), muestre que lo siguiente
1. rango(AB) rango(B). (Ayuda: Use el hecho que rango(At ) = rango(B t ).)
2. rango(AB) mn{rango(A), rango(B)}
3. Si B es invertible entonces rango(BA) = rango(A).
2.7.16. Sean A, B Mn (R) con B invertible, demuestre que rango(A) = rango(B 1 AB).
2.7.17. Si A es m p y B es p q con m < p < q y AB = 0, muestre que rangoA + rangoB m.
2.7.18. De un ejemplo de dos matrices A y B tal que Col(AB) 6= Col(A).
2.7.19. Si A es 8 10 con rango 6 determine las dimensiones de N ulA y N ulizA. Repetir si A es (m + 1) m

con rango m 1.
2.8. Subespacio generado

En esta seccion abordaremos dos preguntas acerca de un subespacio H generado por vectores v1 . . . , vn en
m
R , las primera de las cuales es:
1. Si los vectores v1 , . . . , vn no son linealmente independientes, como encontrar una base para H.
h i
Si hacemos A = v1 vn entonces Col(A) = gen{v1 , . . . , vn } = H y aplicando el Teorema 2.16 obtenemos
una base para Col(A) = H.

1 2 0

Ejemplo 2.14. Calcular una base para H = gen{v1 , v2 , v3 } donde v1 = 2 , v2 = 4 y v3 = 1 .

5 10 1

1 2 0 1 2 0

5 1 obtenemos A = 0

Solucion. Aplicando reduccion Gauss-Jordan a la matriz A = 2 0 1 .

5 5 1 0 0 0
Entonces los vectores v1 y v3 forman una base para H.
La segunda pregunta es conocida como el Test de membresa y dice lo siguiente.
2. Si H es un subespacio de Rm con base {v1 , . . . , vk } y b es un vector en Rm , como determinar si b H.

h i
Haciendo A = v1 vk tenemos que b H si y solo si existen constantes 1 , . . . , k tal que b =

1 1
h i
.. ..
1 v1 + + k vk = v1 vk . = Ax con x = . . En otras palabras, b H si y solo si la ecuacion

k k

1

..
Ax = b tiene solucion y si x = . es una solucion a esta ecuacion, entonces b = 1 v1 + + k vk .

k

1 0
1

Ejemplo 2.15. Sea H = gen v1 = 2 , v2 = 1 y sea b = 2, determinar si b H, en caso afirmativo

5 1 1
expresar a b como combinacion lineal de v1 y v2 .
1 0 1

Solucion. Aplicando reduccion Gauss-Jordan a la matriz 2 1 2 obtenemos

5 1 1

1 0 1 1 0 1 1 0 1

2 1 2 2F1 +F2 F2 0 1 4 0 1 4

5 1 1 5F1 +F3 F3 0 1 4 F2 +F3 F3 0 0 0
se sigue que la ecuacion Ax = b tiene solucion 1 = 1 y 2 = 4, por tanto b = v1 4v2 .
En el siguiente ejemplo se muestra que algunas veces los subespacios de Rn aparecen como el espacio nulo de
una matriz.
Ejemplo 2.16. Calcular una base para cada uno de los siguientes subespacios.

x
1. H = y = mx, m R
y

x

2. H = y x = at, y = bt y z = ct, a, b, c R .

z

80

x

3. H = y ax + by + cz = 0, a, b, c R, c 6= 0

z

x

4. H = y x + y + z = 0, 2x y z = 0 .

z

x x x 1 x 1
1. H si y solo si y = mx si y solo si = = x si y solo si es un multiplo de .
y y mx m y 1

1
Por tanto H = gen .
1

x x at a x

2. y H si y solo si x = at, y = bt y z = bt si y solo si y = bt = t b si y solo si y es un multiplo

z z ct c z

a a

de b . Por tanto H = gen b .

c

c

x x x 1

a b
3. y H si y solo si ax + by + cz = 0 si y solo si z = c x c y si y solo si y = y = x 0 +

z z ac x cb y ac

0 x 1 0

1 0

y 1 si y solo si y es una combinacion lineal de 0 y 1 . Por tanto H = gen 0 , 1 .

b
cb z ac cb a
c c

x x

1 1 1 0
4. y H si y solo si x + y + z = 0 y 2x y z = 0 si y solo si
y = si y solo si
2 1 1 0
z z

x

1 1 1
y N ul(A) con A = . Para calcular el espacio nulo de A aplicamos reduccion Gauss-Jordan
2 1 1
z

1 1 1 1 1 1 1 1 1

2 1 1 2F1 +F2 F2 0 3 3 1 0 1 1
3 F2 F2

F2 +F1 F1 1 0 0

0 1 1

x x 0

Entonces y N ul(A) si y solo si x = 0 y y + z = 0 si y solo si x = 0 y y = z si y solo si y = z =

z z z

0

0

z 1. Por tanto H = gen 1 .

1

1
Terminamos el captulo con con un teorema que sera muy util en el proximo captulo.
Teorema 2.20. Sea A una matriz de tamano m n, entonces
1. N ul(A) = 0 si y solo si rango(A) = n = # de columnas de A.
2. Col(A) = Rn si y solo si rango(A) = m = # de filas de A.
Demostracion. 1. N ul(A) = 0 si y solo si la unica solucion a la ecuacion Ax = 0 es x = 0 si y solo si

rango(A) = n = # de columnas de A (Teorema 1.21.)
2. Col(A) = Rn si y solo si b Col(A) para todo b Rn si y solo si para todo b Rn , Ax = b si y solo si la

ecuacion Ax = b tiene solucion para todo b Rn si y solo si rango(A) = m = # de filas de A (Teorema
1.20.)
Problemas
2.8.1. Encuentre una base para cada uno de los siguientes subespacios:

x

x

a. H = y 3x y = 0 b. H = y x = t, y = 2t, z = 3t

z

z

x

x 1

y

..
c. H = x + y + z + w = 0
d. H = . a1 x1 + + an xn = 0, an 6= 0

z

x

w
n
2.9. El Teorema de la base incompleta en Rm

En el Corolario 2.6 se demostro que si v1 , . . . , vk son vectores linealmente independientes en Rm entonces
k m. El Teorema de la base incompleta dice que si k < m se pueden escoger vectores wk+1 , . . . , wm talque
v1 , . . . , vk , wk+1 , . . . , wm forman una base para Rm .
82
Teorema 2.21. (Teorema de la base incompleta) Sean v1 , . . . , vk vectores linealmente independientes en Rm .

Si k < m se pueden escoger vectores wk+1 , . . . , wm talque v1 , . . . , vk , wk+1 , . . . , wm forman una base para Rm .
h i
Demostracion. Sea A = v1 vk la matriz cuyas columnas son los vectores v1 , . . . , vk , como estos son
linealmente independientes, entonces por el Teorema 2.5 tenemos que rango(A) = k y por tanto la forma
escalonada reducida A de A tiene un pivote en cada fila, luego A tiene la forma

1 0
. .
. ..
. ..

.

h
0 1 i
A =
= e e
1 k
0 0

. .
. . ...

..

0 0
donde ei es el vector con un uno en la i-esima componente y ceros en las demas componentes. Sean E1 , . . . , Es
matrices elementales talque
A = Es E1 A (2.8)
y sea B = E11 Es1 entonces tenemos lo siguiente

Afirmacion 1. Las primeras k columnas de B son los vectores v1 , . . . , vk
Demostracion de la afirmacion: de la ecuacion (2.8) se sigue que
h i h i
A = E11 Es1 A = BA = B e1 ek = Be1 Bek
| {z }
=B
como las columnas de A son los vectores v1 , , vk entonces tenemos que Be1 = v1 , . . . , Bek = vk , luego
h i
B = BI = B e1 ek ek+1 em
" #
Be
= |{z} 1 Be k Be k+1 Be m
|{z}
v1 vk
h i
= v1 vk Bek+1 Bem
Afirmacion 2. Las columnas de B son linealmente independientes.

Demostracion de la afirmacion: Como B es un producto de matrices invertibles, entonces B es invertible,
luego por el Corolario 1.22 tenemos que rango(A) = m entonces por el Teorema ?? los vectores son linealmente
independientes.
Ahora, como B tiene m columnas linealmente independientes, entonces estas forman una base para Rm , es
decir, los vectores v1 , . . . , vk , wk+1 , . . . , wm forman una base, donde wk+1 , . . . , wm son las ultimas columnas de
B.
Este teorema exhibe un metodo computacional para completar una base, el cual escribimos a continuacion:
Procedimiento 2.3. (Procedimiento para completar una base en Rm ) Sean v1 , . . . , vk vectores linealmen-
te independientes en Rm con k < m, para calcular vectores wk+1 , . . . , wm talque los vectores v1 , . . . , vk , wk+1 , . . . , wm
forman una base, hacemos lo siguiente
h i
1. Sea A = v1 vk la matriz formada con los vectores v1 , . . . , vk
2. Sea C el producto de las matrices elementales talque A = CA , esta matriz se calcula hallando la forma
h i h i
escalonada reducida de la matriz A I ya que esta esta dada por A C
3. Hacemos B = C 1
Si las columnas de B son linealmente independientes y por tanto forman una base para Rm y por el teorema
anterior, las primeras columnas de B son los vectores v1 , . . . , vk .

0 1

Ejemplo 2.17. (MatLab) Sean v1 = 1 y v2 = 1, calcular un vector v3 talque los vectores v1 , v2 , v3

1 2
3
forman una base para R .
0 1
h i

Solucion. Sea A = v1 v2 = 1 1, entonces hacemos lo siguiente

1 2
h i
1. calculamos la forma escalonada reducida de la matriz A I usando MatLab
>> A = [01; 11; 12]; R=rref([A, eye(3)])
R=
1 0 0 2/3 1/3
0 1 0 1/3 1/3
0 0 1 1/3 1/3
El producto de las matrices elementales es la matriz compuesta por las 3 ultimas columnas de R, la cual
podemos definir usando MatLab como sigue
>> C = [R(:, 3), R(:, 4), R(:, 5)]
C=
0 2/3 1/3
0 1/3 1/3
1 1/3 1/3
2. Ahora calculamos B = C 1 como sigue
B = inv(C)
B=
0 1 1
1 1 0
1 2 0
84
Notese que efectivamente

las dos primeras columnas de esta matriz son los vectores v1 y v2 y por tanto los
1

vectores v1 , v2 y v3 = 0 forman una base para R3 .

0
Captulo 3
Transformaciones Lineales
Carreta
3.1. Definicion y Ejemplos

En este captulo se estudiaran funciones entre espacios vectoriales que preservan la estructura, estas funcio-
nes se llaman tranformaciones lineales, comenzamos con la definicion.
Definicion 3.1. Sean V y W espacios vectoriales y T : V W una funcion, decimos que T es una trans-
formacion lineal si satisface:
1. T (v + v ) = T (v) + T (v ), para todo v, v V .
2. T (v) = T (v), para todo v V y para todo R.
Observacion 3.1. Como consecuencia de la definicion tenemos que si T : V W es una transformacion

lineal, v1 , . . . , vn V y 1 , . . . , n R entonces
1. T (1 v1 + 2 v2 ) = 1 T (v1 ) + 2 T (v2 ), y en general
2. T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ).
Ejemplo 3.1. 1. Sean V y W espacios vectoriales sobre R. La funcion nula f : V W definida por f (v) = 0,
para todo v V y la funcion identidad Id : V V definida por Id(v) = v son transformaciones lineales.
2. Si a R, entonces Ta : R R dada por Ta (x) = ax para todo x R, es una transformacion lineal. El

grafico de Ta es una recta pasando por el origen (0, 0) R2 con pendiente a.
Pn
3. Sean a1 , , an R. La funcion T : Rn R definida por T (1 , , n ) = i=1 ai i , es una transfor-
macion lineal tal que T (ei ) = ai , donde los ei denotan los elementos de la base canonica de Rn .
85
86
4. La funcion T : R2 R definida por T (x, y) = x + y es una transformacion lineal ya que
T ((x, y) + (x , y )) = T (x + x , y + y ) = x + x + y + y = (x + y) + (x + y ) = T (x, y) + T (x y ) .
T ((x, y)) = T (x, y) = x + y = (x + y) = T (x y ) .
5. Si A es una matriz m n, la funcion T : Rn Rm definida por T (v) = Av es una transformacion lineal

ya que satisface los axiomas 1 y 2 de la definicion, mas especficamente tenemos que
T (v + w) = A(v + w) = Av + Aw = T (v) + T (w) y
T (v) = A(v) = Av = T (v).
Destacamos las siguientes propiedades que cumple cualquier transformacion lineal.
Teorema 3.1. Sean V y W espacios vectoriales y T : V W una transformacion lineal, entonces
1. T (0) = 0.
2. T (v) = T (v).
Demostracion. 1. T (0) = T (0 + 0) = T (0) + T (0) por tanto T (0) = 0.
2. T (v) = T ((1)v) = 1T (v) = T (v).
Por ahora nos concentraremos por ahora solo en transformaciones lineales de Rn en Rm , ya que estas,
como se muestra en el siguiente teorema, son de la forma dada en el tem 5 del Ejemplo 3.1, es decir, para
toda transformacion lineal se puede encontrar una matriz A de tamano m n tal que T (x) = Ax. Pasamos a
enunciar el teorema.
Teorema 3.2. Sea T : Rn Rm una transformacion lineal, sea {e1 , . . . , en } la base estandar de Rn y
A = [T (e1 ) T (en )], la matriz cuyas columnas son los vectores T (e1 ), . . . , T (en ), entonces T (x) = Ax,
para todo x Rn . Mas aun, esta matriz es la unica con la propiedad que T (x) = Ax.

1

..
Demostracion. Sea x = . Rn , entonces x = 1 e1 + + 1 en y tenemos lo siguiente

n
T (x) = T (1 e1 + + 1 en ) = 1 T (e1 ) + + 1 T (en )

1

..
= [T (e1 ) T (en )] . = Ax.
| {z }
=A n
Ahora si B es una matriz tal que T (x) = Bx para todo x, entonces en particular los vectores de la base estandar
tenemos que
T (ei ) = Bei = i-esima columna de B, para i = 1, . . . , n.
Pero T (ei ) es tambien la i-esima columna de A, se sigue que B = A.
La matriz A en el teorema anterior depende de los vectores en la base estandar, la siguiente definicion es
para hacer claridad respecto a esto.
Definicion 3.2. Si T : Rn Rm es una transformacion lineal y E = {e1 , . . . , en } es la base estandar de

Rn , a la matriz A = [T (e1 ) T (en )] se le llama la matriz de la transformacion y sera denotada por
A = E TE .

x
Ejemplo 3.2. Calcular la matriz de la transformacion T : R2 R definida por T = x + y.
y
Solucion. De acuerdo al teorema anterior debemos calcular T (e1 ) y T (e2 ):

1 0
T (e1 ) = T = 1 + 0 = 1 y T (e2 ) = T = 0 + 1 = 1.
0 1
Luego la matriz de la transformacion es E TE = [1 1].

x
x + 2y
Ejemplo 3.3. Calcular la matriz, E SE , de la transformacion S : R3 R2 definida por S y =
.
y 3z
z
Solucion. En este caso debemos calcular S(e1 ), S(e2 ) y S(e3 ).

1 0
1 + 2 0 1 0 + 2 1 2

S(e1 ) = S 0 = = , S(e2 ) = S 1 = =
030 0 130 1
0 0

0

0 + 2 0 0
y S(e3 ) = S 0 = = .
031 3
1

1 2 0
Por tanto la matriz de la transformacion es E SE = .
0 1 3
En el siguiente teorema demostraremos que la composicion de transformaciones lineales es una transforma-
cion lineal ademas veremos que la matriz de la transformacion compuesta es el producto de las matrices de las
respectivas transformaciones.
Teorema 3.3. Sean V, W y Z espacios vectoriales y sean T : V W y S : W Z transformaciones

lineales, entonces S T es una transformacion lineal. Mas aun, si V = Rn , W = Rm y Z = Rq entonces la
matriz de la transformacion S T esta dada por E SE E TE , es decir, E (S T ) E = E SE E T E .
88
Demostracion. Primero demostremos que S T es una transformacion lineal, sean v, v V y R,
S T (v + v ) = S(T (v + v )) = S(T (v) + T (v )) = S(T (v)) + S(T (v ))
= S T (v) + S T (v ) y
S T (v) = S(T (v) = S(T (v)) = S(T (v)) = S T (v)
Ahora demostremos la segunda parte, sean A =E TE y B =E SE , entonces T (v) = Av para todo v Rn y

S(w) = Bw para todo w Rm . Veamos que BA es la matriz de S T , es decir, S T (v) = BAv para todo
v Rn .
S T (v) = S(T (v)) = S(Av) = BAv.
De la propiedad de unicidad que satisface la matriz de S T concluimos que BA es la matriz de S T .
Ejemplo 3.4. Sean T y S las transformaciones lineales definidas en los Ejemplos 3.2 y 3.3 entonces la matriz
de la transformacion T S, E (T S)E , esta dada por

i 1 2 h 0 h i
E (T S)E =E TE E SE = 1 1
= 1 3 3 .
0 1 3

1 1
h i

Por tanto T S 2 = 1 3 3 2 = 1 + 32 33 .

3 3
Ejemplo 3.5. (MatLab) Sean T : R3 R4 y S : R4 R3 las transformaciones lineales definidas por

T (x) = Ax y S(x) = Bx con 3 2
1 h 1 2 1 3
i
1 1 1
A= 2 0 1 yB= 1 2 1 0
0 1 2 2 0 1 1
Es facil ver que si T (x) = Ax para todo x entonces A = E TE es la matriz de la transformacion. Por tanto
obtenemos que las matrices de las compuestas T S y S T son las matrices AB y BA, respectivamente. Por
tanto T S(x) = ABx para todo x R4 y S T (y) = BAy para todo y R3 . Usando Matlab obtenemos que
3 10 4 10 h 7 7 4 i
AB = 20 44 13 45 y BA = 1 0 0 .
5 2 3 2 4 5 1
Del Teorema 3.2 obtenemos que el conjunto de transformaciones lineales L(Rn , Rm ) de Rn en Rm esta en
correspondencia uno a uno con el conjunto de matrices Mm,n (R)
L(Rn , Rm ) Mm,n (R)

T 7 A = E TE
T (x) = Ax A
la correspondencia es tal que la composicion de transformaciones se traduce en producto de matrices, tambien

veremos que la inversa de una transformacion invertible se corresponde con la inversa de su matriz, la imagen
de la transformacion con el espacio columna de la matriz y el kernel de la transformacion (este se define en la
proxima seccion) con el espacio nulo de la matriz. En general tendremos que la matriz de una transformacion
se puede usar para conseguir informacion util acerca de la transformacion, por ejemplo, esta se puede usar para
determinar si una transformacion lineal es inyectiva, si es sobre, si es biyectiva. Esto lo veremos en las secciones
3.2-3.4
Problemas
3.1.1. Determine si la funcion dada es una transformacion lineal y en los casos afirmativos, calcule la matriz
de la transformacion lineal correspondiente.

x x y
1. T : R2 R2 definida por T = .
y x

xy
x
2. T : R2 R3 definida por T = x + 1.

y
y2

x

y x y
3. T : R4 R2 definida por T =
.
z zw

w

x xz

4. T : R3 R3 definida por T y = y z .

z xz

x
x z
5. T : R3 R2 definida por T y =
.
yz
z

x1 xn
x
1 x1 + x2 xn

6. T : Rn Rn1 definida por T = ..
.
.

xn
x1 + + xn1 xn

1 2
1 0 1
3.1.2. Sea T : R2 R3 tal que T = 2 y T = 1. Calcule la matriz de T y T .

0 1 1
2 2
3.1.3. Calcule la matriz de la transformacion que rota el plano 90 y luego proyecta sobre el eje y.
3.1.4. Sea V = F([a, b], R el conjunto de las funciones continuas del intervalo [a,b] en R. Demuestre que la
Rb
funcion T : V R definida por T (f ) = a f (x)dx es una transformacion lineal.
90
3.1.5. Muestre que una funcion T : Rn R es una transformacion lineal si y solamente si existen a1 , , an
Pn
R tales que T (x1 , , xn ) = i=1 ai xi .
3.1.6. Considere la funcion D : P3 P2 definida por D(a + bt + ct2 + dt3 ) = b + 2ct + 3dt2 . Demuestre que
D es una transformacion lineal.
En forma mas general demuestre que la funcion D : Pn+1 Pn definida por D(p(t)) = p (t) es una
transformacion lineal.
3.1.7. Considere la funcion I : P2 P3 definida por I(a + bt + ct2 ) = at + 21 bt2 + 13 ct3 . Demuestre que I es
una transformacion lineal.
Rt
En forma mas general demuestre que la funcion I : Pn Pn+1 definida por D(p(t)) = 0
p(x)dx es una
3.2. Transformaciones Lineales Inyectivas
En esta seccion veremos que la inyectividad de una transformacion lineal esta ligada a con la nulidad de la
matriz de la transformacion, y esto a su vez, depende de si kernel de la transformacion es trivial. Comenzamos
con la definicion de kernel de una transformacion.
Definicion 3.3. Sean V y W espacios vectoriales y sea T : V W una transformacion lineal, definimos el
nucleo o kernel de T como el conjunto
ker(T ) = {x V | T (x) = 0}.
Para transformaciones lineales de Rn en Rm , la matriz de la transformacion se puede usar para calcular el

kernel. Este es el resultado del siguiente teorema.
Lema 3.4. Sea T : Rn Rm una transformacion lineal y sea A = E TE la matriz de la transformacion,

entonces ker(T ) = N ul(A).
Demostracion. x ker(T ) si y solo si 0 = T (x) = Ax si y solo si x N ul(A).

Concluimos que ker(T ) = N ul(A).
Ejemplo 3.6. Calculemos el kernel de la transformacion

lineal S
definida en el Ejemplo 3.3.
1 2 0
Solucion. La matriz de la transformacion es A = , necesitamos calcular N ul(A), para lo cual
0 1 3
necesitamos la escalonada reducida de A:

1 2 0 F1 2F2 F1 1 0 6
.
0 1 3 0 1 3

x
x = 6z
Luego tenemos que un vector v = y N ul(A) = N ul(A ) si y solo si se satisfacen las ecuaciones

.
y = 3z
z

x x 6z 6

Entonces tenemos que v = y N ul(A) si y solo si y = 3z = z 3 .

z z z 1

6

Por tanto tenemos que ker(T ) = N ul(A) = gen 3 .

1

El siguiente resultado muestra la relacion entre la inyectividad de una transformacion lineal y la trivialidad
del kernel.
Teorema 3.5. Sea T : V W una transformacion lineal, entonces T es inyectiva si y solo si ker(T ) = {0}.
Demostracion. Supongamos que T es inyectiva, entonces si T (v) = T (w), tenemos que v = w.

Ahora, supongamos que v ker(T ), entonces T (v) = 0 = T (0), luego v = 0 y por tanto ker(T ) {0}. La
otra inclusion se da ya que ker(T ) es un subespacio de V y por tanto 0 ker(T ). Concluimos que ker(T ) = {0}.
Supongamos que ker(T ) = {0} y demostremos que si T (v) = T (w), entonces v = w, para todo v, w V .
Supongamos entonces que T (v) = T (w). Luego T (v w) = T (v) + T (w) = T (v) T (w) = 0, se sigue que
v w ker(T ) = {0} por tanto v w = 0 o equivalentemente v = w. Concluimos que T es inyectiva.
En el caso particular de transformaciones lineales que van de Rn en Rm , el Teorema 3.5 y el Lema 3.4 nos
dan un algoritmo para calcular el kernel, este se hace evidente con el siguiente resultado.
Teorema 3.6. Sea T : Rn Rm una transformacion lineal y sea A = E TE la matriz de la transformacion.

Entonces T es inyectiva si y solo si rango(A) = n = numero de columnas de A.
Demostracion. T es inyectiva si y solo si ker(T ) = {0} (Teorema 3.5) si y solo si N ul(A) = {0} (Lema 3.4) si
y solo si rango(A) = n (Teorema 2.16).
Este teorema nos da una manera de determinar si una transformacion lineal es inyectiva y en caso negativo,
usamos el Lema 3.4 para calcularlo. A continuacion damos los siguientes ejemplos.

x
x + 2y
Ejemplo 3.7. Determine si la transformacion lineal T : R3 R2 definida por T y =
es
y 3z
z
inyectiva.
1 2 0
Solucion. En el Ejemplo 3.6 vimos que la matriz de la transformacion es A = y la forma
0 1 3

1 0 6
escalonada reducida de A es A = . De esto deducimos que rango(A) = 2 < numero de columnas
0 1 3
de A, por tanto A no es inyectiva.
92

1 2 3 4

2 3 4 5
Ejemplo 3.8. (MatLab) Sea A = y sea T : R4 R4 la transformacion lineal definida

3 4 5 6

4 5 6 7
por T (v) = Av. Determine si T es inyectiva y calcular su kernel.
Solucion. Como la matriz de la transformacion es la unica para la cual T (v) = Av, tenemos que A = E TE es
la matriz de la tranformacion, para determinar si T es o no inyectiva, necesitamos calcular el rango de A, lo
cual calculamos como sigue en MatLab:
>> A = [1, 2, 3, 4; 2, 3, 4, 5; 3, 4, 5, 6; 4, 5, 6, 7]; rank(A)
y as se obtiene que rango(A) = 4 = numero de columnas de A y se sigue que T es inyectiva y ker(T ) = {0}.

1 2 1 1 1

1 0 1 3 1

1 1 y sea T : R5 R5 definida por T (x) = Ax,

Ejemplo 3.9. (MatLab) Sea A = 0 1 1

0 1 1 1 1

1 0 1 3 1
determine si T es inyectiva y calcular ker(T ).
Solucion. Primero calculamos el rango de A para determinar si la transformacion es inyectiva,
>> A = [1, 2, 1, 1, 1; 1, 0, 1, 3, 1; 0, 1, 1, 1, 1; 0, 1, 1, 1, 1; 1, 0, 1, 3, 1]; rank(A)
y obtenemos que rango(A) = 3 y por tanto T no inyectiva. Para calcular el kernel, computamos el subespacio
nulo de A.
>> null(A, r )
1 3

1 1

Obtenemos que ker(T ) = N ul(A) = gen 1 , 0 .

0 1

0
0
Problemas
3.2.1. Calcular el kernel de las transformaciones lineales del Problema 3.1.1.
3.2.2. Determine cuatro transformaciones lineales de R3 en R3 cuyos nucleos tengan dimensiones 0, 1, 2 y 3

respectivamente.
3.2.3. Sea T : Rn Rm una transformacion lineal. Demuestre que si T es inyectiva entonces n m.
3.2.4. Sea T : Rn Rm una transformacion lineal y A = E TE la matriz de T . Demuestre que T es inyectiva

si y solo si A tiene inversa a la izquierda.
3.2.5. Demuestre que si T : U V y S : V W son inyectivas entonces S T es inyectiva, es decir, la

composicion de transformaciones inyectivas es inyectiva.
3.2.6. Sean A y B matrices de tamanos m n y n p, respectivamente. Demuestre que si A y B tienen ambas

inversa a la izquierda entonces AB tiene inversa a la izquierda. (Ayuda: Use los dos ultimos problemas.)
3.2.7. Demuestre que si T : Rn Rm es inyectiva entonces existe una transformacion lineal S : Rm Rn

tal que S T = id. (Ayuda: Use el Problema 3.2.4.)
3.3. Transformaciones Lineales Sobreyectivas

Comenzamos recordando las definiciones de imagen de una funcion y de funcion sobreyectiva.
Definicion 3.4. Sean V y W espacios vectoriales y T : V W una transformacion lineal,
1. Definimos la imagen de T , denotada por Im(T ), como el conjunto
Im(T ) = {T (v) | v V } = {w W | existe v V tal que w = T (v)}.
2. Decimos que T es sobreyectiva si Im(T ) = W .
Cuando la transformacion esta definida de Rn en Rm podemos calcular la imagen usando la matriz de la

transformacion. Este hecho se demuestra en el siguiente teorema.
Teorema 3.7. Sean T : Rn Rm una transformacion lineal y A = E TE la matriz de T , entonces
Im(T ) = Col(A).
Demostracion. Sean A1 , . . . , An las columnas de A entonces tenemos lo siguiente:

w Im(T ) si y solo si existe v Rn tal que w = T (v) = Av si y solo si existe v = (1
..
.
1

.
n ) Rn tal que w = Av = [A1 , . . . , An ] .. = 1 A1 + + n An si y solo si w gen{A1 , . . . , An } = Col(A).

n
Por tanto Im(T ) = Col(A).

1 0

Ejemplo 3.10. Sea A = 1 2 y T : R2 R3 la transformacion lineal definida por T (x) = Ax, calcular

3 0
la imagen de T .
Solucion. De acuerdo al teorema anterior necesitamos calcular
Col(A).

1 0

Si calculamos la forma escalonada de A obtenemos A = 0 1 y por tanto por el Teorema 2.16

0 0

1 0

Im(T ) = Col(A) = gen 1 , 2 .

3
0
94
El teorema anterior nos muestra como la matriz de la transformacion se puede usar para calcular la imagen de
una transformacion, esta tambien sirve para determinar si la transformacion es sobreyectiva, esto lo mostramos
a continuacion.
Teorema 3.8. Sea T : Rn Rm una transformacion lineal y A la matriz de T , entonces T es sobreyectiva si

y solo si rango(A) = m = numero de filas de A.
Demostracion. T es sobre si y solo si Rm = Im(T ) = Col(A) (Teorema 3.7) y Col(A) = Rm si y solo si

rango(A) = m = numero de filas de A (Teorema 2.16).
El Teorema 3.7 nos dice que encontrar la imagen de una transformacion es equivalente a encontrar el
espacio columna de la matriz de la transformacion y el teorema anterior reduce el problema de determinar si la
transformacion es sobre a encontrar el rango de esta matriz. Esto lo ilustramos en los siguientes ejemplos.
Ejemplo 3.11. Determine si la transformacion del ejemplo anterior

es sobreyectiva.
1 0

Solucion. La forma escalonada de la matriz de T es A = 0 1 y por tanto rango(A) = 2 < 3 = numero de

0 0
filas de A, concluimos que T no es sobreyectiva.
Ejemplo 3.12. (MatLab) Sea T la transformacion del Ejemplo 3.9, determine si T es sobre y calcular Im(T ).
Solucion. En el Ejemplo 3.9 se obtuvo que el rango de la matriz A =E TE es 3 y por tanto T no es sobre.
Para calcular Im(T ) necesitamos calcular el espacio columna de A, el cual podemos calcular con la escalonada
reducida de A.

>> A = [1, 2, 1, 1,1; 1, 0, 1, 3, 1; 0, 1,
1, 1, 1; 0, 1, 1, 1, 1; 1, 0,
1,
3,1];A = rref
(A)

1 0 1 3 0 1

2 1

0 1 1 1 0

1 0 1

se obtiene que A 0 0

0 0 1 y por tanto Im(T ) = 0 , 1 , 1 , es decir, ImT es gene-

0 0 0 0 0

0 1 1

0 0 0 0 0 1 0 1
rada por la primera, segunda y quinta columna de A.
Otra forma de calcular la imagen es usando el comando colspace(sym(A)), el cual produce una base de
Col(A) = Im(T ).
>> A = [1, 2, 1, 1, 1; 1, 0, 1, 3, 1; 0, 1, 1, 1, 1;
0,1,
1,1,1; 1,
0,
1, 3, 1]; colspace(sym(A))
1
0 0

0 1 0

y de esta manera obtenemos que el conjunto 0 , 0 , 1 es una base para Im(T ).

0 0 1

0
1 0
Problemas
3.3.1. Sea T : R2 R2 definida por T (x, y) = (y, 0), muestre que ker T = ImT .
3.3.2. Calcular la imagen de las transformaciones lineales del Problema 3.1.1.
3.3.3. Sean V y W los subespacios de R4 determinados por V = gen {(1, 0, 1, 1), (0, 1, 1, 1)} y W =

(x, y, z, t) R4 : x + y = 0 y t + z = 0 . Determine una transformacion lineal T : R4 R4 tal que ker(T ) =
V y Im(T ) = W .
3.3.4. Encuentre una transformacion lineal T : R4 R4 tal que: ker(T ) = gen {(1, 0, 1, 0), (1, 0, 0, 1)} y
Im(T ) = {(1, 1, 0, 2), (0, 1, 1, 0)}.
3.3.5. Sea V un espacio vectorial y T : V V una transformacion lineal. Demuestre que las siguientes
condiciones son equivalentes:
1. ker(T ) Im(T ) = {0}.
2. Si (T T )(v) = 0 para v V , entonces T (v) = 0.
3.3.6. Sean A Mn (R) y T : Rn Rn definida por T (v) = Av, sea T k = |T {z

T} y Ck = Col(Ak ),
kveces
demuestre que para todo k 1 se tiene que
1. Ck = Col(Ak ).
2. T (Ck ) = Ck+1 , donde T (Ck ) = {T (v) | v Ck }.
3.3.7. Sean T : U V y S : V W transformaciones lineales sobreyectivas. Demuestre que S es

sobreyectiva.
3.3.8. Sea T : Rn Rm una transformacion lineal y A = E TE la matriz de T . Demuestre que T es sobreyectiva

si y solo si A tiene inversa a la derecha.
3.3.9. Demuestre que si T : Rn Rm es sobreyectiva entonces existe una transformacion lineal S : Rm Rn

tal que T S = id y muestre que S es inyectiva.
3.3.10. Sean A y B matrices de tamanos m n y n p, respectivamente. Demuestre que si A y B tienen ambas

inversa a la derecha entonces AB tiene inversa a la derecha. (Ayuda: Use los dos ultimos problemas.)
3.3.11. Demuestre que si T : Rn Rm es sobreyectiva entonces n m.
3.3.12. Si T : V V es una transformacion lineal y H V es un subespacio, decimos que H es T -invariante

si T (H) H. Muestre que ImT y ker T son T -invariantes.
3.3.13. Si T : V V es una transformacion lineal y W V es un subespacio T -invariante muestre que

T/W : W W es una transformacion lineal, donde T/W es la restriccion de T a W .
96
3.3.14. Sea T : V W una transformacion lineal y H W un subespacio. La imagen inversa de H se define

como el conjunto
T 1 (H) = {v V | T (v) H}.
Muestre que T 1 (H) es un subespacio.
3.3.15. Si T : V W y S : W Z son transformaciones lineales con S sobreyectiva entonces Im(T ) =

Im(T oS). (Ayuda:Use el Problema 2.7.14.)
3.3.16. Sean T, S : V V transformaciones lineales, demuestre que Im(T + S) ImT + ImS, donde
T +S : V V es la transformacion lineal definida por (T +S)(v) = T (v)+S(v), y concluya que rango(A+B)
rangoA + rangoB.
3.4. Isomorfismos
Las transformaciones lineales biyectivas (inyectivas y sobreyectivas) se llaman isomorfismos, la palabra iso-
morfismo significa igual forma, en este sentido se usa el termino isomorfismo para las transformaciones que
preservan la estructura de espacio vectorial. En esta seccion veremos como los isomorfismos preservan la es-
tructura de los espacios vectoriales. Comenzamos con la definicion de isomorfismo.
Definicion 3.5. Sean V y W espacios vectoriales y T : V W una transformacion lineal, decimos que
T es un isomorfismo si es una funcion biyectiva. Tambien diremos que V es isomorfo a W si existe un
isomorfismo entre ellos, lo cual denotaremos V
= W.
Los Teoremas 3.6 y 3.8 implican lo siguiente.
Teorema 3.9. Sea T : Rn Rm una transformacion lineal y A =E TE la matriz de T , entonces T es un

isomorfismo si y solo si rango(A) = m = n.
Corolario 3.10. Rn
= Rm si y solo si m = n.

1 1
Ejemplo 3.13. Sea T : R2 R2 la tranformacion lineal cuya matriz es A = , determinar si T es
1 1
un isomorfismo.
Solucion. La forma escalonada reducida de A es la matriz A = I, por tanto T es un isomorfismo.
Teorema 3.11. Sea T : Rn Rn una transformacion lineal y A = E TE la matriz de T , entonces su funcion

inversa T 1 es una transformacion lineal y su matriz de transformacion es A1 .
Demostracion. Primero veamos que T 1 es lineal. Sean y1 , y2 Rn , como T es sobre, existen x1 , x2 Rn tal
que y1 = T (x1 ) y y2 = T (x2 ), entonces
T 1 (y1 + y2 ) = T 1 (T (x1 ) + T (x2 )) = T 1 (T (x1 + x2 )) = x1 + x2
= T 1 (y1 ) + T 1 (y2 ).
Ahora, sea R, entonces tenemos
T 1 (y1 ) = T 1 (T (x1 )) = T 1 (T (x1 )) = x1 = T 1 (y1 ).
Por tanto T 1 es lineal. Ahora veamos que A1 es la matriz de transformacion de T . Notese que si y Rn
entonces y = AA1 y = T (A1 y), aplicando T 1 a ambos lados obtenemos
T 1 (y) = A1 y.
Conluimos que A1 es la matriz de T 1 .
Observacion 3.2. En general si T : V W es un isomorfismo, entonces T 1 : W V tambien es una

2 2
Ejemplo
En el ejemplo anterior vimos que la transformacion lineal T : R
3.14. R cuya matriz es
1 1 1/2 1/2
A= es invertible, entonces T 1 es un isomorfismo y su matriz es A1 = . Es decir, la
1 1 1/2 1/2

1
x (x + y)
transformacion esta dada por T = 2 .
1
y 2 (x y)
Hasta ahora la mayora de los teoremas que hemos visto en el captulo y en el anterior aplican solamente al
espacio vectorial Rn y a transformaciones lineales de Rn en Rm . Vamos a usar la teora de isomorfismos para
generalizar los teoremas vistos, comenzamos con un resultado que nos va a servir de puente para extender estos
teoremas.
Teorema 3.12. Sea V un espacio vectorial y X = {v1 , . . . , vn } una base para V , entonces V
= Rn . Un
isomorfismo entre estos espacios esta dado por la funcion T : V Rn definida por T (1 v1 + + n vn ) =

1

..
. , a esta funcion se le conoce como el isomorfismo canonico.

n
Demostracion. Veamos que T es un isomorfismo.
T es lineal: Sean v, w V y R, como {v1 , . . . , vn } es una base para V , existen 1 , . . . , n , 1 . . . , n R tal
que v = 1 v1 + + n vn y w = 1 v1 + + n vn , luego
T (v + w) = T (1 v1 + + n vn + 1 v1 + + n vn )
= T ((1 + 1 )v1 + + (n + n ))

1 + 1 1 1

.. .. ..
= . = . + .

n + n n n
= T (1 v1 + + n vn ) + T (1 v1 + + n vn )
= T (v) + T (w).
98
T (v) = T ((1 v1 + + n vn ))
= T (1 v1 + + n vn )

1 1

.. ..
= . = .

n n
= T (1 v1 + + n vn )
= T (v).
T es inyectiva: Para esto veamos que ker(T ) = {0}.

1

.
Sea v = 1 v1 + + n vn ker(T ), entonces 0 = T (v) = .. . Entonces 1 = = n = 0 y por

n
tanto v = 0.
La otra inclusion es inmediata ya que T (0) = 0 y por tanto 0 ker(T ).

1

..
T es sobreyectiva: Sea y = . Rn , y sea v = 1 v1 + + n vn V , entonces tenemos que

n

1

..
T (v) = T (1 v1 + + n vn ) = . = y.

n
Por tanto T es sobreyectiva.
Concluimos que T es un isomorfismo.
Observacion 3.3. Notese que en el teorema anterior la transformacion T depende de la base X, mas aun, por
cada base de V tenemos un isomorfismo distinto. Debido a la dependencia de la base, en adelante denotaremos
a esta transformacion por RX .
Ejemplo 3.15. El conjunto X = {1, t, t2 , t3 } es una base del espacio V = P3 , por tanto V es isomorfo a R4 y
el isomorfismo esta dado por
a
0

a1
RX (a0 + a1 t + a2 t2 + a3 t3 ) =
.

a2

a3
El numero de vectores en una base es invariante, este hecho se demostro en el Captulo 2 Teorema 2.15 pero
solo en el caso de subespacios de Rn , a continuacion lo demostramos para espacios vectoriales en general.
Teorema 3.13. Sea V un espacio vectorial y sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm } bases para V, entonces
m = n.
= Rn y V
Demostracion. Por el teorema anterior tenemos que V = Rm , luego Rn
= Rm . Luego por el
Corolario 3.10 tenemos que m = n.
Esto nos permite definir la dimension de espacios vectoriales, al tener que el numero de vectores en una base
es invariante.
Definicion 3.6. Sea V un espacio vectorial, definimos la dimension de V, denotada por dim V , como el numero
de vectores en una base de V. Es decir, si {v1 , . . . , vn } es una base para V entonces dim V = n.
Ejemplo 3.16. 1. Como el conjunto {1, t, . . . , tn } es una base para Pn , tenemos que dim Pn = n + 1.

1 0 0 1 0 0 0 0
2. Una base para M22 (R) esta dada por , , , , por tanto dim M22 (R) = 4.
0 0 0 0 1 0 0 1
3. En general tenemos que dim Mmn (R) = mn. Una base para este espacio esta dada por {eij | i =
1, . . . , n, j = 1, . . . , m}, donde eij es la matriz m n con un 1 en la posicion ij y cero en las demas
posiciones.
El siguiente teorema muestra como los isomorfismo conservan la estructura de los espacios vectoriales, en
otras palabras, el siguiente teorema justifica por que las transformaciones biyectivas son llamadas isomorfismos.
Teorema 3.14. Sean V y W espacios vectoriales, T : V W un isomorfismo, {v1 , . . . , vn } V y v V .

Entonces se tiene lo siguiente:
1. El conjunto {v1 , . . . , vn } es linealmente independiente si y solo si el conjunto {T (v1 ), . . . , T (vn )} es lineal-

mente independiente.
2. El conjunto {v1 , . . . , vn } genera a V si y solo si el conjunto {T (v1 ), . . . , T (vn )} genera a W .
3. El conjunto {v1 , . . . , vn } es una base para V si y solo si el conjunto {T (v1 ), . . . , T (vn )} es una base para
W.
4. dim V = dim W .
5. v gen{v1 , . . . , vn } si y solo si T (v) gen{T (v1 ), . . . , T (vn )}.
Demostracion. 1. Supongamos que el conjunto {v1 , . . . , vn } es linealmente independiente y suponga-

mos que 1 T (v1 ) + + n T (vn ) = 0. Entonces 0 = T (0) = T (1 v1 + + n vn ). Como T es inyectiva,
tenemos que 1 v1 + + n vn = 0. Ahora, como {v1 , . . . , vn } es linealmente independiente, tenemos que
1 = = n = 0. De aqu concluimos que {T (v1 ), . . . , T (vn )} es linealmente independiente.
Supongamos que {T (v1 ), . . . , T (vn )} es linealmente independiente y supongamos que 1 v1 + +

n vn = 0. Entonces tenemos que 0 = T (0) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ). Como
{T (v1 ), . . . , T (vn )} es linealmente independiente tenemos que 1 = = n = 0. Por tanto {v1 , . . . , vn }
es linealmente independiente.
100
2. Como T es un isomorfismo, es en particular inyectivo y sobreyectivo, por tanto ker(T ) = {0} y W = Im(T ).
Entonces tenemos lo siguiente:
{T (v1 ), . . . , T (vn )} genera a W si y solo si {T (v1 ), . . . , T (vn )} genera a Im(T ) si y solo si para todo v V
existen constantes 1 , . . . , n tal que T (v) = 1 T (v1 ) + + n T (vn ) si y solo si para todo v V existen
constantes 1 , . . . , n tal que T (v) = T (1 v1 + + n vn ) si y solo si para todo v V existen constantes
1 , . . . , n tal que 0 = T (1 v1 + + n vn ) T (v) = T (1 v1 + + n vn v) si y solo si para todo
v V existen constantes 1 , . . . , n tal que 1 v1 + + n vn v ker(T ) = {0} si y solo si para todo
v V existen constantes 1 , . . . , n tal que 1 v1 + + n vn v = 0 si y solo si para todo v V existen
constantes 1 , . . . , n tal que v = 1 v1 + + n vn si y solo si {v1 , . . . , vn } genera a V .
3. Es inmediato de 1 y 2.
4. Es inmediato de 3
5. v gen{v1 , . . . , vn } si y solo si existen constantes 1 , . . . , n tal que v = 1 v1 + + n vn si y solo si

existen constantes 1 , . . . , n tal que T (v) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ) si y solo si
T (v) gen{T (v1 ), . . . , T (vn )}.
En la proxima seccion explotaremos toda la potencia de los Teoremas 3.6 y 3.14, lo cual nos permitira estudiar
independencia lineal, conjuntos generadores y bases en espacios vectoriales arbitrarios. Tambien nos ayudara a
estudiar inyectividad, sobreyectividad y biyectividad de transformaciones lineales entre espacios vectoriales ar-
bitrarios.
Problemas

1 a
3.4.1. Sea V = a R el espacio vectorial con suma definida por A B = AB donde AB denota

0 1

1 a 1 a
el producto usual de matrices y el producto por escalar definido por = . Demuestre que
0 1 0 1
V = R exhibiendo un isomorfismo entre estos espacios.
3.4.2. Muestre que las siguientes transformaciones lineales de R3 en R3 son invertibles y determine su trans-
formacion lineal inversa.
1. T (x, y, z) = (x 3y 2z, y 4z, z).
2. T (x, y, z) = (x, x y, 2x + y z).
3.4.3. Sea T : R2 R2 dada por T (x1 , x2 ) = (x1 + x2 , x1 ) para todo (x1 , x2 ) R2 . Demuestre que T es un
isomorfismo y determine T 1 .
3.4.4. Sea V un espacio vectorial y S, T : V V transformaciones lineales invertibles. Demuestre que S T

es invertible y (S T )1 = T 1 S 1 .
3.4.5. Sean T : R3 R2 y S : R2 R3 transformaciones lineales. Demuestre que S T no es invertible.

De un ejemplo donde T S es invertible.
3.4.6. Sea A Mn (R) y T : Mn (R) Mn (R) la funcion definida por T (X) = AX. Muestre que T es una
transformacion lineal y muestre que T es invertible si y solo si A es invertible.
3.4.7. Sea T : V V un transformacion lineal, Ck = Im(T k ) y Nk = ker(T k ), demuestre lo siguiente:
1. Ck+1 Ck ,
2. T (Ck ) = Ck+1 . (Recuerde que para H V se define T (H) como el conjunto T (H) = {T (h) | h H},)
3. Nk Nk+1 ,
4. T (Nk ) Nk ,
3.4.8. Si T : V W y S : W V son transformaciones lineales muestre que
1. Im(S T ) Im(S),
2. Si T admite una inversa a la derecha entonces Im(S T ) = Im(S).
3.5. Espacios Vectoriales Arbitrarios

En esta seccion veremos como los Teoremas 3.6 y 3.14 nos permiten resolver las preguntas sobre independencia
lineal, conjuntos generadores y bases en espacios vectoriales arbitrarios con un procedimiento Gauss-Jordan.
Ejemplo 3.17. Considere los polinomios p1 = 1 2t2 , p2 = t + t2 t3 y p3 = t + 3t2 en P3 . Determinar si los

polinomios son linealmente independientes.
a
0

a1
Solucion. Por el Teorema 3.6 la funcion T = RX : P3 R4 determinada por T (a0 +a1 t+a2 t2 +a3 t3 ) =

a2

a3
es un isomorfismo. Entonces por el Teorema
3.14 tenemos que el conjunto
{p
1 , p2 , p3 } es linealmente indepen-

1 0 0

0 1 1
diente si y solo si el conjunto T (p1 ) =

, T (p2 ) = , T (p3 ) = es linealmente independiente.

2 1 3

0 1 0

1 0 0

0 1 1
Sabemos por el Teorema 2.5 que este ultimo conjunto es LI si la matriz [T (p1 ) T (p2 ) T (p3 )] =

2 1 3

0 1 0
102
tiene rango igual al numero de columnas. Aplicando

el procedimiento
Gauss-Jordan obtenemos que la forma es-
1 0 0

0 1 0
calonada reducida de esta matriz es la matriz

. Luego los vectores {T (p1 ), T (p2 ), T (p3 )} son LI y por

0 0 1

0 0 0
tanto los polinomios {p1 , p2 , p3 } son LI.

2 1 0 1 0 3 5 1
Ejemplo 3.18. (MatLab) Sean M1 = , M2 = , M3 = y M4 = , determine
0 0 1 1 1 0 5 3
si las matrices son LI en M22 (R) y si no lo son encontrar una dependencia lineal entre ellos.
4
Solucion. El procedimiento es analogo al ejemplo anterior. Por el Teorema 3.6 la funcion T : M22 (R) R
a

a c b
determinada por T = es un isomorfismo. Entonces el conjunto {M1 , M2 , M3 , M4 } es lineal-

b d c

d
mente
independiente
si y solo si
el conjunto
1 0 0 5

0 1 1 5
T (M1 ) =

, T (M2 ) = , T (M3 ) = , T (M4 ) = es linealmente independiente. Al calcular

2 1 3 1

0 1 0 3

1 0 0 5

0 1 0 3
la forma escalonada de la matriz A = [T (M1 ) T (M2 ) T (M3 ) T (M4 )] obtenemos A =
, por

0 0 1 2

0 0 0 0
tanto los vectores no son LI y tenemos que T (M4 ) = 5T (M1 ) 3T (M2 ) 2T (M1 ), como T es un isomorfismo
tenemos que M4 = 5M1 3M2 2M3 , lo que nos da una dependencia lineal entre las matrices M1 , M2 , M3 y
M4 .
Ejemplo 3.19. Sean M1 , M2 , M3 y M4 las matrices

del
ejemplo anterior, calcular una base y la dimension de
1 1
H = gen{M1 , M2 , M3 , M4 } y determine si M = H.
1 3
Solucion. De acuerdo al ejemplo anterior sabemos que M1 , M2 y M3 son LI y que M4 es una combinacion
lineal de estas, por tanto {M1 , M2 , M3 } es una base para H y dim(H) = 3.
Para determinar si M H, usamos el Teorema 3.14 el cual dice que M H si y solo si T (M ) T (H) si y
solo si existen constantes 1 , 2 , 3 tal que T (M ) = 1 T (M1 ) + 2 T (M2 ) + 3 T (M3 ) si y solo si el conjunto
{T (M1 ), T (M2 ), T (M3 ), T (M )} es LD.
Esto lo podemos saber calculando la forma escalonada reducida de la matriz

1 0 0 1

0 1 1 1
A = [T (M1 ) T (M2 ) T (M3 ) T (M )] =
.

2 1 3 1

0 1 0 3
Despues de hacer los respectivos calculos podemos notar que A = I y por tanto los vectores son LI. Concluimos
que T (M )
/ T (H), luego M
/ H.
Problemas
3.5.1. Encuentre una base para {p R3 [x] | p(1) = 0}.
3.5.1. Transformaciones lineales entre espacios vectoriales arbitrarios.
En esta seccion definiremos la matriz de una transformacion con respecto a una base del dominio y otra del
codominio. Esto nos permitira calcular el kernel y la imagen de una transformacion lineal de manera computacio-
nal. La matriz de la transformacion con respecto a dos bases dadas nos permitira ver una transformacion lineal
entre espacios arbitrarios como una transformacion de Rn en Rm . En las siguientes observaciones introducimos
la matriz de una transformacion con respecto a dos bases.
Observacion 3.4. Sean V y W espacios vectoriales, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm } bases de V

y W respectivamente y T : V W una transformacion lineal. Por el Teorema 3.12 tenemos los isomorfismos
canonicos RX : V Rn y RY : W Rm definidos por
RX (1 v1 + + n vn ) = (1 , . . . , n ) y RY (1 w1 + + m vm ) = (1 , . . . , m ).
Por tanto tenemos el siguiente diagrama:
T /W
V
RX RY
S

Rn / Rm ,
as se obtiene una transformacion lineal S : Rn Rm , la cual esta dada por S = RY T RX

1
.
Esta transformacion tiene asociada una matriz E SS la cual nos permitira calcular el kernel y la imagen de
T.
Teorema 3.15. Usando la notacion de la Observacion 3.4. Sean V y W espacios vectoriales, X = {v1 , . . . , vn }
una base para V , Y = {w1 , . . . , wm } una base para W y T : V W una transformacion lineal. Entonces
tenemos lo siguiente:
104
1. S es inyectiva si y solo si T es inyectiva.
2. S es sobreyectiva si y solo si T es sobreyectiva.
3. S es un isomorfismo si y solo si T es un isomorfismo.
Demostracion. Por la definicion de S tenemos que T = RY1 S RX , ademas como RX y RY son isomorfismos,
son en particular inyectivos y sobreyectivos.
1. Si S es inyectiva entonces T = RY1 S RX es una composicion de transformaciones inyectivas y por tanto

es T inyectiva.
1
Si T es inyectiva entonces S = RY T RX es una composicion de transformaciones inyectivas y por tanto
S es inyectiva.
2. Si S es sobreyetiva entonces T = RY1 S RX es una composicion de transformaciones sobreyectivas y por

tanto es T sobreyectiva.
1
Si T es sobreyectiva entonces S = RY T RX es una composicion de transformaciones sobreyectivas y
por tanto S es sobreyectiva.
3. Se sigue de 1. y 2.
Este teorema nos permite asociar a cualquier transformacion lineal entre espacios vectoriales arbitrarios
una transformacion lineal de Rn en Rm que respeta la inyectividad, la sobreyectividad y le biyectividad de la
transformacion, de este se deduce los siguientes resultados que nos dicen como determinar si la transformacion
es inyectiva y/o sobreyectiva, tambien como calcular el kernel y la imagen.
Corolario 3.16. Usando la notacion de la Observacion 3.4. Sean V y W espacios vectoriales, X = {v1 , . . . , vn }
una base para V , Y = {w1 , . . . , wm } una base para W , T : V W una transformacion lineal, S = Rn Rm
y A = E SE la matriz de la transformacion S. Entonces
1. T es inyectiva si y solo si rango(A) = numero de columnas de A.
2. T es sobreyectiva si y solo si rango(A) = numero de filas de A.
3. T es un isomorfismo si y solo si rango(A) = numero de filas de A = numero de columnas de A.
Demostracion. Esto es una consecuencia inmediata del teorema anterior y los Teoremas 3.6, 3.8 y 3.9.
Corolario 3.17. Sean V y W espacios vectoriales, sea X = {v1 , . . . , vn } una base para V , Y = {w1 , . . . , wm }
una base para W , T : V W una transformacion lineal. RX : V Rn y RY : W Rm los isomorfismos
1
canonicos de V y W , respectivamente, sea S = RY T RX : Rn Rm y sea A = E SE la matriz de la
transformacion S. Entonces tenemos lo siguiente:
1 1
1. ker(T ) = RX (ker(S)) = RX (N ul(A)).
2. Im(T ) = RY1 (Im(S)) = RY1 (Col(A)).
Ademas se sigue que

1 1
{x1 , . . . , xr } es una base de N ul(A) si y solo si {RX (x1 ), . . . , RX (xr )} es una base de ker(T ) y
{y1 , . . . , ys } es una base de Col(A) si y solo si {RY1 (y1 ), . . . , RY1 (ys )} es una base de Im(T ).
Demostracion.
1.
v ker(T ) si y solo si 0 = T (v) = RY1 S RX (v) si y solo si S RX (v) = 0
si y solo si RX (v) ker(S) = N ul(A)

1
si y solo si v RX (N ul(A)).
2.
w Im(T ) si y solo si existe v V tal que w = T (v) = RY1 S RX (v)
si y solo si existe v V tal que RY (w) = S(RX (v))
si y solo si RY (w) Im(S) = Col(A)
si y solo si w RY1 (Col(A)).
A continuacion daremos ejemplos de como usar estos corolarios para calcular la imagen y el kernel de
transformaciones lineales.
Ejemplo 3.20. Considere la transformacion lineal derivacion D : P3 P2 definida en el Problema 3.1.6.

Determinar si es inyectiva y/o sobreyectiva, si es un isomorfismo, calcular el kernel y la imagen de D.
Solucion. Los conjuntos X = {1, t, t2 , t3 } y Y = {1, t, t2 } son bases de P2 y P3 , respectivamente. Se tienen los
isomorfismos RX : P3 R4 y RY : P2 R3 definidos por RX (a0 + a1 t + a2 t2 + a3 t3 ) = (a0 , a1 , a2 , a3 ) y
RY (a0 + a1 t + a2 t2 ) = (a0 , a1 , a2 ) (Los isomorfismos canonicos de P3 y P2 , respectivamente).
1
La transformacion S = RY D RX : R4 R3 esta dada por
1
S(a, b, c, d) = RY D RX (a, b, c, d) = RY D(a + bt + ct2 + dt3 ) = RY (b + 2ct + 3dt2 ) = (b, 2c, 3d)
La matriz de esta transformacion es

0 1 0 0

A =E SE = [S(e1 ) S(e2 ) S(e3 ) S(e4 )] = 0 0 2 0

0 0 0 3

0 1 0 0

y su forma escalonada esta dada por A = 0 0 1 0. Por tanto la transformacion S es sobreyectiva pero no

0 0 0 1
inyectiva. Del Teorema 3.15 tenemos que D es sobreyectiva pero no inyectiva, por tanto no es un isomorfismo.
106
Ahora pasamos a calcular el kernel y la imagen. Como D es sobre entonces Im(D) = P2 . Para el kernel,
1
usamos el Corolario 3.17, el cual nos dice que si calculamos una base de N ul(A) y aplicamos RX obtenemos
una base de ker(D).
Notese que

1 1 1 1

2 0 0
N ul(A ) = N ul(A) si y solo si 2 = 3 = 4 = 0 si y solo si 2 = = 1 .

3 3 0 0

4 4 0 0

1

0

1
Se sigue que x1 = es una base de N ul(A) = ker(S). Por tanto {RX
(x1 ) = 1} una base para ker(D).
0

0
Es decir
ker(D) = gen{1} = { polinomios constantes }.
Ejemplo 3.21. Considere la transformacion lineal integracion I : P2 P3 definida en el Problema 3.1.7.

Determinar si I es inyectiva y/o sobreyectiva, si es un isomorfismo, calcular el kernel y la imagen de I.
Solucion. Nuevamente consideramos las bases del problema anterior Y = {1, t, t2 } y X = {1, t, t2 , t3 } y los
isomorfismos RX : P3 R4 definido por RX (a0 + a1 t+ a2 t2 + a3 t3 ) = (a0 , a1 , a2 , a3 ) y RY : P2 R3 definido
por RY (a0 + a1 t + a2 t2 ) = (a0 , a1 , a2 ).
En este caso la transformacion S = RX I RY1 : R3 R4 esta dada por

1 2 b 2 c 3 b c
S(a, b, c) = RX I RY (a, b, c) = RX I(a + bt + ct ) = RX at + t + t = a, ,
2 3 2 3

0 0 0

1 0 0
A =E SE = [S(e1 ) S(e2 ) S(e3 )] =

0 1/2 0

0 0 1/3

1 0 0

0 1 0
y su forma escalonada reducida esta dada por A =

. Por tanto la transformacion S es inyectiva pero

0 0 1

0 0 0
no sobreyectiva, luego por el Teorema 3.15 tenemos que I es inyectiva pero no sobreyectiva, por tanto no es un
isomorfismo.
Ahora pasamos a calcular el kernel y la imagen. Como I es inyectiva entonces ker(I) = {0}. Para calcular
1
la imagen, usamos el Corolario 3.17, el cual no dice que si calculamos una base de Col(A) y aplicamos RX
obtenemos una base de Im(I).
De la matriz A obtenemos que una base para Col(A) = Im(I) esta dada por el conjunto
0 0 0
y1 = 0 , y2 = 1/2 , y3 = 00
1 0
,
0 0 1/3
1 1 1

ya que A tiene pivotes en las tres columnas. Por tanto el conjunto {RX (y1 ), RX (y2 ), RX (y3 )} = t, 12 t2 , 13 t3
es una base para Im(I). Es decir

1 2 1 3
Im(I) = gen t, t , t = gen{t, t2 , t3 }.
2 3

1 1
Ejemplo 3.22. Sea M = y sea T : M22 (R) M22 (R) la funcion definida por T (A) = AM .
1 1
Demuestre que T es una transformacion lineal, determine si T es inyectiva y/o sobreyectiva, si es un isomorfismo
y calcular el kernel y la imagen de T .
Solucion. Primero veamos que T es una transformacion lineal. Sean A1 , A2 M22 (R) y R,
T (A1 + A2 ) = (A1 + A2 )M = A1 M + A2 M = T (A1 ) + T (A2 ) y
T (A1 ) = (A1 )M = (A1 M ) = T (A1 ).
Fijemos la base
1 0 0 0 0 1 0 0
X= E11 = , E21 = , E12 = , E22 =
0 0 1 0 0 0 0 2
y consideremos el isomorfismo RX : M22 R4 definido por

a c
R X = RX (aE11 + bE21 + cE12 + dE22 ) = (a, b, c, d).
b d
1
La transformacion S = RX T RX : R4 R4 esta dada por

1
a c a c
S (a, b, c, d) = RX T RX (a, b, c, d) = RX T = R X M
b d b d

ac a + c
= R X = (a c, b d, a + c, b + d).
bd b + d

1 0 1 0

0 1 0 1
A = E SE = [S(e1 ) S(e2 ) S(e3 ) S(e4 )] =

1 0 1 0

0 1 0 1

1 0 1 0

0 1 0 1
y su forma escalonada reducida es la matriz A =

. Luego S no es inyectiva ni sobreyectiva y

0 0 0 0

0 0 0 0
tampoco un isomorfismo.
108

De lamatriz A tenemos
que una base para Col(A) esta dada por las dos primeras columnas de A, es decir,
1 0

0 1
m1 =
, m2 = es una base para Col(A) = Im(S). Por tanto se tiene que una base para Im(T )

1 0

0 1
esta dada por

1 1 0 0
1 1
{RX (m1 ), RX (m2 )} = , .
0 0 1 1
Ahora para calcular ker(T ) necesitamos una base para N ul(A). Para esto notese que

1 1 31 0

2 = 3 2 4 0 1
N ul(A) = N ul(A ) si y solo si 1 si y solo si
= = 3 + 4 .

3 2 = 4 3 3 1 0

4 4 4 0 1

1 0

0 1
Se sigue que el conjunto x1 = , x2 = es una base para N ul(A) = ker(S). Por tanto el conjunto

1 0

0 1

1 1 0 0
1 1
{RX (x1 ), RX (x2 )} = , ,
0 0 1 1
es una base para ker(T ).

1 2
Ejemplo 3.23. Sea M = y sea T : M22 (R) M22 (R) la funcion definida por T (B) = M B. Demuestre
1 1
que T es una transformacion lineal, determine si T es inyectiva y/o sobre, si es un isomorfismo y calcular el
kernel y la imagen de T .
Solucion. Con un argumento similar al del ejemplo anterior se demuestra que T es una transformacion lineal.
Para los demas calculos fijemos la base de M22 (R)

1 0 0 0 0 1 0 0
X= E11 = , E21 = , E12 = , E22 =
0 0 1 0 0 0 0 2
y tomemos el isomorfismo RX : M22 R4 definido por

a c
R X = RX (aE11 + bE21 + cE12 + dE22 ) = (a, b, c, d).
b d
1
En este caso la transformacion S = RX T RX : R4 R4 esta dada por

1
a c a c
S(a, b, c, d) = RX T RX (a, b, c, d) = RX T = R X M
b d b d

2a + b 2c + d
= RX = (2a + b, a + b, 2c + d, c + d).
a+b c+d

2 1 0 0

1 1 0 0
A= E SE = [S(e1 ) S(e2 ) S(e3 ) S(e4 )] =

0 0 2 1

0 0 1 1

1 0 0 0

0 1 0 0
y su forma escalonada reducida es la matriz A =

= I. De esto concluimos que S es inyectiva y

0 0 1 0

0 0 0 1
sobreyectiva y por tanto es un isomorfismo.
Como T es un isomorfismo tenemos que ker(T ) = {0} y Im(T ) = M22 (R).
Problemas
d
3.5.2. Calcule la matriz de la tranformacion T : R3 [t] R3 [t] definida por T (p) = dt [(2 + t)p].
3.5.3. Sean V un espacio vectorial de dimension finita y T : V V una transformacion lineal. Suponga que
existe S : V V tal que T S = IdV . Demuestre que T es invertible y S = T 1 . De un ejemplo que muestre
que lo anterior es falso cuando V no es de dimension finita.
3.5.4. Sea T : U V una transformacion lineal inyectiva. Muestre que V tiene un subespacio isomorfo a U .
Sea T : V V una transformacion lineal y X una base de V , demuestre que T : V V es invertible si y

solo si la matriz X TX es invertible.
3.5.5. Sea V un espacio vectorial con dim V 3. Muestre que una funcion T : V V es una transformacion
lineal si y solo la restriccion de T a cada subespacio vectorial de V con dimension 2 es una transformacion
lineal.
3.5.6. Si T : V W y S : W Z son transformaciones lineales entonces Im(T S) Im(T ) y Im(T S)

Im(S).
3.5.7. Si T, S : V V son transformaciones lineales y T S es invertible entonces T y S son invertibles.

De un ejemplo en el que T : V W y S : W V con T S invertible pero ni T ni S son invertibles.
110
3.5.8. Sea T : Mn (R) Mn (R) definida por T (A) = A At . Demuestre que ker T = Sn(R) es el conjunto de
marices simetricas y la imagen Im(T ) = An (R) es el conjunto de matrices antisimetricas.
3.5.9. Si T : V W y S : W V son transformaciones lineales con dim V > dim W entonces S T no es

invertible.
3.6. Propiedades de los Espacios Vectoriales

En esta seccion estudiaremos resultados clasicos de espacios vectoriales, como el Teorema de la Base Incom-
pleta y los teoremas de la dimension, entre otros. Comenzamos con el siguiente resultado que garantiza que la
representacion de un vector en terminos de una base es unica salvo el orden.
Teorema 3.18. Sea V un espacio vectorial, {v1 , . . . , vn } una base de V y v V , entonces existen constantes
unicas 1 , . . . , n talque v = 1 v1 + + n vn .
Demostracion. Supongamos que existen constantes 1 , . . . , n talque v = 1 v1 + + n vn y supongamos

que existen otras constantes 1 , . . . , n tal que v = 1 v1 + + n vn . Entonces restando estas dos ecuaciones
obtenemos:
0 = v v = 1 v1 + + n vn (1 v1 + + n vn ) = (1 1 )v1 + + (1 n )vn
luego, como los vectores v1 , . . . , vn son LI, entonces 0 = 1 1 = = n n , por tanto 1 = 1 , . . . , n = n

y las constantes son unicas.
Los siguientes resultados son generalizaciones de los Teoremas 2.11 tem 2. y 2.16 que se enunciaron y se
demotraron en el Captulo 2.
Teorema 3.19. Sea V un espacio vectorial y sea {v1 , . . . , vn } un conjunto linealmente independiente. Si
dim(V ) = n entonces {v1 , . . . , vn } es una base para V.
Demostracion. Como dim(V ) = n entonces V tiene una base X con n elementos, aplicando el Teorema 3.12
existe un isomorfismo T = RX : V Rn y por el Teorema 3.14 tem 1 el conjunto {T (v1 ), . . . , T (vn )} es
linealmente independiente en Rn , luego por el Teorema 2.11 tem 2, este conjunto forma una base para Rn .
Aplicando nuevamente el Teorema 3.14 tem 1 tenemos que {v1 , . . . , vn } es una base de V .
Teorema 3.20. Sean V y W espacios vectoriales con dim(V ) = n y sea T : V W una transformacion
lineal. Entonces
dim(ker T ) + dim(ImT ) = n.
Demostracion. Sea m = dim(W ), sean X y Y bases de V y W respectivamente, y sean RX : V Rn y

1
RY : W Rm los isomorfismos canonicos de V y W , respectivamente. Definamos S = RY T RX y sea
A = E SE la matriz de transformacion de S, entonces por el Corolario 2.17 tenemos que
dim(N ulA) + dim(ColA) = n.

Ahora por el Corolario 3.17, se tiene que dim(ImT ) = dim(ImS) = dim(ColA) y dim(KerT ) = dim(KerS) =
dim(N ulA) entonces tenemos
dim(ImT ) + dim(KerT ) = dim(ImS) + dim(N ulS) = dim(ColA) + dim(N ulA) = n.
Ahora pasamos a demostrar el teorema de la base incompleta en su version general, para facilitar su demos-
tracion veamos el siguiente lema.
Lema 3.21. Sea V un espacio vectorial, {v1 , . . . , vk } V un conjunto de vectores linealmente independientes
y w V . Si w
/ gen{v1 , . . . , vk } entonces el conjunto {v1 , . . . , vk , w} es linealmente independiente.
Demostracion. Supongamos que w

/ gen{v1 , . . . , vk }. Para demostrar que {v1 , . . . , vk , w} es linealmente
independiente, supongamos que
1 v1 + + k vk + w = 0 (3.1)
y veamos que las constantes son todas cero.

Primero notese que = 0, ya que si 6= 0, entonces de la Ecuacion 3.1 tenemos que w = 1 v1 k vk
y por tanto w gen{v1 , . . . , vk } lo que contradice la hipotesis, por tanto = 0.
Entonces la Ecuacion 3.1 se reduce a 1 v1 + + k vk = 0. Pero por hipotesis {v1 , . . . , vk } es un conjunto
LI, se sigue por tanto que 0 = 1 = = k .
De esto concluimos que {v1 , . . . , vk , w} es linealmente independiente.
Teorema 3.22. (Teorema de la Base Incompleta) Sean V un espacio vectorial con dim(V ) = n, {v1 , . . . , vk }
un conjunto de vectores linealmente independientes con k < n. Entonces existen vectores vk+1 , . . . , vn tal que
{v1 , . . . , vk , vk+1 , . . . , vn } es una base para V .
Demostracion. Como {v1 , . . . , vk } es linealmente independiente, entonces dim gen{v1 , . . . , vk } = k y como

k < n entonces gen{v1 , . . . , vk } =
6 V , por tanto existe v V tal que v
/ gen{v1 , . . . , vk }, entonces aplicando el
lema anterior tenemos que {v1 , . . . , vk , v} es LI.
Tomemos vk+1 = v y as tenemos que {v1 , . . . , vk , vk+1 } es linealmente independiente. Si n = k + 1 entonces
V = gen{v1 , . . . , vk , vk+1 } y por tanto {v1 , . . . , vk , vk+1 } es una base de V . En el caso k + 1 < n tenemos que
gen{v1 , . . . , vk , vk+1 } 6= V y existe w V tal que w
/ gen{v1 , . . . , vk , vk+1 }, entonces aplicando de nuevo el
lema anterior tenemos que {v1 , . . . , vk , vk+1 , w} es linealmente independiente.
Hacemos vk+2 = w y tenemos que {v1 , . . . , vk , vk+1 , vk+2 } es linealmente independiente.
Continuando de manera inductiva conseguimos vectores vk+1 , . . . , vn tal que {v1 , . . . , vk , vk+1 , . . . , vn } es
linealmente independiente, entonces como dim(V ) = n, por el Teorema 3.19 tenemos que
{v1 , . . . , vk , vk+1 , . . . , vn } es una base para V .
Teorema 3.23. Sea V un espacio vectorial y sean W1 y W2 subespacios de V . Entonces
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) dim(W1 W2 ).

112
Demostracion. Sea n = dim(V ), r = dim(W1 ), s = dim(W2 ) y t = dim(W1 W2 ). Sea {w1 , . . . , wt } una base
para W1 W2 , por el Teorema de la Base Incompleta, existen vectores xt+1 , . . . , xr tal que {w1 , . . . , wt , xt+1 , . . . , xr }
es una base para W1 y existen vectores yt+1 , . . . , ys tal que {w1 , . . . , wt , yt+1 , . . . , ys } es una base para W2 .
Afirmacion 1: El conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es linealmente independiente.
Para demostrar esta afirmacion, supongamos que
1 w1 + + t wt + t+1 xt+1 + + r xr + t+1 yt+1 + + s ys = 0. (3.2)
Sea v = t+1 yt+1 + + s ys W2 , entonces por la Ecuacion 3.2 tenemos que
v = t+1 yt+1 + + s ys = 1 w1 t wt t+1 xt+1 + r xr W1
por tanto v W1 W2 , entonces existen constantes 1 , . . . , t tal que v = 1 w1 + + t wt . Se sigue que
0 = v v = 1 w1 + + t wt t+1 yt+1 s ys ,
pero como {w1 , . . . , wt , yt+1 , . . . , ys } es linealmente independiente, por ser base de W2 , entonces
0 = 1 = = t = 1 = = s .
Entonces la Ecuacion 3.2 se reduce a 1 w1 + + t wt + t+1 xt+1 + + r xr = 0, pero el conjunto

{w1 , . . . , wt , xt+1 , . . . , xr } es linealmente independiente, por ser base de W1 , entonces
0 = 1 = = t = 1 = = s .
Concluimos que {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es linealmente independiente, lo que demuestra la Afir-
macion 1.
Afirmacion 2: El conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } genera a W1 + W2 .
Tomemos w W1 + W2 , entonces existen x W1 y y W2 tal que w = x + y.
Como {w1 , . . . , wt , xt+1 , . . . , xr } es una base para W1 , existen constantes 1 , . . . , r tal que
x = 1 w1 + + t wt + t+1 xt+1 + + r xr . (3.3)
Similarmente existen constantes 1 , . . . , s tal que
y = 1 w1 + + t wt + t+1 yt+1 + + s ys . (3.4)
De las Ecuaciones 3.3 y 3.4 tenemos que
w =x + y
=1 w1 + + t wt + t+1 xt+1 + + r xr
+ 1 w1 + + t wt + t+1 yt+1 + + s ys
=(1 + 1 )w1 + + (t + t )wt + t+1 xt+1 + + r xr + t+1 yt+1 + + s ys .

Lo que demuestra la Afirmacion 2.

De las Afirmaciones 1. y 2. tenemos que el conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es una base para
W1 + W2 . Por tanto
dim(W1 + W2 ) = t + r t + s t = r + s t = dim(W1 ) + dim(W2 ) dim(W1 W2 ).
Problemas
3.6.1. Sea V un espacio vectorial de dimension n.
1. Si n es impar, demuestre que no existe ninguna transformacion lineal T : V V tal que ker(T ) = Im(T ).
2. Exhiba un contraejemplo a la afirmacion anterior si n es par.
3.6.2. Muestre que si T : V W es una transformacion lineal inyectiva, entonces dim V dim W .
3.6.3. Considere una transformacion lineal T : V W , donde V y W son espacios vectoriales de dimension
finita tales que dim W < dim V .
1. Demuestre que existe un elemento no nulo v V talque T (v) = 0.
2. Si X es una base arbitraria de V , existe un vector v X tal que T (v) = 0? Demuestre o de un contra ejemplo.
3.6.4. Sea T : V V una transformacion lineal demuestre que las siguientes afirmaciones son equivalentes
1. T es invertible
2. T es inyectiva
3. T es sobreyectiva
3.6.5. El problema anterior no es cierto en dimension infinta, muestre que la transformacion lineal T : R[t]
Rt
R[t] definida por T (p) = 0 p(x)dx es inyectiva pero no sobre y la transformacion T : R[t] R[t] definida por
T (p) = p es sobre pero no inyectiva.
Los dos siguientes problemas bosquejan otra forma de demostrar el Teorema 3.20
3.6.6. Sean V y W espacios vectoriales, T : V W una transformacion lineal y {v1 , . . . , vt } una base de ker T .
Si vt+1 , . . . , vn son vectores tal que {v1 , . . . , vt , vt+1 , . . . , vn } es una base de V entonces {T (vt+1 ), . . . , T (vn )} es
una base de Im(T ).
3.6.7. Sean V y W espacios vectoriales, T : V W una transformacion lineal y {w1 , . . . , wt } una base de
Im(T ) y sean v1 , . . . , vt vectores tal que wi = T (vi ), para i = 1, . . . , t. Demuestre lo siguiente
1. El conjunto {v1 , . . . , vt } es linealmente independiente.

114
2. Si vt+1 , . . . , vn son vectores tal que {v1 , . . . , vt , vt+1 , . . . , vn } es una base de V entonces {vt+1 , . . . , vn } es una
base de ker(T ).
tr : Mn (R) R
3.6.8. Muestre que la funcion es una TL sobreyectiva con ker tr = sln (R) = {A
A 7 tr(A)
Mn (R) | trA = 0}. Use esto y el Teorema de la Dimension para transformaciones lineales para determinar
dim sln (R).
3.7. Suma Directa de Espacios

Terminamos el captulo con la definicion de suma directa y las propiedades mas relevantes.
Definicion 3.7. (Suma Directa) Sean V un espacio vectorial y W1 y W2 subespacios de V , decimos que V
es la suma directa de W1 y W2 , lo cual denotamos por V = W1 W2 , si V = W1 + W2 y W1 W2 = {0}.
Los siguientes resultados exhiben condiciones suficientes y necesarias para que un espacio sea suma directa
de dos subespacios.
Teorema 3.24. Sean V un espacio vectorial y W1 y W2 subespacios de V . Entonces V = W1 W2 si y solo si

V = W1 + W2 y dim W1 + dim W2 = dim V .
Demostracion. Si V = W1 W2 entonces por definicion tenemos que V = W1 + W2 y por el Teorema de

la dimension (Teorema ??) tenemos que
dim V = dim W1 + dim W2 dim(W1 W2 ) = dim W1 + dim W2 .

| {z }
=0
Si V = W1 + W2 y dim W1 + dim W2 = dim V por el Teorema de la dimension tenemos que
dim V = dim W1 + dim W2 dim(W1 W2 ),
se sigue que dim(W1 W2 ) = 0 y por tanto V = W1 W2 .
Teorema 3.25. Sean V un espacio vectorial, W1 y W2 subespacios de V y X y Y bases para W1 y W2 ,

respectivamente. Entonces V = W1 W2 si y solo si X Y es una base para V .
Demostracion. Supongamos que V = W1 W2 y sean X = {v1 , . . . , vr } y Y = {w1 , . . . , ws } bases de W1

y W2 . Veamos que {v1 , . . . , vr , w1 , . . . , ws } es LI.
Supongamos que
1 v 1 + + r v r + 1 w1 + + s ws = 0 (3.5)
y definamos x = 1 v1 + + r vr entonces x W1 y de (3.5) se sigue que x = 1 v1 + + r vr = (1 w1 +

+ s ws ) y por tanto x W2 . Se sigue que x W1 W2 pero por hipotesis W1 W2 = {0}, luego x = 0 y
como x = 1 v1 + + r vr y {v1 , . . . , vr } es LI por ser base para W1 tenemos que 1 = = r = 0. Ademas
como (1 w1 + + s ws ) = x = 0 y {w1 , . . . , ws } es LI entonces 0 = 1 = = s .
Concluimos que X Y = {v1 , . . . , vr , w1 , . . . , ws } es LI. Ahora, por el teorema anterior dim V = dim W1 +
dim W2 = r + s entonces X Y es un conjunto LI con r + s = dim V elementos y por tanto es una base de V .
Supongamos que X Y = {v1 , . . . , vr , w1 , . . . , ws } es una base para V .
Afirmacion 1. V = W1 + W2
Demostracion. Sea v V , como {v1 , . . . , vr , w1 , . . . , ws } es una base para V , existen constantes 1 , . . . , r , 1 , . . . , s
tal que
v = 1 v1 + + r vr + 1 w1 + + s ws W1 + W2 .
| {z } | {z }
W1 W2
La otra inclusion es clara ya que como W1 y W2 son subespacios entonces W1 + W2 es un subespacio, en

particular es un subconjunto. Esto demuestra la afirmacion.
Afirmacion 2. W1 W2 = {0}.
Demostracion. Sea v W1 W2 , entonces v W1 y v W2 . Como {v1 , . . . , vr } es una base de W1 , existen
constantes 1 , . . . , r tal que
v = 1 v 1 + + r v r . (3.6)
Un argumento similar garantiza la existencia de constantes 1 , . . . , s tal que
v = 1 v 1 + + r v r . (3.7)
De las ecuaciones 3.6 y 3.7 tenemos que
0 = v v = 1 v 1 + + r v r 1 w1 + + s ws .
Ahora, como {v1 , . . . , vr , w1 , . . . , ws } es linealmente independiente, por ser base para V , tenemos que 0 = 1 =
= r = 1 = = s . Por tanto v = 1 v1 + + r vr = 0 y W1 W2 {0}. La otra inclusion es trivial ya
que 0 W1 + W2 luego {0} W1 W2 . Lo que prueba la afirmacion.
De las afirmaciones 1. y 2. tenemos que V = W1 W2 .
Terminamos la seccion con una ultima caracterizacion de la suma directa de espacios vectoriales.
Teorema 3.26. Sea V un espacio vectorial, sean W1 y W2 subespacios de V . Entonces V = W1 W2 si y solo

si para todo v V existen vectores unicos w1 W1 y w2 W2 tal que v = w1 + w2 .
Demostracion. : Supongamos que V = W1 W2 , entonces por definicion tenemos que V = W1 + W2 ,

por tanto para v V existen w1 W1 y w2 W2 tal que v = w1 + w2 .
Ahora veamos que estos vectores son unicos: supongamos que v = w1 +w2 y que v = w1 +w2 con w1 , w1 W1
y w2 , w2 W2 . Entonces tenemos que
0 = v v = (w1 w1 ) + (w2 w2 )
se sigue que w1 w1 = w2 w2 W2 , pero como w1 , w1 W1 tenemos que w1 w1 W1 y por tanto

w1 w1 W1 W2 = {0}, obtenemos que w1 w1 = 0 o equivalentemente w1 = w1 . Similarmente se demuestra
que w2 = w2 .
116
: Supongamos que para todo v V existen vectores unicos w1 W1 y w2 W2 tal que v = w1 + w2 .

Se sigue que V = W1 + W2 , ahora veamos que W1 W2 = {0}.
Sea x W1 W2 , entonces x = 0 + x W1 + W2 y x = x + 0 W1 + W2 , como la expresion es unica se
sigue que x = 0.
Problemas
3.7.1. Demuestre que si T : V V es una transformacion lineal tal que T T = T entonces V = Im(T )
ker(T ).
3.7.2. Exhiba un ejemplo de una transformacion lineal T : V V tal que ker(T ) Im(T ) 6= {0}.
3.7.3. Sean W1 y W2 subespacios de un espacio vectorial V , demuestre que V = W1 W2 si y solo si dim W1 +

dim W2 = dim V y W1 W2 = {0}.
3.7.4. Demuestre que R2 = gen{(1, 0)} gen{(1, 1)}.
3.7.5. Demuestre que el espacio de matrices n n es la suma directa del subespacio de matrices simetricas y el
subespacio de matrices antisimetricas, es decir, Mn (R)
= Sn (R) An (R). (Ayuda: Use el Ejercicio 1.2.11).
3.7.6. Sean V = F(R, R) el conjunto de las funciones f de R en R, W1 = {f V : f (x) = f (x), x R} y

W2 = {f V : f (x) = f (x), x R}. Demuestre que W1 y W2 son subespacios de V y que V = W1 W2 .
3.7.7. Muestre que todo espacio vectorial finitamente generado es una suma directa de subespacios vectoriales
de dimension 1.
3.7.8. Demuestre que si W es un subespacio de un espacio vectorial V entonces existe un subespacio Z de V

tal que V = W Z
3.7.9. Demuestre que si V = W1 Wn , entonces

Pn
1. dim V = i=1 dim Wi .
2. Si v V entonces v se escribe de manera unica como v = w1 + + wn , con wi Wi para i = 1, . . . , n.
3.7.10. Sean H1 y H2 subespacios de un espacio vectorial V , si dim H1 = dim H2 = dim V 1 entonces

dim(H1 H2 ) = dim V 2. Deduzca que dos planos en R3 siempre siempre tienen una interseccion no trivial.
3.7.11. Sean H y K subespacios de un espacio vectorial V , si dim H = dim V 1 y KH entonces dim(H K) =

dim K 1.
3.7.12. Si A, B V son subconjuntos de un espacio vectorial V y A B = muestre que L(AU B) =

L(A) L(B), donde L(A) = interseccion de los subespacios que contienen a A.
3.7.13. Sean V = W1 Wt y Bi Wi , para i = 1, . . . , t. Considere B = B1 Bt .

1. Muestre que si Bi es LI para i = 1, . . . , t, entonces B es LI.
2. Muestre que si Bi es una base para Wi para i = 1, . . . , t, entonces B es una base de V .
3.7.14. Si W1 = {A Mn (R) | aij = 0 para i j} es el conjunto de matrices estrictamente triangulares

superiores y y W2 = {A Mn (R) | aij = 0 para i < j} es el conjunto de matrices triangulares inferiores
entonces Mn (R) = W1 W2 .
n n
3.7.15. Si V y W son subespacios de Rn con dim V > 2 y dim W > 2 entonces V W 6= .
3.7.16. Sea T : V W una transformacion lineal, si V = H1 H2 y T (H1 ) T (H2 ) = {0} entonces

T (V ) = T (H1 ) T (H2 ).
3.7.17. Si T : V W es un isomorfismo y V = H1 H2 entonces W = T (H1 ) T (H2 ).
3.7.18. Sea T : V V una TL, demuestre que existe k > 0 tal que V = Im(T k ) Ker(T k ).
3.7.19. Si T : V W un isomorfismo y V = H1 H2 entonces W = T (H1 ) T (H2 ).

118
Captulo 4
Ortogonalidad en Rn
En este captulo se define el producto interno usual en espacios vectoriales sobre R y se muestra como se
define, a traves de este producto, la norma de un vector y el angulo entre vectores en Rn . Esto a la vez nos
permitira hablar de ortogonalidad y proyeccion ortogonal de un vector sobre un subespacio. Se dara tambien
el metodo de los mnimos cuadrados, el cual es una aplicacion de proyeccion ortogonal. Al final se define el
concepto de base ortogonal, la importancia de estas bases y el proceso de Gramm-Schmidt, el cual es un metodo
para calcular este tipo de bases. Se termina el captulo con la llamada descomposicion QR de una matriz, la
cual se obtiene a partir del proceso Gramm-Schmidt.
4.1. Producto interno en Rn

Comenzamos el captulo con la definicion de producto interno o producto escalar de vectores en Rn .

1 1

. .
Definicion 4.1. Sean v = .. y w = .. vectores en Rn , definimos el producto escalar de v y w,

n n
denotado por v w, por la formula
n
X
v w = 1 1 + + n n = i i .
i=1

1 1

Ejemplo 4.1. Sean v = 2 y w = 1, entonces v w = 1 (1) + 2 (1) + 3 2 = 1 2 + 6 = 3.

3 2

1 1

Ejemplo 4.2. (MatLab) Sean v = 1 y w = 1. El producto escalar v w se calcula en MatLab como se

1 0
muestra a continuacion
119
120
>> v = [1; 1; 1]; w = [1; 1; 0]; v w

y se tiene que v w = 2.
Observacion 4.1. (Propiedades del producto escalar) Sean v, w, z Rn
1. (v + w) z = v z + w z
2. v (w + z) = v w + v z
3. (v) w = v (w) = v w
4. v v 0 y v v = 0 si y solo si v = 0.
5. v w = w v.
El producto por escalar induce una geometra en Rn , ya que a partir de este, podemos definir la longitud (o
norma) de un vector y la distancia entre vectores.

1

.
Definicion 4.2. (Norma de un vector) Sea v = .. un vector en Rn , definimos la norma de x, denotada

n
por ||v||, por la formula
q
||v|| = v v = 12 + + n2 .

1

Ejemplo 4.3. De acuerdo a esta formula, la norma del vector v = 1 esta dada por

2
p
||v|| = (1)2 + (1)2 + 22 = 6.
Definicion 4.3. (Distancia entre vectores) Sean v y w vectores en Rn , la distancia entre v y w esta dada
por la formula ||w v||.

1 1

Ejemplo 4.4. Sean v = 2 y w = 1, entonces la distancia entre v y w esta dada por

3 2
p
||w v|| = (1 1)2 + (1 2)2 + (2 3)2 = 14.
Observacion 4.2. Si v y w son vectores en Rn , entonces se cumple que
v w = ||v|| ||w||cos, (4.1)
donde es el angulo formado por v y w.

vw
v
w
b
La Ecuacion (4.1) se obtiene de la siguiente forma: aplicando la ley de cosenos (en el plano generado por
los vectores v y w ) obtenemos
||v w||2 = ||v||2 + ||w||2 2||v||||w|| cos , (4.2)
pero, por la definicion de norma y las propiedades del producto escalar tenemos
||v w||2 = (v w) (v w) = v v v w w v + w w = ||v||2 2v w + ||w||2 . (4.3)
Por tanto de las Ecuaciones (4.2) y (4.3) se tiene que
v w = ||v|| ||w||cos.
Definicion 4.4. (Vectores ortogonales) Sean v, w Rn .
1. Decimos que v y w son ortogonales si v w = 0.
2. Usando la Ecuacion (4.1) definimos el angulo entre v y w, esto es,

1 vw
El angulo entre v y w = cos . (4.4)
||v|| ||w||

1 1

Ejemplo 4.5. Sean v = 1 y w = 1, encuentre el angulo que forman v y w y determinar si son

2 1
ortogonales.
Solucion. El producto escalar v w = 1 1 + 2 = 2, entonces los vectores no son ortogonales. El angulo
formado por v y w esta dado por la Ecuacion (4.4), as:
!
1 vw 1 2 1 2
= cos = cos = cos .
||v||||w|| 6 3 3

1 1

0 0
Ejemplo 4.6. Calcular el angulo formado por los vectores v = y w = .

1 0

0 1

Solucion Notese que v w = 1 + 0 + 0 + 0 = 1, ||v|| = 2 y ||w|| = 2. Entonces de acuerdo a la Ecuacion
(4.4) tenemos que

vw 1 1
el angulo entre v y w = cos1 = cos1 = cos1 = 60 .
||v|| ||w|| 2 2 2
122
Definicion 4.5. (Espacios ortogonales) Sean V y W subespacios de Rn , decimos que V y W son ortogonales
si v w = 0 para todo v V y w W .

1 0

1

1 1 1
Ejemplo 4.7. Sean V = gen , y W = subespacios de R4 , entonces V y W son

2 1
0

0
1
1

1 0 a

1 1 a + b
ortogonales ya que todo elemento en v V tiene la forma v = a

+ b =

y todo elemento

2 1 2a + b

0 1 b

1 c

1 c
w W tiene la forma w = c = , donde a, b y c son numeros reales, por tanto

0 0

1 c
v w = ac + (a + b)(c) + (2a + b)0 + bc = ac + ac bc + bc = 0.
Los subespacios ortogonales satisfacen lo siguiente.
Lema 4.1. Sean V y W subespacios ortogonales de Rn , entonces
1. V W = {0},
2. Si {v1 , . . . , vr } y {w1 , . . . , ws } son bases para V y W , respectivamente, entonces el conjunto
{v1 , . . . , vr , w1 , . . . , ws }
es linealmente independiente.
Demostracion. 1. Sea v V W , entonces como V y W son ortogonales se tiene que v v = 0 y por las
propiedades del producto interno se tiene que v = 0.
2. Supongamos que 1 v1 + + r vr + 1 w1 + + s ws = 0, entonces
1 v1 + + r vr = 1 w1 s ws V W.
Por la parte 1. tenemos que 1 v1 + + r vr = 0 y por tanto 1 = = r = 0, de esto se sigue que

1 w1 s ws = 0 y como {w1 , . . . , ws } es una base entonces 1 = = r = 0.
El caso que estudiaremos a fondo en este captulo es cuando los dos subespacios ortogonales son complemen-
tarios, esto lo definimos a continuacion.
Definicion 4.6. (Complemento ortogonal) Sea V un subespacio de Rn , definimos el complemento orto-

gonal de V, al cual denotaremos por V , como el conjunto
V = {w Rn | v w = 0, para todo v V }.
El siguiente teorema nos da un algoritmo para calcular la base para el complemento ortogonal de un subespacio
V de Rn .
Teorema 4.2. Sea A una matriz de tamano m n, entonces tenemos que:
1. F il(A) = N ul(A),
2. Col(A) = N uliz(A).
Demostracion. Sean F1 , . . . , Fm las filas y C1 , . . . , Cn las columnas de A.
1. Para la demostracion de este tem usamos el Lema 1.9.

Sea x F il(A) , entonces v x = 0 para todo v F il(A), en particular, 0 = Fit x = Fi x, para i = 1, . . . , m.
De donde
F1 F1 x 0

.. .. ..
Ax = . x = . = . ,

Fm Fm x 0
es decir x N ul(A).

F1 x

.
Sea x N ul(A), entonces 0 = Ax = .. , por tanto para i = 1, . . . , m tenemos que 0 = Fi x = Fit x.

Fm x
Ahora si v F il(A), entonces v = a1 F1 + + am Fm y por tanto v x = a1 F1 x + + am Fm x = 0 y por
| {z } | {z }
=0 =0
tanto x F il(A) .
2. Como Col(A) = F il(At ) por el tem 1. se sigue que Col(A) = F il(At ) = N ul(At ) = N uliz(A).
A continuacion describimos el procedimiento para calcular el complemento ortogonal, el cual se deduce del
teorema anterior.
Procedimiento 4.1. (Calculo del complemento ortogonal). Sea {v1 , . . . , vk } una base para V , para cal-
cular una base para V hacemos lo siguiente:

vt
1
.
1. Definimos la matriz A = .. y de esta forma V = F il(A).

vkt
2. Sea W = N ul(A) entonces W = V , esto por el Teorema 4.2, ya que V = F il(A) = N ul(A) = W .

1 0

0 0

Ejemplo 4.8. Calcular V si V = gen
, .

0 1

1
1
124

1 0

0 0 v1t 1 0 0 1
Solucion. Sea v1 = y v2 = , debemos calcular N ul(A) donde A =
= , como A
0 1 v2t 0 0 1 1

1 1
esta en forma escalonada reducida entonces tenemos que

x
1

x2 x = x4
N ul(A) si y solo si 1

x3 x3 = x4

x4

x1 x4 0 1

x2 x2 1 0
=
si y solo si = x2 + x4 .

x3 x4 0 1

x4 x4 0 1

0 1

1 0

Por el procedimiento indicado arriba y el Teorema 2.16 se concluye que , es una base para V .

0 1

0
1
Ejemplo 4.9. (MatLab)

Calcular
el complemento ortogonal V del subespacio V de R5 generado por los
2 1

1 3

vectores v1 = 1 y v2 = 2.

0 2

1 1

v1t
Solucion. Sea A = , necesitamos calcular N ul(A), lo cual hacemos en MatLab como sigue
v2t
>> format rat, A = [2, 1, 1,
0,1; 1, 3,2, 2,
1]; null(A)

5/7 2/7 4/7

3/7 4/7 1/7

Se obtiene que V = gen 1 , 0 , 0 .

0 1 0

0 0 1
Terminamos le seccion con el siguiente resultado que explica porque a V se le llama el complemento orto-
gonal de V .
Corolario 4.3. Sea V Rn un subespacio entonces Rn = V V .


vt
1
.
Demostracion. Sea {v1 , . . . , vk } una base de V , definiendo A = .. , por el procedimiento anterior tenemos

vkt
que V = F il(A) y V = N ul(A) y por tanto
dim V + dim V = dim F il(A) + dim N ul(A) = dim Col(A) + dim N ul(A) = n = dim Rn .
Notese ademas que V y V son, por definicion, conjuntos ortogonales y por tanto V V = {0} (Lema 4.1),
se sigue del Problema 3.7.3 que Rn = V V .
Problemas
4.1.1. Sean v = (2, 3, 5) y w = (3, 0, 4) determine lo siguiente:
a. ||v|| b. ||w|| c. v w d. el angulo formado por v y w e. la distancia entre v y w
4.1.2. Determine si el par de vectores dados es ortogonal, si no lo es, determine el angulo formado por ellos.
a. v = (2, 3) y w = (3, 2) b. v = (1, 4, 7) y yw(2, 3, 2) c. v = (1, 1, 1) y w = (1, 1, 1).
4.1.3. Encuentre la relacion entre y para que los vectores v = (1, 1, 2, ) y w = (, 2, 3, 4) sean ortogonales.
4.1.4. Calcule una base para V en cada uno de los siguientes casos:
1. V = gen{(1, 3, 1), (1, 1, 2)} 2. V = gen{(2, 1, 1, 0)} 3. V = gen{(1, 0, 0, 0, 1), (1, 2, 3, 4, 5)}
4.1.5. Calcule una base para V si V = {(x, y, z, t) | x + 2y + 3z + 4t = 0}.

1 1 1 0
4.1.6. Calcule una base para V = F ilA donde A = .
0 1 1 1
4.1.7. Sean v, w, z Rn , si se sabe que v w = 3, v v = 4, v z = 1, w w = 1 y w z = 2, determine lo

siguiente:
1. una combinacion lineal de los vectores w y z que sea ortogonal a v,
2. la distancia entre los vectores v y w.
3. Explique porque el angulo formado por v y z es obtuso.
4. v (w) 5. v (w + z) 6. (v 2w) (w 3z) 7. el angulo formado por v y w
4.1.8. Determine todos los vectores v Rn tal que ||v|| = con un real positivo.
4.1.9. Demuestre las propiedades de producto escalar enunciadas en la Observacion 4.1

126
4.1.10. Determine el angulo que forma el vector v = (1, 1, 1, 1) con cada uno de los vectores de la base estandar
de R4 .
4.1.11. Sea A Mn (R) una matriz simestrica, demuestre que N ulA es el complemento ortogonal de ColA.
4.1.12. Demuestre que si V = {(x1 , . . . , xn ) | 1 x1 + + n xn = 0} entonces se tiene que

V = gen{(1 , . . . , n )}.
4.1.13. Sean v, w Rn , demuestre que v + w y v w son ortogonales si y solo si ||v|| = ||w||.

Deduzca que un paralelogramo es un rombo si y solo si sus diagonales son perpendiculares.
4.1.14. Sea A Mn (R), demuestre que Rm = F ilA N ulA, deduzca que si V Rn es un subespacio entonces
Rm = V V .
4.1.15. Sea A Mn (R) una matriz, demuestre que v N ulA F ilA si y solo si v = 0.
4.1.16. Encuentre una matriz A tal que el vector v = (1, 2, 2) pertenezca a
1. al espacio fila y el espacio columna de A,
2. al espacio nulo y el espacio columna de A.
4.1.17. Sean V, W Rn subespacios, demuestre
1. Si V W entonces W V ,
2. (V ) = V ,
3. (V + W ) = V W ,
4. (V W ) = V + W .
4.1.18. Encuentre contraejemplos que muestren que las siguientes afirmaciones son falsas
1. Si V y W son subespacios ortogonales de Rn entonces V y W son subespacios ortogonales.
2. Si V y W son subespacios ortogonales y W y Z son subespacios ortogonales entonces V y Z son subespacios

ortogonales.
3.
4.1.19. Calcule una base de V si se sabe que {(1, 2, 1, 0), (0, 2, 1, 3)} es una base de V
4.1.20. Demuestre que para todo v, w Rn se tiene que |v w| ||v||||w||. (Esta desigualdad se conoce como la
desigualdad de Cauchy-Schwartz.)
4.1.21. Demuestre que lo siguiente
1. v w = 0 para todo w Rn si y solo si v = 0.

2. v = w si y solo si v z = w z para todo z Rn .
4.1.22. Demuestre que para todo v, w Rn se cumple lo siguiente
1. v w = 14 (||v + w||2 ||v w||2 ),
2. v w = 12 (||v + w||2 ||v||2 ||w||2 ),
3. ||v + w||2 + ||v w||2 = 2||v||2 + 2||w||2 . (Esta igualdad es conocida como la Ley del paralelogramo.)
1
4.1.23. Un vector u Rn se llama si ||u|| = 1. Demuestre que si w Rn el vector u = ||w|| w es unitario.
Muestre ademas que si u y w son vectores LD con u unitario (esto es equivalente a decir que u y w estan
en la lnea ) entonces w = ||w||u. (El caso positivo se da cuando los vectores tienen la misma direccion).
4.2. Proyeccion Ortogonal sobre un Vector
En esta seccion se muestra como calcular la proyeccion ortogonal de un vector sobre otro, la formula que
se obtiene se verifica facilmente. Usaremos la formula obtenida para generalizarla obteniendo la formula de la
proyeccion de un vector en un subespacio.
Definicion 4.7. Sean v y w vectores en Rn , la perpendicular desde el extremo del vector v a la lnea que
contiene a w determina un punto sobre esta lnea, el vector que va desde el origen hasta este punto es llamado
la proyeccion ortogonal de v sobre w, denotado por proyw v.
v

v
w
v b
O
w
p = proyw v p = proyw v
b b w
O p = proyw v O
Notese que el vector proyw v es el multiplo de w mas cercano a v.

La siguiente proposicion proporciona una formula para calcular la proyeccion ortogonal de un vector sobre
otro.
Proposicion 4.4. Sean v y w vectores en Rn , la proyeccion ortogonal del vector v sobre el vector w esta dada
por
vw
proyw v = w.
ww
Demostracion. Sea p = proyw v, el angulo formado entre v y w y u un vector unitario en la direccion de w

128
b
B
w
P
b
b
u p = proyw v
O
1
Se sigue que p = ||p||u y u = ||w|| w (Problema 4.1.23 ) y por tanto
||p||
p= w. (4.5)
||w||
||p||
Como el triangulo OBP en la figura anterior es un triangulo rectangulo, tenemos que cos = ||v|| . Ademas,
vw
de la Observacion 4.2 se sigue que ||w|| = ||v|| cos . Por tanto
vw
||p|| = . (4.6)
||w||
De las Ecuaciones (4.5) y (4.6) se sigue que
vw vw
p= 2
w= w.
||w|| ww
Ejemplo 4.10. Sean v = (1, 0, 1, 1) y w = (2, 2, 1, 0), se sigue que v w = 3 y w w = 9. Por tanto
proyw v = 39 w = 13 w = (2/3, 2/3, 2/3, 0).
4.2.1. La matriz proyeccion.

vw wt v 1
La ultima formula se puede expresar matricialmente de la siguiente forma: w = t w = t wwt v.
ww ww ww
Notese que wwt es una matriz y a la matriz
1
P = wwt (4.7)
wt w
se le llama la matriz de la proyeccion sobre w y tiene la propiedad que para todo v Rn , P v = proyw v.

1 1

Ejemplo 4.11. Sean v = 1 y w = 0, calcular la matriz que proyecta sobre w y usarla para calcular

1 2
proyw v.
1 0 2

t t
Solucion. Notese que w w = w w = 5 y ww = 0 0 0 por tanto la matriz de la proyeccion sobre w es la

2 0 4
matriz
1 0 2
1

P = 0 0 0 .
5
2 0 4

1 0 2 1 3

1 1
Ahora, proyw v = P v = 5 0 0 0 1 = 5 0 .

2 0 4 1 6
"7# " 2 #
7 1
Ejemplo 4.12. (MatLab)Sean a = 7 yb= 1 , calcule la matriz que proyecta sobre w y la proyeccion
7 0
7 1
proyw v del vector v sobre w.
1
Solucion. La matriz de que proyecta sobre w esta dada por P = wwt . Esto lo podemos calcular con MatLab
wt w
como sigue
>> format rat, w = [2; 1; 1; 0; 1]; P = inv(w w) (w w )
as la matriz de la proyeccion esta dada por
4/7 2/7 2/7 0 2/7

2/7 1/7 1/7 0 1/7
P = 2/7 1/7 1/7 0 1/7
0 0 0 0 0
2/7 1/7 1/7 0 1/7
Para calcular la proyeccion del vector v sobre w, proyw v, seguimos los comandos en MatLab
>> v = [7; 7; 7; 7; 7]; P v
Se obtiene que proyw v = w.
La matriz de la proyeccion satisface las siguientes condiciones.

1
Teorema 4.5. Sea w Rn y P = wwt la matriz proyeccion, entonces para todo v Rn tenemos lo
wt w
siguiente
1. P v = proyw v gen{b},
2. v P v w,
3. P P v = P v, en general P 2 = P ,
4. si v gen{w} entonces P v = v,
5. v w si y solo si P v = 0.
Demostracion. Se deja como ejercicio.
Problemas
4.2.1. Sean v = (2, 3, 5) y w = (3, 0, 4) calcule lo siguiente:
a. proyw v b. proyw v c. la matriz de la proyeccion sobre w y d. la matriz de la proyeccion sobre v
4.2.2. Repita el problema anterior si v = (0, 1, 2, 3, 2, 1, 0) y w = (3, 2, 1, 0, 1, 2, 3). (Use Matlab).
4.2.3. Determine el multiplo del vector v = (2, 2, 1) mas cercano al vector w = (1, 1, 1).
130
4.2.4. Si v y w son vectores en Rn tal que v w = 4, w w = 2 y v v = 1, determine los vectores proyw v y

proyv w en terminos de w y v respectivamente.
4.2.5. Encuentre la matriz de la proyeccion sobre la lnea x + y = 0 en R2 .
4.2.6. Demuestre el Teorema 4.5.
4.2.7. Sea v = (1, 2, 2, 3), si sabe que la proyeccion proyw v de v sobre un vetor w esta dada por proyw v =
(2, 2, 2, 2) y ||w|| = 2, determine el vector w.
4.2.8. Demuestre que la proyeccion proyw v es independiente del vector escogido en gen{w}. Es decir,
proyw v = proyw v, para todo R.
4.2.9. Demuestre que si Pv es la matriz que proyecta sobre un vector v Rn entonces rangoPv = 1. (Este es
un caso particular del Problema 1.2.14).
4.3. Proyeccion Ortogonal sobre un Subespacio

El principal objetivo de la seccion es extender el concepto de proyeccion sobre un vector, al de proyeccion
sobre un subespacio (ver figura abajo) y construir una matriz P que al multiplicarla por un vector x, el resultado
P x es el vector proyeccion. De hecho, esta matriz sera obtenida generalizando la matriz dada por la Ecuacion
(4.7) y la definiremos como sigue.
h i
Sea {v1 , . . . , vk } una base para un subespacio H de Rn y sea A = v1 vk , vamos a demostrar que la
matriz
P = A(At A)1 At (4.8)
satisface las condiciones de la matriz proyeccion enunciadas en el Teorema 4.5.

v
H
p = proyH v
b
Proyeccion de v sobre H
Notese que la Formula (4.7) la podemos escribir en la forma:
1
P = vv t = v(v t v)1 v t ,
vt v
de esta manera se ve que en realidad que (4.8) es simplemente una generalizacion de (4.7).
Ahora vamos a demostrar que la matriz definida en (4.8) determina la proyeccion sobre el subespacio H.
Para esto necesitaremos los siguientes lemas preliminares.
Lema 4.6. Sea A una matriz, entonces N ul(A) = N ul(At A).
Demostracion. Sea x N ul(A), entonces Ax = 0 y por tanto At Ax = At 0 = 0. Concluimos que

x N ul(At A).
Sea x N ul(At A), entonces At Ax = 0, y multiplicando a la izquierda por xt tenemos que xt At Ax =
xt 0 = 0, por tanto
0 = xt 0 = xt At Ax = (Ax)t Ax = Ax Ax = ||Ax||2 ,
de donde ||Ax|| = 0, pero por las propiedades del producto escalar, esto implica que Ax = 0 y por tanto
x N ul(A).
h i
Lema 4.7. Sea A = v1 vk una matriz donde {v1 , . . . , vk } son las columnas y son linealmente indepen-
dientes entonces
1. At A es invertible.
2. La matriz (At A)1 At es una inversa a la izquierda de A.
Demostracion. 1. Como las columnas de A son linealmente independientes entonces

rango(A) = k, as por el Teorema 2.16 se tiene que N ul(A) = {0}, entonces por el lema anterior N ul(At A) =
N ul(A) = {0} de donde rango(At A) = numero de columnas de (At A), pero (At A) es una matriz cuadrada,
entonces
rango(At A) = numero de columnas de (At A) = numero de filas de (At A),
y por el Corolario 1.22, At A es invertible.

2. Como (At A)1 At A = I entonces (At A)1 At es una inversa a la izquierda de A.

1 0

Ejemplo 4.13. Calcular una inversa a la izquierda de la matriz A = 1 1.

1 2
Solucion. Observe que los vectores columna de la matriz A son linealmente independientes. Comencemos cal-
culando At A y su inversa.

1 0
1 1 1 3 3 1 5 3
At A = y por tanto (At A)1 =

1 1 = .
0 1 2 3 5 6 3 3
1 2
Por el Lema 4.7 resta calcular (At A)1 At , esto es,

1 5 3 1 1 1 1 5 2 1
L = (At A)1 At = = .
6 3 3 0 1 2 6 3 0 3
132
El lector puede verificar facilmente que LA = I.

"1 2 1 2
#
1 1 2 1
Ejemplo 4.14. (MatLab) Usar MatLab para calcular la inversa a la izquierda de la matriz A = 1 3 2 2 .
1 2 2 1
1 1 3 2
Solucion. Usamos MatLab para calcular la inversa a la izquierda con la formula dada en el Teorema 4.7, como
sigue
>> format rat; A = [1, 2, 1, 2; 1, 1, 2, 1; 1, 3, 2, 2; 1, 2, 2, 1; 1, 1, 3, 2]; L = inv(A A) A
la inversa a la izquierda de A esta dada por
" 2/3 1 1/3 1 4/3
#
1/12 1/4 1/6 1/4 1/12
L= 13/24 1/8 1/12 1/8 11/24
.
11/24 1/8 1/12 7/8 11/24
El siguiente resultado es el caso dual del lema anterior, mas especficamente, el caso en que las filas de la
matriz son LI.
Corolario 4.8. Sea A una matriz cuyas filas son linealmente independientes, entonces se tiene que
1. AAt es invertible,
2. La matriz At (AAt )1 es una inversa a la derecha de A.
Demostracion. Como las filas de A son linealmentes entonces las columnas de At son linealmente indepen-
dientes, usando el Lema 4.7 tenemos que (At )t At = AAt es invertible y por tanto (AAt )1 existe y ademas
como AAt (AAt )1 = I, es decir, la matriz At (AAt )1 es una inversa a la derecha de A.

1 1 1
Ejemplo 4.15. Sea A = , calcular una inversa a la derecha de A.
0 1 1
Solucion: Es facil ver que las filas de A son linealmente independientes. Primero calculamos AAt y su inversa

1 0
1 1 1 3 2 1 2 2
AAt = de donde (AAt )1 =

1 1 = .
0 1 1 2 2 2 2 3
1 1
Ahora calculamos la inversa a la derecha At (AAt )1

1 0 2 2
1 2 2
R = At (AAt )1 = 1 1
= 1
0

1 .
2 2 3 2
1 1 0 1
Nuevamente se deja al lector verificar que AR = I.
Ahora usamos los resultados obtenidos en esta seccion para construir la matriz proyeccion de un vector sobre
un subespacio dado.
h i
Teorema 4.9. Sean H un subespacio de Rn , {h1 , . . . , hk } una base para H y A = h1 hk . Si definimos
P = A(At A)1 At entonces para todo v Rn se tiene lo siguiente
1. P v H,
2. v P v H ,
3. P 2 = P ,
4. v H si y solo si P v = v,
5. v H si y solo si P v = 0.
Demostracion. Primero observese que H = Col(A) y que si x Rk , entonces Ax Col(A) = H, esto ya que

x1

..
si x = . entonces

xk

x1
h i
..
Ax = h1 hk . = x1 h1 + + xk hk Col(A) = H. (4.9)

xk
Mas aun, si h H, entonces h = x1 h1 + + xk hk y por la Ecuacion (4.9) h = Ax.
1. P v = A (At A)1 At v = Av Col(A) = H.

| {z }
v
2. Debemos demostrar que si h H entonces h (v P v) = 0.
Sea h H, entonces existe x tal que h = Ax y por tanto
h (v P v) = Ax (v P v) = Ax v Ax P v
= (Ax)t v (Ax)t P v
= xt At v xt At P v
= xt At v xt At A(At A)1 At v
| {z }
I
t t t t
= x A v x A v = 0.
3. P 2 = P P = A (At A)1 At A(At A)1 At = A(At A)1 At = P .

| {z }
I
4. Sea v H, entonces existe x tal que v = Ax y por tanto
P v = P Ax = A (At A)1 At A x = Ax = v.
| {z }
I
Para la otra implicacion si v = P v, por el numeral 1. tenemos P v H, por tanto v = P v H.
5. Supongamos que v H , entonces v h = 0, para todo h H, en particular v hi = 0 para i = 1, . . . , k.

Entonces tenemos que
ht1 ht1 v h1 v 0

t .. .. .. ..
A v = . v = . = . = . ,

htk htk v hk v 0
134
y por tanto
P v = A(At A)1 |{z}
At v = A(At A)1 0 = 0.
=0
t 1
Supongamos que P v = 0, entonces A(A A) A v = 0, multiplicando esta ecuacion a ambos lados por At
t
obtenemos
At 0 = At A(At A)1 Av = IAt v = At v.
|{z} | {z }
=0 =I

ht
1
.
Como At = .. tenemos que 0 = hti v = hi v, para i = 1, . . . , k. Por tanto v H .

htk
Estas propiedades demuestran que P v satisface las condiciones del vector proyeccion de v sobre H.
h i
Definicion 4.8. Sean H un subespacio de Rn , {v1 , . . . , vk } una base para H, A = v1 vk y v Rn .
Definimos la proyeccion de v sobre H, denotada por proyH v, como el vector:
proyH v = P v,
donde P es la matriz P = A(At A)1 At .

1

1 0

Ejemplo 4.16. Sean v = 1 y H = gen 1 , 1 , calcular el vector proyH v.

3 0 1

1 0

Solucion. Sea A = 1 1, entonces proyH v = A(At A)1 At v.

0 1

1 0
1 1 0 2 1 1 2 1
At A = de donde (At A)1 =

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

1 0 2 1
2 1
1
A(At A)1 = 1

1 = 1 1

1 .
3 1 2 3
0 1 1 2
Finalmente tenemos

1 2 1 0 0
1 1 1 0 1
proyH v = A(At A)1 At b = 1

1 = 6 = 2

1 ,
3 0 1 1 3
1 2 3 6 2

0

entonces proyH v = 2 .

2
1 (MatLab)
Ejemplo 4.17. 2Calcular
la1
matriz que
2proyecta
sobre el subespacio
H de R6 generado por los
11
1 1 2 1 0
vectores v1 = 11 , v2 = 3 ,
1 v3 = 21 y v4 = 21 . Si b = 11e1 = 0
0
calcular proyH b.
1 1 3 2 0
0 1 0 1 0
Solucion. La matriz de la proyeccion esta dada por P = A(At A)1 At , usamos el siguiente comando en MatLab
>> A = [1, 2, 1, 2; 1, 1, 2, 1; 1, 3, 2, 2; 1, 1, 1, 1; 1, 1, 3, 2; 0, 1, 0, 1]; P = A inv(A A) A
obtenemos que la matriz de la proyeccion esta dada por
7/11 1/11 1/11 3/11 1/11 4/11

7 1 1 3 1 4
1/11 8/11 3/11 2/11 3/11 1/11
1/11 3/11 8/11 2/11 3/11 1/11 1 11 3
8 3 2
8 2
3 1
3 1
P = proyH = 3/11 2/11 2/11 6/11 2/11 3/11
= 3 2 2 6 2 3 .
11 1 3 3 2 8 1
1/11 3/11 3/11 2/11 8/11 1/11
4 1 1 3 1 7
4/11 1/11 1/11 3/11 1/11 7/11
La proyeccion del vector b sobre H esta dado por proyH b = P b, as que en MatLab hacemos lo siguiente
>> b = [11; 0; 0; 0; 0; 0]; P b
7
1
1
y obtenemos que proyH b = 3 .
1
4
Terminamos la seccion con la siguiente observacion.
Observacion 4.3. Por el Corolario 4.3, si H es un subespacio de Rn entonces Rn = H H . Por tanto todo
vector v R se puede descomponer como una suma de un vector en H y un vector en H . Esto se logra de la
siguiente forma.
Sea v Rn y P la matriz que proyecta sobre H, entonces por el Teorema 4.9 se tiene que P v H y vP v H .
Por tanto
v = |{z}
Pv +v Pv
| {z }
H H
es la descomposicion de un vector como suma de un vector en H y un vector perpendicular a H. Notese que,

por el Teorema 3.26, esta descomposicion es unica .
7

1
1
Ejemplo 4.18. En el ejemplo anterior, H = gen{v1 , v2 , v3 , v4 } R6 y x = 11e1 , como proyH x = 3 ,
1
4
entonces podemos descomponer a x como la suma de vectores
7
4
1 1
1 1
x = proyH x + (x proyH x) = 3 + 3 .
| {z } | {z } 1 1
H H 4 4
Problemas
136

1 1 1

4.3.1. Sea A = 1 1, b = 0 y H = ColA. Calcule la matriz que proyecta sobre H y la proyeccion de

2 4 1
b sobre H.
4.3.2. Sea V = gen{(1, 2, 0, 0), (1, 0, 1, 0)}, calcule la matriz que proyecta sobre V y el vector en V mas cercano
al vector v = (2, 1, 0, 1).
4.3.3. Sea V = gen{(1, 1, 0, 1), (0, 0, 1, 0)}, calcule la matriz que proyecta sobre V y la proyeccion del vector
v = (2, 1, 0, 1) sobre V .
"1 1 1 1# 1 1 1 1 1
1 1 1 2 1 1 0 2 1
4.3.4. Sean A = 1 2 3 4 yB= 1 1 0 3 2 . Use MatLab para calcular lo siguiente
1 0 0 0 1 1 0 4 3
0 1 1 0
1. una inversa a la izquierda de la matriz A,
2. una inversa a la derecha de la matriz B,
3. las matrices que proyectan sobre ColA y ColB,
4. la proyeccion del vector v = (1, 2, 3, 2, 1) sobre ColA,
5. la proyeccion del vector w = (1, 2, 2, 1) sobre ColB.

0 1 1

4.3.5. Sea A una matriz 43, se sabe que At A = 1

0 0 , determine N ulA y F ilA.

1 0 0
4.3.6. Sea W Rn un subespacio y sean P1 , P2 las matrices que proyectan sobre W y sobre W , respectiva-
mente. Demuestre que P1 + P2 = I y que P1 P2 = 0.
4.3.7. Si P = P t P muestre que P es una matriz proyeccion, es decir, P 2 = P .
4.3.8. Sea H Rn y P la matriz que proyecta sobre H, demuestre lo siguiente
1. ColP = H y rangoP = dim H.
2. N ulP = H . (Recuerde que P es simetrica.)

2 1 1

1
Use lo anterior para calcular bases para H y H si P =

3 1 2 1 .

1 1 2
4.3.9. Sea H Rn un subespacio y sea P la matriz que proyecta sobre H, demuestre que
H = {v Rn | P v = v}.
En general, muestre que si P Rn es una matriz proyeccion, es decir, P 2 = P entonces ColP = {v Rn |

P v = v}.
4.3.10. Sea H un subespacio vectorial de Rn y P es la matriz que proyecta sobre H. Viendo a P como aplicacion
P : Rn Rn
lineal , demuestre que P/H = IdH donde P/H : H H es la restriccion de P a H.
v 7 P v
Demuestre tambien que P/H 0.
4.3.11. Sea H Rn un subespacio y w Rn , definimos el conjunto w + H como
w + H = {w + h | h H}.
Sean v Rn y w H, demuestre que proyH v = w si y solo si v w + H .
4.4. Mnimos Cuadrados

El metodo de los mnimos cuadrados consiste en encontrar una solucion optima a un sistema que no tiene
solucion. La idea es la siguiente.
Dado un sistema de ecuaciones Ax = b, sabemos que el sistema tiene solucion si y solo si b Col(A), esto
ya que

x1
h i
.
b = Ax = C1 Cn .. = x1 C1 + + xn Cn gen{C1 , . . . , Cn } = Col(A),

xn
donde C1 , . . . , Cn son las columnas de A.

De esto se deduce que si el sistema Ax = b es inconsistente, entonces b
/ Col(A) y el vector mas cercano a
b que pertence a Col(A) es el vector proyCol(A) b = A(At A)1 At b. Como el sistema Ax = b es inconsistente, lo
reemplazamos por el sistema consistente Ax = proyCol(A) b = A(At A)1 At b. Este ultimo sistema tiene solucion
dada por x = (At A)1 At b. A esta solucion la llamamos la solucion de los mnimos cuadrados.
Definicion 4.9. Sea A una matriz cuyas columnas son linealmente independientes y b Rn , si el sistema
Ax = b es inconsistente entonces la solucion de los mnimos cuadrados al sistema esta dada por
1 t
x = At A A b.
Esta solucion al sistema Ax = b es la mejor en el sentido que este se reemplaza por el sistema Ax = b donde
b = proyColA b es el vector mas cercano a b para el cual el sistema Ax = b si tiene solucion.

2 1 1

Ejemplo 4.19. Considere el sistema Ax = b donde A = 1 1 y b = 2. Se verifica facilmente que el

1 1 0
sistema es inconsistente (usar el Teorema 1.2). Como las columnas de A son LI, se puede usar el metodo de
1
los mnimos cuadrados para calcular la mejor solucion. Esta esta dada por x = (At A) At b, y la calculamos
a continuacion.
138

2 1
2 1 1 6 2 1
3 2
At A = de donde (At A)1 =

1 1 = entonces la mejor solucion esta da-
14
1 1 1 2 3 2 6
1 1
da por

1
1 t 1 3 2 2 1 1 1 6
x = At A
Ab= 2 = .
14 2 6 1 1 1 14 18
0
Otra aplicacion de los mnimos cuadrados es la de ajustar datos encontrados en observaciones, que se esperan
se ajusten a una linea pero sin embargo los puntos obtenidos experimentalmente no son colineales. Supongamos
que los valores observados son (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) y supongamos que los datos deben satisfacer la
ecuacion y = mx + b, esto es,
y1 = mx1 + b
y2 = mx2 + b
..
.
yn = mxn + b

y1 x1 1
.. m

. .
Esto lo podemos escribir matricialmente en la forma .. = .. . , como los puntos (x1 , y1 ), . . . , (xn , yn )
b
yn xn 1
no todos satisfacen la ecuacion y = mx + b, el sistema es inconsistente. Usando la solucion de los mnimos cua-
drados obtenemos que la mejor solucion al sistema esta dado por
1 t
x = At A A y,

x1 1 y1

.. .. ..
donde A = . . y y = . .

xn 1 yn
Ejemplo 4.20. Supongamos que los valores observados son (2, 0), (1, 0) y (2, 3), es facil ver que estos valores
no pertecen son colineales. Los valores m y b de la linea y = mx
+ b que mejor
se ajusta a los datos estan dados
2 1 0
m 1

en el vector x = donde x = (At A) At y con A = 1 1 y y = 0.

b
2 1 3

2 1
2 1 2 9 1 3 1
Notese que At A =

1 1 = , entonces se tiene que (At A)1 = 1 , y por
26
1 1 1 1 3 1 9
2 1
tanto
0
1 3 1 2 1 2 1 15 15
x = (At A)1 At y =
0 = = 26 .
26 1 9 1 1 1 26 21 21
26
3
15 21
De aqu tenemos que m = 26 y b= 26 y por tanto la ecuacion de la linea que mejor se ajusta a los datos es
15 21
y= 26 x + 26 .
Los mnimos cuadrados tambien se pueden usar para calcular ecuaciones polinomicas de cualquier grado (en
general cualquier funcion) que mejor se ajusten a ciertos datos, generalizando el ejemplo anterior que se hizo
para lineas. Esto lo ilustramos a contiuacion.
Ejemplo 4.21. (MatLab) Un experimeto arrojo los puntos (1, 2), (1, 0), (3, 1) y (2, 1), si se espera que
estos puntos esten sobre una parabola y = ax2 + bx + c, calcule la ecuacion de la parabola que mejor se ajuste
a los datos.
Solucion. Como se espera que los puntos satisfagan la ecuacion y = ax2 + bx + c, evaluando esta en los puntos
obtenemos
2=ab+c
0=a+b+c
1 = 9a + 3b + c
1 = 4a + 2b + c

1 1 1 2
a

1 1 1 0
Estas ecuaciones son equivalentes al sistema

b = , el cual es inconsistente (ver Teorema

9 3 1 1
c
4 2 1 1
1.2), por tanto, usando MatLab para calcular la solucion de losmnimos cuadrados
para
obtener los coeficientes
1 1 1 2

1 1 1 0
a, b y c, los cuales estan dados por x = (At A)1 At v con A =
y v = , obtenemos

9 3 1 1

4 2 1 1

>> A = [1,1, 1; 1, 1, 1; 9,
3, 1; 4, 2, 1]; v = [2; 0; 1; 1]; x = inv(A A) A v
21/44

as x = 283/220 . De este resultado obtenemos que la ecuacion que mejor se ajusta a los datos es

7/22
21 2 283 7
y= x x+ 220y = 105x2 283x + 70.
44 220 22
El siguiente ejemplo muestra como este metodo se puede usar en problemas del da a da.
140
Ejemplo 4.22. La demanda d de un artculo en venta depende del precio p del mismo. En un concesionario
de motocicletas se observo lo siguiente:
Si el precio por unidad es $3 millones se venden 5 motos en un da. Si el precio se incrementa a $3.5 millones
se venden 4 motos en da y cuando el precio se incrementa a $4 millones, se venden solo 2 motos en el da.
Asumiendo que la relacion entre precio y demanda es lineal, d = pm + b, determine la ecuacion que mejor
se ajusta a estos datos. Determine cuantas motos se venderan en un da si se fija el precio en $2.7 millones.
Solucion. De acuerdo a los datos tenemos el sistema
5 = 3m + b
4 = 3,5m + b
2 = 4m + b
donde el precio esta dado en millones.

3
1 5

m

Escrito matricialmente tenemos la ecuacion Ax = v con A = 3,5 1, x = y v = 4. Se verifica
b
4 1 2
que el sistema es inconsitente. La solucion de los mnimos cuadrados esta dada por

3
x = (At A)1 At v = .
14,16
Se sigue que la ecuacion que mejor se ajusta a los datos es d = 3p + 14,16.

Si se fija el precio en $2.7 millones, se obtiene una demanda diaria d = 3 2,7 + 14,16 = 6,06, es decir, se
espera vender unas 6 motos por ese precio.
La interpretacion de la pendiente es el crecimiento de la demanda por cada incremento de un millon en el
precio (ya que d (p) = m esta es la razon de cambio de la demanda con relacion al precio). En este caso, como
m = 3, quiere decir que por cada incremento de un millon en el precio, la demanda disminuye en 3.
El siguiente ejemplo muestra que, incluso en algunos casos, se puede hasta encontrar curvas no polinomicas
que se ajusten a un sistema de datos.
Ejemplo 4.23. Encuentre la curva exponencial y = aecx que mejor se ajuste a los puntos (1, 1), (2, 8) y (3, 8).
Solucion. La curva la podemos linearizar aplicando logaritmo a ambos lados
ln y = ln(becx ) = ln b + cx |{z}
ln e = ln b + cx.
=1
Por tanto reemplazando los datos en esta ecuacion obtenemos el sistema

0 = ln 1 = ln b + c 0 1 1
ln b

ln 8 = ln b + 2c equivalente al sistema ln 8 = 1 2 .
c
ln 8 = ln b + 3c ln 8 1 3
Este sistema
es inconsistente yla solucion
de
los mnimos cuadrados esta dada por x = (At A)1 At v donde
1 1 0 0
ln b 4/3 1/3 2/3
A = 1 2, x = y v = ln 8 = ln 2 3. Notese que (At A)1 At =
, por tanto
c 1/2 0 1/2
1 3 ln 8 3

0
4/3 1/3 2/3 1 ln 2 ln(1/2)
x = ln 2
3 = ln 2 = = .
3 ln 2
1/2 0 1/2 3/2 2 1,04
3
Se sigue que ln b = ln(1/2), lo que implica que b = 1/2, y c 1,04. Concluimos que la ecuacion de la mejor
curva esta dada por
1 1,04x
y= e .
2
Problemas
Ejemplo 4.24. Use mnimos cuadrados para calcular la mejor solucion al sistema

1 0 1
3x = 10

a. b. Ax = v si A = 0 1 y v = 1 .
4x = 5
1 1 0
4.4.1. Determine la ecuacion que mejor se ajusta a los puntos (1, 1), (2, 4), (3, 8) y (4, 8) si la relacion es
1. lineal (y = mx + b),
2. cuadratica (y = ax2 + bx + c),
3. exponencial (y = aebx ).
4.4.2. Si en el Ejemplo 4.22 se sabe ademas que por el precio de $4.5 millones no se logro ninguna venta,
determine
1. la ecuacion lineal d = mp + b que mejor se ajusta a los datos.
2. la ecuacion cuadratica d = ap2 + bp + c que mejor se ajusta a los datos y en este caso determine la maxima
demanda posible.
4.4.3. En una plaza de mercado se ha observado que la demanda de naranja se comporta de acuerdo a la
siguiente tabla
precio 500 1000 1500 2000 3000

demanda 600 450 400 300 100
donde el precio esta dado en pesos y la demanda en toneladas. Use MatLab para determinar la ecuacion que
mejor se ajusta a los datos si la relacion entre las variables es
142
1. lineal ( d = mp + b).
2. Cuadratica (d = ap2 + bp + c).
3. Cubica (d = ap3 + bp2 + cp + d).
4. Exponencial (d = aebp ).
4.4.4. La poblacion P de un pequeno poblado se esta reduciendo de forma exponencial P = aebt , la tabla de
poblacion es como sigue:
ano 2004 2009 2011 2014

habitantes 5mil 4.5mil 4mil 3.8mil
Usar mnimos cuadrados para responder lo siguiente:
1. Una ecuacion que modele la cantidad de habitantes con respecto al tiempo.
2. La cantidad de habitantes en el ano 2020.
3. El ano en el cual se espera que la poblacion se reducira a 2500 habitantes.
4.5. El Proceso Gramm-Schmidt

El objetivo de esta seccion es introducir los conceptos de base ortogonal y base ortonormal y mostrar que
es posible construir, a partir de cualquier base para un subespacio de Rn , una base ortonormal para este. Este
proceso es conocido como el proceso Gramm-Schmidt. Tambienn veremos las ventajas que se obtienen de tener
una base ortogonal u ortonormal, las cuales permite calcular proyecciones de manera sencilla. Comenzamos con
las definiciones de conjunto ortogonal, conjunto ortonormal, base ortogonal y base ortonormal.
Definicion 4.10. Sean v1 , . . . , vk vectores en Rn ,
1. decimos que {v1 , . . . , vk } es un conjunto ortogonal si los vectores v1 , . . . , vk son ortogonales entre s, es decir,
si vi vj = 0 para 1 i 6= j k,
2. decimos que {v1 , . . . , vk } es una conjunto ortonormal, si es un conjunto ortogonal y ||vi || = 1 para i =
1, . . . , k,
3. si {v1 , . . . , vk } es una base de Rn y si es un conjunto ortogonal (ortonormal), decimos que {v1 , . . . , vk } es una
base ortogonal (ortonormal) de Rn .

1 1 0

Ejemplo 4.25. El conjunto {v1 , v2 , v3 } donde v1 = 1 , v2 = 1 y v3 = 0 es un conjunto ortogonal de

0 0 1

1 1 0

R3 y los vectores w1 = 12 1 , w2 = 12 1 y w3 = 0 forman una conjunto ortonormal de R3 .

0 0 1
Observacion 4.4. Si {v1 , . . . , vk } es un conjunto ortogonal, a partir de este podemos formar un conjunto
1
ortonormal. Basta con definir wi = ||vi || vi , para i = 1, . . . , k, de lo cual se sigue que el conjunto {w1 , . . . , wk }
es un conjunto ortonormal. Al vector wi se le llama la normaliazcion del vector vi , esto hace referencia al
hecho que wi es un vector normal o unitario (de norma 1) en la misma lnea que contiene a vi y con la misma
direccion.

1
Esto ya que para i 6= j se tiene que wi wj = ||vi || vi ||v1j || vj = 1
||vi || ||vj || vi vj .
| {z }
=0
1
Ademas wi wi = ||vi || vi ||v1j || vj = 1
||vi ||2 vi vi = 1.
| {z }
=||vi ||2
De hecho, el conjunto ortonormal {w1 , w2 , w3 } del ejemplo anterior se construyo a partir del conjunto orto-
gonal {v1 , v2 , v3 } normalizando cada uno de estos vectores.
En realidad se puede verificar que los conjuntos {v1 , v2 , v3 } y w1 , w2 , w3 } son bases para R3 . Esto no es
casualidad, en general se demuestra que un conjunto orrtogonal es LI.
Lema 4.10. Sea {v1 , . . . , vk } Rn un conjunto ortogonal con vi 6= 0 i = 1, . . . , k. Entonces el conjunto

{v1 , . . . , vk } es LI.
Demostracion. Supongamos que el conjunto {v1 , . . . , vk } es ortogonal y supongamos que
1 v1 + + k vk = 0. (4.10)
Multiplicando a ambos lados de la Ecuacion (4.10) por vi tenemos:
0 = vi 0 = vi (1 v1 + + k vk )
= 1 v i v 1 + + i v i v i + + k v i v k = i v i v i
| {z } | {z } | {z }
=0 6=0 =0
Se sigue que i vi vi 6= 0 y como vi vi 6= 0 se debe dar que i = 0 y esto para i = 1, . . . , n. Por tanto los
vectores v1 , . . . , vk son LI.
De este lema se sigue que si {v1 , . . . , vk } es un conjunto ortogonal (ortonormal), este forma una base del
espacio H = gen{v1 , . . . , vk }.
A continuacion definimos la nocion de matriz ortogonal, este sera util en lo que sigue de la seccion.
h i
Definicion 4.11. Decimos que una matriz A = v1 vk es una matriz ortogonal, si vi vj = ij para
i, j {1, . . . , k. Es decir, las columnas de A forman un conjunto ortonormal.

1 1 0
2 2
1
Ejemplo 4.26. La matriz A = 1 0 es una matriz ortogonal ya que el conjunto de columnas de esta
2 2
0 0 1

1 1 0

2 2
1 1
matriz, , , 0 , es un conjunto ortonormal, lo cual se demostro en el Ejemplo4.25.

2 2

0 0 1
144
La propiedad mas importante de las matrices ortogonales es la siguiente.
Lema 4.11. (Propiedad de las matrices ortogonales) Sea A Mmn (R), entonces A es una matriz orto-
gonal si y solo si At A = I.
Por tanto si A es una matriz cuadrada entonces A es invertible y A1 = At . Si A no es cuadrada entonces At
es una inversa a la izquierdaA.
h i
Demostracion. Si A = v1 vk es una matriz ortogonal, entonces

v1t v1 v1t v2 v1t vk
vt
1 h i t
v2 v1 v2t v2 v2t vk

.
At A = .. v1 vk =
.. .. .. ..
(4.11)
. . . .
vkt
vkt v1 vkt v2 vkt vk

v1 v1 v1 v2 v1 vk
| {z } | {z } | {z }
1 0 0
=1 =0 =0

v2 v1 v2 v2 v2 vk
| {z } | {z }
| {z } 0 1 0
= =0 =1 =0 =
. . .. .. = I.

.. ..
.
.. .. .. .. . .
. . .
0 0 1
v v v v vk vk
| k{z }1 | k{z }2 | {z }
=0 =0 =1
Si At A = I se sigue de la Ecuacion 4.11 que las columnas de A forman un conjunto ortonormal y por
definicion A es ortogonal.
Si A es una matriz cuadrada, por el Corolario 1.22, A es invertible y A1 = At . La otra afirmacion es
inmediata.
Ejemplo 4.27.1. Este teorema nos permitecalcular la inversa

de una matriz ortonormal de manera facil, por el
1 1
0
2 2
1
Ejemplo 4.26 tenemos que la matriz A = 1 0 es una matriz ortogonal, por tanto
2 2
0 0 1

1 1
0
2 2
A1 = At =
1
1 0 .
2 2
0 0 1
2. El teorema tambien se puede usar para calcular

la inversa
a la izquierda de matrices ortonormales cuando no
1 1
2 2
1
son cuadradas. Por ejemplo la matriz B = 1 es una matriz ortonormal, por tanto una inversa a la
2 2
0 0

1 1
0
izquierda de B es B t = 2 2 .
1 1

2

2
0
Las bases ortogonales (ortonormales) tiene ventajas importantes, estas se reflejan cuando se quiere calcular
la proyeccion de un vector sobre un subespacio. El siguiente teorema provee una formula para determinar la
proyeccion sin usar la matriz de la proyeccion. La formula se obtiene a partir de una base ortogonal u ortonormal.
Teorema 4.12. Sea {v1 . . . , vk } una base ortonormal para un subespacio vectorial H de Rn y sea b Rn ,
entonces
proyH b = (v1 b)v1 + + (vk b)vk .
v1 b vk b
Si la base {v1 . . . , vk } es ortogonal entonces proyH b = v1 v1 v1 + + vk vk vk .
h i
Demostracion. Sea A = v1 vk , entonces proyH b = A(At A)1 At b. Como A es una matriz ortogonal
por el Teorema 4.11 se tiene que At A = I, por tanto

vt
h i 1
.
proyH b = A (At A)1 At b = AAt b = v1 vk .. b
| {z }
=I
vkt

v1t b
h i
. t t
= v1 vk .. = (v1 b)v1 + + (vk b)vk

vkt b
= (v1 b)v1 + + (vk b)vk .
Si la base {v1 , , vk } es ortogonal, entonces por la Observacion 4.4, tenemos que el conjunto {w1 , . . . , wk }
1
es una base ortonormal de H donde wi = ||vi || vi , con i = 1, . . . , k. Entonces para i = 1, . . . , k tenemos que

(wi b)wi = ||v1i || vi b ||v1i || vi = ||vviib||2 vi = vi b
vi vi vi , por tanto
v1 b vk b
proyH b = (w1 b)w1 + + (wk b)wk = v1 + + vk .
v1 v1 vk vk

1

1 1

Ejemplo 4.28. Sea b = 1 y H = gen v1 = 1 , v2 1 . Es facil ver que {v1 , v2 } es una base ortogonal

3 0 2
de H, entonces por el teorema anterior tenemos que

0
v1 b v2 b 2 6

proyH b = v1 + v 2 = v 1 + v 2 = v 1 + v 2 = 2 .
v1 v1 v2 v2 2 6
2
De hecho el este subespacio es el mismo del Ejemplo 4.16 y obtenemos, como debe ser, la misma respuesta.
Simplemente en este caso tenemos una base ortogonal de H, lo cual nos permite usar el teorema anterior sin
tener que calcular la matriz de la proyeccion y la cantidad de calculos se reduce.
146

0

Para ver que los subespacios de este ejemplo y el ejemplo en mencion coinciden, notese que si w = 1

1
entonces

1/2 1/2 0
v1 w v2 w 1 3

proyH w = v1 + v2 = v1 + v2 = v1 + v2 = 1/2 + 1/2 = 1 = w.
v1 v1 v2 v2 2 6
0 1 1
Se tiene que w = proyH w y por tanto w H. Es decir, tanto {v1 , v2 } como {v1 , w} son bases de H.
El siguiente corolario tambien muestra la importancia de tener una base ortonormal, porque provee una
formula para escribir un vector en un subespacio como combinacion lineal de una base ortonormal sin tener que
hacer reduccion Gauss-Jordan.
Corolario 4.13. Sea H Rn un subespacio con base ortonormal {v1 . . . , vk }. Entonces para todo b H se
tiene que
b = (b v1 )v1 + + (b vk )vk .
bv1 bvk
Mas aun, si {v1 . . . , vk } una base ortogonal de H, entonces b = v1 v1 v1 + + vk vk vk .
Demostracion. Si b H por el Teorema 4.9 tenemos que proyH b = b, por tanto el resultado se sigue aplicando
el teorema anterior.

1
1 0

Ejemplo 4.29. De acuerdo al Ejemplo 4.25 Los vectores v1 = 1 , v2 = 1 y v3 = 0 forman una base

0 0 1

1

3
ortogonal para R . Usando el teorema anterior podemos escribir el vector b = 1 de la siguiente forma:

1
b v1 b v2 b v3 0 2 1
b= v1 + v2 + v3 = v1 + v2 + v3 = v2 + v3 .
v1 v1 v2 v2 v3 v3 2 2 1

1
2
0 1

2

Ejemplo 4.30. De acuerdo al Ejemplo 4.25 Los vectores w1 = 1 , w2 = 1 y w3 = 0 forman una
2 2
0 0 1

1

3
base ortonormal para R . Usando el teorema anterior podemos escribir el vector b = 1 de la siguiente forma:

1
2
b = (b w1 )w1 + (b w2 )w2 + (b w3 )w3 = 0w1 + w2 + w3 = 2w2 + w3 .
2

1

1

2 2

Ejemplo 4.31. El conjunto v1 = 1 , v2 = 1 es una base ortonormal para el plano xy (o z = 0)

2 2

0 0

1

entonces usando el teorema anterior para calcular proyH b con H = plano xy y b = 2 obtenemos:

1

1
3 1

proyH b = (b v1 )v1 + (b v2 )v2 = v1 + v2 = 2 .
2 2
0
El Teorema 4.12 y el Corolario 4.13 muestran la importancia de tener una base ortogonal u ortonormal
para un subespacio, sin embargo hasta ahora no sabemos como se puede calcular tal base. El siguiente teorema
muestra como, a partir de una base arbitraria de un subespacio de Rn , podemos construir una base ortogonal.
Teorema 4.14. (El proceso Gramm-Schmidt) Sea H Rn un subespacio y sea {v1 , . . . , vk } una base de
H si hacemos
w1 = v 1 , W1 = gen{w1 }
w2 = v2 proyW1 v2 W2 = gen{w1 , w2 }
w3 = v3 proyW2 v3 W3 = gen{w1 , w2 , w3 }
.. ..
. .
wk1 = vk1 proyWk2 vk1 Wn1 = gen{w1 , . . . , wn1 }
wk = vn proyWk1 vk
Entonces {w1 , . . . , wk } es una base ortogonal de H.

1
Mas aun, si hacemos qi = ||wi || wi para i = 1, . . . , n, entonces {q1 , . . . , qn } es una base ortonormal de H.
Demostracion. Por definicion de proyeccion ortogonal tenemos que wi = vi proyWi1 vi es ortogonal al

subespacio Wi1 para i = 1, . . . , k y por tanto wi ortogonal a cada uno de los vectores w1 , . . . , wi1 . Se sigue
que los vectores w1 , . . . , wk son ortogonales entre s, es decir, el conjunto {w1 , . . . , wk } es un conjunto ortogonal.
En consecuencia, por el Lema 4.10, el conjunto {w1 , . . . , wi } es una base ortogonal de Wi , , para i = 1, . . . , k1, y
{w1 , . . . , wk } es una base ortogonal del subespacio que ellos generan, gen{w1 , . . . , wk }. Solo nos resta demostrar
que H = gen{w1 , . . . , wk }.
Como el conjunto {w1 , . . . , wk } es base de gen{w1 , . . . , wk }, se sigue que dim H = k = dim gen{w1 , . . . , wk }.
Por tanto es suficiente demostrar que w1 , . . . , wk H, ya que de esta forma se sigue que gen{w1 , . . . , wk } H
y por tener dimesiones iguales se concluye que los subespacios son iguales (Problema ???).
Primero notese que w1 = v1 H.
v2 w1
Tambien tenemos que w2 = v2 proyw1 v2 = v2 w1 w1 w1 H.
148
Continuando por induccion supongamos que w1 , . . . , wi1 H. Como el conjunto {w1 , . . . , wi1 } es una base
ortogonal de Wi1 , entonces por el Teorema 4.12 tenemos que
v i w1 vi wi1
proyWi1 vi = w1 wi1 (4.12)
w1 w1 wi1 wi1
por tanto
v i w1 vi wi1
wi = vi proyWi1 vi = vi w1 wi1 H.
w1 w1 wi1 wi1
Concluimos que w1 , . . . , wk H y por tanto el conjunto {w1 , . . . , wk } es una base ortogonal para H.
De la Observacion 4.4 se sigue que el conjunto {q1 , . . . , qk } es una base ortonormal.
Observacion 4.5. Si {v1 , . . . , vk } es una base para un subespacio H de Rn , entonces por la Ecuacion (4.12),
los vectores w1 , . . . , wk de la base ortogonal del proceso Gramm-Schmidt estan dados por
w1 = v 1 ,
v2 w1
w2 = v 2 w1 w1 w1
v2 w1 v2 w2
w3 = v 3 w1 w1 w1 w2 w2 w2
.. (4.13)
.
vk1 w1 vk1 wk1
wk1 = vk1 w1 w1 w1 wk1 wk1 wk1
vk w1 vk wk
wk = v k w1 w1 w1 wk wk wk
1 0 1
Ejemplo 4.32. Sean v1 = 1 , v2 = 1 y v3 = 0 y H = gen{v1 , v2 , v3 }. Calcule lo siguiente
0 1 0
0 0 1
1. una base ortonormal {q1 , q2 , q3 } para H.

1
2. Escriba el vector v = 31 en terminos de la base ortonormal.
1
1
3. Calcule la proyeccion del vector z = 1 sobre H.
1
1
Solucion.
1. Usaremos las ecuaciones dadas en (4.13) para calcular los vectores w1 , w2 y w3 y despues los normalizamos.
" #
1/2
w1 v2
En primer lugar se tiene que w1 = v1 , el vector w2 esta dado por w2 = v2 w1 w1 w1 = v2 21 v1 = 1/2 y
1
" 1/3 # 0
w1 v3 w2 v3 (1/2)
finalmente w3 = v3 w1 w1 w1 w2 w2 w2 = v3 21 w1 3/2 w2 = v3 21 w1 + 13 w2 = 1/3
1/3
.
1
Se verifica facilmente que los vectores w1 , w2 y w3 son ortogonales. Para la base ortonormal, con el fin de agilizar
calculos, se puede trabajar con multiplos de los vectores
1 w 1 , w2 y w3 de tal
forma
que no hayan denominadores.
1
1 1
Para este efecto tomamamos u1 = w1 , u2 = 2w2 = 2 y u3 = 3w3 = 1 .
0 3
Finalmente se tiene que los vectores
1 1

1 1 1 1 1 1 1 1
q1 = u1 = 10 , q2 = u2 = 1
2 y q3 = u3 = 1
||u1 || 2 0 ||u2 || 6 0 ||u2 || 12 3
forman una base ortonormal para H.

2. Por el Corolario 4.13 tenemos que
4 4 4
v = (q1 v)q1 + (q2 v)q2 + (q3 v)q3 = q1 + q2 q3 .
2 6 12
La ultima igualdad se obtiene racionalizando el denominador.
En terminos de la base ortogormal
u1 v u2 v u3 v 2 1
v= u1 + u2 + u3 = 2u1 + u2 u3 .
u1 u1 u2 u2 u3 u3 3 3
3. Por el Teorema 4.12 tenemos que

2 2 4 6 12
proyH z = (q1 z)q1 + (q2 z)q2 + (q3 z)q3 = q1 + q2 + q3 = 2q1 + q2 + q3 .
2 6 12 3 3
La ultima igualdad se obtiene racionalizando el denominador.

En terminos de la base ortogormal
u1 v u2 v u3 v 1 1
v= u1 + u2 + u3 = u1 + u2 + u3 .
u1 u1 u2 u2 u3 u3 3 3
Finalizamos la seccion mostrando la idea geometrica detras del proceso de Gramm-Schmidt.

En la siguiente figura se muestran los vectores w1 y w2 (en rojo) obtenidos al aplicar Gram-Schmidt a un
par de vectores v1 y v2 . En esta se ve que los vectores w1 y w2 son ortogonales y pertencen al mismo plano que
v1 y v2 .
w2 = v2 proyv1 v2
v2
O
proyv1 v2 v 1 = w1
En la siguiente figura se muestra el caso en dimension 3. Si se tienen vectores LI v1 , v2 y v3 y ya se han

determinado los vectores ortogonales w1 y w2 , en la figura se muestra como se obtiene el vector w3 , ortogonal
al plano W2 = gen{w1 , w2 }. Obteniendo as, los vectores w1 , w2 y w3 (en rojo), los cuales forman una base
ortogonal.
w3 = v3 proyW2 v3
v3
w2
v2
W2
proyW2 v3 b
v1 = w1
O
150
Problemas
4.5.1. Verifique que las matrices son ortogonales y que su correspondiente transpuesta es una inversa a la
izquierda
1/ 3 1/ 6 1/ 2
1/2 1/ 6

A = 1/2 1/ 6
B = 1/ 3 1/ 6 1/ 2 .
1/2 2/ 6
1/2 0
1/ 3 2/ 6 0
4.5.2. Sean w1 = (1, 1, 2), w2 = (2, 0, 1) y w3 = (1, 5, 2), H = gen{w1 , w2 } y v = (1, 1, 1), haga lo siguiente
1. verifique que X = {w1 , w2 , w3 } es una bas ortogonal,
2. escriba el vector v en terminos de la base X,
3. calcule la proyeccion, proyH v, del vector v sobre H,
4. calcule el vector u y proyH u si se sabe que u w1 = 5, u w2 = 3 y u w3 = 1,
5. calcule el vector z H tal que z w1 = 3, z w2 = 5,
6. muestre que H = gen{w3 }.
4.5.3. Sea {w1 , . . . , wn } una base ortogonal de Rn y H = gen{w1 , . . . , wk }, muestre que H = gen{wk+1 , . . . , wn }.
Demuestre tambien que si v = 1 w1 + + n wn entonces proyH v = 1 w1 + + k wk .
4.5.4. Aplique el procedo de Gramm-Scdmidt para calcular una base ortonormal del subespacio generado por los
vectores v1 , v2 y v3 si

0 0 1 1 1 0

a. v1 = 1 , v2 = 1 , v3 = 1 . b. v1 = 1 , v2 = 0 , v3 = 1 .

0 1 1 0 1 1

1 0 0

1 1 0
c. v1 =
, v2 = , v3 = .

0 1 1

0 0 1
4.5.5. Calcule una base ortogonal y una base ortonormal para cada uno de los espacios en los problemas 4.3.1,
4.3.2, 4.3.3 y 4.3.4. En cada caso calcule la proyeccion del vector indicado en cada problema sobre el respectivo
subespacio en terminos de la base ortogonal y en terminos de la base ortonormal.
4.5.6. Encuentre los valores de y tal al aplicar el proceso de Gramm-Schmidt a los vectores v1 , v2 y v3 se
obtengan los vectores w1 , w2 y w3 , donde

1 1 1 0 1

v1 = 1 , v2 = 1 , v3 = 1 , w1 = 1 , w2 = 0 y w3 = 1 .

0 0 0 1 0
4.5.7. Determine los vectores v1 , v2 y v3 tal que al aplicar el proceso Gramm-Schmidt se obtienen los vectores
w1 = (1, 1, 1, 1), w2 = (1, 1, 1, 1) y w3 = (1, 1, 1, 1) si se sabe ademas que v2 w1 = 2, v3 w1 = 8 y
v3 w2 = 2.
4.5.8. Determine todos los posibles vectores v1 y v2 talque al aplicar el proceso Gramm-Schmidt y normalizar
el resultado sean los vectores q1 = (1/2, 1/2, 1/2, 1/2) y q2 = (1/2, 1/2, 1/2, 1/2).
4.5.9. Determine las columnas faltantes de tal forma que cada una de las siguientes matrices sean ortogonales.

1/2 1/2
1/2 1/ 6

1/ 3 1/ 6

1/2 1/2

1/2 1/ 6

a. A = 1/ 3 1/ 6 3 q b. B =
q 3 q
4 c. C = q
1/2 1/2 3 4 5 q q
1/2 2/ 6

1/ 3 2/ 6 1/2 1/2
1/2 0
0 0
Ayuda: En cada caso los vectores qi , i = 3, 4, 5, pertenecen al complemento ortogonal del espacio generado por
las dos primeras columnas de la matriz.
h i
4.5.10. Sea A = [v1 vn ] Mn (R), donde v1 , . . . , vn son las columnas de A, y sea B = 1 1 .
v1 v1 v1 vn vn vn
t
Demuestre que si {v1 , . . . , vn } es un conjunto ortogonal entoncesB es la inversa
de A.
1 1 1

Use lo anterior para determinar la inversa de la matriz A = 1 1 1 .

1 2 0
4.5.11. Si A es de tamno m n con columnas ortonormales, demuestre que P = AAt es una matriz proyeccion,
es decir, P 2 = P .
4.5.12. Sea u Rn un vector unitario y v Rn arbitrario. Demuestre lo siguiente:
1. la matriz Q = I ut u es una matriz simetrica ortogonal.
2. Si U = gen{u} demuestre que Qv es la proyeccion de v sobre U .
3. Calcule Q si u = (1/2, 1/2, 1/2, 1/2) y la proyeccion de v = (1, 2, 3, 4) sobre U y U .
4.5.13. Una isometra de Rn es un isomorfismo T : Rn Rn tal que T (v)T (w) = v w, para todo v, w Rn .
Muestre que T es una isometra si y solo si la matriz E TE de T es una matriz ortogonal.
4.5.14. Sea T : Rn Rn una isometra, demuestre lo siguiente:
1. ||T (v)|| = ||v||, para todo v R, es decir, T preserva longitudes.
2. T preserva angulos, es decir, (v, w) = (T (v), T (w)), para todo v, w R.
3. La inversa de una isometra es una isometra y la composicion de isometras es una isometra.
4. T enva bases ortonormales en bases ortonormales, es decir, {v1 , . . . , vn } es una base ortonormal de Rn si y
solo si {T (v1 ), . . . , T (vn )} es una base ortonormal de Rn .
152
4.5.15. Sean A, B Mn (R) matrices ortogonales, muestre que AB y A1 son ortogonales. (Esto muestra que
el conjunto de matrices ortogonales es un subgrupo del grupo de matrices invertibles, este subgrupo es conocido
como el grupo ortogonal, denotado
por On (R).)

cos sen cos sin

Demuestre que O2 (R) = 0 2

0 2 .
sin cos sin cos
Estas dos componentes de On (R) consisten de rotaciones en direccion antihoraria del plano y rotaciones en
direccion de las manecillas del reloj del plano. El grupo On (R) tambien se puede ver como el conjunto formado
por composiciones de rotaciones antihorarias y reflecciones con respecto a una lnea por el origen. Los geometras
se refieren a este grupo como el grupo de movimientos rgidos del plano que preservan el origen.
4.5.16. Sean P y Q de tamanos m n y n q matrices ortogonales, muestre que P Q es ortogonal.

Si m < n, es P t ortogonal?
4.6. La Factorizacion QR de una Matriz

h i
Teorema 4.15. Sea A = v1 vk una matriz cuyas columnas son LI, entonces exite una matriz ortogonal
Q y una matriz triangular superior R tal que A = QR.
Demostracion. Sean H = gen{v1 , , vk } y q1 , . . . , qk los vectores obtenidos al aplicar el proceso Gramm-

Schmidt, es decir, los vectores obtenidos al normalizar los vectores en la Observacion 4.5, los cuales forman una
base ortonormal para H. Por el Teorema 4.13 tenemos que
vi = (q1 vi )q1 + + (qk vi )qk . (4.14)
Recordemos que en la demostracion del Teorema 4.14 vimos que gen{v1 , . . . , vi1 } = gen{w1 , . . . , wi1 } =
gen{q1 , . . . , qi1 }, para i = 2, . . . , k, y como qi es ortogonal a gen{q1 , . . . , qi1 }, por ser ortonormal a q1 , . . . , qi1
entonces qi v1 = 0, . . . , qi vi1 = 0. Como esto es para todo i = 1, . . . , k obtenemos que qi vj = 0 para i > j.
Reemplazando esto en la Ecuacion (4.14) obtenemos
vi = (q1 vi )q1 + + (qi vi )qi ,
para i = 1, . . . , k, por tanto tenemos la ecuaciones:
v1 = (q1 v1 )q1
v2 = (q1 v2 )q1 + (q2 v2 )q2

..
.
vk1 = (q1 vk1 )q1 + + (qk1 vk1 )qk1
vk = (q1 vk )q1 + + (qk vk )qk .
La cual podemos escribir matricialmente de la siguiente forma


q1 v 1 q1 v 2 q1 v 3 q1 v k

0 q2 v 2 q2 v 3 q2 v k
h i h i

v1 v k = q1 qk 0 0 q3 v 3 q3 v k

.. .. .. .. ..
. . . . .

0 0 0 qk v k

q1 v 1 q1 v 2 q1 v 3 q1 v k

0 q2 v 2 q2 v 3 q2 v k
h i

Si hacemos Q = q1 qk y R = 0 0 q3 v 3 q3 vk obtenemos A = QR.

.. .. .. .. ..
. . . . .

0 0 0 qk v k
De este Teorema se desprende el siguiente procedimiento para calcular la factorizacion QR de una matriz.
h i
Procedimiento 4.2. (Procedimiento para calcular las matrices Q y R) Sea A = v1 vk una
matriz cuyas columnas v1 , . . . , vk son linealmente independientes. Calculamos su factorizacion QR con los si-
guientes pasos:
1. Aplicamos el proceso Gramm-Schmidt y la Observacion 4.5 a los vectores v1 , . . . , vk para obtener los vectores
ortogonales w1 , . . . , wk .
h i
2. Se normalizan los vectores w1 , . . . , wk para obtener vectores ortonormales q1 , . . . , qk y hacemos Q = q1 qk .
3. Para 1 i j k calculamos los productos qi vj y hacemos

q1 v 1 q1 v 2 q1 v 3 q1 v k

0 q2 v 2 q2 v 3 q2 v k

R= 0 q2 v 2 q3 v 3 q2 v k .

.. .. .. .. ..
. . . . .

0 0 0 qk v k
4. De acuerdo al Teorema 4.15 tenemos que A = QR.

1 0 1

1 1 0
Ejemplo 4.33. Sea A =
, calcular las matrices Q y R tal que A = QR.

0 1 0

0 0 1

1 0 1

1 1 0
Solucion. Sean v1 =
, v2 = y v3 = , usando el Procedimiento 4.2 obtenemos lo siguiente.

0 1 0

0 0 1
154

1 16 1
2 12

1 1 1
1. En el Ejemplo 4.32 usamos el proceso Gramm-Schdmit y obtuvimos q1 = , q2 =
2

6 y q3 = 12 ,

0 2 1
6 12
0 0 3
12

1
16 1
2 12

1 1
112
por tanto Q =

2 6 .

0 2 1
6 12
0 0 3
12
2. Para 1 i j 3 calculamos los productos qi vj ,
q1 v 1 = 2 q1 v 2 = 1 1
q1 v 3 =
2 2 2
q2 v 2 = 3 1
q2 v 3 =
6 6
q3 v3 = 412 .

2
1
1
2 2 2

Por tanto R = 0 3
1
.
6 6
0 0 4
12

1
16 1

2 12 2 1 1

2 2 2
1 1
112
3. De esta manera obtenemos que A =

2 6 0
3 1
.
6
0 2 1 6
6 12
0 0 4
0 0 1
12
12
Usamos MatLab para corroborar que A = QR:

>> Q = [1/sqrt(2), 1/sqrt(6), sqrt(3)/6; 1/sqrt(2), 1/sqrt(6), sqrt(3)/6; 0, 2/sqrt(6), sqrt(3)/6; 0, 0, sqrt(3)/2],
R = [2/sqrt(2), 1/sqrt(2), 1/sqrt(2); 0, 3/sqrt(6), 1/sqrt(6); 00, 2/sqrt(3)], Q R
Lo que nos confirma que efectivamente A = QR.
En la Seccion 5.6 del proximo captulo veremos una interpretacion geometrica de esta descomposicion.
Problemas
4.6.1. Calcule la descomposicion QR de las matrices

1 0 1 0 0
0 0 1 1 1 0

1 1 1 1
0
A = 1 1 1 , B = 1 0 1 , C=

y D=

.

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

1/ 3 1/ 6

3 4/ 3
4.6.2. Determine la matriz A si Q = 1/ 3 1/ 6 y R = .
0 2/ 6
1/ 3 2/ 6
4.6.3. Determine la factorizacion QR de una matriz A = [v1 v2 v3 ] si sabe que al aplicar el proceso Gramm-
Schmidt a los vectores v1 , v2 y v3 se obtienen los vectores w1 = (1, 1, 1, 1), w2 = (1, 1, 1, 1) y w3 =
(1, 1, 1, 1) y se sabe ademas que v2 w1 = 2, v3 w1 = 8 y v3 w2 = 2.

1/2 1/2

1/2 1/2
4.6.4. Determine todas las matrices A tal que Q =
. Determine tambien las posibles R. (Este

1/2 1/2

1/2 1/2
problema esta relacionado con el Problema 4.5.8)
156
Captulo 5
Determinantes
La nocion de determinante es muy importante en matematicas, a partir de este se puede definir volumen
de n-ppedos, los cual exhibimos en la ultima seccion de este captulo. En textos de algebra multilineal se de-
muestra que el determinante, visto como funcion de (Rn )n en Rn , es la unica n-forma n-lineal alternada tal
que det(e1 , . . . , en ) = 1, lo que permite usarla como forma volumen bien definida en Rn . En este captulo, al
no usar las herramientas del algebra multilineal, usamos los cofactores para definir el determinante. A partir de
esta definicion y usando matrices elementales demostramos las propiedades de linealidad del determinante en
cada fila y cada columna, al igual que su propiedad de alternabilidad. En la Seccion 5.3 demostramos la regla
del producto y el determinante de la matriz inversa. Despues se introduce la matriz adjunta y una formula para
la inversa de una matriz a partir de esta. Tambien se demuestra la regla de Cramer y terminamos el captulo
dando la interpretacion geometrica del determinante usandolo para calcular volumenes.
5.1. Definicion y ejemplos
En esta seccion introducimos la definicion de determinante y las propiedades basicas.
Definicion 5.1. Sea A una matriz de tamano m n, para cada par (i, j) con 1 i m y 1 j n, definimos
el ij-esimo menor de A, al cual denotaremos por Aij , como la matriz obtenida de A al eliminar su i-esima
fila y su j-esima columna.

1 1 0 2

1 1 0
Ejemplo 5.1. Sea A = 1 1 1 0 el 24-esimo menor de A es la matriz A24 = y el 12-esimo
0 2 3
0 2 3 0

1 1 0
menor es la matriz A12 = .
0 3 0
157
158

a11 a1n

. .. ..
Definicion 5.2. (Determinante) Sea A = .. . . una matriz de tamano n n. Definimos el

an1 ann
determinante de A, el cual denotaremos por det(A), recursivamente como sigue:
Si n = 2 entonces det(A) = a11 a22 a12 a21 .
Para n 3,
n
X
det(A) = (1)1+i a1i det (A1i )
i=1
= a11 det (A11 ) a12 det (A12 ) + + (1)1+n a1n det (A1n ) .

2 1 0

Ejemplo 5.2. Sea A = 0 1 0 de acuerdo a esta definicion el determinante de A esta dado por:

1 1 1
3
X
det(A) = (1)1+i a1i det (A1i )
i=1
= a11 det (A11 ) a12 det (A12 ) + a13 det (A13 )

1 0 0 0 0 1
= 2 det (1) det + 0 det
1 1 1 1 1 1
= 2(1 1 0 1) + (0 1 0 1) + 0(0 1 1 1)
=2
Definicion 5.3. Sea A una matriz n n, para cada par (i, j) con 1 i m y 1 j n, el ij-esimo cofactor
de A, denotado por Cij , se define como
Cij = (1)i+j det Aij ,
donde Aij es el ij-esimo menor de A.
Observacion 5.1. Con esta definicion podemos reescribir la formula de del determinante como sigue:
n
X
det(A) = a1i C1i = a11 C11 + a12 C12 + a1n C1n .
i=1
A esta formula se le conoce como la expansion por cofactores de A a lo largo de la primera fila.

1 1 0

Ejemplo 5.3. Sea A = 0 1 1, calcular C11 , C12 y C13 y calcular el determinante de A.

1 2 1

1 1
Solucion: C11 = (1)1+1 det A11 = (1)2 det = 1 1 1 2 = 1,
2 1

0 1
C12 = (1)1+2 det A12 = (1)3 det = 1 (0 1 1 (1)) = 1,
1 1

0 1
C13 = (1)1+3 det A13 = (1)4 det = 0 2 1 (1) = 1 y as
1 2
det(A) = a11 C11 + a12 C12 + a13 C13 = 1 (1) + 1 (1) + 0 1 = 0.
De la definicion se desprenden los siguientes resultados.

a11 0 0

a21 a22 0
Lema 5.1. Sea A = .
.. .. .. una matriz triangular inferior, entonces

.. . . .

an1 an2 ann
det(A) = a11 a22 ann .
Es decir, el determinante de una matriz triangular inferior es el producto de las entradas en la diagonal. En
particular, el determinante de una matriz diagonal es el producto de las entradas en la diagonal.
Demostracion. Por induccion sobre n.

Si n = 2 tenemos que det(A) = a11 a22 0a21 = a11 a22 .
Supongamos que el determinante de toda matriz triangular inferior de tamano (n 1) (n 1) es el producto
de las entradas en la diagonal. Usando la Observacion 5.1 tenemos que
det(A) = a11 C11 + a12 C12 + + a1n C1n = a11 C11 . (5.1)
|{z} |{z}
=0 =0
Pero por hipotesis de induccion tenemos que

a22 0

. .. ..
= (1)1+1 det(A11 ) = 1 det ..

C11 . . = a22 ann (5.2)

an2 ann
De las ecuaciones (5.1) y (5.2) tenemos que
Corolario 5.2. Sea I = In la matriz identidad de tamano n n, entonces det(I) = 1.
En la Observacion 5.1 se dijo que el determinante se obtiene por expansion por coeficientes a lo largo de la
primera fila. Esto porque en la formula se usan los coeficientes en esa fila. El siguiente teorema muestra que
para calcular el determinante de una matriz podemos usar coeficientes en cualquier fila o cualquier columna con
sus correspondientes menores.
160

a11 a1n

.. .. ..
Teorema 5.3. Sea A = . . . entonces el determinante de A se puede calcular usando la expansion

an1 ann
por cofactores en cualquier fila o cualquier columna, es decir, para 1 i, j n tenemos que:
n
X
det(A) = ai1 Ci1 + ai2 Ci2 + + ain Cin = aik Cik o (5.3)
| {z }
Expansion por cofactores en la fila i k=1
Xn
det(A) = a1j C1j + a2j C2j + + anj Cnj = ahj Chj . (5.4)
| {z } h=1
Expansion por cofactores en la columna j
Demostracion. Primero demostraremos la Formula (5.3) por induccion sobre n.

Para n = 2 tenemos que:
Expansion por cofactores en la segunda fila = a21 a12 + a22 a11 = det(A).
Ahora supongamos que el teorema se cumple para cualquier matriz de tamano (n 1) (n 1) y mostremos
que det(A) = Expansion por cofactores en la fila i.
Por definicion tenemos que
n
X
det(A) = (1)1+j a1j det(A1j ). (5.5)
j=1
Ahora, como la matriz A1j es de tamano (n 1) (n 1), entonces por la hipotesis de induccion tenemos que
su determinante se puede calcular por expansion por cofactores en la fila i, por tanto
det(A1j ) = (1)i+1 ai1 det((A1j )i1 ) + + (1)i+n ain det((A1j )in ) (5.6)
n
X
= (1)i+k aik det((A1j )ik ).
k=1
De las Ecuaciones (5.5) y (5.6) tenemos que

n
X n
X
det(A) = (1)1+j a1j (1)i+k aik det((A1j )ik )
j=1 k=1
n X
X n
= (1)1+j+i+k a1j aik det((A1j )ik ). (5.7)
j=1 k=1
Se demostrara que la expansion por cofactores en la fila i coincide con esta formula.
Notese que como Cik = (1)i+k det(Aik ), entonces tenemos que:
n
X n
X
Expansion por cofactores en la fila i = aik Cik = (1)i+k aik det(Aik ). (5.8)
k=1 k=1
Ahora, por definicion de determinante tenemos que

n
X
det(Aik ) = (1)1+j a1j det((Aik )1j ). (5.9)
j=1
De las Ecuaciones (5.8) y (5.9) tenemos

n
X n
X
Expansion por cofactores en la fila i = (1)i+k aik (1)1+j a1j det((Aik )1j )
k=1 j=1
Xn Xn
= (1)i+k+1+j aik a1j det((Aik )1j ). (5.10)
k=1 j=1
Finalmente notese que (A1j )ik = (Aik )1j ya que ambas se obtienen al eliminar las filas 1 e i y las columnas j y
k de A. Entonces las Ecuaciones (5.7) y (5.10) son iguales, por tanto
det(A) = Expansion por cofactores en la fila i.
Similarmente se demuestra que el determinante se puede calcular por expansion en cualquier columna.

1 0 1

Ejemplo 5.4. Calcular el determinante de A = 2 0 1 usando expansion por cofactores en la tercera

0 1 0
fila y segunda columna.
Solucion: Usando expansion por cofactores en la tercera fila tenemos:
det(A) = (1)3+1 a31 det(A31 ) + (1)3+2 a32 det(A32 ) + (1)3+3 a33 det(A33 )

0 1 1 1 1 0
= 0 det 1 det + 0 det
0 1 2 1 2 0
= 1(1 + 2) = 1.
Ahora, usando expansion por cofactores en la segunda columna tenemos:
det(A) = (1)1+2 a12 det(A12 ) + (1)2+2 a22 det(A22 ) + (1)3+2 a32 det(A32 )

2 1 1 1 1 1
= 0 det + 0 det 1 det
0 0 0 0 2 1
= 1(1 + 2) = 1.
A continuacion presentamos dos propiedades importantes del determinante cuyas demostraciones son inme-
diatas del teorema anterior.
Corolario 5.4. Sea A una matriz de tamano n n, si A tiene una fila o una columna de ceros, entonces
det(A) = 0.
Demostracion. Supongamos que la i-esima fila de A es nula, esto es, para 1 j n se tiene que aij = 0,
entonces:
n
X
det(A) = Expansion por cofactores en la fila i = aij Cij = 0.
j=1
|{z}
=0
En el caso en que haya una columna de ceros se hace una demostracion similar usando expansion por la columna
de ceros.
162
Corolario 5.5. Sea A una matriz de tamano n n entonces det(At ) = det(A).
Demostracion. Sea B = At , entonces bij = aji y Bij = Atij = Aji , donde Aij y Bij son los ij-esimos menores
de A y de B respectivamente, entonces:
n
X
det(At ) = det(B) = Expansion por cofactores en la columna 1 = bk1 (1)k+1 det(Bk1 )
k=1
n
X
= a1k (1)k+1 det(A1k ) = det(A).
k=1

a11 a12 a1n

0 a22 a21
Corolario 5.6. Sea A =
.. .. .. .. una matriz triangular superior, entonces

. . . .

0 0 a11
Demostracion. Se sigue del Lema 5.1 y del Corolario 5.5.
Terminamos la seccion con la siguiente propiedad del determinante que sera util en el Captulo 6.

B C
Teorema 5.7. Sea A Mn (F) una matriz tal que A = con B Mp (F) y D Mnp (F) entonces
0 D
det A = det B det D.
Demostracion. Por induccion sobre p.

a11 a12 a1n

a22 a2n
0 a22 a2n
.. ..

..
Si p = 1, tenemos que A = .. .. .. .. entonces B = a11 , D =
. . . = A11 y det B =
. . . .
an2 ann
0 an2 ann
a11 . Aplicando cofactores a A a lo largo de la primera columna obtenemos que
det A = a11 C11 + a21 C21 + + an1 Cn1 = a11 det A11 = det B det D.
|{z} |{z} |{z}
=0 =0 =D
Supongamos ahora que el resultado es cierto para submatrices de tamano (p 1) (p 1) y que B =

a11 a1p

.. .. ..
. . . . Aplicando nuevamente cofactores en la primera columna de A obtenemos que

ap1 app
det A = a11 C11 + + ap1 Cp1 + ap+1,1 Cp+1,1 + + an1 Cn1 = a11 det A11 + + (1)p+1 ap1 det Ap1
| {z } |{z}
=0 =0

a22 a2p a12 a1p

.. .. .. .. .. ..
. . . C1 . . . Cp
= a11 det + + (1)1+p ap1 det

ap2 app ap1,2 ap1,p

0 D 0 D

a22 a2p a12 a1p

. .. .. . .. ..
= a11 det .. det D + + (1)1+p ap1 det ..

|{z} . . . . det D

induccion
ap2 app ap1,2 ap1,p
| {z } | {z }
B11 =Bp1
= (a11 det B11 + + (1)p+1 ap1 det Bp1 ) det D

| {z }
formula por cofactores para det B
= det B det D
Problemas
5.1.1. Calcule el determinante de las siguientes matrices

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

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

A=
B=
C=

y D = 0 2 2
1 2 1 0 4 3 0 2 0 0 1 2
3 2 1
3 1 1 1 5 3 0 1 0 0 1 1
5.1.2.

a b 0 0 0
b a b 0 0
0 b a 0 0
5.1.3. Si Tn = det(An ) donde An es de la matriz tridiagonal: An =
... ... ... . . . ... .. entonces Tn = aTn1
.
0 0 0 a b
0 0 0 b a
2
b Tn2
Si a = 2 y b = 1 demuestre que Tn = n + 1. En general demuestre que si a = 2b entonces Tn = (n + 1)bn
Si a = 1 y b = 1 muestre que Tn = Tn1 Tn2 . Muestre que Tn+6 = Tn para todo entero positivo n.
Determine T900 .
a b 0 0 0

b a b 0 0
0 b a 0 0
5.1.4. Si Sn = det(An ) donde An es la matriz tridiagonal An =
... .. .. . . .. .. entonces Sn = aSn1 +
. . . . .
0 0 0 a b
0 0 0 b a
b2 Sn2
164
Si a = 1 y b = 1 demuestre que {Sn } es la sucesion de Fibonacci.

B C
5.1.5. Si A = , det A = 6 y det B = 3, determine det D.
0 D

B 0
5.1.6. Si A = Mn (F) con B Mp (F) y D Mnp (F) entonces det A = det B det D.
C D
5.1.7. Sean A, B Mn (R) matrices triangulares superiores, demuestre que det(AB) = det A det B.
Muestre que esto tambien se cumple si A y B son ambas triangulares inferiores o ambas diagonales. (Ayuda:
Use el Problema 1.2.12.)
5.1.8. Sea A, B y C Mn (R), con A triangular superior, B diagonal y C triangular inferior, demuestre lo
siguiente:
a. det(AB) = det A det B b. det(BC) = det B det C .
5.1.9. Demuestre
la formula del determinante de matrices 2 2 y 3 3.
a b
Si A = , muestre que det(A) = ad bc.
c d

a11 a12 a13

Si A = a21 a22 a23 , muestre que

a31 a32 a33
det(A) = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 a31 a22 a13 a11 a32 a23 a21 a12 a23 .
5.2. Determinantes y operaciones elementales de fila
En esta seccion mostraremos que si E es una matriz elmental y A es una matriz arbitraria, ambas de tamano
n n, entonces det(EA) = det E det A. Esto lo haremos considerando tres casos, uno por cada tipo de matriz
elemental. Este resultado sera util para demostrar que el determinante del producto de matrices es el producto
de los determinantes, resultado que veremos en la proxima seccion.

a11 a1n a11 a1n
. .. . ..
. .. . ..
. . . . . .

Teorema 5.8. Sea A = ai1 ain y B = c ai1 c ain la matriz que se obtiene de A al

. .. .. . .. ..
.. . . .. . .

an1 ann an1 ann
multiplicar una fila i por una constante c, entonces
det(B) = c det(A).
Demostracion. Primero notese que para k = 1, . . . , n se tiene que Bik = Aik , ya que al eliminar la fila i de B
se obtiene la misma matriz que al eliminar la fila i de A. Por tanto,
n
X
det(B) = Expansion por cofactores en la fila i de B = bik (1)i+k det( Bik )
|{z} |{z}
k=1 =ca =Aik
ik
n
X
= c aik (1)i+k det(Aik )
k=1
n
X
=c aik (1)i+k det(Aik ) = c det(A).
k=1
Ejemplo 5.5. El teorema anterior nos dice que si todas las entradas de una fila son multiplos de un real c,
entonces este se puede factorizar de la fila como se muestra a continuacion

1 2 2 1 2 2 1 2 2

det 4 2 6 = det 2 2 2 1 2 (3) = 2 det 2 1 3 .

0 3 2 0 3 2 0 3 2
Del resultado anterior se deduce lo siguiente.
Corolario 5.9. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al multiplicar una
fila por una constante c 6= 0 entonces det(E) = c y det(EA) = det(E) det(A).
Demostracion. Por el Lema 5.1 tenemos que det In = 1 y por el teorema anterior se sigue det E = c det In = c.
Ahora, la matriz EA se obtiene de A al multiplicar la fila i por c, Teorema 1.13, se sigue por el teorema
anterior que
det(EA) = c det A = det E det A.
Ahora pasamos a mostrar el efecto que tiene un intercambio de filas en el determinante de una matriz.

a11 a1n a a1n
11
.. . .. .
.. . .. ..
. .. . .

ai1 ain aj1 ajn

. . . . .. ..
Teorema 5.10. Sea A = . . . .
. y sea B = .
. . la matriz que se obtiene de A al
.
.

a a ain
j1 ajn i1

.. .. .. .. .. ..
. . . . . .

an1 ann an1 ann
intercambiar las filas i y j de A, entonces
det(B) = det(A).
166
Demostracion. Primero supongamos que las filas intercambiadas son consecutivas, es decir,

a11 a1n a11 a1n
. .. . ..
. .. . ..
. . . . . .

ai1 ain a a(i+1)n
A= y B = (i+1)1 .

a(i+1)1 a(i+1)n ai1 ain

. .. .. . .. ..
.. . . .. . .

an1 ann an1 ann
Ahora, notese que b(i+1)k = aik y B(i+1)k = Aik ya que la matriz que se obtiene al eliminar la fila i + 1 de B
coincide con la matriz que se obtiene al eliminar la fila i de A. Por tanto si usamos expansion por cofactores en
la fila i + 1 de B obtenemos:
n
X Xn
det(B) = b(i+1)k (1)i+1+k det(B(i+1)k ) = aik (1)i+1+k det(Aik )
k=1
| {z } | {z } k=1
aik Aik
n
X n
X
= aik (1)(1)i+k det(Aik ) = aik (1)i+k det(Aik ) = det(A).
k=1 k=1
En el caso general, para intercambiar las filas i y j de A se necesitan j i cambios consecutivos de la fila i para
llevarla a la fila j y j i 1 cambios consecutivos de la fila j para llevarla a la fila i, por tanto
det(B) = (1)ji (1)ji1 det(A) = (1)2j (1)2i (1)1 det(A) = det(A).

| {z } | {z } | {z }
=1 =1 =1
De este resultado deducimos los siguiente.
Corolario 5.11. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al intercambiar las
filas i y j entonces det(E) = 1 y det(EA) = det(E) det(A).
Demostracion. Si E se obtiene al intercambiar las filas i y j de In , entonces por el teorema anterior tenemos
que det E = det In = 1.
Por el Teorema 1.13 tenemos que EA es la matriz obtenida de A al intercambiar sus filas i y j, se sigue del
teorema anterior
det EA = det A = det E det A.
Ahora demostramos un par de lemas necesarios para pasar al tercer tipo de matrices elementales.
Lema 5.12. Si A es una matriz n n con dos filas iguales, entonces det(A) = 0.
Demostracion. Supongamos que las filas i y j de A son iguales y sea B la matriz que se obtiene de A al
intercambiar las filas i y j, entonces B = A. Ahora, por el Teorema 5.10 tenemos que det(B) = det(A), por
tanto det(A) = det(A), o equivalentemente, 2 det(A) = 0, concluimos que
det(A) = 0.
Lema 5.13. Sean A, B y C matrices cuyas filas son iguales excepto la fila i y talque la iesima fila de

a11 a1n a11 a1n
. .. . ..
. .. . ..
. . . . . .

C es la suma de las filas i de A y B, es decir, A = ai1 ain , B = bi1 bin y C =

. .. .. . .. ..
.. . . .. . .

an1 ann an1 ann

a11 a1n
.. ..
..
. . .

ai1 + bi1 ain + bin , entonces det(C) = det(A) + det(B).

.. .. ..
. . .

an1 ann
Demostracion. Primero notese que para j = 1, . . . , n se tiene que Cij = Aij = Bij , ya que al eliminar la fila i
de A se obtiene la misma matriz que al eliminar la fila i de B y la misma matriz al eliminar la fila i de C, por
tanto al usar expansion por cofactores en la fila i de C obtenemos
n
X n
X n
X
det(C) = cik (1)i+k Cik = (aik + bik )(1)i+k Cik = aik (1)i+k Cik + bik (1)i+k Cik
|{z}
k=1 a k=1 k=1
ik +bik
n
X n
X n
X n
X
= aik (1)i+k Cik + bik (1)i+k Cik = aik (1)i+k Aik + bik (1)i+k Bik
|{z} |{z}
k=1 Aik k=1 Bik k=1 k=1
= det(A) + det(B).
Este lema se puede usar para reducir ciertos calculos de determinantes como se muestra en el siguiente
ejemplo.

0 3 2

Ejemplo 5.6. Calcular el determinante de la matriz A = 1 1 2.

2 2 2
Solucion. Escribimos las entradas de la segunda fila como una suma de dos numeros

3 2 0 3 2 0 3 2 0 3 2 0

det(A) = det 1 1 2 = det 0 1 0 + 1 2 + 0 = det 0 0 2 + det 1 1 0 .

2 2 2 2 2 2 2 2 2 2 2 2
168
De esta forma obtenemos dos matrices ambas con una fila o una columna con 2 ceros, cuyos determinantes
calculamos usando expansion por dicha fila o columna y obtenemos:

3 2 0 3 2 0

2+3
3 2 3 2

det(A) = det 0 0

2 + det 1

1 0 = (1) 2 det + (1)3+3 2 det
2 2 1 1
2 2 2 2 2 2
= 2(6 4) + 2(3 (2)) = 4 + 10 = 14.
Finalmente a pasamos a mostrar que al sumar un multiplo de una fila a otra fila el determinante se preserva.

a11 a1n a11 a1n

.. . .. .
.. .. .. ..
.

. . .

ai1 ain ai1 ain

. .. . .. .. .
Teorema 5.14. Considere la matriz A = . . .. y sea B = . . la matriz
. . .

a a + ca ajn + cain
j1 ajn j1 i1

.. .. .. .. .. ..
. . . . . .

an1 ann an1 ann
que se obtiene de A al sumar c veces la fila i a la fila j de A, entonces
det(B) = det(A).
Demostracion. Por el lema anterior tenemos que

a11 a1n a a1n a a1n
11 11
.. .. .
.. . .. .. .. .. ..
. . .. . . . . .

ai1 ain

ai1
ain ai1
ain
.. .. .. .
.. .. .. .
.. .. ..
det(B) = det
. . .
= det . . + det . .

a + ca
ajn + cain a ajn ca cain
j1 i1 j1 i1

.. .. .. .. .. .. .. .. ..
. . . . . . . . .

an1 ann an1 ann an1 ann
| {z }
A

a a1n
11
.. .. ..
.
. .

ai1 ain

. .. ..
= det(A) + c det .
. . . = det(A).

a ain
i1

.. .. ..
. . .

an1 ann
| {z }
=0 (Lemma 5.12)
Obtenemos el siguiente resultado.
Corolario 5.15. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al sumar c veces la
fila i a la fila j de I entonces det(E) = 1 y det(EA) = det(E) det(A).
Demostracion. Como E se obtiene de sumar un multiplo de una fila a otra fila, tenemos por el teorema
anterior que det E = det In = 1.
Ahora, la matriz EA se obtiene de A al multiplicar la fila i por c, Teorema 1.13, se sigue por el teorema
anterior que
det(EA) = det A = det E det A.
Resumimos los resultados de la seccion en el siguiente corolario.
Corolario 5.16. Sea A una matriz n n y E una matriz elemental, entonces
det(EA) = det(E) det(A) y det(E) 6= 0.
Mas aun, si E1 , Ek son matrices elementales, entonces
det(E1 Ek A) = det(E1 ) det(Ek ) det(A).
Demostracion. El resultado se sigue por induccion y los corolarios 5.9, 5.11 y 5.15.
Los resultados de esta seccion nos permiten usar operaciones elementales para calcular el determinante de
una matriz. La regla es simple: si intercambiamos dos filas, por el Teorema 5.10, el determinante de la nueva
matriz es menos el determinante de la anterior. Si sumamos un multiplo de una fila a otra fila, por el Teorema
5.14, el determinante no cambia. En teora estas dos operaciones son suficientes para el calculo del determinante
usando operaciones elementales, sin embargo el Teorema 5.8 nos permite factorizar una constante c en una fila
tal como se mostro en el Ejemplo 5.5. Para una mejor ilusatracion presentamos los siguientes ejemplos.

0 3 1

Ejemplo 5.7. Usar operaciones elementales de fila para calcular el determinante de la matriz A = 0 2 3.

2 2 1
Solucion. Para la reduccion lo primero que se hara es intercambiar las filas 1 y 3, entonces por el Teorema
5.10 tenemos que
2 2 1

det A = det 0 2 3 .

0 3 1
Lo siguiente para convertir la matriz en una matriz triangular superior debemos convertir el 3 en la posicion 2, 3
de la matriz en un 0. Para esto podemos sumar 3/2 de la fila 2 a la fila 3. El Teorema 5.14 nos dice que esta
170

2 2 1 2 2 1

operacion no cambia el determinante, por tanto el determinante de las matrices 0 2 3 y 0 2 3

0 3 1 0 0 7/2
(obtenida de la anterior al aplicar la operacion de fila 32 F2 + F3 F3 ) son iguales. Por tanto

2 2 1 2 2 1

det A = det 0 2 3 = det 0 2 3 = 2 2 (7/2) = 14,

0 3 1 0 0 7/2
este ultimo resultado se obtiene del hecho que la matriz a la derecha es triangular superior y por tanto su
determinante es el producto de las entradas en la diagonal. Concluimos que det A = 14.

0 1 2

Ejemplo 5.8. En este ejemplo calculamos el determinante de la matriz A = 2 2 2 de manera rapida,

3 3 2
solo se indica la operacion que se hace, el teorema que se usa y el consecuente resultado.

0 1 2 2 2 2 2 2 2

det A = det 2 2 2 F1 F2 |{z} = det 0 1 =
2 32 F1 +F3 F3 |{z} det 0 1 2 = 10

Tma 5.10 Tma 5.14
3 3 2 3 3 2 0 0 5
Tambien se pudo haber usado el Teorema 5.8 en el segundo paso como se indica a continuacion, sin embargo
como se menciono antes, es suficiente con los Teoremas 5.10 y 5.14 en todos los casos.

0 1 2 2 2 2 1 1 1

det A = det 2 2 2 F1 F2 |{z} = det 0 1 2 = 2 det 0 1 2 3F1 +F3 F3
|{z}
Tma 5.10 Tma 5.8
3 3 2 3 3 2 3 3 2

1 1 1

=
|{z} 2 det 0 1 2 = 2 1 1 5 = 10

Tma 5.14
0 0 5
Problemas
5.2.1. Use operaciones elementales de fila para calcular el determinante de las siguientes matrices

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

2 2 2 4 1 1 1 1
A = 4 5 4 , B = 1 3 2 , C=
y D=

3 2 1 0 2 1 3 1
3 2 1 3 4 3
2 3 1 2 1 1 1 2
5.2.2. Sea A una matriz de tamano 33 invertible, si las operaciones elementales que se aplicaron a A para
llevarla a su forma escalonada reducida son 2F1 + F3 F3 , 2F2 F2 , F2 F3 y F3 + F1 F1 , calcule lo
siguiente
1. det A, usando las propiedades vistas en esta seccion
2. la matriz A y caclule el determinante por cofactores.

1
3. La inversa de A y verifique que det A = det A .
5.2.3. Si E Mn (R) es una matriz elemental, muestre que det E = det1 E .

F1 F1 + F3

5.2.4. Si A = F2 es una matriz con F1 , F2 y F3 las filas de A y det A = 3. Calcule det F1 + F2 .

F3 F2 + F3
5.2.5. Sea A una matriz n n y c R. Muestre que det(cA) = cn det(A).
5.2.6. Si A es una matriz 33 con det A = 3 determine det( 12 A) y det(A).
5.2.7. Si A es una matriz 44 y se sabe que det(2A) = 4, determine det(A) y det(A).
5.2.8. En este problema se propone demostrar que las propiedades del determinante con respecto a operaciones
de fila tambien se cumplen en operaciones columna.
Sean v1 , . . . , vn , w Rn y sea A = [ v1 vn ] la matriz cuyas columnas son los vectores v1 , . . . , vn y R.
Demuestre lo siguiente:
1. det[ v1 vi vn ] = det A.
2. si i < j entonces det[ v1 vj vi vn ] = det A.
3. det[ v1 vi vi vn ] = 0.
4. det[ v1 vi + w vn ] = det[ v1 vi vn ] + det[ v1 w vn ].
5. si i 6= j entonces det[ v1 vi vj vi vn ] = det A.
6. det[ v1 vn ] = n det A.
(Ayuda: Use el hecho que det A = det At .)
5.2.9. Sean A, B Mn (R) con B diagonal, demuestre que det(AB) = det A det B.
Muestre tambien que det(BA) = det B det A. (Ayuda: Use el Problema 1.2.13).
5.2.10. Si B es antisimetrica con n impar entonces det B = 0.

1+a b c

5.2.11. Muestre que det a 1+b c = 1 + a + b + c.

a b 1+c
1 1 1
c1 c2 cn Y
5.2.12. Sea A = .. .. . . .. . Demuestre que det A = (ci cj ). A la matriz A se le llama matriz de
. . . .
n1
c1 n1
c2 cn1 i<j
n
Vandermonde.
172
5.3. Propiedades del determinante

En esta seccion se demuestran dos propiedades importantes del determinante. La primera es que el producto
de los determinantes de estas y la segunda dice que el determinante de la inversa una matriz es el inverso
multiplicativo del determinante de esta. Tambies se establece otra caracterizacion de matrices invertibles en
adicion a las establecidas en el el Corolario 1.22.
Teorema 5.17. Sean A y B matrices n n, entonces det(AB) = det A det B.
Demostracion. Caso 1. Si A es invertible, entonces por el Teorema 1.17 A = E1 Ek con E1 , . . . , Ek matrices

elementales. Entonces del Corolario 5.16 se tiene
det(AB) = det(E1 Ek B) = det E1 det Ek det(B)

| {z }
det(E1 Ek )
= det(E1 Ek ) det B = det A det B.

| {z }
A
Caso 2. Si A no es invertible, entonces por el Teorema 1.15 A = E1 Ek A donde E1 , . . . , Ek son matrices

elementales y A es una matriz en forma escalonada reducida. Como A no es invertible, entonces rango(A) =
rango(A ) < n y como es una matriz cuadrada se debe dar que A tiene al menos una fila de ceros y por tanto
A B tiene una fila de ceros. Se sigue que det(A B) = 0 = det A y usando el Corolario 5.16 tenemos
det(AB) = det(E1 Ek A B) = det E1 det Ek det(A B) = 0,

| {z }
=0
y por otro lado tenemos que
det A det B = det(E1 Ek A ) det B = det E1 det Ek |det

{zA} det(B) = 0.
| {z }
=det E1 det Ek det A =0
De las dos ultimas ecuaciones tenemos que det(AB) = det(A) det(B).

En ambos casos obtenemos la formula deseada.
De los resultados obtenidos para matrices elementales obtenemos la siguiente caracterizacion de matriz in-
vertible.
Teorema 5.18. Sea A una matriz n n, entonces A es invertible si y solo si det A 6= 0.
Demostracion. Supongamos que A es invertible, entonces A = E1 Ek con E1 , . . . , Ek son matrices

elementales, entonces por el Corolario 5.16 tenemos que det E1 6= 0, , . . . , det Ek 6= 0. Usando de nuevo el
Corolario 5.16 tenemos que
det A = det(E1 Ek ) = det E1 det Ek 6= 0.
| {z } | {z }
6=0 6=0
Supongamos que det A 6= 0 y supongamos por el absurdo que A no es invertible, entonces A = E1 Ek A

donde E1 , . . . , Ek son matrices elementales y A es una matriz en forma escalonada reducida. Como A no es
invertible, entonces rango(A) = rango(A ) < n y como es una matriz cuadrada se debe dar que A tiene al
menos una fila de ceros y por tanto det(A ) = 0, luego
det(A) = det(E1 Ek A ) = det(E1 ) det Ek |det

{zA} = 0,
| {z }
det E1 det Ek det A =0
pero esto contradice la hipotesis. Por tanto A es invertible.
Terminamos la seccion con el siguiente resultado que se sigue de lo anterior.
1
Corolario 5.19. Si A es una matriz invertible de tamano n n entonces det(A1 ) = .
det A
Demostracion. Por el teorema anterior det A det(A1 ) = det(A A1 ) = det(I) = 1. Se sigue que
1
det(A1 ) = .
det A
Problemas

2 3 2

1
3, calcule det A, A1 y verifique que det A1 =

5.3.1. Sea A = 2 2 det A .

5 2 1
5.3.2. Sean A y B matrices cuadradas tal que det A = 1 y det AB = 2. Determine det B, det(B 1 ),

det (AB)1 , det(A3 ) y det(AAt ).
5.3.3. Una matriz A Mn (R) se llama nilpotente si Ak = 0 para algun k Z0 . Muestre que si A es nilpotente
entonces det A = 0.
5.3.4. Demuestre que si B es una matriz ortogonal entonces det B = 1.
5.3.5. Demuestre que si P es una matriz proyeccion, es decir P 2 = P , entonces det P = 0 o det P = 1.
5.3.6. Demuestre que si P es una matriz proyeccion entonces P = I si y solo si det P = 1. (Ayuda: Use el
Problema 4.3.9 .)
5.3.7. Sean A, B Mn (R), demuestre que det(AB) = det(BA). Si A es invertible muestre que det(ABA1 ) =
det B.
5.3.8. Demuestre que si A, B Mn (R) con n impar y AB = BA entonces det A = 0 o det B = 0.

174
5.4. Matriz Adjunta
En esta seccion se define la matriz adjunta de una matriz A cuadrada. La principal motivacion para definir
esta matriz es que la podemos usar para deducir una formula de la inversa de la inversa de A cuando A es
invertible. Si A no es invertible mostraremos que el producto de A por su adjunta es la matriz nula.
Definicion 5.4. Sea A una matriz de tamano nn, definimos la matriz adjunta de A como la matriz definida
por
t
C11 C12 C1n C11 C21 Cn1

C21 C22 C2n C12 C22 Cn2
Adj(A) =
.. .. ..
=
.. .. .. .. .. ,

. . . . . . . .

Cn1 Cn2 Cnn C1n C2n Cnn
donde Cij = (1)i+j det(Aij ) es el ij-esimo cofactor de A.

1 2 3

Ejemplo 5.9. Sea A = 1 4 7, calcule la matriz adjunta de A.

1 6 0
Solucion. Los cofactores de A son

4 7 1 7
C11 = (1)1+1 det = 42 C12 = (1)1+2 det =7
6 0 1 0

1 4 2 3
C13 = (1)1+3 det =2 C21 = (1)2+1 det = 18
1 6 6 0

1 3 1 2
C22 = (1)2+2 det = 3 C23 = (1)2+3 det = 4
1 0 1 6

2 3 1 3
C31 = (1)3+1 det =2 C32 = (1)3+2 det = 4
4 7 1 7

1 2
C33 = (1)3+3 det = 2.
1 4
Se sigue que la matriz adjunta esta dada por:

C C21 C31 42 18 2
11

adj(A) = C12 C22 C32 = 7 3 4 .

C13 C23 C33 2 4 2
El siguiente lema es crucial para mostrar la formula de la inversa de una matriz invertible en terminos de
la adjunta de A.

a11 a1n

. .. ..
Lema 5.20. Sea A = .. . . entonces ai1 Cj1 + + ain Cjn = 0 si 1 i 6= j n, donde Cik es el

an1 ann
ik-esimo cofactor de A. Es decir, la expansion por cofactores en la fila j con coeficientes en otra fila i (i 6= j)
se anula.
Demostracion.
Sea B una matriz con las mismas filas de A excepto la fila j en donde se repite la fila i, es
a a1n
11
.. .. ..
.
. .

ai1 ain

. . ..
decir B = . . . . . Notese que para k = 1, . . . , n se tiene que Ajk = Bjk ya que al eliminar la j-esima
.

a
i1 ain

.. .. ..
. . .

an1 ann
fila de A se obtiene la misma matriz que al eliminar la j-esima fila de B. Ademas el determinante de B es cero
por tener dos filas iguales. Entonces tenemos que
0 = det(B) = Expansion en cofactores de la fila j de B

n
X Xn
= bjk (1)j+k det(Bjk ) = aik (1)j+k det(Ajk )
k=1
|{z} |{z} k=1
| {z }
aik Ajk Cjk
n
X
= aik Cjk = ai1 Cj1 + + ain Cjn .
k=1
A continuacion se deduce una formula para la inversa de una matriz invertible usando la adj(A).
Teorema 5.21. Sea A una matriz de tamano n n, entonces
A adj(A) = det(A) I.
De esto se sigue que

1
1. si A es invertible entonces A1 = adj(A),
det(A)
2. si A no es invertible entonces A adj(A) = 0.

a11 a1n C11 Cn1

.. .. .. y adj(A) = ...
. .. ..
Demostracion. Sea A = . . . . , donde Cij es el ij-esimo cofactor

an1 ann C1n Cnn
de A. Entonces llamando dij a la ij-esima entrada de la matriz A adj(A), tenemos que

0 si i 6= j (Lema 5.20),
dij = ai1 Cj1 + + ain Cjn =

det(A) si i = j (Teorema 5.3.)
176
Por tanto

d11 d12 d1n
|{z} |{z} |{z}
=det(A) =0 =0

det(A) 0 0

d21 d22 d2n
|{z}
|{z} |{z}
0 det(A) 0
A adj(A) = =0 =det(A) =0 =
.. .. .. ..
= det(A) I.
(5.11)
. .. .. .. .
. . . . .
. . .
0 0 det(A)

dn1
|{z} dn2 dnn
|{z} |{z}
=0 =0 =det(A)
1
Ahora, si A es invertible se tiene que det(A) 6= 0 y de la Ecuacion (5.11) se sigue que A adj(A) = I.
det(A)
Por tanto
1
A1 = adj(A).
det(A)
En el caso en que A no es invertible, tenemos que det(A) = 0 y la Ecuacion (5.11) se convierte en A adj(A) =
0.

1 2 3

Ejemplo 5.10. Sea A = 1 4 7 calcule el determinante de A y la inversa de A.

1 6 0
Solucion. Por el ejemplo anterior sabemos que la matriz adjunta de A esta dada por:

C11 C21 C31 42 18 2

adj(A) = C12 C22 C32 = 7 3 4 .

C13 C23 C33 2 4 2
El determinante de A lo calculamos por expansion por cofactores en la tercera fila, usando los cofactores C31 ,
C32 y C33 que se calcularon en el ejemplo anterior, tenemos que
det(A) = a31 C31 + a32 C32 + a33 C33 = 1 2 + 6 (4) + 0 2 = 22
Luego, la inversa de A esta dada por

42 18 2
1 1
A1 =

adj(A) = 7 3 4 .
det(A) 22
2 4 2
Problemas
5.4.1. Calcule la adjunta de las siguientes matrices

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

2 2 2 4 1 1 1 1
A = 4 5 4 , B = 1 3 2 , C=

y D=

3 2 1 0 2 1 3 1
3 2 1 3 4 3
2 3 1 2 1 1 1 2
Use los calculos para determinar la inversa de las que son invertibles.
5.4.2. Sea A Mn (R) una matriz invertible y B = Adj(A),
1
1. demuestre que B 1 = det A A,
2. demuestre que det B = (det A)n1 ,
3. Si n = 4 y det B = 8 calcule det A.

2 3 2

4. Determine las posibles A tal que adj(A) = 2 2 3.

3 2 1
5. Demuestre que si n es impar entonces det(adj(A)) es positivo.
5.4.3. Sea A Mn (R) una matriz invertible. Demuestre que la matriz adj(A) es invertible y que adj(A)1 =
adj(A1 ).
5.4.4. Sea A Mn (R) una matriz no invertible y no nula, demuestre que adj(A) no es invertible y por tanto
det(adj(A)) = 0.

a11 a1n

.. .. ..
5.4.5. Sea A = . . . , demuestre que la expansion por cofactores en la columna j con coeficientes

an1 ann
tomados de la columna i, i 6= j, se anula. Es decir a1i C1j + + ani Cnj = 0.
Use esto para demostrar que adj(A)A = det(A)I.
5.4.6. Si A es simetrica invertible entonces A1 es simetrica. (Ayuda: Muestre que Aij = Atji .)
5.4.7. Sea A Mn (R), demuestre que Col(A) N ul(adj(A)) y Col(adj(A)) N ul(A).

Deduzca que rango(A) + rango(adj(A)) n.
5.4.8. A Mn (R) con rango(A) = n 1, muestre que rango(adj(A)) = 1.
5.5. La Regla de Cramer
En esta seccion corta se presenta el resultado conocido como la regla de Cramer. Este metodo da una formula
para calcular la solucion a un sistema con solucion unica, cuando la solucion no es unica no se puede aplicar
este metodo. El metodo es ademas computacionalmente ineficiente, lo que lo hace poco util. Tal vez el metodo
pueda servir en el caso en que no se necesite el valor de todas la incognitas en un sistema, como es el caso en
el Problema 5.5.2. La seccion puede ser obviada y la hacemos solo por mostrar la demostracion del metodo para
los lectores que les resulte interesante.
178
Teorema 5.22. (Regla de Cramer) Sea Ax = b un sistema de ecuaciones con A una matriz n n invertible.
Sea A = [ C1 Cn ] con C1 , . . . , Cn las columnas de A y para i = 1, . . . , n definimos Ai como la matriz que
se obtiene al reemplazar la i-esima columna de A por el vector b. Es decir,
A1 = [ b C2 Cn ], A2 = [ C1 b Cn ], ..., An = [ C1 C2 b ].
Entonces la solucion unica al sistema esta dada por
det(A1 ) det(A2 ) det(An )

x1 = , x2 =, . . . , xn = .
det(A) det(A) det(A)

x1

..
Demostracion. El sistema tiene solucion unica unica x = . , esto lo garantiza el Teorema 1.12 porque A

xn
es invertible. Entonces
x1
h i
..
b = Ax = C1 Cn . = x1 C1 + + xn Cn .

xn
Ahora, para 1 i n fijo, por las propiedades del determinante enunciadas en el Problema 5.2.8 se tiene que:
h i
det(Ai ) = det C1 b Cn
h i
= det C1 x 1 C1 + + x n Cn Cn
h i h i
= det C1 x1 C1 Cn + + det C1 xi Ci Cn
h i
+ + det C1 xn Cn Cn
h i h i
=x1 det C1 C1 Cn + + xi det C1 Ci Cn
| {z } | {z }
=0 (por columna repetida) =A
h i
+ + xn det C1 Cn Cn
| {z }
=0 (por columna repetida)
=xi det(A).
det(Ai )
Al despejar xi de esta ecuacion obtenemos xi = .
det(A)
3x + 2y z = 0
Ejemplo 5.11. Resolver el sistema x + 3z = 0 usando la regla de Cramer.
x + z=1

3 2 1 0

Solucion. Primero escribimos el sistema en la forma Ax = b con A = 1 0 3 y b = 0 . Despues

1 0 1 1
necesitamos los determinantes de las matrices de A1 , A2 , A3 y A.

0 2 1

2 1
det(A1 ) = det 0 0 3 = 1 det =6
0 3
1 0 1

3 0 1

3 1
det(A2 ) = det 1 0 3 = 1 det = 8
1 3
1 1 1

3 2 0

1 0
det(A3 ) = det 1 0 0 = 2 det =2
1 1
1 0 1

3 2 1

1 3
det(A) = det 1 0 3 = 2 det =8
1 1
1 0 1
Por tanto, por la Regrla de Cramer, la solucion al sistema esta dada por
det(A1 ) 6 3 det(A2 ) 8 det(A3 ) 2 1

x= = = y= = = 1 y z = = = .
det(A) 8 4 det(A) 8 det(A) 8 4
Problemas
5.5.1. Use el metodo de Cramer para calcular la solucion al sistema Ax = b si

2 1 0 1 1 2 0 1

a. A = 1 2 1 y b = 2 b. A = 0 1 1 y b = 2

0 1 2 3 1 0 1 1

x + y + z + 2t = 0

x + z+t=1
5.5.2. Determine el valor de y en la solucion al sistema .

y+z+t=0

x + y + z + t = 0
5.6. Interpretacion Geometrica del Determinante
En esta seccion le daremos una interpretacion geometrica al determinante. Veremos como usarlo para calcular
volumenes de paraleleppedos en cualquier dimension. Tambien mostraremos como el proceso de Gramm-Schmidt
puede ser util para el mismo objetivo. Comenzamos con la siguiente definicion.
180
Definicion 5.5. Si se tienen dos vectores v1 , v2 R2 , se define el paralelogramo determinado por v1 y v2 ,

como el paralelogramo con vertices en los extremos de los vectores v1 , v2 y v1 + v2 y en el origen.
Similarmente, se define el paraleleppedo determinado por los vectores v1 , v2 , v3 R3 como el para-
leleppedo con vertices en los extremos de los vectores v1 , v2 , v3 , v1 + v2 , v1 + v3 , v2 + v3 , v1 + v2 + v3 y en el
origen.
v2 + v3
v1 + v2 + v3
v1 + v2
v2 v3 v1 + v3
v2
v1
b b
O O v1 + v2
Paralelogramo determinado v1
por v1 y v2 Paraleleppedo determinado por v1 , v2 y v3
En general el n-ppedo determinado por n vectores en Rn es el n-ppedo con vertices en los extremos de
los 2n vectores vi1 + + vik con k entre 1 y n y el origen. Es decir, los vertices del paraleleppedo n-dimensional
son el origen y los extremos de todos los vectores que se son sumas de k de los vectores originales, con k variando
de 1 a n.
El siguiente resultado es el mas importante de la seccion. En este se establece la relacion entre el volumen
del n-ppedo determinado por n vectores en Rn y el determinante de la matriz que estos forman. De esta forma,
el teorema provee una interpretacion geometrica del determinante.
Teorema 5.23. Sean v1 , . . . , vn Rn n vectores linealmente independientes y sea A = [ v1 . . . vn ] la matriz

cuyas columnas son los vectores v1 , . . . , vn . Entonces para n 3 tenemos que
| det A| = volumen del paraleleppedo n dimensional determinado por los vectores v1 , . . . , vn .
Las barras denotan el valor absoluto de det A.

En el caso n = 2 se tiene que | det A| = area del paralelogramo determinado por v1 y v2 .
La demostracion se hara al final de la seccion.

1 2
Ejemplo 5.12. Sean v1 = y v2 = . Por el teorema anterior tenemos que el area A del paralelogramo
2 2
determinado por v1 y v2 esta dada por

i
h 1 2
A = det v1 v2 = det
= | 2 4| = | 6| = 6.

2 2
Mas especificamente el paralegramo tiene un area de 6 unidades cuadradas.

0 2 0

Ejemplo 5.13. Sean v1 = 2, v2 = 1 y v3 = 2, calcular el volumen del paraleleppedo determinado por

3 0 2
estos vectores.
Solucion. Sea V el volumen de este paraleleppedo, de acuerdo al Teorema 5.23 tenemos que

0 2 0

h i

2 2
V = | det v1 v2 v3 | = 2 1 2 = 2 = | 2(4 6)| = 4.

3 2
3 0 2
En este caso el resultado es 4 unidades cubicas.
En general, si tenemos k vectores v1 , . . . , vk linealmente independientes en Rn , el paraleleppedo determinado

por estos vectores, es un paraleleppedo k dimensional en Rn . El siguiente resultado nos da una formula para
calcular el volumen de este paraleleppedo.
Teorema 5.24. Sean v1 , . . . , vk vectores linealmente independientes en Rn y sea A = [ v1 vk ] la matriz for-

mada por estos vectores. El volumen V del paraleleppedo k dimensional determinado por los vectores v1 , . . . , vk
esta dado por
V = ||w1 || ||wk || = (q1 v1 ) (qk vk ),
donde w1 , . . . , wk son los vectores ortogonales que se obtienen al aplicar el proceso Gramm-Schmidt a los vectores
v1 , . . . , vk y q1 , . . . , qk son los correspondientes vectores ortonormales obtenidos de normalizar los wi s.
Demostracion. Procedemos de manera inductiva. Si k = 2 tenemos que w1 = v1 y w2 es perpendicular a v1

y, de acuerdo al proceso Gramm-Schmidt, w2 = v2 proyv1 v2 es perpendicular a v1 . Mas aun, como proyv1 v2
es el multiplo de v1 mas cercano a v2 tenemos que w2 es la altura del paraleogramo formado por v1 y v2 :
v2
w2
||w2 ||
v1 = w1
Se sigue que el area del paralelogramo determinado por v1 y v2 = |{z}

base altura
| {z } = ||w1 || ||w2 ||.
=||w1 || =||w2 ||
Si k = 3, tenemos que w3 = v3 proygen{v1 ,v2 } v3 es perpendicular al plano generado por v1 y v2 y ademas
la magnitud de este vector es la altura del paraleleppedo formado por v1 , v2 y v3 . Esto ya que el vector
proygen{v1 ,v2 } v3 es el vector en el subespacio gen{v1 , v2 } mas cercano a v3 . Notese ademas que la base de este
paraleleppedo es el paralelogramo formado por los vectores v1 y v2 y por el caso anterior tenemos que el area
de la base es ||w1 || ||w2 ||.
w3 v3
||w3 ||
v2
b
O
v1
182
Entonces tenemos que el volumen V de este paraleleppedo determinado por v1 , v2 y v3 esta dado por
V = |area de{zla base} |altura

{z } = ||w1 || ||w2 || ||w3 ||.
=||w1 || ||w2 || =||w3 ||
En el caso general se observa que wk es la altura del paraleleppedo (k 1)-dimensional determinado por los
vectores v1 , . . . , vk1 , con volumen ||w1 || ||wk1 || y por tanto el volumen V del paraleleppedo formado por
los k vectores esta dado por
V = area de la base altura = ||w1 || ||wk1 || ||wk ||.
Para terminar la demostracion veamos que para cada i = 1, . . . k se tiene que ||wk || = qi vi . Para esto es
suficiente notar que el angulo formado por wi y vi es el mismo angulo entre qi y vi . Esto ya que qi ||w1i || wi es
multiplo de wi .
wi
vi
qi
adyacente ||wi ||
El triangulo en esta figura es un triangulo rectangulo, entonces se tiene ademas que cos = hipotenusa = ||vi || .
Por tanto
||wi ||
qi vi = ||qi || ||vi ||cos = ||vi ||cos = ||vi || = ||wi ||.
|{z} ||vi ||
=1
Concluimos que el volumen V del paraleleppedo formado por los vectores v1 , . . . , vk esta dado por
V = ||w1 || ||wk || = (q1 v1 ) (qk vk ).
Observacion 5.2. Si v1 , . . . , vk son vectores linealmente independientes en Rn , A = [ v1 vk ] y A = QR

es la descomposicion QR de la matriz entonces el volumen V del paraleleppedo determinado por los vectores
v1 , . . . , vk esta dado V = | det R|.

q1 v 1 q1 v k

.. .. ..
Esto se sigue del hecho que R = . . . .

0 qk v k
Ejemplo 5.14. Determine el volumen V del paraleleppedo en R4 determinado por los vectores v1 = (1, 1, 0, 0)
v2 = (0, 1, 1, 0) y v3 = (1, 0, 0, 1).
Solucion. En el Ejemplo 4.33 calculamos que los vectores q1 , q2 y q3 estan dados por

1 1 1
6

2 12

1 1 1
,
q1 = 2 q2 =
6
y q3 =
12

0 2 1
6 12
0 0 3
12
Se calculo ademas que q1 v1 = 2 , q2 v 2 = 3 y q3 v 3 = 4 . Por tanto el volumen V esta dado por

2 6 12
2 3 4
V = (q1 v1 )(q2 v2 )(q3 v3 ) = = 2.
2 6 12
Es decir, paraleleppedo tiene un volumen de dos unidades cubicas.

2 1

Ejemplo 5.15. Sean v1 = 3 y v2 = 4 vectores en R3 , determine el area del paralelogramo en R3

3 4
determinado por estos vectores.
Solucion. Necesitamos calcular los vectores ortonormales q1 y q2 que se obtienen al aplicar el proceso Gramm-
Schmidt a los vectores v1 y v2 .
1 2 3

v2 v1 22
Primero hacemos w1 = v1 y w2 = v2 proyv2 v1 = v2 v1 v1 v1 = 4 22 3 = 1 .

4 3 1

2 3

Normalizando los vectores w1 y w2 obtenemos q1 = 122 3 y q2 = 111 1 .

3 1
Tenemos que el area A del paralelogramo es
1 1
A = (q1 v1 )(q2 v2 ) = 22 10 = 10 2 14,1.
22 11
Observacion 5.3. La Proposicion 5.24 tambien se puede usar para calcular areas de triangulos en Rn como
se describe a continuacion. Si A, B y C tres puntos no colineales en Rn , definimos v1 como el vector cuyas
coordenadas son las entradas del punto A C y v2 el vector el vector cuyas coordenadas son las entradas del
a1 c 1

..
punto B C. Es decir, si A = (a1 , . . . , an ), B = (b1 , . . . , bn ) y C = (c1 , . . . , cn ) entonces v1 = . y

an c n

b1 c 1

.
v2 = .. . Para el area del triangulo simplemente notamos que

bn c n
1
area del triangulo ABC = area del paralelogramo determinado por v1 y v2 .
2
b
A
C b
b
B
v1
O b
v2
184
Ejemplo 5.16. Sean A = (1, 2, 3), B = (2, 3, 4) y C = (1, 1, 0) en R3 , calcular el area del triangulo ABC.
Solucion: El vector v1 tiene por coordendas las entradas del punto A menos las entradas del punto C y el
2

vector v2 tiene por coordendas las entradas del punto B menos las entradas del punto C. Es decir, v1 = 3

3

1

y v2 = 4.

4

En el Ejemplo 5.15 se calculo que el area del paralelogramo determinado por estos dos vectores es 10 2
unidades cuadradas, por tanto:
1 1
area del triangulo ABC = area del paralelogramo determinado por v1 y v2 = 10 2 = 5 2 7,0,7
2 2
Similarmente se puede calcular el volumen de una piramide en Rn dados 4 puntos no co-planares. Ver
Problema 5.6.5.
Finalizamos la seccion con la demostracion del Teorema 5.23.
Demostracion del Teorema 5.23. Sea A = [ v1 vn ] y sean Q y R tal que A = QR es la descomposicion

QR de la matriz. Entonces Q es ortogonal cuadrada y por tanto Qt = Q1 o equivalentemente Qt Q = I. Se
sigue que
1 = det I = det Qt Q = det Qt det Q = det Q det Q = (det Q)2 .
Se deduce que det Q = 1, luego | det Q| = 1. Por la Observacion 5.2 tenemos que el volumen V del parale-
leppedo n dimensional determinado por los vectores v1 , . . . , vn esta dado por V = | det R|. Tenemos entonces
que
| det A| = | det Q det R| = | det Q| | det R| = | det R| = V.
| {z }
=1
Concluimos que dicho volumen esta dado por V = | det A| = | det[ v1 vn ]|.

1 2 1 0

2 1 1 2
Ejemplo 5.17. (Matlab) Sean v1 = , v 2 = , v 3 = y v 4 =
, calcular el volumen del

3 0 2 2

0 2 2 0
paraleleppedo 4-dimensional formado por estos vectores.
h i
Solucion. Para calcular el volumen necesitamos calcular el determinante de la matriz A = v1 v2 v3 v4
el cual calculamos usando Matlab
>> A = [1, 2, 1, 0; 2, 1, 1, 2; 3, 0, 2, 2; 0, 2, 2, 0]; det(A)
el resultado que se obtiene en este caso es que det A = 12. Por tanto el volumen V del paraleleppedo es
V = | 12| = 12.
Problemas
5.6.1. Calcule el area del paralelogramo determinado por el par de vectores dados

3 1 1 4
a. v1 = y v2 = . b. v1 = y v2 = .
2 4 1 1
5.6.2. Calcule el volumen del paraleleppedo determinado por los vectores dados

3 1 1 1 2 4

a. v1 = 1 , v2 = 3 y v3 = 1 . b. v1 = 1 , v2 = 1 y v3 = 1 .

1 1 3 1 0 1
5.6.3. Considere los vectores v1 , v2 , v3 , v4 y v5 en R5 con coordenadas (1, 4, 2, 2, 3), (1, 1, 1, 1, 2), (1, 0, 0, 4, 1),
(1, 3, 1, 5, 0) y (1, 0, 0, 1, 2), respectivamente. Calcule lo siguiente:
1. el volumen del paraleleppedo 5-dimensional determinado por v1 , v2 , v3 , v4 y v5 ,
2. el volumen del paraleleppedo 4-dimensional determinado por los vectores v1 , v2 , v3 y v4 ,
3. el volumen del paraleleppedo 3-dimensional determinado por los vectores v1 , v2 y v3 ,
4. el area del paralelogramos determinado por los vectores v1 y v2
5.6.4. Determine el area del triangulo determinado por los puntos:
1. A : (1, 0, 1), B : (1, 3, 1) y C : (1, 2, 3) en R3 .
2. A : (1, 0, 0, 1), B : (1, 3, 1, 0) y C : (1, 0, 0, 1) en R4 .
3. A : (1, 0, 0, 4, 1), B : (1, 3, 1, 5, 0) y C : (1, 0, 0, 1, 2) en R5 .
5.6.5. Sean A = (2, 1, 3, 4, 1, 0), B = (1, 1, 1, 1, 0, 1), C = (3, 5, 0, 0, 1, 1) D = (1, 2, 3, 4, 5, 6). Calcule el volumen
de la piramide en R6 con vertices en los puntos A, B, C, D. Ayuda: Defina los vectores v1 , v2 y v3 con coordenadas
AD, B D y C D, respectivamente. Calcule al volumen del paraleleppedo determinado por estos tres vectores
y note que el volumen de la piramide es 1/6 del volumen del paraleleppedo.
5.6.6. Sean A : (1 , . . . , n ), B : (1 , . . . , n ) y C : (1 , . . . , n ) tres puntos en Rn y sean v1 y v2 los vectores

con coordenadas (1 1 , . . . , n n ) y (1 1 , . . . , 1 n ), respectivamente. Demuestre que los puntos A,
B y C son colineales si y solo si det[ v1 v2 ] = 0. (Un conjunto de puntos es colineal si existe una lnea que los
contiene.)
5.6.7. Sean A : (1 , . . . , n ), B : (1 , . . . , n ), C : (1 , . . . , n ) y D : (1 , . . . , n ) cuatro puntos en Rn y sean

v1 , v2 y v3 los vectores con coordenadas (1 1 , . . . , n n ), (1 1 , . . . , 1 n ) y (1 1 , . . . , n n ),
respectivamente. Demuestre que los puntos A, B, C y D son coplanares si y solo si det[ v1 v2 v3 ] = 0. (Un
conjunto de puntos es coplanar si existe un plano que los contiene.)
186
Captulo 6
Valores y Vectores Propios
En este captulo estudiaremos los valores y vectores propios de una matriz. Este topico es uno de los mas
importantes en el algebra lineal y tal vez el que tiene mas aplicaciones conocidas dentro de las matematicas y a
otras areas. El objetivo principal es estudiar la diagonalizacion de matrices y los criterios para que una matriz
sea diagonalizable. Dado que los valores propios de una matriz son las races del polinomio caracterstico, todas
las matrices en este captulo se tomaran con entradas en C, el conjunto de los numeros complejos, debido a que
a cada matriz le asociaremos un polinomio, cuyas races juegan un papel importante en la teora y necesitamos
garantizar que el polinomio de grado n tiene exactamente n races contando multiplicidades.
6.1. Polinomio Caracterstico
En esta seccion se introducen los conceptos de polinomio caracterstico, valores propios, vectores propios y
subespacios propios de una matriz. Tambien se definen las multiplicidades algebraica y geometrica de un valor
propio. Veremos que los valores propios son las races del polinomio caracterstico y demostraresmos algunas
propiedades de de los valores propios y vectores propios. Comenzamos con el siguiente lema del cual se sigue la
definicion de polinomio caracterstico.
Lema 6.1. Sea A Mn (C) e I la matriz identidad, entonces det(A xI) es un polinomio en x de grado n. El
coeficiente del monomio xn en este polinomio es (1)n .
Demostracion. Procedemos por induccion sobre n siendo el caso n = 1 inmediato.

Para k < n y toda B Mk (C), supongamos que det(B xI) es un polinomio de grado k y que (1)k es el
coeficiente de xk .
Sean aij (i, j = 1, . . . , n) las entradas de A y sea C = A xI. Aplicando cofactores en la primera fila de
A xI tenemos que
det(A xI) = det C = (a11 x) det C11 + + (1)1+n a1n det C1n , (6.1)
187
188
donde C1i (i = 1, . . . , n) es la matriz que se obtiene despues de eliminar la fila 1 y la columna i de C.

Es facil ver que C11 = A11 xI, donde A11 es la matriz que se obtiene despues de eliminar la fila 1 y la
columna 1 de A. Se sigue por induccion que det C11 = (1)n1 xn1 + terminos de grado menor a n 1.
Por otra parte, aplicando cofactores en la fila i de C1i , para i = 2, . . . , n, se tiene que det C1i = (1)n2 xn2 +
terminos de grado menor a n 2. Por tanto, de (6.1) tenemos que

det(A xI) = (a11 x) (1)n1 xn1 + terminos de grado menor a n 1
+ otros terminos de grado menor a n 2
= (1)n xn + terminos de grado menor a n.
Definicion 6.1. Sea A Mn (C) una matriz, al polinomio det(A xI) se le llama el polinomio caraterstico de
A y este sera denotado por pA (x).

1 1
Ejemplo 6.1. El polinomio caraterstico de la matriz A = es el polinomio:
2 0

1x 1
pA (x) = det(A xI) = det = (1 x)(x) 2 = x2 x 2.
2 x
La razon por la cual en esta seccion estamos considerando matrices con entradas en los complejos, es con el
fin de poder usar el Teorema fundamental de algebra, el cual dice que todo polinomio de grado n con coeficientes
en los complejos, tiene exactamente n races contando multiplicidades. Por lo tanto para toda matriz compleja,
su polinomio caraterstico tiene n races. Estas races juegan un papel importante en la matriz A, ya que estas
coinciden con los valores propios de A. Esto lo mostraremos en el siguiente lema, despues de definir valor propio
de una matriz.
Definicion 6.2. Sea A Mn (C), decimos que C es un valor propio de A si existe un vector v 6= 0 tal que
Av = v. En este caso decimos tambien que v es un vector propio de valor propio .
Lema 6.2. Sea A Mn (C), tenemos las siguientes caracterizaciones de valor propio para A.
C es un valor propio de A si y solo si N ul(A I) 6= 0 si y solo si es una raz de pA (x).
Demostracion. Esto lo podemos ver por equivalencias como sigue.
es un valor propio de A si y solo si existe v 6= 0 tal que Av = v
si y solo si existe v 6= 0 tal que (A I)v = 0
si y solo si existe v 6= 0 tal que v Nul(A I)
si y solo si A I no es invertible (Por el Corolario 1.22)
si y solo si 0 = det(A I) = pA () (Por el Teorema 1.22)
si y solo si es un raz de pA (x).

Sea A Mn (C), si es un valor propio de A, los vectores propios de valor propio forman un subespacio
de Cn . Ademas este espacio coincide con N ul(A I).
Lema 6.3. Sea C, tenemos lo siguiente
1. el conjunto E() = {v Cn | Av = v} es un subespacio de Cn .
2. E() = N ul(A I) y se tiene ademas que E() 6= {0} si y solo si es un valor propio.
Demostracion. Le demostracion de este hecho es facil y lo dejamos como ejercicio.
Definicion 6.3. Si C es un valor propio, al subespacio E() = N ul(A I) lo llamaremos el subespacio

propio de valor propio .
Del Lema 6.2 se deduce el siguiente procedimiento para calcular los valores y vectores propios de una matriz.
Procedimiento 6.1. (Procedimiento para calcular los valores y vectores propios)
1. Se calcula el polinomio caracterstico pA (x) = det(A xI),
2. Se resuelve la ecuacion pA (x) = 0, cuyas races corresponden a los valores propios.
3. Para cada valor propio encontrado en en el paso anterior, se calcula una base para N ul(A I). Los vectores
en dicha base son vectores propios de valor propio .

3 5
Ejemplo 6.2. Sea A = , calcular los valores y vectores propios de A y determine los subespacios
2 4
propios.
Solucion. El polinomio caracteristico de A, esta dado por

3 x 5
pA (x) = det(A xI) = det = x2 x 2 = (x 2)(x + 1).
2 4x
Despues se resuelve la ecuacion pA (x) = (x 2)(x + 1) = 0, cuyas soluciones son x = 2 y x = 1. Tenemos

por tanto para A dos valores propios: 1 = 2 y 2 = 1.
Ahora se calulan bases para N ul(A i I) con i = 2 e i = 1.

5 5
Para 1 = 2 tenemos que N ul(A 2I) = N ul , cuya forma escalonada reducida esta dada por
2 2

1 1
. De esto se sigue que
0 0

x x y 1
N ul(A 2I) si y solo si x = y si y solo si = = y .]
y y y 1
190

1
Concluimos que v1 = es un vector propio de valor propio 1 = 2.
1

2 5
Ahora calculamos N ul(A 2 I) con 2 = 1. Es decir, N ul(A + I) = N ul . La forma escalonada
2 5

1 5/2
reducida de esta matriz esta dada por . Por tanto tenemos que
0 0

5 5
x x y
N ul(A + I) si y solo si x = 5 y si y solo si = 2 = y 2 .
y 2 y y 1

5
Se sigue que v2 = 2 es un vector propio de valor propio 2 = 1.
1
En conclusion
la matriz
tiene valores propios
1=2y 2 = 1 y los correspondientes subespacios propios
5
1
son E(2) = gen v1 = y E(1) = gen v2 = 2 .
1 1
b
Observacion 6.1. Es importante notar que los subespacios propios son subespacios invariantes bajo una trans-
formacion lineal. En el ejemplo anterior si consideramos la transformacion T definida por T (v) = Av, entonces
los subespacios E(2) y E(1) son invariantes bajo T
+ E(2) + T (E(2) )
T T (v1 )
+ +
+
v1 +
E(1) T (E(1) )
v2
+ + + b + + + + + + b + + +
O O
T (v2 )
+ +
+ +
+ +
Los vectores en la lnea E(1) son enviados por T a la misma lnea. Mas especificamente, para v E(1) ,
T (v) = Av = v, esto por ser un vector de valor propio 1. Similarmente, vectores en la lnea E(2) son
enviados por T a la misma lnea y en este caso para v E(2) se tiene que T (v) = Av = 2v por ser un vector de
valor propio 2. Tambien se sigue del Lema 6.2 que las lneas E(1) y E(2) son las unicas lneas invariantes bajo
multiplicacion por la matriz A.
El hecho de que en general los subespacios propios E() son invariantes bajo multiplicacion por la matriz A es
facil de ver. De hecho si v E() entonces Av = v, y como E() es un subespacio, se sigue que Av = v E() .
Por tanto A(E() ) E() .
En el ejemplo anterior tambien se puede verificar que los vectores propios encontrados son linealmente
independientes. Esto no es una casualidad, de hecho vectores propios correspondientes a valores propios distintos
son linealmente independientes.
Teorema 6.4. Sea A Mn (C) y sean v1 , . . . , vk vectores propios con valores propios 1 , . . . , k , respectivamen-
te. Si los i son diferentes entre s entonces los vectores v1 , . . . , vk son linealmente independientes.
Demostracion. Procedemos por induccion sobre k.

Si k = 2 vamos a demostrar que v1 y v2 son LI. Para esto supongamos que existen escalares 1 y 2 tal que
1 v 1 + 2 v 2 = 0 (6.2)
multiplicando por A ambos lados obtenemos 1 Av1 +2 Av2 = 0, equivalentemente

|{z} |{z}
1 v 1 2 v 2
1 1 v1 + 2 2 v2 = 0. (6.3)
Ahora, multiplicando la Ecuacion (6.2) por 1 obtenemos
1 1 v1 + 2 1 v2 = 0. (6.4)
Restando la Ecuacion (6.4) de la Ecuacion (6.3) tenemos que 2 (1 2 )v2 = 0. Pero como 1 6= 2 , es decir,
1 2 6= 0 y v2 6= 0 entonces se debe dar que 2 = 0. Reemplazando este valor en la Ecuacion (6.2) tenemos
que 1 v1 = 0 y como v1 6= 0 se debe dar que 1 = 0. Por tanto v1 y v2 son linealmente independientes.
Ahora supongamos por induccion, que k 1 vectores propios correspondientes a k 1 valores propios distintos
son LI y mostremos que v1 , . . . , vk son LI. Para esto supongamos que
1 v1 + + k vk = 0, (6.5)
multiplicando por A ambos lados tenemos que 1 Av1 + + k Avk = 0 o equivalentemente

|{z} |{z}
1 v1 k vk
1 1 v1 + + k k vk = 0. (6.6)
Ahora, multiplicando a ambos lados de la Ecuacion (6.5) por k tenemos
1 k v1 + + k k vk = 0. (6.7)
Restando la Ecuacion (6.7) de la Ecuacion (6.6)obtenemos
1 (1 k )v1 + + k1 (k1 k )vk1 = 0.
Por hipotesis los vectores v1 , . . . , vk1 son k 1 vectores propios correspondientes a distintos valores propios y
por tanto son LI. Se sigue entonces que
1 (1 k ) = = k1 (k1 k ) = 0
| {z } | {z }
6=0 6=0
192
como 1 k 6= 0, , k1 k 6= 0 se debe dar que 1 = = k1 = 0. Reemplazando estos valores en la

Ecuacion (6.5) obtenemos k vk = 0 y como vk 6= 0 se sigue que k = 0. Concluimos que los vectores v1 , . . . , vk
son LI.

5 6 9

Ejemplo 6.3. (MatLab) Calcule los valores y vectores propios de la matriz A = 3 4 9.

0 0 2
Solucion. Calculamos el polinomio caracterstico con MatLab como sigue
>> A = [5 6 9; 3 4 9; 0 0 2]; p = poly(sym(A))
p =
x3 3 x2 + 4
para calcular los valores propios podemos factorizar p, lo cual podemos hacer con MatLab como sigue
>> factor(p)
ans =
(x + 1) (x 2)2
De donde tenemos que los valores propios son 1 = 1 de multiplicidad 1 y 2 = 2 de multiplicidad 2.
Ahora para cada valor propio calculamos los vectores propios como sigue:
Para = 1
>> null(A + eye(3), r )
ans =
1
1
0

1

Por tanto el vector v1 = 1 es un vector propio de valor propio = 1.

0
Para = 2
>> null(A 2 eye(3), r )
ans =
2 3
1 0
0 1

2 3

Luego los vectores v2 = 1 y v3 = 0 son vectores propios de valor propio = 2.

0 1
En este caso obtenemos que E(1) = gen{v1 } y E(2) = gen{v2 , v3 }. El subespacio propio E(1) es un
subespacio de dimension 1 y E(2) es de dimension 2.
El ejemplo anterior exhibe un caso en el que, para un valor propio , dim E() es diferente de 1. En general
este espacio puede tener cualquier dimension entre 1 y n. Los valores propios, por ser races del polinomio
caracterstico tambien tienen una multiplicidad algebraica. Como en el caso anterior la multiplidad algebraica
de = 2 es 2, ya que (x 2)2 es factor de pA (x). Por tanto a un valor propio le podemos asociar dos enteros
positivos: la multiplicidad algebraica como raz del polinomio caracterstico y la dimension del subespacio E() .
Esto motiva la siguiente definicion.
Definicion 6.4. Sea A una matriz de tamano nn y sean 1 , . . . k los valores propios de A,
1. Decimos que la multiplicidad algebraica de i , es k si (i x)k es la maxima potencia de i x que divide a

pA (). La multiplicidad algebraica de un valor propio sera denotada por a() .
2. La multiplicidad geometrica de i esta dada por dim Ei . La multiplicidad geometrica de un valor propio
sera denotada por g() .
Ejemplo 6.4. En el ejemplo anterior tenemos que a(1) = 1 = g(2) y a(2) = 2 = g(2) .
Ejemplo 6.5. En el Ejemplo 6.2 tenemos que a(1) = g(1) = 1 y a(2) = g(2) = 1.

3 1 0 0

1 3 0 0
Ejemplo 6.6. (MatLab) Calcular los valores y vectores propios de la matriz A =

.

7 1 4 0

7 1 0 4
Solucion. En MatLab podemos usar un comando diferente al usado en el Ejemplo 6.3 que nos permite calcular
todos los valores y vectores propios con una sola instruccion como sigue.
>> A = [3 1 0 0; 1 3 0 0; 7 1 4 0; 7 1 0 4]; [V, D] = eig(A)
V =
0 0 1/2 1/2
0 0 1/2 1/2
1 0 1/2 1/2
0 1 1/2 1/2
D =
4 0 0 0
0 4 0 0
0 0 4 0
0 0 0 2
Con este comando los vectores propios son las columnas de la matrizV y los correpondientes
valores propios
0 0

0 0
en la matriz D. Tenemos entonces que A tiene vectores propios v1 = y v2 = ambos de valor propio

1 0

0 1
194

1/2 1/2

1/2 1/2
= 4, v3 =
de valor propio = 4 y v4 =
de valor propio = 2. Notese que en este ejemplo

1/2 1/2

1/2 1/2
se tiene que cada valor propio tiene multiplicidad geometrica y algebraica iguales. En realidad este comando nos
da mas informacion acerca de la matriz, ver Ejemplo 6.24.
Hasta ahora solo hemos visto ejemplos donde la multiplicidad geometrica y algebraica de cada valor propio
son iguales, pero esto no siempre se cumple. De hecho es posible que la multiplicidad geometrica sea estrictamente
menor que la multiplicidad algebraica, a continuacion damos ejemplos donde se da esto.
Ejemplo
6.7. (MatLab)
Calcular los valores propios y sus multiplicidades algebraica y geometrica de la matriz
3 2 1

A = 1 6 1 .

1 2 3
Solucion. Primero calculamos el polinomio caracterstico del A.
>> A = [3 2 1; 1 6 1; 1 2 3]; f actor(poly(sym(A)))
ans =
(4 + x)3
Es decir que pA (x) = (4 + x)3 y se sigue que = 4 es el unico valor propio con multiplicidad algebraica 3.
Ahora, necesitamos el subespacio propio para calcular la multiplicidad geometrica.
>> null(A 3 eye(3), r )
ans =
2 1
1 0
0 1

2 1

Esto indica que E(4) = gen 1 , 0 y se sigue que g(4) = 2 < 3 = a(4) .

0
1
Ejemplo
6.8. (MatLab)
Calcular los valores propios y sus multiplicidades algebraica y geometrica de la matriz
4 1 1

A = 0 5 1 .

1 0 3
Solucion. Calculamos el polinomio caracterstico
ans =
(4 + x)3
Nuevamente obtenemos que = 4 es el unico valor propio con multiplicidad algebraica 3, ahora necesitamos
el subespacio propio para calcular la multiplicidad geometrica.
>> null(A 3 eye(3), r )

ans =
1
1
1

1

Por tanto E(4) = gen 1 . En este caso obtenemos que g(4) = 1 < 3 = a(4) .

1
Como los valores propios son las races de el polinomio caracterstico, y sabemos que existen polinomios con
coeficientes reales (incluso enteros) y races complejas, entonces tambien existen matrices con entradas reales
(enteras) y valores propios complejos. A continuacion exhibimos un ejemplo.

1 2 2

Ejemplo 6.9. (MatLab) Calcular los valores y vectores propios de la matriz A = 2 1 2.

4 1 3
Solucion. Usamos MatLab para calcular los valores propios
>> A = [1 2 2; 2 1 2; 4 1 3]; p = poly(sym(A))
x3 x2 + x 1
Depues lo factorizamos:
f actor(p)
ans =
(x 1) (x2 + 1)
De aqui deducimos que los valores propios son 1 = 1, 2 = i y 3 = i. Ahora calculamos los vectores
propios:
>> v1 = null(c eye(3), r )
v1 =
1/3
2/3
1
>> v2 = null(c i eye(3), r )
v2 =
3/5 1/5i
3/5 1/5i
1
>> v2 = null(c + i eye(3), r )
v3 =
3/5 + 1/5i
3/5 + 1/5i
1
196

1/3 3/5 1/5i 3/5 + 1/5i

Por tanto los vectores propios son v1 = 2/3, v2 = 3/5 1/5i y v3 = 3/5 + 1/5i de valores propios

1 1 1
1 = 1, 2 = i y 3 = i, respectivamente.
Problemas
6.1.1. Encuentre los valores, vectores y subespacios propios de la matriz. Determine tambien las multiplicidades
geometricas y algebraicas de cada valor propio.

2 2 2 1 3 2
a. A = , b. B = , c. C = ,
5 1 5 2 0 3

5 4 2 0 1 0 1 2 1

d. D = 4 5 2 e. E = 0 0 1 f. F = 1 4 1 ,

2 2 2 1 3 3 1 2 1

0 0 0 1
4 3 0 5 3 1

1 0 0 0
g. G = 6 6 1 , h. H = 7 7 1 , i. J =

.

0 1 0 0
10 9 1 10 11 2
0 0 1 0
6.1.2. Sea A M3 (C) con dos valores propios distintos 1 y 2 . cuales son los posibles polinomios caracteristicos
de A.
Repita si A M4 (C).
6.1.3. Sean 1 , 2 , . . . , k todos los diferentes valores propios de A Mn (C) con multiplicidades algebraicas
a(1 ) , . . . , a(k ) , respectivamente. Demuestre que lo siguiente.
1. El vector v es un vector propio de A de valor propio si y solo v es un vector propio de A valor propio .
2. Para 6= 0, todos los diferentes valores propios de la matriz A son 1 , 2 , . . . , k . Deduzca que a(i ) es
la multiplicidad algebraica de i como valor propio de A , para i = 1, . . . , k.
3. El vector v es un vector propio de A de valor propio si y solo v es un vector propio de A I valor propio
.
4. Demuestre que todos los diferentes valores propios de A I son 1 , 2 , . . . , k . Deduzca que, para
i = 1, . . . , k, la multiplicidad algebraica de i como valor propio de A I es a(i ) .
5. El vector v es un valor propio de A de valor propio si y solo si v es un vector Am con valor propio m .
6. Demuestre que m m m m
1 , 2 , . . . , k son todos los diferentes valores propios de A . Deduzca que la multiplicidad
algebraica de m
i como valor propio de A
m
es a(i ) , para i = 1, . . . , k.
7. Sea v es un vector propio de A con valor propio , f (x) = a0 + a1 x + + ak xk un polinomio y f (A) la matriz
definida por f (A) = a0 I + a1 A + + ak Ak , entonces v es un vector propio de f (A) con valor propio de f ().
Deduzca que f (1 ), f (2 ), . . . , f (k ) son valores propios de f (A).

2 2
8. Verifique lo anterior si A = y f (x) = 1 2x + 3x3 .
5 1

a a2 a a2
6.1.4. Encuentre los valores y vectores propios de la matrices A = yB= .
1 0 1 0
6.1.5. Sea A una matriz simetrica 22 con entradas reales. Demuestre que los valores propios de A son reales.

B C
6.1.6. Demuestre que si A = entonces pA (x) = pB (x)pD (x).
0 D
6.1.7. Demuestre el Lema 6.3.
6.1.8. Demuestre que si A es invertible y v es un vector propio de A entonces v es un vector propio de A1 de

valor propio 1/.
6.1.9. Demuestre que si A Mn (R) y v E() entonces v E() .
6.1.10. Demuestre que A es invertible si y solo si = 0 no es un valor propio de A si y solo si pA (0) 6= 0.
6.1.11. Si P es una matriz proyeccion, es decir, si P 2 = P y P 6= I entonces det P = 0. (Recuerde que P visto
como aplicacion lineal satisface que ImP = ColP = {v | P v = v} y KerP = (ImP ) )
6.1.12. Demuestre que si A es nilpotente, es decir, si Ak = 0 para algun k > 0, entonces = 0 es el unico
valor propio de A.
6.1.13. Demuestre que si A2 = I entonces los valores propios de A son = 1 o = 1.
1 1
6.1.14. Si 1 , . . . , k son todos los valores propios de A entonces 1 , . . . , k son todos los valores propios de
A1 .
6.1.15. Si 1 , . . . , n son los valores propios de A entonces det(A) = 1 n .
6.1.16. Demuestre que A + I es invertible si y solo si = 1 no es un valor propio de A.
6.1.17. Si A Mn (C) es invertible, demuestre que existe Cn tal que A + I no es invertible.
6.1.18. Sea A Mn (C), demuestre que A y At tienen el mismo polinomio caracterstico, es decir, pA (x) =
pAt (x). Deduzca que A y At tienen los mismos valores propios.
0 0 0 0 a0
1 0 0 0 a1
0 1 0 0 a2
demuestre que pA (x) = (1)n (xn + an1 xn1 + + a1 x + a0 ).
... ... ... . . . ...
6.1.19. Si A = ..
.
0 0 0 0 an2
0 0 0 1 an1
Exhiba una matriz A cuyo polinomio caracterstico sea pA (x) = x4 x + 1.
198
6.2. Matrices Similares

En esta seccion se definen los conceptos de matrices similares y matriz diagonalizable. Veremos que no todas
las matrices son diagonalizables, que matrices similares tienen el mismo polinomio caracterstico y usaremos esto
para mostrar que la multiplicidad geometrica de un valor propio es menor o igual a su multiplicidad algebraica.
Definicion 6.5. Sean A y B matrices de tamano nn, decimos que A y B son similares si existe una matriz
invertible C tal que A = CBC 1 . Escribiremos A B para denotar que A y B son similares.

2 1 3 0 1 1
Ejemplo 6.10. Las matrices A = yB= son similares. Ya que si se toma C = , se
1 2 0 1 1 1
tiene que A = CBC 1 .
La siguiente propiedad de matrices similares es importante para lo que sigue.
Teorema 6.5. Matrices similares tienen el mismo polinomio caracterstico. Es decir, si A, BMn (C) son simi-
lares entonces pA (x) = pB (x). Se deduce ademas que matrices similares tienen los mismos valores propios.
Demostracion. Como A y B son similares, existe una matriz invertible C tal que B = CAC 1 , luego
pB () = det(B I) = det(CAC 1 I) = det(CAC 1 CIC 1 )

= det C(A I)C 1 = det(C) det(A I) det(C 1 )
1
= det(C) det(A I) = det(A I)
det(C)
= pA ().
Hay un caso especial de similaridad de matrices que definimos a continuacion y sera tratado mas a fondo
en la Seccion 6.4.
Definicion 6.6. Sea A una matriz de tamano nn, decimos que A es diagonalizable si existe una matriz
diagonal D tal que A D.

2 1
Ejemplo 6.11. La matriz A = es diagonalizable ya que en el Ejemplo 6.10 vimos que A es similar a
1 2

3 0
la matriz diagonal .
0 1
Es importante aclarar que no todas las matrices son diagonalizables. A continuacion exhibimos un ejemplo.

1 1
Ejemplo 6.12. Veamos que la matriz A = no es diagonalizable. Por el absurdo supongamos que existe
0 1

a 0
una matriz D diagonal tal que A D, con D = .
0 b
Notese que los valores propios de A son = 1 con multiplicidad 2 y los valores propios de D son = a y
= b. Como A D, entonces por el Teorema 6.5 A y D tienen los mismos valores valores propios, por tanto
a = b = 1, entonces D = I.
Finalmente, como A D(= I), existe una matriz invertible C tal que A = CDC 1 por tanto

1 1 1 0
= A = C D C 1 = CIC 1 = I =
|{z}
0 1 =I
0 1
De esta igualdad se sigue que 1 = 0, lo que es absurdo. Concluimos que A no es diagonalizable.
Este
ejemplo
tambien muestra que el recproco del Teorema 6.5 no es cierto. De acuerdo al ejemplo, la matriz
1 1
A = y la matriz identidad tienen los mismos valores propios y en consecuencia el mismo polinomio
0 1
caracterstico, sin embargo no son similares.
La pregunta natural es bajo cuales condiciones una matriz es diagonalizable. La respuesta esta en la Seccion
6.4, mas precisamente los Teoremas 6.13 y 6.15, caracterizan las matrices diagonalizables.
En los ejemplos de la seccion anterior vimos que la multiplicidad geometrica de de los valores propios es
menor o igual a la multiplicidad algebraica, esto es cierto en general.
Teorema 6.6. Sea A una matriz de tamano nn y sea un valor propio de A, entonces g() a() , es decir,
multiplicidad geometrica de multiplicidad algebraica de .
Demostracion. Sea un valor propio de A, Como es un valor propio, entonces existe v 6= 0 tal que Av = v
y por tanto E() 6= 0.
Sea k = dim E() , es decir k = g() , y sean {v1 , . . . , vk } es una base para E() . Tenemos entonces que
Avi = vi para i = 1, . . . , k. Ahora tomemos wk+1 , . . . , wn tal que {v1 , . . . , vk , wk+1 , . . . , wn } es una base para
h i
Cn y sea S = v1 . . . vk wk+1 . . . wn . Como {v1 , . . . , vk , wk+1 , . . . , wn } es una base, entonces por el
Corolario 2.13 tenemos que S es invertible y se tiene que
h i
I = S 1 S = S 1 v1 vk wk+1 wn
h i
= S 1 v1 S 1 vk S 1 wk+1 S 1 wn ,
de donde se sigue que S 1 v1 = e1 , . . . , S 1 vk = ek .
Ahora definamos B = S 1 AS, de esto se sigue que A y B son similares y por el teorema anterior tenemos
200
que pA (x) = pB (x) y la matriz B tiene la siguiente forma:

h i
B = S 1 AS = S 1 A v1 vk wk+1 wn
" #
Av
= S 1 |{z} 1 Av k Aw k+1 Aw n
|{z}
v1 vk
h i
= S 1 v1 vk Awk+1 Awn
" #
S 1 v S 1 vk S 1 Awk+1 S 1 Awn
= | {z }1 | {z }
S 1 v1 S 1 vk
" #
1
= |S {z v} S 1 vk S 1 Awk+1 S 1 Awn
| {z }
e1 ek
h i
= e1 ek S 1 Awk+1 S 1 Awn

0
. ..
. ..
. . .

0
=
R

0 0

. .. ..
.. . .

0 0

h i R1
donde R = S 1 Awk+1 S 1 Awn . Si escribimos R = con R1 una matriz k (n k) y R2 es
R2
una matriz (n k) (n k), tenemos que

0 x 0
. . . ..
. .. ..
. .. R1
. R1
. . . .

0 0 x
B=
y por tanto B xIn =

.

0 0 0 0

. .
. . ... R2
. .. ..
.. .. . . R2 xIk

0 0 0 0
Se sigue del Teorema 5.7 que pB (x) = det(B xI) = (1)k ( x)k det(R2 xIk ). En consecuencia, como A
y B son similares, tenemos que
pA (x) = pB (x) = det(B xI) = (1)k ( x)k det(R2 xIk ).
Se sigue que ( x)k es un factor de pA (x) y por tanto la multiplicidad algebraica de como raz de pA (x) es
mayor o igual a k, es decir, k a() . Concluimos que
g() = k a() .
Problemas
6.2.1. Determine cual de las siguientes 3 matrices es diagonalizable

3 0 0 3 1 0 3 1 0

a. A = 0 3 0 b. B = 0 3 0 c. C = 0 3 1

0 0 3 0 0 3 0 0 3

3 1 0 3 1 0

6.2.2. Muestre que las matrices B = 0 3 0 y C=0 3 1no son similares.

0 0 3 0 0 3
6.2.3. Sea v Cn \ {0} y P = vv t , demuestre que v es un vector propio de P y que E0 = V con V = gen{v}.

2b b2
6.2.4. Muestre que la matriz A = no es diagonalizable, para ningun b C. Muestre que la matriz
1 0

2
2b b
B= tampoco es diagonalizable para ningun b.
1 0

1
6.2.5. Muestre que la matriz A = no es diagonalizable, para ningun C.
0

1 0 1 1
6.2.6. Muestre que las matrices A = yB= son similares si y solo si 1 6= 2 .
0 2 0 2
6.2.7. Demuestre que si B es invertible entonces AB y BA son similares.

0 a b

6.2.8. Demuestre que la matriz A = 0 0 c es diagonalizable si y solo si a = b = c = 0.

0 0 0

a b c a 0 0

6.2.9. Demuestre que las matrices A = 0 a d y B = 0 a 0 son similares si y solo si a = b = c = 0.

0 0 a 0 0 0
MOVER PROBLEMAS DEL FINAL HACIA ESTA SECCION Y AGREGAR OTROS
6.3. Cambio de Base
El objetivo de esta seccion es demostrar que dos matrices son similares si y solo si estan relacionadas por
un cambio de coordenadas (cambio de base), para llegar a esto debemos definir cambio de coordenadas.
202
Definicion 6.7. Sean X = {v1 , . . . , vn } una base de Rn y v Rn , sabemos que existen escalares 1 , . . . , n
talque v = 1 v1 + + n vn y que esta representacion
es unica. Definimos la representacion del vector v en
1

..
terminos de la base X como el vector vX = . .

n

1 1 4
Ejemplo 6.13. Sea X = v1 = , v2 = . Notese que si w = tenemos que v = 3v1 v2 y por
1 2 1

3
tanto wX = .
1
En la siguiente figura se pueden observar los vectores de la base X del ejemplo anterior y el vector w.
2
v2
v1 w
1 e2
b
e1
4 3 2 1 1 2 3 4
1

4
Cuando escribimos que w = estamos en realidad dando la posicion del vector w con respecto a los vectores
1
e1 y e2 , ya que w = 4e1 + e2 . Es decir, las componentes de w no son mas que las coordenadas del vector con
respecto a los vectores de la base estandar. El vector wX en cambio, nos esta dando las coordenadas del vector
w con respecto a la base X, ya que w = 3v1 v2 (como se puede verificar en la grafica).
Esto nos permite decir que las componentes del vector vX son las coordenadas del vector v con respecto a los
vectores v1 y v2 de la base X.
A continuacion definimos la matriz de cambio de base, que nos permitira cambiar las coordenadas de un
vector de una base a otra.
Definicion 6.8. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn , definimos la matriz del cambio de
base (o cambio de coordenadas) de la base X a la base Y como la matriz.
h i
Y IX = (v1 )Y (vn )Y .

1 0
Ejemplo 6.14. Sean E y X las bases de R2 definidas por E = e1 = , e2 = la base estandar y
0 1

1 1
X = v1 = , v2 = , de la definicion anterior se tenemos que la matriz E IX esta dada por
1 2

h i h i 1 1
E IX = (v1 )E (v2 )E = v1 v2 = .
1 2
En el siguiente teorema establecemos la propiedad que caracteriza la matriz de cambio de base.
Teorema 6.7. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn y sea v Rn , entonces
vY = Y IX vX .
Mas aun, la matriz de cambio de base es la unica con esta propiedad.
Demostracion. Como X es una base, existen constantes 1 , . . . , n tal que
v = 1 v 1 + + n v n (6.8)

1

.
de la definicion tenemos que vX = .. , y como Y es una base, para 1 i n, existen constantes 1i , . . . , ni

n
tal que
vi = 1i w1 + + ni wn , (6.9)

1i

.
luego (vi )Y = .. , por tanto

ni

11 1n
h i
.. .. ..
Y IX = (v1 )Y (vn )Y = . . .

n1 nn
v = 1 v 1 + + n v n
= 1 (11 v1 + + n1 vn ) + + n (1n v1 + + nn vn )
= (1 11 + + n 1n )v1 + + (1 n1 + + n nn )vn
luego
1 11 + + n 1n 11 1n 1

.. .. .. .. ..
vY = . = . . . = Y IX vY .
.
1 n1 + + n nn n1 nn n
| {z } | {z }
Y IX vY
204
Para la segunda parte, supongamos que A es tal que vY = AvX para todo v Rn . En particular se tiene que
para i = 1, . . . , n se tiene que (vi )Y = A(vi )X . Como (vi )X = ei se sigue que
(vi )Y = A(vi )X = Aei = iesima columna de A.
Se sigue por tanto que las columnas de A son los vectores (v1 )Y , . . . , (vn )Y , es decir, A = [ (v1 )Y (vn )Y ].
Cada base determina ejes coordenados de Rn . Estos ejes corresponden a las lneas generadas por cada uno de
los vectores de la base. El Teorema anterior muestra que la matriz de cambio de base Y IX sirve para determinar
las coordenadas en terminos de la base Y de un vector escrito en terminos de una base X. Esto se ilustra en el
siguiente ejemplo.

1 1
Ejemplo 6.15. Sean E = {e1 , e2 } la base estandar de Rn y X = v1 = , v2 = . Sea v = 3v1 v2 ,
1 2

3 1 1
se sigue que vX = . Por el Ejemplo 6.14 se tiene que E IX = , entonces
1 1 2

1 1 3 4
v = vE = E IX vX = = .
1 2 1 1
Como se muestra en la siguiente figura, estas dos bases determinan dos sistemas de ejes para R2 , uno
determinado por los vectores de la base X y otro determinado por los vectores de la base estandar y la matriz
E IX permite cambiar las coordenadas de un vector, en terminos de la base X, a las coordenadas en terminos
de la base estandar. Usando la figura tambien se pueden determinar las coordenadas del vector w con respecto
a cada una de estas bases.
v2 v2 2
w
e2 v 1 v1
e2 w
e1 b
4 2 e1 2 4 6
4

1 2 3 4
Ejemplo 6.16. Considere las bases X = v1 = , v2 = y Y = w1 = , w2 = de R2 y
0 1 1 1
v = 2v1 + 3v2 , expresar a v en terminos de la base Y .
1 2
Solucion. Notese que v1 = w1 w2 y v2 = 2w1 w2 , luego (v1 )Y = y (v2 )Y = , de donde
1 1

1 2 2
Y IX =
. Ahora, como vX = , entonces
1 1 3

1 2 2 8
vY = Y IX vX = = .
1 1 3 5
Es decir, v = 8w1 5w2 .
El siguiente teorema describe una forma de calcular la matriz de cambio de base.

h i
Teorema 6.8. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn y sean A = v1 vn y B =
h i
w1 wn . Entonces Y IX = B 1 A.
Demostracion. Expresando los vectores v1 , . . . , vn en terminos de la base Y obtenemos:
v1 = 11 w1 + n1 wn
..
. . (6.10)
vn = 1n w1 + nn wn

11 1n 11 1n

. . .. .. ..
Entonces (v1 )Y = .. , . . . , (vn )Y = .. y por tanto Y IX = . . . .

n1 nn n1 nn
De la Ecuacion (6.10) tenemos que

11 1n
h i h i
.. .. ..
v1 v n = w1 wn . . . ,
| {z } | {z }
=A =B n1 nn
| {z }
=Y IX
por tanto A = B Y IX , multiplicando a ambos lados por B 1 obtenemos
Y IX = B 1 A.
De este teorema se sigue un procedimiento para calcular la matriz del cambio de base, el cual damos a conti-
nuacion.
Procedimiento 6.2. (Procedimiento para calcular la matriz del cambio de base) Sean X = {v1 , . . . , vn }
h i h i
y Y = {w1 , . . . , wn } bases para Rn y sean A = v1 vn y B = w1 wn entonces
206
h i
1. Aplicar reduccion Gauss-Jordan a la matriz aumentada B A hasta encontrar su forma escalonda reducida.
" #
1
2. Al final del paso 1. obtenemos I B | {z A} . Luego en la parte derecha de la matriz aumentada se obtiene la
Y IX
matriz de cambio de base Y IX .

1 1 2 1
Ejemplo 6.17. Considere las bases X = v1 = , v2 = y Y = w1 = , w2 = de R2 ,
1 1 1 0

1
calcular Y IX y vY si vX = .
1

h i 2 1 1 1
Al reducir la matriz w1 w2 v1 v2 = obtenemos la matriz
1 0 1 1

1 0 1 1 1 1
y por tanto Y IX =
0 1 3 1 3 1

0
Por el Teorema 6.7 tenemos que vY =Y IX vX = .
2

2

1 1

3
Ejemplo 6.18. (MatLab) Sean X y Y las bases de R definidas por X = v1 = 1 , v2 = 2 , v3 = 2

1 2 3

1 1 1

y Y = w1 = 2 , w2 = 1 , w3 = 1 . Calcular la matriz de cambio de base Y IX y calcular vY si v =

3 2 1
2v1 v2 + v3 .
Solucion. Por el procedimiento anterior la matriz de cambio de base es simplemente el producto de las matrices
h i h i
B 1 y A donde A = v1 v2 v3 y B = w1 w2 w3 . En MatLab hacemos lo siguiente:
>> A = [2 1 1; 1 2 2; 1 2 3]; B = [1 1 1; 2 1 1; 3 2 1]; yIx = inv(B) A
yIx =
1 1 3
1 5 8
2 5 4

1 1 3

Se sigue que la matriz de cambio de base esta dada por Y IX = 1 5 8 . Ahora, para el calculo de

2 5 4

2

vY , tenemos que vX = 1 y vY =Y IX vX , esto lo hacemos en MatLab como sigue:

1
>> vx = [2; 1; 1]; vy = yIx vx
vy =
6
15
5
Obtenemos que v = 6w1 + 15w2 5w3 .
Las matrices de cambio de base cumplen las siguientes propiedades.
Teorema 6.9. Sean X = {v1 , . . . , vn }, Y = {w1 , . . . , wn } y Z = {u1 , . . . , un } bases de Rn entonces se cumple

que:
1. Y IX = (X IY )1
2. Z IX = Z I Y Y I X
h i h i
Demostracion. 1. Sean A = v1 v n , B = w1 wn , por el Teorema 6.8 tenemos que Y IX =
1 1
B Ay X IY =A B, por tanto
1 1
(X I Y ) = A1 B = B 1 A =Y IX .
h i
2. Sea C = u1 un entonces por el Teorema 6.8 tenemos que Y IX = B 1 A, Z IY = C 1 B y
Z IX = C 1 A, entonces
Z IX = C 1 A = C 1 BB 1 A =Z IY Y IX .

1 1
Ejemplo 6.19. Sean E la base estandar de Rn y X = v1 = , v2 = . En el Ejemplo 6.14 obtuvimos
1 2

1 1
que la matriz de cambio de base E IX esta dado por E IX = . Por el Teorema anterior anterior tenemos
1 2
que la matriz de cambio de base X IE esta dada por

2 1
1 3 3
X IE = ( E IX ) = .
13 1
3

2 1 2 1
Ahora, sea Y = w1 = , w2 = . Se sigue que E IY = [ (w1 )E (w2 )E ] = [ w1 w2 ] = .
1 1 1 1
Por el teorema anterior obtenemos que

2 1
2 1 1 1
X IY = X IE E IY =
3 3 = .
13 31 1 1 1 0
Se deja de ejercicio al lector verificar este calculo usando el Procedimiento 6.2.
6.3.1. La matriz de una transformacion con respecto a dos bases
La siguiente generalizacion de la definicion de matriz de una transformacion. La definicion anterior depende

de las bases estandar y aca se hace para cualquier base del dominio y cualquier base del codominio.
208
Definicion 6.9. Sea T : Rn Rm una transformacion lineal y sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }

bases para Rn y Rm , respectivamente. Definimos la matriz de T con respecto a las bases X y Y , denotada por
Y TX como la matriz
h i
Y TX = T (v1 )Y T (vn )Y .
La matriz de una transformacion es la matriz con respecto a las bases estandar.
Observacion 6.2. Si T : Rn Rm es una transformacion lineal y E = e1 , . . . , en y E = e1 , . . . , em son las

bases estandar de Rn y Rm , respectivamente, y S es la matriz de T , es decir, la matriz tal que T (x) = Sx, para
todo x Rn , entonces
h i
S= E TE = T (e1 ) ... T (en ) .
2 2
Ejemplo
Sea T : R R
6.20. la transformacion
lineal
definida por T (x, y) = (2x + 2y, 2y) y sean
1 1 2 0
X = v1 = , v2 = y Y = w1 = , w2 = bases de R2 . Determine la matriz Y TX de T
1 1 1 1
con respecto a la bases X y Y .
Solucion. Notese que T (v1 ) = (4, 2) = 2w1 y T (v2 ) = (0, 2) = 2w2 , se sigue entonces que

2 0
Y TX = [ T (v1 )Y T (v2 )Y ] =
.
0 2
La importancia de la matriz de la transformacion Y TX es el hecho que si tenemos las coordenadas de un

vector en terminos de X, vX , el producto de la matriz Y TX por vX nos da las coordenadas de la imagen de
v, T (v), en terminos de la base Y . Al igual que la matriz de cambio de base, esta matriz esta determinada de
manera unica por dicha propiedad.
Teorema 6.10. Sea T : Rn Rm una transformacion lineal, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }

bases para Rn y Rm , respectivamente, y sea v Rn . Entonces
T (v)Y = Y TX v X .
Ademas tenemos que si existe una matriz A tal que V vX = T (v)Y para todo v Rn , entonces A = Y TX .
Demostracion. Como X es una base, existen constantes 1 , . . . , n tal que
v = 1 v 1 + + n v n (6.11)

1

.
y se tiene que vX = .. . Como Y tambien es una base, para 1 i m, existen constantes 1i , . . . , mi tal

n
que
T (vi ) = 1i w1 + + mi wm , (6.12)

1i

.
luego T (vi )Y = .. y por tanto

mi

11 1n
h i
. .. ..
Y TX = T (v1 )Y T (vn )Y = .. . .

m1 mn
T (v) = 1 T (v1 ) + + n T (vn )
= 1 (11 w1 + + m1 wn ) + + n (1n w1 + + mn wn )
= (1 11 + + n 1n )w1 + + (1 m1 + + n mn )wn
Se sigue que
1 11 + + n 1n 11 1n 1

.. .. .. .. ..
T (v)Y = . = . . . = Y TX v X .
.
1 n1 + + n nn m1 mn n
| {z } | {z }
Y TX vX
n
Si A satisface que AvX = T (v)Y para todo v R , entonces para i = 1, . . . , n tenemos que T (vi )Y = A(vi )X =
Aei = i-esima columna de A. Se sigue que las columnas de A son T (v1 )Y , . . . , T (vn )Y y por tanto
A = [ T (v1 )Y T (vn )Y ] = Y TX .
En el siguiente teorema se hace explcito un procedimiento para calcular la matriz Y TX .
Teorema 6.11. Sea T : Rn Rm una transformacion lineal, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }

h i h i
bases para Rn y Rm , respectivamente y sean A = v1 . . . vn y B = w1 . . . wm , entonces
h i
1
T
Y X = B T (v1 ) T (vn ) ,
mas aun
Y TX = B 1 E TE A.
Demostracion. La demostracion se hace de manera directa como sigue

h i h i
X TY = T (v1 )Y T (vn )Y = Y IE T (v1 )E Y IE T (vn )E
h i h i
= Y IE T (v1 ) Y IE T (vn ) = Y IE T (v1 ) T (vn )
h i h i
= B 1 E TE v1 E TE vn = B 1 E TE v1 vn
= B 1 E TE A
210
A continuacion damos un procedimiento para calcular la matriz de una transformacion T : Rn Rm con

respecto a dos bases X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }, basado en el teorema anterior
Procedimiento 6.3. (Procedimiento para calcular Y TX ) Con Las mismas hipotesis del teorema anterior,
h
1. Se calcula T (vi ) para i = 1, . . . , n,
2. Se aplica reduccion Gauss-Jordan a la matriz aumentada

h i h i
w1 wn | T (v1 ) T (vn ) = B T (v1 ) T (vn )
h i
= B E TE A
hasta llevarla a la forma escalonada reducida.

" #
1
3. Al final del paso 2., considerando que B es invertible, obtenemos I B E T E A .
| {z }
Y TX
Por tanto las ultimas n columnas de la matriz en forma escalonada reducida del paso 3. son las columnas de la
matriz Y TX .

x 2x y
Ejemplo 6.21. Sea T : R2 R2 la transformacion lineal definida por T = , sean X =
y x+y

1 1 2 1
v1 = , v2 = y Y = w1 = , w2 = bases de R2 . Calcule la matriz Y TX y T (v)Y si
1 1 1 0

1
vX =
1

2 1
Solucion. Primero notese que E TE = y as
1 1

2 1 1 1 2 1 3
1
T (v1 ) =E TE v1 = = y T (v2 ) =E TE v2 = = .
1 1 1 2 1 1 1 0

h i 2 1 | 1 3
Se necesita reducir la matriz w1 w2 | T (v1 ) T (v2 ) = y facilmente se verfica que su
1 0 | 2 0

1 0 2 0
forma escalonada es la matriz . Se sigue por que
0 1 5 3

2 0
Y TX = .
5 3
Finalmente, tenemos que:

2 0 1 2
T (v)Y =Y TX vX = = .
5 3 1 8

x + y + 3z
x

3 4

2x + y 2z
Ejemplo 6.22. (MatLab) Sea T : R R la tranformacion definida por T y = y

x + 2y + z
z
x y + 2z

1 1 1 1

2 1 1

2 1 1 1
sean X = v1 = 1 , v2 = 2 , v3 = 2 y Y = w1 =

, w2 = , w3 = , w4 = bases

3 2 1 1
1 2 3

4 3 2 1
de R3 y R4 , respectivamente. Calcule la matriz Y TX y T (v)Y si v = x1 x2 + x3 .
Solucion. Usamos el Teorema 6.11 que nos dice que Y TX = B1 E TE A,con
1 1 1 1 1 1 3
2 1 1

2 1 1 1 2 1 2
A = [v1 v2 v3 ] = 1 2 2, B = [w1 w2 w3 w4 ] =
y E TE =

.

3 2 1 1 1 2 1
1 2 3
4 3 2 1 1 1 2
En MatLab solo necesitamos multiplicar las matrices, lo cual hacemos a continuacion.
>> A = [2 1 1; 1 2 2; 1 2 3]; B = [1 1 1 1; 2 1 1 1; 3 2 1 1; 4 3 2 1];
eT e = [1 1 3; 2 1 2; 1 2 1; 1 1 2]; yT x = inv(B) eT e A
yT x =
3 11 14
5 16 20
8 5 1
12 7 1

3 11 14

1
5 16 20

Entonces Y TX =
. Finalmente, para calcular T (v) multiplicamos
Y Y TX por vX = 1.
8 5 1
1
12 7 1
>> vx = [1; 1; 1]; T vy = yT x vx
T vy =
28
41
2
6

28

41
Por tanto T (v)Y =
. Lo que equivale a decir que T (v) = 28w1 + 41w2 2w3 + 6w4 .

2

6
En MatLab tambien se puede usar el Procedimiento 6.3 para calcular la matriz Y TX de la siguiente forma.
212
Primero notese que
[T (v1 ) T (v2 ) T (v3 )] = [E TE v1 E TE v 2 E TE v 3 ] = E T E [v 1 v2 v3 ] =E TE A.
Despues se calcula la matriz escalonada reducida de la matriz [B | E TE A]. En MatLab lo calculamos como sigue:
>> C = [B, eT e A]; rref (C)
ans =
1 0 0 0 3 11 14
0 1 0 0 5 16 20
0 0 1 0 8 5 1
0 0 0 1 12 7 1
Notese que en la respuesta se tiene la matriz identidad en la parte izquierda y las tres ultimas columnas
coinciden con las columnas de la matriz Y TX calculada arriba.
Concluimos la seccion mostrando que las matrices de tranformaciones de Rn con respecto a bases distintas
son similares. Se muestra en realidad que dos matrices son similares si y solo si las transformaciones lineales
definidas por estas matrices estan relacionados por un cambio de base.
Corolario 6.12. Sea T : Rn Rn una transformacion lineal y sea X = {v1 , . . . , vn } una base para Rn .
Entonces las matrices X TX y E TE son similares. Mas aun si A, B Mn (R) son matrices similares y tomamos
la transformacion T : Rn Rn definida por T (v) = Av, entonces existe una base X de Rn tal que B = X TX .
Es decir, A y B son la matriz de la misma transformacion con respecto a bases diferentes.
h i
Demostracion. Sea A = v1 vn . Por el Teorema 6.11 tenemos que X TX = A1 E TE A, o equivalen-
temente
E TE = A X TX A1 ,
es decir E TE y X TX son similares.

Para la segunda parte, supongamos que A B y sea T : Rn Rn definida por T (v) = Av. Es facil ver
que E TE = A, ya que por la definicion de T se tiene que T (ei ) = Aei = iesima columna de A. Pero T (ei ) es
tambien la iesima columna de E TE .
Como A y B son similares, existe una matriz invertible C tal que A = CBC 1 , o equivalentemente B =
C 1 AC. Sean v1 , . . . , vn las columnas de C, como C es invertible, tenemos que X = {v1 , . . . , vn } es LI y por
tanto una base para Rn .
Por el Teorema 6.11 tenemos que X TX = C 1 E TE C = C 1 AC = B. Concluimos que A = E TE y B = X TX
son ambas matrices de T con respecto a diferentes bases.
Problemas
6.3.1. Determine E TE si T (2, 1) = (3, 1) y T (1, 1) = (1, 2).

6.3.2. Demuestre que si A y B son similares entonces det A = det B y traza(A) = traza(B). En el segundo
caso use el hecho que traza(AB) = traza(BA).
6.3.3. Sea T : Rn Rn una transformacion lineal y sean X y Y son bases de Rn , demuestre lo siguiente:
1. det X TX = det Y TY .
2. traza(X TX ) = traza(Y TY ).
6.3.4. Sean T, S : Rn Rn transformaciones lineales y X una base de Rn . Demuestre que X (T + S)X =

X TX + X SX , y X (T )X = X TX donde T + S, T : Rn Rn son las transformaciones lineales definidas por
(T + S)(v) = T (v) + S(v) y (T )(v) = T (v).
6.3.5. Sea I : Rn Rn la transformacion identidad, es decir, la transformacion definida por I(v) = v.

Demuestre que X IX = In , donde In es la matriz identidad de tamao n n.
6.3.6. Sea T : Rn Rn y supongamos que existe v R tal que {v, T (v), . . . , T n1 (v)} es una base de Rn y
0 0 0 0 a0
1 0 0 0 a1
0 1 0 0 a2
T n (v) = a0 v a1 T (v) an1 T n1 (v). Muestre que T =
... ... ... . . . ... ..
.
0 0 0 0 an2
0 0 0 1 an1
6.3.7. Sea T : V V una transformacion lineal y X una base de V , demuestre que T : V V es invertible
si y solo si la matriz X TX es invertible, para toda base X de Rn .
6.4. Diagonalizacion
En esta seccion se daran condiciones equivalentes a que una matriz sea diagonalizable, comenzamos con el
siguiente resultado.
Teorema 6.13. Sea A una matriz de tamano nn, entonces A es diagonalizable si y solo si
A tiene n vectores
1 0 0

0 2 . . . 0
propios linealmente independientes. En este caso A es similar a la matriz diagonal D = .

.. . .

..
.. . . .

0 0 n
donde 1 , . . . , n son los valores propios de A y si los correspondientes vectores propios son v1 , . . . , vn entonces
h i
A = CDC 1 con C = v1 vn .
Demostracion. Supongamos que A es diagonalizable, entonces existe una matriz D diagonal y una
matriz invertible C tal que A = CDC 1 . Sean c1 , . . . , cn las columnas de C y 1 , . . . , n las entradas en la
diagonal de D.
Afirmacion: Los vectores c1 , . . . , cn son vectores propios de A con valores propios 1 , . . . , n .
214
Como A = CDC 1 entonces AC = DC, por tanto
[Ac1 Acn ] = A[c1 cn ] = AC = DC

1 0

. .. ..
= .. . . [c 1 c n ] = [ 1 c 1 n cn ].

0 n
De esta igualdad se sigue que Ac1 = 1 c1 , , Acn = n cn , lo que demuestra la afirmacion.

Finalmente, como la matriz C es invertible, entonces sus columnas c1 , . . . , cn son linealmente independientes,
por tanto A tiene n vectores propios linealmente independientes.
Sean v1 , . . . , vn vectores propios linealmente independientes de A con valores propios 1 , . . . , n , respec-
tivamente, es decir, Avi = i vi , para i = 1, . . . , n.
Sea X = {v1 , . . . , vn } entonces X es una base para Rn y sea T : Rn 7 Rn la transformacion lineal determinada
por A, es decir, T (x) = Ax, para todo x Rn .
h i
Como T (ei ) = Aei = i-esima columna de A, entonces E TE = A. Ahora, sea C = v1 vn , entonces por el
Teorema 6.11 tenemos que X TX = C 1 E TE C = C 1 AC, por tanto
|{z}
A
1
A=C X TX C . (6.13)
Ahora veamos que T es una matriz diagonal. Como T (vi ) = Avi = i vi = 0v1 + + i vi + + 0vn ,
X X
0
.
.
.

entonces T (vi )X = i , por tanto

.
..

0

1 0 0

h i 0 2 0
X TX = T (v1 ) T (vn ) =
T (v2 ) . (6.14)
.. .. .. ..
. . . .

0 0 n
De la Ecuacion (6.13) tenemos que A y X TX son similares y de la ecuacion (6.14), X TX es diagonal, por tanto
A es diagonalizable.

5 4 5 1
Ejemplo 6.23. La matriz A = tiene vectores propios v1 = y v2 = de valores propios 2 y
2 3 2 1
-1, respectivamente (ver Ejemplo 6.2.)
h i
Si tomamos la base X = {v1 , v2 } de R2 , formada por los valores propios de la matriz A, C = v1 v2 la

2 0
matriz de vectores propios y D = , entonces de acuerdo al Teorema 6.13 tenemos que
0 1
A = CDC 1 .
Esto lo podemos verificar de la siguiente manera. De acuerdo al Teorema 6.11 la matriz X AX de A con respecto
a la base X esta dada por:

1 1 1 4 5 5 1 2 0
X AX = C 1 AC = = = D,
3 2 5 2 3 2 1 0 1
de donde C 1 AC = D y por tanto

A = CDC 1 .

3 1 0 0

1 3 0 0
Ejemplo 6.24. En el Ejemplo 6.6 calculamos los valores y vectores propios de la matriz A =

7 1 4 0

7 1 0 4

0 0 1/2

0 0 1/2
y encontramos que los vectores propios son v1 = y v2 = ambos de valor propio = 4, v3 =

1 0 1/2

0 1 1/2

1/2

1/2
de valor propio = 4 y v4 =
de valor propio = 2. Como A tiene cuatro vectores linealmente indepen-

1/2

1/2
dientes entonces A es diagonalizable y A = CDC 1 con

0 0 1/2 1/2 4 0 0 0

0 0 1/2 1/2 0 4 0 0
C=

y D =

1 0 1/2 1/2 0 0 4 0

0 1 1/2 1/2 0 0 0 2
Corolario 6.14. Si una matriz A de tamano nn tiene n valores propios distintos, entonces A es diagonalizable.

2 2 3

Ejemplo 6.25. (MatLab) La matriz A = 5 1 3 tiene tres valores propios diferentes, = 1, = 3

6 0 5
y = 2. Esto lo podemos verificar en MatLab como se muestra a continuacion
ans =
-1
216
3
2
1 0 0

Por tanto A es diagonalizable, de hecho A es similar a la matriz D = 0 3 0.

0 0 2
Teorema 6.15. Sea A una matriz de tamano nn, entonces A tiene n vectores propios linealmente indepen-
dientes si y solo si para cada valor propio , se tiene que
multiplicidad geometrica de = multiplicidad algebraica de .
En particular, si todos los valores propios de A son diferentes, todos los vectores propios de A son linealmente
independientes.
Demostracion. Para comenzar la demostracion, supongamos que A tiene k valores propios distintos, 1 , . . . , k ,
con multiplicidades n1 , . . . , nk , respectivamente. Es decir, el polinomio caracterstico de A esta dado por pA () =
( 1 )n1 ( k )nk , con n = n1 + + nk .
Supongamos que A tiene n vectores propios linealmente independientes, sean v11 , . . . , v1m1 , . . . ,
vk1 , . . . , vkmk estos vectores con m1 + + mk = n y agrupados de tal forma que v11 , . . . , v1m1 tienen valor
propio 1 , v21 , . . . , v2m2 tienen valor propio 2 y, de manera inductiva, vk1 , . . . , vkmk tienen valor propio k .
Como para i = 1, . . . , k, multiplicidad geometrica de i multiplicidad algebraica de i , entonces mi ni ,
ahora si mi < ni para algun i = 1, . . . , k entonces tenemos que
n = m1 + + mk < n1 + + nk = n,
lo cual es imposible, por tanto para todo i = 1, . . . , k, mi = ni , es decir, para todo i = 1, . . . , k tenemos que
multiplicidad geometrica de i = multiplicidad algebraica de i .
Supongamos que la multiplicidad geometrica de cada valor propio es igual a la multiplicidad algebraica,
entonces dim(Ej ) = nj , para 1 j k. Sean {v11 , . . . , v1n1 }, {v21 , . . . , v2n2 }, . . . ,
{vk1 , . . . , vknk } bases para E1 , E2 , . . . , Ek , respectivamente.
Veamos que los vectores v11 , . . . , v1n1 , v21 , . . . , v2n2 , , vk1 , . . . , vknk son linealmente independientes.
Supongamos que
11 v11 + + 1n1 v1n1 + + k1 vk1 + + knk vknk = 0 (6.15)
y sean v1 = 11 v11 + + 1n1 v1n1 , . . . , vk = k1 vk1 + + knk vknk , entonces la ecuacion (6.15) se convierte
en
v1 + v2 + + vk = 0. (6.16)
Afirmacion: v1 = v2 = = vk = 0
Supongamos que algunos de los vj 6= 0, como vij Ei para 1 i k entonces tenemos que v1 E1 ,
v2 E2 , . . . , vk Ek , entonces los vectores de la lista v1 , . . . , vk que son no nulos, son vectores propios de
valores propios 1 , . . . , k , respectivamente. Como los valores propios 1 , . . . , k son distintos, entonces, por el
Teorema 6.4, los vectores no nulos de la lista v1 , . . . , vk son linealmente independientes, pero de la Ecuacion (6.16)
se sigue que estos vectores son linealmente dependientes, lo cual es contradictorio y por tanto v1 = = vk = 0,
y la afirmacion se cumple.
Luego para 1 j k tenemos que
0 = vj = j1 vj1 + + jn1 vjnj ,
pero como los vectores {vj1 , . . . , vjnj } son una base para Ej , entonces son linealmente independientes y por
tanto j1 = = jnj = 0. Como esto es para todo j = 1, . . . , k tenemos que
11 = = 1n1 = = k1 = = knk = 0.
Entonces los vectores v11 , . . . , v1n1 , v21 , . . . , v2n2 , . . . , vk1 , . . . , vknk son linealmente independientes y como to-
dos estos son vectores propios de A y n1 + + nk = n, entonces A tiene n vectores propios linealmente
independientes.
Corolario 6.16. Sea A una matriz A de tamano nn, entonces A es diagonalizable si y solo si para todo valor
propio de A se cumple que
multiplicidad geometrica de = multiplicidad algebraica de .
Demostracion. El corolario se sigue de los Teoremas 6.13 y 6.15.
Ejemplo
1. En el Ejemplo
6.26. 6.6 vimos que la matriz
3 1 0 0

1 3 0 0
A= tiene valores propios = 4, = 4 y = 2 y que las multiplicidades geometricas y

7 1 4 0

7 1 0 4
algebraicas eran a4 = g4 = 2, a4 = g4 = 1 y a2 = g2 = 1, entonces la matriz es diagonalizable.

3 2 1

2. En el Ejemplo 6.7 vimos que el unico valor propio de la matriz A = 1 6 1 es = 4 con multplicidad

1 2 3
algebraica a4 = 3 y geometrica g4 = 2, entonces por el corolario anterior A no es diagonalizable.

4 1 1

3. En el Ejemplo 6.8 vimos que el unico valor propio de la matriz A = 0 5 1 es = 4 con multiplicidad

1 0 3
algebraica es a4 = 3 y geometrica g4 = 1, por tanto A no es diagonalizable.
6.4.1. Para cada una de las matrices del problema 6.1.1 determine si es diagonalizable. En caso afirmativo,
encuentre las matrices C y D tal que A = CDC 1 .
218
6.5. Matrices Simetricas y Diagonalizacion Ortogonal

a11 a1n

.. .. ..
Definicion 6.10. Sea A = . . . de tamano m n con entradas complejas.

am1 amn
1. Definimos la matriz conjugada de A, denotada por A, como la matriz que se obtiene al conjugar las entradas de
A, estos es

a11 a1n

. .. ..
A = .. . .

am1 amn
t
2. La transpuesta hermitiana de A, denotada por AH , se define como AH = A .
3. Decimos que A es hermitiana si A = AH .

1 1i 1 1i 1 1+i
Ejemplo 6.27. Considere la matriz A = , notese que A = = y
1+i 2 1+i 2 1i 2

t 1 1i
AH = A = . Como A = AH entonces A es una matriz hermitiana.
1+i 2
Teorema 6.17. Sea A una matriz hermitiana de tamano nn entonces los valores propios de A son reales.
Esto es, si es un valor propio de A entonces R. En particular, si A una matriz simetrica con entradas
reales, entonces sus valores propios son reales y por tanto sus vectores propios son reales.
t
Demostracion. Como A es hermitiana, entonces A = AH = A de donde At = A, entonces
t
v v = v t v = v t v Av = v t Av = v t AH v = v t A v = (Av)t v
= (Av)t v = (v)t v = v t v = v v.
De donde se sigue que ( )v v = 0, como v 6= 0 entonces v v 6= 0. Por tanto , es decir = .
Teorema 6.18. Sea A una matriz hermitiana de tamano nn y sean x y y vectores propios de valores propios
1 y 2 , respectivamente. Si 1 6= 2 entonces x y = 0, es decir, x y y son ortogonales. El teorema tambien se
cumple si A es una matriz simetrica con entradas reales.
Demostracion.
1 (v1 v2 ) = (1 v1 v2 ) = (Av1 v2 ) = (Av1 )t v2 = (Av1 )t v2

t
= v1 t |{z}
A v2 = v1 t Av2 = v1 t 2 v2 = 2 v1 t v2 = 2 (v1 v2 ).
AH =A
Luego (1 2 )v1 v2 = 0, como 1 6= 2 entonces v1 v2 = 0.


2
1
Ejemplo 6.28. Sea A = . Los valores propios de A son = 1 y = 3 los cuales son numeros reales y
1 2

1 1
los vectores propios son v1 = y v2 = . Notese que v1 v2 = 0.
1 1

2 1 1

Ejemplo 6.29. La matriz simetrica A = 1 2 1 debe tener valores propios reales, usamos MatLab

1 1 2
para calcular la factorizacion de su polinomio caracterstico:
ans =
x (x 3)2
Por tanto los valores propios son = 0 y = 2 de multiplicidad 2.
6.6. Formas Cuadraticas

Definicion 6.11. Una forma cuadratica es una expresion de la forma
n
X X
aii x2i + aij xi xj .
i=1 i<j

a12 a1n
a11 2 2

n a12 a2n
X
2
X 2 a22 2
t
Notese que si F = aii xi + aij xi xj es una forma cuadratica entonces F = x Qx donde Q =
.. .. ..

..
i=1 i<j . . . .

a1n a2n
2 2 ann

x1

..
y x = . .

xn
2 2
Ejemplo La
6.30. forma caudratica F = 2x + 2xy + 2y se puede escribir matricialmente como F =
h i 2 1 x
x y .
1 2 y
Observacion 6.3. Un hecho muy conocido, pero que no sera demostrado en este libro, es que toda matriz
simetrica es diagonalizable, esto hecho lo usaremos en el siguiente teorema.
Teorema 6.19. (Teorema de los ejes principales) Sea F = xt Qx un forma cuadratica en n variables con Q una
matriz simetrica. Como Q es diagonalizable existen vectores propios v1 , . . . , vn de Q linealmente independientes.
Sean 1 , . . . , n los respectivos valores propios correspondientes a v1 , . . . , vn y sea X = {v1 , . . . , vn }, entonces
X es una base de Rn . Entonces bajo la base X, la forma cuadratica tiene la forma:
F = 1 y12 + + n yn2 .
220
Demostracion. Primero veamos que a la base X la podemos tomar ortonormal.

Si los i son todos distintos, entonces los vectores propios son ortogonales y X es ortogonal, si no lo son,
tomamos v11 , . . . , v1k1 , . . . , vs1 , . . . , vsks una reindexacion de los vectores de X de tal manera que v11 , . . . , v1k1 son
vectores propios de valor propio 1 ,. . . vs1 , . . . , vsks vectores propios de valores propios s . Aplicando Gramm-
Schmidt a cada uno de los conjuntos {v11 , . . . , v1k1 , }, . . . ,
{vs1 , . . . , vsks } obtenemos vectores w11 , . . . , w1k1 , . . . ,ws1 , . . . , wsks formando una base ortogonal y redefinimos

1 1 1 1
X= w11 , . . . , w1k1 , . . . , ws1 , . . . , wsks .
||w11 || ||w1k1 || ||ws1 || ||wsks ||
Por tanto X es ortonormal.

Como X es una base de vectores propios entonces

1 0

.. .. ..
X QX = . . . . (6.17)

0 n
h i
Ademas sabemos que X QX = BQB 1 donde B = v1 vn . Como X es ortonormal, entonces B es una
matriz ortogonal y B 1 = B t , por tanto
Q = B 1 X QX B
t
= BX QX B (6.18)
Definamos y = Bx y sean y1 , . . . , yn las componentes de y, entonces de (6.18) tenemos que la forma cuadratica
tiene la forma
F = xt Qx = xt B t X QX Bx = (Bx)t X QX Bx = yt X QX y. (6.19)
Luego de (6.17) y (6.19) tenemos que

F = 1 y12 + + n yn2 .
Ademas notese que los ejes de esta forma cuadratica son los vectores de la base X, los cuales son perpendiculares.
Observacion 6.4. Una ecuacion de la forma F = c con F una forma cuadratica y c una constante es una
seccion conica.
El teorema de los ejes principales nos permite identificar la secciones conicas. Sea xt Qx = c una conica con
c > 0 constante y sean 1 , . . . , 2 los valores propios de Q, entonces tenemos lo siguiente:
Si Q es 2x2 y:
1. 1 , 2 > 0 entonces xt Qx = c es una elipse.
2. 1 , 2 < 0 entonces xt Qx = c es vacia.
3. 1 2 < 0 entonces xt Qx = c es una hiperbola.
4. 1 2 = 0 entonces xt Qx = c es una forma degenerada.

En el caso 3x3 tenemos:
1. Si 1 , 2 , 3 > 0 entonces xt Qx = c es un elipsoide.
2. Si 1 , 2 , 3 < 0 entonces xt Qx = c es vacia.
3. Si uno de los i es positivo y los otros negativos entonces xt Qx = c es un hiperboloide de 2 hojas
4. Si uno de los i es negativo y los otros positivos, entonces xt Qx = c es un hiperboloide de una hoja.
5. Si c = 0 y uno de los i es positivo y los otros negativos o dos positivos y uno negativo entonces xt Qx = c es
un cono.
Ahora consideremos la ecuacion z = xt Qx con z variable y Q de tamanno 2x2 con valores propios 1 y 2 .
Entonces tenemos lo siguiente
1. Si 1 2 > 0 entonces z = xt Qx es un paraboloide elptico.
2. Si 1 2 < 0 entonces z = xt Qx es un paraboloide hiperbolico o silla de montar.

i 2 1
h x
Ejemplo 6.31. La seccion conica 2x2 +2xy+2y 2 = 4 se puede escribir matricialmente en la forma x y =
1 2 y
4.
2 1 1 1
Los vectores propios de Q = son v1 = y v2 = con valores propios 1 y 3, respectivamente.
1 2 1 1
Entonces con respecto a la base X = {v1 , v2 } tenemos que la ecuacion de la forma cuadratica esta dada por
x2 + 3y 2 = 4 cuya ecuacion corresponde a una elipse.
Ahora, si consideramos la ecuacion z = 2x2 + 2xy + 2y 2 entonces con respecto a la base X la ecuacion tiene
la forma z = x2 + 3y 2 el cual corresponde a un paraboloide elptico.

h i 0 2 x
Ejemplo 6.32. La seccion conica 4xy = 5 se puede escribir matricialmente en la forma x y =
2 0 y
5.
0 2 1 1
Los vectores propios de Q = son v1 = y v2 = con valores propios
2 0 1 1
-2 y 2, respectivamente. Normalizando estos vectores obtenemos w1 = 12 v1 y w2 = 12 v2 , entonces con respecto
a la base X = {w1 , w2 } tenemos que la ecuacion de la seccion conica esta dada por 2x2 + 2y 2 = 5 cuya
ecuacion corresponde a una hiperbola abierta
en la direccion de y , es decir,
en la direccion de la linea generada

5/2 5/2
por v2 y con interceptos 52 w2 = 25 v2 = y 5 w 2 =
2
.
5/2 5/2
Ahora, si consideramos la ecuacion z = 4xy entonces con respecto a la base X la ecuacion tiene la forma
z = 2x2 + 2y 2 la cual corresponde a un paraboloide hiperbolico o silla de montar.

5 1 1

Ejemplo 6.33. (MatLab) Sea Q = 1 5 1, determinar que tipo de conica corresponde a la ecuacion

1 1 5
xt Qx = 5.
222
Solucion. Usamos MatLab para calcular los valores propios de A,
>> A = [5 1 1; 1 5 1; 1 1 5]; eig(A)
ans =
6
3
6
Por tanto la conica corresponde
a un elipsoide. Para calcular
los ejes coordenados,
calculamos los vectores
1 1 1

propios los cuales son v1 = 1 con valor propio 3 y v2 = 1 y v3 = 0 ambos de valor propio 6. Notese

1 0 1
que v2 y v3 no son ortogonales, pero estos forman una base para el subespacio propio E6 , entonces usando
1/2

Gramm-Schmidt, reemplazamos v3 por w3 = v3 proyv2 v3 = 1/2. Obtenemos que los ejes coordenados bajo

1
los cuales la grafica de xt Qx = 5 es un elipsoide son las lineas determinadas por los vectores:

1 1 1/2

v 1 = 1 , v2 = 1 y w3 = 1/2 .

1 0 1

1 5 1

1 1, determinar que tipo de conica corresponde a la ecuacion xt Qx = 5.

Ejemplo 6.34. Sea Q = 5

1 1 5
Solucion. Se puede ver que los valores propios de Q son = 3, 6 y 6. Por tanto la conica corresponde a un
hiperboloide de una hoja.

1 1/2

Es facil ver que los vectores propios de Q son v1 = 1 con valor propio 3, v2 = 1/2 de valor propio

1 1

1

6 y v3 = 1 de valor propio -6. De donde se sigue que la ecuacion de esta conica con respecto a la base

0
{v1 , v2 , v3 } es 3x2 + 6y 2 6z 2 = 5, la cual corresponde a un hiperboloide de una hoja cuyo eje central es la
linea generada por el vector v3 .
Ejemplo 6.35. Determine el tipo de conica determinada por la cuadratica 2xy + 2xz + 2yz = 5.

0 1 1

Solucion. La matriz de la forma cuadratica es Q = 1 0 1 cuyos vectores propios ortogonales son v1 =

1 1 0

1 1/2 1

1 y v2 = 1/2 ambos de valor propio -1 y v3 = 1 de valor propio 2. Por tanto la ecuacion de esta

0 1 1
conica con respecto a la base {v1 , v2 , v3 } es x2 y 2 + 2z 2 = 5 cuya grafica corresponde a un paraboloide de
dos hojas cuyo eje central es la linea generada por el vector v3 .
6.7. Ejercicios
En los problemas 4-8 1 , 2 , . . . , n son los valores propios de una matriz A. Encuentre una matriz ortogonal
Q y una matriz diagonal D tal que A = QDQt si:

3 1 0 1 3 0
3 4 3 2

a. A = b. A = c. A = 1 3 0 d. A = 3 1 0
4 3 2 3
0 0 2 0 0 1
Para cada una de las matrices del problema anterior identifique el tipo de conica representada por la forma
cuadratica xt Ax = 4 y bosquejar su grafica. Para las matrices dadas en los Problemas 1a. y 1b. identifique el
tipo de superficie que que representa la ecuacion z = xt Ax con z variable. Para cada una de las matrices del
Problema
1 encuentre
una baseX de vectores propios
y encuentre
la matrizX
AX . Sean

1 0 1
1 0 1

X = x1 = 1 , x2 = 1 , x3 = 0 y Y = y1 = 1 , y2 = 1 , y3 = 0 bases de R3 .

0 1 2 0 1 1
Encuentre las matrices de cambio y X IY . Sea T : R3 R2 la transformacion lineal cuya matriz
de base Y IX
1 1 1
E TE esta dada por E TE = . Calcular la matriz Z TX de T con respecto a las bases
1 0 2

1 0 1
1 0
X = x1 = 1 , x2 = 1 , x3 = 0 de R3 y Z = z1 = , z2 = de R2 . Sea

1 1
0 1 2

1 1 0

T : R3 R3 la transformacion lineal cuya matriz E TE esta dada por E TE = 0 2 1. Calcular la

1 0 1

1 0 1

matriz X TX de T con respecto a la base X = x1 = 1 , x2 = 1 , x3 = 0 de R3 .

0 1 2
1. Mas Problemas.
7.
6.
5.
4.
3.
2.

1 0 1

8. Sea X = x1 = 1 , x2 = 1 , x3 = 0 una base de R3 , encontrar una base Y = {y1 , y2 , y3 } tal

0 1 2
224

1 0 1

que X IY = 1 1 0.

0 1 1

1 0 1

9. Repetir el problema anterior si en lugar de X IY se nos da Y IX
= 1 1 0 .

0 1 1

1 0
10. Sea T : R3 R2 una transformacion lineal y sea Z = z1 = , z2 = una base para R2 y X =
1 1

1 0 1
1 1 1
x1 = 1 , x2 = 1 , x3 = 0 una base para R3 . Si Z TX =
, calcular la matriz E TE .

0 2 1
0 1 2

x x + 2y 1 0
11. Sea T : R2 R2 definida por T = y sea Y = y1 = , y2 = una base de R2 .
y 2x + y 1 1

1 1
Calcular la base X tal que Y TX = .
0 2

2 1 1 1
12. Sea T : R2 R2 tal que E TE = . Demuestre que no existe una base X tal que X TX = .
1 1 0 1
Captulo 7
Aplicaciones
1
En esta seccion asumiremos
que A es una
matriz diagonalizabe con A = CDC donde C es la matriz de
1 0 0

0 2 0
vectores propios y D = .. .. . . .. con 1 , . . . , n los valores propios de A.

. . . .

0 0 n
7.1. Potencia de una matriz

Es facil ver que Ak = CDk C 1 . De hecho si suponemos por induccion que Ak1 = CDk1 C 1 entonces
Ak = Ak1 A = CDk1 |C 1 1
{z C} DC = CD
k1
DC 1 = CDk C 1 .
=I

k1 0 0

k2

0 0
Tambien se puede ver facilmente por induccion que Dk =
.. .. .. ..

. . . .

0 0 kn

2 1
Ejemplo 7.1. Calcule la k-esima potencia de la matriz A = .
1 2

1 1
Se puede ver que los vectores propios de A son v1 = de valor propio = 1 y v3 = de valor propio
1 1
= 3, entonces tenemos que
1
1 1 3 0 1 1
A=
1 1 0 1 1 1
Por tanto
k 1
1 k 1 k
1 1 3 0 1 1 1 1 3k 0 1 1 1 (3 + 1) 2 (3 1)
Ak = = = 2 .
1 1 0 1 1 1 1 1 0 1 2 1 1 1 k
2 (3 1)
1 k
2 (3 + 1)
225
226
7.1.1. Relaciones de recurrencia
Si se tiene una relacion de recurrencia determinada por una ecuacion de la forma an = an1 + an2 ,
entonces tenemos el sistema de ecuaciones

an = an1 + an2 , an an1
El cual es equivalente al sistema = ,

an1 = an1 , an1 1 0 an2

el cual es cierto para todo n. Si hacemos A = y si continuamos aplicando el sistema a los vectores
1 0

an1 an2
, , . . . , obtenemos
an2 an3

an a
= An1 1 . (7.1)
an1 a0
Si conocemos los valores de a1 y a0 , entonces con la Ecuacion (7.1) obtenemos
una formula para an en terminos
1 0
de los valores propios de A y n. Esto se da porque si A = C C 1 , con C la matriz de vectores propios
0 2

n1
1 0
y 1 y 2 los valores propios de A, entonces An1 = C C 1 .
n1
0 2
Ejemplo 7.2. (Sucecion de Fibonacci) La secuencia de Fibonacci satisface la relacion Fn = Fn1 + Fn2 ,
para n 2, con F0 = 0 y F1 = 1. Encuentre una formula para calcular el n-esimo termino
Fn .

Fn 1 1 Fn1
De acuerdo a las ecuaciones Fn = Fn1 +Fn2 y Fn1 = Fn1 , tenemos el sistema =
Fn1 1 0 Fn2
y por tanto
Fn F1 1 1
= An1 , con A = .
Fn1 F0 1 0

1

1

1 5 1 + 5
Los vectores propios de A son v1 = 2 con valor propio 1 = 1 (1 5) y v2 = 2 con
2
1 1

valor propio 1 = 12 (1 + 5).
1
1

1

1 5 1+ 5 1 5 0
Por tanto A = CDC 1 con C = 2 2 y D = 2 y de estos
1
1 1 0 2 1+ 5
obtenemos que

Fn F1 1
= An1 = CDn1 C 1
Fn1 F0 0

1
n1
1 5 0 1
=C 2 1
1
n1 C
0 2 1 5 0
n n
5
1 1
2 + 2 15 12 25
= 5 n1 n1
1 1 5 1 1 5
5 2
+ 2 5 2
2
n n
1 1 5 1 1 5
De esto concluimos que Fn = 5 2 + 2 5 2 2
7.1.2. Cadenas de Markov
Esta subseccion tambien se trata de una aplicacion de la potencia de matrices y lo expondremos con ejemplos.
Ejemplo 7.3. Dos companias A y B manipulan el mercado de celulares y se calcula que A tiene el 60 % de los
clientes, mientras que B maneja el 40 % del mercado. La compania A prepara una agresiva campana comercial
la cual, de acuerdo a un estudio de mercado, acarreara las siguientes consecuencias:
El 90 % de los clientes de A permanceran con A y el resto se ira a B
El 30 % de los clientes de B se cambiaran a A y el resto permanecera con B.
Determine los porcentajes de clientes de A y B si se aplica la campana 1 vez, 10 veces, k veces e indefinida-
mente.
Si Xk y Yk es el porcentaje de clientes de A y B respectivamente despues de aplicar la campana k veces
entonces tenemos que

Xk = 0,9Xk1 + 0,3Yk1 Xk 0,9 0,3 Xk1
equivalentemente = .
Yk = 0,1Xk1 + 0,7Yk1 Yk 0,1 0,7 Yk1
Por tanto, despues de aplicar la campana una vez otbtenemos

X1 0,9 0,3 X0 0,9 0,3 0,6 0,66
= = = .
Y1 0,1 0,7 Y0 0,1 0,7 0,4 0,34
Es decir, A manejara el 66 % de los clientes y B el 34 %.

Si se aplica la campana 10 veces obtenemos que
2 10
X10 0,9 0,3 X9 0,9 0,3 X8 0,9 0,3 X0 0,749
= = = = = .
Y10 0,1 0,7 Y9 0,1 0,7 Y8 0,1 0,7 Y0 0,251
Es decir, despues de aplicar la campana 10 veces, A dominara

el 74.9% del
mercado.

Xk X 0 ,6 0,9 0,3
Despues de aplicar la campana k veces obtenemos que = Ak = Ak , donde A = .
Yk Y0 ,4 0,1 0,7
Para determinar
la k-esima
potencia de A calculamos los valores y vectores propios y encontramos que los
3 1
vectores v1 = y v2 = de valores propios = 1 y = 0,6, respectivamente, por tanto: A = CDC 1
1 1

3 1 1 0
con C = yD= . De lo cual se obtiene que
1 1 0 0,6

1 3
3 1 1 0 1 1 3 + 0,6k 1 0,6k
Ak = CDk C 1 = 1 = 4
4

k 4 1 k 1
1 1 0 0,6 1 3 4 1 0,6 4 1 + 3 0,6k
228
De esta forma tenemos que

1
Xk 0, 6 3 0,6k+1
= Ak = 4
1
Yk 0, 4 4 1 + 0,6k+1
1

Por tanto el porcentaje de clientes de A despues de aplicar la campana k veces sera el 4 3 0,6k+1 % y el de

B sera 41 1 + 0,6k+1
Esto indica que si se aplica la campana indefinidamente el maximo porcentaje de clientes que obtiene A es
1 1
X = lm 3 0,6k+1 = 0,75 % y el mnimo porcentaje al que B llegara es Y = lm 3 + 0,6k+1 =
k 4 k 4
0,25 %.
Comparando este ultimo resultado con el obtenido al aplicar la campana 10 veces obtenemos que es suficiente
con aplicar esta alrededor de 10 veces para obener un buen beneficio para la compania.
7.2. Exponencial de una matriz diagonalizable

X 1 k
La funcion exponencial de un real x, se define como la serie ex = x . Se sabe que esta serie es
k!
k=0
convergente para todo x R y por tanto ex esta bien definido para todo x.

X 1 k
De igual forma para una matriz A definiremos la matriz exponencial como la matriz eA = A y
k!
k=0
mostraremos en esta seccion que esta matriz esta bien definida si A es diagonalizable. En general la matriz de
cualquier matriz compleja esta bien definida, pero esto requiere de la forma de Jordan, en esta seccion solo nos
concentraremos en las matrices diagonalizables.

1 0 0

0 2 0
Primero, si D = .

.. . . .. es diagonal, entonces

.. . . .

0 0 n

k1 0 0 k1 0 0

k2 k2

X 1 k X 1 0 0
X 1 0 0
eD = D =
. .. ..
=
..

. .. .. ..

k! k! .. . . k=0 k! ..

. . . .

k=0 k=0

0 0 kn 0 0 kn

X 1
k1 0 0

k=0 k!
e 1

0 0
X 1 k

0 2 0
0 e 2 0

= k! =
k=0 .. .. .. ..
.. .. .. .. . . . .
. . . .

X 1 0 0 e n
k
0 0 n
k!
k=0
Ahora, si la matriz A es diagonalizable con A = CDC 1 , tenemos que:

!
X 1 k X 1 1 k
X 1 X 1 k
A = (CDC ) = CDk C 1 = C D C 1 = CeD C 1 ,
k! k! k! k!
k=0 k=0 k=0 k=0
por tanto eA esta bien definido y eA = CeD C 1 .

2 1
Ejemplo 7.4. Calcular eA si A = .
1 2

1 1 3 0
En el Ejemplo 7.1 vimos que A = CDC 1 con C = yD= . Entonces
1 1 0 1
1
1 1 e3 0 1 1 e4 e2
eA = CeD C 1 = =
1 1 0 e 1 1 e4 e2
7.2.1. Sistemas Lineales de Ecuaciones diferenciales
Considere el sistema lineal de ecuaciones diferenciales de la forma

x1 = a11 x1 + + a1n xn , x1 a11 a1n x1

.. .. .. .. .. ..
. El cual es equivalente al sistema . = . . . ,

.

x = a x + + a x ,
n1 1 nn n
xn an1 ann xn
n

x1 a11 a1n

. . .. ..
el cual tambien, por simplicidad, escribiremos X = AX con X = .. y A = ..

. . .

xn an1 ann
Si A es diagonalizable con A = CDC 1 entonces el sistema tenemos que
X = AX = CDC 1 X o equivalentemente C 1 X = DC 1 X o equivalentemente Y = DY
donde Y = C 1 X y por tanto Y = C 1 Y . Si denotamos por y1 , . . . , yn las coordenadas del vector Y , entonces
la ecuacion Y = DY produce el sistema de ecuaciones
y1 = 1 y1 , ..., yn = n yn
cuyas soluciones estan dadas por

y 1 = c 1 e 1 t , ..., y n = e n t .
Como X = CY , obtenemos la siguiente solucion al sistema inicial

x1 c 1 e 1 t

.. .
. = X = CY = C .. .

xn c 1 e 1 t
230

x = 2x1 + x2 ,

1
Ejemplo 7.5. Resolver el sistema de ecuaciones lineales

x = x1 + 2x2 .
2

x1 2 1 x
El sistema se puede escribir en la forma = 1 y por el Ejemplo 7.1 sabemos que la matriz

x2 1 2 x2

2 1 1 1 3 0
A= se puede escribir como el producto A = CDC 1 con C = yD= .
1 2 1 1 0 1

y 3 0 y
Entonces haciendo Y = C 1 X obtenemos el sistema Y = DY , es decir, =
1 1 cuyas
y2 0 1 y2
soluciones estan dadas por
y1 = c1 e3t y y 2 = c 2 et
con c1 y c2 constantes. Finalmente obtenemos la solucion

x1 c1 e3t 1 1 c1 e3t c1 e3t + c2 et
=C = = .
x2 c 2 et 1 1 c 2 et c1 e3t c2 et
Es decir, las solucion al sistema esta dada por
x1 = c1 e3t + c2 et y x2 = c1 e3t c2 et
con c1 y c2 constantes.

Algebra 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

Algebra Lineal PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

ALGEBRA LINEAL

CON EL USO DE MATLAB

c Copyright by Omar Saldarriaga, 2010.

6. Valores y Vectores Propios 187

1.1. Sistemas de Ecuaciones Lineales

elimina la variable x y produce la ecuacion 6y = 6.

3. Si multiplicamos esta ultima ecuacion (y = 1) por -3 y se la sumamos a la Ecuacion (1.1), obtenemos

Los metodos que veremos en este libro son:

1. El metodo de reduccion Gauss-Jordan, el cual veremos en esta seccion.

4. La regla de Cramer, ver Seccion 5.5.

1. El sistema tiene solucion unica (como en el ejemplo ilustrado anteriormente).

A un sistema lineal de m ecuaciones con n incognitas,

se le asocia la matriz de tamano m (n + 1)

Ejemplo 1.4. Las siguientes matrices estan en forma escalonada reducida:

Ejemplo 1.5. (MatLab) La forma escalonada reducida de una matriz

Bosquejo de la demostracion. La demostracion se hace por induccion sobre el numero de columnas de A.

obteniendo la matriz ai1

Con estos pasos estamos garantizando el cumplimiento de la condiciones 2. y 4. de la Definicion 1.3.

Las operaciones para reducir esta matriz son las siguientes:

2. Si A tiene pivote en la ultima columna entonces el sistema tiene solucion vaca.

De esta matriz se obtienen las ecuaciones x1 = c1 , . . . , xn = cn la cuales corresponden a la unica solucion

demas si, entonces A tiene la forma

x 1 = d1 c 1 x n , ..., xn1 = dn1 cn1 xn .

Definicion 1.4. Un sistema lineal homogeneo es un sistema lineal de la forma

es decir, un sistema donde todos los terminos independientes son cero.

Corolario 1.4. Un sistema lineal homogeneo siempre tiene solucion.

Terminamos la seccion con la definicion de rango de una matriz.

rango(A) = 3, rango(B) = rango(C) = rango(D) = 2 y

rango(E) = rango(F ) = rango(G) = 1.

1.1.1. Use el metodo Gauss-Jordan para resolver los siguientes sistemas.

II. Solucion unica.

III. Infinitas soluciones y en este caso dar dos soluciones particulares.

1.1.7. Demuestre el Corolario 1.3 y el Corolario 1.4.

1.1.11. Si A es una matriz de tamano m n, demuestre que el rango(A) mn{m, n}.

1.2. Operaciones con Matrices y Vectores

Definicion 1.7. (Operaciones con matrices y vectores)

Teorema 1.5. Sean A, B y C matrices de tamanos m n, y escalares, entonces tenemos

Teorema 1.6. Sean x, y y z vectores con n componentes, y escalares, entonces tenemos

A continuacion se da la definicion de producto interno de vectores y transpuesta de una matriz, lo cual

Si una matriz A satisface que At = A, decimos que A es simetrica.

Ahora pasemos a definir el producto de matrices.

De estos resultados tenemos

Teorema 1.7. Sean A, B y C matrices de tamanos m n, n p y p q, respectivamente. Entonces se tiene

Teorema 1.8. Sean A y C matrices de tamanos m n y n q respectivamente, entonces se tiene lo siguiente:

1. Im A = A y AIn = A. En particular si A es una matriz cuadrada de tamano n n entonces AIn = In A = A.

3. (A + B)C = AC + BC, donde B es una matriz de tamano m n.

4. A(B + C) = AB + AC, donde B es una matriz de tamano n q.

3. El producto Bx es el vector x1 B1 + + xq Bq . Es decir, el vector Bx es una combinacion lineal de las

El producto Bx es una combinacion de las columnas de B:

1. A es triangular superior si aij = 0 para i > j.

2. A es triangular inferior si aij = 0 para i < j.

3. A es diagonal si aij = 0 para i 6= j.

1.2.4. Demuestre que el inverso aditivo de una matriz es unico.

1.2.5. Sean A y B matrices de tamanos m n. Muestre que

(b) (AB t )t = BAt .

1.2.6. Sean A y B matrices de tamanos m n y n p, demuestre que (AB)t = B t At .

1.2.7. Demuestre los Teoremas 1.5, 1.6 y 1.8.

1.2.9. Si A y B son matrices simetricas demuestre lo siguiente

1.2.12. Sean A, B Mn (R), demuestre lo siguiente

1. Si A y B son triangulares superiores, entonces AB es triangular superior.

2. Si A y B son triangulares inferiores, entonces AB es triangular inferior.

3. Si A y B son matrices diagonales, entonces AB es diagonal.

1.2.13. Sean A, B Mn (R) con B = .. . . . .. diagonal, demuestre lo siguiente: