Álgebra

ULE. EIII. I.T. Aeronautica. Metodos numericos.
Algebra (repaso de 1
o
)
Jose Ramon Gonzalez Martnez
3 de mayo de 2011
2
Indice general
1. Sistemas de ecuaciones lineales 5
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . 6
1.3. Metodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1. Operaciones elementales . . . . . . . . . . . . . . . . . . . 8
1.4. Matrices. Transformaciones elementales . . . . . . . . . . . . . . 10
1.4.1. Matrices escalonadas reducidas . . . . . . . . . . . . . . . 12
1.4.2. Forma normal de Hermite . . . . . . . . . . . . . . . . . . 13
1.4.3. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . 14
1.4.4. Matrices y sistemas . . . . . . . . . . . . . . . . . . . . . 14
1.5. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . 18
1.5.2. Producto de un escalar por una matriz . . . . . . . . . . . 18
1.5.3. Producto de matrices . . . . . . . . . . . . . . . . . . . . 19
1.5.4. Matriz traspuesta. . . . . . . . . . . . . . . . . . . . . . . 20
1.5.5. Traza y rango . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6. Matrices regulares . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . 21
1.6.2. Matriz inversa. Matrices regulares . . . . . . . . . . . . . 23
1.6.3. Calculo de la matriz inversa . . . . . . . . . . . . . . . . . 24
1.6.4. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . 26
1.7. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.7.1. Matriz inversa y determinantes . . . . . . . . . . . . . . . 32
1.7.2. Rango y determinantes . . . . . . . . . . . . . . . . . . . 33
1.7.3. Sistemas y determinantes . . . . . . . . . . . . . . . . . . 33
1.8. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2. Espacios vectoriales 61
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.2. Espacios vectoriales. Bases . . . . . . . . . . . . . . . . . . . . . . 61
2.2.1. Deniciones y ejemplos . . . . . . . . . . . . . . . . . . . 61
2.2.2. Dependencia e independencia lineal . . . . . . . . . . . . . 64
2.2.3. Sistemas generadores . . . . . . . . . . . . . . . . . . . . . 67
2.2.4. Bases de un espacio vectorial . . . . . . . . . . . . . . . . 67
2.2.5. Componentes de un vector respecto a una base . . . . . . 69
2.2.6. Coordenadas y dependencia lineal . . . . . . . . . . . . . 70
2.2.7. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . 70
3
4

INDICE GENERAL
2.3. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3.2. Subespacio generado por un conjunto de vectores . . . . . 73
2.3.3. Espacio de las y espacio de columnas de una matriz . . . 74
2.3.4. Ecuaciones cartesianas y parametricas de un subespacio . 75
2.3.5. Ecuaciones cartesianas y dimension de un subespacio . . . 75
2.3.6. Interseccion de subespacios . . . . . . . . . . . . . . . . . 78
2.3.7. Suma de subespacios . . . . . . . . . . . . . . . . . . . . . 78
2.3.8. Suma directa . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.4. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3. Aplicaciones lineales 91
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2. Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.2. Ejemplos de aplicaciones lineales . . . . . . . . . . . . . . 92
3.2.3. N ucleo e imagen . . . . . . . . . . . . . . . . . . . . . . . 94
3.2.4. Tipos de aplicaciones . . . . . . . . . . . . . . . . . . . . . 94
3.3. Operaciones con aplicaciones lineales . . . . . . . . . . . . . . . . 97
3.4. Aplicaciones lineales y matrices . . . . . . . . . . . . . . . . . . . 99
3.4.1. Matriz asociada a una aplicacion lineal . . . . . . . . . . . 99
3.4.2. Matriz asociada y n ucleo e imagen . . . . . . . . . . . . . 104
3.4.3. Matriz asociada y cambio de base . . . . . . . . . . . . . 105
3.4.4. Matriz asociada y operaciones con aplicaciones lineales . . 109
3.5. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4. Diagonalizacion 129
4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.2. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . 130
4.2.1. Vector propio y valor propio . . . . . . . . . . . . . . . . . 130
4.3. El polinomio caracterstico . . . . . . . . . . . . . . . . . . . . . . 135
4.4. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.4.1. Condiciones necesarias y sucientes . . . . . . . . . . . . . 137
4.4.2. Condiciones sucientes . . . . . . . . . . . . . . . . . . . . 139
4.5. Algunas aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.5.1. Estudio de un endomorsmo . . . . . . . . . . . . . . . . 141
4.5.2. Calculo de la potencia k-esima de una matriz . . . . . . . 142
4.5.3. Calculo de funciones matriciales . . . . . . . . . . . . . . 143
4.5.4. Otras aplicaciones . . . . . . . . . . . . . . . . . . . . . . 144
4.6. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Captulo 1
Sistemas de ecuaciones
lineales
Contenidos
1. Introduccion.
2. Sistemas de ecuaciones lineales
3. Metodo de Gauss-Jordan.
4. Matrices.
5. Determinantes.
6. Comentarios.
7. Ejercicios.
1.1. Introduccion
Notacion
A lo largo de todo el curso de algebra lineal el cuerpo K sera el de los n umeros
reales R; previo aviso, podra ser el de los n umeros complejos C y en alg un caso
muy especco podra ser Z
p
, el de las clases de restos modulo p, con p n umero
primo. Los ndices seran representados por i, j, k, l, n, m, p que habitualmente
seran n umeros enteros positivos.
Denicion 1.1.1 (Ecuacion lineal) Una ecuacion lineal con coecientes
en K es una expresion de la forma
a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b (1.1)
en donde:
a
1
, a
2
, , a
n
K son los coecientes.
b K es el termino independiente.
los smbolos x
1
, x
2
, , x
n
son las incognitas.
1
1
Si n 3 se suelen usar los smbolos x, y y z para representar a las incognitas.
5
6 CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Si b = 0 se dice que la ecuacion es homogenea.
Observar que en una ecuacion lineal no pueden aparecer terminos del estilo
una incognita al cuadrado, producto de dos incognitas ni funciones (exponen-
ciales, trigonometricas, logartmicas, ) de las incognitas.
Ejemplo 1.1.1 Las ecuaciones 2x+3y = 0, 2x+3y = 7, x
1
+x
2
+ +x
n
= 0
y x
1
+x
2
+ +x
n
= 1, son cuatro ecuaciones lineales mientras que x
2
y = 0,
y =

x, xy +z = 0 y sinx +y +z = 0 no lo son.
Denicion 1.1.2 (Solucion) Una solucion de la ecuacion lineal
a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b (1.2)
es cualquier n-upla (s
1
, s
2
, , s
n
) K
n
de modo que se verique
a
1
s
1
+a
2
s
2
+ +a
n
s
n
= b (1.3)
Usualmente se escribe x
1
= s
1
, x
2
= s
2
, , x
n
= s
n
Una solucion no es mas que una asignacion de valores a las incognitas de
forma que se verique la igualdad.
Ejemplo 1.1.2 Una solucion de la ecuacion lineal 2x + 3y = 0 es x = 3,
y = 2; otra solucion es x = 0, y = 0. Una solucion de la ecuaci on lineal
x
1
+x
2
+x
3
= 1 es x
1
= 1, x
2
= 1, x
3
= 0; otra solucion es x
1
= 1, x
2
= 0,
x
3
= 1.
1.2. Sistemas de ecuaciones lineales
Denicion 1.2.1 (Sistema lineal) Un sistema lineal S de m ecuaciones
lineales con n incognitas es un conjunto de m ecuaciones lineales con las mismas
incognitas:
S
_
_
a
1,1
x
1
+ a
1,2
x
2
+ + a
1,n
x
n
= b
1
a
1,2
x
1
+ a
2,2
x
2
+ + a
2,n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
x
1
+ a
m,2
x
2
+ + a
m,n
x
n
= b
m
(1.4)
Es usual escribirlo en la forma
S a
i,1
x
1
+a
i,2
x
2
+ +a
i,n
x
n
= b
i
, (i = 1, , m) (1.5)
y tambien como
S
n
j=1
a
i,j
x
j
= b
i
, (i = 1, , m) (1.6)
Para referirnos al anterior sistema utilizaremos la letra S.
Denicion 1.2.2 (Solucion) Una solucion de S es cualquier n-tupla
(s
1
, s
2
, , s
n
) K
n
(1.7)
de modo que se verique
a
i,1
s
1
+a
i,2
s
2
+ +a
i,n
s
n
= b
i
, (i = 1, , m) (1.8)
1.2. SISTEMAS DE ECUACIONES LINEALES 7
Usualmente se escribe x
1
= s
1
, x
2
= s
2
, , x
n
= s
n
.
Una solucion no es mas que una asignacion de valores a las incognitas de
forma que se veriquen simultaneamente todas las ecuaciones del sistema S; es
decir, que se veriquen las igualdades
a
i,1
s
1
+a
i,2
s
2
+ +a
i,n
s
n
= b
i
, (i = 1, , m) (1.9)
Resolver el sistema S es hallar todas y cada una de sus soluciones.
Denicion 1.2.3 (Solucion general) Se llama solucion general del siste-
ma S al conjunto de todas las soluciones posibles del sistema.
Denicion 1.2.4 (Sistemas equivalentes) Dos sistema son equivalentes si
tienen las mismas soluciones.
Ejemplo 1.2.1 Una solucion del sistema
_
x +y = 2
x y = 0
es x = 1, y = 1. Es la unica posible.
Ejemplo 1.2.2 El sistema
_
x +y = 2
x +y = 0
no tiene solucion.
Ejemplo 1.2.3 Una solucion del sistema
_
x +y +z = 2
x +y z = 0
es x = 1, y = 0, z = 1. Otra solucion es x = 0, y = 1, z = 1. La solucion general
es x = 1 , y = , z = 1, siendo K. Tiene por tanto varias soluciones.
La solucion general se suele expresar mediante
(1 , , 1); K
o mediante
_
_
x
y
z
_
_
=
_
_
1
0
1
_
_
+
_
_
1
1
0
_
_
o mediante
(x, y, z) = (1, 0, 1) +(1, 1, 0)
siendo K.
8 CAP

Discusion de un sistema. Atendiendo al n umero de soluciones de un
sistema S se dice que:
Denicion 1.2.5 Sea S un sistema. Se dice:
1. S es compatible si tiene solucion.
a) El sistema compatible S es determinado si tiene solucion unica.
b) El sistema compatible S es indeterminado si tiene varias solucio-
nes.
2. S es incompatible si no tiene solucion.
Discutir un sistema es estudiar y decidir a cual de los anteriores tipos
pertenece.
Denicion 1.2.6 (Sistema homogeneo) El sistema S es homogeneo si ca-
da termino independiente es nulo.
Todo sistema homogeneo tiene al menos la solucion trivial x
1
= 0, x
2
= 0,
, x
n
= 0 siendo por tanto compatible. Usualmente interesan las soluciones
no triviales; si existen, es compatible indeterminado.
Ejercicio 1.2.1 Sean = (
1
,
2
, ,
n
) y = (
1
,
2
, ,
n
) soluciones de
un sistema homogeneo H. Demostrar que tambien son soluciones + =
(
1
+
1
,
2
+
2
, ,
n
+
n
) con , K
1.3. Metodo de Gauss-Jordan
Dado un sistema S mediante ciertas operaciones elementales transformarlo
en otro equivalente pero mas simple y cuyas soluciones sean muy faciles de
hallar.
1.3.1. Operaciones elementales
Las operaciones elementales son las siguientes:
1. Intercambio de dos ecuaciones.
2. Multiplicar una ecuacion por un escalar no nulo.
3. Sumar a una ecuacion otra multiplicada por un escalar.
Naturalmente se pueden iterar las operaciones elementales cuantas veces
sean necesarias. Se tiene as el siguiente resultado:
Proposicion 1.3.1 Si en un sistema S se realiza cualquiera de las operaciones
elementales anteriores, se obtiene un nuevo sistema S
equivalente a S.
1.3. M
ETODO DE GAUSS-JORDAN 9
Ejemplo
Efectuando operaciones elementales en el sistema
S
_
_
_
2x + 2y + 10z = 18
2x + 3y + 12z = 23
+ 2y + 5z = 11
se obtienen consecutivamente los sistemas equivalentes:
S
1

_
_
_
x + y + 5z = 9
2x + 3y + 12z = 23
+ 2y + 5z = 11
S
2

_
_
_
x + y + 5z = 9
+ y + 2z = 5
+ 2y + 5z = 11
S
3

_
_
_
x + y + 5z = 9
y + 2z = 5
z = 1
S
4

_
_
_
x + y = 4
y = 3
z = 1
S
5

_
_
_
x = 1
y = 3
z = 1
de donde la solucion x = 1, y = 3, z = 1.
2
Ejemplo
Efectuando operaciones elementales en el sistema
S
_
_
_
2x + 3y 5z = 21
x + y + 3z = 12
5x + 2y + 5z = 23
se obtienen consecutivamente los sistemas equivalentes:
S
1

_
_
_
x + y + 3z = 12
2x + 3y 5z = 21
5x + 2y + 5z = 23
S
2

_
_
_
x + y + 3z = 12
y 11z = 45
3y 10z = 37
S
3

_
_
_
x + y + 3z = 12
y 11z = 45
43z = 172
2
Observar que los sistemas interesantes son escalonados y que en S
3
se poda iniciar un
proceso de sustituci on hacia atras o sustitucion regresiva.
10 CAP

S
4

_
_
_
x + y + 3z = 12
y 11z = 45
z = 4
S
5

_
_
_
x + y = 0
y = 1
z = 4
S
6

_
_
_
x = 1
y = 1
z = 4
de donde la solucion x = 1, y = 1, z = 4.
Observar que los sistemas interesantes son escalonados y que en S
3
o en S
4
se poda iniciar un proceso de sustitucion hacia atras o sustitucion regresiva.
Ejemplo
Resolver el sistema
S
_
x + y + 2z = 2
x + 2y + 3z = 3
S
1

_
x + y + 2z = 2
y + z = 1
S
2

_
x + z = 1
y + z = 1
S
2

_
x = 1 z
y = 1 z
de donde la solucion general es x = 1 , y = 1 , z = , con K.
1.4. Matrices. Transformaciones elementales
Denicion 1.4.1 (Matriz) Una matriz A de orden m n es una caja de
mn escalares de la forma
_
_
a
1,1
a
1,2
a
1,n
a
1,2
a
2,2
a
2,n

a
m,1
a
m,2
a
m,n
_
_
(1.10)
en donde los escalares estan distribuidos en m las y n columnas.
El elemento a
i,j
es el situado en la la i y columna j. Se expresa la matriz
A mediante A = (a
i,j
) siendo evidente que i [1..m] y j [1..n]. Los conjuntos
I = [1..m] y J = [1..n] son los de ndices de las y columnas de A. Se dice que
A es de tipo m n. El conjunto /
mn
(K) es el conjunto de matrices de tipo
mn con entradas en K. Caso de ser m = n solo escribiremos /
n
(K)
1.4. MATRICES. TRANSFORMACIONES ELEMENTALES 11
Ejemplo 1.4.1 Son matrices las siguientes
A = (1), B =
_
1 2
3

2
_
, C =
_
1 2 3

, D =
_
_
e
log 2
_
_
y no son matrices
E =
_
1
2
_
, F =
_
_
1 3 6
8 5
2 7 4
_
_
Denicion 1.4.2 (Igualdad) Sean A = (a
ij
), B = (b
ij
) /
mn
(K). Las
matrices A y B son iguales, escrito A = B, si i I y j J se verica
a
i,j
= b
i,j
(1.11)
En resumen: dos matrices son iguales si tiene igual orden e iguales elementos
en las mismas posiciones.
Vocabulario y tipos de matrices
Una submatriz de A es la matriz obtenida al suprimir en A una o varias
las y/o una o varias columnas.
La matriz A es una matriz la si tiene una sola la, (m = 1). Usualmente
se escribe
A = [a
1
, a
2
, , a
n
] (1.12)
Son de tipo 1 n, A /
1n
(K)
La matriz A es una matriz columna si tiene una sola columna, (n = 1).
Usualmente se escribe
A =
_
_
a
1
.
.
.
a
n
_
_ (1.13)
Son de tipo m1, A /
m1
(K)
La matriz A es cuadrada si tiene igual n umero de columnas que de las,
(m = n). Usualmente se escribe
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
(1.14)
Son de tipo n n, A /
n
(K)
Sea A /
n
(K) una matriz cuadrada.
La diagonal principal de A es el conjunto a
11
, a
22
, , a
nn
A es diagonal si a
ij
= 0 para i ,= j
12 CAP

A es triangular superior si a
ij
= 0 para i > j. Son del estilo
A =
_
_
a
11
a
12
a
1n
0 a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
(1.15)
A es triangular inferior si, y solo si, a
ij
= 0 para i < j. Son del estilo
A =
_
_
a
11
0 0
a
21
a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
(1.16)
La traza de la matriz A, Tr(A), es la suma de los elemento de la
diagonal principal.
Tr(A) = a
11
+a
22
+ +a
nn
(1.17)
La matriz identidad de orden n es la matriz I
n
I
n
=
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
_
_
(1.18)
escribiendose solamente I si no hay duda sobre el valor de n.
Si se utiliza el smbolo de Kronecker
ij
(si i = j, entonces toma el valor
1 y sino, toma el valor 0), la matriz identidad se escribe I = (
ij
).
1.4.1. Matrices escalonadas reducidas
Sea A /
mn
(K). El pivote de una la no nula de A es el primer elemento
no nulo de dicha la. Idem para columnas.
Denicion 1.4.3 La matriz A es escalonada por las si verica las siguien-
tes condiciones:
1. Si una la de A es nula, entonces cualquier la posterior de A tambien es
nula, caso de existir.
2. El pivote de cada la no nula es 1.
3. El pivote de cada la no nula esta a la derecha del pivote de la la anterior.
4. Todo elemento de la columna del pivote y posterior a el es nulo.
Denicion 1.4.4 La matriz A es escalonada reducida por las si es escalonada
por las y ademas verica que todo elemento de la columna del pivote es nulo
(salvo el pivote).
Ejemplo 1.4.2 No son escalonadas por las
_
_
2 0 0 3
0 1 0 2
0 0 2 3
_
_
,
_
_
1 0 0 1
0 1 0 1
0 1 2 3
_
_
Ejemplo 1.4.3 Son escalonadas por las
_
_
1 0 0 3
0 1 1 2
0 0 1 3
_
_
,
_
_
1 0 0 3
0 1 0 2
0 0 1 3
_
_
Ejemplo 1.4.4 Escalonada pero no reducida por las
_
_
1 0 0 3
0 1 1 2
0 0 2 3
_
_
Ejemplo 1.4.5 Escalonada reducida por las
_
_
1 0 0 3
0 1 0 2
0 0 1 3
_
_
Analogamente se denen las matrices escalonadas por columnas.
1.4.2. Forma normal de Hermite
Nuestro objetivo es transformar mediante operaciones elementales una ma-
triz en otra escalonada reducida por las. Las operaciones elementales de las
adecuadas al caso son las siguientes:
Tipo I.
Intercambiar dos las.
Tipo II.
Multiplicar una la por un escalar no nulo.
Tipo III.
Sumar a una la otra multiplicada por un escalar.
Denicion 1.4.5 (Equivalencia por las) Dos matrices A y B son equiva-
lentes por las si mediante operaciones elementales sobre las se puede pasar
de una a otra. Se escribe A
f
B
Ejercicio 1.4.1 Justicar que la anterior relacion es de equivalencia.
Lema 1.4.1 Sean A y B matrices reducidas por las. Si A y B son equivalentes
por las, entonces A = B.
Teorema 1.4.1 Cualquier matriz A /
mn
(K) es equivalente por las a una
unica matriz escalonada reducida por las.
14 CAP

Denicion 1.4.6 La forma normal de Hermite por las de A es la unica
matriz escalonada reducida por las equivalente a A.
Analoga situacion para columnas.
Nota 1.4.1 La forma de Hermite es unica pero no lo es el modo de obtenerla;
pueden ser muy variados los caminos para llegar a ella.
Ejercicio 1.4.2 Hallar la forma normal de Hermite por las de la matriz
A =
_
_
3 6 5 0
1 1 2 9
2 4 3 1
_
_
Solucion
Debemos de hallar la forma escalonada reducida por las de A. Se obtiene
H
f
(A) =
_
_
1 0 0 1
0 1 0 2
0 0 1 3
_
_
1.4.3. Rango de una matriz
Sea A /
mn
(K).
Denicion 1.4.7 (Rango) Rango de A es el n umero de las no nulas de la
matriz H
f
(A), forma normal de Hermite por las de la matriz A.
Se escribe rg(A) para indicar el rango de A. Otras veces solo r(A) y otras
rang(A). En la matriz del ejercicio anterior se tiene rg(A) = 3.
Para calcular rg(A) solo es necesario hallar una matriz escalonada equiva-
lente por las a la dada A. Ello es evidente sin mas que considerar que el paso
de una matriz escalonada a otra escalonada reducida no cambia el n umero de
las no nulas.
1.4.4. Matrices y sistemas
Denicion 1.4.8 Sea dado el sistema S de m ecuaciones lineales con n incogni-
tas
S
_
_
a
1,1
x
1
+ a
1,2
x
2
+ + a
1,n
x
n
= b
1
a
1,2
x
1
+ a
2,2
x
2
+ + a
2,n
x
n
= b
2

a
m,1
x
1
+ a
m,2
x
2
+ + a
m,n
x
n
= b
m
(1.19)
la matriz de coecientes del sistema S es la matriz
A =
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
a
m,2
a
m,n
_
_
(1.20)
y la matriz ampliada del sistema S es la matriz
(A [ b) =
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
a
m,2
a
m,n
b
1
b
2
.
.
.
b
n
_
_
(1.21)
S
_
_
_
2x + 2y + 10z = 18
2x + 3y + 12z = 23
+ 2y + 5z = 11
tiene por matriz de coecientes A y por matriz ampliada (A [ b) respectivamente
a
A =
_
_
2 2 10
2 3 12
0 2 5
_
_
, (A [ b) =
_
_
2 2 10 18
2 3 12 23
0 2 5 11
_
_
Proposicion 1.4.1 (Metodo de Gauss-Jordan) Sea el sistema de ecuacio-
nes lineales S con matriz de coecientes es A y matriz ampliada (A [ b). Si la
matriz H
f
(A [ b) es la matriz de Hermite por las de la matriz ampliada (A [ b),
entonces el sistema cuya matriz ampliada es H
f
(A [ b) es un sistema escalonado
reducido equivalente a S.
Demostracion
Sabemos que las transformaciones elementales no afectan a la solucion ge-
neral de un sistema ya que transforman un sistema en otro equivalente. Como
H
f
(A [ b) es la matriz de Hermite por las de la matriz ampliada (A [ b), lo que
supone que se ha pasado de una a otra por operaciones elementales, luego no
cambian las soluciones; es decir, son sistemas equivalentes.

S
_
_
_
2x + 2y + 10z = 18
2x + 3y + 12z = 23
+ 2y + 5z = 11
tiene por matriz ampliada a
(A [ b) =
_
_
2 2 10 18
2 3 12 23
0 2 5 11
_
_
cuya forma de Hermite es
H
f
(A [ b) =
_
_
1 0 0 1
0 1 0 3
0 0 1 1
_
_
luego el sistema S es equivalente al sistema
S

_
_
_
x = 1
y = 3
z = 1
que es compatible y determinado con unica solucion x = 1,y = 3, z = 1.
16 CAP

Teorema 1.4.2 (Rouche-Frobenius) Sea el sistema de ecuaciones lineales S
con matriz de coecientes es A y matriz ampliada (A [ b). Se tiene:
1. S es compatible si, y solo si, rg(A) = rg(A [ b)
2. S es compatible y determinado si, y solo si, rg(A) = rg(A [ b) = n
Demostracion
1. Sea H
f
(A [ b) es la matriz de Hermite por las de la matriz ampliada
(A [ b). La matriz H
f
(A), de Hermite por las de la matriz de coecientes
A, es la obtenida eliminando la ultima columna de H
f
(A [ b). Es claro que
el sistema S es compatible si, y solo si, en su forma escalonada reducida
no gura la ecuacion 0 = b con b ,= 0; es decir, si la matriz H
f
(A) y la
matriz H
f
(A [ b) tienen el mismo n umero de las no nulas ; es decir, si
rg(A) = rg(A [ b).
2. Si r = rg(A) = rg(A [ b), entonces existen r incognitas principales, y el
sistema sera compatible determinado si, y solo si, todas las incognitas son
principales; es decir, si r = n.
N umero de operaciones. El metodo de eliminacion requiere efectuar

un n umero de operaciones con los coecientes del sistema (al margen de los
terminos independientes); evidentemente sera funcion del tama no m n. Para
jar ideas supongamos que m = n, que los pivotes ya estan en su sitio (no
es preciso localizarlos) y que entendemos por operacion a cada division y o
multiplicacion del pivote por el n umero adecuado para restar a los de su columna
y obtener ceros debajo del pivote. Es muy facil ver que en la primera iteracion
son necesarias n(n1) operaciones (se cambian las n
2
entradas excepto las n de
la primera la; luego, para la segunda iteracion solo son necesarias (n1)(n2)
operaciones, etc. Finalmente, en total
S
n
= (n
2
n) +
_
(n 1)
2
(n 1)
_
+ + (3
2
3) + (2
2
2) + (1
2
1)
= (1
2
+ 2
2
+ +n
2
) (1 + 2 + +n)
=
n(n + 1)(2n + 1)
6

n(n + 1)
2
=
n
3
n
3
Para n sucientemente grande, resulta S
n

n
3
3
Acto seguido por sustitucion regresiva, se calcula x
n
en 1 operacion, x
n1
en
2 operaciones, etc; en total
1 + 2 + +n =
n(n + 1)
2

n
2
2
(1.22)
lo que es un n umero signicativamente inferior al anterior; en conclusion, en
total para n sucientemente grande, resulta
n
3
3
(1.23)
Causa de acierto o de fallo del proceso de eliminacion
Es la buena o mala eleccion de pivotes. Es evidente que:
Un pivote nulo esta prohibido, debemos evitarlo.
3
Un pivote inadecuado puede ser causa de arruinar un calculo ya que se
pueden aumentar los errores excesivamente, arruinando completamente
los calculos.
4
Por ejemplo, si si = 0,0001 y A =
_
1
1 1
_
es la matriz
del sistema
_
x +y = 1
x +y = 2
, tomando como pivote resulta
_
x +
1
y =
1
x +y = 2

_
x +
1
y =
1
_
1
1
_
y = 2
1
de donde
y =
2
1
1
1
1
ya que 0 1 Finalmente
x =
1
y
1
= 0
Hemos obtenido una solucion erronea y = 1 exacta pero x = 0 es muy
erroneo.
Si permutamos las ecuaciones se tiene el sistema
x +y = 2
x +y = 1
y tomando a 1 como pivote resulta
x +y = 2
0x + (1 )y = 1 2
luego
y =
1 2
1
1
y
x = 2 y 1
Algunas matrices son muy sensibles a ligeros cambios en sus entradas,
otras no. Por ejemplo, si = 0,0001
A =
_
1 1
1 1 +
_
, B =
_
1
1 1
_
resulta que A esta mal colocada, es muy sensible, es casi singular
5
;
mientras que B esta bien colocada.
3
Usualmente permutando las (ecuaciones). Por ejemplo en el sistema
0x + 1y = 1
1x + 1y = 2
de
solucion x = 1, y = 1.
4
Recordamos que para n = 100 el n umero de operaciones es del orden de
1
3
10
6
y que
en cada operacion puede haber un redondeo (en coma otante el ordenador trabaja con un
n umero jo de dgitos signicativos) con la consiguiente perdida de exactitud.
5
El sistema o el problema planteado por el sistema esta mal condicionado.
18 CAP

1.5. Operaciones con matrices
1.5.1. Suma de matrices
Sean las matrices A = (a
ij
), B = (b
ij
) /
mn
(K).
Denicion 1.5.1 (Suma) La matriz suma de A y B es la matriz C = (c
ij
)
dada por
c
ij
= a
ij
+b
ij
, (i I, j J) (1.24)
Evidentemente C /
mn
(K) y se escribe C = A+B. La entrada c
ij
de C
es la suma de la entrada a
ij
de A con la b
ij
de B.
Propiedades de la suma de matrices
El conjunto /
mn
(K) en el que se ha denido la operacion suma de matrices
se ha dotado de una estructurta algebraica de grupo abeliano; es decir, en
/
mn
(K) se verican las siguientes propiedades, en donde A, B, C /
mn
(K)
1. La suma de matrices en /
mn
(K) es una operacion interna.
A+B /
mn
(K) (1.25)
2. Asociativa.
A+ (B +C) = (A+B) +C (1.26)
3. Conmutativa.
A+B = B +A (1.27)
4. Elemento neutro. Existe X /
mn
(K) tal que para toda matriz A se
verica
A+X = X +A = A (1.28)
La matriz X se representa por 0 y recibe el nombre de matriz nula. Notar
que sus entradas son nulas. 0 = (0).
5. Elemento simetrico. Existe X /
mn
(K) tal que para toda matriz A se
verica
A+X = X +A = 0 (1.29)
La matriz X se representa por A y recibe el nombre de matriz opuesta
de A. Notar que sus entradas son las opuestas de A.
1.5.2. Producto de un escalar por una matriz
Sean Ky A /
mn
(K)
Denicion 1.5.2 El producto del escalar por la matriz A es la matriz A
/
mn
(K), dada por
A = (a
ij
), (i I, j J) (1.30)
1.5. OPERACIONES CON MATRICES 19
Propiedades
El producto de un escalar por una matriz A verica las siguientes propie-
dades, en donde , Ky A, B /
mn
(K),
1. Distributiva del producto respecto a la suma de escalares.
( +)A = A+A (1.31)
2. Distributiva del producto respecto a la suma de matrices.
(A+B) = A+B (1.32)
3. Pseudoasociativa de escalares y vectores.
()A = (A) (1.33)
4. Ley de Identidad.
1A = A (1.34)
Observemos que (1)A es la matriz opuesta de A; es decir (1)A = A
1.5.3. Producto de matrices
Sean A /
mn
(K) y B /
np
(K).
Denicion 1.5.3 (Producto) La matriz producto de A y B es la matriz C,
denotado por C = AB, y determinada mediante
6
c
ij
=
n
h=1
a
ih
b
hj
, (i I, j J) (1.35)
Propiedades del producto matricial. Se verican las siguientes pro-
piedades:
7
A(BC) = (AB)C (1.36)
I
m
A = A (1.37)
AI
n
= A (1.38)
A(B +C) = AB +AC (1.39)
(A+B)C = AC +BC (1.40)
(AB) = (A)B (1.41)
6
Observar que c
ij
es el producto escalar de la la i de A por la columna j de B.
7
Siempre que tengan sentido las operaciones indicadas.
20 CAP

Caso particular /
n
(K). El conjunto de las matrices cuadradas de orden
n, /
n
(K), con la suma y el producto de matrices esta dotado de una estructura
algebraica de anillo; en concreto:
Proposicion 1.5.1 Si n > 1, entonces (/
n
(K), +, ) es un anillo no conmu-
tativo con unidad.
Nota 1.5.1 El producto de matrices no es conmutativo.
Ejercicio 1.5.1 Comprobar que AB = 0 siendo
A =
_
1 0 1
0 0 0
_
, B =
_
_
0 2 1 0
1 3 0 1
0 2 1 0
_
_
Ejercicio 1.5.2 Justicar si se verican o no las siguientes igualdades matri-
ciales:
1. (A+B)
2
= A
2
+ 2AB +B
2
2. A
2
B
2
= (A+B)(AB)
Solucion
NO. El producto no es conmutativo.
1.5.4. Matriz traspuesta.
Sea A /
mn
(K).
Denicion 1.5.4 (Traspuesta) Matriz traspuesta de A = (a
ij
) es la matriz
A
T
= (a
ji
).
Observar que A
T
/
nm
(K)
Propiedades
La trasposicion de matrices verica las siguientes propiedades
8
1. (A+B)
T
= A
T
+B
T
2. (AB)
T
= B
T
A
T
3. (A)
T
= A
T
Ejercicio 1.5.3 Sea A, B /
n
(K). Justicar que:
1. AA
T
es simetrica.
2. Si A es simetrica, entonces BAB
T
es simetrica.
3. Si A es antisimetrica, entonces BAB
T
es antisimetrica.
Solucion
1. (AA
T
)
T
= (A
T
)
T
A
T
= AA
T
2. (BAB
T
)
T
= (B
T
)
T
A
T
B
T
= BAB
T
3. (BAB
T
)
T
= (B
T
)
T
A
T
B
T
= B(A)B
T
= BAB
T
8
Siempre que tengan sentido las operaciones indicadas.
1.6. MATRICES REGULARES 21
1.5.5. Traza y rango
Proposicion 1.5.2 Si A, B /
n
(K), entonces
1. Tr(A+B) = Tr(A) +Tr(B)
2. Tr(A) = Tr(A)
3. Tr(AB) = Tr(BA)
4. r(A+B) r(A) +r(B)
5. r(A) = r(A), ( ,= 0)
1.6. Matrices regulares
1.6.1. Matrices elementales
La accion de una operacion elemental se puede interpretar como el producto
de cierta matriz con la matriz dada.
Denicion 1.6.1 (Matriz elemental) Matriz elemental de orden n es la ma-
triz resultante de efectuar una operacion elemental por las sobre la matriz uni-
dad I
n
.
En consecuencia solo tenemos matrices elementales de tres tipos:
1. Matriz elemental de tipo I. E
ij
es la matriz obtenida de la identidad I
n
al
intercambiar entre s las las i-esima y j-esima.
E
ij
=
_
_
1
.
.
.
0 1
.
.
.
1 0
.
.
.
1
_
_
(1.42)
2. Matriz elemental de tipo II. E
i
() es la matriz obtenida de la identidad
I
n
al multiplicar la la i-esima por el escalar no nulo .
E
i
() =
_
_
1
.
.
.
.
.
.
0
_
_
(1.43)
22 CAP

3. Matriz elemental de tipo III. E
ij
() es la matriz obtenida de la identidad
I
n
al sumar a la la i-esima la la j-esima multiplicada por el escalar .
E
ij
() =
_
_
1
.
.
.
1
.
.
.
1
.
.
.
1
_
_
(1.44)
Nota 1.6.1 Resultados similares se obtienen con operaciones elementales sobre
columnas; a saber:
1. E
ij
es la matriz obtenida de la identidad I
n
al intercambiar entre s las
columnas i-esima y j-esima.
2. E
i
() es la matriz obtenida de la identidad I
n
al multiplicar la columna
i-esima por el escalar no nulo
3. E
ij
() es la matriz obtenida de la identidad I
n
al sumar a la columna
j-esima la columna i-esima multiplicada por el escalar .
Ejemplo 1.6.1 En R
4
se tienen
E
13
=
_
_
0 0 1 0
0 1 0 0
1 0 0 0
0 0 0 1
_
_
, E
3
(2) =
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
, E
24
=
_
_
1 0 0 0
0 1 0 3
0 0 1 0
0 0 0 1
_
_
Una consecuencia elemental de lo anterior es:
Proposicion 1.6.1 Sea A /
mn
(K) y las matrices elementales E /
m
(K)
y F /
n
(K). Se tiene:
1. EA es la matriz resultante de efectuar sobre A la operaci on elemental por
las generadora de E.
2. AF es la matriz resultante de efectuar sobre A la operacion elemental por
columnas generadora de E.
Corolario 1.6.1 Sea A /
mn
(K) y H
f
(A) y H
c
(A) las formas normales de
Hermite de A por las y por columnas respectivamente. Entonces:
1. Existen matrices elementales E
1
, E
2
, , E
h
/
m
(K) tales que
H
f
(A) = E
h
E
h1
E
2
E
1
A (1.45)
2. Existen matrices elementales F
1
, F
2
, , F
h
/
n
(K) tales que
H
c
(A) = AF
1
F
2
F
h
(1.46)
1.6.2. Matriz inversa. Matrices regulares
Sea A /
n
(K).
Denicion 1.6.2 (Matriz inversible) La matriz A es inversible si tiene ma-
triz inversa respecto al producto de matrices en /
n
(K).
La matriz A es inversible si, y solo si, X /
n
(K) tal que XA = AX = I
n
.
Tal matriz X se escribe como A
1
. Evidentemente, la inversa de A es unica,
caso de existir.
Proposicion 1.6.2 Sean A, B /
n
(K). Se verica:
1. Si A y B son inversibles, entonces AB es inversible y
(AB)
1
= B
1
A
1
(1.47)
2. Si A es inversible, entonces A
T
es inversible y
(A
T
)
1
= (A
1
)
T
(1.48)
Lema 1.6.1 Si E es una matriz elemental, entonces es inversible y su inversa
E
1
tambien es elemental.
Demostracion
Seg un el tipo de matrices elementales se tiene:
Tipo I.
E
ij
E
ij
= I, luego E
1
ij
= E
ij
Tipo II.
E()E(
1
) = I, luego [E()]
1
= E(
1
)
Tipo III.
E
ij
()E
ij
() = I, luego [E
ij
()]
1
= E
ij
().
Teorema 1.6.1 Para una matriz cuadrada A /

n
(K) son equivalentes las
siguientes armaciones:
1. A es inversible.
2. A es regular a derecha. (BA = 0 B = 0).
3. A es regular a izquierda. (AB = 0 B = 0).
4. rg(A) = n
5. La forma de Hermite por las de A es la identidad. H
f
(A) = I
6. La forma de Hermite por columnas de A es la identidad. H
c
(A) = I
7. A es producto de matrices elementales.
24 CAP

Demostracion
Se deja como ejercicio. Ver Merino-Santos, pag 38.
Denicion 1.6.3 Una matriz cuadrada A /

n
(K) es regular si verica cual-
quiera de las armaciones del teorema anterior.
Es claro que regular es sinonimo de inversible o invertible. A las matrices no
regulares se les llama singulares.
Corolario 1.6.2 Sean A, B /
n
(K). Si AB = I, entonces A es inversible y
B = A
1
.
Demostracion
Para ello veamos que A es regular a derecha. Supongamos que X /
n
(K)
tal que XA = 0. Se tiene X = XI = X(AB) = (XA)B = 0B = 0. Por tanto
A es inversible, es decir, A
1
/
n
(K). Como AB = I, se tiene A
1
(AB) =
A
1
I, es decir, B = A
1
.
1.6.3. Calculo de la matriz inversa

Corolario 1.6.3 Si A /
n
(K) y H
f
(A) su matriz de Hermite por las, en-
tonces existe una matriz regular Q /
n
(K) tal que H
f
(A) = QA.
Demostracion
Como H
f
(A) = E
h
E
h1
E
2
E
1
A bastara tomar Q = E
h
E
h1
E
2
E
1
.
La matriz Q anterior es muy facil de hallar: Q = E

h
E
h1
E
2
E
1
I es el
resultado de aplicar a la matriz unidad I las mismas trasformaciones elementales
que se han aplicado a A para obtener H
f
(A). En consecuencia:
((Si consideramos la matriz (A [ I) resultante de pegar A e I, mediante las
trasformaciones elementales E
i
se llegara al la matriz (H
f
(A) [ Q), teniendose
que si se llegara a H
f
(A) = I, entonces Q = A
1
)).
Ejemplo 1.6.2 Sean las matrices
A =
_
_
1 2 0 1
1 1 2 0
1 0 2 1
_
_
, I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Actuando por las sobre la matriz (A [ I) resultante de pegar A e I
3
, me-
diante las trasformaciones elementales E
i
se llegara al la matriz
(H
f
(A) [ Q) =
_
_
1 0 0 3
0 1 0 1
0 0 1 1
1 2 2
0 1 1
1
2
1
1
2
_
_
vericandose QA = H
f
(A)
Ejemplo 1.6.3 Sean las matrices
A =
_
_
1 2 3
2 3 4
3 4 6
_
_
, I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Para hallar A
1
se act ua por las sobre la matriz (A [ I) resultante de pegar
A e I, mediante trasformaciones elementales por las, obteniendose la matriz
(I [ A
1
) =
_
_
1 0 0
0 1 0
0 0 1
2 0 2
0 3 2
1 2 1
_
_
Ejercicio 1.6.1 Hallar la inversa de la matriz
A =
_
_
1 2 1
2 1 0
1 1 2
_
_
Solucion
A
1
=
1
9
_
_
2 5 1
4 1 2
3 3 3
_
_
A =
_
_
1 0 1 1
1 1 2 1
0 1 0 1
1 0 0 2
_
_
Solucion
A
1
=
1
2
_
_
1 2 2 0
2 1 1 1
0 1 1 1
2 1 1 1
_
_
Ejercicio 1.6.3 Hallar A
n
siendo
A =
_
1 1
1 1
_
Solucion
A
n
= 2
n1
A
Ejercicio 1.6.4 Sea A una matriz cuadrada de orden n y nilpotente(p N tal
que p > 1, A
p
= 0, A
p1
,= 0. Probar que I +A es inversible.
Solucion
(I +A)
1
= I A+A
2
A
3
+ + (1)
p1
A
p1
Ejercicio 1.6.5 Toda matriz cuadrada de orden n que verique una ecuacion
del tipo
a
0
I +a
1
A+a
2
A
2
+ +a
n
A
n
= 0
es inversible?
26 CAP

1.6.4. Matrices equivalentes
Por las
Recordamos que las matrices A y B son equivalentes por las, escrito A
f
B, si, y solo si, se pasa de una a otra mediante operaciones elementales sobre
las. Luego:
mn
(K). Son equivalentes:
1. A y B son equivalentes por las. (A
f
B).
2. A y B tienen igual forma de Hermite por las, (H
f
(A) = H
f
(B)).
3. Existe una matriz regular Q /
m
(K) tal que B = QA.
Demostracion
(1) (2)
A
f
B H
f
(A)
f
H
f
(B) H
f
(A) = H
f
(B)
(1) (3)
Si A
f
B, entonces existen transformaciones elementales de las (por
tanto, existen matrices elementales E
1
, E
2
, , E
h
) de modo que actuan-
do sobre A se obtiene B; es decir, que las matrices elementales E
i
multi-
plicando a izquierda de A, dan B: B = E
h
E
h1
E
2
E
1
A. Bastara tomar
Q = E
h
E
h1
E
2
E
1
. Y recprocamente.
9
Por columnas. Analogamente, recordamos que las matrices A y B son

equivalentes por columnas, escrito A
c
B, si, y solo si, se pasa de una a otra
mediante operaciones elementales sobre columnas. Luego:
mn
1. A y B son equivalentes por columnas. (A
c
B).
2. A y B tienen igual forma de Hermite por columnas, (H
c
(A) = H
c
(B)).
3. Existe una matriz regular P /
n
(K) tal que B = AP.
En general. Las matrices A y B son equivalentes, escrito A B, si, y
solo si, se pasa de una a otra mediante operaciones elementales sobre las o
columnas. Luego:
mn
1. A y B son equivalentes. (A B).
9
Recordamos que una matriz es regular (inversible) si, y solo si, es producto de matrices
elementales.
2. Existen matrices regulares P /
n
(K) y Q /
m
(K) tales que
B = QAP (1.49)
Proposicion 1.6.6 Sea A /
mn
(K). Se verica que rg(A) = r si, y solo
si, A es equivalente a
_
I
r
0
0 0
_
(1.50)
Demostracion
Si rg(A) = r, entonces H
f
(A) tiene r las y mediante operaciones elemen-
tales se obtiene facilmente
_
I
r
0
0 0
_
luego A
_
I
r
0
0 0
_
Si A
_
I
r
0
0 0
_
, entonces A resulta mediante transformaciones ele-
mentales de
_
I
r
0
0 0
_
de rango r y como ya es sabido no cambian el
rango.
Sean A, B /
mn
(K).
Teorema 1.6.2 (Equivalencia) Dos matrices son equivalentes si, y solo si,
tienen el mismo rango.
A B rg(A) = rg(B) (1.51)
Demostracion
Sean a = rg(A), b = rg(B). Se tiene: A
_
I
a
0
0 0
_
, B
_
I
b
0
0 0
_
por
tanto,
A B
_
I
a
0
0 0
_

_
I
b
0
0 0
_
a = b (1.52)
Corolario 1.6.4 El rango de una matriz y el de su traspuesta coinciden.

rg(A
T
) = rg(A) (1.53)
Demostracion
Sea A /
mn
(K). Si rg(A) = a, entonces
A
_
I
a
0
0 0
_
(1.54)
por tanto, existen matrices regulares P /
n
(K) y Q /
m
(K) tales que
_
I
a
0
0 0
_
= QAP (1.55)
28 CAP

de donde
_
I
a
0
0 0
_
= P
T
A
T
Q
T
(1.56)
siendo P
T
/
n
(K) y Q
T
/
m
(K) matrices regulares y en consecuencia,
rg(A
T
) = a.
Corolario 1.6.5 El rango de una matriz es igual tambien al n umero de colum-

nas no nulas de su forma de Hermite por columnas.
Proposicion 1.6.7 Sean A /
mn
(K) y B /
np
(K). Se tiene
rg(AB) mnrg(A), rg(B) (1.57)
Demostracion
Sean a = rg(A), b = rg(B). Se tiene que existen matrices regulares P
/
n
(K) y Q /
m
(K) tales que H
f
(A) = QAy H
c
(B) = BP. Luego H
f
(A)H
c
(B) =
QABP , es decir, H
f
(A)H
c
(B) AB, pero H
f
(A)H
c
(B) solo tiene a las no
nulas y s columnas no nulas y por tanto su rango es inferior o igual a mna, b.
En conclusion rg(AB) = rg(H
f
(A)H
c
(B)) mnrg(A), rg(B).
Ejercicio 1.6.6 Dada la matriz

A =
_
1 i
+i 1
_
hallar la suma
S =
_
n
1
_
A
2
+
_
n
2
_
A
4
+ +
_
n
n
_
A
2n
Solucion
Como A
2
= I, la suma pedida es
S = (I +A
2
)
n
I = (I +I)
n
I = 2
n
I I = (2
n
1)I
Ejercicio 1.6.7 Mediante operaciones elementales hallar la inversa de la ma-
triz
A =
_
_
2 2 1
4 4 1
1 0 0
_
_
Solucion
A
1
=
_
_
0 0 1
1
2
1
2
1
2 1 0
_
_
Ejercicio 1.6.8 Sean A, B /
n
(R) tales que A es nilpotente de orden 2 y A
y B conmutan. Probar que
A(A+B)
k
= AB
k
, (k N)
Solucion
Como A es nilpotente de orden 2, se tiene que A
h
= 0, (h 2), ademas, si
A y B conmutan, AB = BA, se tiene por tanto
A(A+B)
k
= A
__
k
0
_
B
k
+
_
k
1
_
AB
k1
+
_
k
2
_
A
2
B
k2
+ +
_
k
k
_
B
k
_
= AB
k
Ejercicio 1.6.9 Hallar la inversa de la matriz A siendo
A =
_
_
1 1 1 1
0 1 1 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
Solucion
En la matriz [A [ I] se resta a cada la la siguiente desde la primera a la
pen ultima, obteniendose inmediatamente que
A
1
=
_
_
1 1 0 0
0 1 1 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
Ejercicio 1.6.10 Sea A una matriz idempotente (A
2
= A) y B = I A. De-
mostrar que B es idempotente y que AB = BA = 0.
Solucion
B
2
= (I A)(I A) = I AA+A
2
= I AA+A = I A = B
AB = A(I A) = AA
2
= AA = 0
Analogamente BA = 0
Ejercicio 1.6.11 Demostrar que la matriz A es una matriz involutiva (A
2
= I)
si, y solo si, (I A)(I +A) = 0.
Solucion
(I A)(I +A) = I +AAA
2
= I A
2
= I I = 0.
(I A)(I +A) = I A
2
= 0 A
2
= I
A =
_
_
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
_
_
30 CAP

Solucion
Mediante operaciones elementales en la matriz [A [ I] se obtiene facilmente
A
1
=
1
4
_
_
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
_
_
A =
_
_
1 1 1 1 1
1 2 2 2 2
1 2 3 3 3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 2 3 n 1 n 1
1 2 3 n 1 n
_
_
Solucion
Mediante operaciones elementales en la matriz [A [ I] (se resta de cada la
la anterior, desde la ultima a la segunda, y luego se resta a cada la la siguiente
desde la primera a la pen ultima) se obtiene facilmente
A
1
=
_
_
2 1 0 0 0
1 2 1 0 0
0 1 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 2 1
0 0 0 1 1
_
_
A =
_
_
1 a 0 0 0
0 1 a 0 0
0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 a
0 0 0 0 1
_
_
Solucion
Mediante operaciones elementales en la matriz [A [ I] se obtiene facilmente
A
1
=
_
_
1 a a
2
a
n2
a
n1
0 1 a a
n3
a
n2
0 0 1 a
n4
a
n3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 a
0 0 0 0 1
_
_
Ejercicio 1.6.15 Hallar la potencia n-esima de la matriz
A =
_
_
1 a b
0 1 a
0 0 1
_
_
1.7. DETERMINANTES 31
Solucion
Por induccion sobre n 2, se tiene
A
n
=
_
_
1
_
n
1
_
a
_
n
1
_
b +
_
n
2
_
a
2
0 1
_
n
1
_
a
0 0 1
_
_
Ejercicio 1.6.16 Justicar que es nilpotente toda matriz cuadrada A = (a
ij
)
tal que a
ij
= 0 para i j
Ejercicio 1.6.17 Sea A una matriz cuadrada tal que A
3
A
2
+ 2A 3I = 0.
Justicar que A es inversible y hallar A
1
.
Solucion
La igualdad dada es A(A
2
A+2I)3I = 0 , es decir A
_
1
3
_
A
2
A+ 2I
_
=
I, luego
A
1
=
1
3
_
A
2
A+ 2I
_
Ejercicio 1.6.18 Calcular por cajas A
2
y B
2
siendo
A =
_
_
0 0
0 0
1 1
1 1
1 1
1 1
0 0
0 0
_
_
, B =
_
_
1 0 1
0
1
1 1
1 0
_
_
Solucion
A
2
=
_
_
2 2
2 2
0 0
0 0
0 0
0 0
2 2
2 2
_
_
, B
2
=
_
_
2 1 1
1
1
2 1
1 2
_
_
1.7. Determinantes
Suponemos conocido el concepto de determinante, su calculo y propiedades
principales
10
. Nos limitaremos a tratar alguna de sus relaciones con las matrices
y sistemas de ecuaciones lineales. S que nos interesa cierta familiaridad con su
calculo mediante operaciones elementales y sus propiedades para los determi-
nantes de orden n 3.
El determinante de la matriz cuadrada A sera representado por det(A) o
bien por [A[
Ejercicio 1.7.1 Calcular
det(A) =
a b c d
b a d c
c d a b
d c b a
(1.58)
10
Caso de duda ver Merino-Santos, pag 45.
32 CAP

Solucion
Observando que
det(A) det(A
T
) = (a
2
+b
2
+c
2
+d
2
)
4
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
=
_
a
2
+b
2
+c
2
+d
2
_
4
y como det(A) = det(A
T
) resulta
det(A) = (a
2
+b
2
+c
2
+d
2
)
2
1.7.1. Matriz inversa y determinantes
Sea A = (a
ij
) /
n
(K).
Denicion 1.7.1 (Menor adjunto) Menor adjunto de a
ij
es el escalar
ij
igual al valor del determinante obtenido de A suprimiendo la la i-esima y la
columna j-esima, afectado del signo (1)
i+j
.
Denicion 1.7.2 (Adjunta) Adjunta de A es la matriz A
= (
ij
) /
n
(K)
en donde
ij
es el menor adjunto de a
ij
.
Proposicion 1.7.1
A(A
)
T
= [A[ I
n
(1.59)
Demostracion
A(A
)
T
= (a
i,1
j,1
+a
i,2
j,2
+ +a
i,n
j,n
)
i,j
=
_
_
[A[ 0 0
0 [A[ 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 [A[
_
_
= [A[ I
n
(1.60)
Corolario 1.7.1 Si A es regular, entonces

A
1
=
1
[A[
(A
)
T
(1.61)
Ejercicio 1.7.2 Hallar los posibles valores de [A[ en los siguientes casos:
1. A
2
= A
2. A es ortogonal, (AA
T
= I)
3. A es nilpotente, (p > 0, A
p
= 0 A
p1
,= 0)
Solucion
1. A
2
= A [A[
2
= [A[ [A[ = 0 [A[ = 1
2.
_
AA
T
= I
A
T
= [A[
_
[A[
2
= 1 [A[ = 1
1.7. DETERMINANTES 33
3. A
p
= 0 [A
p
[ = [A[
p
= 0 [A[ = 0
Ejercicio 1.7.3 Sea A /
n
(R) antisimetrica (A
T
= A). Demostrar:
1. [A[ = (1)
n
[A[
2. Si n = impar, entonces [A[ = 0
1.7.2. Rango y determinantes
El rango de una matriz se puede calcular con determinantes.
Proposicion 1.7.2 Si A /
mn
(K), entonces rg(A) es el mayor orden de
las submatrices cuadradas regulares de la matriz A.
Demostracion
Si r = rg(A), la matriz H
f
(A) tiene una submatriz regular de orden r (la
que contiene a los r pivotes) y como H
f
(A) tiene exactamente r las no nulas,
entonces toda submatriz de orden r +1 es singular. Esta propiedad se mantiene
por transformaciones elementales sobre las las, y por tanto tambien para A se
cumple que tiene una submatriz regular de orden r y toda submatriz de orden
r + 1 es singular.
El anterior resultado suministra un metodo nuevo para el calculo del rango

de una matriz no nula: se forman todas las submatrices cuadradas de orden
k = minm, n. Si una de ellas es regular, entonces rg(A) = k, sino se reitera
la misma idea para las submatrices de orden k 1. Etc.
Ejercicio 1.7.4 Hallar el rango de la matriz
A =
_
_
3 6 5 9
1 1 2 4
1 2 3 7
_
_
Solucion
rg(A) = 2
1.7.3. Sistemas y determinantes
Un sistema lineal
S
_
_
a
1,1
x
1
+ a
1,2
x
2
+ + a
1,n
x
n
= b
1
a
1,2
x
1
+ a
2,2
x
2
+ + a
2,n
x
n
= b
2

a
m,1
x
1
+ a
m,2
x
2
+ + a
m,n
x
n
= b
m
(1.62)
se puede escribir matricialmente en la forma
S AX = b (1.63)
siendo
A =
_
_
a
1,1
a
1,2
a
1,n
a
1,2
a
2,2
a
2,n

.
.
.

a
m,1
a
m,2
a
m,n
_
_
, X =
_
_
x
1
x
2
.
.
.
x
n
_
_
, b =
_
_
b
1
b
2
.
.
.
b
n
_
_
(1.64)
34 CAP

de modo que A es la matriz de coecientes del sistema, X la matriz incognita y
b la matriz de terminos independientes.
Denicion 1.7.3 Sea el sistema S AX = b. El sistema S es de Cramer si
m = n y det(A) ,= 0.
Proposicion 1.7.3 (Regla de Cramer) Si el sistema S AX = b es de
Cramer, entonces la solucion es X = A
1
b; en concreto:
x
1
=
1
det(A)
b
1
a
12
a
1n
b
2
a
22
a
2n

.
.
.

b
n
a
n2
a
nn
(1.65)
x
2
=
1
det(A)
a
11
b
1
a
1n
a
21
b
2
a
2n

.
.
.

a
n1
b
n
a
nn
(1.66)
.
.
. =
.
.
. (1.67)
x
n
=
1
det(A)
a
11
a
12
b
1
a
21
a
22
b
2

.
.
.

a
n1
a
n2
b
n
(1.68)
Demostracion
Es muy simple ver que la solucion es X = A
1
b. Desarrollando en compo-
nentes se obtiene el resultado pedido ya que si
X =
_
_
x
1
x
2
.
.
.
x
n
_
_
=
1
det(A)
_
11

21

n1
12

22

n2

.
.
.

1n

2n

nn
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
(1.69)
entonces tesis.
Ejercicio 1.7.5 Resolver por Cramer

S
_
_
_
2x +y +z = 1
x + 2y +z = 2
x +y + 2z = 3
Solucion
x =
1 1 1
2 2 1
3 1 2
2 1 1
1 2 1
1 1 2
=
1
2
, y =
2 1 1
1 2 1
1 3 2
2 1 1
1 2 1
1 1 2
=
1
2
, z =
2 1 1
1 2 2
1 1 3
2 1 1
1 2 1
1 1 2
=
3
2
1.8. COMENTARIOS 35
Factorizacion de una matriz A
Al resolver el sistema AX = b, que puede escribirse como la matriz [ A[ b],
se obtiene una factorizacion de la matriz A como producto de una triangular
inferior L y una superior U, A = LU. Por ejemplo,
_
_
6 2 2 4
12 8 6 10
3 13 9 3
6 4 1 18
A
12
34
27
38
b
_
_
,
_
_
1 0 0 0
2 0 0 0
1
2
0 0 0
1 0 0 0
L : pivotes
_
_
_
_
6 2 2 4
0 4 2 2
0 12 8 1
0 2 3 14
12
10
21
26
_
_
,
_
_
1 0 0 0
2 1 0 0
1
2
3 0 0
1
1
2
0 0
L : pivotes
_
_
_
_
6 2 2 4
0 4 2 2
0 0 2 5
0 0 4 13
12
34
9
21
_
_
,
_
_
1 0 0 0
2 1 0 0
1
2
3 1 0
1
1
2
2 0
L : pivotes
_
_
_
_
6 2 2 4
0 4 2 2
0 0 2 5
0 0 4 3
U
12
10
9
3
_
_
,
_
_
1 0 0 0
2 1 0 0
1
2
3 1 0
1
1
2
2 1
L : pivotes
_
_
se tiene que x
1
= 1, x
2
= 3, x
3
= 2 y x
4
= 1, ademas A = LU.
1.8. Comentarios
El problema central del algebra lineal es la solucion de sistemas de ecuaciones
lineales. El caso mas sencillo se presenta cuando el n umero de ecuaciones m
coincide con el n umero de incognitas n, es decir m = n. Essencialmente para
estos sistemas de ecuaciones lineales se conocen dos metodos de resolucion:
11
Eliminaci on gaussiana.
Es el algoritmo que se utiliza para resolver grandes sistemas de ecuaciones
lineales. Es enga nosamente simple y respecto a el se deben conocer entre
otras cosas las siguientes:
El metodo se puede interpretar como una factorizacion de la matriz
de coecientes A en producto de una matriz triangular inferior L por
una triangular superior U.
Usualmente el metodo funciona muy bien sin mayores cambios salvo
en aquellos en que la solucion no es unica o en la mala eleccion de
los elementos pivote.
11
En Analisis Numerico se estudian, ademas, metodos iterativos de obtencion aproximada
de soluciones.
36 CAP

Es interesante tener idea aproximada del n umero de operaciones
aritmeticas que son necesarias para obtener la solucion.
La solucion obtenida puede ser muy sensible a los errores de redondeo.
Algunos sistemas pueden estar mal condicionados.
Determinantes.
La regla de Cramer da la solucion en terminos del cociente de determi-
nantes de orden n. Su calculo para valores de n 4 es posible efectuarlo
a mano pero no es viable para valores superiores. Su interes es puramente
teorico.
1.9. EJERCICIOS 37
1.9. Ejercicios
Sistemas de ecuaciones lineales
1. Resuelve, si es posible, los siguientes sistemas, utilizando el metodo de
Gauss:
_
_
_
x +y +z = 0
x + 2y + 3z = 0
3x + 5y + 7z = 1
_
_
_
2x 3y = 8
4x 5y +z = 15
2x + 4z = 1
_
_
_
x + 2y + 2t = 1
x 2y +z +t = 0
x + 2y 3z 7t = 2
_
_
_
2x 5y + 3z = 4
x 2y +z = 3
x + 4y + 7z = 11
_
_
_
x 3y + 7z = 10
5x y +z = 8
x + 4y 10z = 11
_
_
_
x 3y 2z = 7
2x y + 15z = 3
x 8y 21z = 11
2. Encontrar todas las soluciones a los sistemas:
_
_
_
x +y +z = 2
2x +y +z = 3
3x +y +z = 4
_
_
_
x +y +z = 2
2x +y +z = 3
3x +y +z = 5
3. Resuelve, si es posible, los siguientes sistemas, utilizando el metodo de
Gauss:
(a)
_
_
_
x +y + 2z = 8
x 2y + 3z = 1
3x 7y + 4z = 10
(b)
_
_
x y + 2z t = 1
2x +y 2z 2t = 2
x + 2y 4z +t = 1
3x 3t = 3
4. Considera el sistema homogeneo:
_
aX +bY = 0
cX +dY = 0
a)Demuestra que la suma de dos soluciones cualesquiera del sistema an-
terior, es tambien solucion del sistema.
b) Demuestra que el producto de un escalar cualquiera por una solucion
del sistema es tambien solucion del sistema.
c) Estudia la relacion que ha de existir entre a, b, c y d para que el sistema
tenga innitas soluciones.
5. Calcula los valores de a para que el sistema:
_
(a 3)X +Y = 0
X + (a 3)Y = 0
tenga unicamente la solucion trivial.
6. Determinar la relacion entre a, b y c para que el siguiente sistema sea
compatible:
_
_
_
x +y + 2z = a
x +z = b
2x +y + 3z = c
38 CAP

7. Discutir los siguientes sistemas seg un los valores de los parametros corres-
pondientes:
(1)
_
_
2x +y +z = 7
x +y +z +t =
x + 2y +t = 1
x +y =
(2)
_
_
_
ax +by + 2z = 1
ax + (2b 1)y + 3z = 1
ax +by + (b + 3)z = 1
(3)
_
_
ax +y +z +t = 1
x +ay +z +t = a
x +y +az +t = a
2
x +y +z +at = a
3
(4)
_
_
_
x +ay +a
2
z = 1
x +ay +abz = a
bx +a
2
y +a
2
bz = a
2
b
(5)
_
_
_
9x +my z = 4
4mx 2y + (m1)z = m
5x + (2m1)y 3z = 3(m+ 2)
(6)
_
_
_
ax y + 2z = 1
x +ay z = b
3x +y +z = 1
8. Resolver en el cuerpo de los n umeros complejos el sistema:
_
_
_
(1 +i)x + (2 i)y = 2 + 2i
ix y = 2 i
3x 2i = 2 +i
9. Discutir y resolver, seg un los valores de a y b, el siguiente sistema de
ecuaciones lineales:
_
_
x z +t = 0
x y +z = 1
ax +z +t = 0
bx +y t = 1
y +bz +t = a
10. Discutir seg un los valores de a y b, y resolver en el caso compatible, los
siguientes sistemas de ecuaciones lineales:
(1)
_
_
_
ax y + 2z = 1
x +ay z = b
ax +y +z = 1
(2)
_
_
_
x +by +az = 1
ax +by +z = 1
x +aby +z = b
(3)
_
_
x +y +z = 1
2x + (a + 1)y + (b + 1)z = a + 4
3x + (a + 2)y + (2b + 1)z = a + 6
7x + (3a + 4)y + (4b + 3)z = a
2
+ 16
4x + 2(a + 1)y + (2b + 2)z = a
2
+b + 10
(4)
_
_
2x
1
x
2
3x
4
x
5
= 2
x
1
+x
2
+x
3
+ 2x
4
+ 2x
5
= 3
x
1
+x
2
+ 3x
3
+ 2x
5
= 6
x
2
+ 3x
3
+ax
4
+x
5
= b
11. Discutir seg un los valores de a , b y c , el siguiente sistema de ecuaciones
lineales:
_
_
x +z t = 4
y z +at = 1
x y +t = b
ax +y z = c
1.9. EJERCICIOS 39
12. Determinar a y b para que el siguiente sistema sea compatible sabiendo
que a Z. Resolver en este caso el sistema.
_
_
x +y = 1
y + 2z = 9
ax y +z = 7
ax 2by = 7
x az = 8
13. Discutir, seg un los valores de a y b, los sistemas:
(1)
_
_
_
ax + 2by + (2a 3)z = 3a
2ax + 3by + (a 2) = 4a + 5
ax + (1 2a)z = a + 2
(2)
_
_
3x + 2y +z = b
x 2y + 2z = 1 +b
2
3x + 7y 4z = 1 b b
2
b
3
2x +y +az = b
3
(3)
_
_
x +y +z = 3
2x ay + 3z = 4
3x 3y + 4z = 7
5x (a +b)y + 7z = 8 +b
14. Hallar los valores de a y b para que el sistema:
_
_
x + 2y 3z = 0
2x + 5y 8z = 0
ax +by + 3z = 0
ax +y +bz = 0
admita solucion distinta de la trivial.
15. Discutir el siguiente sistema, en funcion del parametro a.
_
_
x +y +z +t = 1
x +ay +z +t = 1
x +y +a
2
z +t = 1
x +y +z +a
3
t = 1
16. En un taller mecanico se presenta el siguiente problema: Se dispone de dos
maquinas R y S que elaboran productos u, v y w. Por razones de mante-
nimiento, la maquina R puede operar 50 horas semanales y la maquina S,
60 horas semanales. Cada unidad de producto u debe procesarse 7 horas
en la maquina R y 8 en la S. Las cifras correspondientes a cada producto
v son 4 y 6 horas y las del producto W son 3 y 2 horas, respectivamente.
Se pide:
a) Determinar el n umero de unidades que debe producirse semanalmente
de cada producto para lograr la plena ocupacion de ambas maquinas.
Existe mas de una solucion?.
b) Sabiendo que el coste por unidad de producto u es de 200 pts y el coste
unitario de los productos v y w es de 150 y 100 pts., respectivamente,
determinar que combinacion del apartado a) nos dara un coste de
1550 pts.
40 CAP

17. Lewis Carroll propone un problema que puede enunciarse as: el consumo
en una cafetera de un vaso de limonada, tres sandwiches y siete bizcochos
han costado un cheln y dos peniques, mientras que un vaso de limonada,
cuatro sandwiches y diez bizcochos valen un cheln y 5 peniques. Hallar
cual es el precio de :
a) Un vaso de limonada, un sandwich y un bizcocho.
b) Tres vasos de limonada, tres sandwiches y cinco bizcochos.
(1 cheln = 12 peniques)
18. Tres inquilinos due nos de sus casas (un carpintero, un electricista y un
plomero), llegan al acuerdo de hacer las reparaciones necesarias. Deciden
trabajar 10 das cada uno de acuerdo con el programa:
C E P
CC 2 1 6
CE 4 5 1
CP 4 4 3
Debido a los impuestos, tienen que cobrar y pagarse entre si (incluyendo el
trabajo que hace cada uno en su casa). El salario normal por da esta entre
60 y 80 libras. Cual es el salario que tienen que recibir cada uno de ellos
para que su total de gastos coincida con su total de ganancias?
19. Discutir seg un los valores de a y b los siguientes sistemas de ecuaciones
lineales:
(1)
_
_
x +y +z = 3
2x ay + 3z = 4
2x + (3 a b)y + (b + 1)z = 7
5x (a +b)y + 7z = 8 +b
(2)
_
_
x + 3z = 2
2x y + 2z = 1
3y + (56 a)z = 2
4y +az = b
20. Discutir dependiendo de los valores de a, b y c el siguiente sistema:
_
_
_
ax + by + z = c
x + ay + bz = 0
ax + az + az = c
21. Estudia la relacion que ha de existir entre , y para que el sistema :
_
_
_
x + 2y + 3z =
2x + 3y z =
5x + 8y + z =
sea compatible.
22. Discutir, seg un los valores de los parametros, el siguiente sistema:
_
_
_
x +y z =
3x +y +z = 1
x y + 2z = 1
Resolverlo en los casos en los que tenga innitas soluciones.
1.9. EJERCICIOS 41
23. Estudiar seg un los valores de los parametros reales a y b, el sistema
_
_
_
ay + (a + 2)z = b
x + y + a
2
z = 1
(2 +a)x 2y = b
Matrices y Determinantes
1. Sea A una matriz diagonal con los elementos de la diagonal principal no
nulos. Justicar que A es inversible utilizando la denicion.
2. Si A y B son matrices inversibles del mismo orden, demostrar que AB
tambien es inversible.
3. Si AB = 0 y B es una matriz no nula, demostrar que A no es inversible.
4. Si AB = 0 y BA ,= 0. Que puede decirse de la matriz (BA)(BA)?.
5. Sean A y B matrices cuadradas de orden n. Demuestra que si BA = I
n
,
entonces AB = I
n
.
6. Si A y B son matrices simetricas del mismo orden, demostrar:
a) A
n
es simetrica, para todo n N.
b) AB +BA es simetrica.
c) AB BA es antisimetrica.
d) Si A es inversible, entonces A
1
es simetrica.
e) AB es simetrica si, y solo si, A y B conmutan.
7. Se llama traza de una matriz A con coecientes en K, y se denota por
tr(A), a la suma de los elementos de su diagonal principal. Demostrar
que:
a) tr(A) = tr(A), K.
b) tr(A+B) = tr(A) +tr(B).
c) tr(AB) = tr(BA).
8. Demostrar que el conjunto de las matrices de la forma:
M(x) =
_
_
a
x
0 0
0 1 x
0 0 1
_
_
tiene estructura de grupo respecto de la multiplicacion.
9. Estudiar si tiene estructura de grupo multiplicativo el conjunto de poten-
cias de la matriz A =
_
i 0
0 i
_
Solucion
42 CAP

Sea G = A
n
; n Z; es facil ver que G es grupo multiplicativo y que
G =
_
I =
_
1 0
0 1
_
, A =
_
i 0
0 i
_
, A
2
=
_
1 0
0 1
_
, A
3
=
_
i 0
0 i
__
teniendose la siguiente tabla multiplicativa
I A A
2
A
3
I I A A
2
A
3
A A A
2
A
3
I
A
2
A
2
A
3
I A
A
3
A
3
I A A
2
10. Encontrar el valor de m en la matriz
A =
_
1 2
3 m
_
para que existan matrices no nulas B tales que AB = 0.
11. Calcular el valor de a para que la matriz
_
1 2
2 0
_
aI
no sea inversible.
12. Calcular la potencia n-esima de las matrices:
A =
_
_
1
1
b
1
b
0 1 0
0 b 1
_
_
, B =
_
_
1 0 0
1 1 0
1 1 1
_
_
13. Calcular la potencia n-esima de las matrices:
A =
_
_
1 1 1
0 1 1
0 0 1
_
_
, B =
_
_
1 1 1
1 1 0
1 1 1
_
_
, C =
_
a 0
1 a
_
14. Sea A la matriz:
A =
_
_
0
1
2
0
1
2
0 0
0 0
1
2
_
_
Calcular la matriz M = I +A+A
2
+A
3
+
15. Sea A la matriz
A =
_
2 1
1 2
_
y se pide hallar , R tales que A
2
+ A + I = 0. Si existe A
1
,
hallarla.
1.9. EJERCICIOS 43
16. Mediante operaciones elementales sobre las hallar la inversa de la matriz
A =
_
_
1 0 0 0
1 1 0 0
1 2 1 0
0 0 0 1
_
_
Solucion
Con un sencillo trabajo se llega a
A
1
=
_
_
1 0 0 0
1 1 0 0
1 2 1 0
0 0 0 1
_
_
A =
_
_
0 0 0 0
2 0 0 0
2 2 0 0
2 2 0 0
_
_
Se pide:
a) Las potencias sucesivas de A.
b) Sea B = I +A. Calcular B en funcion de I, A, y A
2
.
c) Demostrar que B
1
= I A+A
2
18. Sea A M
n
(K), si la sucesion
_
I
n
+
A
1!
+
A
2
2!
+ +
Ap
p!
_
es convergente,
se dene:
e
A
= lm
p
(I
n
+
A
1!
+
A
2
2!
+ +
A
p
p!
)
Siendo A y B matrices que conmutan se verica e
A+B
= e
A
e
B
. Se pide:
a) Calcular la inversa de e
A
.
b) Calcular e
A
para A =
_
0 0
1 0
_
A =
_
1 1
0 1
_
.
19. Sea A M
n
(K) dada por
A =
_
_
0 1 0 0 0
0 0 1 0 0
0 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 1
0 0 0 0 0
_
_
Se pide calcular e
A
.
Solucion
44 CAP

Observando que
A
2
=
_
_
0 0 1 0 0
0 0 0 1 0 0
0 0 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
0 0 0 0 0 0
0 0 0 0 0 0
_
_
, A
3
=
resulta
e
A
=
_
_
1 1
1
2!
1
3!
1
4!

1
(n3)!
1
(n2)!
1
(n1)!
0 1 1
1
2!
1
3!

1
(n4)!
1
(n3)!
1
(n2)!
0 0 1 1
1
2!

1
(n5)!
1
(n4)!
1
(n3)!
0 0 0 1 1
1
(n6)!
1
(n5)!
1
(n4)!
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
1
2!
1
3!
0 0 0 0 0 1 1
1
2!
0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 1
_
_
20. Estudiar las condiciones necesarias y sucientes para que la matriz A sea
inversible, sabiendo que verica la condicion: A
2
+A+I = 0
21. Dada la matriz
A =
_
_
1 1 2
3 1 1
2 3 1
_
_
compruebese que A
3
3A
2
7A11I = 0. Calcular A
1
.
22. Calcular la inversa de las matrices
A =
_
_
_
_
1 0 0 1
1 1 0 1
0 0 1 2
2 2 1 1
_
_
_
_
A =
_
_
_
_
_
_
1 a a
2
a
3
a
4
0 1 a a
2
a
3
0 0 1 a a
2
0 0 0 1 a
0 0 0 0 1
_
_
_
_
_
_
23. Sean A y B matrices inversibles de orden n. Demuestrese que la matriz C
de orden 2n
C =
_
A 0
0 B
_
es inversible y determnese su inversa. Aplicar el resultado al calculo de la
inversa de,
C =
_
_
_
_
7 3 0 0
2 1 0 0
0 0 3 2
0 0 1 1
_
_
_
_
1.9. EJERCICIOS 45
24. Si A es una matriz cuadrada tal que det(A) = 5, calcular x sabiendo que
det(xA) = 10.
25. Calcular el valor del siguiente determinante
D =
a a a a
a b b b
a b c c
a b c d
Solucion
Restando a cada columna la 1
a
, resulta D = a(b a)(c a)(d a)
26. Calcular el valor de los siguientes determinantes:
D1 =
a b c d
b c d a
c d a b
d a b c
; D2 =
a b c d e
a a b c d
a a a b c
a a a a b
a a a a a
; D3 =
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
21 22 23 24 25
27. Justicar que
1 1 1
a
2
b
2
c
2
a
3
b
3
c
3
a a
2
bc
b b
2
ac
c c
2
ab
Solucion
1 1 1
a
2
b
2
c
2
a
3
b
3
c
3
=
1
abc
abc abc abc

a
2
b
2
c
2
a
3
b
3
c
3
bc ac ab
a b c
a
2
b
2
c
2
a b c
a
2
b
2
c
2
bc ac ab
bc ac ab
a b c
a
2
b
2
c
2
28. Resolver la ecuacion D(x) = 0 siendo
1 x x
2
x
3
1 2 4 8
1 3 9 27
1 4 16 64
= 0
46 CAP

29. Resolver la ecuacion D(x) = 0 siendo
D(x) =
x a b c
a x c b
b c x a
c b a x
Solucion
Solo es necesario calcular D(x)
D(x) = (x +a +b +c)
1 1 1 1
a x c b
b c x a
c b a x
= (x +a +b +c)
1 1 1 1
0 x a c a b a
0 c b x b a b
0 b c a c x c
= (x +a +b +c)
x a c a b a
c b x b a b
b c a c x c
= ... =
= (x +a +b +c)(x +a b c)(x a +b c)(x a b +c)
luego las races son x = a b c, x = a + b + c, x = a b + c y
x = a +b c
30. Calcular el valor del siguiente determinante de orden n:
D
n
=
1 1 1 1
1 x 1 1
1 1 x 1
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 x
Solucion
Sumando la 1
a
la a las demas resulta
D
n
=
1 1 1 1
0 x + 1 2 2
0 0 x + 1 2
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x + 1
luego (x + 1)
n1
D
n
=
1 x x x
x 1 x x
x x 1 x
.
.
.
.
.
.
.
.
.
.
.
.
x x x 1
1.9. EJERCICIOS 47
Solucion
D
1
= 1. Para n > 1, sumando a la 1
a
C las demas resulta
D
n
= (1 + (n 1)x)
1 x x x
1 1 x x
1 x 1 x
.
.
.
.
.
.
.
.
.
.
.
.
1 x x 1
y restando la 1
a
F a las demas, resulta
D
n
= (1 + (n 1)x)
1 x x x
0 1 x 0 0
0 0 1 x 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 x
luego D
n
= (1 + (n 1)x) (1 +x)
n1
(1)
n1
, (n > 1)
D
n
=
1 1 1 1
x
1
x
2
x
3
x
n
x
2
1
x
2
2
x
2
3
x
2
n
.
.
.
.
.
.
.
.
.
.
.
.
x
n1
1
x
n1
2
x
n1
3
x
n1
n
Solucion
Es de Vandermonde.
D
n
=
0 0 0 1
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 1 0 0
1 0 0 0
Solucion
La recurrencia es D
n
= (1)
n+1
(1)D
n1
= (1)
n
D
n1
. Luego D
1
=
1, D
2
= 1, D
3
= +1, D
4
= +1, ,
D
n
=
_
1 , n 1, 2
mod 4
+1 , n 0, 3
mod 4
34. Calcular el determinante:
D =
x 1 0 0 0 0
0 x 1 0 0 0
0 0 x 1 0 0
0 0 0 x 1 0
0 0 0 0 x 1
a b c d e x +f
48 CAP

Solucion
Multiplicar la 6
a
C por x y sumar a la 5
a
C. De nuevo,
Multiplicar la 5
a
a
C. De nuevo,
Multiplicar la 4
a
a
C. De nuevo,
Multiplicar la 3
a
a
C. De nuevo,
Multiplicar la 2
a
a
C.
Finalmente D = (1)
n
(a +bx +cx
2
+dx
3
+ex
4
+fx
5
+x
6
)
Mejor a un, 1
a
C = 1
a
C +x2
a
C +x
2
3
a
C +x
3
4
a
C +x
4
5
a
C +x
5
6
a
C, resul-
tando
D = (a +bx +cx
2
+dx
3
+ex
4
+fx
5
+x
6
)
0 1 0 0 0 0
0 x 1 0 0 0
0 0 x 1 0 0
0 0 0 x 1 0
0 0 0 0 x 1
1 b c d e x +f
= (a +bx +cx
2
+dx
3
+ex
4
+fx
5
+x
6
)(1)
5
35. Factorizar el siguiente determinante de orden n + 1:
D
n+1
=
x a a a
a x a a
a a x a
.
.
.
.
.
.
.
.
.
.
.
.
a a a x
Solucion
Sumando a la 1
a
C las demas resulta
D
n+1
= (x +an)
1 a a a
1 x a a
1 a x a
.
.
.
.
.
.
.
.
.
.
.
.
1 a a x
y restando la 1
a
F a las demas resulta
D
n+1
= (x +an)
1 a a a
0 x a 0 0
0 0 x a 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x a
luego D
n+1
= (x +na)(x a)
n
1.9. EJERCICIOS 49
36. Resolver la ecuacion
n
= 0, donde
n
=
x
2
9 9 9 9
9 x
2
9 9 9
9 9 x
2
9 9
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9 9 9 9 x
2
Solucion
Sumando a la 1
a
la las demas, resulta
n
=
_
x
2
+ 9(n 1)
_
1 1 1 1 1
9 x
2
9 9 9
9 9 x
2
9 9
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9 9 9 9 x
2
y restando a cada columna la 1

a
, resulta
n
=
_
x
2
+ 9(n 1)
_
1 0 0 0 0
9 x
2
9 0 0 0
9 0 x
2
9 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9 0 0 0 x
2
9
luego
n
=
_
x
2
+ 9(n 1)
_
(x
2
9)
n1
por tanto x = 3 m ultiple de orden n1. (Las otras races son complejas
x = 3i
n 1)
37. Hallar una formula de recurrencia para el determinante,
D
n
=
1 1 1 1 1
1 2 0 0 0
0 1 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 2
Solucion
Desarrollando por la 1
a
columna, resulta
D
n
=
2 0 0 0
1 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 2
1 1 1 1
1 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 2
es decir,
D
n
= 2
n1
+D
n1
luego D
n
= 2
n
1
50 CAP

38. Calcular el determinante,
D
n
=
3 2 0 0 0
1 3 2 0 0
0 1 3 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 3 2
0 0 0 1 3
Solucion
La recurrencia es D
n
= 3D
n1
2
n1
de donde con cierto trabajo sale el
valor de D
n
39. Calcular el determinante P
n
,
P
n
=
D
n
D
n1
D
n+1
D
n
siendo D
n
=
x 1 0 0 0
1 x 1 0 0
0 1 x 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x 1
0 0 0 1 x
40. Calcular el determinante D

n
siendo
D
n
=
x a a a a
b x a a a
b b x a a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b b b x a
b b b b x
Solucion
Observando que D
n
(n.n) = x = b +x b se tiene
D
n
=
x a a a a
b x a a a
b b x a a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b b b x a
b b b b b
x a a a 0
b x a a 0
b b x a 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b b b x 0
b b b b x b
de donde
D
n
=
x a 0 0 0 a
b a x a 0 0 a
b a b a x a 0 a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b a b a b a x a a
0 0 0 0 b
+(xb)
x a a a
b x a a
b b x a
.
.
.
.
.
.
.
.
.
.
.
.
b b b x
1.9. EJERCICIOS 51
es decir la recurrencia
D
n
= b(x a)
n1
+ (x b)D
n1
y tambien, por simetra de a y b, resulta
D
n
= a(x b)
n1
+ (x a)D
n1
Eliminando D
n1
resulta
D
n
=
a(x b)
n
b(x a)
n
a b
41. Calcular el determinante D
n
siendo
D
n
=
x a a a a
a x a a a
a a x a a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a a a x a
a a a a x
Solucion
Restando a cada la la anterior (desde la ultima la a la segunda) resulta
D
n
=
x a a a a
a x x a 0 0 0
0 a x x a 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x a 0
0 0 0 a x x a
y sumando todas las columnas a la primera

D
n
= (x + (n 1)a)
x a 0 0 0
a x x a 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 x a 0
0 0 a x x a
= (x + (n 1)a) (x a)
n1
42. Calcular el determinantes siguiente
D =
1 cos cos 2
cos cos 2 cos 3
cos 2 cos 3 cos 4
Solucion
52 CAP

D =
1 cos cos 2
cos cos 2 cos 3
1 + cos 2 cos + cos 3 cos 2 + cos 4
= 2 cos
1 cos cos 2
cos cos 2 cos 3
cos cos 2 cos 3
= 0
43. Calcular el determinantes siguiente
D =
1 1 1
cos a cos b cos c
cos 2a cos 2b cos 2c
Solucion
Sumando la 1
a
la a la 3
a
y recordando que 1 + cos 2 = 2 cos
2
resulta
D =
1 1 1
cos a cos b cos c
2 cos
2
a 2 cos
2
b 2 cos
2
c
y restando la 1
a
columna a las demas,
D = 2(cos b cos a)(cos c cos b)
1 0 0
cos a 1 1
cos
2
a cos b + cos a cos c + cos b
de donde
D = 2(cos b cos a)(cos c cos b)(cos c cos a)
44. Calcular el determinante siguiente
D =
1 1 1 1
1 1 cos c cos b
1 cos c 1 cos a
1 cos b cos a 1
Solucion
Consiguiendo 0
s en la primera la y recordando que 1 cos A = 2 sin

2 A
2
resulta facilmente
D = 16 sin
2
a
2
sin
2
b
2
sin
2
c
2
45. Calcular el valor del determinante complejo
D =
1 +i 1 2 0
2 +i 3 4 3
4 +i 2 3 2
1 i 2 4 6
1.9. EJERCICIOS 53
Solucion
Observemos que
D =
1 1 2 0
2 3 4 3
4 2 3 2
1 2 4 6
+i
1 1 2 0
1 3 4 3
1 2 3 2
1 2 4 6
= 31 + 3i
46. Calcular de dos modos diferentes el siguiente determinante:
D
n
=
1 2 3 n
1 1 +x 3 n
1 2 1 +x n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 2 3 1 +x
Solucion
a) Como D
n
= 0 para x = 1, 2, , n 1, resulta D
n
= (x 1)(x
2) (x n + 1)
b) Directamente. Restando a cada columna la 1
o
C y luego a cada la
la 1
a
F, se obtiene
D
n
=
1 1 2 n 1
1 x 2 n 1
1 1 x n 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 2 x
1 1 2 n 1
0 x 1 0 0
0 0 x 2 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x n + 1
luego, resulta D
n
= (x 1)(x 2) (x n + 1)
47. Calcular el determinante
D
n
=
x
3
3x
2
3x 1
x
2
x
2
+ 2x 2x + 1 1
x 2x + 1 x + 2 1
1 3 3 1
Solucion
Con F
i
= F
i
F
i1
para i = 1, 2, 3 (restando a cada la la siguiente desde
la 3
a
a la 1
a
) resulta facilmente D
n
= (x 1)
6
48. Calcular el siguiente determinante:
D
n
=
1
2
2
2
3
2
n
2
2
2
3
2
4
2
(n + 1)
2
3
2
4
2
5
2
(n + 2)
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n
2
(n + 1)
2
(n + 2)
2
(2n 1)
2
54 CAP

Solucion
D
1
= 1, D
2
= 7, D
3
= 8. Para n 4, con C
j
= C
j1
, (j = n, n
1, , 2) se tiene
D
n
=
1
2
3 5 2n 1
2
2
5 7 2n + 1
3
2
7 9 2n + 3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n
2
2n + 1 2n + 3 2n + 2n 3
y con C
j
= C
j1
, (j = n, n 1, , 2) se obtiene facilmente D
n
= 0
49. Hallar el siguiente determinante
D
n+1
=
_
m
0
_ _
m+1
0
_ _
m+2
0
_

_
m+n
0
_
_
m
1
_ _
m+1
1
_ _
m+2
1
_

_
m+n
1
_
_
m
2
_ _
m+1
2
_ _
m+2
2
_

_
m+n
2
_
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
m
n
_ _
m+1
n
_ _
m+2
n
_

_
m+n
n
_
siendo 0 n m.
Solucion
Con C
j
= C
j1
, (j = n + 1, n, n 1, , 2), se obtiene
D
n+1
=
1 0 0 0
_
m
1
_ _
m
0
_ _
m+1
0
_

_
m+n1
0
_
_
m
2
_ _
m
1
_ _
m+1
1
_

_
m+n
1
_
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
m
n
_ _
m
n1
_ _
m+1
n1
_

_
m+n1
n1
_
= D
n
luego se tiene la recurrencia D
n
= D
n1
con D
1
=
_
m
0
_
= 1, por tanto
D
n
= 1
50. Demostrar que un determinante de orden n de modo que a
ij
= 1 (esta for-
mado solamente por unos) es divisible por 2
n1
.
Solucion
Al sumar o restar para conseguir 0
s en una lnea, las restantes lneas estan

formadas por n umeros que son obligatoriamente de 2, 0, +2, luego te-
sis.
51. Demostrar que el n umero de determinantes iguales a uno dado de orden
n, que se pueden formar por permutacion de las entre s, y de columnas
entre s, es
1
2
(n!)
2
Solucion
Es muy sencillo si se tiene en cuenta que n! es el n umero de permutaciones
de columnas, n! es el n umero de permutaciones de las, en total (n!)
2
pero
solo la mitad tiene igual signo, la otra mitad tiene el contrario, luego, tesis.
1.9. EJERCICIOS 55
52. Calcular AA
T
y deducir det(A), siendo
A =
_
_
a 1 1 1
1 a 1 1
1 1 a 1
1 1 1 a
_
_
Solucion
AA
T
=
_
_
a
2
+ 3 0 0 0
0 a
2
+ 3 0 0
0 0 a
2
+ 3 0
0 0 0 a
2
+ 3
_
_
, det(A) = (a
2
+ 3)
2
53. Justicar que D
n
= (1)
n1
n! siendo
D
n
=
1 n n n
n 2 n n
n n 3 n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n n n n
Solucion
Solo es necesario restar a cada columna la ultima para obtener
D
n
=
1 n 0 0 n
0 2 n 0 n
0 0 3 n n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 n
= (1)
n1
n 1 0 0 n
0 n 2 0 n
0 0 n 3 n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 n
= (1)
n1
n!
54. Justicar que D
n
= n! siendo
D
n
=
n n n 1
n 2 n 1
n n 3 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n n n n
55. Demostrar que D = (x

2
+y
2
+c
2
)
3
siendo
D =
a
2
b
2
c
2
2b
2
2c
2
2a
2
a
2
+b
2
c
2
2c
2
2c
2
2b
2
a
2
b
2
+c
2
Solucion
56 CAP

Sumando a la 1
a
las las otras dos, resulta
D = (a
2
+b
2
+c
2
)
1 2b
2
2c
2
1 a
2
+b
2
c
2
2c
2
1 2b
2
a
2
b
2
+c
2
= (a
2
+b
2
+c
2
)
3
de donde
D = (a
2
+b
2
+c
2
)
1 2b
2
2c
2
0 a
2
b
2
c
2
0
0 0 a
2
b
2
c
2
es decir
D = (a
2
+b
2
+c
2
)
3
56. Justicar que D es m ultiplo de 11, siendo
D =
1 9 1 3
2 6 1 8
2 2 1 3
1 5 1 9
Solucion
Debemos observar que los n umeros 1913, 2618, 2213 y 1519 son m ultiplos
de 11 y ademas que
D =
1 9 1 1913
2 6 1 2618
2 2 1 2213
1 5 1 1519
en donde hemos a nadido a la 4

a
C la 1
a
por 1000, la 2
a
por 100 y la 3
a
por 10.
57. Establecer la relacion
(a
2
+b
2
)(c
2
+d
2
) = (ac bd)
2
+ (ad +bc)
2
Solucion
Solo se necesita tomar determinantes en la igualdad matricial siguiente
_
a b
+b a
_ _
c d
+d c
_
=
_
ac bd ad bc
ad +bc ac bd
_
58. Demostrar que D = (a b)
3
,siendo
D =
a
2
ab b
2
2a a +b 2b
1 1 1
Solucion
1.9. EJERCICIOS 57
Se multiplica por 2 la 2
a
C y se divide por 2 la 2
a
F. Se resta a la 1
a
C la
2
a
C y se le suma la 3
a
C y se obtiene
D =
a
2
2ab +b
2
2ab b
2
0 a +b 2b
0 2 1
= = (a b)
3
59. Hallando previamente una recurrencia calcular el determinante
D
n
=
1 1 0 0 0 0
1 1 1 0 0 0
0 1 1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 0 1 1
60. Demostrar que

1 1 1 1
1 1 +a 1 1
1 1 1 +b 1
1 1 1 1 +c
= abc
61. Demostrar que
D
n
=
1 +a
1
a
2
a
3
a
n
a
1
1 +a
2
a
3
a
n
a
1
a
2
1 +a
3
a
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
1
a
2
a
3
1 +a
n
= 1 +a
1
a
2
a
n
62. Calcular la inversa de la matriz
A =
_
_
1 1 1
1
2
1
2
_
_
siendo
3
= 1 ,= 1. (Observar que 1++
2
= 0 y que podemos tomar
= exp
_
2
3
i
_
o bien = exp
_
2
3
i
_
. Ademas la matriz A tiene interes
en Electrotecnia).
Solucion
Observando que det(A) = 3( 1), A
T
= A y
Adj(A) = ( 1)
_
_

1 (1 +)
(1 +) 1
_
_
resulta
A
1
=
1
3
_
_
1 1 1
1
2
1
2
_
_
58 CAP

63. Calcular el determinante
D
n
=
1 0 1 1 1
1 1 0 1 1
1 1 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 1 0
1 1 1 1 1
Solucion
Restando a la 1
a
C la 2
a
C resulta
D
n
=
1 0 1 1 1
0 1 0 1 1
0 1 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 1 1 1 0
0 1 1 1 1
= D
n1
luego D
n
= D
n1
= = D
3
= D
2
= D
1
= 1
64. Calcular el siguiente determinante
D
n
=
0 1 1 1 1
1 0 1 1 1
1 1 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 0 1
1 1 1 1 0
Solucion
Restando a cada columna la siguiente (desde la primera a la penultima)
resulta
D
n
=
1 0 0 0 1
1 1 0 0 1
0 1 1 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 1
0 0 0 1 0
y desarrollando por la 1
a
C
D
n
= (1)
1 0 0 1
1 1 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 1
0 0 1 0
+ (1)
0 0 0 1
1 1 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 1
0 0 1 0
1.9. EJERCICIOS 59
es decir,
D
n
= (1)D
n1
+ (1)(1)
n1
1 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
0 0 1
luego D
n
= D
n1
+ (1)
n
. Finalmente
D
1
= 0, D
2
= 1, D
3
= 2, D
4
= 3, , D
n
= (1)
n1
(n 1)
65. Comprobar que D = a
2
b
2
siendo
D =
1 +a 1 1 1
1 1 a 1 1
1 1 1 +b 1
1 1 1 1 b
Solucion
D =
a a 0 0
1 1 a 1 1
0 0 b b
1 1 1 1 b
a 0 0 0
1 a 1 0
0 0 b 0
1 0 1 b
= a
2
b
2
66. Calcular D(x) siendo
D(x) =
x a b c d
a x b c d
a b x c d
a b c x d
a b c d x
Solucion
Restemos a cada la la anterior (de la ultima a la segunda)
D(x) =
x a b c d
a x x a 0 0 0
0 b x x b 0 0
0 0 c x x c 0
0 0 0 d x x d
y sumemos todas las columnas a la primera, resultando

D(x) = (x +a +b +c +d)
x a 0 0 0
b x x b 0 0
0 c x x c 0
0 0 d x x d
= (x +a +b +c +d)(x a)(x b)(x c)(x d)

60 CAP

67. Justicar que
D
n
(x) =
a
n
a
n1
a
n2
a
0
1 x 0 0
0 1 x 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 x
= a
n
x
n
+a
n1
x
n1
+ +a
1
x+a
0
68. Demostrar que

1 a b +c
1 b c +a
1 c c +b
= 0
Solucion
Sumar la 2
a
C a la 3
a
C.
69. Si a ,= 1, justicar por induccion o mediante resolucion de una ley de
recurrencia que:
D
n
=
1 +a
2
a 0 0 0
a 1 +a
2
a 0 0
0 a 1 +a
2
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 +a
2
a
0 0 0 a 1 +a
2
=
a
2n+2
1
a
2
1
70. Justicar por induccion o mediante resolucion de una ley de recurrencia
que:
D
n
=
2 1 0 0 0
1 2 1 0 0
0 1 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 2 1
0 0 0 1 2
= n + 1
Solucion
Captulo 2
Espacios vectoriales
Contenidos
1. Introduccion.
2. Espacios vectoriales. Bases.
3. Subespacios vectoriales.
4. Comentarios.
5. Ejercicios.
Referencias
2.1. Introduccion
Los conceptos fsicos como la fuerza o la velocidad se caracterizan por su
direccion, su sentido y su intensidad; este triple caracter es recogido por las
magnitudes llamadas vectoriales y no por las escalares. Aunque su naturaleza es
esencialmente geometrica (nos ocuparemos de ello brevemente) es de sus aspec-
tos algebraicos de lo que nos ocuparemos con mas intensidad ya que son sus usos
y aplicaciones en todas las ramas cientcas los que nos justican plenamente
su estudio en este lugar.
2.2. Espacios vectoriales. Bases
2.2.1. Deniciones y ejemplos
Sea K = , , un conjunto no vaco de elementos llamados escalares
dotado de una estructura algebraica de cuerpo conmutativo respecto a las
operaciones binarias internas suma de escalares
(+) : KK K
y producto de escalares
() : KK K
El elemento neutro para la suma se denota por 0
K
o por 0 si no hay peligro
de confusion; el neutro del producto se denota por 1
K
o por 1, si tampoco hay
peligro de confusion. El cuerpo K sera el de los n umeros reales R; ocasionalmente
61
62 CAP
ITULO 2. ESPACIOS VECTORIALES

podra ser el de los n umeros complejos C y en alg un caso muy especco podra ser
Z
p
, el de las clases de restos modulo p, con p n umero primo.
Sea V = u, v, w, un conjunto de elementos llamados vectores, no vaco
y en el que se suponen denidas las siguientes operaciones:
1. Suma de vectores
(+) : V V V
2. Producto de escalares por vectores
(
K
) : KV V
Denicion 2.2.1 La estructura algebraica
1
(V, +,
K
) es un espacio vectorial
sobre K si, y solo si, se verica que:
1. (V, +) es un grupo conmutativo o abeliano; es decir, se verican las si-
guientes propiedades:
a) Asociativa.
(u +v) +w = u + (v +w), (u, v, w V ) (2.1)
b) Conmutativa.
u +v = v +u, (u, v V ) (2.2)
c) Existencia de elemento neutro.
x V ; x +u = u +x = u, (u V ) (2.3)
Se dice que x es es vector nulo y se representa por 0, luego
0 V ; 0 +v = v + 0 = v, (u V ) (2.4)
d) Existencia de elemento opuesto.
x V ; x +u = u +x = 0, (u V ) (2.5)
Se dice que x es el opuesto de u y se escribe como u. Por tanto,
(u) V ; u + (u) = (u) +u = 0, (u V ) (2.6)
2. La operacion externa (
K
) : KV V verica, K y u, v V , las
siguientes propiedades:
(u +v) = u +v (2.7)
( +)u = u +u (2.8)
(u) = ()u (2.9)
1u = u, (1 = 1
K
) (2.10)
1
De un conjunto cualquiera E en el que se ha denido una operacion interna se dice que
se ha dotado de una estructura algebraica indicada por (E, ) y que dependera evidentemente
de las propiedades que verique la operacion , siendo las estructuras mas habituales las de
monoide, semigrupo y grupo. Si son dos las operaciones internas, por ejemplo, suma (+)
y producto (), las estructuras (E, +, ) mas habituales son las de anillo y cuerpo; mientras
que si se trata de una operacion interna (+) y otra externa (
R
) sobre el anillo R lo mas
habitual es que sea la estructura (E, +,
R
) de R-m odulo sobre el anillo R, y si el anillo R es
un cuerpo, R = K en este caso, la estructura es la de espacio vectorial sobre el cuerpo K.
2.2. ESPACIOS VECTORIALES. BASES 63
Usualmente solo se dice que V es un espacio vectorial sobre K sin especicar
las dos operaciones (que deben estar claras por el contexto).
Ejemplo 2.2.1 /
mn
(K) es un espacio vectorial sobre K con la operacion
suma de matrices y producto de escalar por matriz.
Ejemplo 2.2.2 Sea n 1. El conjunto
2
K
n
es un espacio vectorial sobre K.
Las operaciones son las siguientes:
Suma.
(x
1
, x
2
, , x
n
) + (y
1
, y
2
, , y
n
) = (x
1
+y
1
, x
2
+y
2
, , x
n
+y
n
)
Producto de escalar por vector.
((x
1
, x
2
, , x
n
) = (x
1
, x
2
, , x
n
)
Ejemplo 2.2.3 Sea n 0. El conjunto K
n
[x] de los polinomios de grado menor
o igual a n con coecientes en K es un espacio vectorial sobre K. Las operaciones
son la suma de polinomios y el producto de un polinomio por un escalar. Tambien
se escribe como P
n
(K) o T
n
(K).
Ejemplo 2.2.4 El conjunto K[x] de los polinomios de cualquier grado con coe-
cientes en K es un espacio vectorial sobre K. Las operaciones son la suma de
polinomios y el producto de un polinomio por un escalar. Tambien se escribe
como P(K) o T(K).
Ejemplo 2.2.5 El conjunto de todas las funciones reales denidas en un inter-
valo real es un espacio vectorial real. Las operaciones son la suma habitual f +g
entre funciones y el producto de una funcion por un n umero real f.
Ejemplo 2.2.6 El conjunto unitario 0 es el espacio vectorial trivial o espacio
vectorial nulo. Por abuso de notacion se denota por 0, simplemente.
Ejemplo 2.2.7 El conjunto de los n umeros complejos C es un espacio vectorial
sobre C. (Su dimension es 1).
Ejemplo 2.2.8 El conjunto de los n umeros complejos C es un espacio vectorial
sobre R. (Su dimension es 2).
Ejemplo 2.2.9 El conjunto de las sucesiones reales es un espacio vectorial real.
Las operaciones son la suma de dos sucesiones x
n
+ y
n
= x
n
+ y
n
y el
producto de una sucesion por un n umero real x
n
= x
n
Propiedades de la suma y el producto por escalares

Proposicion 2.2.1 Sea V un espacio vectorial sobre K. Si , K y u, v V
entonces:
1. 0u = 0, (0
K
u = 0
V
)
2. 0 = 0, (0
V
= 0
V
)
2
Veremos en . que cualquier espacio vectorial V de dimension nita es isomorfo a K
n
.
64 CAP

3. Si u = 0, entonces ( = 0) (u = 0)
4. (u) = ()u = (u)
5. (u v) = u v
6. ( )u = u u
7. Si (u = u) (u ,= 0), entonces =
8. Si (u = v) ( ,= 0), entonces u = v
Demostracion
1. 0u = (0 + 0)u = 0u + 0u, luego 0u = 0
2. 0 = (0 + 0) = 0 +0, luego 0 = 0
3. Si ,= 0, entonces
1
K;
1
(u) = 0, (
1
)u = 0, 1u = 0, u = 0.
4. u + ()u = ( + ())u = 0u = 0
u +(u) = (u + (u)) = 0 = 0
5. (u v) +v = ((u v) +v) = (u + (v +v)) = (u + 0) = u
6. ( )u +u = (( ) +)u = ( + ( ))u = ( + 0)u = u
7. Si u = u, entonces ( )u y como u ,= 0, entonces = 0, luego
=
8. Si u = v, entonces (u v) = 0 y como ,= 0, entonces u v = 0,
luego u = v
2.2.2. Dependencia e independencia lineal

Sea F
u
= u
1
, , u
n
una familia de vectores del espacio vectorial V .
Denicion 2.2.2 (Combinacion lineal) Sea u V . El vector u es combina-
cion lineal de los vectores u
1
, , u
n
de la familia F
u
si existen
1
, ,
n
escalares de K de modo que
u =
1
u
1
+ +
n
u
n
(2.11)
Los escalares
1
, ,
n
son los coecientes de la combinacion lineal.
El conjunto de todas las combinaciones lineales de los vectores u
1
, , u
n
con coecientes en K se suele representar por Ku

1
, , u
n
).
Ejemplo 2.2.10 En R
3
el vector u = (2, 1, 0) es combinacion lineal de los
vectores u
1
= (1, 0, 0) y u
2
= (0, 1, 0); por contra, el vector v = (2, 1, 1) no lo es.
Ejemplo 2.2.11 El vector nulo 0 es combinacion lineal (trivial) de cualquier
familia F
u
con coecientes nulos.
Denicion 2.2.3 (Independencia lineal) La familia F
u
= u
1
, , u
n
es
libre si para cualquier combinacion lineal nula,
1
u
1
+ +
n
u
n
= 0, es nece-
sario que todos sus coecientes sean nulos,
1
=
2
= =
n
= 0.
Tambien se dice que la familia es linealmente independiente. Las familias
que no son libres se llaman ligadas o linealmente dependientes.
Ejemplo 2.2.12 En R
3
la familia
u
1
= (1, 0, 1), u
2
= (1, 1, 0), u
3
= (1, 1, 1), u
4
= (1, 2, 1)
es ligada mientras que no lo es la familia
u
1
= (1, 0, 1), u
2
= (1, 1, 0), u
3
= (1, 1, 1)
Ejemplo 2.2.13 En K
2
[x] la familia
p
1
(x) = x
2
+x + 1, p
2
(x) = 2x + 1, p
3
(x) = x
2
+ 1
es libre.
Observar que el estudio de la dependencia e independencia lineal se reduce
a la compatibilidad o no de sistemas de ecuaciones lineales homogeneos y, por
tanto al calculo del rango de la matriz de coecientes del sistema resultante; es
decir, al calculo del rango de la matriz que forman los vectores tomados como
columnas del sistema homogeneo citado.
Ejercicio 2.2.1 Justicar que toda combinaci on lineal de las funciones c(x) =
cos x y s(x) = sin x verican la ecuacion diferencial y
+ y = 0. Ademas, jus-
ticar que toda funcion del tipo f(x) = Acos(x +) es una combinacion lineal
de las funciones c(x) y s(x).
Propiedades generales
Proposicion 2.2.2 Sea V un espacio vectorial sobre K y sea F
u
= u
1
, , u
n
una familia de vectores de V . Se tienen:

1. Si 0 F
u
, entonces la familia F
u
es ligada.
2. Si v V 0, entonces la familia v es libre.
3. Si una familia F
u
es ligada, entonces tambien lo es la familia resultante
de a nadirle cualquier n umero de vectores.
4. Si una familia F
u
es libre, entonces tambien lo es cualquier subfamilia de
F
u
.
Demostracion
Se trata de un simple ejercicio.
Proposicion 2.2.3 Una familia de vectores es ligada si, y solo si, uno de sus
vectores es combinacion lineal de los otros.
66 CAP

Demostracion
Ejercicio 2.2.2 Justicar que la familia de vectores F

u
= u
1
= (1+i, 2i), u
2
=
(1, 1 +i) de C
2
, es ligada en el espacio vectorial complejo C
2
, mientras que es
libre en el espacio real C
2
.
Solucion
Supongamos que C
2
es un espacio vectorial complejo. Formemos la com-
binacion lineal
1
u
1
+
2
u
2
= 0 con
1
,
2
C; es decir,
1
(1 + i, 2i) +
2
(1, 1 +i) = (0, 0). Ello conduce al sistema
_
(1 +i)
1
+
2
= 0
2i
1
+ (1 +i)
2
= 0
es decir, como 2i = (1 +i)
2
, al sistema
_
(1 +i)
1
+
2
= 0
(1 +i)
1
+
2
= 0
o mejor a un, a una unica ecuacion compleja
(1 +i)
1
+
2
= 0
cuyas soluciones complejas son
_

1
2
_
=
_
1
(1 +i)
_
, ( C)
Luego la familia es ligada.
Supongamos que C
2
es un espacio vectorial real. Formemos la combinacion
lineal
1
u
1
+
2
u
2
= 0 con
1
,
2
R; es decir,
1
(1+i, 2i)+
2
(1, 1+i) =
(0, 0). Ello conduce al sistema
(1 +i)
1
+
2
= 0
es decir al sistema real
_

1
+
2
= 0
1
= 0
cuyas soluciones reales son
1
=
2
= 0. Luego la familia es libre.
Ejercicio 2.2.3 Justicar que las funciones f
1
(x) = 1, f
2
(x) = e
x
y f
3
(x) =
e
2x
son linealmente independientes.
Los conceptos de dependencia e independencia lineal se pueden generalizar
para familias de vectores que sean innitas.
Denicion 2.2.4 Sea S V . S es ligado si existe un subconjunto nito de S
que es ligado; en caso contrario S es libre.
2.2.3. Sistemas generadores
Denicion 2.2.5 (Sistema generador) Sea S V . S es un sistema genera-
dor de V si todo vector de V es combinacion lineal
3
de vectores de S.
Proposicion 2.2.4 Si S es un sistema generador de V y el vector s es combi-
nacion lineal de los demas vectores de S, entonces el conjunto S s tambien
es un sistema generador de V .
Proposicion 2.2.5 Si la familia F
u
= u
1
, , u
n
es libre y F
v
= v
1
, , v
m
es un sistema generador de V , entonces n m.

Demostracion
Por reduccion al absurdo. Supongamos que n > m. La familia v
1
, , v
m
es un sistema generador, luego tambien lo es u

1
, v
1
, , v
m
. Como u
1
es combi-
nacion lineal de v
1
, , v
m
, alguno de estos vectores, por ejemplo v
1
sera com-
binacion lineal de la familia u
1
, v
2
, , v
m
, entonces la familia u
1
, v
2
, v
m
es generadora de V . Repitiendo el proceso, la familia u

1
, u
2
, v
3
, , v
m
es ge-
neradora de V . Reiterando el proceso se llega a que la familia u
1
, u
2
, u
3
, , u
m
es generadora de V con m < n. Se tiene as que el vector u

m+1
F
u
es com-
binacion lineal de u
1
, u
2
, u
3
, , u
m
en contradiccion con ser libre la familia
F
u
.
2.2.4. Bases de un espacio vectorial

Denicion 2.2.6 Sea B V . B es una base de V si B es libre y sistema
generador de V .
Teorema 2.2.1 (Teorema de la base) Si el espacio vectorial V tiene al me-
nos una base nita, entonces todas sus bases tienen el mismo cardinal.
Demostracion
Sean B
u
= u
1
, .u
n
una base de V y B
v
= v
1
, .v
m
otra base de V .
Se tienen:
B
u
libre y B
v
sistema generador de V , luego n m.
B
v
libre y B
u
sistema generador de V , luego m n.
En conclusion, n = m.
Si el espacio vectorial V tiene al menos una base nita, se suele decir que es
de tipo nito y se llama dimension de V al n umero de elementos de cualquier
base de V .
Denicion 2.2.7 Sea V un espacio vectorial V de tipo nito. Dimension de
V , escrito dim
K
(V ), es el cardinal de una de sus bases.
Usualmente se escribe solo dim(V ).
3
Todas las combinaciones lineales son nitas, de un n umero nito de sumandos, aunque S
sea innito.
68 CAP

Nota 2.2.1 dim(V ) es el maximo n umero de vectores linealmente independien-
tes en V .
Nota 2.2.2 dim(V ) es el mnimo n umero de vectores generadores de V .
Base canonica o estandar
1. En el K-espacio vectorial K
n
la base estandar o canonica es
u
1
= (1, 0, , 0), u
2
= (0, 1, , 0), , u
n
= (0, 0, , 1) (2.12)
y dim
K
(K
n
) = n.
2. En el K-espacio vectorial K
n
[x] de los polinomios de grado menor o igual
a n la base estandar o canonica es
p
1
(x) = 1, p
2
(x) = x, , p
n
(x) = x
n
(2.13)
y dim
K
(K
n
[x]) = n + 1.
3. El K-espacio vectorial K[x] de los polinomios de cualquier grado la base
estandar o canonica es
p
1
(x) = 1, p
2
(x) = x, , p
n
(x) = x
n
, (2.14)
pero no tiene dimension nita.
4. En el K espacio vectorial /
mn
(K), la base estandar o canonica es la
familia
U
ij
; i I, j J (2.15)
en donde la matriz U
ij
todos sus elementos son nulos salvo el elemento ij
que es 1. Ademas, dim(/
mn
(K)) = mn.
Nota 2.2.3 dim(0) = 0. Esta generado por el vector nulo 0 que no es familia
libre.
Nota 2.2.4 En lo que sigue usualmente los espacios vectoriales seran de di-
mension nita.
Proposicion 2.2.6 Si V es un espacio vectorial no nulo, entonces de cada
sistema generador nito se puede extraer una base.
Demostracion
Sea S nito y sistema generador de V . Si es libre, entonces S ya es base,
sino al menos uno de sus vectores s es combinacion de los otros. Eliminado de S
se obtiene S s un nuevo sistema generador con un vector menos. Se reitera
el proceso. En el peor de los casos, se llega a un sistema de solo un vector no
nulo que por ser libre sera base.
La anterior demostracion sugiere el metodo para localizar una base a partir

de un sistema generador de vectores. Se elimina uno que sea combinacion de los
otros y se reitera el proceso.
Proposicion 2.2.7 (Teorema de ampliacion de la base) Sea V un espa-
cio vectorial de dimension nita n sobre K, dim
K
(V ) = n. Si la familia u
1
, , u
h
es libre, entonces existen vectores u

h+1
, , u
n
en V tales que la familia
u
1
, , u
h
, u
h+1
, , u
n
(2.16)
es base de V .
Demostracion
Si la familia u
1
, , u
h
es base, entonces h=n y no hace falta a nadir mas
vectores (se a naden 0 vectores), sino v
h+1
V tal que v
h+1
/ Ku
1
, , u
h
),
luego u
1
, , u
h
, u
h+1
es libre. Si es base, n, sino se reitera el proceso.
La anterior demostracion nos indica un nuevo metodo para hallar una base:
se parte de un sistema libre de vectores y se van a nadiendo cada vez un nuevo
vector independiente de los anteriores.
Corolario 2.2.1 Sea V un espacio vectorial de dimension nita n sobre K,
dim
K
(V ) = n, y la familia S = u
1
, , u
n
. Son equivalentes:
1. S es libre.
2. S es sistema generador de V .
3. S es una base de V .
Ejercicio 2.2.4 En R
4
justicar que los vectores v
1
= (1, 1, 0, 1), v
2
= (1, 1, 1, 2)
y v
3
= (1, 1, 1, 1) son linealmente independientes y por prolongacion hallar
una base de R
4
.
2.2.5. Componentes de un vector respecto a una base
El siguiente resultado nos permite trabajar con vectores como si fuesen ele-
mentos de K
n
.
Proposicion 2.2.8 Sea V un espacio vectorial sobre el cuerpo K. Si B
u
=
u
1
, u
2
, , u
n
es una base de V , entonces todo vector x V se puede escribir
de modo unico como combinacion lineal de los vectores de la base B
e
; es decir,
para todo vector x V , existen escalares unicos x
1
, x
2
, , x
n
K tales que
x = x
1
u
1
+x
2
u
2
+ +x
n
u
n
(2.17)
Demostracion
Facil ejercicio.
Denicion 2.2.8 Las coordenadas de x V en la base B

u
, son los unicos n
escalares x
1
, x
2
, , x
n
K tales que x = x
1
u
1
+x
2
u
2
+ +x
n
u
n
Usualmente se escribe x = (x
1
, x
2
, , x
n
)
B
u
o simplemente x = (x
1
, x
2
, , x
n
).
70 CAP

Ejemplo 2.2.14 El vector x = (2, 3, 1) expresado as respecto a la base canoni-
ca, tiene como expresion respecto a la base
B
u
= u
1
= (1, 1, 1), u
2
= (0, 1, 1), u
3
= (0, 0, 1)
la siguiente expresion
x = (2, 1, 1)
B
u
Ejercicio 2.2.5 Sea B
e
= e
1
, e
2
una base de R
2
. Justicar que tambien lo
son las familias B
1
= e
1
+e
2
, e
2
, B
2
= e
1
+e
2
, e
1
e
2
y B
3
= e
1
, e
2
+e
1
con R.
2.2.6. Coordenadas y dependencia lineal
Usando las coordenadas de un vector respecto a una base podemos caracte-
rizar la dependencia e independencia lineal de vectores (entre otras cosas).
Proposicion 2.2.9 Sea V un espacio vectorial sobre K y B
u
una base de V .
El conjunto de vectores v
1
, v
2
, , v
r
es libre si, y solo si, la matriz cuyas
columnas o las son las componentes de v
i
(i = 1, , r) respecto a la base B
u
es de rango r.
Demostracion
Ver [?], pag 82.
2.2.7. Cambio de base

Proposicion 2.2.10 Sean B
u
= u
1
, u
2
, , u
r
y B
v
= v
1
, v
2
, , v
r
son
dos base de V de modo que se conocen las combinaciones lineales
_
_
v
1
= a
11
u
1
+a
21
u
2
+ +a
n1
u
n
v
2
= a
12
u
1
+a
22
u
2
+ +a
n2
u
n

v
n
= a
1n
u
1
+a
2n
u
2
+ +a
nn
u
n
(2.18)
y sean x = (x
1
, x
2
, , x
n
)
B
u
y x = (x
1
, x
2
, , x
n
)
B
v
. Si se toman la matrices
X = (x
1
, x
2
, , x
n
)
T
(2.19)
X
= (x
1
, x
2
, , x
n
)
T
(2.20)
y
P =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
(2.21)
entonces
X = PX
(2.22)
Demostracion

e
= e
1
, e
2
, e
3
una base de R
3
. Tomemos los vectores
e
1
= e
1
+e
2
+e
3
, e
2
= e
1
e
2
+ 5e
3
y e
3
= 6e
1
+e
2
e
3
. Se pide:
1. Justicar que B
e
= e
1
, e
2
, e
3
es una base de R
3
.
2. Hallar las ecuaciones del cambio de base de B
e
a B
e
.
Solucion
1. Es muy simple comprobar que B
e
= e
1
, e
2
, e
3
es una base de R
3
. Solo
tenemos que comprobar que
det(e
1
, e
2
, e
3
) ,= 0
2. Si x = (x
1
, x
2
, x
3
)
B
e
= (x
1
, x
2
, x
3
)
B
e
se tiene
_
_
x
1
x
2
x
3
_
_
=
_
_
1 1 6
1 1 1
1 5 1
_
_
_
_
x
1
x
2
x
3
_
_
Ejercicio 2.2.7 Sea v R
3
un vector cuyas coordenadas respecto a la base
B
u
= u
1
, u
2
, u
3
de R
3
son (3, 2, 1). Consideremos otra base B
v
= v
1
=
u
1
u
2
u
3
, v
2
= u
2
+ u
3
, v
3
= au
1
+ bu
2
+ cu
3
de modo que el vector v
tiene de coordenadas (1, 1, 1) respecto a esa nueva base. Se pide hallar el vector
v
3
expresado en funcion de la base inicial.
Solucion
Solo es necesario establecer
_
_
3
2
1
_
_
=
_
_
1 0 a
1 1 b
1 1 c
_
_
_
_
1
1
1
_
_
de donde se obtiene facilmente a, b y c.
Ejercicio 2.2.8 Hallar las ecuaciones del cambio de base de
B
u
= u
1
= (1, 1, 0), u
2
= (1, 0, 2), u
3
= (0, 2, 5)
a la base
B
v
= v
1
= (0, 1, 1), u
2
= (1, 1, 1), u
3
= (3, 1, 0)
Solucion
Supongamos que (x
1
, x
2
, x
3
)
B
u
= (x
1
, x
2
, x
3
)
B
v
, es decir
x
1
(1, 1, 0) +x
2
(1, 0, 2) +x
3
(0, 2, 5) = x
1
(0, 1, 1) +x
2
(1, 1, 1) +x
3
(3, 1, 0)
de donde facilmente se obtienen
_
_
x
1
x
2
x
3
_
_
=
_
_
3 1 7
3 2 10
1 1 4
_
_
_
_
x
1
x
2
x
3
_
_
o tambien
_
_
x
1
x
2
x
3
_
_
=
_
_
2 3 1
2 5 6
1 2 2
_
_
_
_
x
1
x
2
x
3
_
_
Otro modo de proceder es cambiar de una base a la otra pasando por la
canonica.
72 CAP

2.3. Subespacios vectoriales
Sea V un espacio vectorial sobre K y sea ,= S V .
Denicion 2.3.1 S es un subespacio vectorial de V si, y solo si,
1. S es cerrado para la suma.
x, y S, x +y S (2.23)
2. S es cerrado para el producto externo por escalares.
x S, K, x S (2.24)
A veces se escribe S V para indicar que S es subespacio vectorial de V
Subespacio impropios. Todo subespacio vectorial es tambien un espacio
vectorial sobre K. Las conjuntos V y 0 son espacios vectoriales que podemos
considerar que son subespacios vectoriales de V y que llamaremos subespacios
impropios.
Ejemplo 2.3.1 En el espacio vectorial /
n
(K) de las matrices cuadradas son
subespacios los siguientes:
1. Las matrices triangulares superiores.
2. Las matrices triangulares inferiores.
3. Las matrices diagonales.
4. Las matrices simetricas.
5. Las matrices antisimetricas.
Ejemplo 2.3.2 Los polinomios de grado n y coecientes en K forman un subes-
pacio del espacio vectorial de los polinomios de cualquier grado sobre K. Escri-
bimos K
n
[x] K[x]
Caracterizacion de subespacios
Proposicion 2.3.1 Sea V un espacio vectorial sobre K y sea ,= S V . Son
equivalentes:
1. S V
2. x, y S, , K, x +y S
Demostracion
Es un simple ejercicio.
Ejercicio 2.3.1 Sea V un espacio vectorial sobre K y sea ,= S V . Demos-

trar que S V si, y solo si,
2.3. SUBESPACIOS VECTORIALES 73
1. x, y S, x +y S
2. K, x S, x S
Ejercicio 2.3.2 Sea V el espacio vectorial real de las funciones reales de va-
riable real. Justicar que son subespacios suyos los siguientes conjuntos de fun-
ciones: las pares, las impares, las acotadas, las polinomicas, las continuas, las
derivables y las funciones que se anulan en el punto x = 1.
2.3.2. Subespacio generado por un conjunto de vectores
Denicion 2.3.2 Sea G = g
1
, g
2
, , g
n
un conjunto de vectores en el espa-
cio vectorial V . El conjunto de todas las combinaciones lineales en V formadas
con los vectores de G se representa por L(G) o por G), y se llama subespacio
generado por G.
Proposicion 2.3.2 Sea ,= G V . Si G) es el subespacio generado por G
en V , entonces:
1. G) V
2. G) es el menor subespacio vectorial que contiene a G.
Demostracion
Es un simple ejercicio.
Como consecuencia elemental de las anteriores deniciones se tiene que:

1. G es un sistema generador de G)
2. Si S V , entonces dim(S) dim(V )
3. G) = V si, y solo si, G es un sistema de generadores de V.
4. Si G es un sistema de generadores de V , entonces tambien lo son los
que resultan de aplicar a los vectores de G las operaciones elementales ya
conocidas.
Ejercicio 2.3.3 Sea S x y = 0, 2x + y + z = 0, x + y z = 0. Se pide
hallar una base en los casos en que el cuerpo de escalares sea R, Z
2
y Z
5
Solucion
Si K = R, entonces x = 0, y = 0, z = 0. S = 0
Si K = Z
2
, entonces x = 0, y = 0, z = 0. S = 0
Si K = Z
5
, entonces x = , y = , z = 2, ( Z
5
). S = Z
5
(1, 1, 2)); es
decir,
S = (1, 1, 2), (2, 2, 4), (3, 3, 1), (4, 4, 0), (0, 0, 0)
Ejercicio 2.3.4 Se consideran en R
3
los subespacios S
1
= (1, 2, 1) , (1, 3, 2)) y
S
2
= (1, 0, 1) , (3, 8, 5)). Demostrar que S
1
= S
2
Solucion
74 CAP

Ambas familias de generadores son libres, es decir, dim(S
1
) = dim(S
2
) =
2.
Ademas
(1, 0, 1) = 3(1, 2, 1) 2(1, 3, 2)
(3, 5, 8) = 1(1, 2, 1) + 2(1, 3, 2)
es decir S
2
S
1
En conclusion S
1
= S
2
.
2.3.3. Espacio de las y espacio de columnas de una matriz
Sea A /
mn
(K). Las m las de la matriz A pueden considerarse vectores
de K
n
. Se pueden representar mediante f
i
(A), (i = 1, 2, , m).
Denicion 2.3.3 Espacio de las de A es el subespacio vectorial, T(A), gene-
rado por las las de A. T(A) = f
1
(A), f
2
(A), , f
n
(A))
Analogamente, las n columnas de la matriz A pueden considerarse vectores
de K
m
. Se pueden representar mediante c
j
(A), (j = 1, 2, , n).
Denicion 2.3.4 Espacio de columnas de A es el subespacio vectorial, ((A),
generado por las columnas de A. ((A) = c
1
(A), c
2
(A), , c
n
(A))
Un resultado inmediato es que si las matrices A y B son equivalentes por
las (por columnas), entonces tienen igual subespacio de las (columnas). En
concreto:
Proposicion 2.3.3 Si A
f
B, entonces T(A) = T(B)
Proposicion 2.3.4 Si A
c
B, entonces ((A) = ((B)
En general, cada la f
i
(A) = (a
i1
, a
i2
, , a
in
) de A puede interpretarse
como componentes de un vector f
i
de un espacio vectorial cualquiera V sobre el
cuerpo K con dim
K
(V ) = n respecto a una base determinada B
v
= v
1
, , v
n
de V siendo, por tanto, f

i
= a
i,1
v
1
+a
i,2
v
2
+ +a
i,n
v
n
. Sea S
f
= f
1
, f
2
, , f
n
)
el espacio de las generado por A. Sea H
f
(A) la matriz de Hermite por las de
A. Se tienen trivialmente:
Proposicion 2.3.5 rg(A) = dim
K
(S
f
)
Proposicion 2.3.6 Las las de H
f
(A) son la base de S
f
.
Proposicion 2.3.7 Analogo resultado para columnas.
Ejercicio 2.3.5 Sea S = (1, 3, 4, 1), (2, 6, 8, 2), (2, 5, 7, 2)) se pide hallar una
base de S y su dimension dim
R
(S)
Solucion
Se forma la matriz
A =
_
_
1 3 4 1
2 6 8 2
2 5 7 2
_
_
mediante operaciones elementales sobre las se obtiene su matriz de Hermite
por las
H
f
(A) =
_
_
1 0 1 1
0 1 1 0
0 0 0 0
_
_
luego S = (1, 0, 1, 1), (0, 1, 1, 0)) y dim
R
(S) = 2
2.3.4. Ecuaciones cartesianas y parametricas de un subes-
pacio
Cada subespacio vectorial de un espacio vectorial de dimension nita puede
interpretarse como el conjunto de soluciones de un sistema lineal homogeneo de
ecuaciones. Y recprocamente.
x
1
+x
2
+x
3
= 0
tiene por soluciones a x
1
= , x
2
= y x
3
= que podemos considerar en
la forma (x
1
, x
2
, x
3
) = (1, 1, 0)+(1, 0, 1). Todo vector solucion (x
1
, x
2
, x
3
)
es una combinacion de los vectores (1, 1, 0) y (1, 0, 1). Si S es el conjunto de
soluciones, entonces S = (1, 1, 0), (1, 0, 1)).
_
x
1
+x
2
+x
3
= 0
x
1
x
2
= 0
tiene por soluciones a x
1
= , x
2
= y x
3
= 2 que podemos considerar
en la forma (x
1
, x
2
, x
3
) = (1, 1, 2). Todo vector solucion (x
1
, x
2
, x
3
) es una
combinacion del vector (1, 1, 2). Si S es el conjunto de soluciones, entonces
S = (1, 1, 2)).
2.3.5. Ecuaciones cartesianas y dimension de un subespa-
cio
Con las notaciones anteriores se tiene que si n = dim(V ) y r = dim(S),
entonces en las ecuaciones parametricas de S aparecen r parametros. Dado un
sistema homogeneo de n incognitas, para que la solucion dependa de r parame-
tros es necesario que la matriz del sistema tenga por rango a nr, lo que exige
nr ecuaciones independientes. Por ello decimos que: ((el n umero de ecuaciones
independientes de un sistema = nr = dim(V ) dim(S))); es decir ((el n umero
de incognitas principales es la dimension del espacio vectorial menos el de las
no principales)).
76 CAP

Ejemplo 2.3.5 En R
3
el subespacio S generado por (1, 1, 0) y (1, 1, 0) tiene
por ecuaciones parametricas a
S
_
_
_
x
1
= +
x
2
= +
x
3
= 0
y si eliminamos los parametros y se obtiene S x
3
= 1. Solo una ecuacion
es necesaria y dim(S) = 2.
Ejemplo 2.3.6 En R
4
el subespacio S generado por (1, 0, 1, 1) y (0, 1, 1, 0) tiene
por ecuaciones parametricas a
S
_
_
x
1
=
x
2
=
x
3
= +
x
4
=
y si eliminamos los parametros y se obtiene
S
_
x
1
+x
2
x
3
= 0
x
1
x
4
= 0
Solo dos ecuaciones son necesarias y dim(S) = 2.
Ejercicio 2.3.6 Sea S
1
el subconjunto de R
n
formado por las n-uplas cuyas
componentes forman progresion aritmetica de orden 1. Se pide:
1. Demostrar que S
1
es un subespacio vectorial de R
n
2. Hallar su base canonica B y su dimension.
3. Respecto a la base canonica anterior B, hallar las coordenadas del vector
v = (6, 9, 12, , 3n + 2)
Solucion
1. Trivial.
2. S
1
= (a +r, a + 2r, , a +nr) R
n
; a, r R
Como (a +r, a + 2r, , a +nr) = a(1, 1, , 1)+r(1, 2, , n), entonces
S
1
= u
1
, u
2
) siendo u
1
= (1, 1, , 1) y u
2
= (1, 2, , n), B = u
1
, u
2
y dim(S
1
) = 2.
3. v = 3u
1
+ 3u
2
= (3, 3)
Ejercicio 2.3.7 Dado el sistema de vectores S = u
1
, u
2
, u
3
, u
4
y el subespacio
vectorial W = S) en donde u
1
= (1, 0, 1, 1), u
2
= (2, 1, 0, 3), u
3
= (1, 1, 3, 2)
y u
4
= (4, 1, 2, 5), se pide:
1. Hallar un sistema S
equivalente a S mediante transformaciones de Gauss

y calcular el rango de dicho sistema.
2. Hallar las ecuaciones parametricas de la variedad lineal W.
3. Hallar las ecuaciones cartesianas de dicha variedad lineal.
Solucion
Debemos de aplicar operaciones elementales en la matriz
_
_
1 0 1 1
2 1 0 3
1 1 3 2
4 1 2 5
_
_
para obtener la matriz equivalente por las
_
_
1 0 1 0
0 1 2 0
0 0 0 1
0 0 0 0
_
_
Por tanto:
1. S
= v
1
= (1, 0, 1, 0), v
2
= (0, 1, 2, 0), v
3
= (0, 0, 0, 1), dimS = dimS
=
3
2. Las ecuaciones parametricas son
_
_
x
1
x
2
x
3
x
4
_
_
=
1
_
_
1
0
1
0
_
_
+
2
_
_
0
1
2
0
_
_
+
3
_
_
0
0
0
1
_
_
3. Eliminando los coecientes
i
resulta la siguiente ecuacion cartesiana
x
1
2x
2
x
3
= 0
5
se considera el siguiente subespacio vectorial S dado
por
_
x
3
= 2x
1
+ 3x
2
x
4
x
5
= 2x
2
3x
1
Se pide hallar una base de S y completarla a una base de R
5
Ejercicio 2.3.9 Hallar una base de los siguientes subespacios vectoriales de
R
3
:
1.
1
3x 2y + 5z = 0
2.
2
x y = 0
3. r x = 2t, y = t, z = 4t)
4. S x +y z = 0, 2x y +z = 0, x z = 0
Solucion
1. B
1
= u
1
= (2, 3, 0), u
2
= 0, 5, 2)
78 CAP

2. B
2
= u
1
= (1, 1, 0), u
2
= 0, 0, 1)
3. B
r
= u
1
= (2, 1, 4)
4. S = 0, no tiene base.
Ejercicio 2.3.10 Justicar que es 3 el rango de la familia de vectores u
1
=
(1, 3, 2, 1, 5), u
2
= (1, 5, 1, 2, 3), u
3
= (2, 2, 3, 4, 6), u
4
= (4, 6, 2, 3, 2)
utilizando para ello operaciones elementales.
Ejercicio 2.3.11 Sea S x
1
+ 2x
2
+ x
2
+ x
4
= 0 en el espacio vectorial R
4
.
Hallar una base de S y las componentes de v = (2, 1, 1, 1) respecto de la base
hallada.
2.3.6. Intersecci on de subespacios
Denicion 2.3.5 Sean S
1
, S
2
V . Se llama interseccion de los subespacios S
1
y S
2
al conjunto S
1
S
2
Proposicion 2.3.8 El conjunto S
1
S
2
es un subespacio vectorial de V .
Ejemplo 2.3.7 En R
3
consideremos a los subespacios
S
1
x
1
+x
2
+x
3
= 0
S
2
= (1, 1, 1), (1, 1, 0), (1, 1, 1))
y como
_
_
1 1 1
1 1 0
1 1 1
_
_
_
_
1 1 0
0 0 1
0 0 0
_
_
resulta
S
2
= (1, 1, 0), (0, 0, 1))
Cualquier vector x = (x
1
, x
2
, x
3
) S
1
S
2
verica x S
2
es decir,
(x
1
, x
2
, x
3
) = (1, 1, 0) +(0, 0, 1) = (, , )
de donde eliminando y resulta S
2
x
1
x
2
= 0 y como tambien x S
1
resulta el sistema
_
x
1
+x
2
+x
3
= 0
x
1
x
2
= 0
de donde dim(S
1
S
2
) = 1.
2.3.7. Suma de subespacios
Denicion 2.3.6 (Suma) Sean S
1
, S
2
V . Se llama suma de los subespacios
S
1
y S
2
al conjunto S
1
+ S
2
que es el menor subespacio vectorial que contiene
a S
1
S
2
Proposicion 2.3.9 S
1
+S
2
= S
1
S
2
) = s
1
+s
2
V ; s
1
S
1
s
2
S
2

Base de S
1
+S
2
. La base de S
1
+S
2
es la generada por la union de ambas
bases de S
1
y S
2
(eliminando por supuesto los que sean dependientes).
Ejemplo 2.3.8 En R
3
consideremos a los subespacios
S
1
x
1
+x
2
+x
3
= 0
S
2
= (1, 1, 0), (0, 0, 1))
Una base de S
1
es (1, 0, 1), (0, 1, 1) es decir
S
1
= (1, 0, 1), (0, 1, 1))
luego S
1
+S
2
esta generado por la familia
(1, 1, 0), (0, 0, 1), (1, 0, 1), (0, 1, 1)
de donde mediante operaciones elementales se obtiene la familia libre
(1, 0, 0), (0, 1, 0), (0, 0, 1)
y en consecuencia S
1
+S
2
= R
3
.
Calculo de S
1
S
2
Reuniendo las ecuaciones cartesianas de S
1
y S
2
se obtiene un sistema de
cuaciones de S
1
S
2
en donde posiblemente algunas de ellas puedan ser elimi-
nadas por transformaciones elementales.
Calculo de S
1
+S
2
Reuniendo las bases de S
1
y S
2
se obtiene una familia de vectores generadora
de S
1
+ S
2
en donde posiblemente algunos de ellos puedan ser eliminadas por
transformaciones elementales.
2.3.8. Suma directa
Denicion 2.3.7 (Suma directa) Sean S
1
, S
2
V . A la suma S
1
+S
2
se le
llama suma directa de los subespacios S
1
y S
2
si
S
1
+S
2
= V (2.25)
S
1
S
2
= 0 (2.26)
A S
1
y S
2
se les llama subespacios complementarios.
Proposicion 2.3.10 Sean S
1
, S
2
V y su suma S
1
+S
2
. La suma S
1
+S
2
es
directa si, y solo si, todo x V admite una unica descomposicion x = s
1
+ s
2
con s
1
S
1
y s
2
S
2
Demostracion
Facil ejercicio.
80 CAP

4
se considera el subespacio vectorial S 2x
1
+ 3x
2
+
x
3
2x
4
= 0 y se pide probar que S es un subespacio vectorial de R
4
, hallar una
base de S y hallar un subespacio T tal que ST = R
4
.
Ejercicio 2.3.13 Construir un espacio vectorial de dimension 3 que solo tenga
tres elementos. Idem con 9 elementos.
Solucion
Z
3
= Z3Z y Z
3
Z
3
Ejercicio 2.3.14 Sea S el conjunto de matrices simetricas y H el de anti-
simetricas de orden n. Se pide:
1. Demostrar que S, H /
n
(R)
2. Hallar dimS y dimH
3. Demostrar que S H = /
n
(R)
Proposicion 2.3.11 (Formula de Grassmann) Si S
1
, S
2
V y dim(V ) <
, entonces
dimS
1
+ dimS
2
= dim(S
1
+S
2
) + dim()S
1
S
2
Demostracion
Consultar [?], pag 97.
2.4. Comentarios
Hemos presentado la estructura basica de todo el algebra lineal: espacio
vectorial. Luego se veran las aplicaciones entre espacios vectoriales compatibles
con sus estructuras: las aplicaciones lineales, y nalmente se a nadira un producto
escalar para dotar al espacio vectorial de una estructura eucldea.
2.5. EJERCICIOS 81
2.5. Ejercicios
1. Estudiar si los siguientes conjuntos tienen o no estructura de espacio vec-
torial sobre el cuerpo Q de los n umeros racionales:
a) A = a +b
5; a, b Z
b) B = a +b
5; a, b Q
Solucion
a) No. Tomemos u = 1 + 1
5 Z y =
1
3
Q, sin embargo, u =
1
3
+
1
3
5 / A
b) Si.
2. Sea V el conjunto de funciones reales de variable real, con las operaciones
suma de funciones y producto de funciones por un n umero real. Demos-
trar que V es un espacio vectorial sobre el cuerpo de los n umeros reales.
Estudiar cuales de los siguientes subconjuntos de V son subespacios vec-
toriales:
a) F =
_
f V ; f(x
2
) = (f(x))
2
_
b) G = f V ; f(0) = f(2)
c) H = f V ; f(2) = 3 +f(1)
3. Sea V un espacio vectorial sobre R. Se pide:
a) Comprobar que el conjunto V V es un C-espacio vectorial respecto
a las operaciones:
(u
1
, u
2
) + (v
1
, v
2
) = (u
1
+v
1
, u
2
+v
2
)
(a +bi) . (u, v) = (au bv, av +bu)
b) Si e
1
, , e
n
es una base de V , probar que (e
1
, 0), , (e
n
, 0) es
una base del C-espacio vectorial V V .
c) Si u = x
1
e
1
+ +x
n
e
n
, calcular las coordenadas de (u, u) respecto
de la base de V V obtenida en el apartado anterior.
4. Sean A y B dos conjuntos nitos de vectores de un espacio vectorial V .
Probar cada una de las siguientes proposiciones:
a) Si A B, entonces A) B)
b) A B) A) B)
c) Dar un ejemplo en el que A B) , = A) B)
5. Sean V un espacio vectorial y B = v
1
, , v
m
un subconjunto de vec-
tores de V linealmente independientes. Que se puede decir acerca de la
independencia de S = v
1
+v
2
, v
2
+v
3
, , v
m1
+v
m
, v
m
+v
1
?
Solucion
82 CAP

Formemos la combinacion lineal
1
(v
1
+v
2
) +
2
(v
2
+v
3
) + +
m1
(v
m1
+v
m
) +
m
(v
m
+v
1
) = 0
es decir,
(
m
+
1
)v
1
+(
1
+
2
)v
2
+ +(
m2
+
m1
)v
m1
+(
m1
+
m
)v
m
= 0
lo que conduce al sistema homogeneo
_
_
1 0 0 0 1
1 1 0 0 0
0 1 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 0
0 0 0 1 1
0
0
0
0
0
0
_
_
y como el determinante del sistema es 1 + (1)
n1
tenemos que:
Para n impar, la solucion es la trivial y la familia S es libre.
Por contra para n par, existen existen soluciones no triviales y la
familia S es ligada.
6. En el espacio vectorial V se considera el conjunto de vectores U = v
1
, , v
m
.
Sabiendo que existe un vector u cumpliendo u =
1
v
1
+ +
m
v
m
y
u =
1
v
1
+ +
m
v
m
, con alg un
i
,=
i
, que se puede decir del con-
junto U?
Solucion
La familia U = v
1
, , v
m
es ligada. Si fuese libre, entonces
i
=
i
,
(i = 1, 2, , m) en contradiccion con el supuesto de que existe alg un
i
,=
i
.
7. Demuestra que si u
1
, u
2
, , u
n
es un conjunto libre en un espacio vec-
torial V sobre un cuerpo K, el conjunto a
1
u
1
, a
2
u
2
, , a
n
u
n
con los
a
i
pertenecientes a K y todos distintos de cero es tambien libre.
8. Demuestra que si el conjunto e
1
, e
2
, , e
n
una base de un espacio vec-
torial V sobre un cuerpo K, el conjunto e
1
, e
1
+e
2
, , e
1
+e
2
+ +e
n
tambien es base de V .
Solucion
La combinacion lineal
1
e
1
+
2
(e
1
+e
2
) + +
n
(e
1
+e
2
+ +e
n
) = 0
conduce a un sistema lineal homogeneo de solucion trivial, luego la familia
e
1
, e
1
+e
2
, , e
1
+e
2
+ +e
n
tambien es base de V .
2.5. EJERCICIOS 83
9. Sean V un espacio vectorial sobre K, S un subespacio de E y B =
u
1
, , u
n
una base de S. Si u es un vector de V que no pertenece a S,
u V S, demuestra que el conjunto u
1
, u
2
, , u
n
, u es un conjunto
libre en E.
10. Pon un ejemplo de dos subespacios propios y distintos de un espacio vec-
torial, tales que la union de ellos sea un espacio vectorial.
11. Sean S y T subespacios vectoriales de V tales que S T = V . Demuestra
que si u
1
, u
2
, , u
n
es una base de S y v
1
, v
2
, , v
m
es una base
de T, el conjunto u
1
, u
2
, , u
n
, v
1
, v
2
, , v
m
es una base del espacio
S T.
12. Considera los siguientes subespacios de R
3
:
S
1
= (x, y, z) R
3
; x +y +z = 0
S
2
= (x, y, z) R
3
; x = y = z
S
3
= (x, y, z) R
3
; x y = z
S
4
= (x, y, z) R
3
; y = z = 0
y se pide:
a) Hallar los siguientes subespacios: S
1
+S
2
, S
2
+S
3
, S
3
+S
4
y S
4
+S
1
b) Cuales de estas sumas son directas?
13. Se considera el conjunto de vectores en R
4
,
S = (1 +a, 1, 1, 1), (1, 1 +a, 1, 1), (1, 1, 1 +a, 1), (1, 1, 1, 1 +a).
Determinar en funcion de a, la dimension del espacio
S) = RS)
Solucion
Si a = 0, entonces S = (1, 1, 1, 1) y dimS) = 1. Consideremos ahora
que a ,= 0. Se tiene
_
_
1 1 1 1 +a
1 1 1 +a 1
1 1 +a 1 1
1 +a 1 1 1
_
_

_
_
1 1 1 1 +a
0 0 a a
0 a 0 a
a 0 0 a
_
_

a=0
_
_
1 1 1 1 +a
0 0 1 1
0 1 0 1
1 0 0 1
_
_
0 0 0 4 +a
0 0 1 1
0 1 0 1
1 0 0 1
_
_

_
_
1 0 0 1
0 1 0 1
0 0 1 1
0 0 0 4 +a
_
_
teniendose que si a ,= 4, entonces dimS) = 4, sino dimS) = 3
14. Sea V un espacio vectorial y B = e
1
, e
2
, e
3
, e
4
una base de V . Se conside-
ran los vectores v
1
= (1, 2, 1, 0), v
2
= (1, 3, 2, 2), v
3
= (0, 2, 1, 5),
v
4
= (2, 0, 7, 1) y v = (4, 5, 6, a). Determinar a para que v dependa
linealmente de v
1
, v
2
, v
3
y v
4
.
84 CAP

Solucion
Solo hace falta imponer que sea compatible el sistema
_
_
1 1 0 2
2 3 2 0
1 2 1 7
0 2 5 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
5
6
a
_
_
15. En un espacio vectorial real se verica que
1
w
1
+
2
w
2
+
3
w
3
= 0, siendo
1
,
2
y
3
escalares no nulos. Demostrar que el subespacio generado por
w
1
y w
2
es el mismo que el generado por w
2
y w
3
.
Solucion
Es claro que se suponen no nulos los tres vectores. Se trata de probar
que w
1
, w
2
) = w
2
, w
3
) lo cual es trivial sin mas que observar que ambos
espacios son de dimension 2 y que w
1
, w
2
w
2
, w
3
)
16. En el espacio vectorial real R
3
se consideran las bases B
u
= u
1
, u
2
, u
3
y
B
v
= v
1
, v
2
, v
3
tales que u
1
= v
2
+ v
3
, u
2
= v
1
+ v
2
+ v
3
, u
3
= v
2
. Se
pide:
a) Hallar las ecuaciones de cambio de base entre B
u
y B
v
.
b) Cual es la expresion de v = v
1
+ 7v
2
5v
3
respecto a la base B
u
.
Solucion
a) Si x = (x
1
, x
2
, x
3
)
B
u
= (x
1
, x
2
, x
3
)
B
v
, entonces
_
_
x
1
x
2
x
3
_
_
=
_
_
0 1 0
1 1 1
1 1 0
_
_
_
_
x
1
x
2
x
3
_
_
o tambien
_
_
x
1
x
2
x
3
_
_
=
_
_
1 1 0
1 0 0
2 1 1
_
_
_
_
x
1
x
2
x
3
_
_
b) v = (8, 1, 4) respecto a la base B
u
.
17. Consideremos los siguientes subespacios de R
3
[x]
U = < x
2
+ 2x, x
2
+x, x
2
+x >
V =
_
x
2
+x
3
= 0
2x
2
x
3
= 0
W =
_
_
x
1
= 0
x
2
=
x
3
= 0
x
4
= +
; , R
Calcula bases de estos subespacios y estudia si hay alguna pareja que sean
suplementarios.
2.5. EJERCICIOS 85
18. En el conjunto R
2
[x] de los polinomios de grado menor o igual que 2, se
consideran los siguientes subconjuntos:
U = p(x) R
2
[x]; p(x) = ax
2
ax + 2a
V = q(x) R
2
[x]; q(x) = 2(a b)x
2
+ 2a b
Se pide:
a) Demuestra que U y V son subespacios de R
2
[x] y calcula una base.
b) Determinar U +V y U V .
19. Demuestra que el conjunto de las matrices que conmutan con la matriz
_
_
1 0 0
0 1 0
3 1 2
_
_
es un subespacio vectorial del conjunto /
3
(R) de las matrices cuadradas
de orden 3 3. Calcula su dimension.
20. Consideremos los espacios vectoriales:
U =
__
a b
b a
_
; a, b R
_
y V =
__
c d
e c
_
; c, d, e R
_
Calcular las dimensiones de U, V , U +V y U V .
21. Se consideran los subespacios vectoriales de R
3
siguientes: U =< (1, 0, 1) >
, V =< (1, 0, 0), (0, 1, 1) > y W =< (1, 0, 0), (0, 0, 1) >. Se pide:
a) Son U y V subespacios complementarios?. Idem para U y W, y para
V y W.
b) Expresar, si es posible, el vector (2, 1, 2) como suma de uno de U y
uno de V . Es unica la descomposicion?
c) Expresar, si es posible, el vector (3, 0, 3) como suma de uno de U y
uno de W. Es unica la descomposicion?
22. Sea V un espacio vectorial de dimension 5 y sea B = u
1
, u
2
, u
3
, u
4
, u
5
una base de V . Se consideran los subespacios de V :

F
_
x
1
+x
2
+x
3
x
4
= 0
2x
2
+x
3
+ 2x
4
x
5
= 0
G, engendrado por los vectores:
v
1
= u
1
u
4
v
2
= u
2
u
3
+ 4u
4
u
5
v
3
= u
1
+u
2
4u
4
v
4
= 3u
1
2u
2
+ 4u
3
u
4
+ 4u
5
Se pide determinar la dimension, una base, ecuaciones implcitas y pa-
rametricas de F, G, F G y F +G, respecto de la base B, as como bases
de subespacios suplementarios de F, G, F G y F +G.
86 CAP

23. Consideremos los subespacios del espacio vectorial /
2
(R) :
E =
__
a b
c d
_
; a +b = 0, c +d = 0
_
F =
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
1 2
3 0
__
Se pide:
a) Escribe las bases mas sencillas de E y F, respectivamente.
b) Demostrar que el conjunto S de las matrices de F que son simetricas
es un subespacio de F. Cual es su dimension?
24. En el espacio V = /
2
(R) se consideran los subespacios,
U =
__
1 1
1 0
_
,
_
2 4
1 0
_
,
_
3 3
2 0
_
,
_
2 0
2 0
__
W =
__
a a
a a
__
en donde a R. Se pide:
a) Son suplementarios?
b) Calcular las ecuaciones implcitas y parametricas de U y W referidas
a la base de V ,
B =
__
1 1
1 1
_
,
_
0 1
0 1
_
,
_
0 1
1 1
_
,
_
0 1
1 1
__
25. En el R-espacio vectorial /
5
(R), se considera el subconjunto de las ma-
trices que cumplen las ecuaciones:
a
11
+a
22
+a
33
= c
1
a
33
+a
44
+a
55
= c
2
a
i+1,i
= a
i,i+1
, ( i = 1, 2, 3, 4)
siendo, ademas, nulos el resto de los elementos. Se pide calcular:
a) Los valores de c
1
y c
2
para que el conjunto anterior sea un subespacio
vectorial de /
5
(R).
b) Calcular la dimension y una base en dicho caso.
26. Sean T y S los subespacios engendrados por los siguientes polinomios:
T =
_
_
_
q
1
(x) = x + 4x
2
3x
3
+ 4x
4
q
2
(x) = 3 +x + 3x
2
+ 2x
4
q
3
(x) = 9 + 2x + 3x
2
x
3
2x
4
S =
_
_
_
p
1
(x) = 1 + 2x + 5x
2
+ 3x
3
+ 2x
4
p
2
(x) = 3 +x + 5x
2
6x
3
+ 6x
4
q
3
(x) = 1 +x + 3x
2
+ 2x
4
Calcular bases, ecuaciones parametricas e implcitas de S, T, S+T y ST.
2.5. EJERCICIOS 87
27. Supongase que los ejes x e y en el plano R
2
, se giran 45
o
en el sentido
contrario a las agujas del reloj, de forma que el nuevo eje x
sea la recta x =
y, y el nuevo eje y
sea la recta x = y. Calcular las nuevas coordenadas

del punto A(5, 6) bajo la rotacion dada.
28. En la guerra, los buenos asaltan un observatorio enemigo y all encuentran
un croquis donde guran las coordenadas del ayuntamiento, A = (3,5, 2,1),
de la torre de la iglesia del pueblo, B = (1,9, 0,7), y del campamento
de los malos, C = (1, 0,2). A pesar de todo, solo saben que el origen
de coordenadas de los malos es el observatorio y no saben los vectores
que han usado como referencia. Incluso as se espabilan para determinar
la posicion del campamento de los malos y les atizan una buena paliza.
Como lo hacen?
29. Sea S el subespacio de R
4
dado por las ecuaciones cartesianas
S
_
_
_
x
1
x
2
= 0
x
2
+x
3
+x
4
= 0
x
1
+x
3
+x
4
= 0
en referencia a la base estandar B
e
= e
1
, e
2
, e
3
, e
4
Se pide:
a) Hallar las ecuaciones cartesianas de un subespacio T de R
4
de forma
que S T = R
4
.
b) Determinar un endomorsmo f de R
4
tal que ker(f) = S e Im(f) =
T, indicando su matriz en la base estandar.
Solucion
Como S u
1
= (1, 1, 1, 0), u
2
= (0, 0, 1, 1)) se tiene:
a) Podemos tomar como generadores de T los vectores u
3
= (1, 0, 0, 0)
y u
4
= (0, 1, 0, 0)
T u
3
= (1, 0, 0, 0), u
4
= (0, 1, 0, 0))
_
x
3
= 0
x
4
= 0
b) Tomando en la base B
u
= u
1
, u
2
, u
3
, u
4
el endomorsmo
_
_
f(u
1
) = 0
f(u
2
) = 0
f(u
3
) = u
3
g(u
4
) = u
4
resulta que
B = M(f; B
u
) =
_
_
0 0 0 0
0 0 0 0
0 0 1 0
0 0 0 1
_
_
88 CAP

y cambiando de base seg un la matriz
P =
_
_
1 0 1 0
1 0 0 1
1 1 0 0
0 1 0 0
_
_
resulta
A = M(f; B
e
) =
_
_
1 0 1 1
0 1 1 1
0 0 0 0
0 0 0 0
_
_
30. Consideremos en R
3
los subespacios vectoriales V y W de ecuaciones,
V
_
_
_
x
1
= +
x
2
= +
x
3
= + + 2
donde , , R
W x
1
x
2
+ 2x
3
= 0
Se pide hallar:
a) Una base de V , de V +W y de V W.
b) Unas ecuaciones implcitas de V W.
c) Una base de un espacio suplementario de V +W.
d) Las coordenadas de (2, 3, 5) respecto de la base de V + W obtenida
en el apartado (a).
Solucion
a) Es claro que:
La familia de generadores de V , (1, 0, 1), (0, 1, 1), (1, 1, 2) es
ligada. Podemos tomar como base de V a v
1
, v
2
, siendo
V = v
1
= (1, 0, 1), v
2
= (0, 1, 1))
Podemos tomar como base de W a w
1
, w
2
, siendo
W = w
1
= (1, 1, 0), w
2
= (2, 0, 1))
Respecto a V +W podemos decir que
V +W = (1, 0, 1), (0, 1, 1), (1, 1, 0), (2, 0, 1))
pero como
_
_
1 0 1
0 1 1
1 1 0
2 0 1
_
_

_
_
1 0 1
0 1 1
0 1 1
0 0 3
_
_

_
_
1 0 1
0 1 1
0 0 2
0 0 3
_
_

_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
su rango es 3, luego V + W = R
3
. Evidentemente una base de
V + W es la estandar de R
3
, es decir, B
e
= e
1
= (1, 0, 0), e
2
=
(0, 1, 0), e
3
= (0, 0, 1)
2.5. EJERCICIOS 89
Respecto a V W, se tiene que
dim(V W) = dimV + dimW dim(V +W) = 2 + 2 3 = 1
y ademas, si (x, y, z) V W, resulta que (x, y, z) = (1, 3, 2),
luego
V W = (1, 3, 2))
siendo, evidentemente, su base (1, 3, 2)
b) Eliminando en la ecuacion (x, y, z) = (1, 3, 2) resulta
V W
_
3x +y = 0
2x +z = 0
c) Como V +W = R
3
, resulta que el suplementario de V +W es 0 y
su base , (no tiene base).
d) Si se ha tomado la base estandar B
e
,las coordenadas de (2, 3, 5) son 2,
3 y 5. Si fuera otra la base obtenida, B = b
1
, b
2
, b
3
se debe efectuar
el correspondiente cambio de coordenadas o hallar los coecientes
1
,
2
,
3
en la igualdad (2, 3, 5) =
1
b
1
+
2
b
2
+
3
b
3
.
90 CAP

Captulo 3
Aplicaciones lineales
Contenidos
1. Introduccion.
2. Aplicaciones lineales.
3. Operaciones con aplicaciones lineales.
4. Aplicaciones lineales y matrices.
5. Comentarios.
6. Ejercicios.
3.1. Introduccion
Las aplicaciones lineales son las transformaciones entre espacios vectoriales
compatibles con la estructura algebraica de espacio vectorial.
3.2. Aplicaciones lineales
Sean V y W dos espacios vectoriales sobre el mismo cuerpo K y f : V W
una aplicacion.
Denicion 3.2.1 f es lineal si u, v V , K se verican:
f(u +v) = f(u) +f(v) (3.1)
f(u) = f(u) (3.2)
Notar que f es lineal si es compatible con la estructura vectorial de los
espacios fuente y blanco. Usualmente, si
f : V W
(x
1
, , x
n
) (y
1
, , y
m
)
91
92 CAP
ITULO 3. APLICACIONES LINEALES

entonces se suele escribir que las ecuaciones de f son
1
f
_
_
_
y
1
= y
1
(x
1
, , x
n
)

y
m
= y
m
(x
1
, , x
n
)
(3.3)
Proposicion 3.2.1 f es lineal si, y solo si, u, v V , , K se verica
f(u +v) = f(u) +f(v)
Demostracion
Facil ejercicio.
3.2.2. Ejemplos de aplicaciones lineales

Ejemplo 3.2.1 Son lineales las siguientes aplicaciones
1. La aplicacion identidad en V , I : V V , dada por
I(x) = x (3.4)
2. La aplicacion nula O : V W, dada por
0(x) = 0 (3.5)
3. La simetra axial S
OX
respecto al eje OX, S
OX
: R
2
R
2
, dada por
S
OX
(x, y) = (x, y) (3.6)
4. La simetra axial S
OY
respecto al eje OY , S
OY
: R
2
R
2
, dada por
S
OY
(x, y) = (x, y) (3.7)
5. La simetra central S
O
respecto al origen O, S
O
: R
2
R
2
, dada por
S
O
(x, y) = (x, y) (3.8)
6. La aplicacion F : V R dada por
F(f) =
_
1
0
f (3.9)
siendo V = (
[0,1]
=f : [0, 1] R; f es continua en [0, 1].
7. La proyeccion p
x
: R
2
R sobre el eje OX dada por
p
x
(x, y) = (x, 0) (3.10)
1
Realmente se esta suponiendo que los vectores x = (x
1
, , x
n
) e y = f(x) = (y
1
, , y
m
)
estan referidos en la salida V y en la llegada W a unas ciertas bases que supondremos dadas
(son las canonicas o estandar de U y de V ).
3.2. APLICACIONES LINEALES 93
8. La proyecci on p
y
: R
2
R sobre el eje OY dada por
p
y
(x, y) = (0, y) (3.11)
9. La homotecia h
: R
2
R
2
dada por
h
(x, y) = (x, y) (3.12)

es lineal.
Ejercicio 3.2.1 Justicar que no es lineal la aplicacion f : R
2
R
2
dada por
_
y
1
= x
2
1
y
2
= x
1
+x
2
y que tampoco lo es la
_
y
1
= x
1
y
2
= x
2
1
Algunas condiciones necesarias pero no sucientes para que una aplicacion
sea lineal son las dadas por la siguiente proposicion.
Proposicion 3.2.2 Si f : V W una aplicacion lineal, entonces:
1. f(0) = 0
2. f(u) = f(u)
3. f(
1
u
1
+ +
h
u
h
) =
1
f(u
1
) + +
h
f(u
h
)
Demostracion
1. f(0) +f(0) = f(0 + 0) = f(0) f(0) = 0
Tambien vale f(u) = f(u + 0) = f(u) +f(0) f(0) = 0
2. f(u) +f(u) = f(u +u) = f(0) = 0
3. Por induccion sobre el ndice h 1
Caso base. Si h = 1, entonces la propiedad dice: ((f(
1
u
1
) =
1
f(u
1
)))
lo cual es cierto.
Hipotesis de induccion. La propiedad es cierta para h; es decir,
f(
1
u
1
+ +
h
u
h
) =
1
f(u
1
) + +
h
f(u
h
)
Paso de induccion. Veamos que la propiedad es cierta para n + 1, es
decir
f(
1
u
1
+ +
h+1
u
h+1
) =
1
f(u
1
) + +
h+1
f(u
h+1
)
En efecto, se tiene
f(
1
u
1
+ +
h+1
u
h+1
) = f ((
1
u
1
+ +
h
u
h
) +
h+1
u
h+1
)
= f (
1
u
1
+ +
h
u
h
) +f (
h+1
u
h+1
)
= (
1
f(u
1
) + +
h
f(u
h
)) +f (
h+1
u
h+1
)
=
1
f(u
1
) + +
h+1
f(u
h+1
)
Ejercicio 3.2.2 Justicar que la aplicacion f(x, y) = (x + 1, y) no es lineal.

94 CAP

3.2.3. N ucleo e imagen
Denicion 3.2.2 Sea f : V W una aplicacion lineal. Su n ucleo, denotado
ker(f) y su imagen denotada por Im(f) son
ker(f) = x V ; f(x) = 0 (3.13)
Im(f) = f(x) W; x V (3.14)
Proposicion 3.2.3 Se f : V W es una aplicacion lineal, entonces
ker(f) V, Im(f) W (3.15)
Ejercicio 3.2.3 Sea f : R
2
R
2
una aplicacion dada por
f(x, y) = (x +y, x y)
Se pide justicar que es lineal y hallar su n ucleo e imagen.
3
R
2
f(x, y, z) = (3x +y, 2y z)
Se pide justicar que es lineal y hallar su n ucleo e imagen.
3
R
3
f(x, y, z) = (2x +y, z, 0)
Se pide justicar que es lineal y hallar su n ucleo, imagen y rango. Es (1, 2, 0)
un vector del n ucleo de f?
Solucion
ker(f) = (1, 2, 0)), Im(f) z = 0, rg(f) = 2 y (1, 2, 0) / ker(f)
Lema 3.2.1 Sea f : V W una aplicaci on lineal. Si u
1
, , u
n
) = V , en-
tonces
f(u
1
), , f(u
n
)) = Im(f) (3.16)
Demostracion
Si y Im(f), entonces x V ; f(x) = y. Como x =
1
u
1
+ +
n
u
n
,
resulta y = f(x) =
1
f(u
1
) + +
n
f(u
n
) luego tesis.
Hemos visto que la imagen de una aplicacion lineal esta generada por las
imagenes de un sistema generador del espacio de salida.
Ejercicio 3.2.6 Sea f : V W una aplicacion lineal. Demostrar que si
u
1
, , u
n
es ligada en V , entonces f(u
1
), , f(u
n
) tambien es ligada.
3.2.4. Tipos de aplicaciones
Denicion 3.2.3 Sea f : V W una aplicacion lineal. Se dice que:
1. f es un monomorsmo de V en W si f es inyectiva.
2. f es un epimorsmo de V en W si f es sobreyectiva.
3. f es un isomorsmo de V en W si f es biyectiva.
3.2. APLICACIONES LINEALES 95
INCISO. Recordamos que:
Denicion 3.2.4 Sea f : X Y una aplicaci on entre los conjuntos X e Y .
Se dice que:
1. f es inyectiva si todo elemento de Y tiene a lo mas un origen.
2. f es sobreyectiva si todo elemento de Y tiene al menos un origen.
3. f es biyectiva si todo elemento de Y tiene exactamente un origen.
Tambien se dice que f es, respectivamente, una inyecci on, una sobreyeccion
o una biyeccion.
Proposicion 3.2.4 Sea la aplicacion f : X Y . Se tiene:
1. f es inyectiva si, y solo si,
x
1
, x
2
X, f(x
1
) = f(x
2
) x
1
= x
2
(3.17)
2. f es sobreyectiva si, y solo si,
y Y x X; f(x) = y (3.18)
3. f es biyectiva si, y solo si,
y Y [ x X; f(x) = y (3.19)
4. f es biyectiva si, y solo si, f es inyectiva y sobreyectiva.
FIN DEL INCISO
Proposicion 3.2.5 Sea f : V W una aplicacion lineal. Se verican:
1. f es inyectiva si, y solo si, ker(f) = 0.
2. f es sobreyectiva si, y solo si, Im(f) = W.
Demostracion
1. f es inyectiva si, y solo si, ker(f) = 0
Si f es inyectiva, entonces ker(f) = 0
Supongamos que ker(f) ,= 0 , es decir, que x ker(f) y x ,= 0.
Como x ker(f), se tiene f(x) = 0, pero por ser lineal f(0) = 0,
luego f(x) = f(0) y por ser inyectiva resulta x = 0. Absurdo. Luego
ker(f) = 0.
Si ker(f) = 0, entonces f es inyectiva.
Si f(x
1
) = f(x
2
), entonces f(x
1
x
2
) = 0, de donde x
1
x
2

ker(f) = 0, es decir, x
1
x
2
= 0 por tanto x
1
= x
2
y en conse-
cuencia f es inyectiva.
2. f es sobreyectiva si, y solo si, Im(f) = W
96 CAP

Si f es sobreyectiva, entonces Im(f) = W
Es evidente que Im(f) W. Veamos ahora que W Im(f). Para
ello tomemos cualquier y W , por ser f sobreyectiva tenemos que
x V tal que f(x) = y, luego y Im(f); por tanto W Im(f).
En conclusion Im(f) = W.
Si Im(f) = W, entonces f es sobreyectiva. Trivial.
Proposicion 3.2.6 Sea f : V W una aplicacion lineal. Se verican:

1. f es inyectiva si, y solo si, para cada familia libre u
1
, , u
h
se tiene
que la familia f(u
1
), , f(u
h
) es libre.
2. f es sobreyectiva si, y solo si, para cada familia u
1
, , u
h
generadora
de V se tiene que la familia f(u
1
), , f(u
h
) es generadora de Im(f).
Demostracion
1. Teorema directo. Supongamos que f es inyectiva (es decir, ker(f) = 0) y
que la familia u
1
, , u
h
es libre. Veamos que la familia f(u
1
), , f(u
h
)
es libre. Para ello tomemos
1
f(u
1
) + +
h
f(u
h
) = 0
es decir ( por ser f es lineal)
f (
1
u
1
+ +
h
u
h
) = 0
de donde
1
u
1
+ +
h
u
h
ker(f) = 0
luego
1
u
1
+ +
h
u
h
= 0
y por ser la familia u
1
, , u
h
es libre, resultan
1
= =
h
= 0
luego la familia f(u
1
), , f(u
h
) es libre.
Teorema recproco. Supongamos que para cada familia libre u
1
, , u
h
se tiene que la familia f(u

1
), , f(u
h
) es libre y veamos que f es in-
yectiva. Para ello veamos que ker(f) = 0. Por reduccion al absurdo. Si
x ker(f) y x ,= 0. Como x es una familia de un solo elemento es libre
(por ser x ,= 0) luego f(x) tambien es libre y por tanto f(x) ,= 0, pero
f(x) = 0. Absurdo. Luego ker(f) = 0
2. Se trata de un simple ejercicio (al igual que el apartado anterior).
Ejercicio 3.2.7 Sean f End(V ) y S = x V ; f(x) = x. Demostrar que

S V y que S ker f = 0
3.3. OPERACIONES CON APLICACIONES LINEALES 97
Ejercicio 3.2.8 Justicar la existencia o no de un endomorsmo de R
3
que
transforme los vectores u
1
= (3, 1, 0), u
2
= (2, 1, 1) y u
3
= (1, 3, 2) en los
vectores v
1
= (0, 1, 1), v
2
= (1, 0, 1) y v
3
= (1, 1, 0) respectivamente. Si existe
es unico?
Solucion
No. Como la familia u
1
, u
2
, u
3
es ligada, entonces f(u
1
), f(u
2
), f(u
3
), es
ligada; en contradicion con que v
1
, v
2
, v
3
es libre.
3.3. Operaciones con aplicaciones lineales
El conjunto f : V W; f es lineal denotado por hom
K
(V, W) y tam-
bien por L
K
(V, W) se puede dotar de estructura de espacio vectorial con las
operaciones siguientes:
Denicion 3.3.1 (Suma) Si f, g L
K
(V, W), se dene f + g L
K
(V, W)
mediante
(f +g)(x) = f(x) +g(x) (3.20)
Denicion 3.3.2 (Producto por un escalar) Si f L
K
(V, W) y K, se
dene f L
K
(V, W) mediante
(f)(x) = f(x) (3.21)
Proposicion 3.3.1 (L
K
(V, W), +,
K
) es un espacio vectorial sobre K.
Ejercicio 3.3.1 Demostrar la proposicion anterior.
Denicion 3.3.3 (Endomorsmo) Si f : V V ; es lineal, entonces recibe
el nombre de endomorsmo de V .
Se escribe f End
K
(V ). Es claro que End
K
(V ) = L
K
(V, V )
Ejercicio 3.3.2 Demostrar que en End
K
(V ) la composicion de aplicaciones
dada por
(g f)(x) = g (f(x)) , (x V )
es una operacion interna, asociativa, tiene elemento neutro, es distributiva res-
pecto a la suma y ademas verica (g f) = (ag) f = g (f) (compatibilidad
con el producto por un escalar).
2
Denicion 3.3.4 (Automorsmo) Se dice que la aplicacion f : V V es
un automorsmo de V , se escribe f Aut
K
(V ), si es lineal y biyectiva.
Evidentemente un automorsmo es un endomorsmo biyectivo.
Ejercicio 3.3.3 Demostrar que Aut
K
(V ) con la operacion composici on de apli-
caciones es un grupo.
3
2
Estamos armando que End
K
(V ) con la suma, el producto por escalares y la composicion,
es un algebra sobre K.
3
Este grupo recibe el nombre de grupo lineal de V .
98 CAP

Solucion
Debemos demostrar que la operacion es:
Una operacion interna en Aut
K
(V ); es decir, si f, g Aut
K
(V ), entonces
g f Aut
K
(V ).
Una operacion asociativa; es decir (h g) f = h (g f)
Tiene elemento neutro e = I
V
. Es la aplicacion identidad en V
Cada f Aut
K
(V ) tiene un inverso
4
f
1
Aut
K
(V ) de modo que f
f
1
= f
1
f = I
V
Ejercicio 3.3.4 Sea V un espacio vectorial de dimension nita y S
1
, S
2
V .
Sea la aplicacion f : S
1
S
2
V denida mediante f(s
1
, s
2
) = s
1
+s
2
. Se pide
demostrar que:
1. f es lineal.
2. ker f es isomorfo a S
1
S
2
3. Imf = S
1
+S
2
4. dim(S
1
+S
2
) + dim(S
1
S
2
) = dimS
1
+ dimS
2
Solucion
1. Trivial.
2. Si (s
1
, s
2
) ker f, entonces s
1
+s
2
= 0, luego s
2
= s
1
S
1
S
2
. Ahora
se dene la aplicacion
: S
1
S
2
ker f
x (x, x)
y se comprueba que es un isomorsmo.
3. Trivial.
4. Observando que:
dim(S
1
S
2
) = dimker f + dimImf = dim(S
1
S
2
) + dim(S
1
+S
2
)
y que
dim(S
1
S
2
) = dimS
1
+ dimS
2
resulta
dim(S
1
S
2
) + dim(S
1
+S
2
) = dimS
1
+ dimS
2
Ejercicio 3.3.5 Sea f End(V ) idempotente (f
2
= f). Demostrar que:
1. (I f)
2
= I f
2. ker f = Im(I f)
4
Como f es biyectiva tiene una aplicacion inversa f
1
que tambien es lineal (al serlo f)
como facilmente se puede demostrar.
3.4. APLICACIONES LINEALES Y MATRICES 99
3. Imf = ker(I f)
Solucion
1. Se trata de una simple comprobacion
(I f)
2
(x) = (I f) ((I f)(x)) = (I f)(x f(x))
= (x f(x)) (f(x) f
2
(x)) = x f(x) = (I f)(x)
2. Veamos que ker f = Im(I f) por doble contenido:
ker f Im(I f)
Sea x ker f. Se tiene f(x) = 0, luego x = x f(x) = (I f)(x),
por tanto x Im(I f)
Im(I f) ker f
Sea y Im(I f), luego x V tal que (I f)(x) = y, es decir,
x f(x) = y. Como f(y) = f(x f(x)) = f(x) f
2
(x) = f(x)
f(x) = 0, resulta que y ker f
3. Analogo al anterior.
Ejercicio 3.3.6 Sea f End
K
(V ). Se dice que f es proyector si, y solo si,
f
2
= I. Demostrar que f es proyector si, y solo si,
1
2
(f +I) es proyector.
Solucion
Sea x V .
Si f es proyector se tiene f
2
(x) = x. Entonces es facil probar
_
1
2
(f +I)
_
2
(x) =
1
2
(f +I)(x)
Recprocamente, de forma similar.
3.4. Aplicaciones lineales y matrices
Consideraremos en todo este apartado que V y W son dos espacios vecto-
riales de dimension nita, dim
K
(V ) = n y dim
K
(W) = m.
3.4.1. Matriz asociada a una aplicacion lineal
Sea f : V W una aplicacion lineal, B
V
= v
1
, v
2
, , v
n
una base de V
y B
w
= w
1
, w
2
, , w
m
una base de W. Se tiene que:
En primer lugar, f esta determinada por la familia f(v
1
), f(v
2
), , f(v
n
).
Si x V , x
1
, , x
n
K; x = x
1
v
1
+ +x
n
v
n
, de donde por ser lineal
f resulta
f(x) = x
1
f(v
1
) + +x
n
f(v
n
) (3.22)
100 CAP

En segundo lugar A = (a
ij
) M
mn
(K) de modo que
_
_
y
1
y
2
.
.
.
y
m
_
_
=
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
a
m,2
a
m,n
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
(3.23)
siendo x = x
1
v
1
+ +x
n
v
n
y f(x) = y = (y
1
, y
2
, , y
m
) en la base B
w
.
En efecto, como B
w
= w
1
, w
2
, , w
m
es una base de W, tiene sentido
escribir
_
_
f(v
1
) = a
1,1
w
1
+a
2,1
w
2
+ +a
m,1
w
m
f(v
2
) = a
1,2
w
1
+a
2,2
w
2
+ +a
m,2
w
m

f(v
n
) = a
1,n
w
1
+a
2,n
w
2
+ +a
m,n
w
m
(3.24)
resultando facilmente
_
_
y
1
= a
1,1
x
1
+a
1,2
x
2
+ +a
1,n
x
n
y
2
= a
2,1
x
1
+a
2,2
x
2
+ +a
m,2
x
n

y
m
= a
m,1
x
1
+a
m,2
x
2
+ +a
m,n
x
n
(3.25)
que se puede escribir matricialmente en la forma
_
_
y
1
y
2
.
.
.
y
m
_
_
=
_
_
a
11
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
a
m,2
a
m,n
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
(3.26)
o mejor a un, en la forma
Y = AX (3.27)
siendo
Y =
_
_
y
1
y
2
.
.
.
y
m
_
_
, A =
_
_
a
1,1
a
1,2
a
1,n
a
2,1
a
2,2
a
2,n
.
.
.
.
.
.
.
.
.
.
.
.
a
m,1
a
m,2
a
m,n
_
_
, X =
_
_
x
1
x
2
.
.
.
x
m
_
_
(3.28)
Denicion 3.4.1 La anterior expresion Y = AX recibe el nombre de ecua-
cion matricial de la aplicacion lineal f : V W respecto a las bases B
e
=
e
1
, e
2
, , e
n
de V y B
w
= w
1
, w
2
, , w
m
de W.
Usualmente se escriben f Y = AX y A = /(f, B
e
, B
w
).
Si f End(V ), tenemos
5
A = M(f, B
V
).
Ejercicio 3.4.1 Si f : R
2
R
3
es un aplicacion lineal dada por f(1, 0) =
(1, 2, 3), f(0, 1) = (2, 1, 0) (los vectores se expresan respecto a las bases canonicas
de ambos espacios R
2
y R
3
). Se pide hallar f(2, 3), la matriz de f respecto a
ambas bases canonicas y la ecuacion matricial de f.
5
Es natural y as se suele hacer el considerar que tanto en el espacio de salida V como en
el de llegada V se tome la misma base.
Solucion
f(2, 3) = (8, 7, 6), A =
_
_
1 2
2 1
3 0
_
_
,
_
_
y
1
y
2
y
3
_
_
=
_
_
1 2
2 1
3 0
_
_
_
x
1
x
2
_
Ejercicio 3.4.2 Sean K un cuerpo, a, b, c K, f End
K
(V ) y B
e
= e
1
, e
2
, e
3
una base del K-espacio vectorial V . Se sabe que

A = /(f; B
e
) =
_
_
a b c
b c a
c a b
_
_
Se pide hallar la matriz B = /(f; B
u
) siendo
B
u
= u
1
= e
1
+e
2
+e
3
, u
2
= e
2
, u
3
= e
3
otra base de V .
Solucion
Como u
1
= (1, 1, 1)
B
e
, u
2
= (0, 1, 0)
B
e
y u
3
= (0, 0, 1)
B
e
, la matriz P del
cambio es
P =
_
_
1 0 0
1 1 0
1 0 1
_
_
luego la matriz B = P
1
AP es
B =
_
_
1 0 0
1 1 0
1 0 1
_
_
_
_
a b c
b c a
c a b
_
_
_
_
1 0 0
1 1 0
1 0 1
_
_
=
_
_
a +b +c b c
0 b +c c +a
0 b +a c +a
_
_
u
= u
1
, u
2
, u
3
una base del espacio vectorial V y f :
V V un endomorsmo de V tal que: (1) f(u
1
) = u
1
+u
2
, (2) f(u
2
) = u
1
, y
(3) ker f = u
1
+u
3
). Se pide:
1. Hallar Imf, ker f y A = /(f, B
u
)
2. Demostrar que V = ker f Imf
3. Hallar f
2
Solucion
1. Calculo de f(u
3
). Como ker f = u
1
+u
3
), resulta f(u
1
+ u
3
) = f(u
1
) +
f(u
3
) = u
1
+u
2
+f(u
3
) = 0, luego f(u
3
) = f(u
1
) = u
1
u
2
Imf esta generada por los vectores v
1
= f(u
1
), v
2
= f(u
2
) y v
3
=
f(u
3
) es decir que
Imf = v
1
= (1, 1, 0), v
2
= (1, 0, 0), v
3
= (1, 1, 0))
102 CAP

y como
_
_
1 1 0
1 0 0
1 1 0
_
_

_
_
1 0 0
0 1 0
0 0 0
_
_
luego Imf = u
1
= (1, 0, 0), u
2
= (0, 1, 0)); es decir, Imf y
3
= 0 y
dimImf = 2
ker f es
ker f = u
1
+u
3
) = (, 0, ) V ; K
= (1, 0, 1))
es decir, dimker f = 1 y ademas
ker f
_
x
1
= x
3
x
2
= 0
Obviamente se verica que dimker f + dimImf = dimV
La matriz A de la aplicacion lineal f referida a la base B
u
es
A =
_
_
1 1 1
1 0 1
0 0 0
_
_
2. V = ker f Imf ya que V ker f Imf V y ker f Imf = 0
3. Para hallar f
2
observemos que:
f
2
(u
1
) = f(f(u
1
)) = f(u
1
+u
2
) = f(u
1
)+f(u
2
) = 2u
1
+u
2
= (2, 1, 0)
f
2
(u
2
) = f(f(u
2
)) = f(u
1
) = u
1
+u
2
= (1, 1, 0)
f
2
(u
3
) = f(f(u
3
)) = f(u
1
u
2
) = f(u
1
) f(u
2
) = 2u
1
u
2
=
(2, 1, 0)
Luego
/(f, B
u
) =
_
_
2 1 2
1 1 1
0 0 0
_
_
observandose que /(f, B
u
) = A
2
.
Ejercicio 3.4.4 Sea C el espacio vectorial real de los complejos sobre R. Se
pide:
1. Demostrar que B
C
= 1, i es una base (canonica) de C.
2. Dada la aplicacion f : C C mediante f(x + iy) = x iy respecto a la
base anterior B
C
= 1, i, se pide:
a) Demostrar que f es lineal y hallar su matriz asociada en la base B
C
.
b) Justicar que f no es lineal si se considera a C espacio vectorial
complejo.
Solucion
1. B
C
= 1, i es una libre ya que si x, y R son tales que x1 + yi = 0,
entonces x = y = 0. Ademas, B
C
= 1, i es generador de C ya que si
z C, bastara tomar x = '(z) e y = Im(z) para que z = x1 +yi
2. Observemos que f(z) = z conjugado de z, teniendose facilmente que
f(z
1
+z
2
) = z
1
+z
2
= z
1
+z
1
= f(z
1
) +f(z
2
)
f(z) = z = z
siendo R y por tanto =
Como f(1) = 1 = (1, 0)
B
C
y f(i) = i = (0, 1)
B
C
, resulta
M(f, B
C
) =
_
1 0
0 1
_
3. Falla la igualdad f(z) = z = z para C R
Ejercicio 3.4.5 Sea f el endomorsmo de R
3
cuya matriz respecto a la base
canonica B
e
= e
1
, e
2
, e
3
es
A =
_
_
2 1 4
1 0 3
1 2 1
_
_
y se pide hallar su matriz B respecto a la nueva base B
u
= u
1
= e
1
, u
2
=
2e
2
, e
3
= e
1
+e
2
+e
3
Solucion
La matriz P del cambio de base es
P =
_
_
1 0 1
0 2 1
0 0 1
_
_
luego solo queda efectuar B = P
1
AP.
Ejercicio 3.4.6 Justicar la existencia o no de un endomorsmo de R
3
que
transforme los vectores u
1
= (1, 2, 3), u
2
= (2, 4, 1) y u
3
= (3, 1, 0) en los
vectores v
1
= (4, 6, 5), v
2
= (0, 0, 7) y v
3
= (5, 5, 8) respectivamente. Si
existe es unico? Si existe, hallar su matriz asociada en la base canonica.
Solucion
Como u
1
, u
2
, u
3
es base y v
1
, v
2
, v
3
tambien es base, entonces existe un
unico endomorsmo de R
3
que transforme los vectores u
1
, u
2
y u
3
en los vectores
v
1
, v
2
y v
3
. Si f Y = AX, respecto a la base canonica, entonces es muy facil
ver que
6
A
_
_
1 2 3
2 4 1
3 1 0
_
_
=
_
_
4 0 5
6 0 5
5 7 8
_
_
de donde solo falta efectuar el producto siguiente
A =
_
_
4 0 5
6 0 5
5 7 8
_
_
_
_
1 2 3
2 4 1
3 1 0
_
_
1
6
Observar que ambas matrices que acompa nan a la matriz A son regulares ya que
{u
1
, u
2
, u
3
} y {v
1
, v
2
, v
3
} son bases.
104 CAP

3.4.2. Matriz asociada y n ucleo e imagen
Sea f : V W una aplicacion lineal, B
V
= v
1
, v
2
, , v
n
una base de V
y B
w
= w
1
, w
2
, , w
m
una base de W. Sabemos que la ecuacion matricial
de una aplicacion lineal f : V W viene dada por Y = AX con las anteriores
notaciones. Si rg(A) = r, conviene destacar que:
1. dimIm(f) = r
Las columnas de la matriz A son las coordenadas respecto a la base
B
w
= w
1
, w
2
, , w
m
de los vectores f(v
1
), f(v
2
), , f(v
n
) que co-
mo sabemos generan el espacio Im(f). Lo que conduce evidentemente a
dimIm(f) = r (3.29)
2. dimker(f) = n r
Si x ker f, entonces f(x) = 0 lo que se traduce en que AX = 0, de
donde se obtendran las ecuaciones cartesianas del sistema
_
_
0 = a
1,1
x
1
+a
1,2
x
2
+ +a
1,n
x
n
0 = a
2,1
x
1
+a
2,2
x
2
+ +a
m,2
x
n

0 = a
m,1
x
1
+a
m,2
x
2
+ +a
m,n
x
n
(3.30)
y como el n umero de ecuaciones independientes es r, entonces el n umero
de incognitas no principales es n r, es decir
dimker(f) = n r (3.31)
En conclusion, como n = dim(V ) se obtiene la formula de las dimensiones
dimker(f) + dimIm(f) = dim(V ) (3.32)
Denicion 3.4.2 (Rango) Rango de f, escrito rg(f), es dimIm(f).
Corolario 3.4.1 Sea f : V W una aplicacion lineal cuya ecuacion matricial
viene dada por Y = AX , respecto a las bases B
V
= v
1
, v
2
, , v
n
de V y
B
w
= w
1
, w
2
, , w
m
de W. Se tiene:
1. f es inyectiva si, y solo si, rg(A) = n.
2. f es sobreyectiva si, y solo si, rg(A) = m.
3. f es biyectiva si, y solo si, A es cuadrada y regular.
Demostracion
Es consecuencia inmediata de la formula de las dimensiones.
Proposicion 3.4.1 Dos espacios vectoriales de dimension nita son isomorfos

si, y solo si, tiene igual dimension.
Demostracion
Ver Merino Santos, pag 154.

3.4.3. Matriz asociada y cambio de base
Ver Merino Santos, pag 155-7
Proposicion 3.4.2 Si f Y = AX es la ecuacion matricial de f respecto a
las bases B
V
= v
1
, v
2
, , v
n
de V y B
w
= w
1
, w
2
, , w
m
de W, entonces
f Y
= BX
(3.33)
es la ecuacion matricial de f respecto a las bases B
V
= v
1
, v
2
, , v
n
de V y
B
w
= w
1
, w
2
, , w
m
de W, siendo
B = Q
1
AP (3.34)
y en donde el cambio de base B
V
a B
V
es
X = PX
(3.35)
y el cambio de base B
W
a B
W
es
Y = QY
(3.36)
Denicion 3.4.3 (Equivalencia) En tal caso se dice que A y B son equiva-
lentes (representan a la aplicacion lineal f es distintas bases).
Nota 3.4.1 Caso de ser f End(V ) se tiene B = P
1
AP y las matrices A y
B son semejantes.
Corolario 3.4.2 Fijadas B
V
= v
1
, v
2
, , v
n
y B
w
= w
1
, w
2
, , w
m
, ba-
ses respectivas de V y de W, y si f : V W es una aplicacion lineal cuya
ecuacion matricial viene dada por Y = AX, respecto a dichas bases, se tiene
que la aplicacion
: hom
K
(V, W) M
mn
(K)
f A
(3.37)
es un isomorsmo de espacios vectoriales.
Ejercicio 3.4.7 Sean V un espacio vectorial sobre el cuerpo conmutativo K, f
un K-endomorsmo de V , f End
K
(V ), B
u
= u
1
, u
2
, u
3
una base de V y
B
v
= v
1
= u
2
+ u
3
, v
2
= u
1
+ u
3
, v
3
= u
1
+ u
2
otra base de V . Ademas se
sabe que x Kv
1
, v
2
) f(x) = x y que v
3
ker f. Se pide:
1. Ecuacion de f en la base B
v
.
2. ker f e Imf y sus ecuaciones.
3. Ecuacion de f en la base B
u
.
Solucion
1. Para hallar la ecuacion de f en la base B
v
, observemos que:
f(v
1
) = v
1
= (1, 0, 0)
B
v
f(v
2
) = v
2
= (0, 1, 0)
B
v
f(v
3
) = 0 = (0, 0, 0)
B
106 CAP

luego
B = M(f, B
v
) =
_
_
1 0 0
0 1 0
0 0 0
_
_
y por tanto
_
_
y
1
y
2
y
2
_
_
=
_
_
1 0 0
0 1 0
0 0 0
_
_
_
_
x
1
x
2
x
2
_
_
2. Es claro que ker f = Kv
3
).
Si (x
1
, x
2
, x
3
) ker f en la base B
u
, podemos tomar por ecuaciones
de ker f a
(x
1
, x
2
, x
3
) = (1, 1, 0), ( K)
o bien a
_
x
1
= x
2
x
3
= 0
Si (x
1
, x
2
, x
3
) ker f en la base B
v
podemos tomar por ecuaciones
de ker f a
(x
1
, x
2
, x
3
) = (0, 0, 1), ( K)
o bien a
_
x
1
= 0
x
2
= 0
Es claro que Imf = Kv
1
, v
2
) es el plano vectorial generado por v
1
y v
2
.
Si (y
1
, y
2
, y
3
) Imf en la base B
u
, podemos escribir que
(y
1
, y
2
, y
3
) K(0, 1, 1), (1, 0, 1))
es decir, la matriz
_
_
0 1 y
1
1 0 y
2
1 1 y
3
_
_
es de rango 2 y por tanto, Imf y
1
+y
2
y
3
= 0
Si (y
1
, y
2
, y
3
) Imf en la base B
v
, podemos escribir que
(y
1
, y
2
, y
3
) K(1, 0, 0), (0, 1, 0))
es decir, la matriz
_
_
1 0 y
1
0 1 y
2
0 0 y
3
_
_
es de rango 2 y por tanto, Imf y
3
= 0
3. Para hallar la ecuacion de f en la base B
u
, observemos que la ecuacion
matricial de cambio en V viene dada por la matriz
P =
_
_
0 1 1
1 0 1
1 1 0
_
_
con inversa
P
1
=
1
2
_
_
1 1 1
1 1 1
1 1 1
_
_
luego
/(f, B
v
) = A = PBP
1
=
1
2
_
_
1 1 1
1 1 1
0 0 1
_
_
y por tanto
_
_
y
1
y
2
y
2
_
_
=
1
2
_
_
1 1 1
1 1 1
0 0 1
_
_
_
_
x
1
x
2
x
2
_
_
Ejercicio 3.4.8 Sea la aplicacion lineal f : R
3
R
2
dada por la ecuaci on
f(x, y, z) = (x +y, x y)
respecto a las bases canonicas de R
3
y R
2
y se pide:
1. Hallar su ecuacion matricial.
2. Sabiendo que B
u
= u
1
= (1, 1, 1), u
2
= (0, 1, 1), u
3
= (0, 0, 1) y B
v
=
v
1
= (0, 1), v
2
= (1, 1) son bases de R
3
y R
2
respectivamente se pide
hallar su ecuacion matricial respecto a dichas bases B
u
y B
v
.
Solucion
1. En la base estandar de R
3
y R
2
la ecuacion matricial de f es
_
y
1
y
2
_
=
_
1 1 0
1 1 0
_
_
_
x
1
x
2
x
3
_
_
2. En primer lugar hallamos las matrices de cambio de base.
La ecuacion del cambio de base en R
3
es
_
_
x
1
x
2
x
3
_
_
=
_
_
1 0 0
1 1 0
1 1 1
_
_
_
_
x
1
x
2
x
2
_
_
La ecuacion del cambio de base en R
2
es
_
y
1
y
2
_
=
_
0 1
1 1
_ _
y
1
y
2
_
108 CAP

Ahora en las bases B
u
y B
v
la ecuacion matricial de f es:
_
_
y
1
y
2
y
2
_
_
=
_
0 1
1 1
_
1
_
1 1 0
1 1 0
_
_
_
1 0 0
1 1 0
1 1 1
_
_
_
_
x
1
x
2
x
2
_
_
es decir
_
_
y
1
y
2
y
2
_
_
=
_
2 2 0
2 1 0
_
_
_
x
1
x
2
x
2
_
_
4
R
3
una aplicacion lineal dada por f(1, 1, 1, 1) =
(0, 0, 1), f(1, 1, 1, 0) = (0, 0, 1), f(1, 0, 1, 0) = (1, 1, 1) y f(1, 2, 0, 0) =
(1, 1, 1) y se pide hallar respecto a las bases canonicas de R
4
y R
3
la ecuacion
matricial de f, as como ker f e Imf.
Solucion
Tomemos la base de R
4
B
u
= u
1
= (1, 1, 1, 1), u
2
= (1, 1, 1, 0), u
3
= (1, 0, 1, 0), u
4
= (1, 2, 0, 0)
En las base B
u
de R
4
y en la estandar B
e
de R
3
la aplicacion lineal viene
dada por
_
_
y
1
y
2
y
3
_
_
=
_
_
0 0 1 1
0 0 1 1
1 1 1 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
y como el cambio de base de B
e
a B
u
en R
4
viene dado por
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
1 1 1 1
1 1 0 2
1 1 1 0
1 0 0 0
_
_
_
_
x
1
x
2
x
3
x
4
_
_
resulta que la ecuacion pedida es
_
_
y
1
y
2
y
3
_
_
=
_
_
0 0 1 1
0 0 1 1
1 1 1 1
_
_
_
_
1 1 1 1
1 1 0 2
1 1 1 0
1 0 0 0
_
_
1
_
_
x
1
x
2
x
3
x
3
_
_
es decir,
_
_
y
1
y
2
y
3
_
_
=
_
_
0 1 1 0
0 1 1 0
1 0 2 2
_
_
_
_
x
1
x
2
x
3
x
3
_
_
Para hallar ker f solo tenemos que resolver el sistema
_
_
0
0
0
_
_
=
_
_
0 1 1 0
0 1 1 0
1 0 2 2
_
_
_
_
x
1
x
2
x
3
x
3
_
_
3.5. COMENTARIOS 109
y por tanto se obtiene
ker f
_
x
2
x
3
= 0
x
1
2x
3
+ 2x
4
= 0
es decir
ker f = (2, 1, 1, 0), (2, 0, 0, 1)) , dimker f = 2
Para hallar Imf solo tenemos que eliminar x
1
, x
2
, x
3
, x
4
en el sistema
_
_
y
1
y
2
y
3
_
_
=
_
_
0 1 1 0
0 1 1 0
1 0 2 2
_
_
_
_
x
1
x
2
x
3
x
3
_
_
o mejor a un imponer que sea 2 el rango de la matriz ampliada
_
_
0 1 1 0
0 1 1 0
1 0 2 2
y
1
y
2
y
3
_
_
lo que obliga a que
Imf y
1
y
2
= 0
es decir
Imf = (1, 1, 0), (0, 0, 1)) , dimImf = 2
3.4.4. Matriz asociada y operaciones con aplicaciones li-
neales
3.5. Comentarios
Las aplicaciones lineales son las compatibles con la estructura vectorial de
los espacios de salida y llegada. Es importante tener muy claro que la matriz
asociada a una aplicacion lineal depende de las bases y que si se cambia de bases
la matriz cambia. Idem para los endomorsmos.
En el tema siguiente veremos como eligiendo bases adecuadas podemos con-
seguir que la matriz asociada a un endomorsmo sea de forma sencilla (diagonal,
en concreto).
110 CAP

3.6. Ejercicios
1. Considerese el espacio vectorial R
3
sobre el cuerpo de los n umeros reales.
Determinar cuales de las siguientes aplicaciones son lineales:
a) f(v) = (1, 0, 0) ; v R
3
b) f(x, y, z) = (x, y, z) ; (x, y, z) R
3
y , , R
c) f(x, y, z) = (x
2
, y +z, z
3
) ; (x, y, z) R
3
d) f(v) = v ; v R
3
e) f(x, y, z) = (2x z, y +z, x) ; (x, y, z) R
3
f ) f(v) = v +v
0
; v R
3
, donde v
0
R
3
vector jo.
2. Sea (([a, b] ; R) el espacio vectorial real de las funciones reales continuas
denidas en el intervalo [a, b]. Probar que si g es una funcion continua
denida en [a, b], entonces, la siguiente aplicacion es lineal
f : (([a, b] ; R) (([a, b] ; R)
g
3. Sea K un cuerpo. Sean V y W dos K-espacios vectoriales. Sea f : V W
una aplicacion lineal. Demostrar que la siguiente aplicacion es un auto-
morsmo del K-espacio vectorial V W.
g : V W V W
(x, y) (x, y f(x))
4. Sea el espacio vectorial (Z2Z)
3
. Se dene el endomorsmo
g : (Z2Z)
3
(Z2Z)
3
( x, y, z) ( x,
0, y)
Calcular su n ucleo y su imagen.
5. Se considera el homomorsmo f : (Z5Z)
3
(Z5Z)
2
denido
en las bases canonicas C
3
y C
2
por:
f(
1,
3,
5) = (
1,
0)
f(
0,
1,
1) = (
1,
0)
f(
0,
0,
1) = (
0,
0)
Se pide:
a) Hallar la matriz del homomorsmo en las bases canonicas.
b) Calcular las ecuaciones del subespacio f(V ) donde V es el subespacio
de (Z5Z)
3
dado por las ecuaciones
_
x + y z =

0
y z =

0
_
3.6. EJERCICIOS 111
6. Sea C
3
= e
1
, e
2
, e
3
la base canonica de C
3
y sea f un endomorsmo de
C
3
dado por las siguientes condiciones:
a) El n ucleo ker f esta engendrado por el vector e
1
+e
2
e
3
.
b) f(e
1
+e
2
) = e
3
c) El vector e
1
e
2
pertenece a f
1
(2e
1
)
Calcular una base del subespacio Imf.
7. Sean V y W dos K-espacios vectoriales. Sean V
1
y V
2
dos subespacios de
V y sea f la aplicacion denida por:
f : V
1
V
2
W
(x, y) x +y
Se pide:
a) Demostrar que f es lineal.
b) Deducir que ker f es isomorfo a V
1
V
2
.
c) Deducir que Imf es isomorfo a V
1
+V
2
.
8. Se dene la aplicacion lineal
f : R
3
R
4
(1, 0, 0) (1, 1, 0, 1)
(0, 1, 0) (1, 2, 0, 0)
(0, 0, 1) (0, 3, 0, 1)
Se pide calcular la matriz de f respecto de las bases B = (1, 2, 1), (0, 1, 2), (0, 0, 1)
de R
3
y B
= (2, 1, 0, 1), (0, 2, 0, 0), (0, 0, 1, 0), (0, 0, 0, 3) de R

4
.
9. Se considera la aplicacion lineal dada por
f : C
3
C
2
(1, 0, 1) (1, 0)
(0, 1, 1) (0, 2)
(1, 1, 0) (1, 1)
se pide:
a) Matriz asociada a f en las bases canonicas de C
3
y C
2
.
b) Ecuacion del subespacio f(V ) de C
2
donde V es el subespacio de C
3
denido por la ecuacion
5x 3y z = 0
c) Ecuacion de f(V ) en la base B = (i, 0), (0, i) de C
2
.
d) Ecuacion de f(V ) en la base B
= (1, 1), (2, 0) de C

2
.
112 CAP

10. Sea K un cuerpo. Se considera la aplicacion lineal f : K
3
K
4
que
verica f(e
1
e
3
) = v
1
, f(e
2
e
3
) = v
1
v
2
y f(2e
3
) = 2v
1
+ 2v
3
,
en donde B = e
1
, e
2
, e
3
y B
= v
1
, v
2
, v
3
, v
4
son bases de K
3
y K
4
respectivamente. Se pide:
a) Matriz asociada a f respecto de las bases B y B
.
b) N ucleo e Imagen de f.
11. Se denen las aplicaciones lineales f : R
3
R
4
y g : R
4
R
3
mediante
f(x, y, z) = (x y, x z, 0, x)
g(x, y, z, t) = (x +t, x y)
Se pide:
a) Las matrices asociadas a f y g respecto de las bases canonicas.
b) El rango de f y el rango de g.
c) El n ucleo de la aplicacion lineal composicion g f.
d) Estudiar si existen o no las aplicaciones inversas f
1
y g
1
.
12. Sea f End(R
3
) denida por
f(x, y, z) = (ax +y +z, a +ay +z, x +y +az)
respecto de la base canonica. Se pide hallar el valor del parametro real a
para que ker f sea de la mayor dimension posible.
Solucion
Si (x, y, z) ker f se verica el sistema
_
_
_
ax +y +z = 0
x +ay +z = 0
x +y +az = 0
y si A es su matriz, entonces dimker f = 3 rg(A).
Si a = 2, entonces rg(A) = 2.
Si a = 1, entonces rg(A) = 1.
Si (a ,= 1) (a ,= 1), entonces rg(A) = 3.
Por tanto debemos tomar a = 1, resultando ker f x + y + z = 0 y
dimker f = 2.
13. Sea f
el endomorsmo de R
3
denido respecto de la base canonica B
e
=
e
1
, e
2
, e
3
por la matriz
A
=
_
_
1 1
1
0 1
_
_
a) Calcular valores del parametro real para que f
sea biyectiva.
3.6. EJERCICIOS 113
b) Determinar los espacios vectoriales ker f
e Imf
, as como sus di-

mensiones, dependiendo de los valores del parametro real .
c) Para los valores en los cuales f
sea biyectiva, calcular f

1
.
d) Para = 1, calcular f
1
(2, 2, 1), (1, 0, 0)).

e) Para = 0, calcular la matriz de f
respecto de las bases: canonica

de R
3
y B = e
2
, e
1
, e
1
+e
3
.
14. Sea R
2
[x] el espacio vectorial de los polinomios con coecientes reales de
grado menor o igual que dos. Sea f : R
2
[x] R
2
[x] el endomorsmo de
R
2
[x] dado por f(1) = 1, f(x) = x 1, f(x
2
) = x
2
+ 1. Se pide:
a) Calcular la matriz de f considerando la base B = 1, x, x
2
.
b) Es f biyectiva? En caso armativo, calcular un polinomio P(x) tal
que f(P(x)) = x
2
+ 1.
c) Calcular la imagen por f del subespacio 2x).
15. Se considera la aplicacion lineal
f : R
3
R
2
[x]
(, , ) x
2
+ ( )x +
Se pide:
a) Calcular ker f e Imf.
b) Calcular f
1
(2x
2
3x + 2).
c) Es f inversible?
d) Calcular la matriz de f respecto de las bases canonica de R
3
y
C
R
2
[x]
= 1, x, x
2
de R
2
[x].
e) Calcular la matriz de f respecto de las bases: B = (1, 2, 1), (0, 1, 0), (0, 0, 1)
de R
3
y B
= x + 1, x 1, x
2
de R
2
[x]
16. Considerese la aplicacion lineal f : R
2
[x] R
4
denida por
f(p(x)) = (p(0), p(1), p(2), p(3))
Calcular:
a) Ecuaciones de f respecto de las bases usuales (canonicas) de R
2
[x] y
R
4
.
b) N ucleo e Imagen de la aplicacion f.
c) Imagen del vector 2x
2
x 1.
17. Sea /
2
(R) el espacio vectorial real de las matrices cuadradas 2 2 con
coecientes reales. Se considera el conjunto
W =
__
a b +c
b +c a
_
a, b, c R
_
a) Demostrar que W es un subespacio vectorial de /
22
(R).
114 CAP

b) Probar que el conjunto
B =
__
1 0
0 1
_
,
_
0 1
1 0
_
,
_
0 1
1 0
__
es base de W.
c) Hallar las ecuaciones y la matriz, respecto de la base anterior, del
endomorsmo de W dado por la formula:
f
__
a b +c
b +c a
__
=
_
0 2b +c
2b +c 0
_
d) Hallar el n ucleo y la imagen de f dando ecuaciones de los mismos en
la citada base.
18. Consideremos el subespacio vectorial de /
22
(R) dado por
V =
__
0 a
b c
_
; a, b, c R
_
y el endomorsmo de V dado por
f
__
0 a
b c
__
=
_
0 3b + 2c
2a b a b +c
_
Se pide:
a) Encontrar una base de V .
b) Dar un suplementario de V .
c) Calcular la matriz de f respecto de la base hallada.
d) Bases del n ucleo y de la imagen de f.
e) Encontrar un subespacio U
1
con la propiedad
U
1
Imf = /
22
(R)
f ) Encontrar un subespacio U
2
con la propiedad
U
2
ker f = /
22
(R)
19. Sea f un endomorsmo de R
4
del que se sabe f(1, 2, 0, 3) = (0, 0, 1, 1), f(0, 1, 2, 0) =
(0, 0, 0, 1) y f
2
es la identidad. Se pide hallar:
a) Ecuaciones de f respecto de las bases canonicas.
b) N ucleo e imagen de f.
20. Sea f un endomorsmo de V siendo V un K- espacio vectorial de dimen-
sion n. Demostrar:
a) f
2
= 0 si y solo si Imf ker f.
b) Si f
2
= 0, entonces rg(f) n/2.
3.6. EJERCICIOS 115
Solucion
a) Debemos demostrar
Si f
2
= 0, entonces Imf ker f.
Si y Imf, entonces x V tal que y = f(x). Veamos que
y ker f. Solo debemos comprobar que f(y) = 0. En efecto,
f(y) = f(f(x)) = f
2
(x) = 0.
Si Imf ker f, entonces f
2
= 0.
Si x V , entonces f(x) Imf ker f, luego f
2
(x) = f(f(x)) =
0, es decir, f
2
= 0.
b) Sabiendo que n = dimker f + dimImf y que debido a Imf ker f
se tiene dimImf dimker f, resulta
n dimImf + dimImf = 2 dimImf = 2 rg(f)
de donde
rg(f)
n
2
21. Sea f un endomorsmo no nulo de V siendo V un K- espacio vectorial de
dimension n, con n = 2p. Demostrar que (f
2
= 0) (ker f = Imf) si y
solo si Imf = ker f.
22. Se dene el endomorsmo de R
4
dado por la matriz
A =
_
_
1 1 1 1
2 a + 1 b + 1 a + 4
3 a + 2 2b + 1 a + 6
7 3a + 4 4b + 3 a
2
+ 6
_
_
Se pide:
a) Determinante de la matriz A.
b) Calcular rg(A) para los distintos valores de los parametros reales a
y b.
c) Para los valores de a y b para los que rg(A) sea mnimo, calcular una
base de los siguientes subespacios
ker f, Imf, ker f Imf, ker f +Imf
23. Considerese el espacio vectorial real /
nn
(R). Sea la aplicacion
f : /
nn
(R) /
nn
(R)
A A+A
T
b) Calcular su n ucleo y su imagen.
24. Para cada R se dene la aplicacion lineal f
: R
3
R
3
cuya matriz
respecto de la base estandar B
e
= e
1
, e
2
, e
3
es
A
=
_
_
1 0
1
0 1
_
_
Se pide:
116 CAP

a) Hallar ker(f
) seg un los valores de .

b) Decidir, seg un los valores de , cuando f
es inyectiva, sobreyectiva
o biyectiva.
c) Estudiar si S = x R
3
; f
0
(x) = x es un subespacio de R
3
.
d) Dada la base B
e
= e
1
= e
1
e
2
, e
2
= e
2
e
3
, e
3
= e
3
, calcular la
matriz de f
a
en la base B
e
.
Solucion
a) Se tiene que
ker(f
) =
_
_
_
(x
1
, x
2
, x
3
) R
3
;
_
_
1 0
1
0 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
_
_
_
presentandose tres casos:
Caso = +
2
2
.
ker f
2
2
_
_
x
1
x
2
x
3
_
_
=
_
_
1
2
1
_
_

x
1
1
=
x
2
2
=
x
3
1
Imf
2
2
y
1
2y
2
+y
3
Caso =
2
2
.
ker f
2
2
_
_
x
1
x
2
x
3
_
_
=
_
_
1
2
1
_
_

x
1
1
=
x
2
2
=
x
3
1
Imf
2
2
y
1
+
2y
2
+y
3
Caso ,=
2
2
.
ker f
0, Imf
= R
3
b) Seg un el apartado anterior se tiene:
Si = +
2
2
, f
2
2
no es inyectiva, no es sobreyectiva y no es
biyectiva ya que dimker f
2
2
= 1 y dimImf
2
2
= 2.
Caso =
2
2
, f
2
2
no es inyectiva, no es sobreyectiva y no es
biyectiva ya que dimker f
2
2
= 1 y dimImf
2
2
= 2
Caso ,=
2
2
. f es inyectiva, sobreyectiva y biyectiva ya que
ker f
0, Imf
= R
3
c) S = R
3
. La base estandar B
e
.
d) La matriz de cambio de base es
P =
_
_
1 0 0
1 1 0
0 1 1
_
_
3.6. EJERCICIOS 117
teniendose que la nueva matriz B = M(f
; B
) = P
1
AP es
B =
_
_
1 0 0
1 1 0
1 1 1
_
_
_
_
1 0
1
0 1
_
_
_
_
1 0 0
1 1 0
0 1 1
_
_
=
_
_
1 0
1 1
1 1
_
_
Tambien se puede hallar la matriz B sin mas que observar que
_
_
_
f(e
1
) = (1 , 1, )
f(e
2
) = (, 1 , 1)
f(e
3
) = (0, , 1)
25. Sea f : R
3
R
3
la aplicacion lineal con matriz en la base canonica,
A =
_
_
a b 2
a 2b 1 3
a b b + 3
_
_
donde a, b R.
a) Calcular la dimension del n ucleo de f seg un los valores de a y de b.
Para que valores de a y b es f biyectiva?
b) Para a = 0, calcular f
1
(1, 1, 1) seg un los posibles valores de b.
Solucion
a) Como las operaciones elementales por las o por columnas no cam-
bian el rango de una matrz, para calcular la dimension de Imf po-
demos considerar la matriz,
A =
_
_
a b 2
0 b 1 1
0 0 b + 1
_
_
equivalente por las a la matrz A. Ademas, como el rango de una
matrz escalonada por las es igual al n umero de las no nulas, y
dim(ker f) = 3 rg(f) se tiene:
1) Si a ,= 0 b ,= 1 b ,= 1 entonces dim(ker f) = 0.
2) Si a = 0 tenemos
A
_
_
0 b 2
0 b 1 1
0 0 b + 1
_
_

b=0
_
_
0 b 2
0 0 b + 2
0 0 b + 1
_
_
por lo tanto,
a
Si b ,= 0 entonces dim(ker f) = 1.
b
Si b = 0 entonces dim(ker f) es tambien 1.

3) Si b = 1 tenemos
A
_
_
a 1 2
0 0 1
0 0 2
_
_
luego dim(ker f) = 1 a R.
118 CAP

4) Si b = 1 tenemos
A
_
_
a 1 2
0 2 1
0 0 0
_
_
luego dim(ker f) = 1 a R.
Por lo tanto hay solo dos casos:
1) Si a ,= 0 b ,= 1 b ,= 1 entonces dim(ker f) = 0.
2) En el resto de los casos dim(ker f) = 1.
b) Sea a = 0, usando el metodo de eliminacion gaussiana tenemos,
A
_
_
0 b 2 1
0 2b 1 3 1
0 b b + 3 1
_
_

b=0
_
_
0 b 2 1
0 0 b + 2 b + 1
0 0 b + 1 0
_
_

b=2
_
_
0 b 2 1
0 0 b + 2 b + 1
0 0 0 (b + 1)(b + 1)
_
_
1) Si b ,= 0 b ,= 2 b ,= 1 b ,= 1 entonces f
1
(1, 1, 1) = .
2) Si b = 0 entonces,
A
_
_
0 0 2 1
0 1 3 1
0 0 3 1
_
_

_
_
0 1 3 1
0 0 2 1
0 0 0 1
_
_
luego f
1
(1, 1, 1) = .
A
_
_
0 2 2 1
0 3 3 1
0 2 5 1
_
_

_
_
0 0 0 1
0 3 3 1
0 2 5 1
_
_
luego f
1
(1, 1, 1) = .
A
_
_
0 1 2 1
0 0 3 2
0 0 0 0
_
_
luego f
1
(1, 1, 1) = (x, 1/3, 2/3) [ x R.
A
_
_
0 1 2 1
0 0 1 0
0 0 0 0
_
_
luego f
1
(1, 1, 1) = (x, 1, 0) [ x R.
En este problema, para obtener los mismos resultados, tambien se puede
proceder de la siguiente manera:
3.6. EJERCICIOS 119
a) En primer lugar se observa que mediante operaciones elementales se
tiene que
A =
_
_
a b 2
a 2b 1 3
a b b + 3
_
_

_
_
a b 2
0 b 1 1
0 0 b + 1
_
_

_
_
a 1 1
0 b 1 1
0 0 b + 1
_
_
para todo a, b R. Ahora se presentan dos casos:
1) Si a = 0, entonces
A
_
_
0 1 1
0 b 1 1
0 0 b + 1
_
_
siendo rg(A) = 2, (b R), luego dimker f = 1.
2) Si a ,= 0, entonces se vuelven a presentan dos casos:
a
Si b = 1, entonces rg(A) = 2, luego dimker f = 1.

b
Si b ,= 1, entonces rg(A) = 3, luego dimker f = 0.

b) Sea a = 0. En este apartado se pide resolver el sistema
_
_
0 b 2
0 2b 1 3
0 b b + 3
1
1
1
_
_
y aqu se hara por Gauss. Se tiene:
_
_
0 b 2
0 2b 1 3
0 b b + 3
1
1
1
_
_

_
_
0 1 1
0 b 1 1
0 0 b + 1
1
0
0
_
_
en donde se presentan dos posibilidades:
1) Si b = 1, entonces el sistema se reduce a
_
0 1 1
0 2 1
1
0
_

_
0 1 0
0 0 1
1
3
2
3
_
cuya solucion es x
3
=
2
3
, x
2
=
1
3
, quedando libre x
1
. Luego
f
1
(1, 1, 1) = (,
1
3
,
2
3
); R
2) Si b ,= 1, entonces el sistema es
_
_
0 1 1
0 b 1 1
0 0 1
1
0
0
_
_

_
_
0 1 0
0 b 1 0
0 0 1
1
0
0
_
_
en donde se nos presentan dos casos:
a
Si b = 1, entonces el sistema es
_
_
0 1 0
0 0 0
0 0 1
1
0
0
_
_
cuya solucion es x
3
= 0, x
2
= 1, quedando libre x
1
. Luego
f
1
(1, 1, 1) = (, 1, 0); R
120 CAP

b
Si b ,= 1, entonces el sistema es
_
_
0 1 0
0 1 0
0 0 1
1
0
0
_
_
que, evidentemente, es incompatible, luego
f
1
(1, 1, 1) =
26. Sea la aplicacion lineal f : R
2
[x] /
2
(R) cumpliendo:
f(1) =
_
1 1
1 1
_
, f(x) =
_
0 1
2 1
_
, f(x
2
) =
_
3 1
2 1
_
Se pide:
a) Calcular ecuaciones implcitas de Imf y las ecuaciones parametricas
de ker f.
b) Dado U = 1, x) calcular las ecuaciones implcitas de f(U) referidas
a la base,
B =
__
3 2
3 3
_
,
_
1 1
4 2
_
,
_
2 2
2 2
_
,
_
1 2
3 2
__
c) Calcular A = v /
2
(R) [ f
1
(v) = . Es A subespacio de
/
2
(R)?
d) Calcular bases de R
2
[x] y /
2
(R) de forma que la matriz asociada a
f en dichas bases sea
A =
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
Solucion
a) Ecuaciones implcitas de:
Imf
Los vectores f(1) = (1, 1, 1, 1), f(x) = (0, 1, 2, 1) y f(x
2
) =
(3, 1, 2, 1) son generadores de Imf. Si (y
1
, y
2
, y
3
, y
4
) Imf
debera ser compatible el sistema
_
_
1 0 3
1 1 1
1 2 2
1 1 1
y
1
y
2
y
3
y
4
_
_
y operando, seg un Gauss, se tiene
_
_
1 0 3
0 1 2
0 2 1
0 1 2
y
1
y
1
+y
2
y
1
+y
3
y
1
+y
4
_
_

_
_
1 0 3
0 1 2
0 0 3
0 0 0
y
1
y
1
+y
2
y
1
+ 2y
2
+y
3
y
2
+y
4
_
_
3.6. EJERCICIOS 121
resultando que para que el sistema tenga solucion debe vericarse
y
2
+y
4
= 0; es decir,
Imf y
2
+y
4
= 0
ker f
Si continuaramos con el trabajo ya hecho para Imf, debieramos
resolver el sistema homogeneo
_
_
1 0 3
1 1 1
1 2 2
1 1 1
0
0
0
0
_
_
es decir,
_
_
1 0 3
0 1 2
0 0 3
0 0 0
0
0
0
0
_
_
cuya solucion es evidentemente (0, 0, 0) y, por tanto, sera ker f =
0; pero es preferible, por simplicidad y elegancia, el siguien-
te razonamiento: ((como dimImf = 3 y dimR
2
[x] = 3, resulta
dimker f = 3 3 = 0, luego ker f = 0))
b) Si U = 1, x) para hallar las ecuaciones implcitas de f(U) debemos
tener en cuenta que
f(U) = f(1) = (1, 1, 1, 1), f(x) = (0, 1, 2, 1))
Si (y
1
, y
2
, y
3
, y
4
) f(U) debera ser compatible el sistema
_
_
1 0
1 1
1 2
1 1
y
1
y
2
y
3
y
4
_
_
es decir
_
_
1 0
0 1
0 2
0 1
y
1
y
1
+y
2
y
1
+y
3
y
1
+y
4
_
_

_
_
1 0
0 1
0 0
0 0
y
1
y
1
+y
2
y
1
+ 2y
2
+y
3
y
2
+y
4
_
_
de donde
f(U)
_
y
1
+ 2y
2
+y
3
= 0
y
2
+y
4
= 0
Efectuando el cambio de coordenadas
_
_
y
1
y
2
y
3
y
4
_
_
=
_
_
3 1 2 1
2 1 2 2
3 4 2 3
3 2 2 2
_
_
_
_
Y
1
Y
2
Y
3
Y
4
_
_
122 CAP

resulta que las ecuaciones de f(U) se transforman en
f(U)
_
Y
1
= 0
Y
2
= 0
que son las ecuaciones pedidas.
c) Sabemos que
Imf =
__
y
1
y
2
y
3
y
4
_
/
2
(R) [ y
2
= y
4
_
y como A = v /
2
(R) [ v / Imf entonces
A =
__
y
1
y
2
y
3
y
4
_
/
2
(R) [ y
2
,= y
4
_
d) Si consideramos la base B
1
= 1, x, x
2
de R
2
[x] y
B
2
=
__
1 1
1 1
_
,
_
0 1
2 1
_
,
_
3 1
2 1
_
,
_
0 0
0 1
__
base de /
2
(R), la matrz de f referida a dichas bases es,
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
27. Sea f : R
3
R
2
[x] denida por f(, , ) = x
2
+( )x +. Se pide:
b) Calcular ker f e Imf.
c) Calcular f
1
(2x
2
3x + 2).
d) Es f inversible?
e) Calcular la matriz de f, respecto a las bases
B
1
= (1, 0, 0), (0, 1, 0), (0, 0, 1) , B
2
= x + 1, x 1, x
2
28. Sea B
e
= e
1
, e
2
, e
3
la base estandar de R
3
. Para a R, se dene f
a

End(R
3
) mediante
f
a
(1, 1, 0) = (2, a + 1, a + 1)
f
a
(0, 1, 0) = (0, 0, a(1 a))
f
a
(0, 1, 1) = (0, 1 a, a
2
1)
y se pide:
a) Hallar su matriz A = /(f
a
; B
e
)
b) Seg un los valores del parametro a discutir la existencia o no de solu-
cion para la ecuacion
f
a
(x
1
, x
2
, x
3
) = (1, 2, 1)
3.6. EJERCICIOS 123
c) Estudiar la posible existencia de valores de a para los cuales sea f
a
un automorsmo y obtener en su caso la matriz de f
1
a
en la base
B
e
. Coincide con A
1
?
Solucion
a) Directamente se obtiene
f
a
(1, 0, 0) = (2, a + 1, a
2
+ 1)
f
a
(0, 1, 0) = (0, 0, a(1 a))
f
a
(0, 0, 1) =
_
0, 1 a, (a
2
+ 1)
_
luego
A =
_
_
2 0 0
a + 1 0 1 a
a
2
+ 1 a(1 a) (a
2
+ 1)
_
_
b) El sistema
_
_
2 0 0
a + 1 0 1 a
a
2
+ 1 a(1 a) (a
2
+ 1)
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1
2
1
_
_
es compatible y determinado para a ,= 1 y si a = 1, es incompatible.
Por tanto la solucion pedida es a ,= 1
c) Si (a = 0) (a = 1), rg(A) = 2.
Si (a ,= 0) (a ,= 1), rg(A) = 3; por tanto f Aut(R
3
). Es evidente
que M(f
1
a
; B
e
) = A
1
. Solo falta hallar pues la matriz A
1
29. En R
3
[x] se consideran las variedades lineales L
1
=

1 +x, 1 x
2
_
y L
2
=
1, 1 x, x
3
_
. Sea f End(R
3
) dado por
f(p(x)) = xp
(x) +ax
2
p
(x)
siendo a R. Se pide hallar:
a) L
1
L
2
b) La matriz de f respecto a la base B
1
= 1, x, x
2
, x
3
. Idem con la
base B
2
= x, x
2
, 1, x
3
c) Los valores del parametro a para que dimker f > 1.

d) Ecuaciones implcitas y parametricas de Imf y ker f para los ante-
riores valores del parametro a.
30. Sea f End(R
3
), B = e
1
, e
2
, e
3
la base canonica de R
3
y
A = /(f; B) =
_
_
0 1 sin
1 0 cos
sin cos 0
_
_
siendo R. Se pide:
124 CAP

a) Demostrar que f
3
= 0
b) Dado x R se dene la aplicacion lineal g
x
: R
3
R
3
mediante
g
x
= I +xf +
1
2
x
2
f. Demostrar que G = g
x
End(R
3
); x R es
un grupo multiplicativo respecto a la composicion de aplicaciones.
c) Hallar B la nueva matriz de f respecto a la nueva base
B
= e
1
= (cos , sin, 0), e
2
= f(e
1
), e
3
= f(e
3
)
Solucion
a) Basta comprobar que A
3
= 0
b) Observemos que se verican:
1) g
a
g
b
= g
a+b
= g
b+a
2) g
0
= I
3) g
a
= (g
a
)
1
= g
1
a
4) (g
a
g
b
)g
c
= g
a
(g
b
g
c)
c) La nueva base es B
= e
1
= (cos , sin, 0), e
2
= (0, 1, sin), e
3
=
(sin, cos , 0) teniendose que la matriz de cambio de coordenadas
P es
P =
_
_
cos 0 sin
sin 1 cos
0 sin 0
_
_
, P
1
=
_
_
cos sin 1
sin cos cos
2
sin
sin
2
sin cos cos
_
_
luego
B = P
1
AP =
_
_
0 0 0
sin sin cos sin
2
sin cos
2
sin cos
_
_
31. Sean p
1
, p
2
End(V ) tales que (1) p
2
1
= p
1
, p
2
2
= p
2
(p
1
y p
2
son proyec-
tores) y (2) p
1
(x) +p
2
(x) = x, (x V ). Se pide demostrar que:
a) p
1
p
2
= p
2
p
1
= 0
b) Im(p
1
) Im(p
2
) = V
Solucion
a) (p
1
p
2
)(x) = p
1
(p
2
(x)) = p
1
(x p
1
(x)) = p
1
(x) p
2
1
(x) = p
1
(x)
p
1
(x) = 0, luego p
1
p
2
= 0.
Analogamente p
2
p
1
= 0.
b) V = Im(p
1
) +Im(p
2
).
Es debido a que p
1
(x) +p
2
(x) = x, (x V )
Im(p
1
) Im(p
2
) = 0
Si existiese un x Im(p
1
) Im(p
2
), entonces se tendra que:
y V ; x = p
1
(y)
z V ; x = p
2
(z)
luego
x = p
1
(y) = p
2
1
(y) = p
1
(p
1
(y)) = p
1
(x) = p
1
(p
2
(z)) = p
1
p
2
(z) = 0
3.6. EJERCICIOS 125
32. Sea V = S
1
S
2
y p
1
y p
2
los proyectores sobre S
1
y S
2
. Se dene la
aplicacion lineal f : V V mediante f(x) = p
1
(x) p
2
(x) y se pide
demostrar que:
a) f Aut(V )
b) f es involutivo (f
2
= I)
c) Si x V , entonces ((x es invariante por f si, y solo si, x S
1
))
Solucion
a) f es monomorsmo.
Si f(a) = f(b), es decir, p
1
(a) p
2
(a) = p
1
(b) p
2
(b) , entonces
p
1
(a) p
1
(b) = p
2
(a) p
2
(b), es decir, p
1
(a b) = p
2
(a b)
S
1
S
2
= 0, luego p
1
(a b) = 0 y p
2
(a b) = 0 y en consecuencia
a b = 0 + 0 = 0, es decir a = b.
f es epimorsmo.
Dado y V , x
1
S
1
x
2
S
2
tales que y = x
1
+x
2
. Es inmediato
que f(x
1
x
2
) = y, es decir, si x = x
1
x
2
, se verica f(x) = y.
b) Sea x = x
1
+ x
2
V con x
1
= p
1
(x) S
1
y x
2
= p
2
(x) S
2
. Se
tiene f
2
(x) = f(f(x)) = f(x
1
x
2
) = p
1
(x
1
x
2
) p
2
(x
1
x
2
) =
p
1
(x
1
) +p
2
(x
2
) = x
1
+x
2
= x
c) Sea x = x
1
+ x
2
V con x
1
= p
1
(x) S
1
y x
2
= p
2
(x) S
2
.
Se tiene que si x es invariante por f, entonces f(x) = x, es decir,
x
1
x
2
= x
1
+ x
2
de donde x
2
= 0 y por tanto x = x
1
S. Y
recprocamente.
33. Sean B
e
= e
1
, e
2
, e
3
la base canonica de V y f
i
: V R con i = 1, 2, 3,
tres aplicaciones lineales dadas por f
1
(x
1
, x
2
, x
3
) = x
1
x
2
, f
2
(x
1
, x
2
, x
3
) =
x
2
x
3
y f
3
(x
1
, x
2
, x
3
) = x
3
+x
1
. Se pide:
a) Justicar que B
= f
1
, f
2
, f
3
forman base de V
dual de V.
b) Hallar la base B de V que es dual de B
.
Solucion
a) La familia B
= f
1
, f
2
, f
3
es libre ya que si
1
f
1
+
2
f
2
+
3
f
3
= 0 : V R
x 0
resulta
(
1
f
1
+
2
f
2
+
3
f
3
)(x) = 0
es decir
1
f
1
(x) +
2
f
2
(x) +
3
f
3
(x) = 0
de donde
1
(x
1
x
2
) +
2
(x
2
x
3
) +
3
(x
3
x
1
) = 0
126 CAP

lo que indica que x
1
, x
2
, x
3
R se verica que
x
1
(
1
+
3
) +x
2
(
1
+
2
) +x
3
(
2
+
3
) = 0
y nalmente
1
=
2
=
3
= 0
Como dimV
= 3, entonces la familia B
= f
1
, f
2
, f
3
es base de
V
.
b) Sea B
u
= u
1
, u
2
, u
3
la base dual en V de la base B
= f
1
, f
2
, f
3
de V
. Se cumple:
Calculo de u
1
.
f
1
(u
1
) = 1 1 = x
1
x
2
f
2
(u
1
) = 0 0 = x
2
x
3
f
3
(u
1
) = 0 0 = x
3
+x
1
Luego u
1
=
_
1
2
,
1
2
,
1
2
_
Calculo de u
2
.
f
1
(u
2
) = 0 0 = x
1
x
2
f
2
(u
2
) = 1 1 = x
2
x
3
f
3
(u
2
) = 0 0 = x
3
+x
1
Luego u
2
=
_
1
2
,
1
2
,
1
2
_
Calculo de u
3
.
f
1
(u
3
) = 0 0 = x
1
x
2
f
2
(u
3
) = 0 0 = x
2
x
3
f
3
(u
3
) = 1 1 = x
3
+x
1
Luego u
3
=
_
1
2
,
1
2
,
1
2
_
34. Sea B
e
= e
1
, e
2
, e
3
la base canonica de V y B
e
= e
1
, e
2
, e
3
la base
dual de B
e
en V
, espacio dual de V . Se pide hallar las coordenadas de la

forma lineal u
: V R sabiendo que u
(e
1
) = 2, u
(e
2
) = 0 y u
(e
3
) = 1
Solucion
Tenemos que u
= u
1
e
1
+u
2
e
2
+u
3
e
3
. Se tienen
u
(e
1
) = 2 u
1
e
1
e
1
+u
2
e
2
e
1
+u
3
e
3
e
1
= u
1
1 +u
2
0 +u
3
0 = 2 u
1
= 2
Analogamente u
2
= 0 y u
3
= 1
Luego u
= (2, 0, 1)
B
e
35. Sea f End(V ). Demostrar que:
a) f
2
= f (x Imf f(x) = x)
b) Si f
2
= f, entonces
1) V = ker f Imf
2) f es un proyector de V sobre Imf
Solucion
a) Supongamos que f
2
= f. Sea x Imf, luego x = f(y) con y V ,
por tanto f(x) = f
2
(y) = f(y) = x
Supongamos que x Imf f(x) = x; en particular, como f(x)
Imf, tenemos que f(f(x)) = f(x) es decir, f
2
(x) = f(x) y por tanto
f
2
= f.
3.6. EJERCICIOS 127
b) Observemos que:
1) x = (x f(x)) + f(x) siendo x f(x) ker f y f(x) Imf.
Ademas ker f Imf = 0 luego V = ker f Imf
2) f asocia a cada x el unico f(x) f tal que x = (x f(x))+f(x)
36. Sean S
1
, S
2
V, dimV + y f : S
1
S
2
V una aplicacion dada
por f(x
1
, x
2
) = x
1
+x
2
. Se pide demostrar que:
a) f es lineal.
b) ker f

= S
1
S
2
c) Imf = S
1
+S
2
d) dim(S
1
+S
2
) + dim(S
1
S
2
) = dim(S
1
) + dim(S
2
)
Solucion
a) Trivial.
b) Como ker f = (x
1
, x
2
) S
1
S
2
; x
1
+ x
2
= 0 = (x, x)
S
1
S
2
; x S
1
S
2
es claro que la aplicacion : S
1
S
2
ker f
dada por (x) = (x, x) es un isomorsmo.
c) Trivial.
d) dim(S
1
)+dim(S
2
) = dim(S
1
S
2
) = dimker f +dimImf = dim(S
1
S
2
) + dim(S
1
+S
2
)
128 CAP

Captulo 4
Diagonalizacion
Contenidos
1. Introduccion.
2. Valores y vectores propios.
3. El polinomio caracterstico.
4. Diagonalizacion.
5. Algunas aplicaciones.
6. Comentarios.
7. Ejercicios.
4.1. Introduccion
Notacion. A lo largo de todo el tema V sera un espacio vectorial de dimension
nita n sobre el cuerpo conmutativo K, f sera un endomorsmo de V con matriz
asociada A respecto a la base B
u
= u
1
, u
2
, , u
n
y, nalmente, I sera el
endomorsmo identidad en V y, tambien, la matriz unidad de orden n.
Presentacion del problema
Nuestro problema a resolver es el siguiente:
Hallar una base B
v
= v
1
, v
2
, , v
n
de V de tal modo que la matriz
D asociada a f en esa base sea ((lo mas sencilla posible)). Para nosotros
la matriz mas sencilla posible sera una matriz diagonal D semejante a la
dada A. La diagonalizacion a realizar sera por semejanza.
1
Precisar bajo que condiciones es factible diagonalizar tal matriz.
Ejemplo 4.1.1 El endomorsmo f : R
2
R
2
dado por la ecuacion f y =
Ax con
A =
_
2 1
1 2
_
1
Son posibles otras ideas, triangular superior o inferior, por cajas, etc. La diagonalizacion
mas utilizada es la de Jordan.
129
130 CAP
ITULO 4. DIAGONALIZACI
ON
referida a la base B
u
= u
1
, u
2
, tambien admite por ecuacion matricial a y =
Dx con
D =
_
1 0
0 3
_
v
= v
1
, v
2
, siendo v
1
= u
1
+u
2
y v
2
= u
1
u
2
.
Se obtiene facilmente que rg(f) = 2, Im(f) = R
2
, ker(f) = 0 = 0
Ademas se observa que para i = 1, 2 se tiene:
f(v
i
) =
i
v
i
en donde los elementos
1
= 1 y
2
= 3, que son los elementos de la diagonal
principal de D, verican la ecuacion [AxI[ = 0 y v
i
ker(f
i
I)
Ejemplo 4.1.2 Si f : R
3
R
3
esta dado por f y = Ax con
A =
_
_
1 3 6
6 8 16
2 2 4
_
_
u
= u
1
, u
2
, u
3
, entonces tambien admite por ecuacion
matricial a y = Dx con
D =
_
_
0 0 0
0 1 0
0 0 2
_
_
v
= v
1
, v
2
, v
3
siendo v
1
= 2u
2
+u
3
, v
2
= 3u
1
2u
2
+2u
3
y v
3
= u
1
+u
2
.
Se obtiene facilmente que rg(f) = 2, Im(f) = v
2
, v
3
) ,ker(f) = v
1
) ob-
servandose que para i = 1, 2, 3 se tiene:
f(v
i
) =
i
v
i
en donde los elementos
1
= 0,
2
= 1 y
3
= 2, que son los elementos de la
diagonal principal de D, verican la ecuacion [AxI[ = 0 y v
i
ker(f
i
I)
4.2. Valores y vectores propios
4.2.1. Vector propio y valor propio
Vector propio y valor propio de f
Denicion 4.2.1 (Vector propio) Un vector propio de f es todo vector x
V tal que existe un K vericando
f(x) = x (4.1)
Denicion 4.2.2 (Valor propio) Un valor propio de f es todo K tal
que existe x V 0 con
f(x) = x (4.2)
Denicion 4.2.3 (espectro) Al conjunto (f) de todos los valores propios de
f se le llama espectro de f.
Los valores y vectores propios tambien reciben el nombre de autovalores
y autovectores.
4.2. VALORES Y VECTORES PROPIOS 131
Vector propio y valor propio de A.
Denicion 4.2.4 (Vector propio) Un vector propio de A es todo vector
x V tal que existe un K vericando
Ax = x (4.3)
Denicion 4.2.5 (Valor propio) Un valor propio de A es todo K tal
que existe x V 0 con
Ax = x (4.4)
Denicion 4.2.6 (Espectro) Al conjunto (A) de todos los valores propios
de A se le llama espectro de A.
Nota 4.2.1 Las deniciones anteriores sobre valores y vectores propios para
el endomorsmo f y para la matriz A son totalmente analogas; por ello los
resultados que se obtengan para f o A tienen una traduccion inmediata para A
o f que dejamos como ejercicio.
Consecuencias
Algunas consecuencias inmediatas de las deniciones anteriores son:
Proposicion 4.2.1 A todo vector propio no nulo x le corresponde un unico
valor propio , llamado valor propio asociado a x, vericando
f(x) = x (4.5)
Demostracion
Si existen
1
y
2
, valores propios asociados a x, distintos entre s, se tiene
que f(x) =
1
x y f(x) =
2
x; es decir, se tiene que
1
x =
2
x, de donde
(
1
2
)x = 0; y al ser x ,= 0, entonces
1
2
= 0. Finalmente,
1
=
2
.
A todo valor K le corresponde un subespacio vectorial V () denido

por:
V () = x V ; f(x) = x (4.6)
Denicion 4.2.7 Si es un valor propio de f, entonces V () se llama subes-
pacio propio asociado a .
Proposicion 4.2.2 El subespacio propio asociado al valor propio 0 es el n ucleo
de f.
V (0) = ker(f) (4.7)
Proposicion 4.2.3 Si (f), entonces V () ,= 0
2
Ejemplo 4.2.1 Para el endomorsmo f; R
2
R
2
dado por la ecuacion matri-
cial f y = Ax con
A =
_
2 1
1 2
_
2
Si el subespacio V () es nulo, entonces no es un valor propio.
132 CAP
ON
u
= u
1
, u
2
, tenemos que v
1
= u
1
+u
2
y v
2
= u
1
u
2
son
vectores propios asociados a los valores propios
1
= 1 y a
2
= 3 que son
los elementos de la diagonal principal de
D =
_
1 0
0 3
_
asociada a f en la base B
v
= v
1
, v
2
. Ademas V (1) = v
1
) y V (3) = v
2
)
Ejemplo 4.2.2 Para el endomorsmo f; R
3
R
3
dado por la ecuacion matri-
cial f y = Ax con
A =
_
_
1 3 6
6 8 16
2 2 4
_
_
u
= u
1
, u
2
, u
3
, tenemos que v
1
= 2u
2
+ u
3
, v
2
= 3u
1

2u
2
+ 2u
3
y v
3
= u
1
+ u
2
son vectores propios asociados a los valores propios
1
= 0,
2
= 1 y a
3
= 2 que son los elementos de la diagonal principal de
D =
_
_
0 0 0
0 1 0
0 0 2
_
_
asociada a f en la base B
v
= v
1
, v
2
, v
3
. Ademas V (0) = ker(f), V (1) =
ker(f I) = v
2
) y V (2) = ker(f 2I) = v
3
)
Proposicion 4.2.4 es valor propio de f si, y solo si, f I no es inversible.
Demostracion
Si es valor propio de f, entonces x V 0 tal que f(x) = x, es
decir, se tiene que ker(f I),=0, luego f I no es inyectiva y por
tanto f I no es inversible.
3
Si f I no es inversible, como dim(V ) = n < +, entonces f I
no es inyectiva, por tanto ker(f I),= 0 luego x V 0 tal que
f(x) = x y, nalmente, es valor propio de f.
Proposicion 4.2.5 La interseccion de subespacios propios asociados a valores

propios diferentes es nula.
1
,=
2
V (
1
) V (
2
) = 0 (4.8)
Demostracion
Si x V (
1
)V (
2
), entonces x V (
1
) y x V (
2
), de donde f(x) =
1
x
y f(x) =
2
x, para tenerse
1
x =
2
x y, por tanto, x = 0, al ser
1
,=
2
.
Ejercicio 4.2.1 Sean un escalar del cuerpo K y A y B dos matrices cuadradas

con B = A+I. Que relacion existe entre los valores y vectores propios de A
y B?
3
Observar que en este punto no hemos necesitado que la dimension del espacio vectorial V
sea nita; por contra, en el recproco, s que sera necesario.
4.2. VALORES Y VECTORES PROPIOS 133
Ejercicio 4.2.2 Para demostrar que si
A
es valor propio de A y
B
lo es de
B, entonces
A
B
lo es de AB, un alumno (poco riguroso y chapucero) razona
as en un examen: ((Si Ax =
A
x y Bx =
B
x, entonces ABx = A
B
x =
B
Ax =
B
A
x, luego
B
A
es valor propio de AB, y por conmutatividad
resulta que
A
B
es valor propio de AB)). Es correcta tal demostracion? En
que punto falla su razonamiento?
Solucion
No es correcta. Se ha introducido al principio, de forma gratuita, un supuesto
extra no: ((que A y B comparten un mismo vector propio x para
A
y
B
)), lo
cual es mucho suponer.
Ejercicio 4.2.3 Si
A
es valor propio de A y
B
lo es de B, entonces
A
+
B
lo es de AB?
Ejercicio 4.2.4 Hallar los valores y vectores propios de A
k
en funcion de los
de A.
Ejercicio 4.2.5 Si A y B tienen los mismos valores propios y estos con igual
orden, entonces A y B son semejantes?
Solucion
No. Por ejemplo, las matrices A =
_
1 0
0 1
_
y B =
_
1 1
0 1
_
tiene a = 1
como valor propio doble y no son semejantes. En efecto, si fueran semejantes,
existira una matriz regular P =
_
a b
c d
_
tal que B = P
1
AP, es decir,
PB = PA, lo que supone que
_
a a +b
c c +d
_
=
_
a b
c d
_
de donde a = 0 y c = 0; por lo tanto, P =
_
0 b
0 d
_
que no es regular.
Ejercicio 4.2.6 Hallar los valores propios de la matriz
A =
_
_
1 3 3
3 5 3
6 6 4
_
_
as como sus subespacios propios asociados. Hallar, ademas, una matriz de cam-
bio de coordenadas P formada por vectores propios y calcular D = P
1
AP.
Solucion
p
A
(x) = (x + 2)
2
(x 4). Sus races son 2, doble, y 4, simple. V (2) =
(1, 1, 0), (1, 0, 1)) y V (4) = (1, 1, 2)). Las matrices P y D son
P =
_
_
1 1 1
1 0 1
0 1 2
_
_
, P
1
=
1
2
_
_
1 3 1
2 2 0
1 1 1
_
_
, D =
_
_
2 0 0
0 2 0
0 0 4
_
_
134 CAP
ON
Proposicion 4.2.6 Si
1
,
2
, ,
m
es una familia de m valores propios de
f distintos entre s y si x
1
, x
2
, , x
m
una familia de m vectores propios
asociados a ellos, x
i
V (
i
) 0, (i = 1, 2, , m), entonces se verica que
la familia x
1
, x
2
, , x
m
es libre, (m n).
Demostracion
Evidentemente se requiere que m n para que la familia sea libre.
Por induccion sobre m.
Caso base. Para m = 1 es cierto, evidentemente.
Hipotesis de induccion. Supongamos que es cierto el teorema para los
valores desde 1 hasta m1 con m n.
Paso de induccion. Veamos que lo es para m. Para ello, supongamos que
1
x
1
+ +
m
x
m
= 0 (4.9)
Si se multiplica por
m
se obtiene
m
x
1
+ +
m
m
x
m
= 0 (4.10)
y si se toma su imagen por f se obtiene
1
f(x
1
) + +
m
f(x
m
) = 0 (4.11)
es decir,
1
x
1
+ +
m
m
x
m
= 0 (4.12)
Restando ambas ecuaciones tenemos
1
(
m
1
)x
1
+ +
m1
(
m
m1
)x
m1
= 0 (4.13)
de donde, por hipotesis de induccion, resulta
1
(
m
1
) = 0, ,
m1
(
m
m1
) = 0 (4.14)
de donde
1
= 0, ,
m1
= 0 (4.15)
y sustituyendo en la expresion inicial tenemos
m
x
m
= 0 (4.16)
y, nalmente,
m
= 0; por tanto, la familia x
1
, x
2
, , x
m
es libre.
Corolario 4.2.1 f tiene, a lo mas, n valores propios.

Corolario 4.2.2 La suma V (
1
) + +V (
m
) es una suma directa.
Demostracion
Si x
1
+ + x
m
= 0, entonces todos los x
i
son nulos; ello es debido a que
en caso contrario se obtendra la familia de vectores no nulos x
i
1
, , x
i
k
,
(k < m), que sera ligada al ser x
i
1
+ +x
i
k
= 0, pero debe ser libre al ser no
nulos sus vectores propios asociados, (son vectores propios asociados a valores
propios distintos).
4.3. EL POLINOMIO CARACTER
ISTICO 135
4.3. El polinomio caracterstico
Recordando que los valores y vectores propios de f y los de la matriz asociada
A son los mismos, tenemos:
Proposicion 4.3.1 Son equivalentes:
1. es un valor propio de A.
2. AI no es inversible.
3. [AI[ = 0
Denicion 4.3.1 (Polinomio caracterstico) El polinomio caracterstico de
f, o de A, es el polinomio p
f
(x), o p
A
(x), dado por
p
A
(x) = p
f
(x) = [AxI[ (4.17)
Observamos que se ha denido el polinomio caracterstico de f por medio de
la matriz A que lo representa en una base determinada. Si se cambia la base, se
obtiene as otra matriz B, semejante
4
a la dada A, dando as lugar al polinomio
p
B
(x) = [B xI[. El siguiente teorema nos garantiza que ambos polinomios son
el mismo y que por ello esta bien denido el polinomio caracterstico de f; es
decir, que p
f
(x) no depende de la matriz usada para representar a f.
Proposicion 4.3.2 Si A B, entonces
5
p
A
(x) = p
B
(x)
Demostracion
A B si, y solo si P regular tal que B = P
1
AP. Se tiene:
p
B
(x) = [B xI[ (4.18)
=

P
1
AP P
1
(xI)P
(4.19)
=

P
1
[AxI[ [P[ = [AxI[ = p

A
(x) (4.20)
Expresion del polinomio caracterstico

El polinomio caracterstico de f viene dado por
p
A
(x) = [AxI[ = (1)
n
x
n
+ (1)
n1
Tr(A)x
n1
+ +[A[ (4.21)
siendo Tr(A) = a
1,1
+ + a
n,n
la traza de A o de f. Algunos autores toman
por polinomio caracterstico al polinomio
[xI A[ = x
n
Tr(A)x
n1
+ + (1)
n
[A[ (4.22)
4
Matrices semejantes. Sean B
u
y B
v
dos bases de V y f End(V ). Recordamos que si
A = M(f, B
u
) y B = M(f, B
v
), existe un cambio de coordenadas en V dado por X = PX
de modo que B = P
1
AP. En tal caso se dice que A y B son semejantes y escribimos AB.
5
Esta proposicion nos garantiza que el polinomio caracterstico de un endomorsmo f no
depende de su representacion matricial; es decir, que si se cambia la base del espacio vectorial,
y como consecuencia se cambia la matriz que lo representa por otra semejante, se obtiene el
mismo polinomio caracterstico. Por ello tiene sentido la denicion de polinomio caracterstico
de f utilizando cualquier matriz asociada a f.
136 CAP
ON
Traza de f y determinante de f
Si A y B son semejantes, (representan a un mismo endomorsmo f en dos
bases distintas), podemos decir que
[A[ = [B[ (4.23)
Tr(A) = Tr(B) (4.24)
son invariantes por semejanza. Reciben el nombre de traza de f, Tr(f), y de-
terminante de f, det(f).
Corolario 4.3.1 es valor propio de f si, y solo si es raz de su polinomio
caracterstico.
6
(f) p
f
(x) = 0 (4.25)
Corolario 4.3.2 En el cuerpo K existen, a lo sumo, n valores propios de f.
card(
f
) n (4.26)
Corolario 4.3.3 Si K es algebraicamente cerrado
7
, entonces f posee n valores
propios, (distintos o no).
Ejercicio 4.3.1 Si
1
, ,
n
son los n valores propios de la matriz A /
n
,
demostrar que su suma es Tr(A), la traza de A, y que su producto es [A[, el
determinante de A.
Proposicion 4.3.3 Si es una raz h-m ultiple de p
f
(x) en K, entonces
1 dimV () h (4.27)
Demostracion
Sea x V () 0 un vector propio no nulo de f asociado a . Tal vector es
solucion del sistema homogeneo (AI)x = 0. Como el determinante de dicho
sistema es p
f
() = 0, el sistema tiene soluciones no triviales, las de V (). Si
rg(A I) = r y llamamos k = DimV () se tiene que k = n r. Caso de ser
r = 0, entonces k = n, luego, en principio, se tiene que 1 k n. Veamos con
mas detalle una cota de k.
Si v
1
, , v
k
es una base de V (), se puede prolongar a una base B
v
=
v
1
, , v
k
, v
k+1
, , v
n
de V . Si A = M(f, B
v
), se tiene:
A =
_
.
.
.
A
1
0 A
2
_
_
(4.28)
siendo la caja (1, 1) cuadrada de tama no k, la (1, 2) una matriz A
1
de tama no
k (nk), la (2, 1) de tama no (nk) k y la (2, 2) cuadrada de tama no nk.
6
Este resultado nos indica que todo valor propio de f es raz de su polinomio caracterstico
p
f
(x) y, recprocamente, toda raz de su ecuacion caracterstica p
f
(x) es un valor propio de f.
7
Un cuerpo K es algebraicamente cerrado si, y solo si, toda ecuacion polinomica de
grado n con coecientes en K tiene al menos una raz en K, (y en consecuencia tiene n races
que pueden ser distintas o no). El cuerpo C de los n umeros complejos es algebraicamente
cerrado, mientras que el de los n umeros reales R no lo es.
4.4. DIAGONALIZACI
ON 137
Todo lo cual es evidente al ser v
1
, , v
k
una familia de vectores propios
asociados a y ser f(v
i
) = v
i
para i = 1, , k. Por tanto
p
A
(x) = (x )
k
p
A
2
(x) (4.29)
Como es raz h-m ultiple de p
f
(x) ,entonces 1 k h; es decir,
1 dimV () h (4.30)
Ejemplo 4.3.1 Para la matriz

A =
_
3 2
2 1
_
se tiene: p
A
(x) = (x+1)
2
, = 1 es raz doble, V (1) = (1, 1)) y dimV (1) =
1 < 2. (No es diagonalizable).
Ejemplo 4.3.2 Para la matriz
A =
_
1 1
0 1
_
se tiene: p
A
(x) = (x 1)
2
, = 1 es raz doble, V (1) = (1, 0)) y dimV (1) =
1 < 2. (No es diagonalizable).
Ejemplo 4.3.3 Para la matrz
A =
_
_
3 2 4
0 1 0
2 0 3
_
_
se tiene: p
A
(x) = (x 1)
2
(x + 1), = 1 es raz doble y = 1 es raz simple,
V (1) = (2, 0, 1)), dimV (1) = 1 < 2. (No es diagonalizable).
4.4. Diagonalizacion
Denicion 4.4.1 (Diagonalizable) f es diagonalizable si B
v
, base de V , tal
que D = M(f, B
v
) es diagonal.
4.4.1. Condiciones necesarias y sucientes
Teorema 4.4.1 f es diagonalizable si, y solo si, B
v
= v
1
, , v
n
, base de
V , tal que cada v
i
es vector propio de f, para i = 1, , n.
Demostracion
Por denicion, f es diagonalizable si, y solo si, B
v
= v
1
, , v
n
, base
de V , tal que D = M(f, B
v
) es diagonal. Si
D =
_
1
.
.
.
n
_
_ (4.31)
138 CAP
ON
se tiene que f(v
i
) =
i
v
i
para i = 1, , n y que los escalares
i
son races
del polinomio p
D
(x) = (x
1
) (x
n
), es decir, son valores propios
asociados
8
con los vectores propios v
i
.
Si B
v
= v
1
, , v
n
, es una base de V , tal que cada v
i
es vector propio
de f, para i = 1, , n, se tiene que la matriz D = M(f, B
v
) es
D =
_
1
.
.
.
n
_
_ (4.32)
y como D es diagonal, entonces f es diagonalizable.
Teorema 4.4.2 f es diagonalizable si, y solo si, se verican simultaneamente

las condiciones siguientes:
1. p
f
(x) tiene n races en K, (confundidas o no).
2. Si es raz de p
f
(x) con orden h, entonces dimV () = h.
Demostracion
Si f es diagonalizable, entonces B
v
= v
1
, , v
n
, base de V , tal que
cada v
i
es vector propio de f, para i = 1, , n, de modo que es diagonal
la matriz D = M(f, B
v
).
Si
D =
_
1
.
.
.
m
_
_ (4.33)
en donde puede ser que los valores
i
esten repetidos h
i
veces de
modo que h
1
+ +h
m
= n, su polinomio caracterstico sera
p
f
(x) = (x
1
)
h
1
(x
m
)
h
m
(4.34)
luego p
f
Ademas se tiene que V = V (
1
) V (
m
) de donde, utilizando
que dimV (
i
) h
i
, se obtiene que
n = dimV = dimV (
1
)+ +dimV (
m
) h
1
+ +h
m
= n (4.35)
y, como consecuencia inmediata, que dimV () = h.
En efecto, si existiese un ndice j tal que dimV (
j
) < h
j
se tendra
el siguiente absurdo
n = dimV = dimV (
1
)+ +dimV (
m
) < h
1
+ +h
m
= n (4.36)
8
Los valores propios pueden ser iguales o no.
4.4. DIAGONALIZACI
ON 139
Sean
1
, ,
m
las races del polinomio caracterstico p
f
(x), (son valo-
res propios distintos entre s), con ordenes de multiplicidad h
1
, , h
m
,
de modo que h
1
+ + h
m
= n y con subespacios propios asociados res-
pectivamente V (
1
), , V (
m
). Tenemos que V (
1
) V (
m
) V ,
ademas
dimV (
1
) V (
m
) = dimV (
1
)+ +dimV (
m
) = h
1
+ +h
m
= n
(4.37)
luego V (
1
) V (
m
) = V . Ello nos permite tomar por base de V el
conjunto union de las bases V (
1
), , V (
m
) y obtener as una base de
vectores propios en la que f es trivialmente diagonalizable.
La traduccion a matrices del anterior teorema es:

Teorema 4.4.3 A es diagonalizable si, y solo si, se verican simultaneamente
las condiciones siguientes:
1. p
A
2. Si es raz de p
A
(x) con orden h, entonces dimV () = h.
4.4.2. Condiciones sucientes
Proposicion 4.4.1 Si f posee n valores propios distintos dos a dos, entonces
f es diagonalizable.
Demostracion
Sea B
v
= v
1
, , v
n
la familia de vectores propios de f asociados a los
valores propios
1
, ,
n
. Tal familia de n vectores es libre y es base de V , al
ser dimV = n. Tenemos que B
v
= v
1
, , v
n
es una base vectores propios de
f, luego f es diagonalizable.
Corolario 4.4.1 Sea K algebraicamente cerrado. Si todos las races de p
f
(x)
son simples, entonces f es diagonalizable.
Nota 4.4.1 f puede ser diagonalizable aunque p
f
(x) no tenga todas sus races
simples. Por ejemplo, las matrices
_
_
1 0 0
0 1 0
0 0 1
_
_
,
_
_
1 1 1
1 1 1
1 1 1
_
_
La primera es trivialmente diagonalizable, mientras que la segunda
9
tiene
por polinomio caracterstico a (1 x)(x+2)
2
, con races 1, simple, y 2, doble,
siendo V (1) = (1, 1, 1)) y V (2) = (1, 1, 0), (1, 0, 1)) con dimensiones iguales
a la multiplicidad de los valores propios: dimV (1) = 1 y dimV (2) = 2.
Ejercicio 4.4.1 Estudiar si es diagonalizable la matriz
A =
_
0 1
1 0
_
9
En . veremos que ((toda matrz real y simetrica tiene todos sus valores propios reales y
es diagonalizable)).
140 CAP
ON
Solucion
1. Si el cuerpo es K = R, entonces la matriz A representa al endomorsmo
f : R
2
R
2
dado por la ecuacion y = Ax. Su polinomio caracterstico es
x
2
+ 1, que no tiene races en R. No es diagonalizable en R.
2. Si el cuerpo es K = C, entonces la matriz A representa al endomorsmo
f : C
2
C
2
dado por la ecuacion y = Ax. Su polinomio caracterstico
es x
2
+ 1, que tiene por races en C a
1
= +i y a
2
= 1 con vectores
propios asociados v
1
= (1, i) y v
2
= (1, +i). Es diagonalizable en C. Su
matriz diagonal es
D =
_
+i 0
0 i
_
en la base v
1
, v
2
.
_
_
1 1 0
0 1 1
1 0 1
_
_
Solucion
Su polinomio caracterstico es x(x
2
+ 3x + 3), con una raiz real x = 0 y dos
complejas conjugadas
3i
3
2
. En R no es diagonalizable. En C, si.
_
_
1 +a 1 1 1
1 1 +a 1 1
1 1 1 +a 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 1 +a
_
_
siendo a R.
Solucion
Su polinomio caracterstico es (n +a x)(a x)
n1
, con una raiz real
1
=
n + a simple y otra raz real
2
= a de orden n 1. Los subespacios propios
asociados son V (
1
) = (1, 1, , 1)) y V (
2
) x
1
+ + x
n
= 0. Como
dimV (
1
) = 1 y dimV (
2
) = n 1, entonces la matriz es diagonalizable en R.
Ejercicio 4.4.4 Hallar una matriz A cuyos valores propios son 1 y 4 con vec-
tores propios asociados respectivamente v
1
= (3, 1) y v
2
= (2, 1). Generalizar el
metodo.
Solucion
A = PDP
1
=
_
3 2
1 1
_ _
1 0
0 4
_ _
3 2
1 1
_
1
Si P =
_
v
1
v
2
v
n
y D =
_
.
.
.
_, entonces A =
PDP
1
4.5. ALGUNAS APLICACIONES 141
Ejercicio 4.4.5 Diagonalizar la matriz compleja
A =
_
_
1 i i 1 +i
12 4 3i 6i
10 + 8i 6 5 + 6i
_
_
Solucion
Los valores propios son
1
= 1,
2
= i y
3
= 1 + i con vectores propios
asociados, v
1
= (0, 1 +i, 1), v
2
= (1, 3i, 2) y v
3
= (i, 0, 2)i. Se obtiene
D =
_
_
1 0 0
0 i 0
0 0 1 +i
_
_
4.5. Algunas aplicaciones
A lo largo de este apartado, con el n de ilustrar los razonamientos con un
ejemplo utilizaremos la matriz cuadrada
A =
_
2 2
1 3
_
que es diagonalizable, con vectores propios v
1
= (2, 1) y v
2
= (1, 1) asociados
a los valores propios
1
= 1 y
2
= 4.
4.5.1. Estudio de un endomorsmo
Sea f End
K
(V ) un endomorsmo cuya matriz respecto a la base estandar
es A. Si f es diagonalizable, existe una base B
v
= v
1
, , v
n
de vectores
propios asociados a los valores propios
1
, ,
n
de modo que
D = M(f, B
v
) =
_
1
.
.
.
n
_
_ (4.38)
y siendo D = P
1
AP con P una matriz regular.
10
En la nueva base B
v
= v
1
, , v
n
es inmediato ver que f se ha descom-
puesto en una suma de homotecias de razon
i
seg un las direcciones de los
nuevos ejes v
i
. Mas exactamente:
Proposicion 4.5.1 (Descomposicion espectral) Si f es diagonalizable,
1
, ,
m
son sus valores propios y p
i
es la proyeccion i-esima de V en V (
i
) seg un la di-
reccion V (
1
) V (
i1
) V (
i+1
) V (
m
), entonces
f =
1
p
1
+
m
p
m
(4.39)
Demostracion
10
P es la matriz del cambio de coordenadas, sus columnas son las componentes de v
1
, , v
n
.
142 CAP
ON
En efecto, si x = x
1
+ +x
m
es la descomposicion de un vector cualquiera
de V seg un los subespacios propios de f, entonces
f(x) =
1
x
1
+ +
m
x
m
(4.40)
=
1
p
1
(x) + +
m
p
m
(x) (4.41)
= (
1
p
1
+ +
m
p
m
)(x) (4.42)
Ejercicio 4.5.1 Sea el endomorsmo f dado por la matriz A en la base estandar.

Descomponerlo como suma de homotecias para el caso:
A =
_
2 2
1 3
_
Solucion
En la base de vectores propios v
1
= (2, 1) y v
2
= (1, 1) diagonaliza. Sus
valores propios son: 1 y 4. Se trata de la suma dos homotecias de razones 1 y 4
seg un las direcciones de la base v
1
, v
2
. Si la matriz de cambio de coordenadas
es P, se tienen
P =
_
2 1
1 1
_
, D = P
1
AP =
_
1 0
0 4
_
Descomponerlo como suma de homotecias para el caso:
A =
_
2 1
1 2
_
Solucion
En la base de vectores propios v
1
= (1, 1) y v
2
= (1, 1) diagonaliza. Sus
valores propios son: 1 y 3. Se trata de la suma dos homotecias de razones
1 y 3 seg un las direcciones de la base v
1
, v
2
. Si la matriz de cambio de
coordenadas es P, se tienen
P =
_
1 1
1 1
_
, P
1
=
1
2
_
1 1
1 1
_
, D = P
1
AP =
_
1 0
0 3
_
Descomponerlo como suma de homotecias.
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
4.5.2. Calculo de la potencia k-esima de una matriz
Si la matriz A es diagonalizable, entonces es semejante a una matriz diagonal
D =
_
1
.
.
.
n
_
_ (4.43)
siendo D = P
1
AP con P una matriz regular, (la matriz cuyas columnas son las
componentes de los vectores propios v
1
, , v
n
asociados a los valores propios
1
, ,
n
de A). Se tiene que
A
k
= (PDP
1
)(PDP
1
) (PDP
1
) = PD
k
P
1
(4.44)
siendo inmediato el calculo de la matriz D
k
y por tanto el de A
k
.
Ejercicio 4.5.4 Hallar las potencias n-esimas de las matrices
_
2 2
1 3
_
,
_
_
1 1 1
1 1 1
1 1 1
_
_
Ejercicio 4.5.5 Hallar la potencia n-esima de la matriz
A =
_
7 6
12 10
_
Solucion
Los valores propios de A son
1
= 1 y
2
= 2 , con vectores propios asociados
v
1
= (3, 2) y v
2
= (4, 3). Siendo
P =
_
3 4
2 3
_
, D =
_
1 0
0 2
_
solo resta efectuar el calculo A
n
= PD
n
P
1
.
4.5.3. Calculo de funciones matriciales
Sabemos del Analisis Matematico que
exp(x) =
n=0
x
n
n!
= 1 +x +
x
2
2!
+ +
x
n
n!
+ (4.45)
siendo la convergencia de la serie uniforme en todo intervalo cerrado de la rec-
ta real; ello nos sugiere tomar como denicion de exponencial de una matriz
diagonalizable A la siguiente:
exp(A) =
n=0
A
n
n!
= I +A+
A
2
2!
+ +
A
n
n!
+ (4.46)
supuesto que se garantiza la convergencia de las series utilizadas. Si A es diago-
nalizable, se tiene A = P
1
DP y por tanto
exp(A) = P
1
n=0
A
n
n!
P = P
1
n=0
D
n
P = P
1
exp(D)P (4.47)
Con la misma idea, utilizando los desarrollos de sin x, cos x , ..., podemos
calcular senA, cos A, ...
Ejercicio 4.5.6 Hallar exp(A), sen(A), cos(A), ..., en los casos:
_
2 2
1 3
_
y
_
_
1 1 1
1 1 1
1 1 1
_
_
144 CAP
ON
4.5.4. Otras aplicaciones
Sistemas de ecuaciones lineales
Ejemplo 4.5.1 Para resolver el sistema de ecuaciones diferenciales
_
dx
1
dt
= 4x
1
5x
2
dx
2
dt
= 2x
1
3x
2
con las condiciones iniciales x
1
(0) = 8 y x
2
(0) = 5, podemos tomar x = (x
1
, x
2
)
y A =
_
4 5
2 3
_
quedando el sistema reducido a
dx
dt
= Ax
con la condicion inicial x(0) = (8, 5). La solucion es x(t) = exp(At) x(0). Como
A es diagonalizable con
P =
_
1 5
1 2
_
, P
1
=
1
3
_
2 5
1 1
_
, D =
_
1 0
0 2
_
resulta
x(t) =
_
x
1
(t)
x
2
(t)
_
= P
1
exp(Dt)P
_
8
5
_
= P
1
_
e
t
0
0 e
2t
_
P
_
8
5
_
=
_
3e
t
+ 5e
2t
3e
t
+ 2e
2t
_
Ejercicio 4.5.7 Resolver el sistema de ecuaciones diferenciales
_
dx
1
dt
= 5x
1
+ 3x
2
dx
2
dt
= 6x
1
4x
2
1
(0) = 1 y x
2
(0) = 1.
Solucion
Podemos tomar x = (x
1
, x
2
) y A =
_
5 3
6 4
_
quedando el sistema redu-
cido a
dx
dt
= Ax
con la condicion inicial x(0) = (a, b). La solucion es x(t) = exp(At) x(0). Como
P =
_
1 1
1 2
_
, P
1
=
_
2 1
1 1
_
, D =
_
2 0
0 1
_
resulta
_
x
1
(t)
x
2
(t)
_
=
_
(2a +b)e
2t
(a +b)e
t
(2a +b)e
2t
+ (a +b)e
2t
_
Ejercicio 4.5.8 Resolver el sistema diferencial
_
dx
1
dt
= x
1
+x
2
dx
2
dt
= 4x
1
2x
2
1
(0) = 1 y x
2
(0) = 6.
Solucion
Podemos tomar x = (x
1
, x
2
) y A =
_
1 1
4 2
_
quedando el sistema reducido
a
dx
dt
= Ax
con la condicion inicial x(0) = (1, 6). La solucion es x(t) = exp(At) x(0). Como
P =
_
1
1
4
1 1
_
, D =
_
2 0
0 3
_
resulta
_
x
1
(t)
x
2
(t)
_
=
_
2e
2t
e
3t
2e
2t
+ 4e
3t
_
Sucesiones recurrentes lineales
Ejemplo 4.5.2 Para hallar el termino n-esimo F
n
de la sucesi on de Fibonac-
ci 0, 1, 2, 3, 5, 8, 13, , denida recursivamente por la expresion lineal F
n
=
F
n1
+F
n2
para n > 1, con F
0
= 0 y F
1
= 1, escribamos
_
F
n+1
F
n
_
=
_
1 1
1 0
_ _
F
n
F
n1
_
y llamando
x
n
=
_
F
n+1
F
n
_
, x
0
=
_
1
0
_
, A =
_
1 1
1 0
_
la ecuacion resulta ser
x
n
= Ax
n1
, (n > 0)
con x
0
conocido, luego
x
n
= A
n
x
0
de donde es facil obtener la conocida formula de Moivre
F
n
=
1
5
__
1 +
5
2
_
n
_
1
5
2
_
n
_
Para n grande, F
n

=
1
5
_
1+
5
2
_
n
Ejercicio 4.5.9 Hallar el termino n-esimo de la sucesion
a
0
= 0, a
1
= 1, a
n
=
a
n1
+a
n2
2
, (n > 1)
Solucion
a
n
=
2
3
_
1
(1)
n
2
n
_
. Para n , a
n

2
3
Ejercicio 4.5.10 Hallar a
n
y b
n
determinados por el par de sucesiones recu-
rrentes lineales
_
a
n
= 3a
n1
+ 3b
n1
b
n
= 5a
n1
+b
n1
, (n 1)
con las condiciones inicales a
0
= 1, b
0
= 1.
146 CAP
ON
Solucion
El sistema se puede escribir en la forma
_
a
n
b
n
_
=
_
3 3
5 1
_ _
a
n1
b
n1
_
Tomando
x
n
=
_
a
n
b
n
_
, x
0
=
_
1
1
_
, A =
_
3 3
5 1
_
resulta
x
n
= Ax
n1
, (n > 0)
cuya solucion es
x
n
= A
n
x
0
Solo falta hallar A
n
para obtener x
n
= (6
n
, 6
n
)
T
, de donde
a
n
= 6
n
b
n
= 6
n
4.6. Comentarios
Las ideas basicas de este tema estan recogidas de los textos de Queysanne
y de Cairoli. Es posible dedicar un tiempo al caso de matrices triangulares,
teorema de Cayley-Hamilton, etc., pero nos alejara mucho del nivel adecuado
a este curso. Un tratamiento mas serio de diagonalizacion por Jordan excede
tambien el nivel exigido. Tampoco hemos tratado el calculo numerico implicado
en la obtencion de valores y vectores propios de matrices
11
as como tampoco
aplicaciones en la fsica y la ingeniera.
Las aplicaciones basicas de la tecnica de diagonalizacion se encuentran en
el estudio de los elementos invariantes de las isometras, (transformaciones or-
togonales), y en la clasicacion de formas cuadraticas, (reduccion de conicas y
cuadricas y, en general, en el estudio de las variedades cuadraticas). Simplemen-
te hemos presentados algunas de caracter sencillo dentro del algebra lineal y de
las ecuaciones diferenciales. No queremos dejar de recordar que todo lo referente
a la diagonalizacion aparece de forma notable en: mecanica de uidos, tensor
de inercia en mecanica, tensor de Maxwell en electromagnetismo y optica, pe-
que nas oscilaciones en mecanica, estabilidad de soluciones en las ecuaciones en
derivadas parciales, ecuacion de Schrodinger en mecanica cuantica, etc.
En este tema hemos abierto un nuevo punto de vista sobre la teora de ma-
trices. Hasta ahora casi todo el tiempo las hemos dedicado a estudiar sistemas
de ecuaciones lineales Ax = b y al calculo de f
1
(b) mediante operaciones ele-
mentales sobre las y eliminacion gaussiana. Como ahora nos interesa preservar
los valores propios de una matriz, y no el espacio de vectores la de una matriz,
debemos abandonar las operaciones elementales sobre las. En realidad el calcu-
lo de determinantes era un primer intento de enfocar el problema de otro modo:
conducen a la regla de Cramer para resolver sistemas y conducen a la ecuacion
caracterstica para hallar valores propios de una matriz cuadrada. En el caso
de ser n grande fracasan, no son operativos y se requieren metodos numericos
adecuados.
11
Destacamos como muy interesantes: el metodo de la potencia de Von Mises, el metodo de
Jacobi para matrices simetricas y el metodo de Rutishauser.
4.7. EJERCICIOS 147
4.7. Ejercicios
1. Sea A la matriz:
A =
_
_
1 4 12
0 3 9
0 3 3
_
_
a) Determinar sus autovalores y sus espacios invariantes.
b) Estudiar si es diagonalizable en Q, R o C y dar una base de vectores
propios en su caso.
2. Estudiar si la siguiente matriz es o no diagonalizable:
A =
_
_
3 2 0
1 0 0
0 0 3
_
_
En caso armativo, calcula una matriz diagonal D y una matriz inversible
P tal que P
1
AP = D. Comprobar que la matriz verica su ecuacion
caracterstica.
12
3. Sea A la matriz:
_
_
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
_
_
a) Demuestra que A es diagonalizable.
b) Calcula una matriz P tal que P
1
AP sea diagonal.
c) Diagonalizar A
2
y A
1
.
Solucion
La ecuacion caracterstica es (x2)
2
(x
2
4) = 0, luego los valores propios
son 2 triple y 2 simple. Es facil hallar que:
V (2) = u
1
= (1, 1, 0, 0), u
2
= (1, 0, 1, 0), u
3
= (1, 0, 0, 1)))
y que
V (2) = u
4
= (1, 1, 1, 1))
luego la matriz de cambio P y la diagonal D son
P =
_
_
1 1 1 1
1 0 0 1
0 1 0 1
0 0 1 1
_
_
D = P
1
AP =
_
_
2 0 0 0
0 2 0 0
0 0 2 0
0 0 0 2
_
_
Para diagonalizar A
2
y A
1
bastara observar que si x es un vector propio
de A asociado con un valor propio , entonces tambien es un vector propio
12
Teorema de Cayley-Hamilton
148 CAP
ON
de A
k
asociado con un valor propio
K
. Por tanto se verica que
P
1
A
2
P = D
2
=
_
_
4 0 0 0
0 4 0 0
0 0 4 0
0 0 0 4
_
_
= 4I
y ademas
P
1
A
1
P = D
1 =
_
_
1
2
0 0 0
0
1
2
0 0
0 0
1
2
0
0 0 0
1
2
_
_
4. Comprobar que las matrices:
A =
_
_
2 1 1
2 3 2
1 1 2
_
_
y B =
_
_
2 0 3
1 2 2
1 1 3
_
_
tienen los mismos valores propios y no son semejantes.
5. Calcula A
1999
siendo
A =
_
7 6
12 10
_
6. Calcular los valores reales de a para los que la matriz A es diagonalizable,
siendo
A =
_
_
a 0 1 a
0 a 0
a 0 a
_
_
Para a = 2 calcula una matriz P tal que P
1
AP sea diagonal.
7. Estudiar para que valores del parametro t la matriz:
A =
_
t + 3 t 10
1 t + 1
_
es diagonalizable.
Solucion
Su ecuacion caracterstica [AxI[ = x
2
2(t + 2)x + 4t + 13 = 0. Sus
soluciones vienen dadas por
x = (t + 2)
_
t
2
9
teniendose que:
Si t
2
9 > 0, es decir, si [t[ > 3, entonces la ecuacion tiene dos races
reales y distintas, son simples, luego A es diagonalizable.
Si t
2
9 = 0, es decir, si t = 3, entonces la ecuacion tiene una raz
doble = 5.
4.7. EJERCICIOS 149
Si t = +3, es = 5 raz doble, el subespacio propio asociado es
V (5) = u = (1, 1)), dimV (5) = 1 < 2. No es diagonalizable.
Si t = 3, es = 1 raz doble, el subespacio propio asociado es
V (1) = u = (1, 1)), dimV (1) = 1 < 2. No es diagonalizable.
Si t
2
9 < 0, es decir, si t (3, +3), las races son imaginarias,
luego no es diagonalizable.
8. Estudiar para que valores de y la matriz:
_
_
5 0 0
0 1
3 0
_
_
es diagonalizable.
9. Halla los parametros de la matriz:
_
_
a 1 d
b 0 e
c 1 f
_
_
sabiendo que admite como vectores propios a los vectores
(1, 0, 1), (1, 2, 0), (2, 0, 1)
10. Sea f End(R
3
) tal que:
La unica direccion invariantes es la del vector u
1
= (1, 1, 1)
f
1
= f
2
+f I
El subespacio V esta asociado al unico autovalor de f de multiplici-
dad 2, respecto de la base canonica, siendo
V
_
_
_
x
1
= 2 +
x
2
= + 2
x
3
= 0
Se pide:
a) Calcular la matriz de f respecto de la base canonica.
b) Diagonalizar y calcular una base en la que la matriz de f sea diagonal.
Solucion
Observar que V = u
2
= (2, 1, 0), u
3
= (1, 2, 0)). Se tiene:
f(u
1
) = u
1
, f(u
2
) = au
2
, f(u
3
) = au
3
con a ,= 1. Luego la matriz de f en la base B
u
= u
1
, u
2
, u
3
es
D =
_
_
1 0 0
0 a 0
0 0 a
_
_
150 CAP
ON
y la matriz D debe vericar
D
3
+D
2
D I = 0
es decir, a
3
+ a
2
a 1 = 0, luego a = 1, (no vale a = 1). Finalmente
con las matrices
D =
_
_
1 0 0
0 1 0
0 0 1
_
_
, P =
_
_
1 2 1
1 1 2
1 0 0
_
_
se calcula A = PDP
1
.
11. Sea B = e
1
, e
2
, e
3
, e
4
, e
5
una base de R
5
y f : R
5
R
5
una apli-
cacion lineal que verica las siguientes condiciones:
f(e
1
) = e
2
f(e
3
+e
4
) = e
3
+e
4
El polinomio caracterstico de f tiene a 2 como raz triple y el subespacio
V = ker(f 2 Id) tiene por ecuaciones a
V
_
x
1
+x
2
+x
3
= 0
x
3
+x
4
= 0
Se pide:
a) Calcular la matriz de A respecto de B.
b) Es A diagonalizable?
c) En caso armativo, calcular matrices D y P tales que A = PDP
1
.
12. Determinar un endomorsmo f de R
3
sabiendo que los vectores v
1
=
(0, 1, 1), v
2
= (1, 1, 0) y v
3
= (1, 0, 1) son vectores propios de f. Se
sabe, ademas, que la matriz A que representa a f en la base estandar
tiene por primera columna a (1, 2, 3).
Solucion
Sea B
e
= e
1
, e
2
, e
3
la base estandar de R
3
y
A = M(f, B
e
) =
_
_
1 a d
2 b e
3 c f
_
_
ademas, es inmediato que la familia v
1
, v
2
, v
3
es libre formando por tanto
una base B
v
de R
3
. La matriz de cambio de base es
P =
_
_
0 1 1
1 1 0
1 0 1
_
_
Tomemos
D = M(f, B
v
) =
_
_
1
0 0
0
2
0
0 0
3
_
_
4.7. EJERCICIOS 151
siendo
1
,
2
y
3
los valores propios asociados a los vectores v
1
, v
2
y v
3
.
Se tiene que A = PDP
1
, siendo
P
1
=
_
_
1
2
1
2
1
2
1
2

1
2
1
2
1
2
1
2

1
2
_
_
de donde
1
= 6,
2
= 2 y
3
= 0. Finalmente resulta
A =
_
_
1 1 1
2 4 2
3 3 3
_
_
13. Sea B = e
1
, e
2
, e
3
una base de R
3
y A la matriz del endomorsmo
referido a dicha base. Para dicho endomorsmo se tiene que:
El subespacio V
1
(x +y +z = 0) esta asociado al autovalor 1.
El subespacio V 2
_
x y = 0
x z = 0
esta asociado al autovalor 1/2
Se pide:
a) Es diagonalizable el endomorsmo?
b) Para dicho caso encuentra la matriz diagonal y una base de autovec-
tores.
c) Calcula la matriz M = 2A
4
7A
3
+ 9A
2
5A+I
14. Estudiar, en funcion de los parametros cuando las siguientes matrices son
diagonalizables:
A =
_
_
3 0 1
1 3 0
0 0
_
_
B =
_
_
5 0 0
0 1
3 0
_
_
C =
_
_
0 4 0
0 4 0
0 0 3
_
_
D =
_
_
1 1 1
2 0 2
2 2 4 +
_
_
E =
_
_
1 0
0 3 0
0 1
_
_
F =
_
_
1 a a
2
1
a
1 a
1
a
2
1
a
1
_
_
15. Diagonalizar, especicando la base en la que se diagonaliza, seg un los
valores de y , la matriz:
_
_
2 0 2 2
1 2
+ 0 + 2
_
_
16. Se considera la aplicacion lineal f denida en una base B = e
1
, e
2
, e
3
por la matriz:
A =
_
_
1 +a a a
a + 2 a a 1
2 1 0
_
_
Se pide:
152 CAP
ON
a) Estudiar, seg un los valores del parametro a, si f es diagonalizable.
b) Para a = 0, calcular A
n
.
17. Sea f un endomorsmo de R
3
y A la matriz de f respecto de la base
canonica. Se sabe que una base del n ucleo del endomorsmo cuya matriz
es AI esta formado por los vectores (1, 1, 0) y (1, 0, 1) y que la imagen
del vector (0, 2, 1) por f es (1, 1, 0). Se pide:
a) Autovalores y subespacios invariantes de f.
b) Calcular una matriz inversible tal que P
1
AP sea diagonal.
c) Obtener los subespacios invariantes por A
n
.
18. Sea f End
R
(R
3
) tal que:
f
3
3f
2
= 0
f(1, 1, 1) = (3, 3, 3)
El subespacio asociado a un valor propio doble de f esta dado por la
ecuacion: x +y +z = 0
Se pide:
a) Hallar una base B
v
de R
3
formada por vectores propios de f y la
matriz diagonal D de f respecto de dicha base.
b) Una matriz A asociada a f que no sea diagonal, (la asociada a f en
la base estandar).
Solucion
a) Si f(1, 1, 1) = (3, 3, 3), entonces
1
= 3, v
1
= (1, 1, 1). Si es
un valor propio doble tal que V () x + y + z = 0, entonces
V () = v
2
= (1, 1, 0), v
3
= (1, 0, 1)) de modo que f(1, 1, 0) =
a(1, 1, 0) y f(1, 0, 1) = a(1, 0, 1) con a ,= 3. Se tiene que D
3
3D
2
= 0, siendo
D =
_
_
3 0 0
0 a 0
0 0 a
_
_
Ello supone que a = 0, doble. Finalmente
D =
_
_
3 0 0
0 0 0
0 0 0
_
_
siendo B
v
= v
1
= (1, 1, 1), v
2
= (1, 1, 0), v
3
= (1, 0, 1) y la
matriz del cambio de base es
P =
_
_
1 1 1
1 1 0
1 0 1
_
_
b) A = PDP
1
.
4.7. EJERCICIOS 153
A =
_
_
a 0 0 0
b c 0 0
d e f 0
g h i j
_
_
Se sabe que tiene por valores propios: 1, 2, 3 y 4, y que los subespacios
asociados a dichos valores son, respectivamente:
V
1
=
_
, ,

2
,

6
__
V
2
=< (0, , 2, 2) >
V
3
=< (0, 0, , 3) > V
4
=< (0, , 0, ) >
Se pide calcular:
a) una matriz P tal que P
1
AP = D
b) la matriz A
20. Sea f el endomorsmo de R
3
que tiene por matriz en la base canonica
A =
_
_
5 0 0
0 1 b 1
3 0 a
_
_
a) Para que valores de a y b la aplicacion f es diagonalizable?.
b) Para a = 1 y b = 1, calcular una base B
en la cual la matriz de f
es diagonal.
c) Calcular A
3
21. Sabiendo que la matriz
A =
_
_
0 a b
1 0 2
c d e
_
_
admite vectores propios: v
1
= (1, 1, 0), v
2
= (2, 0, 1), v
3
= (1, 1, 0), se
pide calcular la matriz A sabiendo que su determinante vale 3.
22. Sea A la matriz dependiente del parametro
A =
_
_
2 + 4 1 2
2
0 4 0
0 0 4
2
_
_
Se pide:
a) Obtener los valores de para que A sea diagonalizable.
b) Diagonalizar A para = 1 y para = 2.
23. Sea la matriz
A =
_
_
0 0 0 0
2 0 0 0
2 2 0 0
2 2 0 0
_
_
Se pide:
154 CAP
ON
a) Calcular las potencias sucesivas de A.
b) Si B = I +A, expresar B
n
en funcion de I, A, A
2
.
c) Demostrar que B
1
= I A+A
2
.
24. Un agricultor decide cultivar en sus terrenos, cebollas, lechugas y patatas.
Cada a no cambia los terrenos cultivados de forma que lo cultivado de
cebollas pasa a cultivarlo de patatas y el terreno cultivado de lechugas
lo divide en tres partes iguales para cultivar cebollas, lechugas y patatas.
Si denotamos por (c
k
, l
k
, p
k
) el vector que indica el n umero de terrenos
cultivados de cebollas, lechugas y patatas en el a no k-esimo. Se pide:
a) Calcular la matriz A /
3
(R) que cumple Au
k
= u
k+1
.
b) Calcular los valores propios y una base de vectores propios de A.
c) Si el primer a no, de los 4 terrenos que tiene cultiva 2 de cebollas y
2 de lechugas, que porcion de terreno tendra para cada cultivo al
cabo de 50 a nos?
25. Diagonalizar la matriz A y A
2
, siendo
13
A =
_
_
0 1 0
1 0 0
0 0 1
_
_
Solucion
a) Valores propios: 1, +i, i. Subespacios de vectores propios: V (1) =
(0, 0, 1)), V (+i) = (1, i, 0)), y V (i) = (1, i, 0)). La matriz del
cambio P y la diagonal D son
P =
_
_
0 1 1
0 i +i
1 0 0
_
_
, D =
_
_
1 0 0
0 i 0
0 0 i
_
_
b) Valores propios: 1, 1, 1. Subespacios de vectores propios: V (1) =
(0, 0, 1)), V (+i) = (1, i, 0)), y V (i) = (1, i, 0)). La matriz del
cambio P y la diagonal D son
P =
_
_
0 1 1
0 i +i
1 0 0
_
_
, D =
_
_
1 0 0
0 1 0
0 0 1
_
_
26. Sean A y B dos matrices cuadradas diagonalizables. Se pide:
a) Justicar que: ((si A y B comparten la misma matriz regular P de
vectores propios, de modo que A = PD
A
P
1
y B = PD
B
P
1
,
entonces conmutan))
b) Si A =
_
1 1
1 1
_
, hallar B vericando el apartado anterior.
13
La matriz A representa un giro de eje X
3
y angulo

2
en el espacio afn eucldeo real
tridimensional; mientras que A
2
representa la composicion de A consigo misma, es decir, un
giro de eje X
3
y angulo , o sea, una simetra axial de eje X
3
.
4.7. EJERCICIOS 155
c) Demostrar el recproco del apartado anterior (a).
Solucion
a) AB = (PD
A
P
1
)(PD
B
P
1
) = PD
A
D
B
P
1
= PD
B
D
A
P
1
= (PD
B
P
1
)(PD
A
P
1
) = BA
b) Como los valores propios son
1
= 0,
2
= 2 con subespacios de
vectores propios asociados V (0) =

(1, 1)
T
_
y V (2) =

(1, 1)
T
_
,
entonces resulta B = PD
B
P
1
, tomando
D
B
=
_
0
0
_
, ( ,= ) , P =
_
1 1
1 1
_
c) Si conmutan, entonces ...
27. Sea la matriz
A =
_
_
2 1 1
2 3 2
a a a + 1
_
_
en donde a es un parametro real. Se pide:
a) Demostrar que 1 es un valor propio de A, (a R).
b) Hallar el subespacio propio V (1) asociado al valor propio 1.
c) Para que valores del parametro a es la matriz A diagonalizable.
d) Calcular A
100
para a = 5.
Solucion
a) p
A
(1) = 0, (a R)
b) V (1) x +y +z = 0
c) Las races de p
A
(x) son 1 y 4 +a.
Si a = 3, p
A
(x) tiene una unica raz x = 1, triple. No diagona-
liza.
Si a ,= 3, las races de p
A
(x) son 1, doble y 4 + a, simple. Si
diagonaliza.
d) Para a = 5, los valores propios son 1 doble y -1 simple, con subespa-
cios propios asociados V (1) =

u
1
= (1, 0, 1)
T
, u
2
= (0, 1, 1)
T
_
y
V (1) =

u
3
= (1, 2, 4)
T
_
. Solo nos queda efectuar A
100
= PD
100
P
1
,
siendo
P =
_
_
1 0 1
0 1 2
1 1 4
_
_
, D =
_
_
1 0 0
0 1 0
0 0 1
_
_
28. Integrar el sistema diferencial
dx
dt
= Ax, siendo x(t) = (x
1
(t), x
2
(t), x
3
(t))
T
y A la matriz
A =
_
_
0 3 0
3 0 4
0 4 0
_
_
156 CAP
ON
Solucion
14
Valores propios: 0, 5i y 5i. Vectores propios asociados V (1) = v
1
= (4, 0, 3)),
V (5i) = v
2
= (3, 5i, 4)) y V (5i) = v
3
= (3, 5i, 4)). El cambio de
coordenadas x = Py, con
P =
_
_
4 3 3
0 5i 5i
3 4 4
_
_
nos da el sistema
dy
dt
= Dx, siendo y(t) = (y
1
(t), y
2
(t), y
3
(t))
T
y D la
matriz
D = P
1
AP =
_
_
0 0 0
0 5i 0
0 0 5i
_
_
Como su integracion es inmediata, se obtiene
y =
_
_
C
1
C
2
e
5it
C
3
e
5it
_
_
y nalmente
x =
_
_
x
1
(t)
x
2
(t)
x
3
(t)
_
_
=
_
_
4C
1
+ 3C
2
e
5it
+ 3C
3
e
5it
0 + 5iC
2
e
5it
5iC
3
e
5it
3C
1
4C
2
e
5it
4C
3
e
5it
_
_
29. Sea la matriz
A =
_
_
0 1 0
0 0 1
a b c
_
_
en donde a,b y c son tres n umeros desconocidos. Sabiendo que su polinomio
caracterstico es x
3
+ 4x
2
+ 5x + 6 y que toda matriz satisface a su
polinomio caracterstico, hallar A.
30. Sea el endomorsmo f de R
2
[x] denido por
f(a +bx +cx
2
) = (3a 2b) + (2a + 3b)x + 5cx
2
respecto a la base B = 1, x, x
2
. Diagonalizarlo.
Solucion
Se tiene que su matriz A en la base B es
A =
_
_
3 2 0
2 3 0
0 0 5
_
_
y sus valores propios son: 1, simple, y 5, doble; con subespacios propios aso-
ciados, respectivamente, V (1) = v
1
= (1, 1, 0)) y V (5) = v
2
= (0, 0, 1), v
3
= (1, 1, 0))
siendo
P =
_
_
1 0 1
1 0 1
0 1 0
_
_
, D = P
1
AP =
_
_
1 0 0
0 5 0
0 0 5
_
_
14
Este tipo de sistemas aparece en el estudio de curvas alabeadas al utilizar las formulas de
Frenet.
4.7. EJERCICIOS 157
31. Dada la matriz
A =
_
1
3
4
1 1
_
se pide hallar A
k
, e
A
y sin A.
32. Demostrar que la matriz
A =
_
_
2 0 1 0
4 3 1 3
6 6 3 6
2 2 1 2
_
_
es diagonalizable por semejanza. Encontrar una matriz inversible P tal
que P
1
AP sea diagonal.
Solucion
Su ecuacion caracterstica [AxI[ = x
2
(x
2
1) = 0, tiene por races
a los valores propios
1
= 0, doble y a
2
= 1,
3
= 1 simples.
Los subespacios de vectores propios asociados son:
Para
1
= 0, V (0)
v
1
= (
1
2
, 1, 1, 0), v
2
= (0, 1, 0, 1)
_
, dimV (2) =
2
Para
2
= 1, V (1) v
3
= (3, 3, 3, 1)), dimV (1) = 1
Para
2
= 1, V (1) v
4
= (1, 2, 3, 1)), dimV (1) = 1
La base de vectores propios obtenida es
B
v
= v
1
, v
2
, v
3
, v
4
La matriz de cambio de base es

P =
_
_
1
2
0 3 1
1 1 3 2
1 0 3 3
0 1 1 1
_
_
El cambio de coordenadas es
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
1
2
0 3 1
1 1 3 2
1 0 3 3
0 1 1 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
Se verica
D = P
1
AP =
_
_
0 0 0 0
0 0 0 0
0 0 1 0
0 0 0 1
_
_
33. Sea un n umero real y f
un endomorsmo de R
3
cumpliendo:
f
(1, 1, 1) = (1 , 1 2, 1 )
158 CAP
ON
f
(1, 2, 1) = (, , )
f
(1, 1, 1) = (1, 1, 1)
Se pide:
a) Calcular la matriz de f
referida a la base estandar de R

3
.
b) Estudiar en funcion de cuando f
es diagonalizable en C.
c) Diagonalizar ortogonalmente f
para =

3.
34. Sea f End
_
R
3
_
. Se sabe que su matriz A respecto a una base estandar
B
e
= e
1
, e
2
, e
3
verica: (1) A(e
1
) = 3e
1
, (2) A
3
(e
2
) = 8e
2
y (3) A
1
(e
2
+
2e
3
) = 2(e
2
+ 2e
3
). Se pide hallar:
a) Los valores propios de las matrices A, A
3
y A
1
.
b) det(A).
c) La imagen de (1, 2, 3) por A.
d) A
1
Solucion
De la condicion (1) A(e
1
) = 3e
1
, se sigue que = 3 es un valor propio con
vector propio asociado e
1
= (1, 0, 0).
De la condicion (2) A
3
(e
2
) = 8e
2
, resulta que 8 es un valor propio de A
3
con vector propio asociado e
2
= (0, 1, 0), luego = 2 es un valor propio
de A con vector propio asociado e
2
= (0, 1, 0).
De la condicion (3) A
1
(e
2
+2e
3
) = 2(e
2
+2e
3
), resulta que 2 es un valor
propio de A
1
con vector propio asociado (0, 1, 2), luego =
1
2
es un valor
propio de A con vector propio asociado (0, 1, 2).
En concreto, el conjunto de vectores (1, 0, 0), (0, 1, 0), (0, 1, 2) es una base
de vectores propios y por tanto A es diagonalizable.
La matriz de cambio P sera P =
_
_
1 0 0
0 1 1
0 0 2
_
_
la matriz diagonal D =
P
1
AP es D =
_
_
3 0 0
0 2 0
0 0
1
2
_
_
y la matriz A = PDP
1
sera A =
_
_
3 0 0
0 2
3
2
0 0
1
2
_
_
Ademas det(A) = det(D) = 3 2
1
2
= 3 y A(1, 2, 3)
T
=
_
3,
1
2
,
3
2
_
Finalmente, como A = PDP
1
, sera A
1
= PD
1
P
1
=

Álgebra

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Álgebra

Enviado por

Direitos autorais:

Formatos disponíveis

ULE. EIII. I.T. Aeronautica. Metodos numericos.

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo 1.4.7 El sistema

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

N umero de operaciones. El metodo de eliminacion requiere efectuar

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Teorema 1.6.1 Para una matriz cuadrada A /

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Denicion 1.6.3 Una matriz cuadrada A /

1.6.3. Calculo de la matriz inversa

La matriz Q anterior es muy facil de hallar: Q = E

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Por columnas. Analogamente, recordamos que las matrices A y B son

Corolario 1.6.4 El rango de una matriz y el de su traspuesta coinciden.

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Corolario 1.6.5 El rango de una matriz es igual tambien al n umero de colum-

Ejercicio 1.6.6 Dada la matriz

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Corolario 1.7.1 Si A es regular, entonces

El anterior resultado suministra un metodo nuevo para el calculo del rango

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejercicio 1.7.5 Resolver por Cramer

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

27. Justicar que

abc abc abc

28. Resolver la ecuacion D(x) = 0 siendo

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

y restando a cada columna la 1

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

40. Calcular el determinante D

y sumando todas las columnas a la primera

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

s en la primera la y recordando que 1 cos A = 2 sin

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

s en una lnea, las restantes lneas estan

55. Demostrar que D = (x

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

en donde hemos a nadido a la 4

60. Demostrar que

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

y sumemos todas las columnas a la primera, resultando

= (x +a +b +c +d)(x a)(x b)(x c)(x d)

ITULO 1. SISTEMAS DE ECUACIONES LINEALES

ITULO 2. ESPACIOS VECTORIALES

Propiedades de la suma y el producto por escalares

ITULO 2. ESPACIOS VECTORIALES

2.2.2. Dependencia e independencia lineal

con coecientes en K se suele representar por Ku

una familia de vectores de V . Se tienen:

ITULO 2. ESPACIOS VECTORIALES

Ejercicio 2.2.2 Justicar que la familia de vectores F