Algebra Lineal PDF

ISSN 1851-1317
Fascculo 2 Cursos de grado
Gabriela Jeronimo
Juan Sabia
Susana Tesauri
lgebra Lineal
Departamento de Matemtica
Facultad de Ciencias Exactas y Naturales
Universidad de Buenos Aires

2008
Cursos de Grado
Fascculo 2
Comit Editorial:
Carlos Cabrelli (Director). Departamento de Matemtica, FCEyN, Universidad de

Buenos Aires. E-mail: cabrelli@dm.uba.ar
Claudia Lederman. Departamento de Matemtica, FCEyN, Universidad de Buenos

Aires. E-mail: clederma@dm.uba.ar
Gabriel Minian. Departamento de Matemtica, FCEyN, Universidad de Buenos Aires.

E-mail: gminian@dm.uba.ar
ISSN 1851-1317
Derechos reservados
2008 Departamento de Matemtica, Facultad de Ciencias Exactas y Naturales,
Universidad de Buenos Aires.
Departamento de Matemtica
Facultad de Ciencias Exactas y Naturales
Ciudad Universitaria Pabelln I
(1428) Ciudad de Buenos Aires
Argentina.
http://www.dm.uba.ar
e-mail. secre@dm.uba.ar
tel/fax: (+54-11)-4576-3335
Gabriela Jeronimo, Juan Sabia y Susana Tesauri
Algebra lineal
Buenos Aires, agosto de 2008

Prefacio
El algebra lineal es una herramienta basica para casi todas las ramas de la matematica as
como para disciplinas afines tales como la fsica, la ingeniera y la computacion, entre otras.
Estas notas, basadas en la materia Algebra Lineal destinada a alumnos de la Licenciatura en
Ciencias Matematicas y del Profesorado en Matematicas de la Facultad de Ciencias Exactas
y Naturales de la Universidad de Buenos Aires, que hemos dictado varias veces, pretenden,
entre tantos buenos textos de algebra lineal existentes, ser solo una introduccion basica al
tema que se ajusta a los contenidos curriculares del curso y, al mismo tiempo, una gua de
estudios para los alumnos.
Las notas no presuponen ningun conocimiento previo de algebra lineal, aunque s de algu-
nas propiedades basicas de polinomios a coeficientes en un cuerpo y de numeros complejos,
y en algunos ejercicios se utilizan estructuras que provienen de la aritmetica elemental. Se
comienza con las definiciones basicas de estructuras algebraicas necesarias para definir la
nocion de espacio vectorial, para seguir con la nocion de subespacio, sistema de generadores
e independencia lineal. Despues de dar una breve introduccion al tema de las matrices a
coeficientes en un cuerpo, se definen y estudian las transformaciones lineales, el espacio dual
y la teora de determinantes. La diagonalizacion de matrices y la forma de Jordan de auto-
morfismos en espacios de dimension finita se desarrollan a continuacion, seguidas del estudio
de espacios con producto interno reales y complejos. El captulo de variedades lineales puede
verse como una aplicacion del algebra lineal a la geometra afn. Finalmente, se da una breve
introduccion a la teora de formas bilineales.
Gabriela Jeronimo, Juan Sabia y Susana Tesauri

iv
Indice General
1 Espacios vectoriales 1
1.1 Espacios vectoriales y subespacios . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.4 Sistemas de generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Sistemas lineales homogeneos . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Metodo de triangulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Cantidad de soluciones de un sistema homogeneo . . . . . . . . . . . . . 17
1.2.4 Sistemas lineales no homogeneos. . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Independencia lineal y bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.1 Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2 Bases y dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4 Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4.1 Subespacio suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4.2 Suma directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2 Matrices 47
2.1 Definiciones y propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3 Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4.1 Coordenadas de un vector en una base . . . . . . . . . . . . . . . . . . . 55
2.4.2 Cambios de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
vi INDICE GENERAL
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3 Transformaciones lineales 65
3.1 Definiciones, ejemplos y propiedades basicas . . . . . . . . . . . . . . . . . . . . 65
3.1.1 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1.2 Nucleo e imagen de una transformacion lineal . . . . . . . . . . . . . . . 68
3.1.3 Composicion de transformaciones lineales . . . . . . . . . . . . . . . . . 71
3.2 Espacios vectoriales de dimension finita . . . . . . . . . . . . . . . . . . . . . . 72
3.3 Teorema de la dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Proyectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.5 Representacion matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5.1 Matriz de una transformacion lineal . . . . . . . . . . . . . . . . . . . . 77
3.5.2 Matriz de la composicion y cambios de bases . . . . . . . . . . . . . . . 78
3.6 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.6.1 Rango columna y rango fila . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.6.2 Equivalencia de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.7 Espacios vectoriales de transformaciones lineales . . . . . . . . . . . . . . . . . 83
3.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4 Espacio dual 95
4.1 El espacio dual de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . 95
4.2 Base dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Anulador de un subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5 Determinantes 107
5.1 Definicion y ejemplos basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.1.1 Funciones multilineales alternadas . . . . . . . . . . . . . . . . . . . . . 107
5.1.2 Existencia y unicidad del determinante . . . . . . . . . . . . . . . . . . . 110
5.2 Propiedades del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.2.1 Determinante de la transpuesta de una matriz . . . . . . . . . . . . . . 115
5.2.2 Matrices triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.2.3 Desarrollo del determinante por una fila o columna . . . . . . . . . . . . 117
5.2.4 Determinante del producto de matrices . . . . . . . . . . . . . . . . . . 118
5.3 Determinantes y matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . 119
5.3.1 Inversibilidad de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.3.2 Adjunta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
INDICE GENERAL vii
5.3.3 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

5.4 Calculo de algunos determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.5 Rango de una matriz y determinante . . . . . . . . . . . . . . . . . . . . . . . . 124
5.6 Otra formula para el determinante . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6 Diagonalizacion 133
6.1 Nociones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.1.1 Autovalores y autovectores . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.1.2 Polinomio caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.2 Una caracterizacion de matrices diagonalizables . . . . . . . . . . . . . . . . . . 137
6.2.1 Suma directa de subespacios . . . . . . . . . . . . . . . . . . . . . . . . 137
6.2.2 Espacios de autovectores y diagonalizacion . . . . . . . . . . . . . . . . 139
6.3 Polinomios minimales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.3.1 Polinomio minimal de una matriz . . . . . . . . . . . . . . . . . . . . . . 142
6.3.2 Polinomio minimal de un vector . . . . . . . . . . . . . . . . . . . . . . 146
6.3.3 Teorema de Hamilton-Cayley . . . . . . . . . . . . . . . . . . . . . . . . 148
6.3.4 Un criterio de diagonalizacion usando el polinomio minimal . . . . . . . 151
6.4 Subespacios invariantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
7 Forma de Jordan 163

7.1 Transformaciones lineales nilpotentes . . . . . . . . . . . . . . . . . . . . . . . . 163
7.1.1 Definiciones y propiedades basicas . . . . . . . . . . . . . . . . . . . . . 163
7.1.2 Existencia de forma de Jordan para una transformacion lineal nilpotente 165
7.1.3 Unicidad de la forma de Jordan nilpotente. Semejanza . . . . . . . . . . 169
7.2 Caso general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.2.1 Forma de Jordan de una transformacion lineal . . . . . . . . . . . . . . 173
7.2.2 Unicidad de la forma de Jordan . . . . . . . . . . . . . . . . . . . . . . . 178
7.3 Aplicacion: Calculo de las potencias de una matriz . . . . . . . . . . . . . . . . 182
7.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8 Espacios vectoriales con producto interno 189

8.1 Producto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.1.1 Definicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.1.2 Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8.1.3 Distancia entre vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
viii INDICE GENERAL
8.1.4 Angulo entre dos vectores . . . . . . . . . . . . . . . . . . . . . . . . . . 194

8.1.5 Matriz de un producto interno . . . . . . . . . . . . . . . . . . . . . . . 194
8.2 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
8.2.1 Conjuntos ortogonales y ortonormales . . . . . . . . . . . . . . . . . . . 195
8.2.2 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
8.2.3 Proyeccion ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
8.2.4 Distancia de un punto a un subespacio . . . . . . . . . . . . . . . . . . . 204
8.3 Endomorfismos en espacios vectoriales con producto interno . . . . . . . . . . . 206
8.3.1 Adjunta de una transformacion lineal . . . . . . . . . . . . . . . . . . . 206
8.3.2 Transformaciones autoadjuntas y matrices hermitianas . . . . . . . . . . 209
8.3.3 Transformaciones unitarias y ortogonales . . . . . . . . . . . . . . . . . 212
8.3.4 Clasificacion de transformaciones ortogonales . . . . . . . . . . . . . . . 214
8.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
9 Variedades lineales 231

9.1 Nociones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
9.1.1 Variedades lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
9.1.2 Algunas variedades lineales particulares . . . . . . . . . . . . . . . . . . 233
9.1.3 Otra forma de describir variedades lineales . . . . . . . . . . . . . . . . 235
9.2 Interseccion y suma de variedades lineales . . . . . . . . . . . . . . . . . . . . . 235
9.2.1 Interseccion de variedades lineales . . . . . . . . . . . . . . . . . . . . . 235
9.2.2 Variedades lineales paralelas y alabeadas . . . . . . . . . . . . . . . . . . 236
9.2.3 Suma de variedades lineales . . . . . . . . . . . . . . . . . . . . . . . . . 238
9.3 Variedades lineales en espacios con producto interno . . . . . . . . . . . . . . . 239
9.3.1 Ortogonalidad de variedades lineales . . . . . . . . . . . . . . . . . . . . 240
9.3.2 Angulo entre rectas y planos . . . . . . . . . . . . . . . . . . . . . . . . 240
9.3.3 Distancia de un punto a una variedad lineal . . . . . . . . . . . . . . . . 241
9.3.4 Distancia entre variedades lineales . . . . . . . . . . . . . . . . . . . . . 242
9.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
10 Formas bilineales 249

10.1 Definicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
10.2 Matriz de una forma bilineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
10.3 Formas bilineales simetricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
10.3.1 Definiciones y propiedades basicas . . . . . . . . . . . . . . . . . . . . . 252
10.3.2 Diagonalizacion de formas bilineales simetricas . . . . . . . . . . . . . . 253
10.4 Formas bilineales simetricas reales . . . . . . . . . . . . . . . . . . . . . . . . . 256
INDICE GENERAL ix
10.4.1 Clasificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256

10.4.2 Formas bilineales definidas positivas . . . . . . . . . . . . . . . . . . . . 260
10.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
Bibliografa 265
Indice Alfabetico 266

x INDICE GENERAL
Captulo 1
Espacios vectoriales
En diversos conjuntos conocidos, por ejemplo los de vectores en el plano o en el espacio (R2
y R3 ), o tambien el de los polinomios (R[X]), sabemos sumar sus elementos y multiplicarlos
por numeros. Todos estos conjuntos comparten una cierta estructura, que esta dada por
esa suma y ese producto por numeros, a la que llamaremos espacio vectorial. En este captulo
presentaremos la nocion de espacio vectorial y estudiaremos algunas propiedades basicas que
poseen los conjuntos con dicha estructura.
1.1 Espacios vectoriales y subespacios

1.1.1 Preliminares
La nocion de espacio vectorial requiere de dos conjuntos: un conjunto K (los escalares) y
otro conjunto V (los vectores). Estos dos conjuntos deben satisfacer ciertas propiedades, que
esencialmente se refieren a que los elementos de V se puedan sumar entre s y multiplicar por
elementos de K.
Comenzaremos dando algunas definiciones previas para poder despues presentar la defini-
cion precisa de espacio vectorial.
Definicion 1.1 Sea A un conjunto no vaco. Una operacion (o ley de composicion interna u
operacion binaria) de A es una funcion : A A A.
Notacion. (a, b) = c se escribe a b = c.
Ejemplos.
+ : N N N, tal que +(a, b) = a + b, es una operacion de N.

Como la resta, (a, b) = a b, no es una funcion de N N en N, entonces no es una
operacion de N.
2 Espacios vectoriales
La suma +, el producto y la resta son operaciones de Z, Q, R y C.
No nos interesaremos por operaciones cualesquiera, sino que trabajaremos con operaciones
que posean algunas propiedades. Entre las propiedades que analizaremos se encuentran las
siguientes:
Definicion 1.2 (Propiedades basicas) Sea : A A A una operacion.
i) se dice asociativa si (a b) c = a (b c) a, b, c A.
ii) Se dice que tiene elemento neutro si e A tal que e a = a e = a para cada a A.
(Observar que si tiene elemento neutro, este es unico, ya que si e y e0 son elementos
neutros, e0 = e e0 = e.)
iii) Si tiene elemento neutro e, se dice que todo elemento tiene inverso para si a A,
a0 A tal que a a0 = a0 a = e.
iv) se dice conmutativa si a b = b a a, b A.
Se pueden estudiar las caractersticas que comparten los conjuntos con una operacion
que satisface algunas de estas propiedades. Una nocion util es la de grupo, que definimos a
continuacion.
Definicion 1.3 Sea A un conjunto, y sea una operacion en A que satisface las propiedades
i), ii) y iii) de la definicion anterior. Entonces (A, ) se llama un grupo. Si ademas cumple
iv), se dice que (A, ) es un grupo abeliano o conmutativo.
Ejemplos.
(N, +) no es un grupo: se puede probar que no tiene elemento neutro.
(Z, +), (Q, +), (R, +) y (C, +) son grupos abelianos.
(Z, ) no es un grupo: se puede probar que solo 1 y -1 tienen inverso multiplicativo.
(Q {0}, ), (R {0}, ) y (C {0}, ) son grupos abelianos.
A = {f : R R}, = (composicion de funciones). Entonces (A, ) no es un grupo:

las unicas funciones con inversa para son las biyectivas.
SR = {f : R R / f es biyectiva }, = . Entonces (SR , ) es un grupo.
C un conjunto, P(C) = {S C}. Se define la operacion 4 : P(C) P(C) P(C),

llamada diferencia simetrica, de la siguiente forma:
A4B = (A B) (A B).
Entonces (P(C), 4) es un grupo abeliano.

1.1 Espacios vectoriales y subespacios 3
A partir de la definicion de grupo pueden probarse propiedades que poseen todos los
conjuntos con esa estructura. Por ejemplo:
Sea (G, ) un grupo. Entonces para cada a G existe un unico inverso para a.
Sea e el elemento neutro de (G, ). Supongamos que b y c son inversos de a. Entonces
b = e b = (c a) b = c (a b) = c e = c.
Notacion. Si G es un grupo abeliano y la operacion se nota +, el elemento neutro se notara 0

y, para cada a G, el inverso de a se notara a. (En otros casos, el elemento neutro se nota
1 y el inverso de a se nota a1 .)
La siguiente definicion que daremos se refiere a conjuntos en los cuales hay dos operaciones
relacionadas entre s.
Definicion 1.4 Sea A un conjunto y sean + y operaciones de A. Se dice que (A, +, ) es

un anillo si
i) (A, +) es un grupo abeliano
ii) es asociativa y tiene elemento neutro
iii) Valen las propiedades distributivas: Para a, b, c A,
a (b + c) = a b + a c
(b + c) a = b a + c a
Ademas, si es conmutativa, se dice que (A, +, ) es un anillo conmutativo.
Notacion. Cuando quede claro cuales son las operaciones + y , para referirnos al anillo
(A, +, ), escribiremos simplemente A. Al elemento neutro del producto se lo notara 1.
Ejemplos.
(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son anillos conmutativos.
(Zn , +, ) es una anillo conmutativo.
Si (A, +, ) es un anillo conmutativo, entonces (A[X], +, ) es un anillo conmutativo con

las operaciones usuales de polinomios.
Si C es un conjunto, (P(C), 4, ) es un anillo conmutativo.
{f : R R} con las operaciones usuales de suma y producto de funciones es un anillo

conmutativo.
Al igual que en el caso de los grupos, tambien pueden probarse propiedades que poseen
todos los anillos:
Sea (A, +, ) un anillo, y sea 0 el elemento neutro de +. Entonces 0 a = 0, a A.

Se tiene que
0 a = (0 + 0) a = 0 a + 0 a.
Si b es el inverso aditivo de 0 a, resulta
0 = 0 a + b = (0 a + 0 a) + b = 0 a + (0 a + b) = 0 a.
Luego, 0 a = 0.
En un anillo cualquiera no es cierto que a b = 0 a = 0 o b = 0. Por ejemplo, en Z4 , se

tiene que 2 2 = 0, pero 2 6= 0.
Definicion 1.5 Un anillo conmutativo (A, +, ) se llama un dominio de integridad o dominio

ntegro si a b = 0 a = 0 o b = 0.
Ejemplos.
(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son dominios de integridad.
Si A es un dominio de integridad, entonces A[X] es un dominio de integridad.
Zp es un dominio de integridad p es primo.
La siguiente definicion resume las propiedades que debe satisfacer uno de los conjuntos
involucrados en la definicion de un espacio vectorial.
Definicion 1.6 Sea K un conjunto, y sean + y operaciones de K. Se dice que (K, +, ) es

un cuerpo si (K, +, ) es un anillo conmutativo y todo elemento no nulo de K tiene inverso
multiplicativo. Es decir:
i) (K, +) es un grupo abeliano,
ii) (K {0}, ) es un grupo abeliano, y
iii) vale la propiedad distributiva de con respecto a +.
Ejemplos.
(Q, +, ), (R, +, ) y (C, +, ) son cuerpos
(Zp , +, ) es un cuerpo p es primo.

P
n
Se define Q[ 2] = ai ( 2)i / ai Q, n N0 . Veamos que (Q[ 2], +, ) es un
i=0
cuerpo.

Usando que Q[ 2] R, se puede probar facilmente que (Q[ 2], +, ) es un anillo con-
mutativo.

Observamos que Q[ 2] = {a + b 2 : a, b Q}. En efecto, para cada k N, se tiene
Pn
que ( 2)2k = 2k y ( 2)2k+1 = 2k 2 y entonces, todo elemento de la forma ai ( 2)i
i=0
con ai Q y n N0 puede escribirse como a + b 2 con a, b Q. Recprocamente,
es
claro que todo elemento de la forma a + b 2 con a, b Q pertenece a Q[ 2].
Veamos ahora que todo elemento no nulo tiene inverso.

Sea a + b 2 6= 0. Entonces (a + b 2)(a b 2) = a2 2b2 6= 0 (pues a, b Q), de donde
a b
(a + b 2)1 = + 2 2.
a2 2b 2 a 2b2
Tambien en el caso de los cuerpos se pueden probar propiedades generales. Por ejemplo:
Todo cuerpo (K, +, ) es un dominio de integridad.

Tenemos que probar que a b = 0 a = 0 o b = 0. Supongamos que a b = 0. Si a = 0,
ya esta. Si a 6= 0, entonces existe a1 tal que a a1 = a1 a = 1. Entonces
a1 (a b) = a1 0 (a1 a) b = 0 1 b = 0 b = 0.
Para poder completar la definicion de espacio vectorial necesitamos definir una clase es-
pecial de funciones que se aplican a elementos de dos conjuntos distintos:
Definicion 1.7 Sean A y B dos conjuntos. Una accion de A en B es una funcion

: A B B.
Notacion: (a, b) = a b
Estamos ahora en condiciones de dar la definicion de espacio vectorial.
1.1.2 Espacios vectoriales

Definicion 1.8 Sea (K, +, ) un cuerpo. Sea V un conjunto no vaco, sea + una operacion en
V y sea una accion de K en V . Se dice que (V, +, ) es un K-espacio vectorial si se cumplen
las siguientes condiciones:
i) (V, +) es un grupo abeliano.

ii) La accion : K V V satisface:
(a) a (v + w) = a v + a w a K; v, w V .
(b) (a + b) v = a v + b v a, b K; v V .
(c) 1 v = v v V .
(d) (a b) v = a (b v) a, b K; v V .
Los elementos de V se llaman vectores y los elementos de K se llaman escalares. La accion

se llama producto por escalares.
Notese que el smbolo se usa tanto para la accion de K en V como para el producto en
K, pero esto no debera generar confusion puesto que en el primer caso estara aplicado a un
elemento de K y otro de V , mientras que en el segundo, a dos elementos de K.
En lo que sigue, K denotara un cuerpo. Si (V, +, ) es un K-espacio vectorial y la operacion

+ de V y la accion de K en V quedan claras del contexto, diremos simplemente que V es
un K-espacio vectorial.
Hay propiedades que se cumplen en cualquier espacio vectorial. A continuacion mostramos

algunas de ellas.
Sea V un K-espacio vectorial. Entonces:
1. 0 v = 0 para todo v V . (Observar que el elemento 0 que aparece en el miembro

izquierdo de la igualdad es el elemento neutro de K, mientras que el de la derecha es el
vector 0 V .)
2. (1) v = v para todo v V . (Recuerdese que v denota al inverso aditivo de v).
Demostracion.
1. Se tiene que
0 v = (0 + 0) v = 0 v + 0 v.
Sea w el inverso aditivo de 0 v. Entonces
0 = 0 v + w = (0 v + 0 v) + w = 0 v + (0 v + w) = 0 v + 0 = 0 v
2. Vemos que
v + (1) v = (1) v + v = (1) v + 1 v = (1 + 1) v = 0 v = 0.
Luego, (1) v es el inverso aditivo de v, es decir (1) v = v.
Ejemplos. En lo que sigue K es un cuerpo.
1. K es un K-espacio vectorial.
2. Sea K n = {(x1 , . . . , xn ) / xi K}. Se definen

+ : K n K n K n , (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
: K K n K n , (x1 , . . . , xn ) = (x1 , . . . , xn )
Entonces K n es un K-espacio vectorial.
3. Una matriz de n filas y m columnas es un arreglo de n m numeros ubicados en n filas

y m columnas.
Sea K nm = {A / A es una matriz de n filas y m columnas de elementos en K}. Ob-
servamos que un elemento A de K nm es de la forma

A11 A12 A1m
A21 A22 A2m
A=
.

An1 An2 Anm
Si A K nm , denotaremos por Aij al elemento ubicado en la interseccion de la fila i y

la columna j de A.
Se definen
+ : K nm K nm K nm , (A + B)ij = Aij + Bij (1 i n, 1 j m)
: K K nm K nm , ( A)ij = Aij (1 i n, 1 j m)
Entonces K nm es un K-espacio vectorial.
4. Sea Z un conjunto no vaco. Se considera K Z = {f : Z K / f es funcion } y se

definen
+ : K Z K Z K Z , (f + g)(x) = f (x) + g(x) x Z,
: K K Z K Z , ( f )(x) = f (x) x Z.
Entonces K Z es un K-espacio vectorial.
5. K[X], el conjunto de polinomios en la variable X a coeficientes en K, es un K-espacio

vectorial con la suma usual de polinomios y la multiplicacion usual de polinomios por
una constante.
6. R es un Q-espacio vectorial; C es un R-espacio vectorial y un Q-espacio vectorial.

7. Q[ 2] es un Q-espacio vectorial.
1.1.3 Subespacios
Dentro de un K-espacio vectorial V , hay subconjuntos que heredan la estructura de V , es
decir, que son tambien espacios vectoriales con la misma operacion, el mismo elemento neutro
y la misma accion que V . En esta seccion, comenzaremos el estudio de los subconjuntos con
esta propiedad.
Definicion 1.9 Sea V un K-espacio vectorial. Un subconjunto S V no vaco se dice un

subespacio de V si la suma y el producto por escalares (de V ) son una operacion y una accion
en S que lo convierten en un K-espacio vectorial.
Ejemplo. Caractericemos todos los subespacios de R2 :
S = {(0, 0)} es un subespacio.

Supongamos que S es un subespacio y que contiene algun elemento v no nulo. Entonces,
para todo R, .v S. Si estos son todos los elementos de S, entonces S es un
subespacio (que, graficamente, resulta ser una recta que pasa por el origen).
Con la notacion del punto anterior, si S contiene algun elemento que no es de la forma
.v, digamos v 0 , contiene tambien a todos los multiplos de v 0 . Luego, S contiene a las
dos rectas L y L0 que pasan por el origen y cuyas direcciones son v y v 0 respectivamente.
Es claro (usando la regla del paralelogramo) que cualquier punto en R2 es suma de un
elemento de L mas uno de L0 , luego pertenece a S. En consecuencia, S = R2 .
Observamos que, dado un K-espacio vectorial V y un subconjunto S de V , para determinar

si S es un subespacio de V segun la Definicion 1.9 debemos verificar la validez de una gran
cantidad de propiedades (todas las involucradas en la definicion de espacio vectorial). La
siguiente proposicion nos provee una caracterizacion de los subespacios en terminos de solo
tres propiedades, a partir de las cuales se deducen todas las demas.
Proposicion 1.10 Sea V un K-espacio vectorial y sea S V . Entonces S es un subes-

pacio de V si y solo si valen las siguientes condiciones:
i) 0 S
ii) v, w S = v + w S
iii) K, v S = v S
Demostracion.
() Es inmediato verificar que si S es un subespacio de V se cumplen i), ii) e iii).

() La condicion i) asegura que S es no vaco.
Por ii), + es una operacion de S y por iii), es una accion.
La asociatividad y conmutatividad de la suma se deducen de la validez de las mismas
para V , el elemento neutro de la suma 0 S por i), y la existencia de inverso aditivo se
deduce de que dado v S, v = (1) v, que pertenece a S por iii).
Las propiedades de la accion en la definicion de espacio vectorial se deducen tambien
de su validez en V .
Observamos que la condicion i) en la proposicion anterior puede ser reemplazada por

i0 ) S 6= .
Es decir, las condiciones i), ii), iii) son equivalentes a i), ii), iii). La demostracion de este
hecho queda como ejercicio.
Ejemplos. Sea V un K-espacio vectorial.
1. {0} es un subespacio de V .
2. V es un subespacio de V .
3. Si v V , S = { v / K} es un subespacio de V :
i) 0 = 0 v S.
ii) Si v, v S, entonces v + v = ( + ) v S.
iii) Si v S y K, entonces ( v) = ( ) v S.
Este subespacio se denomina el subespacio generado por v y se nota S = < v >.
4. Sean v1 , . . . , vn V .
Entonces S = {1 .v1 + + n .vn : i K, 1 i n} es un subespacio de V :
i) 0 = 0.v1 + + 0.vn S.
ii) Si v, w S, v = 1 .v1 + + n .vn , w = 1 .v1 + + n .vn , entonces
v + w = (1 + 1 ).v1 + + (n + n ).vn S.
iii) Si K y v = 1 .v1 + + n .vn S, entonces
.v = (.1 ).v1 + + (.n ).vn S.
El subespacio S que hemos definido se llama el subespacio generado por v1 , . . . , vn y se

nota S = < v1 , . . . , vn >.
Si V es un K-espacio vectorial, tiene sentido considerar las operaciones de union e inter-

seccion entre subespacios de V (que son subconjuntos de V ). Una pregunta que surge es si
estas operaciones preservan la estructura de subespacio. Como veremos a continuacion, esto
vale en el caso de la interseccion de subespacios, pero no para la union.
Proposicion 1.11 Sea V un K-espacio vectorial, y sean S y T subespacios de V . Entonces

S T es un subespacio de V .
Demostracion.
i) 0 S T puesto que 0 S y 0 T .
ii) Sean v, w S T . Entonces v S, v T, w S y w T . Como v, w S y S es un

subespacio, entonces v + w S. Analogamente, v + w T . Luego, v + w S T .
iii) Sean K y v S T . Entonces v S y v T . Como K, v S y S es un

subespacio, entonces v S. Analogamente, v T . Luego, v S T .
En forma analoga a lo hecho en la demostracion de la proposicion anterior, se prueba

que la interseccion de cualquier familia de subespacios de un K-espacio vectorial V es un
subespacio de V .
Observacion 1.12 Si V es un K-espacio vectorial, S y T subespacios de V , entonces S T

no es necesariamente un subespacio de V .
En efecto, consideremos en R2 los subespacios S = < (1, 0) > y T = < (0, 1) >.
Observamos que (1, 0) S y (0, 1) T ; luego, ambos pertenecen a S T . Pero (1, 0) +
(0, 1) = (1, 1)
/ S T , puesto que (1, 1)
/ S y (1, 1)
/ T.
Concluimos esta seccion exhibiendo algunos ejemplos de subespacios de distintos K-

espacios vectoriales.
Ejemplos.
1. Sean a1 , . . . , an K fijos. Sea S = {(x1 , . . . , xn ) K n : a1 x1 + an xn = 0}. Es facil

verificar que S es un subespacio de K n .
( )
a11 x1 + + a1n xn = 0
.
..
2. S = (x1 , . . . , xn ) K n : es un subespacio de K n , pues

am1 x1 + + amn xn = 0
T
m
S = Si , donde Si = {(x1 , . . . , xn ) K n : ai1 x1 + + ain xn = 0} (1 i m) y
i=1
cada Si es un subespacio de K n .
3. Sean V = K[X] y n N fijo. Se tiene que Kn [X] = {f K[X] / f = 0 o gr(f ) n}
es un subespacio de V :
i) 0 Kn [X].
ii) Sean f, g Kn [X]. Si f = 0 o g = 0 es claro que f + g S. Si f + g = 0, entonces
f + g S. Si no, gr(f + g) max(gr(f ), gr(g)) n, y por lo tanto f + g S.
iii) Sean K y f Kn [X]. Si = 0 o f = 0, entonces .f = 0 Kn [X]. Si no,
gr(.f ) = gr(f ), de donde .f Kn [X].
Observar que el conjunto {f K[X] / f = 0 o gr(f ) n}, para n N fijo, no es un
subespacio de K[X]. Por ejemplo: f = X n y g = X n + 1 pertenecen a dicho conjunto,
pero f + g = 1 no.
1.1.4 Sistemas de generadores

El objetivo de esta seccion es mostrar como pueden describirse todos los elementos de un
K-espacio vectorial V a partir de ciertos subconjuntos de elementos de V .
De la definicion de K-espacio vectorial vemos que una forma de obtener nuevos elementos
de V a partir de los elementos de un subconjunto G V es considerando sumas finitas de
multiplos por escalares de elementos de G. Surge entonces la nocion de combinacion lineal:
Definicion 1.13 Sea V un K-espacio vectorial, y sea G = {v1 , . . . , vr } V . Una com-

Pr
binacion lineal de G es un elemento v V tal que v = i .vi con i K para cada
i=1
1 i r.
Ejemplos.
1. Sea G = {(1, 2), (3, 4)} R2 . Una combinacion lineal de G es un vector v = .(1, 2) +
.(3, 4) con , R.
P
n
2. Sea G = {1, X, . . . , X n } Rn [X]. Una combinacion lineal de G es i X i con i R
i=0
para cada 0 i n.
La definicion de combinacion lineal se extiende al caso de subconjuntos no necesariamente

finitos del espacio vectorial considerado:
Definicion 1.14 Sea V un K-espacio vectorial, sea I un conjunto de ndices y sea

PG =
{vi / i I} V . Una combinacion lineal de G es un elemento v V tal que v = i .vi
iI
donde i = 0 salvo para finitos i I.
Ejemplos.
P

1. Sea G = {X i / i N0 } R[X]. Una combinacion lineal de G es i X i donde i R
i=0
y i = 0 salvo para finitos valores de i N0 .
P
2. Sea G = {(, 0) : R} R2 . Una combinacion lineal de G es .(, 0) tal que
R
R y = 0 salvo para finitos R.
Dado un espacio vectorial V , considerando las combinaciones lineales de los elementos

de ciertos subconjuntos de V , podemos obtener cualquier elemento del espacio vectorial en
cuestion. Como se vera en los ejemplos, en muchos casos esto nos permitira describir conjuntos
infinitos (como por ejemplo R2 ) utilizando finitos elementos del espacio.
Definicion 1.15 Sea V un K-espacio vectorial y sea G V . Se dice que G es un sistema de

generadores de V (y se nota < G > = V ) si todo elemento de V es una combinacion lineal de
G.
Ejemplos.
1. R2 = < (1, 0), (0, 1) >, pues x = (, ) R2 , x = .(1, 0) + .(0, 1).

2. K n = < (1, 0 . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1) >.
n
1 si k = i y j = l
3. K nm = < E ij > 1in donde (E ij )kl =
1jm 0 si no
4. K[X] =< X i >iN0 .
5. Si G K[X] tal que para cada i N0 , existe fi G con gr(fi ) = i, entonces K[X] =
< G >:
Es claro que 0 < G >. Veamos, por induccion en gr(g), que g < G > para cada
g K[X].
Si gr(g) = 0, entonces g K, y como existe f0 G con gr(f0 ) = 0 (es decir, f0
g
K {0}), se tiene que g = .f0 < G >.
f0
Sea n > 0 y supongamos que todo polinomio de grado menor que n y el polinomio nulo
pertenecen a < G >. Sea g K[X] con gr(g) = n. Por hipotesis, existe fn G con
P
n Pn
gr(fn ) = n. Si g = aj X j y fn = bj X j , consideramos ge = g abnn fn . Observamos
j=0 j=0 P
que ge = 0 o gr(eg ) < n. Por hipotesis inductiva, ge < G >, es decir ge = cf .f con
f G
cf = 0 salvo para finitos f . En consecuencia,
an X an
g = ge + fn = cf .f + cfn + fn < G >.
bn bn
f G, f 6=fn
1.2 Sistemas de ecuaciones lineales

Hemos visto que un conjunto del tipo

a11 x1 + + a1m xm = 0
..
S = (x1 , . . . , xm ) K m : .

an1 x1 + + anm xm = 0
es un subespacio de K m . Surge entonces la cuestion de describir estos conjuntos. Esto puede
hacerse, por ejemplo, encontrando un sistema de generadores del subespacio S.
Mas en general, estudiaremos el problema de dar una descripcion del conjunto de soluciones
de un sistema de ecuaciones de la forma

a11 x1 + a12 x2 + + a1m xm = b1

..
.

an1 x1 + an2 x2 + + anm xm = bn
donde aij K para todo 1 i n y 1 j m, y bi K para todo 1 i n, a los que
llamaremos sistemas de n ecuaciones lineales en m incognitas.
1.2 Sistemas de ecuaciones lineales 13
1.2.1 Sistemas lineales homogeneos

Un primer tipo de sistemas de ecuaciones que estudiaremos son los que tienen todas las
ecuaciones igualadas a 0.
Definicion 1.16 Un sistema lineal homogeneo de n ecuaciones con m incognitas a coeficientes

en un cuerpo K es un sistema del tipo

a11 x1 + a12 x2 + + a1m xm = 0

..
.

an1 x1 + an2 x2 + + anm xm = 0
donde aij K para cada 1 i n, 1 j m.
Notacion. La matriz A K nm definida por Aij = aij se llama la matriz asociada al sistema.
Observacion 1.17 El conjunto de las soluciones de un sistema lineal homogeneo con m

incognitas es un subespacio de K m (ver Ejemplo 2 en la pagina 10).
Resolver un sistema de este tipo significara dar un sistema de generadores para el subes-
pacio de las soluciones.
El metodo que daremos para la resolucion de sistemas de ecuaciones lineales consiste en
transformar el sistema dado, por medio de ciertas operaciones, en otro que tenga el mismo
conjunto de soluciones, pero cuya resolucion sea mas simple. Aparece entonces la nocion de
sistemas equivalentes:
Definicion 1.18 Dos sistemas lineales homogeneos se dicen equivalentes si sus conjuntos de
soluciones son iguales.
Ejemplo. Los siguientes sistemas lineales homogeneos a coeficientes en R son equivalentes:

x+y+z = 0 x = 0
y+z = 0 y+z = 0
1.2.2 Metodo de triangulacion

Algunos sistemas de ecuaciones lineales son muy faciles de resolver:
Ejemplo. Consideremos el siguiente sistema lineal homogeneo en R3 :

2x1 + 3x2 x3 = 0
x2 + x3 = 0

5x3 = 0
Este sistema tiene como unica solucion a (0, 0, 0): De la tercera ecuacion, resulta que x3 = 0.
Teniendo en cuenta que x3 = 0, de la segunda ecuacion se deduce que x2 = 0. Finalmente,
reemplazando x2 = x3 = 0 en la primera ecuacion, se obtiene que x1 = 0.
Analogamente, sera mas facil obtener las soluciones de cualquier sistema lineal que se
encuentre en esta forma triangular, es decir, de la forma

a11 x1 + a12 x2 + + a1n xn + + a1m xm = 0

a22 x2 + + a2n xn + + a2m xm = 0
..

.

ann xn + + anm xm = 0
La idea de lo que sigue es ver como puede obtenerse, dado un sistema lineal arbitrario, un
sistema de este tipo equivalente al dado.
La siguiente proposicion caracteriza ciertas operaciones que producen sistemas equiva-
lentes. En estas operaciones se basa el metodo de eliminacion de Gauss (o metodo de trian-
gulacion) que utilizaremos para resolver sistemas lineales.
Proposicion 1.19 Dado un sistema lineal homogeneo de ecuaciones, los siguientes cambios
en las ecuaciones dan lugar a sistemas equivalentes:
1. Intercambiar dos ecuaciones de lugar.

2. Multiplicar una ecuacion por una constante no nula.
3. Reemplazar una ecuacion por ella misma mas un multiplo de otra.
Demostracion.
1. Si vemos al conjunto de soluciones del sistema como la interseccion de los conjuntos de

soluciones de cada una de las ecuaciones que lo integran, intercambiar dos ecuaciones
corresponde a intercambiar dos conjuntos en la interseccion. Como la interseccion es
conmutativa, el conjunto que resulta es el mismo.
2. Sea x = (x1 , . . . , xm ) K m una solucion de

a11 x1 + a12 x2 + + a1m xm = 0

..

.
() ai1 x1 + ai2 x2 + + aim xm = 0

..

.

an1 x1 + an2 x2 + + anm xm = 0
Al multiplicar la i-esima ecuacion por K, 6= 0, resulta el sistema

a11 x1 + a12 x2 + + a1m xm = 0

..

.
() ai1 x1 + ai2 x2 + + aim xm = 0

..

.

an1 x1 + an2 x2 + + anm xm = 0
Es claro que x es solucion de todas las ecuaciones que no fueron modificadas. Ademas
ai1 x1 + ai2 x2 + + aim xm = (ai1 x1 + ai2 x2 + + aim xm ) = . 0 = 0.
Luego, x es solucion de ().

Recprocamente, multiplicando la i-esima ecuacion de () por 1 se obtiene (), de
donde, con el mismo razonamiento que antes, se deduce que si x es solucion de ()
tambien lo es de ().
3. Se demuestra en forma analoga.
Observacion 1.20 Si A es la matriz asociada a un sistema lineal homogeneo H, efectuar las

operaciones de la proposicion anterior sobre las ecuaciones de H equivale a hacerlo sobre las
filas de A.
Como consecuencia de esta observacion, para resolver un sistema lineal trabajaremos con
la matriz asociada al sistema, en lugar de hacerlo con las ecuaciones. Al aplicar en las matrices
las operaciones dadas en la Proposicion 1.19 estaremos obteniendo matrices cuyos sistemas
lineales asociados son equivalentes al original.
El siguiente teorema nos asegura que, por medio de las operaciones permitidas siempre
puede obtenerse un sistema triangular equivalente al dado. Mas aun, de la demostracion se
desprende un algoritmo para realizar esta tarea.
Teorema 1.21 Sea H un sistema lineal homogeneo de n ecuaciones con m incognitas. En-
tonces, aplicando los cambios descriptos en la Proposicion 1.19, puede obtenerse un sistema
lineal homogeneo H 0 cuya matriz B es triangular superior, es decir, tal que Bij = 0 si i > j.
Demostracion. Procedemos por induccion en n, la cantidad de ecuaciones del sistema.

Si n = 1 no hay nada que probar.
Supongamos que vale para n y consideremos un sistema lineal de n + 1 ecuaciones

a11 x1 + + a1m xm = 0

..
.

a x + + anm xm = 0

n1 1
an+1 1 x1 + + an+1m xm = 0
Si m = 1, es claro que el resultado vale. Supongamos m > 1.

Primer caso: Si ai1 = 0 para cada 1 i n + 1. Entonces la matriz del sistema es de la
forma
0 a12 a1m 0 c
.. .. ..
. . . =
0 an+1 2 an+1 m 0 M
donde 0 denota una columna de ceros y c K 1(m1) , M K n(m1) .

Segundo caso: Existe j, 1 j n + 1, con a1j 6= 0. Eventualmente intercambiando las

ecuaciones 1 y j, podemos suponer que a11 6= 0. Multiplicando la primera ecuacion por a111 y
aplicando operaciones de tipo 3. en las otras resulta
a12 a1m
1 a11 a11
a21 a22 a2m 1 c
Fi ai1 F1
.. .. ..
. . .
0 M
an+1 1 an+1 2 an+1 m
con c K 1(m1) y M K n(m1) .

Entonces, en cualquier caso, aplicando las operaciones descriptas en la Proposicion 1.19
al sistema dado, puede obtenerse un sistema cuya matriz asociada es de la forma

a c
A= con M K n(m1) y a = 1 o a = 0.
0 M
Sea HM el sistema cuya matriz asociada es M . Por hipotesis inductiva, aplicando operacio-
nes permitidas puede obtenerse un sistema equivalente a HM cuya matriz M 0 es triangular
superior. Aplicando esas mismas operaciones en la matriz A se obtiene

a c
B= con a = 1 o a = 0,
0
0 M
que es triangular superior.
Ejemplo. Resolver el siguiente sistema lineal homogeneo en R4 :

(
2x2 x3 + x4 = 0
3x1 + x2 + 10x3 + 5x4 = 0
x1 + 3x3 + x4 = 0
La matriz asociada al sistema de ecuaciones es

0 2 1 1
A= 3 1 10 5 .
1 0 3 1
El primer paso del metodo de Gauss consiste en colocar en el lugar A11 un elemento no nulo.
Para eso permutamos las filas 1 y 3 de la matriz (podra usarse tambien la fila 2). Se obtiene

1 0 3 1
3 1 10 5 .
0 2 1 1
A continuacion debemos realizar operaciones de fila de manera de conseguir que los restantes
elementos de la primera columna de la matriz sean ceros. Si Fi denota la i-esima fila de la
matriz, haciendo F2 3F1 resulta

1 0 3 1
0 1 1 2 .
0 2 1 1
Pasamos ahora a la segunda columna de la matriz. El elemento ubicado en la fila 2 columna
2 de la matriz es un 1, con lo que solo resta conseguir un 0 en la fila 3 columna 2. Para eso
efectuamos F3 2F2 :
1 0 3 1
0 1 1 2 .
0 0 3 3
Esta matriz se encuentra en forma triangular. El sistema asociado
(
x1 + 3x3 + x4 = 0
x2 + x3 + 2x4 = 0
3x3 3x4 = 0
es equivalente al original.
De la tercera ecuacion deducimos que si X = (x1 , x2 , x3 , x4 ) es solucion del sistema,
entonces x3 = x4 . Reemplazando en la segunda ecuacion y despejando x2 se obtiene x2 =
x4 . Finalmente, de la primera ecuacion se deduce que x1 = 2x4 . Ademas es claro que
cualquier X que cumple estas condiciones es solucion de la ecuacion.
En consecuencia, las soluciones del sistema son todos los vectores en R4 de la forma
X = (2x4 , x4 , x4 , x4 ) = x4 (2, 1, 1, 1), es decir, el conjunto de las soluciones del sistema
es el subespacio
S = < (2, 1, 1, 1) >.
1.2.3 Cantidad de soluciones de un sistema homogeneo

Una consecuencia inmediata del Teorema 1.21 es la siguiente:
Observacion 1.22 Sea H un sistema lineal homogeneo de n ecuaciones con m incognitas.

Supongamos que n > m. Entonces, por el teorema anterior, el sistema es equivalente a uno
cuya matriz es triangular superior. Luego, las ultimas filas de su matriz asociada son nulas
y en consecuencia vemos que existe un sistema H 0 de n ecuaciones con n incognitas cuyo
conjunto de soluciones coincide con el de H (basta considerar las n primeras ecuaciones del
sistema obtenido).
Si H es un sistema lineal homogeneo con m incognitas, es claro que 0 K m es una solucion

de H. Esta se llama la solucion trivial del sistema. En muchos casos nos interesara saber si el
sistema tiene alguna solucion distinta de 0 (a las que llamaremos soluciones no triviales). El
siguiente resultado nos dice que en el caso de un sistema con menos ecuaciones que incognitas
esto siempre sucede.
Teorema 1.23 Sea H un sistema lineal homogeneo de n ecuaciones con m incognitas. Su-
pongamos que n < m. Entonces existe x K m , x 6= 0, que es solucion del sistema H.
Demostracion. Por induccion en la cantidad n de ecuaciones de H.

Si n = 1, m 2: Entonces H : a11 x1 + a12 x2 + a1m xm = 0. Si a11 = 0, entonces
(1, 0, . . . , 0) es solucion del sistema y si a11 6= 0, entonces ( a
a11 , 1, 0, . . . , 0) es solucion.
12
Supongamos que el resultado vale para sistemas con n ecuaciones y sea H un sistema de
n + 1 ecuaciones con m incognitas, n + 1 < m.
Triangulando la matriz del sistema, resulta que es equivalente a una de la forma

a11 a12 a1m
,
0 B
donde B K n(m1) , y m 1 > n.

Por lo tanto, el sistema cuya matriz asociada es B esta en las condiciones de la hipotesis
inductiva. Luego, existe (x1 , . . . , xm1 ) 6= 0 que es solucion del sistema asociado a B.
Si a11 = 0, entonces (1, 0, . . . , 0) es solucion del sistema original.

P
m
1
Si a11 6= 0, entonces a11 . a1i xi1 , x1 , . . . , xm1 es una solucion no nula del
i=2
sistema.
El siguiente teorema se refiere a la existencia de soluciones no triviales para sistemas ho-

mogeneos con igual cantidad de ecuaciones que incognitas. Teniendo en cuenta la observacion
hecha la comienzo de esta seccion, esto resuelve el problema en el caso general.
Teorema 1.24 Sea H un sistema lineal homogeneo de n ecuaciones y n incognitas. Sea H 0

un sistema equivalente a H cuya matriz B es triangular superior. Entonces H tiene solucion
unica si y solo si Bii 6= 0 1 i n.
Demostracion.

B11 B1n
.. .. con B 6= 0 1 i n.
() Supongamos que B = 0 . . ii
0 Bnn
Entonces, la ultima ecuacion del sistema H 0 es Bnn xn = 0 y, como Bnn 6= 0, resulta
que xn = 0. Reemplazando en la ecuacion anterior xn por 0, queda Bn1 n1 xn1 = 0,
de donde xn1 = 0.
Siguiendo de este modo, para cada k = n 2, . . . , 1 de la k-esima ecuacion se obtiene
xk = 0.
() Supongamos que B11 6= 0, . . . , Bii 6= 0 y Bi+1 i+1 = 0, o sea

B11 B1n
.. ..
0 . .

.. . .. B
. Bi i+1 Bin
ii
0 0 0

. .. ..
.. . . M
0 0 0

Es claro que (1, 0, . . . , 0) es solucion del sistema cuya matriz asociada es 0 M ,o
sea xi+1 = 1, . . . , xn = 0.
Bi i+1
De la i-esima ecuacion se despeja xi = Bii .
Se sigue as para calcular los valores de todas las variables. Se obtiene una solucion de
H 0 de la forma (x1 , . . . , xi , 1, 0, . . . , 0), que es una solucion no nula del sistema.
Ejemplo. Hallar
todos los valores de k R para los cuales el sistema homogeneo cuya matriz
1 2 k1
asociada es 2 k + 1 1 tiene solucion unica.
k+1 4 1
En primer termino aplicamos el metodo de eliminacion de Gauss para obtener un sistema

triangular equivalente al dado:

1 2 k1 F2 2F1 1 2 k1
2 k + 1 1 0 k 3 2k + 3
k+1 4 1 F3 (k + 1)F1 0 2k 6 k 2 + 2

1 2 k1
F3 2F2 0 k 3
2k + 3

0 0 k 2 + 4k 4
Por el teorema anterior, el sistema tiene solucion unica si y solo si k3 6= 0 y k 2 +4k4 6= 0,
es decir, para todo k R {3, 2}.
1.2.4 Sistemas lineales no homogeneos.

Para terminar, estudiaremos sistemas de ecuaciones lineales en el caso general, es decir, cuando
las ecuaciones que integran el sistema no estan necesariamente igualadas a 0.
Definicion 1.25 Un sistema de ecuaciones lineales

a11 x1 + a12 x2 + + a1m xm
= b1
H: ..
.

se dice no homogeneo si existe i, 1 i n, con bi 6= 0.

La matriz A = (aij ) se dice la matriz asociada al sistema.
Llamaremos sistema homogeneo asociado a H a

a11 x1 + a12 x2 + + a1m xm
= 0
..
.

an1 x1 + an2 x2 + + anm xm = 0
En el caso de un sistema lineal no homogeneo el conjunto de soluciones no es un subespacio

(es claro que 0 no es solucion). Sin embargo, el conjunto de soluciones de un sistema no ho-
mogeneo esta ntimamente relacionado con el subespacio de soluciones del sistema homogeneo
asociado.
Proposicion 1.26 Sea H un sistema lineal no homogeneo con soluciones. Sea S el conjunto
de soluciones del sistema homogeneo asociado a H y sea p una solucion particular de H.
Entonces, el conjunto M de soluciones de H es M = S + p = {s + p : s S}.
Demostracion. Sea H el sistema

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

() Sea z M . Se tiene que z = (z p) + p. Luego, para probar que z S + p, basta ver

que z p = (z1 p1 , . . . , zm pm ) S, es decir, que es solucion del sistema homogeneo
asociado a H.
Sea i, 1 i n. Entonces
ai1 (z1 p1 ) + + aim (zm pm ) = (ai1 z1 + + aim zm ) (ai1 p1 + + aim pm )

= bi bi = 0
puesto que z y p son ambas soluciones de H. Luego, z p S.
() Sea y S + p. Entonces y = s + p con s S.

Para cada 1 i n,
ai1 y1 + + aim ym = ai1 (s1 + p1 ) + + aim (sm + pm ) =

= (ai1 s1 + + aim sm ) + (ai1 p1 + + aim pm ) = 0 + bi = bi ,
puesto que p es solucion de H y s es solucion del sistema homogeneo asociado a H.

En consecuencia, y es solucion de H, es decir, y M .
Ejemplo. Resolver el siguiente sistema de ecuaciones lineales en R4 :

(
2x2 x3 + x4 = 0
3x1 + x2 + 10x3 + 5x4 = 3
x1 + 3x3 + x4 = 1
Por la proposicion anterior, para obtener todas las soluciones del sistema basta conocer
una solucion particular y el conjunto de soluciones del sistema homogeneo asociado.
Vemos que p = (1, 0, 0, 0) es una solucion particular del sistema.
Por otro lado, en un ejemplo anterior (pagina 16) hemos visto que el conjunto de soluciones
del sistema homogeneo asociado es S = < (2, 1, 1, 1) >.
En consecuencia, el conjunto de soluciones del sistema es < (2, 1, 1, 1) > + (1, 0, 0, 0).
Sin embargo, el resultado que relaciona las soluciones de un sistema no homogeneo con las
del homogeneo asociado es mas que nada teorico: dado un sistema de ecuaciones lineales no
homogeneo, es poco probable que conozcamos una solucion particular sin resolverlo. La reso-
lucion de un sistema lineal no homogeneo, al igual que en el caso homogeneo, puede realizarse
triangulando una matriz adecuada como mostramos en el siguiente ejemplo (comparar con el
ejemplo de la pagina 16).
Ejemplo. Resolver el siguiente sistema lineal no homogeneo en R4 :

(
2x2 x3 + x4 = 2
3x1 + x2 + 10x3 + 5x4 = 1
x1 + 3x3 + x4 = 2
Consideraremos la siguiente matriz formada por la matriz del sistema homogeneo asociado
al sistema a la que le agregamos como ultima columna los escalares solucion de cada ecuacion
(lo separamos con una lnea para recordar que esos escalares son los que aparecen del otro
lado de los iguales):
0 2 1 1 2
(A | b) = 3 1 10 5 1 .
1 0 3 1 2
El metodo de resolucion es similar al de los sistemas homogeneos. Utilizamos el metodo

de Gauss para triangular la matriz que esta a la izquierda de la lnea pero realizando las
operaciones en toda la fila, inclusive en los elementos a la derecha de la lnea: el metodo de
Gauss se basa en intercambiar y operar con ecuaciones, as que para no cambiar las soluciones
debemos trabajar con ambos miembros de las ecuaciones (en el caso homogeneo, esto no era
necesario porque siempre los segundos miembros daban cero). Entonces, triangulando con las
mismas operaciones que en el ejemplo de la pagina 16, obtenemos

0 2 1 1 2 1 0 3 1 2 1 0 3 1 2
3 1 10 5 1 3 1 10 5 1 0 1 1 2 7
1 0 3 1 2 0 2 1 1 2 0 2 1 1 2

1 0 3 1 2 1 0 3 1 2
0 1 1 2 7 0 1 1 2 7 .
0 0 3 3 12 0 0 1 1 4
Esta matriz se encuentra en forma triangular y su sistema no homogeneo asociado
(
x1 + 3x3 + x4 = 2
x2 + x3 + 2x4 = 7
x3 + x4 = 4
es equivalente al original.
De la tercera ecuacion deducimos que si X = (x1 , x2 , x3 , x4 ) es solucion del sistema,
entonces x3 = 4 x4 . Reemplazando en la segunda ecuacion y despejando x2 se obtiene
x2 = 3 x4 . Finalmente, de la primera ecuacion se deduce que x1 = 14 + 2x4 . Ademas
es claro que cualquier X que cumple estas condiciones es solucion del sistema. Luego, las
soluciones del sistema son todos los vectores en R4 de la forma
X = (2x4 14, x4 + 3, x4 + 4, x4 ) = x4 (2, 1, 1, 1) + (14, 3, 4, 0),
es decir, el conjunto de las soluciones del sistema es el subespacio S = < (2, 1, 1, 1) >
(solucion del sistema homogeneo asociado) mas la solucion particular (14, 3, 4, 0).
Este procedimiento para resolver sistemas lineales no homogeneos motiva la siguiente

definicion:
Definicion 1.27 Dado un sistema de ecuaciones lineales no homogeneo

a11 x1 + a12 x2 + + a1m xm = b1

H: .. ,
.

se llama matriz ampliada asociada al sistema H a la matriz

a11 a12 a1m b1
.. .. .. .. .
. . . .
an1 an2 anm bn
A diferencia de los sistemas homogeneos, los sistemas no homogeneos pueden no tener

soluciones. El metodo descripto, que triangula la matriz ampliada asociada al sistema, nos
muestra que en estos casos no hay solucion particular posible:
Ejemplo. Resolver el siguiente sistema lineal no homogeneo en R4 :

(
x1 + 2x2 + x3 x4 = 2
3x1 + x2 x3 x4 = 7
5x1 3x3 x4 = 5
1.3 Independencia lineal y bases 23
Triangulando la matriz ampliada asociada al sistema, tenemos

1 2 1 1 2 1 2 1 1 2
3 1 1 1 7 0 5 4 2 1
5 0 3 1 5 5 0 3 1 5

1 2 1 1 2 1 2 1 1 2
0 5 4 2 1 0 5 4 2 1 .
0 10 8 4 5 0 0 0 0 7
Esto significa que una solucion X = (x1 , x2 , x3 , x4 ) del sistema debe satisfacer la ultima
ecuacion, es decir 0.x1 + 0.x2 + 0.x3 + 0.x4 = 7, lo que es un absurdo. Por lo tanto el sistema
en cuestion no tiene soluciones.
1.3 Independencia lineal y bases

En la Seccion 1.1.4 introdujimos la nocion de sistema de generadores de un K-espacio vectorial
V . Un espacio vectorial puede tener distintos sistemas de generadores y ademas dos sistemas
de generadores de un mismo espacio vectorial pueden tener distinta cantidad de elementos.
En esta seccion veremos que para cualquier sistema de generadores G de un K-espacio
vectorial V que cumpla cierta propiedad adicional, que llamaremos independencia lineal, la
cantidad de elementos de G estara fija. Esto nos llevara a definir la nocion de dimension de
un espacio vectorial.
1.3.1 Independencia lineal

Una cuestion que surge al considerar un sistema de generadores de un K-espacio vectorial
V es la de hallar sistemas de generadores que sean minimales respecto de la inclusion, es
decir, tal que ningun subconjunto propio sea tambien un sistema de generadores de V . Los
siguientes resultados caracterizan a los conjuntos con esta propiedad.
Proposicion 1.28 Sean V un K-espacio vectorial, S un subespacio de V y {v1 , . . . , vn } V .

Entonces < v1 , . . . , vn > S vi S 1 i n.
Demostracion.
() Para cada 1 i n,
vi = 0.v1 + + 0.vi1 + 1.vi + 0.vi+1 + + 0.vn < v1 , . . . , vn > S,
de donde vi S.
P
n
() Como v1 , . . . , vn S y S es un subespacio, entonces i vi S i K. Luego,
i=1
< v1 , . . . , vn > S.
Corolario 1.29 Sea V un K-espacio vectorial, y sea {v1 , . . . , vn , vn+1 } V . Entonces

< v1 , . . . , vn , vn+1 > = < v1 , . . . , vn > vn+1 < v1 , . . . , vn >.
Demostracion.
() Se tiene < v1 , . . . , vn , vn+1 > < v1 , . . . , vn >. Entonces, por la proposicion anterior,
vn+1 < v1 , . . . , vn >.
() Por hipotesis, vn+1 < v1 , . . . , vn >. Ademas vi < v1 , . . . , vn > 1 i n. En-

tonces, < v1 , . . . , vn , vn+1 > < v1 , . . . , vn >.
Por otro lado, vi < v1 , . . . , vn+1 > 1 i n, y entonces vale
< v1 , . . . , vn , vn+1 > < v1 , . . . , vn >.
Luego < v1 , . . . , vn , vn+1 > = < v1 , . . . , vn >.
Introducimos ahora la nocion de independencia lineal.
Definicion 1.30 Sea V un K-espacio vectorial y sea {v }I una familia de vectores de V .

Se dice que {v }I es linealmente independiente (l.i.) si
X
a .v = 0 a = 0 I.
I
Si {v }I no es linealmente independiente, se dice que es linealmente dependiente (l.d.).
Aunque, a diferencia de un conjunto, una familia puede contener elementos repetidos, en

lo que sigue hablaremos indistintamente de familias o conjuntos de vectores, entendiendo que
pueden ocurrir repeticiones.
La nocion de independencial lineal esta ntimamente relacionada con la minimalidad de

un sistema de generadores. Mas precisamente:
Observacion 1.31 Sea V un K-espacio vectorial y sean v1 , . . . , vn V . Entonces el conjunto

{v1 , . . . , vn } es linealmente independiente si y solo si
< v1 , . . . , vn > 6= < v1 , . . . , vbi , . . . , vn > 1 i n.
(Notacion: < v1 , . . . , vbi , . . . , vn > denota el subespacio generado por {v1 , . . . , vn } {vi }.)
Demostracion.
() Supongamos que < v1 , . . . , vbi , . . . , vn > = < v1 , . . . , vn >. En particular
vi < v1 , . . . , vbi , . . . , vn >,

P
n
es decir, existen j K (j 6= i) tales que vi = j vj . Entonces
j=1
j6=i
i1
X n
X
0= j vj + (1)vi + j vj ,
j=1 j=i+1
de donde {v1 , . . . , vn } no es linealmente independiente.
() Si {v1 , . . . , vn } es linealmente dependiente, existen 1 , . . . , n K no todos nulos, tales

P
n
que i vi = 0. Sin perdida de generalidad, supongamos que n 6= 0. Entonces
i=1
n1
X i
vn = .vi < v1 , . . . , vn1 >.
i=1
n
Luego, < v1 , . . . , vn > = < v1 , . . . , vn1 >.
Ejemplos. Decidir si los siguientes conjuntos son linealmente independientes.
1. En R3 , {(1, 0, 1), (1, 1, 0), (0, 0, 1)}.

Sean 1 , 2 , 3 R tales que
1 (1, 0, 1) + 2 (1, 1, 0) + 3 (0, 0, 1) = (0, 0, 0).
Comparando coordenada a coordenada resulta que 1 , 2 , 3 son solucion del sistema

de ecuaciones
1 + 2 = 0
2 = 0

1 + 3 = 0
Es facil ver que este sistema tiene como unica solucion a la trivial.
Luego, el conjunto {(1, 0, 1), (1, 1, 0), (0, 0, 1)} es linealmente independiente.
2. En R[X], {X i : i N0 }.
P
Sean i R (i N0 ) tales que i = 0 para casi todo i N0 y i X i = 0.
iN0
P
Para que el elemento i X i de R[X] sea el polinomio nulo, todos sus coeficientes
iN0
deben ser 0. Luego, i = 0 para todo i N0 , de donde el conjunto {X i : i N0 } es
linealmente independiente.
La siguiente proposicion nos permitira obtener otro metodo para decidir si un conjunto
de vectores en K n es linealmente independiente.
Proposicion 1.32 Sea V un K-espacio vectorial. Entonces:

1. {v1 , . . . , vi , . . . , vj , . . . , vn } V es l.i. {v1 , . . . , vj , . . . , vi , . . . , vn } V es l.i.
2. {v1 , . . . , vi , . . . , vn } V es l.i. {v1 , . . . , vi , . . . , vn } V es l.i. para K {0}.
3. {v1 , . . . , vi , . . . , vj , . . . , vn } V es l.i. {v1 , . . . , vi + vj , . . . , vj , . . . , vn } V es

l.i. para K.
Demostracion.
1. Se deduce del hecho que en un conjunto no interesa el orden de sus elementos.
2. Supongamos que {v1 , . . . , vi , . . . , vn } es linealmente independiente.

Sean 1 , . . . , n K tales que 1 v1 + + i (vi ) + + n vn = 0. Entonces se tiene
que j = 0 para cada j 6= i y que i . = 0. Puesto que 6= 0, resulta que tambien
i = 0.
Luego, el conjunto {v1 , . . . , vi , . . . , vn } es linealmente independiente.
Esto prueba la equivalencia, puesto que para demostrar la otra implicacion basta mul-
tiplicar el i-esimo vector del conjunto por 1 .
3. Supongamos que {v1 , . . . , vi , . . . , vj , . . . , vn } es linealmente independiente.

Sean 1 , . . . , n K tales que
0 = 1 v1 + + i (vi + vj ) + + j vj + + n vn
= 1 v1 + + i vi + + (i + j )vj + + n vn .
La independencia lineal de {v1 , . . . , vi , . . . , vj , . . . , vn } implica que
1 = . . . = i = . . . = i + j = . . . = n = 0,
de donde k = 0 para todo 1 k n.

En consecuencia, el conjunto {v1 , . . . , vi + vj , . . . , vj , . . . , vn } es linealmente independi-
ente.
La otra implicacion se deduce de esta observando que el conjunto {v1 , . . . , vn } se obtiene
de {v1 , . . . , vi + vj , . . . , vj , . . . , vn } cambiando el i-esimo vector vi + vj por (vi + vj ) +
()vj = vi .
Como consecuencia de la proposicion anterior, para decidir si un subconjunto de vectores

{v1 , . . . , vr } de K n es linealmente independiente podemos proceder como sigue:
Considerar la matriz A cuyas filas son los vectores v1 , . . . , vr .
Triangular la matriz A.
Si la matriz obtenida tiene alguna fila nula, el conjunto es linealmente dependiente. De

lo contrario, es linealmente independiente.
En efecto, en cada paso de la triangulacion, lo que se hace es cambiar el conjunto de
vectores por otro conjunto como en 1., 2. o 3. de la proposicion anterior. Luego, el
nuevo conjunto de vectores sera l.i. si y solo si el anterior era l.i. Si alguna fila de la
matriz obtenida es nula, es decir, uno de los vectores del conjunto de vectores obtenido
es el 0, es claro que el conjunto es l.d. Por otro lado, si ninguna fila de la matriz
triangular superior es nula, es facil ver que el conjunto de vectores obtenido es l.i.
1.3.2 Bases y dimension

Introducimos ahora el concepto de base de un espacio vectorial.
Definicion 1.33 Sea V un K-espacio vectorial. Una familia {v }I se llama una base del
espacio vectorial V si {v }I es una familia linealmente independiente de V que satisface
< v >I = V .
Ejemplos.
1. En K n , B = {e1 , . . . , en }, donde (ei )i = 1 y (ei )j = 0 si j 6= i, es una base, llamada la

base canonica de K n .
2. En K nm , B = {E ij / 1 i n, 1 j m} es una base.
3. En K[X], B = {X i / i N0 } es una base.
Dos sistemas de generadores cualesquiera de un K-espacio vectorial V pueden tener dis-

tinta cantidad de elementos. Esto no sucede en el caso de dos bases y lo demostraremos para
espacios vectoriales finitamente generados, lo que nos permitira definir la dimension de un
espacio vectorial finitamente generado como la cantidad de elementos de una base cualquiera.
Teorema 1.34 Sea V un K-espacio vectorial. Supongamos que < v1 , . . . , vr > = V y que
{w1 , . . . , ws } V es una familia linealmente independiente. Entonces s r.
Demostracion. Como V = < v1 , . . . , vr >, para cada 1 i s, existen ij K (1 j r)

P
r
tales que wi = ij vj . Consideremos el siguiente sistema de r ecuaciones y s incognitas:
j=1
s
X
hj xh = 0 1 j r. (1.1)
h=1
Sea (1 , . . . , s ) una solucion del sistema. Entonces

s
X s
X X
r s X
X r
h wh = h hj vj = h hj vj =
h=1 h=1 j=1 h=1 j=1
r X
X s Xr X
s
= h hj vj = h hj vj = 0.
j=1 h=1 j=1 h=1
Dado que {w1 , . . . , ws } es linealmente independiente, debe ser (1 , . . . , s ) = 0.

En consecuencia, el sistema (1.1) tiene solucion unica, de donde se deduce que la cantidad
de ecuaciones del sistema es mayor o igual que el numero de variables, es decir r s.
Corolario 1.35 Sea V un K-espacio vectorial, y sean B1 y B2 dos bases de V . Si B1 =

{w1 , . . . , wn } y B2 = {v1 , . . . , vm }, entonces n = m.
Demostracion. Por el teorema anterior
B1 sistema de generadores de V y B2 conjunto linealmente independiente = n m.

B2 sistema de generadores de V y B1 conjunto linealmente independiente = m n.
Luego, n = m.
Definicion 1.36 Sea V un K-espacio vectorial y sea B = {v1 , . . . , vn } una base de V . Di-
remos entonces que n es la dimension de V (como espacio vectorial sobre K). En este caso,
diremos que V es un K-espacio vectorial de dimension finita, para distinguirlo de los espacios
vectoriales que no admiten una base con finitos elementos. Por convencion, la dimension de
{0} es 0.
Notacion. Si n es la dimension del K-espacio vectorial V , escribimos n = dimK V , o simple-

mente dim V si el cuerpo K queda claro por el contexto.
Una propiedad de las bases es que cualquier vector del espacio vectorial considerado se
puede expresar como combinacion lineal de los elementos de la base de manera unica. Como
veremos mas adelante, aplicando esta propiedad se trabajara en un K-espacio vectorial de
dimension n arbitrario como si fuese K n .
Proposicion 1.37 Sea V un K-espacio vectorial de dimension finita. Sea {v1 , . . . , vn } una
P
n
base de V . Entonces para cada x V existen unicos 1 , . . . , n K tales que x = i vi .
i=1
Demostracion. La existencia se deduce de que, por ser una base de V , {v1 , . . . , vn } es un

sistema de generadores de V .
Pn P
n P
n
Supongamos que i vi = i vi , entonces (i i )vi = 0. Como {v1 , . . . , vn } es un
i=1 i=1 i=1
conjunto linealmente independiente, i i = 0 1 i n. Luego, i = i 1 i n, lo
que prueba la unicidad.
La siguiente proposicion muestra como hallar una base de un K-espacio vectorial de di-
mension finita V a partir de cualquier sistema de generadores finito de V y como completar
un subconjunto linealmente independiente arbitrario de V a una base.
Proposicion 1.38 Sea V un K-espacio vectorial de dimension finita.
i) Sea {v1 , . . . , vs } un sistema de generadores de V . Entonces existe un subconjunto G

{v1 , . . . , vs } que es una base de V .
ii) Sea {w1 , . . . , wr } un conjunto linealmente independiente de V . Entonces existen ele-

mentos wr+1 , . . . , wn V tales que {w1 , . . . , wr , wr+1 , . . . , wn } es una base de V .
Demostracion.
i) Si {v1 , . . . , vs } es linealmente independiente, entonces es una base de V .

Si no es linealmente independiente, alguno de los vectores del conjunto es combinacion
lineal de los otros. Supongamos que vs < v1 , . . . , vs1 >. Consideramos ahora
{v1 , . . . , vs1 }, que es un sistema de generadores de V , y procedemos inductivamente.
ii) Sea B = {z1 , . . . , zn } una base de V .

Sea G0 = < w1 , . . . , wr >. Consideramos

{w1 , . . . , wr , z1 } si z1
/ < G0 >
G1 :=
{w1 , . . . , wr } si z1 < G0 >.
Se procede inductivamente para 2 i n, es decir,

Gi1 {zi } si zi / < Gi1 >
Gi :=
Gi1 si zi < Gi1 >.
Observar que {w1 , . . . , wr } Gi 1 i n.

Ademas, para cada 1 i n, < z1 , . . . , zi > < Gi >, y Gi es un conjunto linealmente
independiente. En particular, V = < z1 , . . . , zn > < Gn > y Gn es linealmente
independiente. Luego, Gn es una base de V .
Ejemplos.
1. Extraer una base de S = < (1, 1, 7, 3), (2, 1, 1, 0), (3, 1, 1, 1) > del sistema de genera-
dores dado.
Observamos que el sistema de generadores dado es linealmente dependiente. En efecto,

1 1 7 3 F2 2F1 1 1 7 3
2 1 1 0 0 3 15 6
3 1 1 1 F3 3F1 0 4 20 8

1 1 7 3
0 3 15 6 .
F3 34 F2 0 0 0 0
Como por la triangulacion anterior se ve simultaneamente que {(1, 1, 7, 3), (2, 1, 1, 0)}
es un conjunto l.i. y que {(1, 1, 7, 3), (2, 1, 1, 0), (3, 1, 1, 1)} es un conjunto l.d, resulta
que (3, 1, 1, 1) < (1, 1, 7, 3), (2, 1, 1, 0) >.
Luego, {(1, 1, 7, 3), (2, 1, 1, 0)} es un sistema de generadores de S. Como ademas es
linealmente independiente, es una base de S.
2. Extender el conjunto linealmente independiente {(1, 1, 0, 0), (1, 1, 1, 0)} a una base de
R4 .
Consideremos la base canonica de R4 ,
E = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}.
Con la notacion utilizada en la demostracion de la proposicion anterior:
Se tiene G1 := {(1, 1, 0, 0), (1, 1, 1, 0), (1, 0, 0, 0)}, que es linealmente independiente.
Ahora, (0, 1, 0, 0) < G1 >, puesto que (0, 1, 0, 0) = (1, 1, 0, 0) (1, 0, 0, 0) y entonces
G2 := G1 .
El conjunto G2 {(0, 0, 1, 0)} es linealmente independiente. Consideramos entonces
G3 := G2 {(0, 0, 1, 0)}. Este conjunto, formado por cuatro vectores linealmente in-
dependientes de R4 , debe poder extenderse a una base de R4 , que tendra 4 elementos
puesto que dim R4 = 4; luego, ya es una base de R4 .
Como consecuencia de la proposicion anterior, se obtienen los siguientes resultados sobre

subespacios de un K-espacio vectorial de dimension finita.
Observacion 1.39 Si V es un K-espacio vectorial de dimension finita y S V , entonces S

es de dimension finita.
(Notar que si S tuviese una base con infinitos elementos, podramos obtener dim V + 1
elementos l.i. en S y por lo tanto en V . Este conjunto podra extenderse a una base de V
con mas de dim V elementos, lo que es un absurdo.)
Proposicion 1.40 Sean S y T subespacios de un K-espacio vectorial V de dimension finita.

Entonces:
i) S T dim S dim T.
ii) S T y dim S = dim T S = T.
Demostracion.
i) Sea {s1 , . . . , sr } una base de S y sea n = dim T . Como S T , se tiene que {s1 , . . . , sr }
T , y ademas es un conjunto linealmente independiente. Luego, puede extenderse a una
base de T , y en consecuencia, dim S = r n = dim T .
ii) Siguiendo el razonamiento de la demostracion de i), al extender una base {s1 , . . . , sr }
de S a una de T , como dim S = dim T , no se agrega ningun vector. Luego S =
< s1 , . . . , sr > = T .
1.4 Suma de subespacios 31
Observar que el tem ii) de la proposicion anterior nos facilita la verificacion de la igualdad
entre dos subespacios.
Ejemplo. Sean S y T los subespacios de R3 : S = < (1, k 2 + 1, 2), (k + 1, 1 k, 2) > y

T = {x R3 : x1 + x2 + x3 = 0}. Hallar todos los valores de k R para los cuales S = T .
En primer lugar, veamos para que valores de k R se tiene que S T :
(1, k 2 + 1, 2) T 1 + (k 2 + 1) + 2 = 0 k = 2
(k + 1, 1 k, 2) T para todo k R.
Luego, S T si y solo si k = 2 o k = 2.
Finalmente, para cada uno de estos valores de k, basta ver si dim S = dim T . Observar
que dim T = 2 (una base de T es {(1, 1, 0), (1, 0, 1)}).
Si k = 2, S = < (1, 3, 2), (1, 3, 2) > = < (1, 3, 2) >, de donde dim S = 1.
Si k = 2, S = < (1, 3, 2), (3, 1, 2) > y, como {(1, 3, 2), (3, 1, 2)} es l.i. y por lo
tanto una base de S, se tiene que dim S = 2.
Concluimos que S = T si y solo si k = 2.
1.4 Suma de subespacios

Dados dos subespacios S y T de un K-espacio vectorial V la union S T en general no es
un subespacio de V , porque no contiene necesariamente a todos los elementos de la forma
s + t con s S y t T , y un subespacio que contenga a S y a T debe contener a todos estos
elementos. Esto da lugar a la nocion de suma de subespacios.
1.4.1 Subespacio suma

Definicion 1.41 Sea V un K-espacio vectorial, y sean S y T subespacios de V . Se llama
suma de S y T al conjunto S + T = {v V / x S, y T tales que v = x + y} =
{x + y / x S, y T }.
La siguiente proposicion muestra que la suma de dos subespacios es, en efecto, un subes-
pacio que contiene a ambos, y da una caracterizacion de este conjunto en terminos de sistemas
de generadores de los subespacios considerados.
Proposicion 1.42 Sea V un K-espacio vectorial, y sean S y T subespacios de V . Entonces:

i) S + T es un subespacio de V .
ii) S + T es el menor subespacio (con respecto a la inclusion) que contiene a S T .
iii) Si {vi }iI es un sistema de generadores de S y {wj }jJ es un sistema de generadores
de T , {vi }iI {wj }jJ es un sistema de generadores de S + T .
Demostracion.
i) 0 = 0 + 0 S + T , pues 0 S, 0 T .
Sean v, v 0 S + T . Existen x, x0 S, y, y 0 T tales que v = x + y, v 0 = x0 + y 0 .
Entonces v + v 0 = (x + y) + (x0 + y 0 ) = (x + x0 ) + (y + y 0 ), y como S y T son subespacios
x + x0 S, y + y 0 T . Luego, v + v 0 S + T .
Sea v S + T y sea K. Existen x S, y T tales que v = x + y. Entonces,
.v = .(x + y) = .x + .y. Como K, x S y S es un subespacio, resulta que
.x S. Analogamente, .y T . Luego .v S + T .
En consecuencia, S + T es un subespacio de V .
ii) Sea W un subespacio de V tal que S T W .

Sea v S + T . Entonces v = x + y con x S, y T . Como S S T W , entonces
x W ; y como T S T W , entonces y W . En consecuencia v = x + y W ,
puesto que W es un subespacio.
Luego, S + T W .
iii) Sea v S + T , v = x + y con x S, y T . Dado que {vi }iI es un sistema de

generadores
P de S, existen i K (i I), con i = 0 salvo para finitos i I, tales que
x= i vi . De la misma manera, existen j K (j J), con j = 0 salvo para finitos
iI P
j J, tales que y = j wj . Luego
jJ
X X
v= i vi + j wj
iI jJ
resulta una combinacion lineal de {vi }iI {wj }jJ S + T .
Ejemplo. Sean S y T los subespacios de R4
S = < (1, 1, 0, 1), (2, 3, 1, 1) > y T = < (0, 0, 1, 1), (1, 2, 2, 1) >.
Hallar una base de S + T .
Por la proposicion anterior, podemos obtener un sistema de generadores de S +T mediante

la union de un sistema de generadores de S y un sistema de generadores de T . Entonces
S + T = < (1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1), (1, 2, 2, 1) >.
Ahora extraemos una base del sistema de generadores hallado. Se tiene:

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

0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
1 2 2 1 0 1 2 0 0 0 1 1 0 0 0 0
Esta triangulacion muestra simultaneamente que el conjunto {(1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1),
(1, 2, 2, 1)} es l.d. y que el conjunto {(1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1)} es l.i. Por lo tanto,
(1, 2, 2, 1) < (1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1) > y {(1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1)} es una
base de S + T .
Si S y T son dos subespacios de dimension finita de un K-espacio vectorial V , el siguiente

teorema relaciona las dimensiones de los subespacios S, T , S T y S + T .
Teorema 1.43 (Teorema de la dimension para la suma de subespacios.) Sea V un

K-espacio vectorial. Sean S y T subespacios de V de dimension finita. Entonces
dim(S + T ) = dim S + dim T dim(S T ).
Demostracion. Sean s = dim S, t = dim T y r = dim(S T ).

Si s = 0, o sea S = {0}, se tiene que S + T = T y S T = {0} y la igualdad vale.
Analogamente se ve que vale si t = 0.
Sea {v1 , . . . , vr } una base de S T (si r = 0, consideramos simplemente el conjunto vaco).
Sean wr+1 , . . . , ws S tales que {v1 , . . . , vr , wr+1 , . . . , ws } es una base de S, y sean
ur+1 , . . . , ut T tales que {v1 , . . . , vr , ur+1 , . . . , ut } es una base de T .
Veamos que {v1 , . . . , vr , wr+1 , . . . , ws , ur+1 , . . . , ut } es una base de S + T :
Es claro que es un sistema de generadores de S +T . Veamos que es un conjunto linealmente
independiente. Supongamos que
r
X s
X t
X
i vi + j wj + k uk = 0.
i=1 j=r+1 k=r+1
P
r P
s P
t
Entonces i vi + j wj = k uk . Ademas,
i=1 j=r+1 k=r+1
r
X s
X t
X
i vi + j wj S y k uk T,
i=1 j=r+1 k=r+1
P
t
de donde k uk S T . Luego, existen 1 , . . . , r K tales que
k=r+1
t
X r
X t
X r
X
k uk = ` .v` o, equivalentemente, k uk + ` .v` = 0.
k=r+1 `=1 k=r+1 `=1
Pero {v1 , . . . , vr , ur+1 , . . . , ut } es una base de T , en particular, un conjunto linealmente inde-

pendiente. Luego, k = 0 r + 1 k t y ` = 0 1 ` r. Entonces
r
X s
X
i .vi + j .wj = 0,
i=1 j=r+1
y como {v1 , . . . , vr , wr+1 , . . . , ws } es una base de S, resulta que i = 0 para todo 1 i r y

j = 0 para todo r + 1 j s.
Luego
dim(S + T ) = r + (s r) + (t r) = s + t r = dim S + dim T dim(S T ).
1.4.2 Suma directa

Un caso de especial importancia de suma de subespacios se presenta cuando S T = {0}.
Definicion 1.44 Sea V un K-espacio vectorial, y sean S y T subespacios de V . Se dice que

V es suma directa de S y T , y se nota V = S T , si:
1. V = S + T ,
2. S T = {0}.
Ejemplo. Sean S = {x R3 : x1 + x2 + x3 = 0} y T = < (1, 1, 1) >. Se tiene que dim S = 2,

dim T = 1 y S T = {0}. Entonces dim(S + T ) = 3, de donde S + T = R3 .
Luego, R3 = S T .
Proposicion 1.45 Sea V un K-espacio vectorial. Sean S y T subespacios de V tales que

V = S T . Entonces, para cada v V , existen unicos x S e y T tales que v = x + y.
Demostracion.
Existencia: Como V = S + T , para cada v V existen x S, y T tales que v = x + y.
Unicidad: Supongamos que v = x + y y v = x0 + y 0 con x, x0 S, y, y 0 T . Entonces
x x0 = y y 0 y x x0 S, y y 0 T , luego x x0 S T = {0}. En consecuencia
x x0 = y y 0 = 0, de donde x = x0 , y = y 0 .
La Proposicion 1.42 establece que dados dos subespacios S y T de un espacio vectorial, la

union de un sistema de generadores de S y un sistema de generadores de T es un sistema de
generadores de S + T . Esto no vale en el caso de dos bases: la union de una base de S y una
de T puede ser un conjunto linealmente dependiente. Sin embargo, la propiedad es valida en
el caso en que los subespacios esten en suma directa:
Proposicion 1.46 Sea V un K-espacio vectorial. Sean S y T subespacios de V . Sean BS y

BT bases de S y T respectivamente. Son equivalentes:
i) V = S T
ii) B = BS BT es una base de V .
Observamos que en la condicion ii), B es la familia obtenida mediante la union de las familias
BS y BT .
Demostracion. Supongamos que BS = {vi }iI y BT = {wj }jJ .
i) ii) Dado que BS y BT son sistemas de generadores de S y T respectivamente, entonces

B = BS BT es un sistema de generadores de V = S T . Por otro lado, si
X X
i vi + j wj = 0,
iI jJ
| {z } | {z }
S T
como tambien
P Pse tiene 0 = 0 + 0 con 0 S y 0 T , por la proposicion anterior
iI i vi = jJ j wj = 0. La independencia lineal de BS y BT implica que i = 0
i I y j = 0 j J. Luego, B es linealmente independiente.
ii) i) Como B = BS BT es una base de V , para cada P v V P existen i K, i I,
y j K, j J, casi todos nulos, tales que v = i vi + jJ j wj y por lo tanto
P P iI
v = x + y con x = i vi S e y = jJ j wj T . Luego V = S + T .
iI
P P P P
Si v S T , se tiene que v = i vi = j wj , de donde i vi + (j )wj = 0,
iI jJ iI jJ
y por la independencia lineal de B, resulta que i = 0 i I y j = 0 j J, de
donde v = 0 y S T = {0}.
Definicion 1.47 Sea V un K-espacio vectorial y sea S V un subespacio de V . Diremos

que T es un complemento de S si S T = V .
Ejemplos.
1. Hallar un complemento de Rn [X] en R[X].

Buscamos un subespacio S de R[X] tal que R[X] = Rn [X] S, es decir, R[X] =
Rn [X] + S y R[X] = Rn [X] S = {0}.
Se tiene que Rn [X] = < 1, X, . . . , X n >.
Consideremos S = < X n+1 , . . . , X j , . . . > = < X i >in+1 .
Es claro que Rn [X] + S = R[X].
P
h
Si f Rn [X] S, entonces f = 0 o gr(f ) n, y ademas f = ai X i con ai R.
i=n+1
Luego, f = 0.
En consecuencia, R[X] = Rn [X] S.
2. Sea S = {f R[X] / f (1) = 0}. Hallar un complemento de S en R[X].
Vemos que S = < (X 1)X i >iN0 . Sea T = < 1 >.

Dado f R[X], f = f f (1) +f (1) y f f (1) S, f (1) T . Entonces, S +T = R[X].
Sea f S T . Como f S, se tiene que f = (X 1)g para algun g R[X] y como
f T , f = 0 o gr(f ) = 0. Luego f = 0.
Por lo tanto S T = R[X].
1.5 Ejercicios
Ejercicio 1.
i) Representar graficamente en el plano los siguientes vectores:

1
(1, 1) ; (2, 3) ; (1, 1) + (2, 3) ; 2 .(1, 1) + 32 .(2, 3)
1
ii) Sean v, w R2 . Interpretar geometricamente v , 3.v , 3 .v , v + w , v w.
2
iii) Sean v = (3, 1) , w = (2, 4) R . Representar graficamente los conjuntos:
S1 = {r.v / r R}
S2 = {r.v / r R1 }
S3 = {r.v + s.w / r, s R}
S4 = {r.v + s.w / r, s R , 0 r, s 1}
S5 = {r.v + s.w / r, s R , 0 r, s 1, r + s = 1}
Ejercicio 2. Probar en cada caso que el conjunto V con la suma y el producto por escalares
definidos es un espacio vectorial sobre K.
i) V = KN = {(ai )iN = (a1 , a2 , . . . , an , . . .)/ai K i N}, el conjunto de todas las

sucesiones de elementos de K (donde K es un cuerpo cualquiera).
+ : (ai )iN + (bi )iN = (ai + bi )iN
. : k.(ai )iN = (k.ai )iN
ii) X es un conjunto, V = P(X), K = Z2 .
+ : B + C = B4C
. : 0.B = , 1.B = B
iii) V = R>0 , K = Q.
: a b = a.b

: m
n a=
n
am
Ejercicio 3. Sea V un espacio vectorial sobre K, k K, v V . Probar las siguientes

afirmaciones:
i) k.~0 = ~0 iii) k.v = ~0 k = 0 o v = ~0
ii) (v) = v iv) ~0 = ~0
Ejercicio 4.
i) Sea v R2 un vector fijo. Se define la funcion fv : R2 R2 de la siguiente forma:

fv (x, y) = (x, y) + v
Interpretar geometricamente el efecto de fv sobre el plano (fv se llama la traslacion en
v).
1.5 Ejercicios 37
ii) Probar que R2 es un R-espacio vectorial con la suma +(2,1) y el producto por escalares
.(2,1) definidos de la siguiente forma:
(x, y) +(2,1) (x0 , y 0 ) = (x + x0 2, y + y 0 1)
r .(2,1) (x, y) = r.(x 2, y 1) + (2, 1)
(Este espacio se notara R2(2,1) para distinguirlo de R2 con la suma y el producto usual.
La notacion se basa en que el (2, 1) resulta el neutro de la suma +(2,1) ).
iii) Interpretar geometricamente +(2,1) y .(2,1) , teniendo en cuenta que:

(x, y) +(2,1) (x0 , y 0 ) = f(2,1) f(2,1) (x, y) + f(2,1) (x0 , y 0 )

r .(2,1) (x, y) = f(2,1) r.f(2,1) (x, y)
Ejercicio 5. Sea S = {f R[X] / f (1) = f (2)}.

i) Verificar que la suma usual de polinomios es una operacion en S (es decir: f, g S
f + g S)
ii) Verificar que el producto usual de un numero real por un polinomio es una accion de R
en S (es decir: r R, f S r.f S)
iii) Probar que (S, +, .) es un R-espacio vectorial. (Si se minimiza el trabajo solo debera
verificarse una propiedad para esto. Comparar i), ii) y iii) con el criterio para decidir si
un subconjunto es un subespacio.)
Ejercicio 6.
i) Encontrar un subconjunto no vaco de R2 que sea cerrado para la suma y para la resta
pero no para la multiplicacion por escalares.
ii) Encontrar un subconjunto no vaco de R2 que sea cerrado para la multiplicacion por
escalares pero no para la suma.
Ejercicio 7. Decidir cuales de los siguientes subconjuntos son subespacios de V como K-

espacio vectorial:
i) S1 = {a.i / a R} V =C K = R o K = C
0
ii) S2 = {f K[X] / f (1) = 0} V = K[X]
iii) S3 = {M K nn / Mij = Mji i, j } V = K nn
iv) S4 = {f C (R) / f 00 + 3f 0 = 0} V = C (R) K = R
v) S5 = {v R2(2,1) / x + y = 3} V = R2(2,1) K=R
vi) S6 = {(ai )iN K N / a1 = 0} V = KN

vii) S7 = {(ai )iN K N / k N tal que ar = 0 r k} V = KN
viii) S8 = {(ai )iN K N / a1 .a2 = 0} V = KN
Ejercicio 8. Sean S y T subespacios de un K-espacio vectorial V . Probar que S T es un

subespacio de V S T o T S.
Ejercicio 9. Encontrar un sistema de generadores para los siguientes K-espacios vectoriales:
i) S = {(x, y, z) R3 / x + y z = 0}, K = R
ii) Kn [X] = {f K[X] / f = 0 o gr(f ) n}
iii) Cnn , K = R
iv) P({a, b, c}), K = Z2
Ejercicio 10. Decidir cuales de las siguientes afirmaciones son verdaderas y cuales falsas.
i) Sea V un K-espacio vectorial y sean v , w V , k K.

Entonces < v , w > = < v , w + k.v >.
ii) Sean v1 , v2 , v3 , v4 , w R7 tales que < v1 , v2 , w > = < v3 , v4 , w >.

Entonces < v1 , v2 > = < v3 , v4 >.
Ejercicio 11. Resolver los siguientes sistemas de ecuaciones lineales (K = R).

x1 + x2 2x3 + x4 = 0 x1 + x2 2x3 + x4 = 2
i) 3x1 2x2 + x3 + 5x4 = 0 ii) 3x1 2x2 + x3 + 5x4 = 3

x1 x2 + x3 + 2x4 = 0 x1 x2 + x3 + 2x4 = 2

x1 + x2 + x3 2x4 + x5 = 1 x1 + x2 + x3 + x4 = 2
iii) x1 3x2 + x3 + x4 + x5 = 0 iv) x1 + 3x2 + 2x3 + 4x4 = 0

3x1 5x2 + 3x3 + 3x5 = 0 2x1 + x3 x4 = 6
Cambia algo si K = Q? Y si K = C?
Ejercicio 12.
i) Resolver los siguientes sistemas y comparar los conjuntos de soluciones (K = R).

x + 2y 3z = 4
a) {x + 2y 3z = 4 b)
x + 3y + z = 11
x + 2y 3z = 4
c) x + 3y + z = 11

2x + 5y 4z = 13
ii) Interpretar geometricamente los conjuntos de soluciones obtenidos.

1.5 Ejercicios 39
Ejercicio 13. Resolver los siguientes sistemas no homogeneos. Considerar en cada uno de
ellos el sistema homogeneo asociado (A.x = 0).

x1 x2 + x3 = 2 x1 x2 + x3 = 1
i) x1 + 2x2 + x3 = 1 ii) x1 + 2x2 + x3 = 1

x1 + 4x2 + 5x3 = 1 x1 + 4x2 + 5x3 = 4

x1 x2 x3 = 2 x1 x2 x3 =
iii) 2x1 + x2 2x3 = 1 iv) 2x1 + x2 2x3 =

x1 + 4x2 + x3 = 1 x1 + 4x2 + x3 = (, , R)
Ejercicio 14. Dado el sistema:

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

x1 + 3x2 + 2x3 = 3
Determinar los valores de 1 , 2 , 3 R para los cuales el sistema admite solucion.
Ejercicio 15. Resolver segun los valores de a y b en R

(5 a)x1 2x2 x3 = 1 ax + y + z = 1
i) 2x1 + (2 a)x2 2x3 = 2 ii) x + ay + z = a

x1 2x2 + (5 a)x3 = b x + y + az = a2
Ejercicio 16. Determinar todos los k R para que cada uno de los siguientes sistemas tenga
solucion unica.

x1 + kx2 + x3 = 0 x1 + (k 1)x2 = 0
i) 2x1 + x3 = 0 ii) x1 + (3k 4)x2 + kx3 = 0

2x1 + kx2 + kx3 = 0 x1 + (k 1)x2 + k2 x3 = 0
Ejercicio 17. Determinar los numeros reales k para los cuales el sistema

kx1 + x2 = 0

x1 + kx2 = 0
3

k x1 + x2 + k 3 x3 + kx4 = 0
2
x1 + k x2 + kx3 + kx4 = 0
tiene alguna solucion no trivial y, para esos k, resolverlo.
Ejercicio 18. Determinar para que valores de k R cada uno de los siguientes sistemas
tiene solucion unica, no tiene solucion o tiene infinitas soluciones.

kx1 + 2x2 + kx3 = 1
x1 + kx2 x3 = 1

kx 1 + (k + 4)x 2 + 3kx 3 = 2
i) x1 + x2 + k 2 x3 = 1 ii)

kx 1 2x 2 + x3 = 1
x1 + kx2 + (k 2)x3 = 2
(k + 2)x2 + (3k + 1)x3 = 1
Ejercicio 19.
i) Resolver el siguiente sistema en C2 :

(1 i)x1 ix2 = 0
2x1 + (1 i)x2 = 0
ii) Resolver en C3 el sistema A.x = 0 donde

i (1 + i) 0
A = 1 2 1
1 2i 1
Ejercicio 20. Resolver los siguientes sistemas:

x1 + 2x2 + 2x3 + x4 = 4
i) en Z5 : 2x1 + 3x3 + x4 = 2

4x2 + 2x3 + 4x4 = 1

x+z = 2
ii) en Z7 : 2y + z = 6

x + 3y = 0

x+y+z = 1
iii) en Z3 : 2x + y + 2z = 0

x+z = 2
Ejercicio 21. Encontrar un sistema a coeficientes reales cuya solucion general sea:
(1, 1, 0) + (1, 2, 1), R.
Ejercicio 22. Sean A K mn , b K m1 .
i) Si el sistema A.x = 0 tiene solucion unica, probar que el sistema A.x = b tiene a lo
sumo una solucion. Dar ejemplos de los distintos casos que se puedan presentar.
ii) Vale la recproca de i)?
Ejercicio 23. Encontrar un sistema de generadores para cada uno de los siguientes espacios
vectoriales sobre K:
i) S1 = {(x, y, z) R3 / x + y z = 0 ; x y = 0} , K = R
( (x + z = 0 )
ii) S2 = (x, y, z) (Z7 )3 / 2y + z = 0 , K = Z7
x + 3y = 0
1.5 Ejercicios 41
iii) S3 = {A Q33 / Aij = Aji i, j }, K = Q

iv) S4 = {f R4 [X] / f (1) = 0 y f (2) = f (3)} , K = R
v) S5 = {(an )nN RN / ai = 0 i 5 ; a1 + 2a2 a3 = 0 ; a2 + a4 = 0} , K = R
vi) S6 = {f C (R) / f 000 = 0} , K = R
Ejercicio 24. Sea V un R-espacio vectorial y sean v1 , v2 , v3 V . Probar que si

v1 + 3v2 v3 = 0 = 2v1 v2 v3 entonces < v1 , v2 , v3 > = < v3 >.
Ejercicio 25. Determinar si v S en cada uno de los siguientes casos:
i) v = (1, 2, 1), S = < (1, 3, 2) , (2, 0, 1) , (1, 1, 1) > R3

ii) v = (1, 0, 1, 3), S = < (1, 0, 1, 0) , (2, 1, 0, 1) , (0, 1, 0, 2) > R4
Ejercicio 26. Sea S = < (1, 1, 2, 1), (3, 1, 0, 1), (1, 1, 1, 1) > R4 .
i) Determinar si (2, 1, 3, 5) S.
ii) Determinar si {x R4 /x1 x2 x3 = 0} S.
iii) Determinar si S {x R4 /x1 x2 x3 = 0}.
Ejercicio 27. Hallar un sistema de generadores para S T como subespacio de V en cada

uno de los siguientes casos:
i) V = R3 , S = {(x, y, z)/3.x 2.y + z = 0} T = {(x, y, z)/x + z = 0}

ii) V = R3 , S = {(x, y, z)/3.x 2.y + z = 0} T = < (1, 1, 0), (5, 7, 3) >
iii) V = R3 , S = < (1, 1, 3), (1, 3, 5), (6, 12, 24) > T = < (1, 1, 0), (3, 2, 1) >
iv) V = R33 , S = {(xij ) / xij = xji i, j} T = {(xij ) / x11 + x12 + x13 = 0}
v) V = R[X], S = {f R[X] / f (1) = 0} T = < 1 , X, X 2 , X 3 + 2X 2 X, X 5 >
vi) V = R[X], S = {f R[X] / f (1) = 0} T = {f R[X] / f 0 (1) = f 00 (1) = 0}
Ejercicio 28. Decidir si las siguientes sucesiones de vectores son linealmente independientes
sobre K.
i) (1 X)3 , (1 X)2 , 1 X, 1 en K[X]

ii) (1, 2, 3) , (2, 3, 1) , (1, 1, 4) , (5, 1, 1) en R3
iii) (1, 4, 1, 3) , (2, 1, 3, 1) , (0, 2, 1, 5) en Q4
iv) (1 i, i) , (2, 1 + i) en C2 , para K = R y K = C

v) (3 + 2, 1 + 2) , (7, 1 + 2 2) en R2 , para K = Q y K = R
vi) f (x) = 1 , g(x) = x en RR
vii) f (x) = sen(x) , g(x) = cos(x) en RR
viii) f (x) = ex , g(x) = x en RR
ix) u = (1, 0, 1, 0, 1, . . .) , v = (0, 1, 0, 1, 0, . . .) , w = (1, 1, 0, 1, 1, 0, . . .) en RN
Ejercicio 29. Hallar todos los k R para los cuales {v1 , v2 , v3 } V es un conjunto
linealmente independiente en los siguientes casos:
i) {(1, 2, k) , (1, 1, 1) , (0, 1, 1 k)} R3

ii) {(k, 1, 0) , (3, 1, 2) , (k, 2, 2)} R3
iii) {k.X 2 + X , X 2 k , k 2 .X} R[X]

1 k k 1 0 0
iv) , , R22
1 2 0 2k 1 0
Ejercicio 30. Sean v1 , . . . , vn Rn . Probar que {v1 , . . . , vn } son linealmente independientes

sobre R {v1 , . . . , vn } son linealmente independientes sobre C.
Ejercicio 31. En cada uno de los siguientes casos hallar una base del subespacio de soluciones
del sistema lineal homogeneo A.x = 0 (K = R).

2 0 3 1 0 5 3
i) A = 1 2 1 0 ii) A = 1 1 2
1 1 0 1 2 3 1

3 1 0 1 2
1 0 4 1 0
iii) A =
3 1 1 0 1
2 0 0 3 1
Ejercicio 32. Completar los siguientes conjuntos linealmente independientes a una base del
K-espacio vectorial V indicado.
i) {(1, 1, 1, 1) , (0, 2, 1, 1)}, V = R4 , K = R

ii) {X 3 2X + 1 , X 3 + 3X}, V = R3 [X], K = R

1 1 0 i 0 2
iii) , , , V = C22 , K = R y K = C
i 1 1 1 1 1
Ejercicio 33. Extraer una base de S de cada uno de los siguientes sistemas de generadores.
1.5 Ejercicios 43
i) S = < (1, 1, 2) , (1, 3, 5) , (1, 1, 4) , (5, 1, 1) > R3 , K = R

ii) S = < X 2 + 2X + 1 , X 2 + 3X + 1 , X + 2 > R[X], K = R
D E
1 1 0 i 0 i 1 1
iii) S = , , , C22 , K = R y K = C
1 1 1 1 0 0 0 0
Ejercicio 34.
i) Sea B = {f0 , f1 , f2 , . . . , fn , . . .}, donde cada fi K[X] es un polinomio de grado exac-

tamente i. Probar que B es una base de K[X].
ii) Es {(1, 0, 0, 0, 0, . . .); (0, 1, 0, 0, 0, . . .); (0, 0, 1, 0, 0, . . .); (0, 0, 0, 1, 0, . . .); . . .} una base de
K N?
Ejercicio 35. Hallar una base y la dimension de los siguientes K-espacios vectoriales:
i) < (1, 4, 2, 1) , (1, 3, 1, 2) , (3, 8, 2, 7) > R4 , K = R

D E
1 5 1 1 2 4 1 7
ii) , , , Q22 , K = Q
4 2 1 5 5 7 5 1
iii) C, K = R y K = C
iv) {f R[X] / f = 0 o gr(f ) 3 y f (2) = f (1)}, K = R
v) P({a, b, c}), K = Z2
vi) {f Q[X] / f = 0 o gr(f ) 3 y (x2 2) | f }, K = Q
vii) {(an )nN K N / ai = aj i, j }
Ejercicio 36. Hallar la dimension del R-espacio vectorial S para cada k R en los siguientes
casos:
i) S = < (1, k, 1) , (1, k, 1) , (0, 1, k) >

1 k 1
ii) S = {x R3 /A.x = 0} siendo A R33 , A = 1 1 k2
1 k k2
Ejercicio 37. Hallar todos los b R para los cuales el R-espacio vectorial de soluciones del
sistema:
3x1 + (b 6)x2 + 5bx3 = 0
x1 + (b 2)x2 + (b2 + 4b)x3 = 0

x1 2x2 + bx3 = 0
i) tenga dimension 1.
ii) tenga dimension 2.
Ejercicio 38. Sean S y T los subespacios de R4
S = < (1, 2, 1, 0), (2, 1, 0, 1) > y T = {x R4 /x1 3x2 2x3 = 0}.
Hallar un subespacio U de R4 tal que dim U = 2 y S T U T .
Ejercicio 39. Determinar todos los k R para los cuales
< (2, 1, 6), (3, 0, 8) > = < (1, k, 2k), (1, 1, k 2 2), (1, 1, k) >.

Ejercicio 40. Se considera el Q-espacio vectorial V R generado por {1, 2, 3, 6}.
i) Utilizando un argumento de dimension probar

que existe un polinomio f Q[X] con
gr(f ) 4 que se anula en el punto = 2 + 3. Hallar un tal f .
ii) Calcular dimQ V .
Ejercicio 41. En cada uno de los siguientes casos caracterizar S + T V y determinar si la

suma es directa.
i) V = K nn , S = {A K nn / Aij = Aji i, j }, T = {A K nn / Aij = Aji i, j }
ii) V = R3 , S = < (1, 1, 1) >, T = < (2, 1, 1), (3, 0, 2) >
iii) V = R[X], S = {f R[X] / f = 0 o gr(f ) 3}, T = {f R[X] / mult(4, f ) 4}
iv) V = R23 , S = {A R23 / A11 + A21 = 0, 3A22 2A11 = A13 + A23 },

D E
2 0 3 2 3 0
T = ,
2 1 1 2 2 1
Ejercicio 42. Determinar todos los k R para los cuales S T = < (0, 1, 1) >, siendo
S = {x R3 /x1 + x2 x3 = 0} y T = < (1, k, 2), (1, 2, k) >.
Ejercicio 43. Para cada S dado hallar T V tal que S T = V .
i) S = < (1, 2, 1, 3) , (2, 3, 2, 1) , (0, 1, 0, 7) >, V = R4
ii) S = {A Rnn / tr(A) = 0}, V = Rnn
iii) S = < 3, 1 + X 2 >, V = R4 [X]
Ejercicio 44. Dado S = {(x1 , x2 , x3 , x4 ) R4 / x1 x2 + 2x4 = 0 , x2 + x3 x4 = 0},

hallar dos vectores v3 , v4 de R4 tales que para toda eleccion de una base {v1 , v2 } de S,
{v1 , v2 , v3 , v4 } sea una base de R4 .
1.5 Ejercicios 45
Ejercicio 45. Decidir si las siguientes afirmaciones son verdaderas o falsas. Justificar.
i) S, T subespacios de R3 , dim S = dim T = 2 v 6= 0 tal que v S T .

ii) S, T, W subespacios de R11 , dim S = dim T = dim W = 4 dim(S T W ) 1.
Ejercicio 46. Sea V un K-espacio vectorial y sean S, T y U subespacios de V .
i) Probar que (S T ) + (S U ) S (T + U ).
ii) Mostrar que, en general, la inclusion anterior es estricta.
iii) Probar que, si U S, entonces vale la igualdad en i).
Ejercicio 47. Sean S, T y U subespacios de un K-espacio vectorial V tales que

S T = S U, S+T =S+U y T U.
Probar que T = U .
Ejercicio 48. Sea V un K-espacio vectorial de dimension n y sea T un hiperplano de V (es

decir, un subespacio de dimension n 1).
i) Probar que v
/ T, T < v > = V .
ii) Si S es un subespacio de V tal que S 6 T , probar que S + T = V . Calcular dim(S T ).
iii) Si S y T son dos hiperplanos distintos, deducir dim(S T ).
Ejercicio 49. Sea V = RR .
i) Sean S = {f V / f (x) = f (x) x R } y T = {f V / f (x) = f (x) x R }

(S es el conjunto de funciones pares y T el conjunto de funciones impares). Probar que
S y T son subespacios de V y que S T = V .
ii) Sean U = {f V / f (0) = 0} y W = {f V / f es constante}. Probar que U y W son
subespacios de V y que U W = V .
Ejercicio 50.
i) Sea S = {(un )nN RN / un+2 = un+1 + un n N }. Probar que S es un subespacio

de RN . Calcular su dimension.
ii) Encontrar una base de S formada por sucesiones (un )nN que, n N , verifiquen
un = un1 para algun u R.
iii) Usando ii), encontrar una formula para el termino general de la sucesion de Fibonacci:
(F = 1
1
F2 = 1
Fn+2 = Fn+1 + Fn n 1
Captulo 2
Matrices
En el captulo anterior hemos utilizado matrices para la resolucion de sistemas de ecuaciones

lineales y hemos visto que, para n, m N, el conjunto de las matrices de n filas y m columnas
con coeficientes en un cuerpo K es un K-espacio vectorial. A continuacion estudiaremos mas
en detalle estos conjuntos de matrices, as como tambien ciertas matrices particulares que nos
seran de utilidad.
2.1 Definiciones y propiedades

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el captulo ante-
rior.
Sean n, m N. El conjunto de las matrices de n filas y m columnas con coeficientes en
un cuerpo K es

a11 . . . a1m

nm .. .
.. / aij K 1 i n, 1 j m .
K = .

an1 . . . anm
Para definir una matriz en K nm basta especificar, para cada 1 i n y cada 1 j m,

que elemento de K se halla en el lugar ij (correspondiente a la interseccion de la fila i y la
columna j) de la matriz.
Ejemplo. Sean n, m N, y sean 1 k n, 1 l m. Se define la matriz E kl K nm

como n
1 si i = k, j = l
(E kl )ij =
0 si no
Estas matrices se llaman las matrices canonicas de K nm .
Una primera observacion que debemos hacer se refiere a como determinar si dos matrices
(de las mismas dimensiones) son iguales:
48 Matrices
Observacion 2.1 Sean A, B K nm . Entonces A = B si y solo si Aij = Bij para cada

1 i n, 1 j m.
Podemos definir una operacion (suma) en K nm y una accion de K en K nm que trans-

forman a este conjunto en un K-espacio vectorial:
Definicion 2.2 Se definen la suma de matrices y el producto por escalares como
+ : K nm K nm K nm , (A + B)ij = Aij + Bij (1 i n, 1 j m)

nm nm
: K K K , ( A)ij = Aij (1 i n, 1 j m).
Es facil verificar que (K nm , +, ) es un K-espacio vectorial.
Definiremos ahora un producto que, dadas dos matrices A y B con coeficientes en K tales
que la cantidad de columnas de A es igual a la cantidad de filas de B, calcula una nueva
matriz C.
Definicion 2.3 Sean A K nm y B K mr . Se define el producto de A por B como la

matriz C K nr tal que
m
X
Cij = Aik Bkj 1 i n, 1 j r.
k=1
Analizaremos ahora algunas propiedades del producto de matrices y su relacion con la

suma de matrices.
Proposicion 2.4 Propiedades del producto de matrices:
1. Propiedad asociativa: dadas A K nm , B K mr y C K rs , se tiene que

(A.B).C = A.(B.C).

1 si i = j
2. Para cada n N, sea In K nn definida por (In )ij = . Entonces, si
0 si i =
6 j
A K nm , se verifica: In .A = A.Im = A.
La matriz In se denomina matriz identidad de K nn .
3. Propiedades distributivas:
(a) Si A K nm y B, C K mr , entonces A.(B + C) = A.B + A.C.

(b) Si A, B K nm y C K mr , entonces (A + B).C = A.C + B.C.
Demostracion.
1. Observemos en primer lugar que si A K nm , B K mr y C K rs , entonces

(A.B).C K ns y A.(B.C) K ns .
2.1 Definiciones y propiedades 49
Para cada 1 i n, 1 j s, se tiene:

r
X r X
X m r X
X m

(A.B).C ij = (A.B)i Cj = Ai B Cj = Ai B Cj =
=1 =1 =1 =1 =1
m
X r
X m
X X
r m
X
Ai B Cj = Ai B Cj = Ai (B.C)j = A.(B.C) ij .
=1 =1 =1 =1 =1
2. Sean 1 i n, 1 j m. Se tiene que

n
X
(In .A)ij = (In )ik Akj = 1.Aij = Aij .
k=1
De la misma manera, (A.Im )ij = Aij para cada 1 i n, 1 j m.
3. Queda como ejercicio.
Observemos que, en particular, el producto de matrices esta definido para cualquier par
de matrices en K nn y, por lo tanto, se tiene una operacion producto en K nn para cada
n N. De la proposicion anterior se deduce:
Proposicion 2.5 (K nn , +, ) es un anillo.
Si bien el producto de matrices comparte muchas de sus propiedades con el producto usual
de numeros reales, hay propiedades que verifica este que no son validas para el producto de
matrices:
Observacion 2.6 Dos de las propiedades que no se cumplen para el producto de matrices
son las siguientes:
El producto de matrices no es conmutativo. Aun en el caso de matrices cuadradas, en

el que siempre se pueden
calcular
A.B
y B.A,en general se tiene que A.B 6= B.A. Por
0 1 1 0
ejemplo, para A = yB= se tiene que
0 0 0 0

0 0 0 1
A.B = y B.A = .
0 0 0 0
El hecho que A.B = 0 no implica que A = 0 o B = 0. En el ejemplo anterior, A 6= 0,

B 6= 0, pero A.B = 0.
El conjunto K nn resulta ser a la vez un anillo y un K-espacio vectorial. La nocion que

engloba a los conjuntos con estas caractersticas es la siguiente:
50 Matrices
Definicion 2.7 Sea K un cuerpo y sea A un conjunto con dos operaciones, + y , y una
accion K de K en A tales que
1. (A, +, ) es un anillo
2. (A, +, K ) es un K-espacio vectorial
3. ( K X) Y = K (X Y ) = X ( K Y ) K X, Y A
Se dice entonces que A es una K-algebra.
Observacion 2.8 (K nn , +, K , ) es una K-algebra.
Observamos que el producto de matrices nos permite escribir un sistema lineal de n ecua-
ciones con m incognitas

a11 x1 + a12 x2 + + a1m xm = b1

..
.

en la forma
A.x = b,
nm
donde A K es la matriz asociada al sistema, x K m1 se define como xi1 = xi (matriz
de una columna cuyos elementos son las incognitas del sistema), y b K n1 se define como
bj1 = bj (matriz de una columna cuyos elementos son los resultados a los que estan igualadas
las ecuaciones). De esta manera, un sistema lineal puede verse como una unica ecuacion con
una unica incognita x, pero que involucra matrices en lugar de escalares.
El hecho que la solucion en K de la ecuacion a.x = b con a, b K, a 6= 0, se obtiene
haciendo simplemente x = a1 b, nos lleva a pensar que el sistema lineal Ax = b podra
resolverse analogamente como x = A1 b en caso de disponer de una matriz A1 que sea una
inversa de A para el producto de matrices. Este sera el tema a estudiar en la proxima seccion.
Concluimos esta seccion introduciendo dos nociones que nos seran de utilidad en lo suce-
sivo:
Definicion 2.9 Sea A K nm . Se llama matriz transpuesta de A, y se nota At , a la matriz

At K mn definida por (At )ij = Aji para cada 1 i m, 1 j n.
nn
Definicion
Pn 2.10 Sea A K . Se llama traza de la matriz A, y se nota tr(A), al escalar
tr(A) = i=1 Aii .
2.2 Matrices inversibles

No es cierto quetodo elemento
no nulo de K nn tenga inverso con respecto al producto. Por
1 0
ejemplo: A = K 22 no tiene inversa. En efecto, A.B 6= I2 para toda matriz
0 0
B K 22 , puesto que (A.B)22 = 0 6= (I2 )22 para toda matriz B K 22 .
2.2 Matrices inversibles 51
En esta seccion nos ocuparemos de las matrices que s tienen inversa y veremos tambien
como hallar la inversa de una matriz en el caso en que esta exista.
Definicion 2.11 Una matriz A K nn se dice inversible si existe una matriz B K nn tal
que A.B = B.A = In .
Observemos que la matriz B de la definicion es unica. En efecto, si A.B = B.A = In y

A.C = C.A = In , entonces
B = In .B = (C.A).B = C.(A.B) = C.In = C.
Notacion. B = A1 .
Para cada n N consideraremos el conjunto de todas las matrices inversibles en K nn :
GL(n, K) = {A K nn / A es inversible}.
Nos interesa estudiar la estructura de este conjunto.
Proposicion 2.12 Para cada n N , se verifican las siguientes propiedades:
1. Si A, B GL(n, K), entonces A.B GL(n, K). Mas aun, (A.B)1 = B 1 A1 . En

particular, el producto de matrices es una operacion en GL(n, K).
2. In GL(n, K).
3. Si A GL(n, K), entonces A1 GL(n, K).
Demostracion.
1. Sean A, B GL(n, K). Entonces existen A1 y B 1 . Se tiene que
(A.B).(B 1 . A1 ) = In y (B 1 . A1 ).(A.B) = In .
Entonces A.B es inversible y (A.B)1 = B 1 . A1 .
2. Es consecuencia de que In .In = In .
3. De la definicion de inversa se deduce inmediatamente que si A GL(n, K), entonces

(A1 )1 = A y por lo tanto A1 GL(n, K).
De la proposicion anterior y la asociatividad del producto de matrices se deduce que:
Proposicion 2.13 (GL(n, K), ) es un grupo, que se denomina el grupo lineal general (n, K).
52 Matrices
Para concluir esta seccion, veremos un metodo para determinar si una matriz en K nn es
inversible y, en caso de serlo, encontrar su inversa. Lo describimos en el siguiente ejemplo:
Ejemplo. Hallar, si es posible, A1 siendo A R33 la matriz

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

a b c
Buscamos B R33 tal que A.B = B.A = I3 . Si B = d e f , debe ser
g h i

a b c 1 0 0
A. d e f = 0 1 0 .
g h i 0 0 1
Esta igualdad se traduce en los tres sistemas de ecuaciones siguientes:

a 1 b 0 c 0
A. d = 0 , A. e = 1 , y A. f = 0 ,
g 0 h 0 i 1
que podemos resolver simultaneamente:

1 1 0 1 0 0 1 1 0 1 0 0
0 2 1 0 1 0 0 2 1 0 1 0
2 1 1 0 0 1 0 1 1 2 0 1

1 1 0 1 0 0 1 0 0 3 1 1
0 1 1 2 0 1 0 1 0 2 1 1
0 0 1 4 1 2 0 0 1 4 1 2

3 1 1
Entonces B = 2 1 1 verifica la igualdad A.B = I3 .
4 1 2
Observemos que, si buscamos una matriz C tal que B.C = I3 , bastara con hacer los pasos
anteriores, pero a la inversa, con lo que obtendramos la matriz A.

3 1 1
Luego, A.B = B.A = I3 , es decir A1 = 2 1 1 .
4 1 2
Como decidir si una matriz es inversible y hallar su inversa:
Dada A K nn , se arma una matriz en K n2n cuyas primeras n columnas correspon-

den a la matriz A y cuyas ultimas n columnas estan formadas por los n vectores de la
base canonica de K n .
2.3 Matrices elementales 53
Esto corresponde a plantear la ecuacion A.B = In con B K nn , subdividirla en n

sistemas lineales A.Bi = ei , 1 i n, igualando columna a columna, y escribir la
matriz ampliada de los n sistemas.
Si al triangular la matriz no aparece ningun cero en la diagonal, se pueden resolver los

sistemas que resultan (que tienen solucion unica) y hallar entonces la inversa de A.
Para esto se puede proceder como en el ejemplo anterior: al no aparecer ceros en la
diagonal, se continua aplicando operaciones elementales sobre las filas de la matriz de
manera que en las primeras n columnas quede formada la matriz In . Entonces A1
es la matriz que aparece en las ultimas n columnas (esto puede probarse de la misma
manera que se hizo en el ejemplo).
Si al triangular la matriz aparece un cero en la diagonal, la matriz A no es inversible.

En efecto, la presencia de un cero en la diagonal al triangular implica que el sistema
homogeneo cuya matriz es A tiene solucion no trivial, es decir, existe x0 K n no
nulo tal que A.x0 = 0. Si A fuese inversible, multiplicando por A1 resultara x0 =
A1 .A.x0 = 0, contradiciendo que x0 6= 0.
2.3 Matrices elementales

El metodo de triangulacion que hemos visto para la resolucion de sistemas de ecuaciones
lineales se basa en la aplicacion de ciertas operaciones elementales (ver Proposicion 1.19) a
las ecuaciones o, equivalentemente, a las filas de la matriz del sistema. Como veremos a
continuacion, cada una de estas operaciones puede verse como la multiplicacion a izquierda
de la matriz del sistema por una matriz conveniente.
A cada operacion de filas en una matriz de n n, le asociaremos la matriz que se obtiene
al aplicarle dicha operacion a la matriz identidad In . Las matrices obtenidas de esta forma se
denominan matrices elementales. Tendremos entonces tres familias de matrices elementales,
correspondientes a los tres tipos de operaciones de filas permitidas. A continuacion damos las
definiciones precisas y estudiamos el comportamiento de las matrices elementales con respecto
al producto.
Comenzamos definiendo las matrices que corresponden a la operacion Intercambiar dos
ecuaciones.
1. Sean 1 i, j n. Se define P ij K nn como
P ij = In E ii E jj + E ij + E ji .
Observamos que P ij es la matriz que resulta al intercambiar las filas i y j en la matriz

In .
Es facil verificar que, dada B K nn el producto P ij B es la matriz que resulta al
intercambiar en la matriz B las filas i y j.
1
En particular, P ij .P ij = In , es decir que P ij es inversible y P ij = P ij .
54 Matrices
Ahora introducimos las matrices elementales asociadas a la operacion Multiplicar una

ecuacion por una constante no nula.
2. Sea a K, a 6= 0, y sea 1 i n. Se define Mi (a) K nn como
Mi (a) = In + (a 1).E ii .
Observamos que Mi (a) es la matriz que se obtiene al mutiplicar por a la i-esima fila de
la matriz In .
Dada B K nn se tiene que

Bkj si k 6= i
Mi (a).B kj =
a.Bkj si k = i,
es decir, Mi (a).B es la matriz que resulta al multiplicar por a la i-esima fila de B.

En particular, Mi (a).Mi (a1 ) = Mi (a1 ).Mi (a) = In , de donde Mi (a) GL(n, K) y
(Mi (a))1 = Mi (a1 ).
Finalmente, la tercera de las familias de matrices elementales es la que representa la

operacion Reemplazar una ecuacion por ella misma mas un multiplo de otra.
3. Sea a K y sean i 6= j con 1 i, j n. Se define T ij (a) K nn como
T ij (a) = In + a.E ij ,
la matriz que se obtiene de la matriz In al sumarle a la i-esima fila, a por la fila j.

Si B K nn , entonces

ij Bkl si k 6= i
T (a).B kl =
Bil + a.Bjl si k = i,
o sea que T ij (a).B es la matriz que se obtiene de B al sumarle a la i-esima fila, a por
la fila j.
En particular, se tiene que T ij (a).T ij (a) = T ij (a).T ij (a) = In , con lo que T ij (a)
GL(n, K) y (T ij (a))1 = T ij (a).
De las propiedades de las matrices elementales que hemos visto, se deduce que triangular
una matriz mediante operaciones sobre sus filas es multiplicarla a izquierda por matrices
elementales. En forma totalmente analoga, puede verse que multiplicar una matriz a derecha
por matrices elementales corresponde a efectuar operaciones sobre las columnas de la matriz.
Observacion 2.14 Sea A K nn . Entonces existen matrices elementales E1 , . . . , Er

K nn tales que Er . . . E1 .A es triangular superior. Si ademas, Er . . . E1 .A no tiene ceros en
la diagonal, existen matrices elementales Er+1 , . . . , Es tales que Es . . . Er+1 .Er . . . E1 .A = In .
En consecuencia, A es producto de matrices elementales: A = E11 . . . Es1 , y A1 = Es . . . E1 .
2.4 Coordenadas 55
En particular, esta observacion nos dice que si por medio de la aplicacion de operaciones
elementales a las filas de la matriz A obtenemos la matriz identidad I, entonces aplicando las
mismas operaciones en las filas de I obtendremos A1 .
Por otro lado, nos da un teorema de estructura para GL(n, K): as como el Teorema
Fundamental de la Aritmetica en Z dice que todo numero entero no nulo es producto de
enteros primos, la observacion anterior nos dice que toda matriz en GL(n, K) es producto de
matrices elementales.
2.4 Coordenadas
Dado un K-espacio vectorial V de dimension n y fijada una base B de V , mediante el concepto
de coordenadas de un vector en la base B podremos identificar cada elemento de V con un
vector en K n y trabajar entonces con elementos de K n .
2.4.1 Coordenadas de un vector en una base

Definicion 2.15 Sea V un K-espacio vectorial de dimension finita y sea B = {v1 , . . . , vn }
una base de V . Dado x V , existen unicos 1 , . . . , n K tales que x = 1 v1 + + n vn
(ver Proposicion 1.37). El vector (1 , . . . , n ) K n se llama el vector de coordenadas de x
en la base B y sera denotado por (x)B .
Ejemplos.
i) Sea V = R4 [X] y sea B = {1, X, X 2 , X 3 , X 4 } base de V .

Las coordenadas de X 3 + 3X 2 1 en la base B son (X 3 + 3X 2 1)B = (1, 0, 3, 1, 0).
Sea B 0 = {X 4 , X 3 , X 2 , X, 1}. Entonces (X 3 + 3X 2 1)B 0 = (0, 1, 3, 0, 1).
ii) Sea V = R3 y sea E = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} la base canonica. Entonces para cada
(x, y, z) R3 , se tiene que (x, y, z)E = (x, y, z).
iii) Sea V = R3 y sea B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Para cada (x, y, z) R3 ,
(x, y, z) = z.(1, 1, 1) + (y z).(1, 1, 0) + (x y).(1, 0, 0).
Entonces, (x, y, z)B = (z, y z, x y).

Observemos que el vector de coordenadas en la base B de un elemento de R3 se obtiene
de su vector de coordenadas en la base canonica multiplicando este por una matriz
apropiada: Si v R3 tiene coordenadas (x, y, z) en la base canonica E, entonces

z 0 0 1 x
t t
((v)B ) = y z = 0 1 1 y = C(E, B). ((v)E ) .
xy 1 1 0 z
| {z }
C(E,B)
56 Matrices
2.4.2 Cambios de base

Dadas dos bases de un mismo K-espacio vectorial V de dimension finita, cada elemento de
V tiene asociados dos vectores de coordenadas (generalmente distintos), uno en cada una de
las bases. Con la ayuda de cierta matriz, llamada de cambio de base, se pueden obtener las
coordenadas de un vector con respecto a una base de V a partir de las coordenadas del vector
en otra base.
Definicion 2.16 Sea V un K-espacio vectorial de dimension n, y sean B1 = {v1 , . . . , vn } y

B2 = {w1 , . . . , wn } bases de V . Para cada 1 j n, sean ij K (1 i n) tales que
P
n
vj = ij wi . Se llama matriz de cambio de base de B1 a B2 , y se nota C(B1 , B2 ) K nn ,
i=1
a la matriz definida por (C(B1 , B2 ))ij = ij para cada 1 i, j n.
En otros terminos, la matriz de cambio de base C(B1 , B2 ) K nn es la matriz cuya

j-esima columna son las coordenadas en la base B2 del j-esimo vector de la base B1 , para
cada 1 j n.
Ejemplo. Sea V = R3 . Consideremos las bases B1 = E = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y
B2 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Para construir la matriz C(B1 , B2 ) R33 , comenzamos
por escribir los elementos de B1 como combinacion lineal de los de B2 :
(1, 0, 0) = 0.(1, 1, 1) + 0.(1, 1, 0) + 1.(1, 0, 0)

(0, 1, 0) = 0.(1, 1, 1) + 1.(1, 1, 0) + (1).(1, 0, 0)
(0, 0, 1) = 1.(1, 1, 1) + (1)(1, 1, 0) + 0.(1, 0, 0)
Entonces, la matriz de cambio de base es:

0 0 1
C(B1 , B2 ) = 0 1 1 .
1 1 0
(Comparar con el Ejemplo iii) de la seccion anterior.)
La proposicion siguiente muestra que la matriz de cambio de base cumple la propiedad

que hemos mencionado al comienzo de esta seccion.
Proposicion 2.17 Sea V un K-espacio vectorial de dimension finita, y sean B1 y B2 bases

de V . Entonces, para cada x V ,
C(B1 , B2 ).((x)B1 )t = ((x)B2 )t .
Demostracion. Sean B1 = {v1 , . . . , vn } y B2 = {w1 , . . . , wn }. Supongamos que, para cada

Pn
1 j n, vj = ij wi , con ij K para cada 1 i n; es decir, (C(B1 , B2 ))ij = ij
i=1
(1 i, j n).
2.4 Coordenadas 57
P
n
Sea x V . Si x = ak vk , entonces para cada 1 h n,
k=1
n
X
C(B1 , B2 ).((x)B1 )t = hr ar .
h
r=1
P
n
Si bh = hr ar para cada 1 h n, por la unicidad de las coordenadas en una base,
r=1
P
n
para probar que (x)B2 = (b1 , . . . , bn ) basta ver que x = bh wh . Ahora,
h=1
n
X n X
X n n X
X n
bh wh = hr ar wh = hr ar wh =
h=1 h=1 r=1 h=1 r=1
n X
X n Xn X
n Xn
= hr ar wh = ar hr wh = ar vr = x,
r=1 h=1 r=1 h=1 r=1
que es lo que queramos probar.
Una pregunta que surge es la de la unicidad de la matriz de cambio de base: dadas dos
bases B1 y B2 , la matriz C(B1 , B2 ) que hemos definido transforma coordenadas en la base
B1 en coordenadas en la base B2 . Existira alguna otra matriz en K nn con esta misma
propiedad? El resultado que probamos a continuacion nos asegura que no.
Proposicion 2.18 Sean A, A0 K nn . Si A.x = A0 .x para todo x K n , entonces A = A0 .
Demostracion. Sea E = {e1 , . . . , en } la base canonica de K n . Por hipotesis, A.ej = A0 .ej

para cada 1 j n. Pero
n
X n
X
0
(A.ej )i = Aih (ej )h = Aij y (A .ej )i = A0ih (ej )h = A0ij
h=1 h=1
para cada 1 i n, de donde Aij = A0ij para todo 1 i, j n. Luego, A = A0 .
De las proposiciones anteriores se desprende:
Observacion 2.19 Dadas dos bases B1 y B2 de un espacio vectorial V de dimension n, la

matriz C(B1 , B2 ) es la unica matriz en K nn que verifica C(B1 , B2 )((x)B1 )t = ((x)B2 )t para
todo x V .
Esta observacion dice que si una matriz A verifica A.((x)B1 )t = ((x)B2 )t para todo x
V , entonces necesariamente A = C(B1 , B2 ). Utilizando este resultado, es facil probar las
igualdades que enunciamos a continuacion.
Corolario 2.20 Sea V un K-espacio vectorial de dimension finita, y sean B1 , B2 y B3 bases

de V . Entonces:
58 Matrices
1. C(B1 , B3 ) = C(B2 , B3 ).C(B1 , B2 ).
2. C(B2 , B1 ) = C(B1 , B2 )1 .
Para terminar, probaremos algunos resultados que relacionan matrices inversibles con
cambios de base.
Proposicion 2.21 Sea A GL(n, K). Existen bases B1 , B2 de K n tales que A = C(B1 , B2 ).
Demostracion. Supongamos que Aij = aij para cada 1 i n, 1 j n.

nP
n P
n o
Sea B2 = E = {e1 , . . . , en }, la base canonica de K n , y sea B1 = ai1 .ei , . . . , ain .ei .
i=1 i=1
Veamos que B1 es una base de K n , para lo cual basta ver que B1 es un conjunto linealmente
P
n Pn
independiente. Supongamos que j aij .ei = 0. Entonces
j=1 i=1
n X
X n Xn X
n Xn X
n
0= j aij ei = j aij ei = j aij ei ,
j=1 i=1 i=1 j=1 i=1 j=1
P
n
de donde aij j = 0 para cada 1 i n, o equivalentemente,
j=1

1

A. ... = 0.
n
Como A es inversible, esto implica que 1 = = n = 0. Luego B1 es linealmente indepen-

diente y, en consecuencia, una base de K nn .
Es claro que C(B1 , E) = A.
Proposicion 2.22 Sea A GL(n, K) y sea B una base de K n . Entonces:
i) Existe una base B1 de K n tal que A = C(B1 , B).
ii) Existe una base B2 de K n tal que A = C(B, B2 ).
Demostracion.
i) Se prueba en forma analoga a la proposicion anterior, reemplazando la base canonica E

por la base B dada.
ii) Por la parte i), dadas A1 GL(n, K) y la base B de K n , existe una base B2 de K n
tal que A1 = C(B2 , B). En consecuencia, A = C(B2 , B)1 = C(B, B2 ).
2.5 Ejercicios 59
2.5 Ejercicios
Ejercicio 1. Probar que los siguientes conjuntos son subespacios de K nn y calcular su
dimension.
i) S1 = {A K nn / A = At } (matrices simetricas)
ii) S2 = {A K nn / A = At } (matrices antisimetricas)
iii) S3 = {A K nn / Aij = 0 si i > j} (matrices triangulares superiores)
iv) S4 = {A K nn / Aij = 0 si i 6= j} (matrices diagonales)
v) S5 = {A K nn / Aij = 0 si i 6= j y A11 = A22 = ... = Ann } (matrices escalares)
vi) S6 = {A K nn / tr(A) = 0}
Ejercicio 2. Sean S1 , S2 , S5 y S6 los subespacios del ejercicio anterior.
i) Probar que S1 S2 = K nn si 2 6= 0 en K.
ii) Probar que S5 S6 = K nn si K = Q , R o C.
Ejercicio 3. Sean m, n y r N. Probar:

b1j

i) Si A K mn , B K nr con B = (bij ) y, para 1 j r , Bj = ... (la columna j-
bnj
esima de B), entonces A.B = ( A.B1 | . . . | A.Br ) (es decir, A.Bj es la columna j-esima
de A.B).
ii) (Multiplicacion de matrices por bloques.)
Sean A, A0 K nn ; B, B 0 K nm ; C, C 0 K mn y D, D0 K mm .
0
0 (n+m)(n+m) A B 0 A B0
Sean M , M K definidas por M = y M = .
C D C0 D0

0 A.A0 + B.C 0 A.B 0 + B.D0
Entonces M.M = .
C.A0 + D.C 0 C.B 0 + D.D0
Ejercicio 4.
i) Probar que, n N , n 2, el producto de matrices en K nn no es conmutativo.

ii) Caracterizar el conjunto {A K nn / A.B = B.A B K nn }.
iii) Sea A K nn . Probar que el conjunto S de todas las matrices que conmutan con A es
un subespacio de K nn . Probar que In S y que Aj S j N.
60 Matrices
2
iv) Sea A K nn con n 2. Probar que el conjunto {In , A, A2 , A3 , . . . , An 1
} es lineal-
mente dependiente.
v) Dar condiciones necesarias y suficientes sobre A y B K nn para que
a) (A + B)2 = A2 + 2AB + B 2
b) A2 B 2 = (A B).(A + B)
vi) Probar que si A y B K nn no necesariamente vale A2 .B 2 = (A.B)2
Ejercicio 5. Sean A , B y C K nn (n 2). Mostrar la falsedad de las siguientes afirma-

ciones:
i) A.B = 0 A = 0 o B = 0
ii) A.B = A.C y A 6= 0 B = C
iii) A.B = 0 B.A = 0
iv) Aj = 0 A = 0
v) A2 = A A = 0 o A = In
Ejercicio 6. Sea A K nn . Probar que el conjunto T = {B K nn / A.B = 0} es un

subespacio de K nn . Si S K n es el subespacio de soluciones del sistema homogeneo cuya
matriz asociada es A, probar que dim T = n. dim S.
Ejercicio 7. Sean A, A0 K mn ; B K nr ; D, D0 K nn ; K. Probar:
i) (A + A0 )t = At + (A0 )t iv) tr(D + D0 ) = tr(D) + tr(D0 )

ii) (.A)t = .At v) tr(.D) = .tr(D)
iii) (A.B)t = B t.At vi) tr(D.D0 ) = tr(D0.D)
Ejercicio 8. Sean A y B K nn .
i) Probar que si A y B son triangulares superiores, A.B es triangular superior.

ii) Probar que si A y B son diagonales, A.B es diagonal.
iii) Probar que si A es estrictamente triangular superior (es decir, Aij = 0 si i j), An = 0.
Ejercicio 9. Sea A K nn .
i) Probar que A.At y At.A son simetricas. Encontrar un ejemplo donde A.At 6= At.A.
ii) El producto de dos matrices simetricas, es una matriz simetrica?
2.5 Ejercicios 61
iii) Si K = R, probar que A = 0 A.At = 0 tr(A.At ) = 0.

4 1
Ejercicio 10. Sea A = R22 .
8 2
i) Hallar b y c R tales que A2 + b.A + c.I2 = 0.
ii) Calcular An n N.

a b
Ejercicio 11. Sea A K 22 con A = y sea = a.d b.c. Probar que, si 6= 0,
c d
1 d b
A GL(2, K) y A1 = . .
c a
Ejercicio 12. Sea A GL(n, K) y B , C K nm . Probar:
i) A.B = A.C B = C
ii) A.B = 0 B = 0
Ejercicio 13. Decidir si cada una de las siguientes afirmaciones es verdadera o falsa.
i) A , B GL(n, K) A + B GL(n, K)
ii) A GL(n, K) At GL(n, K)
iii) tr(A) = 0 A
/ GL(n, K)
iv) A nilpotente (es decir, j N / Aj = 0) A

/ GL(n, K)
Ejercicio 14. Sea A K mn y sea b K m . Sea H = {x K n / A.x = b}. Probar:
i) Si C GL(m, K), entonces H = {x K n / (C.A).x = C.b}.
ii) Si m = n y A GL(n, K), entonces H tiene un solo elemento. Cual es? (Notar que
esto significa que si A es inversible, cualquier sistema lineal cuya matriz asociada sea A
tiene solucion unica).
Ejercicio 15.
i) Sea A = T 12 (1) R22 . Calcular A20 y 20.A.
ii) Calcular (P ij )15 y (P ij )16 .
iii) Sea B = M3 (2) R44 . Calcular B 20 y 20.B.

62 Matrices
Ejercicio 16. Averiguar si las siguientes matrices son inversibles y en caso afirmativo exhibir
sus inversas.

2 1 3 1 2
1 1 1 0 5 1 8 2

i) A = 0 1 1 iv) A = 0 0 0 1 2

0 0 1 0 0 0 1 2
0 0 0 0 2

1 0 1 0 a11 0 ... 0
0 0 1 0 0 a22 ... 0
ii) A = v) A =
2 1 2 3 ... ... ... ...
3 1 1 3 0 0 . . . ann

cos sen 0
iii) A = sen cos 0
0 0 1
Escribir las que sean inversibles como producto de matrices elementales.
Ejercicio 17. Sea A K nn y sea b K n .
i) Probar que el sistema A.x = b tiene solucion unica A GL(n, K).
ii) Probar que A GL(n, K) las filas de A son linealmente independientes

las columnas de A son linealmente independientes.
Ejercicio 18. Sea A K nn . Probar que:
B K nn / B.A = In A GL(n, K).
Deducir que B K nn / A.B = In A GL(n, K).
Ejercicio 19. Encontrar las coordenadas de v V respecto de la base B en los siguientes

casos:
i) V = K n ; v = (x1 , . . . , xn ) y B la base canonica
ii) V = R3 ; v = (1, 2, 1) y B = {(1, 2, 1), (0, 1, 1), (0, 0, 2)}
iii) V = R3 ; v = (1, 1, 2) y B = {(1, 2, 1), (2, 1, 3), (1, 3, 2)}
iv) V = R3 ; v = (x1 , x2 , x3 ) y B = {(1, 2, 1), (2, 1, 3), (1, 3, 2)}
v) V = R3 [X] ; v = 2X 2 X 3 y B = {3 , 1 + X , X 2 + 5 , X 3 + X 2}

22 a11 a12 1 3 1 4 0 2 1 1
vi) V = R ; v= yB= , , ,
a21 a22 0 1 3 2 1 1 2 5
2.5 Ejercicios 63
Ejercicio 20. Calcular C(B, B 0 ) en los siguientes casos:
i) V = R2 , B = {(1, 1), (1, 2)} , B 0 = {(1, 3), (2, 5)}

ii) V = R3 , B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} , B 0 = {(1, 1, 1), (2, 0, 1), (1, 1, 3)}
iii) V = R3 , B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} , B 0 = {(0, 1, 1), (1, 0, 1), (1, 1, 0)}
iv) V = R2 [X], B = {3 , 1 + X , X 2 } , B 0 = {1 , X + 3 , X 2 + X}
v) V = R4 , B = {v1 , v2 , v3 , v4 } , B 0 = {v3 , v1 , v4 , v2 }
vi) V = R22 , B = {E 11 , E 12 , E 21 , E 22 } ,

0 1 3 1 4 0 2 1 1
B = , , ,
0 1 3 2 1 1 2 5
Ejercicio 21. Dado v V y las bases B y B 0 , hallar las coordenadas de v respecto de B y

utilizando la matriz de cambio de base, las coordenadas de v respecto de B 0 .
i) v = (2, 3) y B, B 0 como en el Ejercicio 20, i)
ii) v = (1, 5, 6) y B, B 0 como en el Ejercicio 20, ii)

iii) v = (1, 5, 6) y B, B 0 como en el Ejercicio 20, iii)
iv) v = 2.v1 + 3.v2 5.v3 + 7.v4 y B, B 0 como en el Ejercicio 20, v)

a11 a12
v) v = y B, B 0 como en el Ejercicio 20, vi)
a21 a22
Ejercicio 22. Sea V un K-espacio vectorial de dimension n y sean B, B 0 y B 00 bases de V .
i) Probar que C(B, B 00 ) = C(B 0 , B 00 ). C(B, B 0 ).

1
ii) Deducir que C(B, B 0 ) GL(n, K) con C(B, B 0 ) = C(B 0 , B).

1 0 1
Ejercicio 23. Dadas la matriz M = 1 1 1 y la base B = {v1 , v2 , v3 } de K 3 , hallar
0 1 1
una base B 0 tal que M = C(B, B 0 ).

1 0 1
Ejercicio 24. Dadas la matriz M = 1 1 1 y la base B 0 = {v1 , v2 , v3 } de K 3 , hallar
0 1 1
una base B tal que M = C(B, B 0 ).
64 Matrices
Captulo 3
Transformaciones lineales
Las transformaciones lineales son las funciones con las que trabajaremos en Algebra Lineal.
Se trata de funciones entre K-espacios vectoriales que son compatibles con la estructura (es
decir, con la operacion y la accion) de estos espacios.
3.1 Definiciones, ejemplos y propiedades basicas

En esta seccion introduciremos la nocion de transformacion lineal, as como tambien ciertas
nociones basicas asociadas a estas funciones.
3.1.1 Transformaciones lineales

Definicion 3.1 Sean (V, +V , V ) y (W, +W , W ) dos K-espacios vectoriales. Una funcion
f : V W se llama una transformacion lineal (u homomorfismo, o simplemente morfismo)
de V en W si cumple:
i) f (v +V v 0 ) = f (v) +W f (v 0 ) v, v 0 V.
ii) f ( V v) = W f (v) K, v V.
Observacion 3.2 Si f : V W es una transformacion lineal, entonces f (0V ) = 0W .
En efecto, puesto que f (0V ) = f (0V + 0V ) = f (0V ) + f (0V ), entonces

0W = f (0V ) + (f (0V )) = f (0V ) + f (0V ) + (f (0V )) =

= f (0V ) + f (0V ) + (f (0V )) = f (0V ) + 0W = f (0V ).
66 Transformaciones lineales
Ejemplos.
1. Sean V y W dos K-espacios vectoriales. Entonces 0 : V W , definida por 0(x) = 0W

x V , es una transformacion lineal.
2. Si V es un K-espacio vectorial, id : V V definida por id(x) = x es una transformacion

lineal.
3. Sea A K mn . Entonces fA : K n K m definida por fA (x) = (A.xt )t es una

transformacion lineal.
4. f : K[X] K[X], f (P ) = P 0 es una transformacion lineal.
R1
5. F : C(R) R, donde C(R) = {f : R R | f es continua}, F (g) = g(x) dx es una
0
transformacion lineal.
Como hemos mencionado al comienzo, las transformaciones lineales respetan la estructura

de K-espacio vectorial. Esto hace que en algunos casos se respete la estructura de subespacio,
por ejemplo en las imagenes y pre-imagenes de subespacios por transformaciones lineales:
Proposicion 3.3 Sea f : V W una transformacion lineal. Entonces:
1. Si S es un subespacio de V , entonces f (S) es un subespacio de W .
2. Si T es un subespacio de W , entonces f 1 (W ) es un subespacio de V .
Demostracion.
1. Sea S V un subespacio y consideremos f (S) = {w W / s S, f (s) = w}.
(a) 0W f (S), puesto que f (0V ) = 0W y 0V S.

(b) Sean w, w0 f (S). Entonces existen s, s0 S tales que w = f (s) y w0 = f (s0 ).
Luego w + w0 = f (s) + f (s0 ) = f (s + s0 ) f (S), puesto que s + s0 S.
(c) Sean K y w f (S). Existe s S tal que w = f (s). Entonces w = f (s) =
f ( s) f (S), puesto que s S.
2. Sea T un subespacio de W y consideremos f 1 (T ) = {v V / f (v) T }.
(a) 0V f 1 (T ), puesto que f (0V ) = 0W T .

(b) Sean v, v 0 f 1 (T ). Entonces f (v), f (v 0 ) T y, por lo tanto, f (v + v 0 ) = f (v) +
f (v 0 ) T . Luego v + v 0 f 1 (T ).
(c) Sean K, v f 1 (T ). Entonces f (v) T y, en consecuencia, f (v) = f (v)
T . Luego v f 1 (T ).
3.1 Definiciones, ejemplos y propiedades basicas 67
De la Definicion 3.1 se deduce inmediatamente que una transformacion lineal preserva

combinaciones lineales. Veremos que, debido a esto, una transformacion lineal queda unvo-
camente determinada por los valores que toma en los elementos de una base cualquiera de su
dominio. Comenzamos con un ejemplo.
Ejemplo. Hallar, si es posible, una transformacion lineal f : R2 R2 que verifique f (1, 1) =

(0, 1) y f (1, 0) = (2, 3).
Dado (x1 , x2 ) R2 se tiene que (x1 , x2 ) = x2 (1, 1) + (x1 x2 )(1, 0). Entonces, si f verifica
lo pedido, debe ser
f (x1 , x2 ) = x2 .f (1, 1) + (x1 x2 ).f (1, 0) = x2 .(0, 1) + (x1 x2 ).(2, 3)
= (2x1 2x2 , 3x1 2x2 ).
Ademas, es facil ver que esta funcion es una transformacion lineal y que vale f (1, 1) = (0, 1)
y f (1, 0) = (2, 3).
Luego, f (x1 , x2 ) = (2x1 2x2 , 3x1 2x2 ) es la unica transformacion lineal que satisface
lo pedido.
La construccion realizada en el ejemplo puede hacerse en general. Por simplicidad, lo

probaremos para el caso en que el dominio de la transformacion lineal es un K-espacio vectorial
de dimension finita.
Proposicion 3.4 Sean V y W dos K-espacios vectoriales, V de dimension finita. Sea B =

{v1 , . . . , vn } una base de V y sean w1 , . . . , wn W vectores arbitrarios. Entonces existe una
unica transformacion lineal f : V W tal que f (vi ) = wi para cada 1 i n.
Demostracion.
P
n
Existencia. Dado v V existen unicos 1 , . . . , n K tales que v = i vi , es decir,
i=1
(1 , . . . , n ) = (v)B es el vector de coordenadas de v en la base B. Definimos
n
X
f (v) = i wi .
i=1
(Observar que no hay ambiguedad en la definicion de f por la unicidad de 1 , . . . , n .)

Veamos que f es una transformacion lineal:
P
n P
n
Sean v, v 0 V . Supongamos que v = i vi y v 0 = i0 vi . Entonces
i=1 i=1
n
X n
X n
X
v + v0 = i vi + i0 vi = (i + i0 )vi ,
i=1 i=1 i=1
y, en consecuencia,
n
X n
X n
X
f (v + v 0 ) = (i + i0 )wi = i wi + i0 wi = f (v) + f (v 0 ).
i=1 i=1 i=1
De manera analoga se prueba que f (v) = f (v) K, v V .

Unicidad. Supongamos que f y g son dos transformaciones lineales de V en W tales que
P
n
f (vi ) = wi y g(vi ) = wi para cada 1 i n. Entonces, dado v V , si v = i vi , por la
i=1
linealidad de f y g se tiene que
n
X n
X
f (v) = i f (vi ) = i g(vi ) = g(v).
i=1 i=1
Luego, f (v) = g(v) para todo v V , de donde f = g.
Observacion 3.5 Con una demostracion analoga a la de la proposicion anterior se prueba

que, si V y W son dos K-espacios vectoriales (V no necesariamente de dimension finita),
B = {vi : i I} una base de V y {wi : i I} W , existe una unica transformacion lineal
f : V W tal que f (vi ) = wi i I.
Teniendo en cuenta que las transformaciones lineales son funciones entre conjuntos, tiene
sentido estudiar la validez de las propiedades usuales de funciones: inyectividad, suryectividad
y biyectividad. Las transformaciones lineales que verifican alguna de estas propiedades reciben
nombres particulares:
Definicion 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V W una transformacion

lineal. Se dice que:
1. f es un monomorfismo si f es inyectiva.
2. f es un epimorfismo si f es suryectiva.
3. f es un isomorfismo si f es biyectiva.
En algunos casos, consideraremos transformaciones lineales de un K-espacio vectorial en

s mismo:
Definicion 3.7 Sea V un K-espacio vectorial. Una transformacion lineal f : V V se llama

un endomorfismo de V . Si f es un endomorfismo que es ademas un isomorfismo, entonces se
dice que es un automorfismo.
3.1.2 Nucleo e imagen de una transformacion lineal

A una transformacion lineal f : V W podemos asociarle un subespacio de V , llamado su
nucleo, que de alguna manera mide el tamano de la pre-imagen por f de un elemento de su
imagen. En particular, conocer este subespacio nos permitira determinar si f es inyectiva.
Definicion 3.8 Sean V y W dos K-espacios vectoriales, y sea f : V W una transformacion

lineal. Se llama nucleo de f al conjunto Nu(f ) = {v V / f (v) = 0} = f 1 ({0}).
Observamos que si f : V W es una transformacion lineal, Nu(f ) es un subespacio de

V , puesto que es la pre-imagen por f del subespacio {0} W (ver Proposicion 3.3).
Ejemplo. Sea f : R3 R2 la transformacion lineal definida por f (x1 , x2 , x3 ) = (x1 , x2 ).

Entonces
Nu(f ) = {(x1 , x2 , x3 ) R3 : f (x1 , x2 , x3 ) = 0}

= {(x1 , x2 , x3 ) R3 : x1 = x2 = 0}
= < (0, 0, 1) > .
La siguiente proposicion nos da una manera de determinar si una transformacion lineal es

un monomorfismo considerando simplemente su nucleo.
Proposicion 3.9 Sea f : V W una transformacion lineal. Entonces
f es monomorfismo Nu(f ) = {0}
Demostracion.
() Si f es un monomorfismo, entonces es una funcion inyectiva. En particular, existe a lo

sumo un elemento v V tal que f (v) = 0. Puesto que f (0) = 0, debe ser v = 0. Luego,
Nu(f ) = {0}.
() Sean v, v 0 V . Supongamos que f (v) = f (v 0 ). Entonces f (v v 0 ) = f (v) f (v 0 ) = 0,
con lo que v v 0 Nu(f ) y por lo tanto, la hipotesis Nu(f ) = {0} implica que v v 0 = 0,
es decir, v = v 0 . Luego f es inyectiva.
Otro conjunto importante asociado a una transformacion lineal es su imagen. Recordamos

que si f : V W , su imagen se define como Im(f ) = {w W / v V, f (v) = w}. De la
Proposicion 3.3 se desprende que la imagen de una transformacion lineal f : V W resulta
ser un subespacio de W .
Ejemplo. Hallar la imagen de la transformacion lineal f : R3 R3 definida como

f (x1 , x2 , x3 ) = (x1 x2 , x1 + x2 , 2x1 2x2 + x3 ).
Por definicion,
Im(f ) = {y R3 / x R3 , f (x) = y}
= {y R3 / (x1 , x2 , x3 ) R3 , (x1 x2 , x1 x2 , 2x1 2x2 + x3 ) = y}.
Entonces, un elemento de y pertenece a Im(f ) si y solo si es de la forma
y = (x1 x2 , x1 + x2 , 2x1 2x2 + x3 )

= (x1 , x1 , 2x1 ) + (x2 , x2 , 2x2 ) + (0, 0, x3 )
= x1 .(1, 1, 2) + x2 .(1, 1, 2) + x3 .(0, 0, 1).
Luego, Im(f ) = < (1, 1, 2), (1, 1, 2), (0, 0, 1) > = < (1, 1, 2), (0, 0, 1) >.
Otra manera de calcular la imagen de f , teniendo en cuenta que es una transformacion
lineal, es la siguiente:
Consideremos un sistema de generadores de R3 , por ejemplo la base canonica {e1 , e2 , e3 }.
Para cada x R3 se tiene que x = x1 .e1 + x2 .e2 + x3 .e3 , de donde resulta que
f (x) = x1 .f (e1 ) + x2 .f (e2 ) + x3 .f (e3 ).
Luego,
Im(f ) = {f (x) : x R3 } = < f (e1 ), f (e2 ), f (e3 ) > =

= < (1, 1, 2), (1, 1, 2), (0, 0, 1) > = < (1, 1, 2), (0, 0, 1) >.
La proposicion siguiente generaliza el segundo de los procedimientos utilizados en el ejem-

plo anterior para el calculo de la imagen de una transformacion lineal.
Proposicion 3.10 Sean V y W dos K-espacios vectoriales y sea f : V W una transfor-

macion lineal. Entonces, si {vi : i I} es un sistema de generadores de V , {f (vi ) : i I} es
un sistema de generadores de Im(f ).
Demostracion. Por definicion, Im(f ) = {w W / v V, f (v) = w} = {f (v) : v V }.

Si {vi : i I} es un sistema de generadores de V , para cada v V , existen i1 , . . . , in I
Pn
y elementos ij K tales que v = ij vij . Luego
j=1
n
X
f (v) = ij f (vij ) < {f (vi ) : i I} >.
j=1
Esto prueba que Im(f ) < {f (vi ) : i I} >. Es claro que vale la otra inclusion, ya que
f (vi ) Im(f ) para cada i I.
Luego, Im(f ) = < {f (vi ) : i I} >.
Corolario 3.11 Sean V y W dos K-espacios vectoriales y sea f : V W una transfor-

macion lineal. Si V es de dimension finita, entonces Im(f ) tambien lo es y se tiene que
dim(Im(f )) dim V .
Corolario 3.12 Si f : V W es un epimorfismo, y {vi : i I} es un sistema de generadores

de V , entonces {f (vi ) : i I} es un sistema de generadores de W .
Ejemplo. Sean S y T los subespacios de R3 definidos por S = {x R3 / x1 x2 = 0} y

T = {x R3 / x3 = 0}. Hallar una transformacion lineal f : R3 R3 tal que f (S) = T .
Sabemos que para definir una transformacion lineal f : R3 R3 basta con especificar los
valores que toma sobre los elementos de una base de R3 .
Consideramos entonces una base de S, por ejemplo {(1, 1, 0), (0, 0, 1)}, y la extendemos
a una base de R3 , por ejemplo {(1, 1, 0), (0, 0, 1), (1, 0, 0)}. Teniendo en cuenta que T =
< (1, 0, 0), (0, 1, 0) >, definimos:
f (1, 1, 0) = (1, 0, 0), f (0, 0, 1) = (0, 1, 0), f (1, 0, 0) = (0, 0, 1).
Entonces f (S) = < f (1, 1, 0), f (0, 0, 1) > = < (1, 0, 0), (0, 1, 0) > = T .
Observemos que si f : V W es un epimorfismo y {vi : i I} es una base de V ,

entonces {f (vi ) : i I} no es necesariamente una base de Im(f ): Por el corolario anterior, es
un sistema de generadores, pero podra no ser un conjunto linealmente independiente, como
puede verse en el ejemplo presentado en la pagina 69.
Esto es consecuencia de que una transformacion lineal arbitraria no preserva independencia
lineal. En la proposicion siguiente veremos que esto s es valido para el caso de monomorfismos.
Sin embargo, si f : V W no es un monomorfismo, existe v V , v 6= 0, tal que f (v) = 0,
con lo cual {v} V es un conjunto linealmente independiente, pero {f (v)} = {0} W no lo
es.
Proposicion 3.13 Sean V y W dos K-espacios vectoriales y sea f : V W un monomor-

fismo. Entonces, si {vi : i I} V es un conjunto linealmente independiente, {f (vi ) : i
I} W es un conjunto linealmente independiente.
Demostracion. Supongamos que una combinacion lineal de {f (v ) : i

iP I} satisface
P
i f (vi ) = 0. Como f es una transformacion lineal, entonces f i vi = 0, y como
iI P iI
es un monomorfismo, debe ser i vi = 0. La independencia lineal de {vi : i I} implica
iI
que i = 0 i I.
Corolario 3.14 Si f : V W es un monomorfismo y B = {vi : i I} es una base de V ,

entonces {f (vi ) : i I} es una base de Im(f ). En particular, si V es un K-espacio vectorial
de dimension finita, dim(Im(f )) = dim V .
Teniendo en cuenta que un isomorfismo es una transformacion lineal que es a la vez un

epimorfismo y un monomorfismo, de los Corolarios 3.12 y 3.14 se deduce:
Corolario 3.15 Sean V y W dos K-espacios vectoriales y sea f : V W un isomorfismo.

Entonces para toda base B de V , f (B) es una base de W . En particular, si V es de dimension
finita, W tambien lo es y dim V = dim W .
3.1.3 Composicion de transformaciones lineales

La composicion de funciones usual puede realizarse, en particular, entre dos transformaciones
lineales. El resultado es, en este caso, una nueva transformacion lineal.
Proposicion 3.16 Sean V, W y Z K-espacios vectoriales. Sean f : V W y g : W Z

transformaciones lineales. Entonces g f : V Z es una transformacion lineal.
Demostracion. Sean v, v 0 V . Entonces

g f (v + v 0 ) = g f (v + v 0 ) = g f (v) + f (v 0 ) = g(f (v)) + g(f (v 0 )) = g f (v) + g f (v 0 ).
Analogamente, si K y v V , se tiene que
g f ( v) = g(f ( v)) = g( f (v)) = g(f (v)) = (g f (v)).
Finalmente, analizamos las propiedades de la funcion inversa de una transformacion lineal

biyectiva (es decir, un isomorfismo).
Proposicion 3.17 Sean V y W dos K-espacios vectoriales y sea f : V W una transfor-

macion lineal. Si f es un isomorfismo, entonces f 1 : W V es una transformacion lineal
(que resulta ser un isomorfismo).
Demostracion. Sean w, w0 W . Como f es un isomorfismo, existen unicos v, v 0 V tales

que w = f (v) y w0 = f (v 0 ). Entonces
f 1 (w + w0 ) = f 1 (f (v) + f (v 0 )) = f 1 (f (v + v 0 )) = v + v 0 = f 1 (w) + f 1 (w0 ).
Dados w W y K, existe un unico v V tal que w = f (v). Entonces
f 1 ( w) = f 1 ( f (v)) = f 1 (f ( v)) = v = (f 1 (w)).
Luego, f 1 es una transformacion lineal. Es claro que es biyectiva.
3.2 Espacios vectoriales de dimension finita

Al estudiar espacios vectoriales de dimension finita en los captulos anteriores, dijimos que
podramos trabajar en un K-espacio vectorial arbitrario de dimension n como si fuese K n
simplemente considerando vectores de coordenadas. La nocion de isomorfismo nos permite
formalizar esta idea.
Proposicion 3.18 Sea V un K-espacio vectorial de dimension n. Entonces existe un iso-

morfismo f : V K n .
Demostracion. Sea B = {v1 , . . . , vn } una base de V .

P
n
Dado x V , existe unicos x1 , . . . , xn K tales que x = xi vi . Definimos
i=1
f : V K n, f (x) = (x1 , . . . , xn ).
3.3 Teorema de la dimension 73
Veamos que f es una transformacion lineal:

P
n P
n P
n
Sean x, y V . Si x = xi vi e y = yi vi , entonces x + y = (xi + yi )vi . Luego
i=1 i=1 i=1
f (x + y) = (x1 + y1 , . . . , xn + yn ) = (x1 , . . . , xn ) + (y1 , . . . , yn ) = f (x) + f (y).

En forma analoga se prueba que f (.x) = .f (x) para cada K y cada x V .
Es claro que si f (x) = 0, entonces x = 0, de donde f es un monomorfismo.
P
n
Finalmente, dado (x1 , . . . , xn ) K n , consideramos x = xi vi V . Se tiene que f (x) =
i=1
(x1 , . . . , xn ). Luego, f es un epimorfismo.
En consecuencia, f es un isomorfismo.
Ejemplo. Sea K3 [X] = {P K[X] / P = 0 o gr(P ) 3}, que es K-espacio vectorial de

dimension 4.
Un isomorfismo f : K3 [X] K 4 puede definirse como sigue:
P 3
Si P = ai X i , entonces f (P ) = (a0 , a1 , a2 , a3 ), lo que corresponde a considerar en la
i=0
demostracion anterior la base B = {1, X, X 2 , X 3 } de K3 [X].
Observar que, teniendo en cuenta que la aplicacion f definida en la demostracion de la

Proposicion 3.18 es tomar coordenadas en la base B, esto nos permite trabajar con coorde-
nadas en una base en el siguiente sentido:
i) {w1 , . . . , ws } es linealmente independiente en V {f (w1 ), . . . , f (ws )} es linealmente

independiente en K n .
ii) {w1 , . . . , wr } es un sistema de generadores de V {f (w1 ), . . . , f (wr )} es un sistema
de generadores de K n .
iii) {w1 , . . . , wn } es una base de V {f (w1 ), . . . , f (wn )} es una base de K n .
Por ejemplo, para decidir si {X 2 X + 1, X 2 3.X + 5, 2.X 2 + 2.X 3} es una base de

R2 [X], bastara ver si {(1, 1, 1), (1, 3, 5), (2, 2, 3)} es una base de R3 para lo que se puede
usar el metodo de triangulacion.
3.3 Teorema de la dimension

El siguiente resultado relaciona las dimensiones del nucleo y de la imagen de una transfor-
macion lineal con la de su dominio.
Teorema 3.19 (Teorema de la dimension para transformaciones lineales) Sean V y

W dos K-espacios vectoriales, V de dimension finita, y sea f : V W una transformacion
lineal. Entonces
dim V = dim(Nu(f )) + dim(Im(f )).
Demostracion. Sean n = dim V y r = dim(Nu(f )).

Si r = n, entonces f 0 y dim(Im(f )) = 0. Por lo tanto, el teorema vale.
Si r = 0, entonces f es un monomorfismo. En este caso, si B es una base de V , entonces
f (B) es una base de Im(f ). Luego dim(Im(f )) = dim V (ver Corolario 3.14), y el teorema
vale.
Supongamos ahora que 0 < r < n. Sea {v1 , . . . , vr } una base de Nu(f ). Sean vr+1 , . . . , vn
en V tales que {v1 , . . . , vr , vr+1 , . . . , vn } es una base de V .
Veamos que entonces {f (vr+1 ), . . . , f (vn )} es una base de Im(f ), de donde se deduce
inmediatamente el teorema:
Puesto que {v1 , . . . , vr , vr+1 , . . . , vn } es una base de V , se tiene que
Im(f ) = < f (v1 ), . . . , f (vr ), f (vr+1 ), . . . , f (vn ) > = < f (vr+1 ), . . . , f (vn ) >,
pues f (vi ) = 0 para 1 i r.

P
n P
n
Sean r+1 , . . . , n K tales que i f (vi ) = 0. Entonces f i vi = 0, es
i=r+1 i=r+1
P
n
decir, i vi Nu(f ). Como {v1 , . . . , vr } es una base de Nu(f ), existen 1 , . . . , r
i=r+1
K tales que
n
X r
X r
X n
X
i vi = i vi (i )vi + i vi = 0
i=r+1 i=1 i=1 i=r+1
Como {v1 , . . . , vn } es un conjunto linealmente independiente, i = 0 para cada 1

i n. En particular, i = 0 para i = r + 1, . . . , n. Luego, {f (vr+1 ), . . . , f (vn )} es un
conjunto linealmente independiente.
Como consecuencia de este resultado se prueba que si una transformacion lineal entre
dos espacios vectoriales de dimension n es inyectiva (resp. suryectiva), entonces tambien es
suryectiva (resp. inyectiva):
Corolario 3.20 Sean V y W dos K-espacios vectoriales de dimension n y sea f : V W

una transformacion lineal. Son equivalentes:
1. f es un isomorfismo.
2. f es un monomorfismo.
3. f es un epimorfismo.
Demostracion.
(1. 2.) Por definicion.

3.4 Proyectores 75
(2. 3.) Por el teorema de la dimension, n = dim V = dim(Nu(f )) + dim(Im(f )), y como f
es un monomorfismo, dim(Nu(f )) = 0. Entonces dim(Im(f )) = n = dim W , de donde
Im(f ) = W .
(3. 1.) Por el teorema de la dimension, y teniendo en cuenta que f es un epimorfismo, se
tiene que n = dim V = dim(Nu(f )) + dim(Im(f )) = dim(Nu(f )) + n. Esto implica que
dim(Nu(f )) = 0, con lo cual, Nu(f ) = {0} y f es un monomorfismo. Siendo epimorfismo
y monomorfismo, resulta que f es un isomorfismo.
A diferencia de lo que sucede para muchos de los resultados que hemos demostrado, en
el corolario anterior la hipotesis de que los espacios vectoriales sean de dimension finita es
esencial. El resultado no vale para transformaciones lineales definidas en espacios de dimension
infinita:
Ejemplo. Sea V = K[X].
1. Sea f : K[X] K[X], f (P ) = P 0 , que es una transformacion lineal.

P n P ai i
n+1
f es epimorfismo: Sea Q = ai X i . Entonces f i X = Q.
i=0 i=1
f no es monomorfismo: f (1) = 0, pero 1 6= 0.
2. Sea g : K[X] K[X], g(P ) = X.P .
g es monomorfismo: Si f (P ) = X.P = 0, entonces P = 0.
g no es epimorfismo: 1
/ Im(f ).
3.4 Proyectores
Definicion 3.21 Sea V un K-espacio vectorial. Una transformacion lineal f : V V se
llama un proyector si f f = f .
Proposicion 3.22 Sea V un K-espacio vectorial, y sea f : V V una transformacion

lineal. Entonces f es un proyector si y solo si f (x) = x para cada x Im(f ).
Demostracion.
() Supongamos que f es un proyector. Sea x Im(f ). Entonces existe v V tal que

x = f (v). Luego, f (x) = f (f (v)) = f f (v) = f (v) = x.
() Sea v V . Entonces f (v) Im(f ) y, por hipotesis, f (f (v)) = f (v), es decir, f f (v) =
f (v). Como esto vale para cada v V , resulta que f f = f .
Proposicion 3.23 Sea V un K-espacio vectorial y sea f : V V un proyector. Entonces

Nu(f ) Im(f ) = V .
Demostracion. En primer lugar, veamos que Nu(f ) Im(f ) = {0}: Sea x Nu(f ) Im(f ).
Como x Im(f ), por la proposicion anterior, f (x) = x. Pero x Nu(f ), de donde f (x) = 0.
Luego, x = 0.
Veamos ahora que Nu(f ) + Im(f ) = V : Sea x V . Entonces x = (x f (x)) + f (x) y se
tiene que f (x f (x)) = f (x) f f (x) = f (x) f (x) = 0, con lo que x f (x) Nu(f ) y
f (x) Im(f ).
Proposicion 3.24 Sea V un K-espacio vectorial, y sean S y T subespacios de V tales que

S T = V . Entonces existe un unico proyector f : V V tal que Nu(f ) = S, Im(f ) = T .
Demostracion. Como V = S T , para cada x V , existen unicos s S y t T tales que

x = s + t. Entonces, si f : V V es un proyector tal que Nu(f ) = S, Im(f ) = T , se tiene
que f (x) = f (s + t) = f (s) + f (t) = 0 + t = t, donde la penultima igualdad es consecuencia
de que f es un proyector y t Im(f ) (ver Proposicion 3.22).
Consideremos entonces la funcion f : V V definida por
f (x) = t si x = s + t con s S, t T.
Observamos que f es una transformacion lineal:
Si x, x0 V tales que x = s + t, x0 = s0 + t0 , con s, s0 S y t, t0 T , entonces

x + x0 = (s + s0 ) + (t + t0 ) con s + s0 S y t + t0 T (puesto que S y T son subespacios
de V ) y, por lo tanto, f (x + x0 ) = t + t0 = f (x) + f (x0 ).
Si K y x V , x = s + t con s S, t T , entonces .x = (.s) + (.t) con .s S,
.t T . Luego f (.x) = .t = .f (x).
Ademas, f es un proyector: Si x V y x = s + t con s S, t T , entonces f f (x) =

f (f (s + t)) = f (t) = f (0 + t) = f (x).
Es claro que Im(f ) = T . Veamos que Nu(f ) = S: Si x Nu(f ) y x = s + t con s S,
t T , entonces 0 = f (x) = t, con lo cual, x = s S. Por otro lado, si s S, entonces
s = s + 0 con s S, 0 T y, por lo tanto, f (s) = 0.
Luego, la funcion f que hemos definido es el unico proyector f : V V con Nu(f ) = S,
Im(f ) = T .
3.5 Representacion matricial

Uno de los primeros ejemplos de transformaciones lineales que hemos visto son aquellas de
la forma f : K n K m , f (x) = A.x con A K mn (cuando quede claro por el contexto,
suprimiremos el signo de t , escribiendo A.x en lugar de (A.xt )t ).
En esta seccion veremos que toda transformacion lineal entre espacios vectoriales de di-
mension finita puede representarse de esta manera. Para esto, utilizaremos de manera funda-
mental el hecho de que fijada una base de un K-espacio vectorial V de dimension finita n, se
tiene un isomorfismo entre V y K n tomando coordenadas en dicha base.
3.5 Representacion matricial 77
En esta seccion todos los espacios vectoriales considerados seran de dimension finita.
3.5.1 Matriz de una transformacion lineal

Si V y W son K-espacios vectoriales de dimension n y m respectivamente, una transformacion
lineal f : V W queda unvocamente determinada por los n vectores de W que son los valores
de f en una base cualquiera de V . Ademas, fijada una base de W , estos n vectores quedan
determinados por medio de sus vectores de coordenadas en K m . Se define entonces una matriz
asociada a f que contiene toda esta informacion.
Definicion 3.25 Sean V y W dos K-espacios vectoriales de dimension finita. Sean B1 =

{v1 , . . . , vn } una base de V y B2 = {w1 , . . . , wm } una base de W . Sea f : V W una
Pm
transformacion lineal. Supongamos que f (vj ) = ij wi (1 j n). Se llama matriz de f
i=1
en las bases B1 , B2 , y se nota |f |B1 B2 , a la matriz en K mn definida por (|f |B1 B2 )ij = ij
para cada 1 i m, 1 j n.
Notacion. Si f : V V y B1 = B2 = B, notaremos |f |B = |f |BB .
Ejemplo. Sea f : R3 R2 , f (x1 , x2 , x3 ) = (x1 + 2x2 x3 , x1 + 3x2 ), y sean B1 y B2 las

bases canonicas de R3 y R2 respectivamente. Se tiene que
f (1, 0, 0) = (1, 1), f (0, 1, 0) = (2, 3), f (0, 0, 1) = (1, 0).

1 2 1
Entonces |f |B1 B2 = .
1 3 0
Observacion 3.26 Si consideramos la transformacion lineal asociada a una matriz A

K nm , fA : K m K n definida por fA (x) = A.x, entonces, a partir de la definicion an-
terior, la matriz de fA en las bases canonicas E y E 0 de K m y K n respectivamente resulta
ser |fA |EE 0 = A.
Observacion 3.27 Sea V un K-espacio vectorial de dimension n, y sean B1 y B2 bases de

V . Entonces |idV |B1 B2 = C(B1 , B2 ), la matriz de cambio de base de B1 a B2 (ver Definicion
2.16).
Mediante el uso de las matrices introducidas en la Definicion 3.25 y de vectores de coorde-

nadas, toda transformacion lineal puede representarse como la multiplicacion por una matriz
fija.
Proposicion 3.28 Sean V y W dos K-espacios vectoriales de dimension finita, y sea

f : V W una transformacion lineal. Si B1 y B2 son bases de V y W respectivamente,
entonces para cada x V ,
|f |B1 B2 . (x)B1 = (f (x))B2 .
Demostracion. Supongamos que B1 = {v1 , . . . , vn }.

P
n
Sea x V y sea (x)B1 = (x1 , . . . , xn ), es decir, x = x i vi .
i=1
Para cada 1 i n, sea Ci la i-esima columna de |f |B1 B2 . Por definicion, Ci = (f (vi ))B2 .
Entonces
|f |B1 B2 . (x)B1 = x1 .C1 + + xn .Cn =
= x1 .(f (v1 ))B2 + + xn .(f (vn ))B2 =
X n
= xi f (vi ) = (f (x))B2 .
B2
i=1
3.5.2 Matriz de la composicion y cambios de bases

La composicion de dos transformaciones lineales se traduce como la multiplicacion de sus
matrices.
Proposicion 3.29 Sean V , W y U tres K-espacios vectoriales de dimension finita. Sean B1 ,

B2 y B3 bases de V , W y U respectivamente. Sean f : V W y g : W U transformaciones
lineales. Entonces
|g f |B1 B3 = |g|B2 B3 .|f |B1 B2 .
Demostracion. Sean n = dim V , m = dim W y r = dim U . Entonces |g|B2 B3 K rm y

|f |B1 B2 K mn , con lo que |g|B2 B3 .|f |B1 B2 K rn . Ademas |g f |B1 B3 K rn .
Para cada x V se tiene que
|g|B2 B3 .|f |B1 B2 .(x)B1 = |g|B2 B3 .(f (x))B2 = g(f (x))B3 = (g f (x))B3 = |g f |B1 B3 .(x)B1
Luego, |g|B2 B3 .|f |B1 B2 = |g f |B1 B3 (ver Proposicion 2.18).
Corolario 3.30 Sean V y W dos K-espacios vectoriales de dimension finita, y sean B1 y

B2 bases de V y W respectivamente. Sea f : V W un isomorfismo. Entonces |f 1 |B2 B1 =
(|f |B1 B2 )1 .
Demostracion. Se deduce inmediatamente aplicando la proposicion anterior a f 1 f = idV

y f f 1 = idW .
Concluimos esta seccion estudiando como se puede obtener a partir de la matriz de una
transformacion lineal f : V W en un par de bases B1 y B2 de V y W respectivamente, la
matriz de la misma transformacion lineal en cualquier otro par de bases B10 y B20 de dichos
espacios.
Proposicion 3.31 Sean V y W dos K-espacios vectoriales de dimension finita. Sean B1 , B10
bases de V y B2 , B20 bases de W . Entonces
|f |B10 B20 = C(B2 , B20 ).|f |B1 B2 .C(B10 , B1 ).
3.6 Rango de una matriz 79
Demostracion. Se tiene que f = idW f idV . Aplicando dos veces el resultado dado en la
Proposicion 3.29 y el hecho que la matriz de la transformacion lineal identidad en un par de
bases coincide con la matriz de cambio de base entre las mismas, se obtiene
|f |B10 B20 = |idW f idV |B10 B20 = |idW f |B1 B20 |idV |B10 B1 =
= |idW |B2 B20 .|f |B1 B2 .|idV |B10 B1 = C(B2 , B20 ).|f |B1 B2 .C(B10 , B1 ),
que es lo que se quera probar.
3.6 Rango de una matriz

Utilizando la relacion entre matrices y transformaciones lineales introduciremos un nuevo
invariante asociado a una matriz: su rango.
3.6.1 Rango columna y rango fila

Sean V y W dos K-espacios vectoriales tales que dim V = m y dim W = n, y sean B1 y B2
bases de V y W respectivamente. Sea f : V W una transformacion lineal. Consideremos
la matriz de f en las bases B1 y B2 dada por sus columnas:
|f |B1 B2 = (C1 | . . . | Cm ) K nm .
Si B1 = {v1 , . . . , vm }, entonces Im(f ) = < f (v1 ), . . . , f (vm ) >. Tomando coordenadas en la

base B2 se obtiene un subespacio T K n dado por T = < (f (v1 ))B2 , . . . , (f (vm ))B2 > =
< C1 , . . . , Cm >. Como tomar coordenadas en una base es un isomorfismo, se tiene que
dim(Im(f )) = dim < C1 , . . . , Cm >.
Esto motiva la siguiente definicion:
Definicion 3.32 Sea A K nm . Se llama rango columna de A, y se nota rgC (A), a la di-
mension del subespacio de K n generado por las columnas de A, es decir, si A = (C1 | | Cm ),
entonces rgC (A) = dim < C1 , . . . , Cm >.
Mediante el calculo del rango columna de una matriz A es posible obtener la dimension
del subespacio de soluciones del sistema lineal homogeneo asociado a A:
Observacion 3.33 Sea A K nm y sea S = {x K m / A.x = 0}. Entonces dim S =

m rgC (A).
En efecto, consideramos la transformacion lineal asociada a A, fA : K m K n definida

por fA (x) = A.x. Entonces A = |fA |EE 0 (donde E y E 0 son las bases canonicas de K m y K n
respectivamente) y S = Nu(fA ). Entonces
dim S = dim(Nu(fA )) = m dim(Im(fA )) = m rgC (A).


1 2 3
Ejemplo. Sea A R33 , A = 1 2 1 , y sea S = {x R3 / A.x = 0}. Entonces
1 2 4
dim S = 3 rgC (A) = 3 dim < (1, 1, 1), (2, 2, 2), (3, 1, 4) > = 3 2 = 1.
Teniendo en cuenta el subespacio generado por las filas de una matriz en lugar del generado
por sus columnas puede darse la siguiente definicion de rango fila analoga a la de rango
columna.
Definicion 3.34 Sea A K nm . Se define el rango fila de A, y se nota rgF (A),como

la
F1

dimension del subespacio de K m generado por las filas de A. Es decir, si A = ... ,
Fn
entonces rgF (A) = dim < F1 , . . . , Fn >.
Observacion 3.35 Sea A K nm . Entonces rgF (A) = rgC (At ).
Nuestro siguiente objetivo es mostrar que el rango fila y el rango columna de una matriz
coinciden. Para hacer esto nos basaremos en la observacion anterior. Primero mostraremos
que el rango columna de una matriz A no cambia si se la multiplica a izquierda o derecha por
matrices inversibles.
Lema 3.36 Sea A K nm . Sean C GL(n, K) y D GL(m, K). Entonces
rgC (A) = rgC (C.A.D).
Demostracion. Sea fA : K m K n la transformacion lineal inducida por la multiplicacion a

izquierda por A. Si E y E 0 son las bases canonicas de K m y K n respectivamente, se tiene
que |fA |EE 0 = A y por lo tanto, rgC (A) = dim(Im(fA )).
Por la Proposicion 2.22, puesto que D GL(m, K), existe una base B1 de K m tal que
D = C(B1 , E), y como C GL(n, K), existe una base B2 de K n tal que C = C(E 0 , B2 ).
Entonces
C.A.D = C(E 0 , B2 ).|fA |EE 0 .C(B1 , E) = |fA |B1 B2 ,
de donde rgC (C.A.D) = dim(Im(fA )) = rgC (A).
Ahora veremos que multiplicando a A por matrices inversibles convenientes se puede

obtener una matriz tal que su rango y el de su transpuesta son faciles de comparar.
Lema 3.37 Sea A K nm {0}. Entonces existen k N, 1 k min{n, m}, y matrices

C GL(n, K) y D GL(m, K) tales que
(
0 si i 6= j
(C.A.D)ij = 1 si i = j k
0 si i = j > k
3.6 Rango de una matriz 81
Demostracion. Consideremos la transformacion lineal fA : K m K n inducida por la multi-

plicacion a izquierda por A. Sea {v1 , . . . , vs } una base de Nu(fA ) y sean w1 , . . . , wms K m
tales que
B1 = {w1 , . . . , wms , v1 , . . . , vs }
es una base de K m (si Nu(fA ) = {0}, s = 0 y se toma una base B1 cualquiera de K m ).
Entonces {fA (w1 ), . . . , fA (wms )} es una base de Im(fA ) y puede extenderse a una base
de K n . Sean z1 , . . . , znm+s K n tales que
B2 = {fA (w1 ), . . . , fA (wms ), z1 , . . . , znm+s }
es una base de K n .
Se tiene que (
0 si i 6= j
(|fA |B1 B2 )ij = 1 si i = j m s
0 si i = j > m s
Observamos que
|fA |B1 B2 = C(E 0 , B2 ).|fA |EE 0 .C(B1 , E) = C.A.D,
donde C = C(E 0 , B2 ) GL(n, K) y D = C(B1 , E) GL(m, K).
Proposicion 3.38 Sea A K nm . Entonces rgC (A) = rgF (A).
Demostracion. Es claro que el resultado vale si A = 0. Dada A K nm {0}, por el lema

anterior, existen matrices C GL(n, K), D GL(m, K) y k N, tales que
(
0 si i 6= j
(C.A.D)ij = 1 si i = j k
0 si i = j > k
Por el Lema 3.36 se tiene que rgC (A) = rgC (C.A.D), y es claro que rgC (C.A.D) = k.
Por otro lado, transponiendo se obtiene
(
0 si i 6= j
t t t
(D .A .C )ij = 1 si i = j k
0 si i = j > k
con Dt GL(m, K) y C t GL(n, K), de donde rgC (At ) = rgC (Dt .At .C t ) = k.
En consecuencia
rgF (A) = rgC (At ) = rgC (Dt .At .C t ) = k = rgC (A).
Definicion 3.39 Sea A K nm . Al numero rgC (A) = rgF (A) lo llamaremos el rango de la
matriz A, y lo notaremos rg(A).
La Observacion 3.33 puede ahora reescribirse utilizando la nocion de rango de una matriz.
Proposicion 3.40 Sea A K nm y sea S = {x K m / A.x = 0}. Entonces dim S =

m rg(A).
Esto significa que la dimension del espacio de soluciones de un sistema lineal homogeneo es
igual a la cantidad de incognitas menos la cantidad de ecuaciones independientes.
3.6.2 Equivalencia de matrices

Definicion 3.41 Sean A, B K nm . Se dice que A es equivalente a B, y se nota A B, si
existen matrices C GL(n, K) y D GL(m, K) tales que A = C.B.D.
Es inmediato verificar que es una relacion de equivalencia.
Como hemos visto en la seccion anterior, si dos matrices son equivalentes entonces tienen
el mismo rango. A continuacion veremos que la recproca de esta propiedad tambien es cierta.
En consecuencia, el rango resulta ser un invariante que nos permite determinar facilmente si
dos matrices son equivalentes.
Proposicion 3.42 Sean A, B K nm . Entonces A B rg(A) = rg(B).
Demostracion.
() Es consecuencia del Lema 3.36.
() Supongamos que rg(A) = rg(B) = k. Entonces existen matrices C1 , C2 GL(n, K) y

D1 , D2 GL(m, K) tales que
( (
0 si i 6= j 0 si i 6= j
(C1 .A.D1 )ij = 1 si i = j k y (C2 .B.D2 )ij = 1 si i = j k
0 si i = j > k 0 si i = j > k
En consecuencia, C1 .A.D1 = C2 .B.D2 , de donde
A = (C11 .C2 ).B.(D2 .D11 ) = C.B.D
con C = C11 .C2 GL(n, K) y D = D2 .D11 GL(m, K).

Luego, A B.
Finalmente, la siguiente proposicion caracteriza matrices equivalentes por medio de trans-

formaciones lineales: dos matrices son equivalentes si y solo si son las matrices de una misma
transformacion lineal en distintas bases.
Proposicion 3.43 Sean A, B K nm . Entonces A B si y solo si existe una transfor-

macion lineal f : K m K n y bases B1 , B10 de K m y B2 , B20 de K n tales que |f |B1 B2 = A y
|f |B10 B20 = B.
3.7 Espacios vectoriales de transformaciones lineales 83
Demostracion. La validez de () se deduce de la proposicion anterior, teniendo en cuenta

que rg(A) = dim(Im(f )) = rg(B).
Veamos que vale la otra implicacion. Consideremos la transformacion lineal f : K m K n
definida por f (x) = B.x. Entonces B = |f |EE 0 , donde E y E 0 son las bases canonicas de K m
y K n respectivamente.
Por definicion, si A B, existen matrices inversibles C y D tales que A = C.B.D. Sea
B1 base de K m tal que D = C(B1 , E) y sea B2 base de K n tal que C = C(E 0 , B2 ). Entonces
A = C.B.D = C(E 0 , B2 )|f |EE 0 C(B1 , E) = |f |B1 B2 .
3.7 Espacios vectoriales de transformaciones lineales

Fijados dos K-espacios vectoriales V y W , tiene sentido considerar el conjunto de todas las
transformaciones lineales de V en W . En esta seccion, estudiaremos la estructura de estos
conjuntos de transformaciones lineales.
Definicion 3.44 Sean V y W dos K-espacios vectoriales. Definimos

HomK (V, W ) = {f : V W / f es una transformacion lineal }.
Definimos ahora una operacion en HomK (V, W ) y una accion de K en HomK (V, W ) que
lo convierten en un K-espacio vectorial:
Suma. Dadas f, g HomK (V, W ) se define f + g como
(f + g)(x) = f (x) + g(x) x V.
Veamos que f + g HomK (V, W ), con lo cual + resulta un operacion en HomK (V, W ):
Es claro que f + g : V W .
f + g es una transformacion lineal:
Para cada x, y V , se tiene que
(f + g)(x + y) = f (x + y) + g(x + y) = f (x) + f (y) + g(x) + g(y) =

= f (x) + g(x) + f (y) + g(y) = (f + g)(x) + (f + g)(y).
Por otro lado, para cada K y cada x V vale
(f + g)( x) = f ( x) + g( x) = f (x) + g(x) =
= (f (x) + g(x)) = (f + g)(x).
Es facil verificar que (HomK (V, W ), +) es un grupo abeliano.

Producto por escalares. Dados f HomK (V, W ) y K se define ( f ) : V W como
( f )(x) = f (x) x V.
Veamos que f HomK (V, W ), y por lo tanto, es una accion de K en HomK (V, W ):
Por definicion, f : V W .
f es una transformacion lineal:
Para todo par de elementos x, y V :
( f )(x + y) = (f (x + y)) = (f (x) + f (y)) = f (x) + f (y) =

= ( f )(x) + ( f )(y).
Para todo K y todo x V :
( f )( x) = (f ( x)) = ( f (x)) = ( ) f (x) =

= ( f (x)) = ( f )(x) .
Ademas se cumplen las siguientes propiedades: Si , K y f, g HomK (V, W ),
i) (f + g) = f + g
ii) ( + ) f = f + f
iii) 1 f = f
iv) ( ) f = ( f )
En consecuencia:
Proposicion 3.45 (HomK (V, W ), +, ) es un K-espacio vectorial.
En el caso en que ambos V y W son K-espacios vectoriales de dimension finita, dim V = n

y dim W = m, este K-espacio vectorial resulta ser isomorfo a K mn .
Proposicion 3.46 Sean V y W dos K-espacios vectoriales de dimension finita, con dim V =
n y dim W = m. Sean B y B 0 bases de V y W respectivamente. Entonces la funcion
T : HomK (V, W ) K mn definida por T (f ) = |f |BB 0 es un isomorfismo.
Demostracion. Supongamos que B = {v1 , . . . , vn } y B 0 = {w1 , . . . , wm }.
T es una transformacion lineal:

Sean f, g HomK (V, W ). Por definicion, T (f + g) = |f + g|BB 0 . Observemos que la
j-esima columna de esta matriz es

(f + g)(vj ) B 0 = f (vj ) + g(vj ) B 0 = (f (vj ))B 0 + (g(vj ))B 0 ,
es decir, es la suma de las j-esimas columnas de |f |BB 0 y |g|BB 0 .

Luego, |f + g|BB 0 = |f |BB 0 + |g|BB 0 o, equivalentemente, T (f + g) = T (f ) + T (g).
En forma analoga se prueba que T ( f ) = T (f ).
3.8 Ejercicios 85
T es un isomorfismo:
T es monomorfismo: Sea f HomK (V, W ) tal que T (f ) = 0, es decir, |f |BB 0 = 0.
Entonces, Im(f ) = {0}, de donde f 0.

T es epimorfismo: Sea A K mn . Consideramos fA : V W definida por fA (x) B 0 =
t
A.(x)tB para cada x V .
Se tiene que fA HomK (V, W ) y T (fA ) = |fA |BB 0 = A.
3.8 Ejercicios
Ejercicio 1. Determinar cuales de las siguientes aplicaciones son lineales.

i) f : R3 R2 , f (x1 , x2 , x3 ) = (x2 3.x1 + 2.x3 , x1 12 .x2 )
ii) f : R2 R3 , f (x1 , x2 ) = (x1 x2 , 2.x2 , 1 + x1 )
iii) f : R3 R3 , f (x1 , x2 , x3 ) = (2.x1 7.x3 , 0 , 3.x2 + 2.x3 )
iv) f : R2 R2 , f (x1 , x2 ) = (x1 + x2 , |x1 |)
v) f : C C , f (z) = i.z (considerando a C como R-espacio vectorial y como C-espacio
vectorial)
vi) f : C C , f (z) = i.Im(z) (considerando a C como R-espacio vectorial y como C-
espacio vectorial)
vii) f : C C , f (z) = z (considerando a C como R-espacio vectorial y como C-espacio
vectorial)

22 a11 a12
viii) f : R R, f = a11 .a22 a12 .a21
a21 a22

a11 a12 a13
ix) f : R23 R3 , f = (3.a13 a23 , a11 + 2.a22 a23 , a22 a12 )
a21 a22 a23

a11 a12 a22 0 a12 + a21
x) f : R22 R23 , f =
a21 a22 0 a11 a22 a11

a11 a12 a11 a12
xi) f : C22 C22 , f = (considerando a C22 como R-espacio
a21 a22 a21 a22
vectorial y como C-espacio vectorial)
Ejercicio 2. Interpretar geometricamente las siguientes aplicaciones lineales f : R2 R2 .
i) f (x, y) = (x, 0)
ii) f (x, y) = (0, y)
iii) f (x, y) = (x, y)

iv) f (x, y) = ( 12 .(x + y), 12 .(x + y))
v) f (x, y) = (x.cos t y.sen t , x.sen t + y.cos t)
Ejercicio 3.
i) Encontrar una funcion f : V V (para un K-espacio vectorial V conveniente) que

cumpla f (v + w) = f (v) + f (w) para cualquier par de vectores v , w V pero que no
sea una transformacion lineal.
ii) Encontrar una funcion f : V V (para un K-espacio vectorial V conveniente) que
cumpla f (k.v) = k.f (v) para cualquier escalar k K y cualquier vector v V pero que
no sea una transformacion lineal.
Ejercicio 4. Probar la linealidad de las siguientes aplicaciones:
i) tr : K nn K
ii) t : K nm K mn , t(A) = At
iii) f : K nm K rm , f (A) = B.A donde B K rn
iv) : C (R) C (R), (f ) = f 0
v) : K[X] K, (f ) = f () donde K
vi) s : K N K N , s({ai }iN ) = (0, a1 , a2 , . . . , an , . . .)
Ejercicio 5.
i) Probar que existe una unica transformacion lineal f : R2 R2 tal que f (1, 1) = (5, 3)
y f (1, 1) = (5, 2). Para dicha f , determinar f (5, 3) y f (1, 2).
ii) Existira una transformacion lineal f : R2 R2 tal que f (1, 1) = (2, 6), f (1, 1) =
(2, 1) y f (2, 7) = (5, 3)?
iii) Sean f, g : R3 R3 transformaciones lineales tales que
f (1, 0, 1) = (1, 2, 1), f (2, 1, 0) = (2, 1, 0), f (1, 0, 0) = (1, 2, 1),

g(1, 1, 1) = (1, 1, 0), g(3, 2, 1) = (0, 0, 1), g(2, 2, 1) = (3, 1, 2).
Determinar si f = g.
iv) Hallar todos los a R para los cuales exista una transformacion lineal f : R3 R3
que satisfaga que f (1, 1, 1) = (2, a, 1) , f (1, 1, 2) = (a2 , 1, 1) y f (1, 1, 2) =
(5, 1, 7).
3.8 Ejercicios 87
v) Hallar una formula para todas las tranformaciones lineales f : R3 [X] R3 que satis-
facen f (X 3 + 2X 2 X + 4) = (6, 5, 3), f (3X 2 + 2X 5) = (0, 0, 3), f (X 3 2X 2 +
3X 2) = (0, 1, 1) y f (2X 3 3X 2 + 7) = (6, 4, 7).
Ejercicio 6.
i) Calcular bases del nucleo y de la imagen para cada tranformacion lineal del ejercicio 1.
Decidir, en cada caso, si f es epimorfismo, monomorfismo o isomorfismo. En el caso
que sea isomorfismo, calcular f 1 .
ii) Clasificar las transformaciones lineales tr , t , , y s del ejercicio 4 en epimorfismos,
monomorfismos e isomorfismos.
Ejercicio 7. Sean f : R3 R4 , f (x1 , x2 , x3 ) = (x1 + x2 , x1 + x3 , 0, 0) y g : R4 R2 ,

g(x1 , x2 , x3 , x4 ) = (x1 x2 , 2x1 x2 ). Calcular el nucleo y la imagen de f , de g y de g f .
Decidir si son monomorfismos, epimorfismos o isomorfismos.
Ejercicio 8. Sean g : V V 0 y f : V 0 V 00 transformaciones lineales. Probar:
i) Nu(g) Nu(f g).

ii) Si Nu(f ) Im(g) = {0}, entonces Nu(g) = Nu(f g).
iii) Im(f g) Im(f ).
iv) Si Im(g) = V 0 , entonces Im(f g) = Im(f ).
Ejercicio 9.
i) Sean S, T R4 los subespacios definidos por S = {(x1 , x2 , x3 , x4 )/ x1 + x2 + x3 = 0}

y T = {(x1 , x2 , x3 , x4 ) / 2.x1 + x4 = 0 , x2 x3 = 0}.
Existira algun isomorfismo f : R4 R4 tal que f (S) = T ?
ii) Existira algun monomorfismo f : R3 R2 ?
iii) Existira algun epimorfismo f : R2 R3 ?
iv) Sean v1 = (1, 0, 1, 0), v2 = (1, 1, 1, 0) y v3 = (1, 1, 1, 1). Existira alguna transformacion
lineal f : R2 R4 tal que {v1 , v2 , v3 } Im(f )?
Ejercicio 10. Determinar si existe (y en caso afirmativo hallar) una transformacion lineal
f : R3 R4 que verifique Im(f ) = S y Nu(f ) = T en los siguientes casos:
i) S = {(x1 , x2 , x3 , x4 )/x1 + x2 x3 + 2.x4 = 0}, T = < (1, 2, 1) >

ii) S = {(x1 , x2 , x3 , x4 )/x1 + x2 = 0, x3 + x4 = 0}, T = < (1, 2, 1) >
Ejercicio 11. En cada uno de los siguientes casos encontrar una transformacion lineal
f : R3 R3 que verifique lo pedido:
i) (1, 1, 0) Nu(f ) y dim(Im(f )) = 1

ii) Nu(f ) Im(f ) = < (1, 1, 2) >
iii) f 6= 0 y Nu(f ) Im(f )
iv) f 6= 0 y f f = 0
v) f 6= Id y f f = Id
vi) Nu(f ) 6= {0}, Im(f ) 6= {0} y Nu(f ) Im(f ) = {0}
Ejercicio 12. En cada uno de los siguientes casos construir un proyector f : R3 R3 que
cumpla:
i) Im(f ) = {(x1 , x2 , x3 )/x1 + x2 + x3 = 0}

ii) Nu(f ) = {(x1 , x2 , x3 )/x1 + x2 + x3 = 0}
iii) Nu(f ) = {(x1 , x2 , x3 )/3.x1 x3 = 0} e Im(f ) = < (1, 1, 1) >
Ejercicio 13. Sea V un K-espacio vectorial y sea f : V V un proyector. Probar que

g = idV f es un proyector con Im(g) = Nu(f ) y Nu(g) = Im(f ).
Ejercicio 14. Sea V un K-espacio vectorial y sea f : V V una transformacion lineal. Se

dice que f es nilpotente si s N tal que f s = 0.
i) Probar que si f es nilpotente, entonces f no es ni monomorfismo ni epimorfismo.

ii) Si V es de dimension n probar que f es nilpotente f n = 0.
(Sugerencia: considerar si las inclusiones Nu(f i ) Nu(f i+1 ) son estrictas o no).
iii) Sea B = {v1 , . . . , vn } una base de V . Se define la transformacion lineal f : V V de
la siguiente forma: n
vi+1 si 1 i n 1
f (vi ) =
0 si i = n
Probar que f n = 0 y f n1 6= 0.
iv) Si V = Rn , para cada i , 2 i n, construir una transformacion lineal nilpotente
f : Rn Rn tal que f i = 0 y f i1 6= 0.
Ejercicio 15. Sea S = < (1, 1, 0, 1), (2, 1, 0, 1) > R4 .
i) Hallar una transformacion lineal f : R4 R2 tal que Nu(f ) = S.

3.8 Ejercicios 89
ii) Hallar ecuaciones para S (usar i)).

iii) Hallar un sistema de ecuaciones lineales cuyo conjunto de soluciones sea
< (1, 1, 0, 1), (2, 1, 0, 1) > + (0, 1, 1, 2).
Ejercicio 16.
i) Sea S K n el conjunto de soluciones de un sistema lineal homogeneo. Encontrar una

transformacion lineal f : K n K n tal que Nu(f ) = S.
ii) Sea T K n el conjunto de soluciones de un sistema lineal no homogeneo. Encontrar
una transformacion lineal f : K n K n y x K n tales que T = f 1 (x).
Ejercicio 17. Sea f : V V una tranformacion lineal y sean B, B 0 bases de V . Calcular

|f |BB 0 en cada uno de los siguientes casos:
i) V = R3 , f (x1 , x2 , x3 ) = (3.x1 2.x2 + x3 , 5.x1 + x2 x3 , x1 + 3.x2 + 4.x3 ),

B = B 0 la base canonica de R3
ii) V = R3 , f (x1 , x2 , x3 ) = (3.x1 2.x2 + x3 , 5.x1 + x2 x3 , x1 + 3.x2 + 4.x3 ),
B = {(1, 2, 1), (1, 1, 3), (2, 1, 1)} y B 0 = {(1, 1, 0), (1, 2, 3), (1, 3, 1)}
iii) V = C2 , f (x1 , x2 ) = (2.x1 i.x2 , x1 + x2 ), B = B 0 es la base canonica de C2 como
C-espacio vectorial.
iv) V = C2 , f (x1 , x2 ) = (2.x1 i.x2 , x1 + x2 ), B = B 0 = {(1, 0), (0, 1), (i, 0), (0, i)} con-
siderando a C2 como R-espacio vectorial.
v) V = R4 [X], f (P ) = P 0 , B = B 0 = {1, X, X 2 , X 3 , X 4 }
vi) V = R4 [X], f (P ) = P 0 , B = B 0 = {X 4 , X 3 , X 2 , X, 1}
vii) V = R4 [X], f (P ) = P 0 , B = {1, X, X 2 , X 3 , X 4 } y B 0 = {X 4 , X 3 , X 2 , X, 1}
viii) V = R22 , f (A) = At , B = B 0 la base canonica de R22 .
ix) V , f y B = B 0 como en el ejercicio 14, iii)
Ejercicio 18. Sean B = {v1 , v2 , v3 } una base de R3 y B 0 = {w1 , w2 , w3 , w4 } una base de R4 .

Sea f : R3 R4 la transformacion lineal tal que

1 2 1
1 1 1
|f |BB 0 =
2 1 4
3 2 5
i) Hallar f (3.v1 + 2.v2 v3 ). Cuales son sus coordenadas en la base B 0 ?

ii) Hallar una base de Nu(f ) y una base de Im(f ).

iii) Describir el conjunto f 1 (w1 3.w3 w4 ).
Ejercicio 19. Sea V un K-espacio vectorial y B = {v1 , v2 , v3 , v4 } una base de V . Sea

f : V V la transformacion lineal tal que

1 1 1 1
1 1 1 0
|f |B =
1 1 0 0
1 0 0 0
i) Calcular |f 1 |B .
ii) Calcular f 1 (v1 2.v2 + v4 ).
Ejercicio 20. En cada uno de los siguientes casos, hallar una matriz A Rnn para un n
adecuado que verifique:
i) A 6= In y A3 = In .
ii) A 6= 0; A 6= In y A2 = A.
Ejercicio 21. Sea V un K-espacio vectorial de dimension finita y sea B una base de V .
i) Sea tr : Hom(V, V ) K la aplicacion definida por tr(f ) = tr(|f |B ). Probar que tr(f )
no depende de la base B elegida.
tr(f ) se llama la traza del endomorfismo f .
ii) Probar que tr : Hom(V, V ) K es una transformacion lineal.
Ejercicio 22. Sean B = {v1 , v2 , v3 }, U = {v1 + v3 , v1 + 2.v2 + v3 , v2 + v3 } y U 0 = {w1 , w2 , w3 }

bases de R3 , y sea E la base canonica de R3 . Sea f : R3 R3 la transformacion lineal tal
que
1 1 3 1 1 0
|f |BE = 2 1 1 y |f |U U 0 = 0 1 1
3 2 1 0 0 1
Determinar U 0 .
Ejercicio 23.
i) Sea f : R4 R4 la trasformacion lineal definida por
f (x1 , x2 , x3 , x4 ) = (0, x1 , x1 + x2 , x1 + x2 + x3 )
y sea v = (1, 0, 0, 0). Probar que B = {v, f (v), f 2 (v), f 3 (v)} es una base de R4 . Calcular
|f |B .
3.8 Ejercicios 91
ii) Sea V un K-espacio vectorial de dimension n y sea f : V V una tranformacion lineal

tal que f n = 0 y f n1 6= 0. Probar que existe una base B de V tal que
n
1 si i = j + 1
|f |B ij
=
0 si no
/ Nu(f n1 )).
(Sugerencia: elegir v1
Ejercicio 24. Sea V un K-espacio vectorial de dimension n y sea f : V V un proyector.

Probar que existe una base B de V tal que
n
|f |B ij = 1 si i = j ; i dim(Im(f ))
0 si no
Ejercicio 25. Sea f : R5 R4 definida por
f (x1 , x2 , x3 , x4 , x5 ) = (2.x1 x5 , x2 + 2.x3 , x1 + x4 + x5 , x1 + x4 + x5 ).
Encontrar bases B y B 0 de R5 y R4 respectivamente tales que |f |BB 0 sea una matriz diagonal.
Ejercicio 26. Sean V y W K-espacios vectoriales, dim V = n y dim W = m, y f : V W

una transformacion lineal tal que dim(Im(f )) = s. Probar que existen una base B de V y
una base B 0 de W tal que
n
1 si i = j ; i s
|f |BB 0 ij =
0 si no
Ejercicio 27. Sea f : R3 R3 definida por
f (x1 , x2 , x3 ) = (x1 + x2 x3 , 2.x1 3.x2 + 2.x3 , 3.x1 2.x2 + x3 ).
i) Determinar bases B y B 0 de R3 tales que

1 0 0
|f |BB 0 = 0 1 0.
0 0 0
ii) Si A es la matriz de f en la base canonica, encontrar matrices C, D GL(3, R) tales

que

1 0 0
C.A.D = 0 1 0 .
0 0 0
Ejercicio 28. Calcular el rango de las siguientes matrices:

2 0 3 1 0 5 3
i) A = 1 2 1 0 ii) A = 1 1 2
1 1 0 1 2 3 1

1 0 1 0 0
3 1 0 1 2
1 1 0 0 0
1 0 4 1 0
iii) A= iv) A = 0 1 1 0 0
3 1 1 0 1
0 0 1 1 0
2 0 0 3 1
0 1 0 1 1
Ejercicio 29. Calcular el rango de A R33 para cada k R siendo

1 k 1
A = 1 1 k2 .
1 k k2
Ejercicio 30. Sean A K mn , b K m . Se considera el sistema A.x = b y sea (A | b) su

matriz ampliada. Probar que A.x = b tiene solucion rg(A) = rg(A | b).
Ejercicio 31. Sea A K mn , rg(A) = s y sea T = {x K nr / A.x = 0}. Calcular la

dimension de T .
Ejercicio 32. Sean A K mn y B K nr . Probar que rg(A.B) rg(A) y rg(A.B)

rg(B).
Ejercicio 33. Sean A, D R33 ,

1 1 1 1 1 0
A = 2 3 2 y D = 0 1 1.
3 2 1 1 0 1
i) Determinar C1 , C2 , C3 y C4 GL(3, R) tales que

1 0 0
C1 .A.C2 = C3 .D.C4 = 0 1 0
0 0 0
ii) Determinar f Hom(R3 , R3 ) y bases B, B 0 , B1 y B10 de R3 tales que
|f |BB 0 = A y |f |B1 B10 = D
Ejercicio 34. Dadas A , B Rnn , decidir si existen matrices P , Q GL(n, R) tales que
A = P.B.Q.
3.8 Ejercicios 93

2 5 1 2
i) n = 2; A = ;B=
1 3 1 1

2 3 5 8
ii) n = 2; A = ;B=
4 6 1 2

1 0 5 3 8 5
iii) n = 3; A = 2 1 0 ; B = 2 2 0
0 1 0 0 7 0

1 1 0 0 1 2
iv) n = 3; A = 2 1 0 ; B = 1 0 1
3 0 1 1 1 3
Ejercicio 35. Sean A, B K nn . Se dice que A es semejante a B (y se nota A B) si

existe C GL(n, K) tal que A = C.B.C 1 .
i) Demostrar que es una relacion de equivalencia en K nn .

ii) Probar que dos matrices semejantes son equivalentes. Vale la recproca?
Ejercicio 36. Sean A, C K nn . Probar que las siguientes afirmaciones son equivalentes:
i) A C.
ii) f : K n K n tranformacion lineal y bases B y B 0 de K n tales que |f |B = A y
|f |B 0 = C
Ejercicio 37.
i) Sean A, C K nn tales que A C. Probar que tr(A) = tr(C).
ii) Sean A, C R33

1 1 1 1 1 0
A = 2 3 5 y C = 0 1 1.
4 1 3 1 0 1
Existen f Hom(R3 , R3 ) y bases B y B 0 de R3 tales que |f |B = A y |f |B 0 = C?

Captulo 4
Espacio dual
Una de las situaciones en donde se aplica la teora de espacios vectoriales es cuando se tra-
baja con espacios de funciones, como vimos al final del captulo anterior. En este captulo
estudiaremos algunas nociones basicas de ciertos espacios que de alguna forma le dan una
estructura a las ecuaciones lineales.
4.1 El espacio dual de un espacio vectorial

Definicion 4.1 Sea V un K-espacio vectorial. Se llama espacio dual de V , y se lo nota V ,
al K-espacio vectorial
V = HomK (V, K) = {f : V K / f es una transformacion lineal }.
Segun vimos en la Seccion 3.7, si dim V = n, dadas B una base de V y B 0 una base de
K, se tiene que : HomK (V, K) K 1n definida por (f ) = |f |BB 0 , es un isomorfismo. En
consecuencia,
dim(V ) = dim(K 1n ) = n = dim V.
Ejemplo. Se consideran las transformaciones lineales 1 , 2 , 3 de R3 a R definidas por

i (x1 , x2 , x3 ) = xi para i = 1, 2, 3.
(R3 ) = {f : R3 R / f es transformacion lineal }

= {f : R3 R / f (x1 , x2 , x3 ) = ax1 + bx2 + cx3 con a, b, c R}
= {f : R3 R / f = a 1 + b 2 + c 3 con a, b, c R}
= < 1 , 2 , 3 >
96 Espacio dual
4.2 Base dual

Sea E = {e1 , e2 , e3 } la base canonica de R3 . Las funciones del ejemplo anterior cumplen la
condicion i (ej ) = ij (donde ij es la funcion delta de Kronecker, definida por ij = 1 si
i = j y ij = 0 si i 6= j). En lo que sigue, fijada una base de cualquier espacio vectorial V de
dimension finita, vamos a ver como encontrar una base de V que cumpla esta propiedad.
Proposicion 4.2 Sea V un K-espacio vectorial de dimension n, y sea B = {v1 , . . . , vn } una

base de V . Existe una unica base B = {1 , . . . , n } de V tal que

1 si i = j
i (vj ) =
0 si i 6= j
B se llama la base dual de B.
Demostracion. Para cada 1 i n, sea i : V K la transformacion lineal definida en la

base {v1 , . . . , vn } por:
1 si i = j
i (vj ) =
0 si i =
6 j.
Como dim(V ) = n, para ver que 1 , . . . , n V forman una base de V , basta verificar
que son linealmente independientes. Sean a1 , . . . , an K tales que
a1 1 + + an n = 0.
Evaluando en vi , resulta que 0 = a1 1 (vi ) + + ai i (vi ) + an n (vi ) = ai para i = 1, . . . , n.

En consecuencia, B = {1 , . . . , n } verifica las condiciones requeridas.
Supongamos que { e1 , . . . ,
en } sea otra base que satisface las mismas condiciones. En-
tonces, para cada 1 i n, se tiene que

ei (vj ) = 0 = i (vj ) si 1 j n, j 6= i,

ei (vi ) = 1 = i (vi ) = 1,
es decir,
ei y i son dos transformaciones lineales que coinciden sobre una base. En conse-
cuencia, ei = i para cada 1 i n.
Ejemplos.
1. El ejemplo de la Seccion 4.1 muestra que la base dual de la base canonica de R3 es

E = {1 , 2 , 3 }, donde i (x1 , x2 , x3 ) = xi para i = 1, 2, 3.
2. Sea V = R2 . Consideremos la base B = {(1, 1), (1, 1)}. Si B = {1 , 2 } es la base
dual de B, entonces debe cumplir

1 (1, 1) = 1 2 (1, 1) = 0
y
1 (1, 1) = 0 2 (1, 1) = 1
4.2 Base dual 97
Puesto que para cada (x, y) R2 vale

x+y xy
(x, y) = (1, 1) + (1, 1)
2 2
x+y xy
resulta que 1 (x, y) = y 2 (x, y) = .
2 2
Si B es una base de un K-espacio vectorial V de dimension finita y B es su base dual,

es posible calcular facilmente las coordenadas de un elemento de V en la base B utilizando
la base B . Recprocamente, utilizando la base B, es facil obtener las coordenadas en la base
B de un elemento de V .
Observacion 4.3 Sea B = {v1 , . . . , vn } una base de V y sea B = {1 , . . . , n } su base

dual.
P
n
Dado v V , podemos escribir v = i vi , con i K. Entonces, para cada 1 j n,
i=1
X
n Xn
j (v) = j i vi = i j (vi ) = j .
i=1 i=1
Luego, (v)B = (1 (v), . . . , n (v)).

P
n
Dada V , existen i K tales que = i i . Entonces, para cada 1 j n,
i=1
X
n n
X
(vj ) = i i (vj ) = i i (vj ) = j .
i=1 i=1
Luego, ()B = ((v1 ), . . . , (vn )).
x+y
Ejemplo. Sean B = {(1, 1), (1, 1)} R2 y B = {1 , 2 }, con 1 (x, y) = y
2
xy
2 (x, y) = , su base dual (ver Ejemplo 2. en la pagina 96).
2
1. Hallar las coordenadas del vector v = (5, 7) R2 en la base B.
Teniendo en cuenta que B es la base dual de B, por la observacion anterior resulta que
(5, 7)B = (1 (5, 7), 2 (5, 7)) = (6, 1).
2. Hallar las coordenadas de (R2 ) dada por (x, y) = 5x + 3y en la base B .

Por el segundo tem de la observacion anterior tenemos que:
()B = ((1, 1), (1, 1)) = (8, 2).

98 Espacio dual
Hemos visto que toda base de un K-espacio vectorial V de dimension finita posee una
base dual asociada. Recprocamente, resulta que toda base de V es la base dual de una base
de V :
Proposicion 4.4 Sea V un K-espacio vectorial de dimension n, y sea V su espacio dual.

Sea B1 = {1 , . . . , n } una base de V . Entonces existe una unica base B = {v1 , . . . , vn } de
V que satisface B = B1 .
Demostracion.
Existencia. Sea B2 = {w1 , . . . , wn } una base de V y sea B2 su base dual.
Para cada 1 i n, se tiene que (i )B2 = (i (w1 ), . . . , i (wn )). Como {1 , . . . , n } es
un conjunto linealmente independiente y tomar coordenadas es un isomorfismo, resulta que
{(1 )B2 , . . . , (n )B2 } K n es linealmente independiente. En consecuencia, la matriz

1 (w1 ) 1 (wn )
2 (w1 ) 2 (wn )

M = .. ..
. .
n (w1 ) n (wn )
es inversible (sus filas son linealmente independientes).

Sea A = (aij ) su inversa. Entonces M.A = In , de donde, para cada 1 i, j n,
n
X n
X X
n
ij = (In )ij = (M.A)ij = Mik Akj = i (wk )akj = i akj wk .
k=1 k=1 k=1
P
n
Para cada 1 j n, sea vj = akj wk .
k=1
Por construccion, es claro que vale i (vj ) = ij para cada 1 i, j n. Queda por ver
que {v1 , . . . , vn } es una base de V . Como dim V = dim V = n, basta ver que este conjunto
P
n
es linealmente independiente. Ahora, si j vj = 0, para cada 1 i n, se tiene que
j=1
X
n Xn
0 = i j vj = j i (vj ) = i ,
j=1 j=1
lo que prueba la independencia lineal.
Unicidad. Supongamos que B = {v1 , . . . , vn } y B 0 = {u1 , . . . , un } son dos bases de V tales

que B = (B 0 ) = {1 , . . . , n }. Entonces, para cada 1 i n,
(ui )B = (1 (ui ), . . . , n (ui )) = ei = (vi )B ,
de donde ui = vi .
4.3 Anulador de un subespacio 99
Ejemplo. Sea V = R2 [X]. Sean 0 , 1 , 2 (R2 [X]) definidas por 0 (P ) = P (0), 1 (P ) =

P (1) y 2 (P ) = P (2).
Veamos que {0 , 1 , 2 } es una base de (R2 [X]) : Como dim(R2 [X]) = 3, basta ver que
son linealmente independientes. Supongamos que 0 0 + 1 1 + 2 2 = 0. Entonces para
cada P R2 [X], se tiene que (0 0 + 1 1 + 2 2 )(P ) = 0 o, equivalentemente,
0 0 (P ) + 1 1 (P ) + 2 2 (P ) = 0.
Tomando P = (X 1)(X 2) y evaluando, resulta que 0 = 0. De la misma manera, para

P = X(X 2) y P = X(X 1) se obtiene 1 = 0 y 2 = 0 respectivamente. Luego,
{0 , 1 , 2 } es una base de (R2 [X]) .
Entonces, por la proposicion anterior, existe una unica base B = {P0 , P1 , P2 } de R2 [X]
tal que B = {0 , 1 , 2 }. Hallemos esta base: El polinomio P0 debe satisfacer las condiciones

P0 (0) = 1
P0 (1) = 0

P0 (2) = 0
(X 1)(X 2) 1
con lo que P0 = = (X 1)(X 2). Analogamente se calculan los otros dos
(1)(2) 2
1
elementos de la base: P1 = X(X 2) y P2 = X(X 1).
2
Si se quiere hallar un polinomio P R2 [X] tal que P (0) = , P (1) = y P (2) = , basta
tener en cuenta que esto equivale a que
(P ){P0 ,P1 ,P2 } = (, , ),
puesto que {P0 , P1 , P2 } = {0 , 1 , 2 }. Luego, P = .P0 + .P1 + .P2 .

Notese que este polinomio P hallado es el unico polinomio de grado menor o igual que 2
que cumple lo pedido (polinomio interpolador de Lagrange).
4.3 Anulador de un subespacio

En lo que sigue vamos a relacionar los subespacios de V con ciertos subespacios de V .
Esencialmente, dado un subespacio S de V consideraremos el conjunto de todas las ecuaciones
lineales que se anulan en S y veremos que tiene una estructura de subespacio.
Definicion 4.5 Sea V un K-espacio vectorial y sea S un subespacio de V . Se llama anulador

de S al conjunto
S = {f V / f (s) = 0 s S} = {f V / S Nu(f )}.
Observacion 4.6 S es un subespacio de V .

En efecto:
100 Espacio dual
Es claro que 0 S .
Si f, g S , entonces f (s) = 0 y g(s) = 0 para todo s S, de donde (f + g)(s) =
f (s) + g(s) = 0 para todo s S. Luego, f + g S .
Si K y f S , entonces ( f )(s) = f (s) = 0 = 0 para todo s S, puesto
que f (s) = 0 para cada s S. Luego f S .
En el caso de un K-espacio vectorial de dimension finita, existe una relacion entre las
dimensiones de un subespacio y su anulador.
Proposicion 4.7 Sea V un K-espacio vectorial de dimension n y sea S un subespacio de V .

Entonces dim(S ) = n dim S.
Demostracion. Sea {v1 , . . . , vr } una base de S, y sean vr+1 , . . . , vn V tales que B =

{v1 , . . . , vr , vr+1 , . . . , vn } es una base de V . Sea B = {1 , . . . , r , r+1 , . . . , n } V la
base dual de B. Entonces, para cada r + 1 i n, se tiene que i (v1 ) = . . . = i (vr ) = 0 y,
por lo tanto, i se anula sobre todo S. En consecuencia, {r+1 , . . . , n } S .
Como {r+1 , . . . , n } es parte de una base, es un conjunto linealmente independiente.
Veamos que tambien es un sistema de generadores de S :
Sea g S . Puesto que B es una base de V , existen 1 , . . . , n K tales que g =
P
n
i i . Por la Observacion 4.3, para cada 1 i n, se tiene que i = g(vi ). Ademas, como
i=1
g S y {v1 , . . . , vr } es una base de S, g(vi ) = 0 para cada 1 i r. En consecuencia,
i = 0 para cada 1 i r, y por lo tanto g < r+1 , . . . , n >.
Luego, {r+1 . . . . , n } es una base de S , de donde
dim S + dim S = n.
La demostracion de la proposicion anterior nos da una manera de calcular el anulador de

un subespacio:
Ejemplo. Sea S = < (1, 1, 1), (1, 2, 1) > R3 . Hallar una base de S .
Consideramos una base B de R3 que extienda a una base de S, por ejemplo

B = {(1, 1, 1), (1, 2, 1), (1, 0, 0)}.
Si B = {1 , 2 , 3 } es la base dual de B, de la demostracion anterior deducimos que {3 }
es una base de S . A partir de las condiciones 3 (1, 1, 1) = 0, 3 (1, 2, 1) = 0, 3 (1, 0, 0) = 1
obtenemos que 3 (x, y, z) = x z.
En la siguiente proposicion veremos como recuperar un subespacio a partir de su anulador.
Proposicion 4.8 Sea V un K-espacio vectorial de dimension n y sea S un subespacio de V .

Entonces
{x V / f (x) = 0 f S } = S.
4.3 Anulador de un subespacio 101
Demostracion. Sea T = {x V / f (x) = 0 f S }. Veamos que T = S.
() Si x S, para cada f S se tiene que f (x) = 0. Luego, x T .
() Supongamos que existe x T tal que x

/ S.
Sea {v1 , . . . , vr } una base de S. Entonces {v1 , . . . , vr , x} es linealmente independiente.
Sean vr+2 , . . . , vn V tales que B = {v1 , . . . , vr , x, vr+2 , . . . , vn } es una base de V . Si
B = {1 , . . . , r , r+1 , . . . , n } es la base dual de B, se tiene que r+1 (v1 ) = . . . =
r+1 (vr ) = 0, de donde r+1 S .
Como x T , debe ser r+1 (x) = 0, lo que contradice que, por construccion, vale
r+1 (x) = 1.
Luego, T S.
Este resultado nos da otra forma de encontrar ecuaciones para un subespacio:
Ejemplo. Sea S = < (1, 1, 1), (1, 2, 1) > R3 . Hallar ecuaciones para S.
En el ejemplo anterior vimos que S = < 3 > (R3 ) , donde 3 (x, y, z) = x z.

Entonces, por la Proposicion 4.8,
S = {(x, y, z) R3 / f (x, y, z) = 0 f S }
= {(x, y, z) R3 / .(x z) = 0 R}
= {(x, y, z) R3 / x z = 0}.
Mas en general, podemos enunciar el siguiente resultado.
Observacion 4.9 Sea V un K-espacio vectorial de dimension finita y sea S un subespacio

de V . Sea {1 , . . . , r } una base de S . Entonces
r
\
S = {v V / 1 (v) = 0 . . . r (v) = 0} = Nu(i ).
i=1
Para terminar, vamos a ver como se comporta el anulador con la suma y la interseccion
de subespacios.
Proposicion 4.10 Sea V un K-espacio vectorial de dimension n. Sean S y T subespacios

de V . Entonces:
1. (S + T ) = S T .
2. (S T ) = S + T .
102 Espacio dual
Demostracion.
1. Sea f V . Se tiene que:
f (S + T ) f (s + t) = 0 s S, t T
f (s) = 0 s S f (t) = 0 t T

f S T
2. Sea f S + T . Entonces f = fS + fT , con fS S y fT T . Para cada x S T ,

se tiene que f (x) = fS (x) + fT (x) = 0 + 0 = 0. Luego, f (S T ) . Por lo tanto,
S + T (S T ) .
Ademas, por el teorema de la dimension para la suma de subespacios, la Proposicion
4.7 y el hecho que S T = (S + T ) , resulta que
dim(S + T ) = dim S + dim T dim(S T )
= dim S + dim T dim(S + T )
= (n dim S) + (n dim T ) (n dim(S + T ))
= n (dim S + dim T dim(S + T ))
= n dim(S T )
= dim(S T ) .
En consecuencia, (S T ) = S + T .
4.4 Ejercicios
Ejercicio 1. Sea S (R3 ) el subespacio S = { (R3 ) / (1, 1, 2) = 0}. Encontrar una
base de S.
Ejercicio 2. Dada la base B del K-espacio vectorial V , hallar su base dual en cada uno de
los siguientes casos:
i) V = R2 , B = {(1, 1), (2, 0)}
ii) V = R3 , B = {(1, 1, 0), (0, 1, 0), (0, 0, 1)}
iii) V = R3 [X], B = {X + 2, X 1, X 2 3.X + 2, X 3 3.X 2 + 2.X}
Ejercicio 3. Sea B 0 = {1 , 2 , 3 } la base de (R3 ) definida por

1 (x1 , x2 , x3 ) = x1 + x2 2 (x1 , x2 , x3 ) = x1 + x3 3 (x1 , x2 , x3 ) = x2 + x3
3 0
Hallar la base B de R tal que B = B .
Ejercicio 4. Sean f1 , f2 y f3 (R2 [X]) las siguientes formas lineales:

Z 1 Z 2 Z 0
f1 (p) = p(x) dx f2 (p) = p(x) dx f3 (p) = p(x) dx
0 0 1
4.4 Ejercicios 103
i) Probar que {f1 , f2 , f3 } es una base de (R2 [X]) .
ii) Hallar una base B de R2 [X] tal que B = {f1 , f2 , f3 }.
Ejercicio 5. Sea V un K-espacio vectorial de dimension n.
i) Sean 1 , 2 V {0}. Demostrar que Nu(1 ) = Nu(2 ) {1 , 2 } es linealmente

dependiente.
ii) Sean i (1 i r) formas lineales en V y sea V tales que
1 (x) = 2 (x) = . . . = r (x) = 0 (x) = 0.
Probar que < 1 , . . . , r >.
iii) Sean i (1 i n) formas lineales en V . Probar que

n
\
{ 1 , . . . , n } es base de V Nu(i ) = 0.
i=1
Ejercicio 6. Sea (R3 ) definida por (x1 , x2 , x3 ) = 2.x1 + 3.x2 x3 y sea E =

{1 , 2 , 3 } (R3 ) la base dual de la canonica.
i) Calcular las coordenadas de en E .
ii) Calcular las coordenadas de en la base B = {1 + 2 + 3 , 1 + 2 , 1 }.
iii) Sea S R3 el subespacio S = {(x1 , x2 , x3 ) R3 / 2.x1 + 3.x2 x3 = 0} y sea B R3 la

base B = {(0, 0, 1), (0, 1, 1), (1, 1, 0)}. Encontrar una ecuacion para S en la base B.
(Sugerencia: notar que B es la base dual de B y no hacer ninguna cuenta.)
Ejercicio 7. Sea B R2 la base B = {(1, 1), (1, 1)}. Encontrar las coordenadas de la base
dual de B en la base dual de la canonica.
Ejercicio 8. Sean B y B1 las bases de R3 definidas por B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} y
B1 = {(1, 1, 1), (1, 1, 1), (1, 1, 1)}. Si (R3 ) tiene coordenadas (1, 3, 2) respecto de
B , calcular sus coordenadas respecto de B1 .
Ejercicio 9. Hallar una base de S V en los siguientes casos:
i) V = R3 y S = < (1, 1, 2), (2, 1, 3), (1, 5, 0) >
ii) V = R4 y S = < (1, 1, 1, 1), (2, 1, 3, 1) >

n n o
x1 + x3 = 0
iii) V = R3 y S = (x1 , x2 , x3 ) R3 /
2.x1 x2 + x3 = 0
104 Espacio dual
( ( )
x1 x2 + x3 + x4 = 0
4 4
iv) V = R y S = (x1 , x2 , x3 , x4 ) R / 2.x1 + x2 2.x3 + 3.x4 = 0
4.x1 x2 + 5.x4 = 0

2 2
Ejercicio 10. Sea B = R22 y sea W = {A R22 / A.B = 0}. Sea f W
1 1
0 0
tal que f (I2 ) = 0 y f = 3. Calcular f (B).
0 1
Ejercicio 11. Para los siguientes subespacios S y T de V , determinar una base de (S + T )

y una base de (S T ) .
i) V = R4 , S = < (1, 1, 1, 1), (2, 1, 3, 1) > , T = < (2, 4, 8, 0), (1, 1, 2, 3) >
n n o
x1 x3 = 0
ii) V = R4 , S = (x1 , x2 , x3 , x4 ) / , T = < (2, 1, 3, 1) >
x1 + x2 + x4 = 0
n n o
x1 2.x2 + x3 = 0
iii) V = R3 , S = (x1 , x2 , x3 ) / ,
3.x2 2.x3 = 0
T = {(x1 , x2 , x3 , x4 ) R4 / 2.x1 x2 = 0}
Ejercicio 12. Sea V un K-espacio vectorial de dimension finita y sean S y T subespacios

tales que V = S T . Probar que V = S T .
Ejercicio 13. Sea V un Zp -espacio vectorial de dimension n. Probar que
#{S V subespacio / dim(S) = 1} = #{S V subespacio / dim(S) = n 1}.
Calcular dicho numero.
Ejercicio 14. Sea tr : K nn K la forma lineal traza y dado a K nn se define

fa : K nn K como fa (x) = tr(a.x).
i) Probar que fa (K nn ) a K nn .
ii) Probar que fa (x) = 0 x K nn a = 0.
iii) Se define : K nn (K nn ) como (a) = fa . Probar que es un isomorfismo.
iv) Sea f : R22 R definida por:

a11 a12
f = 3.a11 2.a12 + 5.a22 .
a21 a22
Encontrar una matrix a R22 tal que (a) = f .

4.4 Ejercicios 105
Ejercicio 15. Sea (K nn ) tal que (a.b) = (b.a) a, b K nn . Probar que K

tal que = .tr. Deducir que si (a.b) = (b.a) a, b K nn y (In ) = n entonces = tr.
Ejercicio 16. Sean 0 , . . . , n K, i 6= j si i 6= j. Para cada i, 0 i n, se define

i : Kn [X] K como i (P ) = P (i ).
i) Probar que B1 = {0 , . . . , n } es una base de (Kn [X]) .

ii) Sea B = {P0 , . . . , Pn } la base de Kn [X] tal que B = B1 . Probar que el polinomio
n
X
P = i .Pi
i=0
es el unico polinomio en K[X] de grado menor o igual que n tal que, i , 0 i n,

P (i ) = i . Este polinomio se llama el polinomio interpolador de Lagrange.
iii) Probar que existen numeros reales a0 , . . . , an tales que, para todo P Rn [X],
Z 1 n
X
P (x) dx = ai .P (i ).
0 i=0
1
Hallar a0 , a1 y a2 en el caso en que n = 2, 0 = 1, 1 = 2 y 2 = 0.
Ejercicio 17. Sean V y W K-espacios vectoriales de dimension finita y sea f : V W una

transformacion lineal. Se define la funcion f t : W V de la siguiente manera:
f t () = f W .
f t se llama la funcion transpuesta de f .
i) Probar que f t es una tranformacion lineal.

ii) Probar que (Im(f )) = Nu(f t ) y que Im(f t ) = (Nu(f )) .
iii) Sean V = R2 y W = R3 y sea f (x1 , x2 ) = (2.x1 x2 , 3x1 , x1 2.x2 ).
Si B = {(1, 2), (1, 3)} y B1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}, calcular |f |BB1 y |f t |B1 B .
iv) Si B y B1 son bases de V y W respectivamente, probar que
|f t |B1 B = (|f |BB1 )t .
Ejercicio 18. Sea V un C-espacio vectorial. Sean f , g V tales que f. g V . Probar

que f = 0 o g = 0.
Ejercicio 19. Sea V un C-espacio vectorial de dimension finita. Sean v1 , . . . , vn V vectores

no nulos. Probar que existe una forma lineal f V tal que f (vi ) 6= 0 i, 1 i n.
106 Espacio dual
Captulo 5
Determinantes
Los determinantes aparecieron originalmente al tratar de resolver sistemas de ecuaciones li-

neales. A continuacion vamos a dar una definicion precisa de determinante y a relacionarlo,
entre otras cosas, con la inversibilidad de matrices.

a b
En el caso de matrices en K 22 , sabemos que A = es inversible si y solo si
c d
ad bc 6= 0 (ver Ejercicio 11, Seccion 2.5). Este escalar ad bc se llama el determinante de
la matriz A. Para n > 2, el determinante de una matriz en K nn es tambien un escalar que
se calcula a partir de los coeficientes de la matriz.
5.1 Definicion y ejemplos basicos

Existen distintas definiciones de determinante. La definicion que daremos introduce al deter-
minante como una funcion particular de K nn en K.
5.1.1 Funciones multilineales alternadas

En esta seccion daremos la definicion y estudiaremos algunas propiedades basicas de funciones
multilineales y alternadas, las que nos permitiran definir el determinante.
Notacion. Dada una matriz A K nn cuyas columnas son A1 , . . . , An escribiremos A =

( A1 | A2 | . . . | An ).
Definicion 5.1 Una funcion f : K nn K se dice multilineal alternada (por columnas) si

para cada 1 i n:
i) f (A1 | . . . | Ai + A0i | . . . | An ) = f (A1 | . . . | Ai | . . . | An ) + f (A1 | . . . | A0i | . . . | An ).
ii) f ( A1 | . . . | .Ai | . . . | An ) = f ( A1 | . . . | Ai | . . . | An ) para todo K.

108 Determinantes
iii) f ( A1 | . . . | Ai | . . . | Ai | . . . | An ) = 0 para cada j 6= i, 1 j n (es decir, si la

|{z} |{z}
col. i col. j
matriz A tiene dos columnas iguales, f (A) = 0).
Notar que los tems i) y ii) dicen que si f : K nn K es multilineal, para cada columna
i, una vez fijados los valores de las columnas restantes, se obtiene una funcion lineal en la
columna i.
Ejemplos.
1. f : K 11 K es multilineal alternada si y solo si f es lineal.

22 a b
2. f : K K definida por f = ad bc es multilineal alternada:
c d

a + a0 b
i) f = (a + a0 )d b(c + c0 ) = ad bc + a0 d bc0 =
c + c0 d
0
a b a b
=f +f .
c d c0 d
Analogamente se prueba la aditividad en la segunda columna.

a b a b
ii) f = ad bc = (ad bc) = f para todo K, y lo
c d c d
mismo vale en la segunda columna.

a a
iii) f = ab ba = 0.
b b
En la siguiente proposicion damos algunas de las propiedades basicas que verifica toda
funcion multilineal alternada.
Proposicion 5.2 Sea f : K nn K multilineal alternada. Entonces
~0 | . . . | An ) = 0 1 i n.
i) f ( A1 | . . . | |{z}
col. i
ii) f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) = f ( A1 | . . . | Aj | . . . | Ai | . . . | An ).
|{z} |{z}
col. i col. j
iii) f ( A1 | . . . | Ai + Aj | . . . | Aj | . . . | An ) = f ( A1 | . . . | Ai | . . . | Aj | . . . | An ).
| {z }
col. i
P
n
iv) Si Ai = j Aj , entonces f ( A1 | . . . | Ai | . . . | An ) = 0.
j=1
j6=i
5.1 Definicion y ejemplos basicos 109
Demostracion.
i) f (A1 | . . . | ~0 | . . . | An ) = f (A1 | . . . | 0. ~0 | . . . | An ) = 0 f (A1 | . . . | ~0 | . . . | An ) = 0.

ii) Sea A K nn . Consideremos la matriz que en las columnas i y j tiene la suma de
las columnas i y j de A. Por la definicion de funcion multilineal alternada se tiene que
f ( A1 | . . . | Ai + Aj | . . . | Ai + Aj | . . . | An ) = 0 y, por lo tanto, vale:
0 = f ( A1 | . . . | Ai | . . . | Ai + Aj | . . . | An ) +
+ f ( A1 | . . . | Aj | . . . | Ai + Aj | . . . | An )
= f ( A1 | . . . | Ai | . . . | Ai | . . . | An ) + f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) +
+ f ( A1 | . . . | Aj | . . . | Ai | . . . | An ) + f ( A1 | . . . | Aj | . . . | Aj | . . . | An )
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) + f ( A1 | . . . | Aj | . . . | Ai | . . . | An ),
de donde
f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) = f ( A1 | . . . | Aj | . . . | Ai | . . . | An ).
iii) Se tiene que
f ( A1 | . . . | Ai + Aj | . . . | Aj | . . . | An ) =
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) + f ( A1 | . . . | Aj | . . . | Aj | . . . | An ) =
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ),
donde la primera igualdad es consecuencia de i) y ii) de la Definicion 5.1, y la tercera

se deduce de iii) de dicha definicion.
P
n
iv) Si Ai = j Aj , entonces
j=1 col.i
j6=i z }| {
Xn
f ( A1 | . . . | Ai | . . . | An ) = f ( A1 | . . . | j Aj | . . . | An )
j=1
j6=i
n
X
= j f ( A1 | . . . | Aj | . . . | An ) = 0.
j=1
|{z}
j6=i col. i
Podemos ahora caracterizar facilmente todas las funciones multilineales alternadas de K 22

en K y ver como puede definirse el determinante en este caso particular.
Ejemplo. Hallar todas las funciones multilineales alternadas f : K 22 K.

110 Determinantes
Si f : K 22 K es multilineal alternada, entonces:

a b a b 0 b
f = f +f (Def. 5.1 i) en primera columna)
c d 0 d c d

a b a 0 0 b 0 0
= f +f +f +f
0 0 0 d c 0 c d
(Def. 5.1 i) en segunda columna)

a 0 0 b
= f +f (Prop. 5.2 i))
0 d c 0

1 0 0 1
= ad. f + cb. f (Def. 5.1 ii))
0 1 1 0

1 0
= (ad cb). f (Prop. 5.2 ii))
0 1
Por otro lado, toda funcion de este tipo es multilineal alternada (comparar con el Ejemplo 2
de la pagina
108). Luego,
todas las funciones multilineales alternadas f : K 22 K son de
a b
la forma f = (ad bc) con K.
c d
Vemos entonces que una forma posible de definir una funcion de K 22 en K que coincide
con lo que conocemos como determinante en dicha situacion es como la unica funcion f
multilineal alternada tal que f (I2 ) = 1.
En la proxima seccion, generalizaremos lo que hemos visto en el ejemplo anterior para
matrices en K 22 a matrices en K nn para n N arbitrario.
5.1.2 Existencia y unicidad del determinante

El siguiente lema que relaciona una funcion multilineal alternada definida en K (n+1)(n+1)
con otras definidas en K nn sera la base para un argumento recursivo que nos permitira
probar la unicidad de la funcion determinante.
Lema 5.3 Sea f : K (n+1)(n+1) K una funcion multilineal alternada tal que f (In+1 ) = .
Sea i con 1 i n + 1. Se define fi : K nn K como

a11 . . . a1 i1 0 a1 i ... a1n
.. .. .. .. ..
. . . . .

ai1 1 . . . ai1 i1 0 ai1 i . . . ai1 n

fi (A) = f
0 ... 0 1 0 ... 0
si A = (ajl )1j, ln .
ai1 ... ai i1 0 ai i ... ai n

.. .. .. .. ..
. . . . .
an1 ... an i1 0 an i ... ann
Entonces fi es una funcion multilineal alternada y fi (In ) = .
Demostracion. De la definicion de fi y del hecho que f es multilineal alternada, se deduce

facilmente que fi es multilineal alternada.
Ademas, fi (In ) = f (In+1 ) = .
Veamos como puede utilizarse este resultado para hallar una funcion multilineal alternada
de K 33 en K con un determinado valor sobre I3 conociendo las funciones multilineales
alternadas de K 22 en K:
Ejemplo. Hallar f : K 33 K multilineal alternada tal que f (I3 ) = 1.
Supongamos que f satisface lo pedido. Entonces

a b c 1 b c 0 b c 0 b c
f d e k = a. f 0 e k + d. f 1 e k + g. f 0 e k
g h i 0 h i 0 h i 1 h i

1 0 0 0 b c 0 b c
= a. f 0 e k + d. f 1 0 0 + g. f 0 e k
0 h i 0 h i 1 0 0

1 0 0 b 0 c b c 0
= a. f 0 e k d. f 0 1 0 + g. f e k 0
0 h i h 0 i 0 0 1

e k b c b c
= a. f1 d. f2 + g. f3 .
h i h i e k
Por el lema anterior, f1 , f2 , f3 : K 22 K son funciones multilineales alternadas que en la

identidad I2 valen 1. Pero ya vimos, en un ejemplo anterior,
que
hay una unica funcion que

cumple esto, a saber, f0 : K 22 K, definida por f0 = . En consecuencia

a b c
f d e k = a.(ei hk) d.(bi hc) + g.(bk ce).
g h i
Ademas, esta f cumple lo pedido con lo cual resulta que es la unica funcion multilineal
alternada tal que f (I3 ) = 1.
El siguiente teorema nos permite definir la nocion de determinante en general.
Teorema 5.4 Sea K. Para cada n N, existe una unica funcion multilineal alternada
f : K nn K tal que f (In ) = .
Definicion 5.5 La unica funcion multilineal alternada f : K nn K tal que f (In ) = 1 se

llama el determinante de orden n.
112 Determinantes
Demostracion. Dada A K (n+1)(n+1) , notaremos A(i|j) K nn a la matriz que se obtiene

al suprimir la fila i y la columna j de A.
Existencia. Por induccion en n.

Para n = 1, definimos f : K 11 K, f (x) = .x, que es multilineal alternada y cumple
f (1) = .
Supongamos que existe g : K nn K multilineal alternada tal que g(In ) = . Definimos
f : K (n+1)(n+1) K como
n+1
X
f (A) = (1)i+1 a1i . g(A(1|i)) si A = (aj` )1j,`n+1 .
i=1
Veamos que f es multilineal alternada y que f (In ) = .
i) Sean A = ( A1 | . . . | Ak | . . . | An+1 ), A0 = ( A1 | . . . | A0k | . . . | An+1 ) y

e = ( A1 | . . . | Ak + A0 | . . . | An+1 ). Entonces
A k
n+1
X
e
f (A) = e
(1)i+1 a1i g(A(1|i)) e
+ (1)k+1 (a1k + a01k ) g(A(1|k))
i=1
i6=k
n+1
X n+1
X
= (1)i+1 a1i g(A(1|i)) + (1)i+1 a1i g(A0 (1|i)) +
i=1 i=1
i6=k i6=k
+ (1)k+1 a1k g(A(1|k)) + (1)k+1 a01k g(A0 (1|k))
= f (A) + f (A0 ).
e = ( A1 | . . . | Ak | . . . | An+1 ). Entonces
ii) Sea A = ( A1 | . . . | Ak | . . . | An+1 ) y sea A
n+1
X
e
f (A) = e
(1)i+1 a1i g(A(1|i)) e
+ (1)k+1 a1k g(A(1|k))
i=1
i6=k
n+1
X
= (1)i+1 a1i g(A(1|i)) + (1)k+1 a1k g(A(1|k))
i=1
i6=k
= f (A).
iii) Sea A = ( A1 | . . . | Aj | . . . | Aj | . . . | An+1 ), donde la k-esima columna coincide con la

j-esima (k > j). Entonces
n+1
X
f (A) = (1)i+1 a1i g(A(1|i)) + (1)j+1 a1j g(A(1|j)) + (1)k+1 a1j g(A(1|k)).
i=1
i6=k,j
Observamos que para cada i 6= j, k, la matriz A(1|i) tiene dos columnas iguales, con lo
que g(A(1|i)) = 0. Ademas A(1|j) y A(1|k) solo difieren en la posicion de una columna:
la j-esima columna de A(1|k) es la (k 1)-esima columna de A(1|j). En consecuencia,
A(1|j) puede obtenerse a partir de A(1|k) mediante k 1 j intercambios de columnas
y por lo tanto, g(A(1|k)) = (1)k1j g(A(1|j)). Luego
f (A) = (1)j+1 a1j g(A(1|j)) + (1)k+1 a1j (1)k1j g(A(1|j))

= ((1)j+1 + (1)2kj ) a1j g(A(1|j)) = 0.
Esto prueba que f es multilineal alternada.

Calculemos f (In+1 ). Se tiene que
n+1
X
f (In+1 ) = (1)i+1 (In+1 )1i . g(In+1 (1|i)) = (1)2 .1. g(In ) = .
i=1
Unicidad. Por induccion en n.

Para n = 1, basta tener en cuenta que f : K 11 K es multilineal alternada si y solo si es
lineal. Por la condicion f (1) = , resulta que la unica funcion con las condiciones requeridas
es f (x) = .x.
Supongamos que hay una unica g : K nn K multilineal alternada con g(In ) = .
Consideremos f : K (n+1)(n+1) K multilineal alternada tal que f (In+1 ) = . Sea
A = (aij ) K (n+1)(n+1) . Por linealidad en la primer columna, se tiene que

0 a12 ... a1n+1
.. .. ..
. . .

n+1
X 0 ai1 2 ... ai1 n+1

f (A) = ai1 . f
1 ai2 ... ai n+1 .

i=1 0 ai+1 2 ... ai+1 n+1

. .. ..
.. . .
0 an+1 2 ... an+1 n+1
Restandole a la columna j la primer columna multiplicada por aij para j = 2, . . . , n + 1, por

la Proposicion 5.2 iii) tenemos que

0 a12 ... a1n+1
.. .. ..
. . .

n+1
X 0 a ... ai1 n+1
i1 2
f (A) = ai1 . f 1 0 ... 0

i=1 0 ai+1 2 ... ai+1 n+1

. .. ..
.. . .
0 an+1 2 ... an+1 n+1
114 Determinantes

a12 ... a1i 0 a1i+1 ... a1n+1
.. .. .. .. ..
. . . . .

n+1
X ai1 2 ... ai1 i 0 ai1 i+1 ... ai1 n+1

= (1) ai1 . f
i1
0 ... 0 1 0 ... 0

i=1 ai+1 2 ... ai+1 i 0 ai+1 i+1 ... ai+1 n+1

.. .. .. .. ..
. . . . .
an+1 2 ... an+1 i 0 an+1 i+1 . . . an+1 n+1
n+1
X
= (1)i+1 ai1 . fi (A(i|1)).
i=1
Por el Lema 5.3, fi : K nn K es una funcion multilineal alternada y fi (In ) = , luego

debe ser fi = g. Por lo tanto, f (A) es necesariamente
n+1
X
f (A) = (1)i+1 ai1 . g(A(i|1)),
i=1
de donde f es unica.
De la demostracion anterior se deduce inmediatamente el siguiente resultado:
Corolario 5.6 Sea A K nn . Si para cada r N, det : K rr K denota la funcion

determinante de orden r (quedando en claro por el contexto de que funcion determinante se
trata), entonces
n
X n
X
det(A) = (1)i+1 ai1 . det(A(i|1)) = (1)i+1 a1i . det(A(1|i)).
i=1 i=1
Las formulas recursivas para el calculo del determinante de una matriz dadas en el corolario
anterior se llaman el desarrollo del determinante por la primera columna y por la primera fila
respectivamente.

2 0 0 1
0 1 0 1
Ejemplo. Calcular det(A), siendo A = .
1 0 1 0
0 1 1 0
Utilizando la formula del desarrollo por la primera fila del Corolario 5.6 obtenemos:

2 0 0 1
1 0 1 0 1 0
0 1 0 1
det = (1)2. 2. det 0 1 0 + (1)5. 1. det 1 0 1
1 0 1 0
1 1 0 0 1 1
0 1 1 0

2 1 0 0 1
= 2. (1) .1. det + (1)4 .1. det +
1 0 1 1
5.2 Propiedades del determinante 115

3 1 1
+ (1) (1) .1. det
0 1
= 2.(0 + 1) + (1)(1) = 3.
5.2 Propiedades del determinante

En esta seccion estudiaremos algunas propiedades basicas de los determinantes que facilitan
su calculo.
5.2.1 Determinante de la transpuesta de una matriz

La identidad enunciada en el Corolario 5.6 nos permite deducir el siguiente resultado:
Proposicion 5.7 Sea A K nn . Entonces det(A) = det(At ).
Demostracion. Probaremos la igualdad por induccion en n:

Para n = 1, no hay nada que probar.
Supongamos que vale para n y sea A = (aij ) K (n+1)(n+1) . Entonces
n+1
X n+1
X
det(At ) = (1)i+1 (At )1i det(At (1|i)) = (1)i+1 ai1 det(A(1|i)t )
i=1 i=1
n+1
X
= (1)i+1 ai1 det(A(i|1)) = det(A).
i=1
Observacion 5.8 La definicion de funcion multilineal alternada podra haberse dado en

terminos de las filas de las matrices, en lugar de respecto de las columnas, y se hubiese
obtenido la misma funcion determinante.
5.2.2 Matrices triangulares

Un caso en el que es muy facil calcular determinantes es el de las matrices triangulares. Lo
veremos para matrices triangulares superiores, pero el mismo resultado vale para una matriz
triangular inferior.
Proposicion 5.9 Sea A = (aij ) K nn una matriz triangular superior. Entonces det(A) =
Qn
aii .
i=1
Demostracion. Probaremos la validez de la formula por induccion en n:

Para n = 1, no hay nada que hacer.
116 Determinantes
Supongamos que vale para n y sea A = (aij ) K (n+1)(n+1) una matriz triangular
superior. Entonces
n+1
X
det(A) = (1)i+1 ai1 det(A(i|1)) = a11 det(A(1|1)),
i=1
puesto que por nuestra hipotesis sobre A, se tiene que ai1 = 0 para cada i 2.
Ahora, la matriz A(1|1) K nn es triangular superior y entonces, por hipotesis inductiva,
Q
n Q
n+1
det(A(1|1)) = (A(1|1))jj = aii . En consecuencia,
j=1 i=2
n+1
Y
det(A) = a11 det(A(1|1)) = aii ,
i=1
que es lo que se quera probar.
Observacion 5.10 Dado que el determinante es una funcion multilineal alternada por fi-
las (ver Observacion 5.8), podemos calcular el determinante de una matriz triangulandola,
teniendo en cuenta el cambio del determinante de acuerdo a la operacion elemental efectuada:
0 1 0 1
F1 F1
.
B . C .
B . C
B . C B . C
B C B C
B Fi C B Fj C
B C B C
B . C B C Intercambiar dos filas
det B .. C = det B ... C
B C B C cambia el signo del determinante.
B Fj C B Fi C
B C B C
B . C B . C
@ .. A @ .. A
Fn Fn
0 1 0 1
F1 F1
B .. C B .. C
B . C B . C
B C B C Multiplicar una fila por una constante no nula
det B
B F i
C = det B Fi C
C B C
B .. C B .. C multiplica el determinante por esa constante.
@ . A @ . A
Fn Fn
0 1 0 1
F1 F1
B ..
C .
B . C
B C
. B . C
B C B C
B Fi + Fj C B Fi C
B C B C
B .. C B . C Sumarle a una fila un multiplo de otra
det B . C = det B .. C
B C B C no modifica el determinante.
B Fj C B Fj C
B C B C
B .. C B . C
@ A @ .. A
.
Fn Fn
El determinante de la matriz triangular obtenida es el producto de los elementos de su

diagonal.
5.2 Propiedades del determinante 117

2 0 0 1
0 1 0 1
1 0 1 0
0 1 1 0

2 0 0 1 1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1 0 1 0 1
det = det = det =
1 0 1 0 2 0 0 1 0 0 2 1
0 1 1 0 0 1 1 0 0 1 1 0

1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
= det = 2 det 1 =
0 0 2 1 0 0 1 2
0 0 1 1 0 0 1 1

1 0 1 0
0 1 0 1
= 2 det 1 = 3.
0 0 1 2
0 0 0 23
5.2.3 Desarrollo del determinante por una fila o columna

Veremos ahora formulas para el determinante analogas a las del Corolario 5.6 en las cuales la
primera columna (o fila) de la matriz es reemplazada por cualquier otra columna o fila.
Sea A K nn , A = (aij ). Sean A1 , . . . , An las columnas de A. Observemos que se
puede ubicar la j-esima columna de A en el lugar de la primera, sin modificar el orden de las
restantes, por medio de j 1 intercambios de columnas. Entonces
det(A) = (1)j1 det( Aj | A1 | A2 | . . . | Aj1 | Aj+1 | . . . | An )
X
n
= (1)j1 (1)1+i aij det(A(i|j))
i=1
n
X
= (1)i+j aij det(A(i|j)),
i=1
lo que da una formula para el desarrollo del determinante de una matriz por la j-esima
columna para 1 j n arbitrario. Usando que det(A) = det(At ), se prueba una formula
para el desarrollo por la i-esima fila para cualquier 1 i n.
Hemos demostrado el siguiente resultado:
Proposicion 5.11 Sea A = (aij ) K nn . Entonces

n
X
det(A) = (1)i+j aij det(A(i|j)) para todo j con 1 j n
i=1
Xn
det(A) = (1)i+j aij det(A(i|j)) para todo i con 1 i n.
j=1
118 Determinantes

1 2 1 2
1 0 2 1
1 0 2 0
1 0 1 0
Desarrollando el determinante por la segunda columna, se obtiene:

1 2 1 1 2 1
det(A) = (1)1+2 . (2). det 1 2 0 = 2. det 1 2 0,
1 1 0 1 1 0
y desarrollando por la tercera columna el determinante del miembro derecho,

1 2
det(A) = 2. (1)1+3 . 1. det = 2. (1. 1 2. 1) = 2.
1 1
5.2.4 Determinante del producto de matrices

En esta seccion estudiaremos como se comporta el determinante con respecto al producto de
matrices. Para esto, probaremos en primer lugar un resultado sobre funciones multilineales
alternadas que nos sera de utilidad.
Proposicion 5.12 Sea f : K nn K multilineal alternada tal que f (In ) = . Entonces

f = . det.
Demostracion. Como consecuencia de que det : K nn K es una funcion multilineal

alternada, se tiene que . det : K nn K es multilineal alternada. Ademas, (. det)(In ) = .
Por la unicidad de las funciones multilineales alternadas (ver Teorema 5.4), resulta que
f = . det.
Proposicion 5.13 Sean A, B K nn . Entonces det(A.B) = det(A). det(B).
Demostracion. Se define f : K nn K como f (X) = det(A.X). Nuestro objetivo es probar

que para cada B K nn se tiene que f (B) = det(A). det(B).
Observamos que la funcion f es multilineal alternada y calculamos su valor en In :
i) Para i con 1 i n,

f ( X1 | . . . | Xi + Xi0 | . . . | Xn ) = det A. ( X1 | . . . | Xi + Xi0 | . . . | Xn ) =
= det( AX1 | . . . | AXi + AXi0 | . . . | AXn ) =
= det( AX1 | . . . | AXi | . . . | AXn ) + det( AX1 | . . . | AXi0 | . . . | AXn ) =
= f ( X1 | . . . | Xi | . . . | Xn ) + f ( X1 | . . . | Xi0 | . . . | Xn ).
ii) Para K, 1 i n,

f ( X1 | . . . | Xi | . . . | Xn ) = det A.( X1 | . . . | Xi | . . . | Xn ) =

= det AX1 | . . . | A.Xi | . . . | AXn = det AX1 | . . . | AXi | . . . | AXn =
= f ( X1 | . . . | Xi | . . . | Xn ).
5.3 Determinantes y matrices inversibles 119
iii) Para 1 i n,

f ( X1 | . . . | Xi | . . . | Xi | . . . | Xn ) = det A.( X1 | . . . | Xi | . . . | Xi | . . . | Xn ) =

= det AX1 | . . . | AXi | . . . | AXi | . . . | AXn = 0.
iv) f (In ) = det(A.In ) = det(A).
Por la proposicion anterior, resulta que f = det(A). det.

Luego, para cada B K nn se tiene que det(A.B) = f (B) = det(A). det(B).
5.3 Determinantes y matrices inversibles

El objetivo de esta seccion es estudiar la relacion entre determinantes e inversibilidad de
matrices. Probaremos que una matriz A K nn es inversible si y solo si su determinante es
no nulo. A continuacion, mostraremos que los determinantes pueden ser utilizados tambien
para la resolucion de sistemas de ecuaciones lineales.
5.3.1 Inversibilidad de matrices

El siguiente resultado, cuya demostracion se basa en la formula para el determinante de un
producto de matrices vista en la seccion anterior, caracteriza la inversibilidad de matrices por
medio de determinantes:
Proposicion 5.14 Sea A K nn . Entonces A es inversible si y solo si det A 6= 0.
Demostracion.
() Supongamos que A K nn es inversible. Entonces existe una matriz B K nn tal

que A.B = In . Aplicando el resultado de la Proposicion 5.13 se obtiene que
1 = det(In ) = det(A.B) = det(A). det(B),
de donde se deduce que det(A) 6= 0.
() Si det(A) 6= 0, entonces las columnas de A son linealmente independientes (ver Propo-

sicion 5.2 iv)) y, por lo tanto, A es inversible (ver Ejercicio 17, Seccion 2.5).
5.3.2 Adjunta de una matriz

Dada una matriz A K nn , podemos asociarle una matriz, cuyos elementos se calculan a
partir de determinantes de submatrices de A que, en el caso en que A sea inversible, nos
permitira obtener la inversa de A.
120 Determinantes
Definicion 5.15 Sea A = (aij ) K nn . Se llama adjunta de A, y se nota adj(A), a la

matriz adj(A) K nn definida por
(adj(A))ij = (1)i+j det(A(j|i)).

1 5 2
Ejemplo. Sea A = 2 1 1 . Entonces la adjunta de A es la matriz
1 2 0

1 1 5 2 5 2
+ det det + det
2 0 2 0 1 1

2 4 3
2 1 1 2 1 2
adj(A) =
det + det det = 1
2 3
1 0 1 0 2 1
3 3 9

2 1 1 5 1 5
+ det det + det
1 2 1 2 2 1
Si calculamos A. adj(A), tenemos que

9 0 0
A. adj(A) = 0 9 0 ,
0 0 9
1
de donde se deduce que A1 = . adj(A). Teniendo en cuenta que det(A) = 9, resulta que
9
1 1
A = . adj(A).
det(A)
En el ejemplo anterior obtuvimos una relacion entre la matriz A, su adjunta y su deter-

minante. La siguiente proposicion muestra que lo mismo sucede en general.
Proposicion 5.16 Sea A K nn . Entonces A. adj(A) = det(A). In . Luego, si det(A) 6= 0,

1
se tiene que A1 = . adj(A).
det(A)
Demostracion. Sea A K nn , A = (aij ). Entonces

n
X n
X
(A. adj(A))k` = aki . (adj(A))i ` = aki (1)i+` det(A(`|i)).
i=1 i=1
P
n
Si k = `, entonces (A. adj(A))` ` = (1)i+` a` i det(A(`|i)) = det(A), puesto que la sumato-
i=1
ria resulta ser el desarrollo de det(A) por la `-esima fila.
5.3 Determinantes y matrices inversibles 121
P
n
Por otro lado, si k 6= `, se tiene que (A. adj(A))k` = (1)i+` aki det(A(`|i)) = 0, puesto
i=1
que se trata del desarrollo por la `-esima fila del determinante de la matriz A(k`) definida por

(k`) aij si i 6= `
(A )ij =
akj si i = `
que tiene dos filas iguales.

La segunda parte de la proposicion se deduce inmediatamente de la igualdad A. adj(A) =
det(A).In .
5.3.3 Regla de Cramer

Por ultimo en esta seccion presentaremos la regla de Cramer, que permite obtener la (unica)
solucion de un sistema lineal no homogeneo cuya matriz asociada es inversible por medio de
determinantes.
Proposicion 5.17 (Regla de Cramer) Sea A = (aij ) K nn una matriz inversible, y sea
b K n1 . Entonces la (unica) solucion del sistema lineal A.x = b esta dada por

a11 . . . a1 i1 b1 a1 i+1 . . . a1n
a21 . . . a2 i1 b2 a2 i+1 . . . a2n

det . .. .. .. ..
.. . . . .
an1 ... an i1 bn an i+1 ... ann
xi = para i = 1, . . . , n.
det A
Demostracion. Multiplicando la ecuacion A.x = b por adj(A), se tiene que
adj(A).A.x = adj(A). b.
Por la proposicion anterior y el hecho que A es inversible, adj(A).A = A. adj(A) = det(A). In .

En consecuencia,
det(A).x = adj(A). b.
Sea 1 i n. Entonces, de la igualdad anterior, resulta que
n
X n
X
det(A).xi = (adj(A). b)i1 = (1)i+j det(A(j|i)) bj = (1)i+j bj det(A(j|i)) =
j=1 j=1

a11 ... a1i1 b1 a1i+1 ... a1n
a21 ... a2i1 b2 a2i+1 ... a2n

= det .. .. .. .. .. ,
. . . . .
an1 . . . ani1 bn ani+1 ... ann
de donde se deduce la formula del enunciado de la proposicion.

122 Determinantes
La regla de Cramer en general no se utiliza para resolver sistemas de ecuaciones lineales,

pero es util para derivar resultados teoricos sobre las soluciones de esta clase de sistemas.
Ejemplo. Sea A Znn tal que det(A) = 1 y sea b Zn . Entonces el sistema lineal
A.x = b tiene solucion en Zn .
Sea x0 Qn la solucion del sistema A.x = b. Por la regla de Cramer, sabemos que cada
coordenada de x0 se obtiene como el cociente entre el determinante de una matriz cuyos
coeficientes son coeficientes de A y de b, y el determinante de la matriz A. Como tanto los
coeficientes de A como los de b son numeros enteros, el determinante que aparece en cada
numerador es un numero entero y, puesto que det(A) = 1, el cociente resulta entero. Luego
x0 Zn .
5.4 Calculo de algunos determinantes

Ejemplo. Calcular el determinante de la matriz A K nn definida por:

t 0 0 ... 0 0 a0
1 t 0 ... 0 0 a1

0 1 t . . . 0 0 a2

A=
0 0 1 . . . 0 0 a3

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

0 0 0 ... 1 t an2
0 0 0 ... 0 1 t + an1
Probaremos, inductivamente, que det(A) = tn + an1 tn1 + + a1 t + a0 .
Para n = 2:
t a0
det = t(t + a1 ) + a0 = t2 + a1 t + a0 .
1 t + a1
Supongamos que vale para toda matriz de este tipo en K nn . Entonces, dada una matriz
de esta forma en K (n+1)(n+1) , desarrollando el determinante por la primera fila, y aplicando
luego la hipotesis inductiva resulta que

t 0 0 ... 0 0 a0
1 t 0 ... 0 0 a1

0 1 t ... 0 0 a2

det
0 0 1 . . . 0 0 a3 =

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

0 0 0 ... 1 t an1
0 0 0 ... 0 1 t + an
5.4 Calculo de algunos determinantes 123

t 0 0 ... 0 a1
1 t 0 ... 0 a2

0 1 t ... 0 a3
= t. det

+ (1)n+2 a0 (1)n =

... ... ... ... ... ...
0 0 0 ... t an1
0 0 0 . . . 1 t + an
= t.(tn + an tn1 + + a1 ) + a0 = tn+1 + an tn + + a1 t + a0 .
Ejemplo. Dados k1 , . . . , kn K se define la matriz de Vandermonde:

1 1 ... ... 1
k1 k ... ... kn
2
V (k1 , k2 , . . . , kn ) =
k 2
1 k 2
2 ... ... kn2 K
nn
.
... ... ... ... ...
k1n1 k2n1 . . . . . . knn1
Y
Entonces det V (k1 , k2 , . . . , kn ) = (kj ki ).
1i<jn
Vamos a probarlo por induccion en n:

Para n = 2,
1 1
det V (k1 , k2 ) = det = k2 k1 ,
k1 k2
y por lo tanto, la formula vale.

Supongamos ahora que vale para n y calculemos det V (k1 , k2 , . . . , kn , kn+1 ) . Se tiene
que
1 1 ... ... 1
k1 k2 . . . . . . kn+1
2
det V (k1 , k2 , . . . , kn+1 ) = det
k1 k22 . . . 2
. . . kn+1 .

... ... ... ... ...
k1n k2n . . . n
. . . kn+1
Para i = n, n 1, . . . , 2 a la i-esima fila de esta matriz le restamos k1 veces la fila i 1 y

obtenemos:

det V (k1 , k2 , . . . , kn+1 ) =

1 1 1 ... 1
0 k2 k1 k3 k1 ... kn+1 k1

= det
0 k22 k1 k2 k32 k1 k3 2
. . . kn+1 k1 kn+1

... ... ... ... ...
0 k2n k1 k2n1 k3n k1 k3n1 n
. . . kn+1 n1
k1 kn+1
124 Determinantes

1 0 0 ... 0
0 k k k k . . . k k1
2 1 3 1 n+1
= det
0 (k 2 k 1 )k 2 (k 3 k 1 )k3 . . . (kn+1 k 1 )kn+1

... ... ... ... ...
0 (k2 k1 )k2n1 (k3 k1 )k3n1 . . . (kn+1 k1 )kn+1 n1

1 1 ... 1
n+1
Y k2 k3 . . . kn+1
= (kj k1 ). det ...

... ... ...
j=2
k2n1 k3n1 . . . kn+1 n1
n+1
Y Y
= (kj k1 ) . (kj ki )
j=2 2i<jn+1
Y
= (kj ki ).
1i<jn+1
Observacion 5.18 Del ejemplo anterior se deduce que, si k1 , . . . , kn K son escalares dis-
tintos, la matriz V (k1 , . . . , kn ) K nn es inversible, pues su determinante es no nulo.
La matriz de Vandermonde se relaciona con el siguiente problema de interpolacion: dados
0 , . . . , n K escalares distintos, y 0 , . . . , n K escalares arbitrarios, hallar un polinomio
Pn
P = ai X i K[X] de grado menor o igual que n tal que P (i ) = i para cada 0 i n.
i=0
Estas condiciones dan lugar a un sistema de ecuaciones lineales para los coeficientes de P :
(V (0 , . . . , n ))t .x = t ,
donde xi (0 i n) representa el coeficiente de X i en P y = (0 , . . . , n ) K n+1 .

Ahora, siendo (V (0 , . . . , n ))t una matriz inversible (por ser 0 , . . . , n escalares distin-
Pn
tos), este sistema tiene solucion unica (a0 , . . . , an ) K n+1 , y el polinomio P = ai X i
i=0
cuyos coeficientes son las coordenadas de esta solucion resulta ser el unico polinomio de grado
menor o igual que n que satisface P (i ) = i para cada 0 i n (polinomio interpolador de
Lagrange).
5.5 Rango de una matriz y determinante

De acuerdo a lo que hemos visto previamente, para decidir si una matriz es inversible, basta
verificar si su determinante es no nulo. En esta seccion veremos que, aun en el caso de una
matriz A no inversible, es posible determinar el rango de A calculando determinantes de
submatrices de A.
Definicion 5.19 Sea A K nm y sean 1 r n, 1 s m. Una submatriz de A en K rs

es una matriz B K rs que se obtiene suprimiendo n r filas y m s columnas de A.
5.5 Rango de una matriz y determinante 125

2 1 3
Ejemplo. Sea A R33 , A = 2 2 1 .
1 4 1

2 2 1
Una submatriz de A de 2 3 es, por ejemplo, , que se obtiene al suprimir
1 4 1
la primera fila de A.

2 3
Una submatriz de A de 2 2 es, por ejemplo, , que se obtiene al suprimir la
2 1
tercera fila y la segunda columna de A.
La relacion entre rango y submatrices con determinante no nulo viene dada por la siguiente
proposicion.
Proposicion 5.20 Sea A K nm . Son equivalentes:
i) rg(A) r.
ii) Existe B K rr submatriz de A con det(B) 6= 0.
Demostracion.
i) ii) Si rg(A) r, entonces existen r filas Fi1 , . . . , Fir (i1 < . . . < ir ) de A que son
linealmente independientes. Consideramos la submatriz A0 de A formada por dichas
filas. Se tiene que A0 K rm y rg(A0 ) = r. Esto ultimo implica que A0 tiene r
columnas Cj1 , . . . , Cjr (j1 < . . . < jr ) linealmente independientes.
Sea B K rr la submatriz de A0 cuyas columnas son Cj1 , . . . , Cjr . Es claro que B es
una submatriz de A y, como sus columnas son linealmente independientes, det(B) 6= 0.
ii) i) Supongamos que B K rr es una submatriz de A con determinante no nulo. En-

tonces, las columnas de B son linealmente independientes.
Consideremos la submatriz A0 K rm de A que resulta de suprimir las mismas filas
que para obtener B (pero sin suprimir ninguna columna). Entonces las columnas de
B son algunas de las columnas de A0 , con lo que rg(A0 ) rg(B) = r y, por lo tanto,
rg(A0 ) = r, pues A0 tiene r filas.
Finalmente, observemos que las filas de A son algunas de las filas de A0 , de donde
rg(A) rg(A0 ) = r.
De esta proposicion se desprende el siguiente resultado que permite obtener el rango de

una matriz estudiando los rangos de sus submatrices cuadradas.
Observacion 5.21 Sea A K nm una matriz que posee una submatriz de r r inversible,
pero no posee ninguna submatriz de (r + 1) (r + 1) inversible. Entonces rg(A) = r.
126 Determinantes
5.6 Otra formula para el determinante

Concluimos este captulo dando una formula alternativa para el determinante.

F1
F2
Dada A = (aij ) =
... K
nn
, usando que el determinante es una funcion multilineal
Fn
alternada por filas tenemos que

ei1
X F2
det(A) = a1i1 det
...
1i1 n
Fn
donde ei1 es el i1 -esimo vector de la base canonica de K n . Repitiendo el procedimento para

todas las filas tenemos que
e
i1
X ei2
det(A) = a1i1 a2i2 . . . anin det
.. .
1i1 ,i2 ,...,in n .
ein
Dado que, si una matriz tiene dos filas iguales, su determinante es cero, en la suma podemos
quedarnos solo con los determinantes de las matrices cuyas filas son los n vectores distintos
de la base canonica, eventualmente cambiados de orden. Para facilitar la notacion, daremos
la siguiente
Definicion 5.22 Sea In = {1, 2, . . . , n} N. Una permutacion de In es una funcion

: In In biyectiva. El conjunto de todas las permutaciones de In se nota Sn .
Luego,

e(1)
X e(2)

det(A) = a1(1) a2(2) . . . an(n) det . .
..
Sn
e(n)

e(1)
e(2)

Como el determinante de la matriz . solo depende de la permutacion y siempre da
..
e(n)
1 o 1 (ya que la matriz se obtiene intercambiando filas de la matriz In ), podemos definir
el signo de la permutacion (que notaremos sg()) como dicho determinante. Usando esta
notacion, tenemos:
5.7 Ejercicios 127
Proposicion 5.23 Sea A = (aij ) K nn . Entonces

X
det(A) = sg() a1(1) a2(2) . . . an(n) .
Sn
Observacion 5.24 Para calcular el signo de una permutacion Sn basta considerar la

e(1)
e(2)

matriz . y contar cuantos intercambios de filas se deben realizar para conseguir la
.
.
e(n)
matriz In . Si el numero de intercambios es r, el signo de la permutacion sera (1)r .
Nota. La definicion de signo de una permutacion puede darse independientemente de la

definicion de determinante. De esta forma, la identidad de la Proposicion 5.23 nos da una
funcion de K nn en K que puede probarse que es multilineal alternada y que en la identidad
vale 1 y por lo tanto es la funcion determinante. Esto nos dara una definicion no inductiva
del determinante independiente de nuestra definicion anterior.
5.7 Ejercicios
Ejercicio 1. Calcular el determinante de las siguientes matrices:

1 2 5
3 2 2 2
i) ii) iii) 3 0 1
4 5 1 1
1 4 2

2 3 2 5 5 4 2 5
2 1 3
4 5 0 6 2 3 0 6
iv) 1 1 2 v) vi)
2 0 1 7 0 0 2 0
4 1 5
6 3 4 8 4 3 3 8
Ejercicio 2. Calcular el determinante de las matrices elementales definidas en la Seccion 2.3.
Ejercicio 3. Calcular el determinante de A K nn siendo

0 0 . . . 0 a1
0 0 . . . a2 0

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

0 an1 ... 0 0
an 0 ... 0 0
128 Determinantes
Ejercicio 4.
i) Si A K nn , B K mm
y C K nm , sea M K (n+m)(n+m) la matriz de bloques
A C
definida por M = . Probar que det(M ) = det(A). det(B).
0 B
ii) Sean r1 , r2 , . . . , rn N y para cada i , 1 i n, sea Ai K ri ri . Se considera la
matriz de bloques

A1 0 0 ... 0
0 A2 0 . . . 0

M = 0 0 A3 . . . 0 .

... ... ... ... ...
0 0 0 . . . An
Calcular det(M ).
Ejercicio 5. Calcular los determinantes de las siguientes matrices:

1 2 3 ... n x a a ... a
1 0 3 ... n a x a ... a

i) 1 2 0 . . . n ii) a a x ... a

... ... ... ... ... ... ... ... ... ...
1 2 3 . . . 0 a a a ... x

0 1 1 ... 1 1
1 0 x ... x x

1 x 0 ... x x
iii)
... ... ... ... ... ...

1 x x ... 0 x
1 x x ... x 0
Ejercicio 6. Calcular inductivamente el determinante de A Rnn :

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

0 1 2 1 0 ... 0

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

0 ... 0 1 2 1 0

0 ... ... 0 1 2 1
0 ... ... ... 0 1 2
Ejercicio 7. (Calculo alternativo para el determinante de la matriz de Vandermonde.) Dada

la matriz
1 1 ... ... 1
k1 k2 ... ... kn

V (k1 , k2 , . . . , kn ) = k12 k22 ... ... kn2 ,

... ... ... ... ...
n1 n1
k1 k2 . . . . . . knn1
5.7 Ejercicios 129
Q
probar que det V (k1 , k2 , . . . , kn ) = (kj ki ) de la siguiente forma: Sin perder
1i<jn
generalidad se puede suponer que ki 6= kj si i 6= j. Si se considera el determinante de
V (k1 , k2 , . . . , kn1 , X) como polinomio en X, probar que k1 , . . . , kn1 son sus races y facto-
rizarlo.
Ejercicio 8. Calcular los siguientes determinantes:

1+a 1+b 1+c 1+d 1 1 1 1
1 + a2 1 + b2 2
1+c 1+d 2
a2 b2 c2 2
d
i) ii) 3
1 + a3 1 + b3 1 + c3 1 + d3 a b3 c3 d3
1 + a4 1 + b4 4
1+c 1+d 4
a4 b4 c4 d 4

1 1
Ejercicio 9. Sea A = (aij ) R33 tal que A. 2 = 2 . Si det(A) = 3, calcular el
1 7
determinante de la matriz

a12 a22 a32
1 2 7 .
a11 + 2a13 a21 + 2a23 a31 + 2a33
Ejercicio 10. Dadas las matrices A, B R22

1 3 2 1
A= y B= ,
2 1 1 3
probar que no existe ninguna matriz C GL(2, R) tal que A.C = C.B. Y si no se pide que
C sea inversible?

0 1 2
Ejercicio 11. Sea A R33 la matriz A = 0 1 2 y sea B R33 , B = (bij ), una
0 2 3
matriz tal que det(A + B) = det(A B). Probar que B es inversible si y solo si b11 6= b21 .
Ejercicio 12.
i) Sea A R44 la matriz

a b c d
b a d c
A= .
c d a b
d c b a
Probar que el sistema A.x = 0 tiene solucion unica si y solo si a, b, c y d no son todos
iguales a cero.
ii) Analizar la validez de la afirmacion anterior si A C44 .
130 Determinantes
Ejercicio 13. Sea A K nn y sea K. Probar que existe x K n , x 6= 0, tal que

A.x = .x si y solo si det(A .In ) = 0.
Ejercicio 14. Sean 1 , . . . , n R, todos distintos y no nulos. Probar que las funciones
e1 x , . . . , en x son linealmente independientes sobre R. Deducir que RR no tiene dimension
finita.
Pn
Sugerencia: Derivar n 1 veces la funcion ci ei x .
i=1
Ejercicio 15. Calcular el determinante, la adjunta y la inversa de cada una de las siguientes
matrices:

1 1 6 5
2 3 3 cos 0 sen
2 3 1 1 2 3
i) ii) 5 4 0 iii) iv) 0 1 0
5 1 1 2 5 4
0 2 2 sen 0 cos
2 1 0 1

Ejercicio 16. Sea A una matriz inversible. Calcular det adj A . Que pasa si A no es
inversible?
Ejercicio 17.
i) Resolver los siguientes sistemas lineales sobre Q empleando la regla de Cramer:

n
3.x1 x2 = 3
a) x1 + x2 + x3 + x4 = 0
x1 + 7.x2 = 4

x1 + 2.x2 4.x3 + x4 = 1
( c)
3.x1 2.x2 + x3 = 0
x1 x2 x3 x4 = 4
b) x1 + x2 + 2.x3 = 1
5.x1 + x2 3.x3 + 2.x4 = 0
2.x1 + x2 + 4.x3 = 2
ii) Resolver el siguiente sistema lineal sobre Z7 empleando la regla de Cramer:

3x + y + 2z = 1
x+z = 6

2x + 2y + z = 3

a b c
Ejercicio 18. Sea A R33 la matriz A = d e f . Se sabe que
g h i

1 b c a 2 c a b 1
det 2 e f = 0, det d 4 f = 0, y det d e 2 = 0.
5 h i g 10 i g h 5
Calcular det A.
5.7 Ejercicios 131
Ejercicio 19.
i) Sea A K 33 no inversible tal que A11 .A33 A13 .A31 6= 0. Calcular la dimension de
S = {x K 3 / A.x = 0}.
ii) Sea A K nn no inversible tal que adj(A) 6= 0. Calcular rg(A) y rg(adj(A)).
Ejercicio 20.
i) Sea A = (aij ) K 66 . Con que signos aparecen los siguientes productos en det(A)?
a) a23 .a31 .a42 .a56 .a14 .a65
b) a32 .a43 .a14 .a51 .a66 .a25
ii) Sea A = (aij ) K 55 . Elegir todos los posibles valores de j y de k tales que el producto
a1j .a32 .a4k .a25 .a53 aparezca en det(A) con signo +
iii) Sea A = (aij ) K 44 . Escribir todos los terminos de det(A) que tengan al factor a23
y signo +
iv) Sin calcular el determinante, calcular los coeficientes de X 4 y de X 3 en

2.X X 1 2
1 X 1 1
det .
3 2 X 1
1 1 1 X
v) Sin calcular el determinante, calcular el coeficiente de a6 y el de b6 en

1 b a 1 1 a
1 1 b 1 a 1

1 1 1 a b 1
det .
a 1 1 1 1 b

1 1 a b 1 a
b a 1 1 1 1
Ejercicio 21. Sean A, B, C, D K nn . Sea M K 2n2n la matriz de bloques

A B
M= .
C D
Probar que si A GL(n, K), det(M ) = det(A.D A.C.A1 .B). Si ademas A.C = C.A
entonces det(M ) = det(A.D C.B).
132 Determinantes
Captulo 6
Diagonalizacion
En este captulo empezaremos a estudiar la estructura de los endomorfismos de un espacio

vectorial de dimension finita.
6.1 Nociones basicas

Dada una transformacion lineal f : K n K n , y dos bases B1 y B2 de K n se tiene que
|f |B1 = C(B2 , B1 )|f |B2 C(B1 , B2 ) = C(B2 , B1 )|f |B2 C(B2 , B1 )1 ,
y por lo tanto, existe una matriz C GL(n, K) tal que |f |B1 = C. |f |B2 . C 1 . Recproca-
mente, si A, B K nn son tales que existe una matriz C GL(n, K) tal que A = C.B.C 1 ,
definiendo f : K n K n como f (x) = A.x y considerando B1 = E la base canonica de K n y
B2 la base de K n formada por las columnas de C, resulta que
A = |f |B1 y B = C 1 .A.C = C(E, B2 )|f |E C(B2 , E) = |f |B2 .
Esto da lugar a la siguiente definicion (ya introducida en el Ejercicio 35 de la Seccion 3.8):
Definicion 6.1 Sean A, B K nn . Se dice que A y B son semejantes, y se nota A B, si

existe una matriz C GL(n, K) tal que A = C.B.C 1 .
Por lo tanto, se demostro la siguiente propiedad (que es lo propuesto por el Ejercicio 36

de la Seccion 3.8):
Proposicion 6.2 Sean A, B K nn . Entonces A B si y solo si existen una transformacion

lineal f : K n K n y bases B1 y B2 de K n tales que |f |B1 = A y |f |B2 = B.
Por lo que vimos, una misma transformacion lineal da lugar a matrices semejantes si
calculamos sus matrices en distintas bases. Es por eso que, en lo que sigue, estudiaremos la
134 Diagonalizacion
semejanza de matrices. El primer problema que consideraremos es el de determinar si una

matriz es semejante a una matriz diagonal.
Definicion 6.3 Una matriz A K nn se dice diagonalizable si existe una matriz C

GL(n, K) tal que C.A.C 1 es una matriz diagonal.
En otras palabras, una matriz diagonalizable es una matriz que es semejante a una matriz
diagonal. La nocion correspondiente para transformaciones lineales es la siguiente:
Definicion 6.4 Sea V un K-espacio vectorial de dimension finita, y sea f : V V una

transformacion lineal. Se dice que f es diagonalizable o diagonal si existe una base B de V
tal que |f |B es diagonal.
Teniendo en cuenta que la semejanza de matrices es una relacion de equivalencia (ver

Ejercicio 35 de la Seccion 3.8) deducimos que:
Observacion 6.5 Sea V un K-espacio vectorial de dimension finita y sea f : V V una

transformacion lineal. Entonces f es diagonalizable si y solo si |f |B es diagonalizable para
toda base B de V .
6.1.1 Autovalores y autovectores

Sea V un K-espacio vectorial de dimension n y sea f : V V una transformacion lineal
diagonalizable. Luego, existe una base B = {v1 , . . . , vn } de V tal que |f |B es diagonal:

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

|f |B = . .

.. . . . . . . 0
0 . . . 0 n
Entonces, para cada 1 i n, f (vi ) = i vi .
Recprocamente, si para una base B = {v1 , . . . , vn } de V y 1 , . . . , n K se cumple
que f (vi ) = i vi para cada 1 i n, la matriz |f |B es diagonal y, en consecuencia, f es
diagonalizable.
Esto nos lleva a la siguiente definicion:
Definicion 6.6 Sea V un K-espacio vectorial, y sea f : V V una transformacion lineal.

Se dice que v V , v 6= 0, es un autovector de f si existe K tal que f (v) = .v. El
elemento K se llama un autovalor de f .
Usando estas definiciones, el razonamiento anterior se puede reescribir de esta forma:
Proposicion 6.7 Sea V un K-espacio vectorial de dimension n y sea f : V V una

transformacion lineal. Entonces f es diagonalizable si y solo si existe una base B de V
formada por autovectores de f .
6.1 Nociones basicas 135
La mismas nociones se pueden definir para matrices: Dada A K nn , se le puede asociar

una transformacion lineal fA : K n K n definida por fA (x) = A.x. Notar que |fA |E = A,
donde E es la base canonica de K n . Entonces v K n , v 6= 0, es un autovector de fA de
autovalor si y solo si A.v = .v.
Definicion 6.8 Sea A K nn . Se dice que v K n , v 6= 0, es un autovector de A si existe

K tal que A.v = .v. El elemento K que verifica la condicion anterior se llama un
autovalor de A.
Podemos dar tambien un resultado analogo a la Proposicion 6.7 para matrices:
Proposicion 6.9 Sea A K nn . Entonces A es diagonalizable si y solo si existe una base

B de K n formada por autovectores de A.
Ejemplos.

2 3
1. Decidir si A = R22 es diagonalizable.
2 1
En virtud de la proposicion anterior, basta buscar los autovectores
de
A, es decir,
los
x1 .x 1
vectores x = (x1 , x2 ) R2 tales que (x1 , x2 ) 6= (0, 0) y A. = para
x2 .x2
algun R.
Para esto, buscaremos en primer termino los elementos R para los cuales el sistema
A.x = .x tiene solucion no trivial (autovalores de A) y despues, para cada uno de
los valores hallados, los vectores (x1 , x2 ) R2 que son soluciones del sistema lineal
correspondiente.
Observamos que

2 3 x1 0
A.x = .x (I2 A).x = 0 . = .
2 1 x2 0
Este sistema homogeneo tiene solucion no trivial si y solo si el determinante de su matriz
asociada es 0, o sea, si y solo si 2 3 4 = 0. Luego, los autovalores de A son = 1
y = 4.
Busquemos ahora los autovectores correspondientes a cada autovalor:
Para = 1, queda el sistema

3 3 x1 0
= ,
2 2 x2 0
cuyo conjunto de soluciones es < (1, 1) >. Luego el conjunto de los autovectores
asociados a = 1 es < (1, 1) > {(0, 0)}.
Para = 4, el sistema es

2 3 x1 0
= ,
2 3 x2 0
136 Diagonalizacion
cuyo conjunto de soluciones es < (3, 2) >. Luego el conjunto de los autovectores aso-
ciados a = 4 es < (3, 2) > {(0, 0)}.
En consecuencia, A es diagonalizable, puesto que B = {(1, 1), (3, 2)} es una base de
R2 formada por autovectores de A. Mas aun, si C = C(E, B) se tiene que

1 1 0
C. A. C = .
0 4

3 0 0
2. Decidir si A = 1 3 0 es diagonalizable en R33 .
0 0 3
Busquemos los autovalores de A, es decir, los valores de R para los cuales el sistema
A.x = .x tiene solucion no trivial o, equivalentemente, el sistema (.I3 A).x = 0 tiene
solucion no trivial. Pero esto vale si y solo si det(.I3 A) = 0, es decir ( 3)3 = 0.
Luego, = 3 es el unico autovalor de A.
Si A fuese diagonalizable, existira C GL(n, K) tal que

3 0 0 3 0 0
C.A.C 1 = 0 3 0 A = 0 3 0 .
0 0 3 0 0 3
Luego, A no es diagonalizable.
6.1.2 Polinomio caracterstico

Como vimos en la seccion anterior, un metodo para determinar si una matriz es diagonalizable
consiste en buscar sus autovalores y luego ver si se puede armar una base de autovectores.
Sea A K nn y sea K. Se tiene que:
es autovalor de A x K n {0} tal que A.x = .x.

El sistema A.x = .x tiene solucion no trivial.
El sistema (.In A).x = 0 tiene solucion no trivial.
det(.In A) = 0.
(Comparar con el Ejercicio 13 de la Seccion 5.7.)
Definicion 6.10 Sea A K nn . Se llama polinomio caracterstico de A, y se nota XA , al

polinomio XA = det(X.In A) K[X].
Si A K nn , XA resulta ser un polinomio monico de grado n (notar que en la matriz

X.In A, solo aparece n veces X y que el signo del termino (X a11 ) . . . (X ann ) en el
determinante es 1). Por lo anterior, tenemos:
6.2 Una caracterizacion de matrices diagonalizables 137
Proposicion 6.11 Sea A K nn y sea K. Entonces es autovalor de A si y solo si

es raz del polinomio caracterstico de A.

0 1
Ejemplo. Decidir si A = es diagonalizable en Q22 , R22 y C22 .
1 0
Los autovalores de A son las races del polinomio

X 1
XA = det = X 2 + 1.
1 X
Como este polinomio no tiene races en Q ni en R, resulta que A no es diagonalizable en Q22

ni en R22 .
Considerada como matriz en C22 , los autovalores de A son i y i, y los autovectores
asociados son < (1, i) > {(0, 0)} y < (1, i) > {(0, 0)}. Como B = {(1, i), (1, i)} es una
base de C2 formada por autovectores de A, entonces A es diagonalizable en C22 .
Queremos definir el polinomio caracterstico asociado a un endomorfismo de un espacio

vectorial de dimension finita. Para eso, veremos que dos matrices semejantes tienen el mismo
polinomio caracterstico.
Proposicion 6.12 Sea A K nn y sea C GL(n, K). Entonces XC.A.C 1 = XA .
Demostracion. Se tiene que
XC.A.C 1 = det(X.In C.A.C 1 ) = det(C.X.In .C 1 C.A.C 1 )

= det(C.(X.In A).C 1 ) = det(X.In A) = XA .
Definicion 6.13 Sea V un K-espacio vectorial de dimension finita, y sea f : V V una

transformacion lineal. Se define el polinomio caracterstico de f como Xf = X|f |B , donde B
es una base cualquiera de V .
Como en el caso de matrices, se tiene que:
Observacion 6.14 Sea V un K-espacio vectorial de dimension finita. Sea f : V V una

transformacion lineal y sea K. Entonces es autovalor de f si y solo si es raz de Xf .
6.2 Una caracterizacion de matrices diagonalizables

6.2.1 Suma directa de subespacios
Para lo que sigue, vamos a necesitar generalizar la nocion de suma directa de dos subes-
pacios de un K-espacio vectorial (ver Seccion 1.4.2) al caso de cualquier cantidad finita de
subespacios.
138 Diagonalizacion
Definicion 6.15 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr subespacios de V . Se

define la suma de S1 , S2 , . . . , Sr como
W = S1 + S2 + + Sr = {s1 + + sr / si Si , 1 i r}.
Es facil ver que W es un subespacio de V .
Definicion 6.16 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr subespacios de V . Se

dice que S1 , S2 , . . . , Sr estan en suma directa si, para cada w W = S1 + S2 + + Sr existen
unicos si Si , 1 i r, tales que w = s1 + . . . + sr . En este caso se dice que W es la suma
directa de los subespacios S1 , . . . , Sr , y se nota
r
M
W = S1 S2 Sr = Si .
i=1
Vamos a dar una definicion equivalente de la suma directa de varios subespacios:
Proposicion 6.17 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr subespacios de V . Son

equivalentes:
L
r
i) W = Si .
i=1
ii) W = S1 + . . . + Sr y para cada 1 j r, vale

Sj (S1 + S2 + + Sj1 + Sj+1 + + Sr ) = {0}.
Demostracion.
i) ii) Sea 1 j r. Sea x Sj (S1 + S2 + + Sj1 + Sj+1 + + Sr ). Entonces

x = 0 + + 0 + x + 0 + + 0,
x = s1 + + sj1 + 0 + sj+1 + + sr .
Por la unicidad de la escritura en la suma directa, resulta que x = 0.
P
r
ii) i) Por hipotesis, existen s1 , . . . , sr con si Si para cada 1 i r tales que w = si .
i=1
P
r P
r
Supongamos que w = si = s0i con si , s0i Si para cada 1 i r.
i=1 i=1
Entonces, para cada 1 j r, se tiene que
r
X
sj s0j = (s0i si ).
i=1
i6=j
P
r
Como sj s0j Sj y (s0i si ) es una suma donde cada s0i si Si , de la hipotesis
i=1
i6=j
se deduce que sj s0j = 0. Luego, sj = s0j .

Como en la suma directa de dos subespacios, en este caso tambien es posible obtener una
base del espacio suma uniendo bases de cada uno de los sumandos. La demostracion de este
resultado es analoga a la de la Proposicion 1.46.
Proposicion 6.18 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr subespacios de V .

Para cada 1 i r, sea Bi una base de Si . Son equivalentes:
L
r
i) W = Si .
i=1
ii) B = B1 B2 Br es una base de W .
Observamos que en la condicion ii), B es la familia obtenida mediante la union de las

familias B1 , B2 , . . . , Br .
6.2.2 Espacios de autovectores y diagonalizacion

Dado un autovalor de una matriz A K nn , el conjunto de los autovectores de autovalor
no es un subespacio de K n , puesto que, por definicion, 0 no es un autovector de A. Sin
embargo, podemos considerar el siguiente subespacio que consiste en agregar el vector 0 a ese
conjunto:
Definicion 6.19 Sea A K nn y sea un autovalor de A. Se define

E = {v K n / A.v = .v} = {v K n / ( In A).v = 0}.
Observamos que E es un subespacio de K n , puesto que es el conjunto de soluciones de

un sistema lineal homogeneo.
Proposicion 6.20 Sea A K nn y sean 1 , . . . , r autovalores distintos de A. Entonces

E1 , . . . , Er estan en suma directa.
Demostracion. Lo probaremos por induccion en la cantidad r de autovalores considerados.

Para r = 2: Sean 1 y 2 autovalores distintos de A. Si v E1 E2 , se tiene que
A.v = 1 .v y A.v = 2 .v, de donde (1 2 ).v = 0. Como 1 2 6= 0, resulta que v = 0.
Luego, E1 E2 = {0} y la suma es directa.
Supongamos ahora que el resultado vale para el caso de r autovalores distintos, y sean
1 , . . . , r , r+1 autovalores distintos de A.
L
r+1
Debemos probar que para cada 1 i r + 1, Ei Ej = {0}. Sin perdida de
j=1
j6=i
generalidad, supongamos que i = r + 1.
Lr
Sea v Er+1 Ej . Entonces, existen vj Ej (1 j r) tales que v = v1 + . . . + vr .
j=1
Multiplicando esta igualdad por la matriz A, tenemos
r+1 v = 1 v1 + . . . + r vr ,
140 Diagonalizacion
pero si la multiplicamos por r+1 , se tiene

r+1 v = r+1 v1 + . . . + r+1 vr .
Restando miembro a miembro,
0 = (1 r+1 )v1 + . . . + (r r+1 )vr .
Como por hipotesis inductiva, los subespacios Ej (1 j r) estan en suma directa, el

vector cero se escribe de forma unica como suma de ceros. Luego, (j r+1 )vj = 0 para
cada 1 j r y, por lo tanto, vj = 0 para cada 1 j r, con lo cual v = 0.
Ya vimos que todo autovalor de una matriz A es raz de su polinomio caracterstico.

Ahora veremos que siempre existe una relacion entre la dimension de E y la multiplicidad
de como raz de XA .
Proposicion 6.21 Sea A K nn y sea K. Sea r la multiplicidad de como raz de

XA (es decir, XA = (X )r P con P () 6= 0) y sea E = {x K n / A.x = x}. Entonces
dim(E ) r.
Demostracion. Sea fA : K n K n la transformacion lineal definida por fA (x) = A.x.

Sea s = dim(E ) y sea {v1 , . . . , vs } una base de E . Sean vs+1 , . . . , vn K n tales que
B = {v1 , . . . , vs , vs+1 , . . . , vn } es una base de K n . Se tiene que
ss
z }| {
0 0

0 . . . . . . ...
N
|fA |B = .
.. . . . . . . 0
,

0 0

0 M
de donde
ss
z }| {
X 0 0

.. ..
0 . .
N
XfA = det
.. .. ..

. . .
0 0 X

0 XIns M
= (X )s det(XIns M )
= (X )s Q.
Por hipotesis, XA = (X )r P con P K[X] tal que P () 6= 0. Entonces
(X )s Q = XfA = XA = (X )r P con P () 6= 0,
de donde s r, es decir, dim(E ) mult(, XA ).
El siguiente teorema establece condiciones necesarias y suficientes sobre los subespacios

E asociados a los autovalores de una matriz para que esta sea diagonalizable.
Teorema 6.22 Sea A K nn y sean 1 , . . . , r todos los autovalores de A en K, con i 6= j

si i 6= j. Son equivalentes:
i) A es diagonalizable en K nn .
L
r
ii) Ei = K n .
i=1
iii) XA = (X 1 )a1 . . . (X r )ar y ai = dim Ei para cada 1 i r.
Demostracion.
i ) ii ) Si A es diagonalizable en K nn , existe una base B = {v1 , . . . , vn } de K n formada

por autovectores de A. Para cada vj B, existe i, 1 i r, tal que vj es autovector de
A de autovalor i (porque 1 , . . . , r son todos los autovalores de A), es decir vj Ei
Lr
para algun 1 i r, lo que implica que vj Ei .
i=1
L
r
En consecuencia, K n = < v1 , . . . , vn > = Ei .
i=1
ii ) iii ) Por la proposicion anterior, para cada 1 i r, dim Ei mult(i , XA ). Si

Lr
Kn = Ei se tiene que
i=1
r
X r
X
n = dim K n = dim Ei mult(i , XA ) gr(XA ) = n.
i=1 i=1
Luego, en la cadena anterior, son todas igualdades.

En particular:
P
r
La igualdad mult(i , XA ) = gr(XA ) implica que XA se puede factorizar como
i=1
producto de polinomios de grado 1 en K[X]: si ai = mult(i , XA ) (1 i r), entonces
XA = (X 1 )a1 . . . (X r )ar .
Pr
Como dim Ei mult(i , XA ) para cada 1 i r, de la igualdad dim Ei =
i=1
P
r
mult(i , XA ) se deduce que dim Ei = mult(i , XA ) para cada 1 i r.
i=1
142 Diagonalizacion
S
r
iii ) i ) Para cada 1 i r sea Bi una base de Ei . Por la Proposicion 6.18, B = Bi
i=1
L
r
es una base de Ei K n . Ahora,
i=1
r
X r
X r
X
#B = #Bi = dim Ei = ai = gr(XA ) = n,
i=1 i=1 i=1
L
r L
r
de donde dim Ei = dim K n . Luego Ei = K n y entonces B es una base
i=1 i=1
(formada por autovectores de A) de K n . En consecuencia, A es diagonalizable.

1 0 0 1
1 1 0 1
Ejemplo. Decidir si A =
0
R44 es diagonalizable.
0 1 1
0 0 0 2
Calculamos XA = (X 1)3 (X 2). Para el autovalor 1 se tiene que
E1 = {x R4 / (I4 A).x = 0} = < (0, 1, 0, 0), (0, 0, 1, 0) >,
de donde dim E1 = 2 < 3 = mult(1, XA ). El teorema anterior implica entonces que A no es

diagonalizable.
6.3 Polinomios minimales

En lo que sigue, a cada matriz le asociaremos un polinomio. Este polinomio, entre otras
propiedades, nos dara un nuevo criterio para decidir si la matriz es diagonalizable.
6.3.1 Polinomio minimal de una matriz

Sea P K[X], P = a0 + a1 X + + ar X r . Dada A K nn definimos
P (A) = a0 In + a1 A + + ar Ar K nn .
Observemos que si P, Q K[X] y A K nn , entonces (P + Q)(A) = P (A) + Q(A) y

(P.Q)(A) = P (A).Q(A).
Analogamente, si V es un K-espacio vectorial de dimension finita y f : V V es una

transformacion lineal, definimos
P (f ) = a0 idV + a1 f + + ar f r HomK (V, V ),
donde, para k N, f k = f f . . . f es la composicion.

| {z }
k veces
6.3 Polinomios minimales 143
Dada una matriz A K nn nos interesa considerar polinomios P K[X] que anulen a A,
es decir, tales que P (A) = 0. El siguiente resultado asegura que para cualquier matriz existe
un polinomio no nulo con esta propiedad.
Lema 6.23 Sea A K nn . Existe un polinomio P K[X], P 6= 0, tal que P (A) = 0.

2
Demostracion. Consideremos el conjunto {In , A, A2 , . . . , An } K nn . Este conjunto es
linealmente dependiente, puesto que tiene n2 + 1 elementos y dim(K nn ) = n2 . Luego,
n2
P
existen a0 , a1 , . . . , an2 K no todos nulos, tales que ai Ai = 0. Sea P K[X] el polinomio
i=0
2
P
n
P = ai X i . Entonces P 6= 0 y P (A) = 0.
i=0
Para cada matriz, distinguimos un polinomio particular entre todos los polinomios que la
anulan: el de grado mnimo y monico. Veamos que para toda matriz existe un polinomio con
estas propiedades y que es unico:
Existencia. Sea H = {gr(P ) : P K[X], P 6= 0, P (A) = 0} N. Por el Lema 6.23, H 6= .

Luego, H tiene primer elemento r. Entonces existe un polinomio Q 6= 0 de grado r tal que
Q(A) = 0 y Q es monico (si no lo fuera, bastara dividir por su coeficiente principal).
Unicidad. Supongamos que existe un polinomio Q0 K[X] monico, Q0 6= Q, tal que
gr(Q0 ) = r y Q0 (A) = 0. Entonces (Q0 Q)(A) = 0 y gr(Q0 Q) < r, puesto que Q y
Q0 son ambos monicos, lo que contradice que r es el primer elemento de H.
Definicion 6.24 Sea A K nn . Llamaremos polinomio minimal de A, y lo notaremos mA ,

al polinomio monico de grado mnimo que anula a A.

1 0
Ejemplo. Sea A = . Calcular mA .
1 1
Puesto que {I2 , A} es linealmente independiente, no existe P R[X] tal que gr(P ) = 1 y
P (A) = 0.
Buscamos entonces P = X 2 +aX +b que anule a A, para lo cual estudiamos la independecia
lineal de {I2 , A, A2 }.

1 0 1 0 1 0
A2 + aA + bI2 = 0 +a +b =0
2 1 1 1 0 1
n
1a+b=0
a = 2, b = 1.
2 + a = 0
Luego, mA = X 2 + 2X + 1. (Observar que, en este caso, mA coincide con XA .)
Dada una matriz A K nn , el conjunto de todos los polinomios que anulan a A puede
caracterizarse a partir de su polinomio minimal mA .
144 Diagonalizacion
Proposicion 6.25 Sea A K nn y sea P K[X]. Entonces P (A) = 0 si y solo si mA

divide a P .
Demostracion.
() Si mA | P , existe Q K[X] tal que P = Q. mA . Luego
P (A) = (Q. mA )(A) = Q(A). mA (A) = Q(A). 0 = 0.
() Por el algoritmo de division en K[X], existen polinomios Q, R K[X] tales que P =

Q. mA + R con R = 0 o gr(R) < gr(mA ). Se tiene que
0 = P (A) = Q(A). mA (A) + R(A) = Q(A). 0 + R(A) = R(A).
Como mA es de grado mnimo entre los polinomios que anulan a A, no puede ser
gr(R) < gr(mA ) y, por lo tanto, R = 0.
Como sucede en el caso del polinomio caracterstico, vemos que dos matrices semejantes
tienen el mismo polinomio minimal. Para eso, analizamos en primer lugar la relacion entre
los polinomios que anulan a dos matrices semejantes. Utilizaremos el siguiente hecho:
Observacion 6.26 Si A, B K nn y C GL(n, K) son matrices tales que A = C. B. C 1

entonces Ak = C. B k . C 1 para todo k N.
En efecto, es claro que la igualdad vale para k = 1 y, que si vale para k N, entonces
Ak+1 = A. Ak = C. B. C 1 . C. B k . C 1 = C. B k+1 . C 1 .
Lema 6.27 Sean A, B K nn , A B. Entonces P (A) P (B) para todo P K[X]. En

particular, P (A) = 0 si y solo si P (B) = 0.
P
r
Demostracion. Sea P K[X], P = ai X i . Si A B, existe C GL(n, K) tal que
i=0
A = C.B.C 1 , y entonces
r
X
P (A) = P (C. B. C 1 ) = ai .(C. B. C 1 )i
i=0
r
X X
r
= ai . C. B i . C 1 = C. ai B i . C 1 = C. P (B). C 1 .
i=0 i=0
Luego, P (A) P (B).
Proposicion 6.28 Sean A, B K nn , A B. Entonces mA = mB .
Demostracion. Por el lema anterior y la Proposicion 6.25,

mA (A) = 0 mA (B) = 0 mB | mA .
mB (B) = 0 mB (A) = 0 mA | mB .
Puesto que mA y mB son ambos monicos, resulta que mA = mB .
Este resultado implica que si f : V V es una transformacion lineal definida en un

K-espacio vectorial V de dimension finita, y consideramos la matriz de f en dos bases de V
distintas, los polinomios minimales de estas dos matrices coinciden. Esto nos permite dar la
siguiente definicion de polinomio minimal para transformaciones lineales:
Definicion 6.29 Sea V un K-espacio vectorial de dimension finita, y sea B una base de
V . Sea f : V V una transformacion lineal. Se define el polinomio minimal de f como
mf = m|f |B .
En la Proposicion 6.11 vimos que las races del polinomio caracterstico de una matriz son
sus autovalores. El siguiente resultado muestra que lo mismo vale para el polinomio minimal.
Proposicion 6.30 Sea A K nn , y sea mA el polinomio minimal de A. Sea K.

Entonces es autovalor de A si y solo si es raz de mA .
Demostracion.
() Sea un autovalor de A. Por el algoritmo de division en K[X] existen Q K[X] y

R K tales que mA = Q. (X ) + R. Entonces
0 = mA (A) = Q(A).(A In ) + R. In .
Como es autovalor de A, existe v K n , v 6= 0, tal que A.v = .v. Se tiene que
0 = Q(A).(A In ).v + R.v = Q(A).(Av v) + R.v = Q(A). 0 + R.v = R.v,
es decir, R.v = 0. Como v 6= 0, debe ser R = 0.

En consecuencia, mA = Q. (X ), y entonces es raz de mA .
() Sea K una raz de mA . Entonces mA = (X ).Q y, por lo tanto, 0 = mA (A) =

(A In ).Q(A).
Observamos que Q(A) 6= 0, puesto que gr(Q) = gr(mA ) 1. En consecuencia, existe
w K n tal que Q(A).w 6= 0. Sea v = Q(A).w. Entonces
(A In ).v = (A In ).Q(A).w = 0.w = 0,
de donde es un autovalor de A.
146 Diagonalizacion
6.3.2 Polinomio minimal de un vector

Sea A K nn y sea v K n . Dado P K[X], definimos P (v) = P (A).v. Diremos que P
anula a v si P (v) = 0.
Observacion 6.31 Sea A K nn y sea mA el polinomio minimal de A. Entonces, para

cada v K n , se tiene que
mA (v) = mA (A).v = 0.v = 0.
Luego, para cada v K n existe un polinomio monico que anula a v.
Definicion 6.32 Sea A K nn y sea v K n . El polinomio minimal de v, que notaremos

mv , es el polinomio monico de grado mnimo que anula a v.
La existencia y unicidad de un polinomio que cumple las condiciones de la definicion se

prueban, a partir de la Observacion 6.31, en forma analoga a lo hecho para el polinomio
minimal de una matriz.
Ejemplos.
1. Sea A K nn y sea v K n un autovector de A de autovalor . Entonces mv = X .

1 0
2. Sea A = R22 , y sea e1 = (1, 0). Calcular me1 .
1 1
Comenzamos buscando un polinomio monico P = X + b R[X] de grado 1 tal que

P (e1 ) = 0: Observamos que
P (e1 ) = 0 (A + bI2 ).e1 = 0 A.e1 + b.e1 = 0 (1, 1) + (b, 0) = (0, 0),
pero esto no vale para ningun valor de b R. Luego, gr(me1 ) 2.

Buscamos entonces un polinomio P R[X] monico de grado 2: P = X 2 + aX + b. En
este caso
P (e1 ) = 0 (A2 + aA + bI2 ).e1 = 0
A2 e1 + a.Ae1 + b.e1 = 0
(1, 2) + a(1, 1) + b(1, 0) = (0, 0)

n
1a+b=0

2 + a = 0
a = 2, b = 1.
Luego, el polinomio minimal de e1 es P = X 2 + 2X + 1.

Como hallar el polinomio minimal de un vector:
Sea A K nn y sea v K n . Si mv = X m + am1 X m1 + + a2 X 2 + a1 X + a0 es el

polinomio minimal de v, entonces
Am .v + am1 Am1 .v + + a2 A2 .v + a1 A.v + a0 .v = 0.
Ademas, como mv es de grado mnimo entre los polinomios que satisfacen P (v) = 0, se tiene
que {v, A.v, . . . , Am1 .v} es un conjunto linealmente independiente.
Luego, para hallar el polinomio minimal de v, un primer paso consiste en buscar el mnimo
m N tal que {v, A.v, . . . , Am .v} es linealmente dependiente. Si Am .v = a0 .v a1 .A.v
am1 .Am1 .v, entonces mv = X m + am1 X m1 + + a1 X + a0 .
Al igual que para el polinomio minimal de una matriz (ver Proposicion 6.25), fijada una
matriz A, todo polinomio que anula a un vector dado resulta ser multiplo de su polinomio
minimal.
Proposicion 6.33 Sean A K nn , v K n y P K[X]. Entonces P (v) = 0 si y solo si

mv divide a P . En particular, mv divide a mA .
Demostracion. Dado P K[X] se tiene que P = Q. mv + R con Q, R K[X], R = 0 o

gr(R) < gr(mv ). En consecuencia,
P (v) = P (A). v = Q(A). mv (A). v + R(A). v = Q(A). 0 + R(v) = R(v),
de donde P (v) = 0 si y solo si R(v) = 0.

Como mv es de grado mnimo entre los polinomios que anulan a v, resulta que R(v) = 0
si y solo si R = 0, es decir, si y solo si mv | P .
La siguiente proposicion muestra como calcular el polinomio minimal de una matriz A

K nn a partir de los polinomios minimales de los vectores de una base de K n .
Proposicion 6.34 Sea A K nn y sea B = {v1 , . . . , vn } una base de K n . Entonces mA =

mcm{mvi : i = 1, . . . , n} (mcm denota el mnimo comun multiplo).
Demostracion. Sea P = mcm{mvi : i = 1, . . . , n}.

Por la proposicion anterior, mvi | mA para cada 1 i n. Luego, P | mA .
Por otro lado, como mvi | P para cada 1 i n, se tiene que P (A).vi = 0 para cada
P
n
1 i n. Sea v K n y sean 1 , . . . , n K tales que v = i vi . Entonces
i=1
X
n Xn
P (A).v = P (A) i .vi = i P (A).vi = 0.
i=1 i=1
148 Diagonalizacion
En consecuencia, se tiene que P (A) K nn satisface P (A).v = 0 v K n y, por lo tanto,

P (A) = 0. Luego, mA | P .
Como mA y P son dos polinomios monicos que se dividen mutuamente, mA = P .

1 0 0
Ejemplo. Calcular mA para A = 1 1 0 .
0 0 2
Consideremos E = {e1 , e2 , e3 } la base canonica de R3 . Por la proposicion anterior, mA =

mcm{me1 , me2 , me3 }.
Busquemos entonces los polinomios minimales de cada uno de los vectores de E:
me1 : Vemos que {e1 , A.e1 } = {e1 , e1 + e2 } es un conjunto linealmente independiente, pero
{e1 , A.e1 , A2 .e1 } = {e1 , e1 + e2 , e1 + 2e2 } no lo es.
Ademas, 0 = (e1 + 2e2 ) 2.(e1 + e2 ) + e1 = A2 .e1 2.A.e1 + e1 , de donde me1 =

X 2 2X + 1 = (X 1)2 .
me2 : Como A.e2 = e2 , entonces me2 = X 1.
me3 : Como A.e3 = 2.e3 , entonces me3 = X 2.
Luego, mA = mcm{(X 1)2 , X 1, X 2} = (X 1)2 (X 2).
6.3.3 Teorema de Hamilton-Cayley

El teorema de Hamilton-Cayley, cuya demostracion damos a continuacion, establece que para
cualquier matriz A, el polinomio caracterstico de A anula a A.
Teorema 6.35 (Teorema de Hamilton-Cayley) Sea A K nn y sea XA el polinomio

caracterstico de A. Entonces mA | XA (lo que es equivalente a que XA (A) = 0).
Demostracion. Sea fA : K n K n la transformacion lineal definida por fA (x) = A.x.

Sea v K n . Supongamos que {v, fA (v), . . . , fAk (v)} es un conjunto linealmente in-
dependiente y que fAk+1 (v) = (ak )fAk (v) + + (a1 )fA (v) + (a0 ). Entonces mv =
X k+1 + ak X k + + a1 X + a0 .
Extendemos el conjunto {v, fA (v), . . . , fAk (v)} a una base de K n : sean wk+2 , . . . , wn K n
tales que
B = {v, fA (v), . . . , fAk (v), wk+2 , . . . , wn }
es una base de K n . Se tiene que

0 0 ... 0 a0
1 0 0 a1

.. ..
M
0 1 . .
.
|fA |B = .. .
. .
. 0 ak1
0 ... 1 ak

0 N
Sabemos que XA = XfA = X|fA |B , con lo que

X 0 ... 0 a0
1 X 0 a1

.. ..
0 1 . . M

XA = det
.. ..

. . X ak1
0 ... 1 X + ak

0 X. Ink1 N

X 0 ... 0 a0
1 X 0 a1

.. ..
= det
0 1 . . det(X. Ink1 N ).

. ..
.. . X ak1
0 ... 1 X + ak
Por lo calculado en el primer ejemplo de la Seccion 5.4, obtenemos que
XA = (X k+1 + ak X k + + a1 X + a0 ). det(X. Ink1 N )
= mv . det(X. Ink1 N ).
Por lo tanto, mv | XA para v K n arbitrario.

Sea E = {e1 , . . . , en } la base canonica de K n . Por lo anterior, mei | XA para cada
1 i n. En consecuencia, mA = mcm{me1 , . . . , men } divide a XA .
A partir del Teorema de Hamilton-Cayley podemos deducir algunos resultados relaciona-

dos con el polinomio minimal de una matriz.
Observacion 6.36 Sea A K nn . Entonces:
1. gr(mA ) n.
150 Diagonalizacion
2. Si gr(mA ) = n, entonces mA = XA .
3. Si existe v K n tal que gr(mv ) = n, entonces mv = mA = XA .
En el ejemplo que sigue, mostramos como puede utilizarse el hecho de conocer un polinomio
que anula a una matriz (en este caso, su polinomio caracterstico) para calcular las potencias
de la matriz.

0 1
Ejemplo. Sea A = R22 . Calcular An para cada n N.
1 2
Calculamos el polinomio caracterstico de A: XA = (X 1)2 . Por el Teorema de Hamilton-

Cayley, XA (A) = 0, es decir, A2 2.A + I2 = 0.
La idea para calcular An para cada n N es ver que cada potencia de A es combinacion
lineal de I2 y A (observar que la igualdad dada por el teorema de Hamilton-Cayley dice que
A2 = 2A I2 ), encontrar esta combinacion lineal y usarla para dar una formula cerrada para
los coeficientes de An en funcion de n.
Sea n N. Por el algoritmo de division, existen P (X) R[X] y an , bn R tales que
X n = (X 1)2 P (X) + an .X + bn . (6.1)
Evaluando esta igualdad en X = 1, se obtiene
1 = 0. P (1) + an + bn an + bn = 1.
Derivando la identidad (6.1) resulta que
n.X n1 = 2(X 1)P + (X 1)2 P 0 + an ,
y evaluando esta igualdad en X = 1, se deduce que an = n. En consecuencia, bn = 1 n.

Luego, para cada n N se tiene que
X n = (X 1)2 P (X) + nX + 1 n,
de donde

n 0 1 1 0 1 n n
A = n.A + (1 n)I2 = n. + (1 n) = .
1 2 0 1 n n+1
Aplicando el Teorema de Hamilton-Cayley, tambien podemos calcular A1 como combi-

nacion lineal de I2 y A. Basta observar que
A2 2A + I2 = 0 I2 = 2A A2 I2 = A(2I2 A) = (2I2 A)A,
lo que implica que A1 = 2I2 A.
El procedimiento para calcular A1 del ejemplo anterior puede generalizarse para hallar
la inversa de cualquier matriz en GL(n, K):
Observacion 6.37 Sea A GL(n, K). Entonces A1 < In , A, A2 , . . . , An1 >.

Supongamos que XA = X n + an1 X n1 + + a1 X + a0 . Entonces, por el Teorema de
Hamilton-Cayley,
An + an1 An1 + + a1 A + a0 In = 0.
Observemos que a0 = XA (0) = det(0.In A) = det(A) = (1)n det(A) 6= 0, puesto que A
es inversible. En consecuencia,
1
In = . (An + an1 An1 + + a2 A2 + a1 A)
a0
1
= A. . (An1 + an1 An2 + + a2 A + a1 In )
a0
1
= . (An1 + an1 An2 + + a2 A + a1 In ) . A,
a0
1
de donde A1 = . (An1 + an1 An2 + + a2 A + a1 In ).
a0
6.3.4 Un criterio de diagonalizacion usando el polinomio minimal

En primer lugar, notemos que vale lo siguiente:
Observacion 6.38 Sea A K nn y sea XA K[X] el polinomio caracterstico de A. Si XA

se factoriza linealmente en K[X] y tiene todas sus races simples, entonces A es diagonalizable.
En efecto, si XA = (X 1 ) . . . (X n ), con i 6= j para cada i 6= j, A tiene n autovalores
distintos. Ademas, para cada 1 i n, existe vi K n autovector de A de autovalor i .
Puesto que E1 , . . . , En estan en suma directa, {v1 , . . . , vn } resulta una base de K n formada
por autovectores de A, y por lo tanto, A es diagonalizable.
La recproca de este resultado no es cierta, es decir, XA puede tener races multiples y, de

todas formas, A ser diagonalizable. Basta considerar, por ejemplo, la matriz A = In .
Sin embargo, es posible dar una condicion necesaria y suficiente para la diagonalizacion,
considerando la factorizacion del polinomio minimal de la matriz.
Proposicion 6.39 Sea A K nn . Entonces A es diagonalizable en K nn si y solo si mA

tiene todas sus races en K y son simples.
Demostracion.
() Supongamos que A es diagonalizable. Sean 1 , . . . , r los autovalores de A, con i 6= j

si i 6= j y sea {v1 , . . . , vn } una base de autovectores de A. Si mv denota el minimal del
vector v para la matriz A, se tiene que:
mA = mcm{mv1 , . . . , mvn }
= mcm{X 1 , . . . , X 1 , . . . , X r , . . . , X r }
= (X 1 )(X 2 ) . . . (X r )
152 Diagonalizacion
En consecuencia, mA tiene todas las races en K y son simples.

() Supongamos que mA = (X 1 ) . . . (X r ) con i 6= j si i 6= j. Entonces 1 , . . . , r
son todos los autovalores de A en K.
Lr
Veamos que K n = Ei , donde Ei = {x K n : A.x = i .x}.
i=1
n
Sea v K {0}. Consideremos el subespacio
S = < v, A.v, A2 .v, . . . , Am .v, . . . > K n .
Supongamos que {v, A.v, . . . , Ak .v} es un conjunto linealmente independiente, pero

{v, A.v, . . . , Ak .v, Ak+1 .v} es linealmente dependiente.
Luego Aj .v < v, A.v, . . . , Ak .v > para todo j N y BS = {v, A.v, A2 .v, . . . , Ak .v}
resulta ser una base de S. Ademas, gr(mv ) = k + 1, o sea, mv es de la forma
mv = X k+1 + ak X k + . . . + a1 X + a0 .
Por la construccion de S, si x S resulta que A.x S. Sea fA : S S la transformacion

lineal definida por fA (x) = A.x. Se tiene que

0 0 . . . 0 a0
..
1 0 . a1

..
|fA |BS = 0 1 . . . . .

. . .
.. .. . . 0 a
k1

0 0 . . . 1 ak
Observamos que XfA = det(XIk+1 |fA |BS ) = X k+1 + ak X k + + a1 X + a0 = mv .

Puesto que mv | mA y, por hipotesis, mA tiene todas sus races en K y son simples,
resulta que XfA = mv tiene todas sus races en K, son simples y son algunos de los
autovalores de A. Por la Observacion 6.38 concluimos que fA es diagonalizable sobre
S. Ademas, si XfA = (X i1 ) . . . (X ik+1 ), como v S, existen vi1 , . . . , vik+1
autovectores de fA (donde vij es un autovector de autovalor ij ) tales que v = vi1 +
+vik+1 . Pero si vij es un autovector de fA de autovalor ij , entonces es un autovector
L
r
de A con el mismo autovalor. En consecuencia v Ei .
i=1
L
r
Como v K n era arbitrario, resulta que K n = Ei . La equivalencia dada por el
i=1
Teorema 6.22 dice entonces que A es diagonalizable.
A continuacion presentamos un ejemplo en el que mostramos como puede aplicarse este

resultado para determinar si una matriz es diagonalizable.
Ejemplo. Sea A Cnn tal que Ak = In para algun k N. Entonces A es diagonalizable.

6.4 Subespacios invariantes 153
Por hipotesis, Ak In = 0, con lo que el polinomio X k 1 anula a A. En consecuencia,

mA | X k 1. Como X k 1 tiene todas sus races en C y son simples, entonces mA tambien.
Luego, A es diagonalizable.
Rnn satisface
Notar que si A k
A = In , A no es necesariamente diagonalizable sobre
0 0 1
R. Por ejemplo, A = 1 0 0 cumple A3 = I3 , pero A no es diagonalizable, puesto que
0 1 0
mA = (X 1)(X 2 + X + 1), que no tiene todas sus races en R.
6.4 Subespacios invariantes

Dada una transformacion lineal f : V V donde V es un K-espacio vectorial de dimension
finita, una posible manera de
Lrestudiar f consiste en descomponer el espacio V como suma
directa de subespacios V = i=1 Si y analizar la restriccion de f a cada uno de estos subes-
pacios Si . Ahora, para que esto sea posible, es necesario que la restriccion de f a cada Si
sea una transformacion lineal de Si en Si , es decir, que la imagen por f del subespacio este
incluida en el mismo.
Definicion 6.40 Sea V un K-espacio vectorial y sea f : V V una transformacion lineal.

Un subespacio S V se dice invariante por f (o f -invariante) si f (S) S.
Ejemplos.

1 0 0 0
1 1 0 0
1. Sea A =
0
R44 .
0 2 0
0 0 0 3
Si E = {e1 , e2 , e3 , e4 } es la base canonica de R4 , algunos subespacios invariantes por fA
son: < e1 , e2 >, < e2 >, < e3 >, < e4 >, < e3 , e4 >, < e1 , e2 , e4 >.

1 0
2. Hallar todos los subespacios invariantes por fA siendo A = R22 .
2 1
(a) Subespacios invariantes de dimension 0: S = {0}.

(b) Subespacios invariantes de dimension 2: S = R2 .
(c) Subespacios invariantes de dimension 1: Observamos que S = < v > es un subes-
pacio de dimension 1 invariante por fA si y solo si v 6= 0 y A.v < v > o,
equivalentemente, v 6= 0 y A.v = .v para algun R.
Luego, un subespacio S = < v > de dimension 1 es fA -invariante si y solo si v es
autovector de A.
Es facil ver entonces que el unico subespacio fA -invariante de dimension 1 es S =
< (0, 1) >.
154 Diagonalizacion
En la siguiente proposicion se prueban algunas propiedades sobre subespacios invariantes.
Proposicion 6.41 Sea V un K-espacio vectorial. Sea f : V V una transformacion lineal.

Entonces:
i) Nu(f ) e Im(f ) son subespacios f -invariantes de V .
ii) S es un subespacio f -invariante de V de dimension 1 si y solo si S = < v > con v V

un autovector de f .
iii) Si S y T son subespacios f -invariantes de V , entonces S T y S + T son subespacios

f -invariantes de V .
Demostracion.
i) Se tiene que f (Nu(f )) = {0} Nu(f ), con lo que Nu(f ) es invariante por f .
Ademas, es claro que f (Im(f )) Im(f ), de donde Im(f ) es invariante por f .
ii) Sea S un subespacio f -invariante de V de dimension 1. Entonces S = < v > para algun
v V , v 6= 0, tal que f (v) < v >. Esta ultima condicion implica que f (v) = . v para
algun K, y siendo v 6= 0, resulta que v es un autovector de f .
Recprocamente, si S = < v > con v un autovector de f , como v 6= 0, entonces dim S =
1, y como f (v) = . v para algun K, resulta que f (S) S. Luego, S es un
subespacio f -invariante de V de dimension 1.
iii) Sean S y T subespacios de V invariantes por f . Entonces f (S T ) f (S) S, puesto

que S es f -invariante. Analogamente, f (S T ) T . En consecuencia, f (S T ) S T ,
de donde S T es invariante por f .
Para S + T , teniendo en cuenta que f es una transformacion lineal y que S y T son
invariantes por f , se tiene que f (S + T ) f (S) + f (T ) S + T y, por lo tanto, S + T
es invariante por f .
Dada una transformacion lineal f : V V y un subespacio S de V invariante por f , la

restriccion de f a S, que notaremos f|S resulta ser una transformacion lineal de S en S. En
lo que sigue, analizamos la relacion entre los polinomios minimales y caractersticos de esta
restriccion f|S y los de f .
Proposicion 6.42 Sea V un K-espacio vectorial de dimension finita, sea f : V V una

transformacion lineal y sea S V un subespacio invariante por f . Sea f|S : S S la
restriccion. Entonces:
i) mf|S | mf .
ii) Xf|S | Xf .
6.4 Subespacios invariantes 155
Demostracion. Sean n = dim V y s = dim S. Sea BS = {v1 , . . . , vs } una base de S y sean

vs+1 , . . . , vn V tales que B = {v1 , . . . , vs , vs+1 , . . . , vn } es una base de V .
i) Sabemos que
mf|S = mcm{mv1 , . . . , mvs }

mf = mcm{mv1 , . . . , mvs , mvs+1 , . . . , mvn }.
Ahora, como mvi | mf para cada 1 i s, el mcm de estos polinomios tambien lo

divide, es decir, mf|S | mf .
ii) Para la base B considerada, se tiene que

A B
|f |B = K nn con A = |f|S |BS K ss .
0 C
Luego,

X.Is A B
Xf = X|f |B = det
0 X.Ins C
= det(X.Is A). det(X.Ins C) = Xf|S . Q,
con lo que Xf|S | Xf .
Si f es una transformacion lineal definida en un espacio V de dimension finita y el espacio

V puede descomponerse como suma directa de subespacios f -invariantes, entonces existe una
base de V en la que la matriz de f tiene forma diagonal por bloques. Mas precisamente:
Observacion 6.43 Sea V un K-espacio vectorial de dimension finita y sea f : V V una

transformacion lineal. Sean S y T subespacios de V invariantes por f tales que S T = V .
Supongamos que dim(S) = s > 0, dim(T ) = t > 0. Sean BS = {v1 , . . . , vs } y BT =
{w1 , . . . , wt } bases de S y T respectivamente. Entonces
B = BS BT = {v1 , . . . , vs , w1 , . . . , wt }
es una base de V y
A1 0
|f |B = ,
0 A2
donde A1 K ss y A2 K tt . Mas aun, si f|S : S S y f|T : T T son las restricciones,
se tiene que A1 = |f|S |BS y A2 = |f|T |BT .
Definicion 6.44 Sea V un K-espacio vectorial y sea f : V V una transformacion lineal.

Sea S V un subespacio f -invariante. Un complemento invariante para S es un subespacio
T de V tal que T es f -invariante y S T = V .
156 Diagonalizacion
Observamos que dada una transformacion lineal f : V V y un subespacio S de V

invariante por f no siempre existe un complemento invariante para S.
Por ejemplo, sea f : R2 R2 definida por f (x, y) = (0, x). Entonces S = < (0, 1) > es f -
invariante (S = Nu(f )), pero no admite un complemento invariante. En efecto, si S T = R2 ,
entonces dim T = 1. Luego, si T es f -invariante, T = < v > con v R2 un autovector de f .
Ahora, el conjunto de autovectores de f es S {0}, con lo que v S, contradiciendo que T
es un complemento para S.
En el caso en que V sea suma directa de subespacios f -invariantes, podemos relacionar

los polinomios caracterstico y minimal de f con los de sus restricciones a estos subespacios:
Proposicion 6.45 Sea V un K-espacio vectorial de dimension finita y sea f : V V una

transformacion lineal. Sean S y T subespacios f -invariantes de V tales que S T = V .
Entonces:
i) Xf = Xf|S . Xf|T
ii) mf = mcm(mf|S , mf|T )
Demostracion.
i) Se deduce inmediatamente de la Observacion 6.43.
ii) Sea P = mcm(mf|S , mf|T ). Puesto que S y T son subespacios f -invariantes de V , por
la Proposicion 6.42, se tiene que mf|S | mf y mf|T | mf . Luego P | mf .
Por otro lado, por la Observacion 6.43, si BS y BT son bases de S y T respectivamente,
y B = BS BT , entonces
A1 0
|f |B =
0 A2
con A1 = |f|S |BS y A2 = |f|T |BT .
Como mf|S | P y mf|T | P , resulta que P (A1 ) = 0 y P (A2 ) = 0. Entonces, operando
por bloques,
P (A1 ) 0
P (|f |B ) = = 0,
0 P (A2 )
de donde mf | P .
Luego P = mf , puesto que P y mf son dos polinomios monicos que se dividen mutua-
mente.
6.5 Ejercicios
Ejercicio 1. Calcular el polinomio caracterstico, los autovalores y los autovectores de la
matriz A en cada uno de los siguientes casos (a R):
6.5 Ejercicios 157
(Analizar por separado los casos K = R y K = C)

1 3 1 3 0 a
i) A = ii) A = iii) A=
3 1 3 1 a 0

0 2 1 3 1 0 a 1 1
iv) A = 2 0 3 v) A = 4 1 0 vi) A = 1 a 1
1 3 0 4 8 2 1 1 a

0 1 0 1 0 0 0 0
1 0 0
1 0 1 0 1 0 0 0
vii) A = viii) A = ix) A = a 1 0
0 1 0 1 0 1 0 0
0 a 1
1 0 1 0 0 0 0 1
Ejercicio 2. Para cada una de las matrices A del ejercicio anterior, sea U una base de K n
y sea f : K n K n la tranformacion lineal tal que |f |U = A. Decidir si es posible encontrar
una base B de K n tal que |f |B sea diagonal. En caso afirmativo, calcular C(U, B).
Ejercicio 3. Sea f : R3 R3 la transformacion lineal definida por:
f (x, y, z) = (x 2.y + 2.z, y, x 3.y 4.z)
i) Encontrar una base B de R3 tal que |f |B sea diagonal.

n
1 2 2
ii) Calcular 0 1 0 , n N. (Sugerencia: ver Observacion 6.26.)
1 3 4

1 2 2
iii) Existe una matriz P R33 tal que P 2 = 0 1 0 ?
1 3 4
Ejercicio 4.

a b
i) Sea A = K 22 . Determinar todos los a, b y c K para los que A es
0 c
diagonalizable.
22
ii) Probar que
todamatriz A C es diagonalizable o bien es semejante a una matriz
0
del tipo .
1
158 Diagonalizacion
Ejercicio 5. Diagonalizar las matrices A Rnn y B R66 encontrando sus autovectores:

2 1 2 1 2 1
1 1 1 ... 1
1 2 1 2 1 2
1 1 1 ... 1
2 1 2 1 2 1
A= 1 1 1 ... 1 y B=
1 2 1 2 1 2
... ... ... ... ...
2 1 2 1 2 1
1 1 1 ... 1
1 2 1 2 1 2
Ejercicio
6. Se sabe que la matriz A R22 tiene a (1, 1) como autovector de autovalor
2 y, ademas, XA Q[X]. Decidir si A es diagonalizable en R22 . Es A unica?
Ejercicio 7.
i) Sea A R33 diagonalizable con tr(A) = 4. Calcular los autovalores de A, sabiendo

que los autovalores de A2 + 2.A son 1, 3 y 8.
ii) Sea A R44 tal que det(A) = 6; 1 y 2 son autovalores de A y 4 es autovalor de la
matriz A 3.I4 . Hallar los restantes autovalores de A.

0 1
Ejercicio 8. Sea A = R22 .
1 1

0 Fn
i) Probar que, para todo n N, An . = donde Fi es el i-esimo termino de
1 Fn+1
la sucesion de Fibonacci (es decir, F0 = 0, F1 = 1 y Fi+1 = Fi + Fi1 ).
ii) Encontrar una matriz P GL(2, R) tal que P.A.P 1 sea diagonal.
iii) Hallar la formula general para el termino Fn , n N0 (comparar con el Ejercicio 50
de la Seccion 1.5).
iv) Se define la sucesion {an }nN0 de la siguiente manera:

a0 = 0 , a1 = 1 , a2 = 1
an+3 = 6.an+2 11.an+1 + 6.an n N0
Hallar una formula general para el termino an , n N0 .
Ejercicio 9. Resolver el siguiente sistema de ecuaciones diferenciales

0
x (t) = 6x(t) + 2y(t)
y 0 (t) = 2x(t) + 3y(t)
con condiciones iniciales x(0) = 3, y(0) = 1.

1 6 2
Sugerencia: Hallar una matriz C GL(2, R) tal que C C sea diagonal y hacer el
2 3
u(t) 1 x(t)
cambio de variables =C . .
v(t) y(t)
6.5 Ejercicios 159
Ejercicio 10. Sea A K nn . Probar que A y At tienen los mismos autovalores. Dar un
ejemplo en el que los autovectores sean distintos.
Ejercicio 11. Sea : C (R) C (R) la transformacion lineal derivacion. Mostrar que
todo numero real es un autovalor de y exhibir un autovector correspondiente.
Ejercicio 12. Analizar la validez de las siguientes afirmaciones:
i) A Rnn inversible 0 no es autovalor de A.
ii) A Rnn inversible, x autovector de A x autovector de A1 .
iii) A Rnn con n impar A admite un autovalor real.
Ejercicio 13.
i) Sea f : K n K n un proyector con dim(Im(f )) = s. Calcular Xf . Es f diagonalizable?
ii) Sea K un cuerpo incluido en C y sea f : K n K n un morfismo nilpotente no nulo.

Calcular Xf . Es f diagonalizable?
Ejercicio 14. Sea A Rnn que verifica A2 + In = 0. Probar que A es inversible, que no
tiene autovalores reales y que n debe ser par.
Ejercicio 15. Sea V un K-espacio vectorial de dimension finita y sea f : V V una

transformacion lineal tal que dim(Im(f )) = 1. Probar que f es diagonalizable si y solo si
Nu(f ) Im(f ) = {0}.
Ejercicio 16. Sea D K nn una matriz inversible y diagonal. Sea f : K nn K nn la

transformacion lineal definida por f (A) = D1 .A.D. Hallar los autovalores y los autovectores
de f y probar que es diagonalizable.
Ejercicio 17. Sea f : Cn Cn una transformacion lineal. Probar que existe una base B de
Cn tal que |f |B es triangular superior.
Ejercicio 18. Sea A Cnn y sean 1 , . . . , n las races de XA contadas con multiplicidad.
n
Y
i) Probar que det(A) = i .
i=1
n
X
ii) Probar que tr(A) = i .
i=1
160 Diagonalizacion
Ejercicio 19. Sean A K mn y B K nm .

A.B 0 0 0
i) Probar que las matrices y en K (m+n)(m+n) son semejantes.
B 0 B B.A
ii) Deducir que, si n = m, XA.B = XB.A .
Ejercicio 20. Dadas las matrices A C22 y los polinomios P C[X], calcular P (A) para:

1 0
i) A = , a) P = X 1 , b) P = X 2 1 , c) P = (X 1)2
1 1

i 0
ii) A = , P = X 3 i.X 2 + 1 + i
1 i
Ejercicio 21. Sea A Rnn . Probar que el minimal de A como matriz real y el minimal de
A como matriz compleja coinciden.
Ejercicio 22. Hallar el polinomio minimal de las siguientes matrices (comparar con el poli-
nomio caracterstico):

4 1 1 0 a 0 i 0
i) ii) iii) iv)
2 1 1 1 0 a 1 i

1 0 0 1 1 1 1 0 0 0 0 1
v) 0 1 0 vi) 0 1 1 vii) 0 2 0 viii) 0 1 0
0 0 1 0 0 1 0 0 2 1 0 0

1 0 0 0 0 1 0 0 1 i 1 0
1 1 0 0 1 0 0 0 0 1 0 1
ix) x) xi)
0 0 1 0 1 2 1 0 0 0 2 0
0 0 0 1 3 4 0 1 0 0 0 2

a 0 0 0 a 0 0 0 a 0 0 0 a 0 0 0
0 a 0 0 1 a 0 0 1 a 0 0 1 a 0 0
xii) xiii) xiv) xv)
0 0 a 0 0 0 a 0 0 1 a 0 0 1 a 0
0 0 0 a 0 0 1 a 0 0 0 a 0 0 1 a
Ejercicio 23. Calcular el polinomio minimal para cada una de las siguientes transformaciones
lineales:
i) f : R2 [X] R2 [X], f (P ) = P 0 + 2.P
ii) f : Rnn Rnn , f (A) = At

6.5 Ejercicios 161
Ejercicio 24. Sea A K nn la matriz

0 0 0 ... 0 a0
1 0 0 ... 0 a1

0 1 0 ... 0 a2
A=
... ... ... ... ... ...

0 0 0 . . . 0 an2
0 0 0 . . . 1 an1
Calcular su polinomio minimal y su polinomio caracterstico. Comparar con lo calculado en

la Seccion 5.4.
Ejercicio 25. Sea : R[X] R[X] la transformacion lineal derivada. Probar que no
admite ningun polinomio minimal.
Ejercicio 26. Utilizando el Teorema de Hamilton-Cayley:

4 3 2 2 1
i) Calcular A 4.A A + 2.A 5.I2 para A = .
1 3

1 0 0
ii) Calcular A1000 para A = 1 0 0 .
0 1 0

1 3
iii) Dada A = , expresar a A1 como combinacion lineal de A y de I2 .
1 4

1 1
iv) Dada A = , expresar a (2.A4 12.A3 + 19.A2 29.A 37.I2 )1 como com-
2 5
binacion lineal de A y de I2 .

0 1 1
v) Dada A = 1 0 1 , calcular A1 , A3 y A3 .
0 1 0
n
2 2 0
vi) Calcular 1 2 1 n N.
1 2 1
Ejercicio 27. Sea V un K-espacio vectorial de dimension finita y sea f : V V una

transformacion lineal. Probar que f es un isomorfismo si y solo si el termino constante de Xf
es no nulo. En dicho caso, hallar la expresion general de f 1 como polinomio en f .
Ejercicio 28. Exhibir una matriz A Cnn tal que A2 + In = 0. Comparar con el Ejercicio
14.
162 Diagonalizacion
Ejercicio 29.
i) Sea f : R2 R2 la transformacion lineal definida por f (x, y) = (x + 3.y, 3.x 2.y).
Hallar todos los subespacios de R2 que sean f -invariantes.
ii) Sea f : R2 R2 la rotacion de angulo . Probar que, para todo 6= k. (k Z), f
no es diagonalizable. Hallar todos los subespacios de R2 que sean f -invariantes.
iii) Sea R y g : C2 C2 la transformacion C-lineal cuya matriz en la base canonica es

cos sen
|g |E =
sen cos
Es g diagonalizable? Hallar todos los subespacios de C2 que sean g -invariantes.
Ejercicio 30. Sea f : Rn Rn una tranformacion lineal nilpotente tal que f n = 0 y

f n1 6= 0. Probar que existe un hiperplano de Rn que es f -invariante pero que no admite un
complemento f -invariante (comparar con el Ejercicio 23. ii) de la Seccion 3.8).
Ejercicio 31.
i) Sea V un K-espacio vectorial de dimension finita y sea f : V V una transformacion
lineal diagonalizable. Si S es un subespacio de V f -invariante, probar que f : S S es
diagonalizable.
ii) Sean A, B K nn tales que A.B = B.A y sea E = {x K n / A.x = .x}. Probar
que E es B-invariante.
iii) Sean A, B K nn dos matrices diagonalizables tales que A.B = B.A. Probar que
existe C GL(n, K) tal que C.A.C 1 y C.B.C 1 son diagonales. (Es decir, A y B se
pueden diagonalizar simultaneamente.)
Ejercicio 32.
i) Hallar una matriz A C33 tal que mA (X) = X 3 5X 2 + 6X + 8. Decidir si A es
diagonalizable.
ii) Hallar una matriz A C44 tal que mA (X) = X 4 + 4X 3 + 8X 2 + 8X + 4. Decidir si A
es diagonalizable.
Ejercicio 33. Sea A K nn .

i) Probar que si A es nilpotente, entonces existe k N tal que mA (X) = X k . Calcular
todos los autovalores de A.
ii) Si K = C y el unico autovalor de A es el 0, probar que A es nilpotente. Que pasa si
K = R?
Ejercicio 34. Sea A Cnn una matriz de traza nula. Probar que A es semejante a una
matriz que tiene toda la diagonal nula.
Captulo 7
Forma de Jordan
En este captulo continuaremos estudiando la estructura de los endomorfismos de un espacio

vectorial de dimension finita.
Veremos que si V es un K-espacio vectorial de dimension finita y f es un endomorfismo
de V , bajo ciertas condiciones, existe una base de V en la cual la matriz de f es de una forma
particular que nos permite clasificar los endomorfismos y tambien trabajar mas facilmente
con ellos. Esto, en particular, resuelve el problema de decidir si dos matrices complejas son
semejantes o no, o sea si son las matrices de la misma transformacion lineal en distintas bases.
Comenzaremos estudiando algunos casos particulares y luego extenderemos los resultados
obtenidos al caso general.
7.1 Transformaciones lineales nilpotentes

7.1.1 Definiciones y propiedades basicas
Empezamos con el caso en que la transformacion lineal tenga como polinomio caracterstico
a una potencia de X (notar que en este caso, usando el Teorema de Hamilton-Cayley, el
polinomio minimal de la transformacion lineal tambien es una potencia de X y su unico
autovalor es el 0). Esto significa que existe una potencia de f que da cero, lo que motiva la
siguiente definicion.
Definicion 7.1 Sea V un K-espacio vectorial. Una transformacion lineal f : V V se dice

nilpotente si existe k N tal que f k = f f . . . f = 0.
| {z }
k veces
Analogamente, se dice que una matriz A K nn es nilpotente si existe k N tal que

k
A = 0.
Observacion 7.2 Si V es un K-espacio vectorial de dimension finita y f : V V una

transformacion lineal, entonces f es nilpotente si y solo si para cualquier base B de V , |f |B
164 Forma de Jordan
es una matriz nilpotente.
Definicion 7.3 Sea f : V V una transformacion lineal nilpotente. Se define el ndice de

nilpotencia de f como min{j N / f j = 0}.
Analogamente, se define el ndice de nilpotencia de una matriz nilpotente A K nn como
min{j N / Aj = 0}.
Lema 7.4 Sea V un K-espacio vectorial de dimension finita y sea f : V V una transfor-
macion lineal. Entonces f es nilpotente de ndice k si y solo si mf = X k .
Demostracion. Si f es nilpotente de ndice k, se tiene que f k = 0 y f k1 6= 0. La primera

condicion implica que el polinomio X k anula a f , y en consecuencia, mf | X k . Luego,
mf = X j para algun j k. Ahora, como f k1 6= 0, resulta que mf = X k .
Recprocamente, es claro que si mf = X k , entonces f k = 0 y f k1 6= 0, con lo cual f es
nilpotente de ndice k.
Notar que, con las mismas hipotesis del lema anterior, como el grado del polinomio minimal
de f es siempre menor o igual que la dimension n de V , tendremos que f es nilpotente si y
solo si f n = 0 (comparar con el Ejercicio 14 de la Seccion 3.8).
Proposicion 7.5 Sea V un K-espacio vectorial de dimension n y sea f : V V una

transformacion lineal nilpotente de ndice k. Entonces
{0} Nu(f ) Nu(f 2 ) . . . Nu(f k ) = V
y todas las inclusiones son estrictas.
Demostracion. Siendo k el ndice de nilpotencia de f , se tiene que f k = 0, de donde Nu(f k ) =

V . Ademas, es claro que valen las inclusiones. Veamos que son estrictas.
En primer lugar, observamos que si Nu(f i ) = Nu(f i+1 ) para algun i N0 , entonces
Nu(f i+1 ) = Nu(f i+2 ): Si v Nu(f i+2 ), se tiene que f i+2 (v) = 0, de donde f i+1 (f (v)) = 0.
Luego, f (v) Nu(f i+1 ) y, como por hipotesis Nu(f i+1 ) = Nu(f i ), entonces f (v) Nu(f i ).
Esto dice que f i+1 (v) = f i (f (v)) = 0, es decir, v Nu(f i+1 ).
Luego, si Nu(f i0 ) = Nu(f i0 +1 ) para algun i0 N0 , se tiene que Nu(f i ) = Nu(f i+1 ) para
todo i i0 . Pero como el ndice de nilpotencia de f es k, Nu(f k1 ) 6= V = Nu(f k ), y en
consecuencia debe ser i0 k.
Notacion. Para cada matriz A K nn , notaremos Nu(A) al nucleo de la transformacion

lineal fA : K n K n definida por fA (x) = A.x, es decir, al conjunto {x K n : A.x = 0}.
Con esta notacion, como consecuencia de la Proposicion 7.5 se tiene que si A K nn es

una matriz nilpotente de ndice k, entonces
{0} Nu(A) Nu(A2 ) . . . Nu(Ak ) = K n
y todas las inclusiones son estrictas.

7.1 Transformaciones lineales nilpotentes 165
7.1.2 Existencia de forma de Jordan para una transformacion lineal

nilpotente
Comenzamos estudiando un caso particular de endomorfismos nilpotentes: los de ndice de
nilpotencia maximo (o sea, aquellos en los que el polinomio minimal coincide con el carac-
terstico):
nilpotente de ndice n (es decir, mf = X f = X n ).
Sea v V tal que f n1 (v) 6= 0, es decir v V Nu(f n1 ) (existe un elemento con
esta propiedad porque por hipotesis f n1 6= 0). Como mv divide a mf = X n , resulta que
mv = X k con 1 k n. Como f n1 (v) 6= 0, resulta que mv = X n y, por lo tanto, el
conjunto
B = {v, f (v), f 2 (v), . . . , f n1 (v)}
es una base de V . Ademas,

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

|f |B =
0 1 ... 0 0 .

... ... ... ... ...
0 0 ... 1 0
Este tipo de matrices aparecera en nuestra clasificacion y les daremos un nombre:
Definicion 7.6 Sea J K nn . Se dice que J es un bloque de Jordan nilpotente si

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

J = 0 1 . . . 0 0 .

... ... ... ... ...
0 0 ... 1 0
A continuacion probaremos que para cualquier transformacion lineal nilpotente f : V V ,

donde V es un K-espacio vectorial de dimension n, es posible encontrar una base donde la
matriz este formada unicamente por bloques de Jordan nilpotentes ubicados sobre la diagonal
y ceros en los demas lugares.
Teorema 7.7 Sea V un K-espacio vectorial de dimension n, y sea f : V V una transfor-

macion lineal nilpotente de ndice k. Entonces existe una base B de V tal que

J1 0 . . . 0
..
0 J2 .

|f |B = .
.
.. .. 0
0 . . . 0 Jr
donde, para cada 1 i r, Ji K ni ni es un bloque de Jordan nilpotente y k = n1 n2
. . . nr .
166 Forma de Jordan
Para la demostracion de este teorema, usaremos el siguiente resultado tecnico:
Lema 7.8 Sea V un K-espacio vectorial de dimension finita. Sea f : V V una transfor-
macion lineal y sea i N. Sea {v1 , . . . , vr } V un conjunto linealmente independiente tal
que Nu(f i ) < v1 , . . . , vr > = {0}. Entonces {f (v1 ), . . . , f (vr )} es linealmente independiente
y Nu(f i1 ) < f (v1 ), . . . , f (vr ) > = {0}.
Demostracion. Supongamos que v = 1 f (v1 ) + + r f (vr ) Nu(f i1 ). Entonces
0 = f i1 (v) = f i (1 v1 + + r vr ),
de donde 1 v1 + + r vr Nu(f i ). Como Nu(f i ) < v1 , . . . , vr > = {0}, resulta que

1 v1 + + r vr = 0, y como v1 , . . . , vr son linealmente independientes, 1 = . . . = r = 0.
Luego, v = 0.
De la misma demostracion se deduce que si 1 f (v1 ) + + r f (vr ) = 0, entonces 1 =
. . . = r = 0, con lo cual {f (v1 ), . . . , f (vr )} es linealmente independiente.
Demostracion del Teorema 7.7. Como f es nilpotente de ndice k se tiene que
{0} Nu(f ) Nu(f 2 ) ... Nu(f k1 ) Nu(f k ) = V.
Lo que haremos a continuacion es construir conjuntos de vectores en Nu(f j ) recursivamente,

comenzando en j = k hasta j = 1, utilizando el lema anterior y de forma tal que la union de
esos conjuntos sea una base de V .
Sea Bk1 una base de Nu(f k1 ), y sea
(k)
Ck = {v1 , . . . , vr(k)
k
} Nu(f k ) = V
un conjunto linealmente independiente tal que Bk1 Ck es una base de Nu(f k ) = V . Por
construccion, Ck es un conjunto linealmente independiente y
Nu(f k1 ) < Ck > = Nu(f k ) = V.
Para fijar ideas, hagamos el paso siguiente de la recursion:

Por el lema anterior f (Ck ) Nu(f k1 ) es un conjunto linealmente independiente tal
que Nu(f k2 ) f (Ck ) = {0}. Sea Bk2 una base de Nu(f k2 ). Completamos el conjunto
(k1) (k1)
linealmente independiente Bk2 f (Ck ) a una base de Nu(f k1 ) con {v1 , . . . , vrk1 }.
Luego, si llamamos
(k1)
Ck1 = f (Ck ) {v1 , . . . , vr(k1)
k1
} Nu(f k1 ),
tenemos que Ck1 es un conjunto linealmente independiente y vale
Nu(f k2 ) < Ck1 > = Nu(f k1 ).

Notar que, por lo tanto,

Nu(f k2 ) < Ck1 > < Ck > = V.
Pasemos ahora al paso j-esimo de la recursion:

Sea j con 1 j < k. Supongamos construidos los conjuntos linealmente independientes
Cj+1 Nu(f j+1 ), . . . , Ck Nu(f k ) tales que f (Ch ) Ch1 j + 2 h k, Nu(f j )
< Cj+1 > = Nu(f j+1 ) y
Nu(f j ) < Cj+1 > . . . < Ck > = V.
Por el lema anterior, f (Cj+1 ) Nu(f j ) es un conjunto linealmente independiente y

Nu(f j1 ) < f (Cj+1 ) > = {0}. Consideremos una base Bj1 de Nu(f j1 ). Entonces
Bj1 f (Cj+1 ) Nu(f j ) es un conjunto linealmente independiente y, por lo tanto, exis-
(j) (j) (j) (j)
ten v1 , . . . , vrj Nu(f j ) tales que Bj1 f (Cj+1 ) {v1 , . . . , vrj } es una base de Nu(f j ).
Sea
(j)
Cj = f (Cj+1 ) {v1 , . . . , vr(j)
j
} Nu(f j ).
Es claro que Cj Nu(f j ) es un conjunto linealmente independiente (puesto que, por cons-
truccion, es un subconjunto de una base de Nu(f j )) y que
Nu(f j1 ) < Cj > = Nu(f j ).
Por lo tanto,
Nu(f j1 ) < Cj > . . . < Ck > = V.
Al terminar la recursion tendremos que
< C1 > . . . < Ck > = V,
y como cada conjunto Cj para cada 1 j k es linealmente independiente, resulta que
S
k
Cj es una base de V .
j=1
Consideremos la base B de V obtenida reordenando esta base como sigue:
(k) (k) (k)
B = {v1 , f (v1 ), . . . , f k1 (v1 ), . . . , vr(k)
k
, f (vr(k)
k
), . . . , f k1 (vr(k)
k
), . . . ,
(j) (j) (j) (1)
v1 , f (v1 ), . . . , f j1 (v1 ), . . . , vr(j)
j
, f (vr(j)
j
), . . . , f j1 (vr(j)
j
), . . . , v1 , . . . , vr(1)
1
}.
Se puede verificar que |f |B tiene la forma del enunciado del Teorema.
Definicion 7.9 Una matriz A K nn se dice una forma de Jordan nilpotente si

J1 0 . . . 0
..
0 J2 .

A= .
.
.. .. 0
0 . . . 0 Jr
con Ji K ni ni bloques de Jordan nilpotentes (1 i r) y n1 n2 . . . nr .
168 Forma de Jordan
El Teorema 7.7 nos dice entonces que para todo endomorfismo nilpotente f : V V ,
donde V es un K-espacio vectorial de dimension finita, existe una base B de V tal que |f |B
es una forma de Jordan nilpotente. A una tal base B la llamaremos una base de Jordan para
f y a la matriz |f |B , una forma de Jordan para f .
Aplicando este teorema a la transformacion lineal fA : K n K n asociada a una matriz
A K nn , obtenemos el analogo para matrices:
Teorema 7.10 Sea A K nn una matriz nilpotente. Entonces A es semejante a una forma
de Jordan nilpotente.
A una base B de K n tal que |fA |B = JA es una forma de Jordan nilpotente la llamaremos
una base de Jordan para A, y a la matriz JA una forma de Jordan para A.
Ejemplo. Hallar una forma de Jordan y una base de Jordan para A R66 , siendo

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

1 1 0 0 0 0
A= 0
.
1 0 0 1 0
1 0 0 0 0 0
1 0 0 0 1 0
Como XA = X 6 , A es una matriz nilpotente.

Calculemos mA , que sera de la forma mA = X k para algun k con 1 k 6. Como

0 0 0 0 0 0
0 0 0 0 0 0

1 0 0 0 0 0
A2 =
0
y A3 = 0,
0 0 0 0 0
0 0 0 0 0 0
1 0 0 0 0 0
resulta que mA = X 3 .
Sea E = {e1 , e2 , e3 , e4 , e5 , e6 } la base canonica de R6 . Entonces,
B1 = {e3 , e4 , e6 }, B2 = {e3 , e4 , e6 , e2 , e5 } y B3 = {e3 , e4 , e6 , e2 , e5 , e1 }
son bases de Nu(A), Nu(A2 ) y Nu(A3 ) respectivamente.
Construimos una base de Jordan para A siguiendo la demostracion del Teorema 7.7 (donde
la transformacion lineal nilpotente que consideramos es fA : R6 R6 ): Tenemos que
{0} Nu(A) Nu(A2 ) Nu(A3 ) = R6 .
Extendemos la base B2 de Nu(A2 ) a una base de Nu(A3 ) = R6 , por ejemplo, agregando el
vector e1 que completa B3 . Consideramos A.e1 = (0, 1, 1, 0, 1, 1) Nu(A2 ). Se tiene:
{0} Nu(A) Nu(A2 ) Nu(A3 ) = R6
A.e1 e1
Ahora consideramos la base B1 de Nu(A), tomamos el conjunto B1 {A.e1 } Nu(A2 ), y

extendemos este conjunto a una base de Nu(A2 ). Para esto podemos elegir, por ejemplo,
el vector e5 Nu(A2 ). Multiplicando por A los vectores A.e1 y e5 se obtiene el conjunto
linealmente independiente {A2 e1 , A.e5 } = {(0, 0, 1, 0, 0, 1), (0, 0, 0, 1, 0, 1)} Nu(A2 ):
{0} Nu(A) Nu(A2 ) Nu(A3 ) = R6

A2 .e1 A.e1 e1
A.e5 e5
Finalmente, extendemos el conjunto {A2 .e1 , A.e5 } a una base de Nu(A), por ejemplo, con el
vector e3 . Obtenemos:
{0} Nu(A) Nu(A2 ) Nu(A3 ) = R6
A2 .e1 A.e1 e1
A.e5 e5
e3
Entonces, una base de Jordan para A es
B = {e1 , A.e1 , A2 .e1 , e5 , A.e5 , e3 }

= {(1, 0, 0, 0, 0, 0), (0, 1, 1, 0, 1, 1), (0, 0, 1, 0, 0, 1), (0, 0, 0, 0, 1, 0),
(0, 0, 0, 1, 0, 1), (0, 0, 1, 0, 0, 0)}.
y una forma de Jordan de A es JA = |fA |B , es decir:

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

0 1 0 0 0 0
JA = 0 0 0 0 0
.

0
0 0 0 1 0 0
0 0 0 0 0 0
7.1.3 Unicidad de la forma de Jordan nilpotente. Semejanza

A continuacion probaremos que la forma de Jordan de una transformacion lineal nilpotente
es unica. Este resultado, junto con la existencia de forma de Jordan para matrices nilpotentes
probada en la seccion anterior, nos permitira resolver el problema de decidir si dos matrices
nilpotentes son semejantes o no.
La demostracion de la unicidad consiste en mostrar que la cantidad de bloques de Jordan
de cada tamano que aparecen en una forma de Jordan de una transformacion lineal f esta
unvocamente determinada por f .
Comenzamos probando un resultado auxiliar.
Lema 7.11 Sea J K mm un bloque de Jordan nilpotente. Entonces rg(J i ) = m i para

cada 1 i m.
170 Forma de Jordan
Demostracion. Se puede verificar inductivamente que J i = (eti+1 | . . . | etm | 0 | . . . | 0 ), donde

ej denota el j-esimo vector de la base canonica de K n (es decir que al elevar un bloque de
Jordan nilpotente a la i, los unos bajan i 1 lugares).
En consecuencia, rg(J i ) = dim < ei+1 , . . . , em > = m i.
Este resultado nos permite calcular la cantidad de bloques de cada tamano que aparecen
en una forma de Jordan usando los rangos de las potencias de la matriz.
Proposicion 7.12 Sea A K nn una forma de Jordan nilpotente de ndice k. Entonces

el bloque de Jordan mas grande que aparece en A es de tamano k k. Ademas, para cada
0 i k 1 la cantidad de bloques de Jordan nilpotentes de tamano mayor que i que aparecen
en A es
bi = rg(Ai ) rg(Ai+1 ).
En particular, la cantidad de bloques de Jordan que aparecen en A es b0 = n rg(A) =
dim(Nu(A)).
Demostracion. Como el ndice de nilpotencia de A es k, se tiene que mA = X k .

Sean J1 , . . . , Jr los bloques de Jordan que aparecen en A con J` K n` n` para cada
1 ` r (ver Definicion 7.9). Entonces
mA = mcm{mJ1 , . . . , mJr } = mcm{X n1 , . . . , X nr } = X n1 .
Luego, n1 = k, es decir, el bloque de Jordan mas grande que aparece en A es de k k.

Para cada 1 i k, sean ci la cantidad de bloques de Jordan nilpotentes de tamano i i
que aparecen en A y bi la cantidad de bloques de tamano mayor que i.
Si A esta formada por r bloques de Jordan nilpotentes, resulta que rg(A) = n r ya que
este rango es la suma de los rangos de los distintos bloques de Jordan. En consecuencia, la
cantidad de total de bloques de Jordan que forman A es b0 = n rg(A).
Sea 1 i k 1. Observamos, por el lema anterior, que para un bloque de Jordan
J K jj se tiene que J i = 0 si j i o rg(J i ) = j i si j > i. Ademas, rg(Ai ) es la suma de
los rangos de los bloques que aparecen en la diagonal. En consecuencia
k
X k
X k
X
rg(Ai ) rg(Ai+1 ) = cj . (j i) cj . (j (i + 1)) = cj = bi .
j=i+1 j=i+2 j=i+1
Tenemos entonces el siguiente resultado:
Corolario 7.13 Sea A K nn una forma de Jordan nilpotente de ndice k. Entonces, para
cada 1 i k, la cantidad de bloques de Jordan nilpotentes de tamano i i que aparecen en
A es
ci = rg(Ai+1 ) 2 rg(Ai ) + rg(Ai1 ).
Demostracion. Observamos que ck = bk1 = rg(Ak1 ) rg(Ak ) = rg(Ak+1 ) 2 rg(Ak ) +

rg(Ak1 ), puesto que Ak = 0.
Sea 1 i k 1. Entonces
ci = bi1 bi
= (rg(Ai1 ) rg(Ai )) (rg(Ai ) rg(Ai+1 ))
= rg(Ai+1 ) 2 rg(Ai ) + rg(Ai1 ).
Ejemplo. Decidir si existe una matriz A R1515 tal que rg(A) = 10, rg(A4 ) = 3 y
rg(A5 ) = 0.
Si rg(A5 ) = 0 y rg(A4 ) = 3, entonces A5 = 0 y A4 6= 0, de donde A es nilpotente de ndice

5. Entonces A es semejante a una forma de Jordan nilpotente JA cuyo bloque de tamano mas
grande es de 5 5.
Ahora, por la Proposicion 7.12, JA tiene rg(A4 ) rg(A5 ) = 3 bloques de 5 5 y, como
JA R1515 estos son los unicos bloques que aparecen.
Pero la cantidad de bloques de Jordan en JA debe ser 15 rg(A) = 15 10 = 5, contradi-
ciendo lo anterior.
Luego, no existe una matriz A R1515 que satisfaga las condiciones del enunciado.
El Corolario 7.13 nos permite probar el siguiente resultado:
Lema 7.14 Sean J y J 0 formas de Jordan nilpotentes. Si J J 0 , entonces J = J 0 .
Demostracion. Segun lo que hemos visto, las cantidades de bloques de cada tamano que
aparecen en una forma de Jordan nilpotente solo dependen de los rangos de sus potencias.
Por otro lado, si J J 0 , entonces para cada 1 i k, se tiene que rg(J i ) = rg((J 0 )i ). En
consecuencia, la cantidad de bloques de Jordan de cada tamano es la misma en J que en J 0 .
Luego, J = J 0 .
A partir de este lema, se deduce la unicidad de la forma de Jordan en el caso nilpotente:
Teorema 7.15 Sea V un K-espacio vectorial de dimension n. Sea f : V V una transfor-

macion lineal nilpotente. Entonces existe una unica forma de Jordan nilpotente J K nn
tal que |f |B = J para alguna base B de V .
Demostracion. Si B y B 0 son bases de V tales que |f |B = J y |f |B 0 = J 0 con J y J 0 formas

de Jordan nilpotentes, entonces J J 0 y, por el lema anterior, J = J 0 .
Por lo tanto, se obtiene este resultado sobre semejanza de matrices nilpotentes:

172 Forma de Jordan
Teorema 7.16 Sean A, B K nn matrices nilpotentes. Sean J y J 0 formas de Jordan

nilpotentes tales que A J y B J 0 . Entonces
A B J = J 0 .
Demostracion.
() Si A B, como por hipotesis A J y B J 0 , teniendo en cuenta que es una relacion

de equivalencia, resulta que J J 0 . Luego, por el Lema 7.14, J = J 0 .
() Si J = J 0 , siendo A J, B J 0 y por ser una relacion de equivalencia, se deduce
que A B.
Ejemplos.
1. Sean A, B R44 dos matrices tales que mA = mB = X 3 . Probar que A B.

Por el teorema anterior, el problema es equivalente a probar que A y B tienen la misma
forma de Jordan. Luego, basta ver que existe una unica forma de Jordan nilpotente
J R44 tal que mJ = X 3 .
Si mJ = X 3 , entonces J tiene (al menos) un bloque de Jordan nilpotente de 3 3.
Como J R44 , la unica posibilidad es entonces que J este formada por un bloque de
3 3 y otro de 1 1, es decir

0 0 0 0
1 0 0 0
J = 0 1 0 0 .

0 0 0 0
2. Sean A, B R77 las matrices

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

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

A= 0 0 0 0 0 0 0
y B=
0 0 0 0 0 0 0

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

0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1 0
Observamos que XA = X 7 = XB , mA = X 3 = mB y rg(A) = rg(B), pero A 6 B puesto

que son dos formas de Jordan nilpotentes distintas.
7.2 Caso general

En esta seccion generalizaremos lo anterior para endomorfismos en un K-espacio vectorial de
dimension finita cuyos polinomios minimales se factorizan linealmente (es decir, con todas sus
races en K).
7.2 Caso general 173
7.2.1 Forma de Jordan de una transformacion lineal

Primero veremos un caso particular, en el que el polinomio minimal del endomorfismo se
factoriza linealmente pero tiene una unica raz.

tal que mf = (X )k para algun k n. Se tiene entonces que (f . idV )k = 0 y
(f . idV )k1 6= 0, con lo cual f . idV es nilpotente de ndice k.
Por el Teorema 7.7, existe una base B de V tal que |f . idV |B K nn es una forma
de Jordan nilpotente, es decir,

J1 0 . . . 0
..
0 J2 .

|f . idV |B = .
.
.. .. 0
0 . . . 0 Jr
donde, para cada 1 i r, Ji K ni ni es un bloque de Jordan nilpotente y k = n1 n2

. . . nr .
Observamos que |f |B = |f . idV |B + |. idV |B = |f . idV |B + . In , de donde

J(, n1 ) 0 ... 0
..
0 J(, n2 ) .
|f |B =
..

..
. . 0
0 ... 0 J(, nr )
donde, para cada 1 i r,

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

J(, ni ) =
0 1 ... 0 0 K ni ni

... ... ... ... ...
0 0 ... 1
y k = n1 n2 . . . nr .
Esto motiva la siguiente definicion:
Definicion 7.17 Sea K. Se llama bloque de Jordan asociado al autovalor de tamano

n a la matriz J(, n) K nn

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

J(, n) = 0 1 ... 0 0 .
... ... ... ... ...
0 0 ... 1
174 Forma de Jordan
La idea de la forma de Jordan general es, como en el caso nilpotente, encontrar una base
donde la matriz del endomorfismo considerado tenga una forma particular (bloques de Jordan
en la diagonal).
La demostracion de la existencia de forma de Jordan se basa en el siguiente lema, que
permite descomponer el espacio en suma directa de subespacios invariantes, en cada uno de
los cuales la transformacion lineal tiene un solo autovalor.
Lema 7.18 Sea V un K espacio vectorial de dimension finita. Sea f : V V una transfor-
macion lineal tal que mf = P. Q con (P, Q) = 1. Entonces:
Nu(P (f )) y Nu(Q(f )) son subespacios invariantes por f ;

V = Nu(P (f )) Nu(Q(f ));
mf|Nu(P (f )) = P y mf|Nu(Q(f )) = Q.
Demostracion.
Nu(P (f )) y Nu(Q(f )) son invariantes por f :

Pr
Sea P = ai X i y sea x Nu(P (f )). Entonces P (f )(x) = 0. Aplicando f se obtiene
i=0
f (P (f )(x)) = 0. Luego
X
r Xr X
r
i i+1
0=f ai f (x) = ai f (x) = ai f i (f (x)),
i=0 i=0 i=0
de donde f (x) Nu(P (f )). Por lo tanto, Nu(P (f )) es invariante por f .

De la misma manera, Nu(Q(f )) es invariante por f .
V = Nu(P (f )) Nu(Q(f )):
Puesto que (P, Q) = 1, existen R, S K[X] tales que 1 = R.P + S.Q, de donde
idV = R(f ) P (f ) + S(f ) Q(f ).
Sea x Nu(P (f )) Nu(Q(f )). Entonces

x = idV (x) = R(f ) P (f )(x) + S(f ) Q(f )(x) = R(f )(0) + S(f )(0) = 0.
Luego, Nu(P (f )) Nu(Q(f )) = {0}.
Por otro lado, para cada x V se tiene que
x = (R(f ) P (f ))(x) + (S(f ) Q(f ))(x).
Ahora, teniendo en cuenta que Q(f ) R(f ) = (Q. R)(f ) = (R. Q)(f ) = R(f ) Q(f ),
resulta que

Q(f )((R(f ) P (f ))(x)) = (Q(f ) R(f ) P (f ))(x) = R(f ) (Q(f ) P (f ))(x) =
= R(f )(mf (f )(x)) = R(f )(0) = 0,
de donde (R(f ) P (f ))(x) Nu(Q(f )). Analogamente, (S(f ) Q(f ))(x) Nu(P (f )).
En consecuencia, Nu(P (f )) + Nu(Q(f )) = V .
mf|Nu(P (f )) = P y mf|Nu(Q(f )) = Q:
Sean f1 y f2 las restricciones de f a Nu(P (f )) y Nu(Q(f )) respectivamente. Como
V = Nu(P (f )) Nu(Q(f )), se tiene que mf = mcm(mf1 , mf2 ).
Pr
Si P = ai X i , para cada x Nu(P (f )), se tiene que
i=0
X
r r
X r
X
P (f1 )(x) = ai f1i (x) = ai f1i (x) = ai f i (x) = P (f )(x) = 0,
i=0 i=0 i=0
con lo cual mf1 | P . Analogamente, mf2 | Q.

Como P y Q son coprimos, resulta que mf1 y mf2 tambien lo son y, por lo tanto,
P.Q = mf = mcm(mf1 , mf2 ) = mf1 . mf2
de donde mf1 = P y mf2 = Q.
Definicion 7.19 Diremos que J K nn es una matriz de Jordan o una forma de Jordan si

J1 0 ... 0
..
0 J2 .
J = .

.. ..
. 0
0 ... 0 Js
donde, para cada 1 i s, Ji es de la forma

(i)
J(i , n1 ) 0 ... 0
..
(i)
0 J(i , n2 ) . (i)
Ji = .. con n1 . . . n(i)
ri
..
. . 0
(i)
0 ... 0 J(i , nri )
y i 6= j para i 6= j, o sea, cada Ji esta formada por (varios) bloques de Jordan de autovalor
i ubicados sobre la diagonal.
Demostremos ahora el resultado principal de esta seccion:
Teorema 7.20 Sea V un K-espacio vectorial de dimension finita. Sea f : V V una

transformacion lineal tal que mf se factoriza linealmente sobre K. Entonces existe una base
B de V tal que |f |B es una forma de Jordan.
176 Forma de Jordan
Con la notacion anterior, a una base B con la propiedad del teorema la llamaremos una
base de Jordan para f y a la matriz |f |B una forma de Jordan para f .
Demostracion. Probaremos el teorema por induccion en n = dim V .

Para n = 1, no hay nada que hacer.
Supongamos que el teorema vale para toda transformacion lineal definida en un K-espacio
vectorial de dimension m < n y sea f : V V una transformacion lineal definida en un K-
espacio vectorial V de dimension n.
Si mf = (X )k , estamos en el caso analizado al comienzo de esta seccion, para el que
el teorema vale.
Supongamos entonces que f tiene al menos dos autovalores distintos. Si 1 es uno de los
autovalores de f , entonces mf = (X 1 )k1 . Q con gr(Q) 1 y ((X 1 )k1 , Q) = 1. Por el
Lema 7.18, Nu (f 1 . idV )k1 y Nu(Q(f )) son subespacios f -invariantes de V y
V = Nu((f 1 . idV )k1 ) Nu(Q(f )).

Ademas, como 1 es autovalor de f pero no el unico, {0} Nu (f 1 .idV )k1 V y las
inclusiones son estrictas. En particular, 0 < dim(Nu((f 1 . idV )k1 )) < dim V = n. Entonces
tambien vale 0 < dim Nu(Q(f )) < dim V = n.

Consideremos las restricciones de f a Nu (f 1 . idV )k1 y Nu(Q(f )):
f1 : Nu((f 1 . idV )k1 ) Nu((f 1 . idV )k1 ) y f2 : Nu(Q(f )) Nu(Q(f )).

Por hipotesis inductiva, existen una base B1 de Nu (f 1 .I)k1 y una base B2 de
Nu(Q(f )), tales que |f1 |B1 y |f2 |B2 son formas de Jordan. Entonces, tomando B = B1 B2
obtenemos una base de V tal que

|f1 |B1 0
|f |B = .
0 |f2 |B2
Observamos que, de acuerdo al Lema 7.18, mf1 = (X 1 )k1 y mf2 = Q. Entonces |f1 |B1
esta formada por bloques de Jordan de autovalor 1 y, como 1 no es raz de Q, |f2 |B2 esta
formada por bloques de Jordan de autovalor con 6= 1 . En consecuencia, |f |B es una
forma de Jordan.
Q
r
Observemos que, con las notaciones del teorema anterior, si mf = (X i )ki con
i=1
i 6= j si i 6= j, la demostracion nos permite dar una forma constructiva de obtener una
forma de Jordan de f . Como
V = Nu((f 1 . idV )k1 ) Nu((f r . idV )kr ),
podemos obtener una forma de Jordan para cada una de las restricciones de f a estos subes-
pacios invariantes Nu((f i . idV )ki ) y las bases de Jordan Bi correspondientes. Entonces
B = B1 Br resulta ser una base de V y |f |B resulta una forma de Jordan de f .
El resultado del teorema se puede enunciar tambien para matrices complejas.

Teorema 7.21 Sea A Cnn . Entonces A es semejante a una forma de Jordan.
A una base B de K n tal que |fA |B es una forma de Jordan, la llamaremos una base de
Jordan para A, y a la matriz |fA |B una forma de Jordan para A.
Demostracion. Consideremos la transformacion lineal fA : Cn Cn definida por fA (x) =

A.x. Observamos que mfA = mA C[X] se factoriza linealmente en C[X]. Por el teorema
anterior, existe entonces una base de Cn tal que la matriz JA = |fA |B es una forma de Jordan,
semejante a A.
Ejemplo. Hallar una forma de Jordan semejante a A y una base de Jordan para A, siendo

1 0 0 2
2 1 0 2
A= 2
C44 .
0 1 2
0 0 0 1
Se tiene que XA = (X 1)2 (X + 1)2 , luego los autovalores de A son 1 y 1.

Calculemos mA = mcm{me1 , me2 , me3 , me4 }, donde {e1 , e2 , e3 , e4 } es la base canonica de
C4 :
Puesto que A.e1 = e1 + 2e2 + 2e3 (luego {e1 , A.e1 } es l.i.) y A2 e1 = e1 , se tiene que
me1 = X 2 1.
Por otro lado, A.e2 = e2 , con lo cual me2 = X + 1. De la misma manera, me3 = X + 1.
Finalmente, para e4 tenemos que A.e4 = 2e1 + 2e2 + 2e3 + e4 (y entonces {e4 , A.e4 } es l.i.)
y A2 e4 = 4e1 + 4e2 + 4e3 + e4 = 2. A.e4 e4 . Luego me4 = X 2 2X + 1.
En consecuencia, mA = mcm{X 2 1, X + 1, X 2 2X + 1} = (X 1)2 (X + 1).
Sabemos entonces que
C4 = Nu((A I)2 ) Nu(A + I),
y si f1 : Nu((A I)2 ) Nu((A I)2 ) y f2 : Nu(A + I) Nu(A + I) son las restricciones de
fA a Nu((A I)2 ) y Nu(A + I) respectivamente, una forma de Jordan para A es

J1 0
JA =
0 J2
donde J1 y J2 son formas de Jordan de f1 y f2 respectivamente. Mas aun, si B1 y B2 son
bases de Jordan para f1 y f2 , entonces B = B1 B2 es una base de Jordan para A.
Base y forma de Jordan de f1 : Nu((A I)2 ) Nu((A I)2 ).

Se tiene que mf1 = (X 1)2 , luego f1 idNu((AI)2 ) es nilpotente de ndice 2. Ademas

0 0 0 2 0 0 0 0
2 2 0 2 4 4 0 0
AI = y (A I)2 = ,
2 0 2 2 4 0 4 0
0 0 0 0 0 0 0 0
178 Forma de Jordan
de donde Nu(A I) = < (1, 1, 1, 0) > y Nu((A I)2 ) = < (1, 1, 1, 0), (0, 0, 0, 1) >.
Consideramos el vector e4 = (0, 0, 0, 1) que extiende una base de Nu(A I) a una de
Nu((A I)2 ). Obtenemos
{0} Nu(A I) Nu((A I)2 )

(A I).e4 e4
Luego, una base de Jordan para f1 es B1 = {e4 , (A I).e4 } = {(0, 0, 0, 1), (2, 2, 2, 0)} y
su forma de Jordan es
1 0
|f1 |B1 = .
1 1
Base y forma de Jordan de f2 : Nu(A + I) Nu(A + I).

Sabemos que mf2 = X 1, luego f2 es diagonalizable. Se tiene que

2 0 0 2
2 0 0 2
A+I = .
2 0 0 2
0 0 0 2
Luego, una base de Nu(A + I) (que sera tambien una base de Jordan para f2 ) es
B2 = {(0, 1, 0, 0), (0, 0, 1, 0)} y la forma de Jordan de f2 es

1 0
|f2 |B2 = .
0 1
En consecuencia, una base de Jordan para A es
B = B1 B2 = {(0, 0, 0, 1), (2, 2, 2, 0), (0, 1, 0, 0), (0, 0, 1, 0)}
y una forma de Jordan semejante a A es

1 0 0 0
1 1 0 0
JA =
0
.
0 1 0
0 0 0 1
7.2.2 Unicidad de la forma de Jordan

Veremos ahora que la forma de Jordan asociada a una transformacion lineal f : V V ,
donde V es un K-espacio vectorial de dimension finita, es unica salvo por el orden en que
aparecen los bloques de Jordan correspondientes a autovalores distintos.
Teorema 7.22 Sea V un K espacio vectorial de dimension n, y sea f : V V una transfor-

macion lineal tal que mf se factoriza linealmente sobre K. Entonces existe una unica forma
de Jordan J K nn (salvo por el orden de sus bloques) tal que para alguna base B de V ,
|f |B = J.
Demostracion. Sea B = {v1 , . . . , vn } una base de V tal que |f |B es una forma de Jordan
J K nn ,
J1 (1 ) 0 ... 0
..
0 J2 (2 ) .
J = ,
.. .
. . . 0
0 ... 0 Js (s )
donde para cada 1 i s, Ji (i ) K di di denota la matriz formada por todos los bloques
de Jordan de autovalor i que aparecen en J y i 6= j si i 6= j.
Qs
Se tiene que Xf = XJ = (X i )di . Entonces 1 , . . . , s son los autovalores de f y,
i=1
para cada 1 i s, di = mult(i , Xf ).
Ahora, para cada 1 i s, se tiene que mJi (i ) = (X i )ki para algun 1 ki di .
Q
s
Entonces mf = mJ = (X i )ki , con lo que, para cada 1 i s, ki = mult(i , mf ).
i=1
Sea uno de los autovalores de f y sea k = mult(, mf ). Sin perdida de generalidad,
supongamos que = 1 . Observamos que

J1 (0) 0 ... 0
..
0 J2 (2 ) .
J . In =
..
,

..
. . 0
0 ... 0 Js (s )
de donde
0 0 ... 0
..
0 (J2 (2 ))k .
(J . In )k =
..

..
. . 0
0 ... 0 (Js (s ))k

Puesto que (Ji (i ))k es inversible para cada 2 i s, entonces Nu (J In )k =
< e1 , . . . , ed1 >. Teniendo en cuenta que J = |f |B , resulta que J .In = |f .idV |B , con
lo que
Nu((f . idV )k ) = < v1 , . . . , vd1 >.
Consideremos la restriccion
f1 = (f . idV )|Nu((f . id k
: Nu((f . idV )k ) Nu((f . idV )k ).
V) )
La restriccion f1 resulta una transformacion lineal nilpotente y, por lo tanto, tiene una unica
forma de Jordan nilpotente J1 asociada.

Sea B1 = {v1 , . . . , vd1 }, que como vimos, es una base de Nu (f . idV )k . Observamos
que

|f1 |B1 = f|Nu(f . id )k .Id1 = J1 (0).
V B1
180 Forma de Jordan
Como J1 (0) es una forma de Jordan nilpotente, debe ser la forma de Jordan J1 de f1 .
En consecuencia, J1 (1 ) = J1 + 1 .Id1 esta unvocamente determinada por f . (Notar que
el subespacio invariante Nu((f . idV )k ) y la restriccion f1 = (f . idV )|Nu((f . id )k ) solo
V
dependen de f y no de una base.)
Haciendo lo mismo para cada i con 1 i s, resulta que, Ji (i ) K di di satisface:
Ji (i ) = Ji + i . Idi ,
donde di = mult(i , Xf ) y, si ki = mult(i , mf ), Ji es la forma de Jordan nilpotente de la

restriccion
(f i . idV )| : Nu((f i . idV )ki ) Nu((f i . idV )ki ).

Nu((f i . idV )ki )
Por lo tanto, la forma de Jordan de f esta unvocamente determinada por f (salvo el

orden de los bloques correspondientes a los distintos autovalores de f ).
El hecho que todo polinomio se factorice linealmente en C[X] nos permite demostrar el
siguiente resultado sobre semejanza de matrices en Cnn .
Teorema 7.23 Sean A, B Cnn , y sean JA y JB las formas de Jordan de A y B respecti-

vamente. Entonces
A B JA = JB (salvo el orden de los bloques).
Demostracion.
() Sabemos que A JA y B JB . Si A B, como es una relacion de equivalencia,

resulta que JA JB . Entonces existe una transformacion lineal f : K n K n y bases
B1 y B2 de K n tales que |f |B1 = JA y |f |B2 = JB .
Por el teorema anterior, la forma de Jordan de una transformacion lineal es unica salvo
el orden de los bloques correspondientes a los distintos autovalores. Luego JA = JB
salvo el orden de los bloques.
() Se deduce inmediatamente de que es una relacion de equivalencia.
Ejemplo. Sean A, B C33 . Probar que A B XA = XB y mA = mB . Vale el

mismo resultado para matrices en C44 ?
Ya sabemos que vale (). Probemos la otra implicacion. Por el Teorema 7.23, A y B
son semejantes si tienen la misma forma de Jordan (salvo el orden de los distintos autovalo-
res). Luego, basta ver que la forma de Jordan de una matriz en C33 queda unvocamente
determinada por su polinomio caracterstico y su polinomio minimal.
Sea J C33 una forma de Jordan. Entonces XJ es un polinomio monico de grado 3 en
C[X], luego puede escribirse de alguna de las siguientes formas:
(i) XJ = (X 1 )(X 2 )(X 3 ) con 1 , 2 , 3 C y i 6= j si i 6= j.

(ii) XJ = (X 1 )2 (X 2 ) con 1 , 2 C y 1 6= 2 .
(iii) XJ = (X )3 con C.
Para cada una de las opciones anteriores, veremos que existe una unica J para cada polinomio
minimal posible.
(i) Si XJ = (X 1 )(X 2 )(X 3 ) con 1 , 2 , 3 C y i 6= j si i 6= j, J es

diagonalizable y, por lo tanto, tiene un bloque de 1 1 para cada autovalor. Luego
(salvo el orden de los autovalores)

1 0 0
J = 0 2 0 .
0 0 3
(ii) Si XJ = (X 1 )2 (X 2 ) con 1 , 2 C y 1 6= 2 , entonces mJ = (X 1 )(X 2 )

o mJ = XJ .
Si mJ = (X 1 )(X 2 ), J es diagonalizable y, por lo tanto, cada bloque en J
es de 1 1. Luego
1 0 0
J = 0 1 0 ,
0 0 2
salvo el orden de los autovalores.
Si mJ = (X 1 )2 (X 2 ), entonces J tiene un bloque de 2 2 con autovalor 1
y uno de 1 1 con autovalor 2 . Luego (salvo el orden de los autovalores),

1 0 0
J = 1 1 0 .
0 0 2
(iii) Si XJ = (X )3 con C, entonces mJ = (X )k para k = 1, 2 o 3.

Si mJ = (X ), entonces J es diagonalizable y solo tiene bloques de 1 1, es
decir,
0 0
J = 0 0.
0 0
Si mJ = (X )2 , entonces el bloque mas grande de J es de 2 2, luego solo puede
tener un bloque de 2 2 y uno de 1 1:

0 0
J = 1 0.
0 0
182 Forma de Jordan
Si mJ = (X )3 , entonces J tiene un bloque de 3 3 y, por lo tanto

0 0
J = 1 0.
0 1
El resultado no vale en C44 . Por ejemplo, las matrices

0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0
A= y
B=
0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0
verifican XA = XB = X 4 y mA = mB = X 2 , pero A 6 B, porque son dos formas de Jordan

distintas.
7.3 Aplicacion: Calculo de las potencias de una matriz

En diversas aplicaciones, por ejemplo en la resolucion de sistemas de ecuaciones diferenciales
lineales de primer orden, surge la necesidad de calcular las potencias de una matriz dada. En
esta seccion veremos que esto puede hacerse utilizando la forma de Jordan de la matriz.
En primer lugar, observamos que es posible calcular las potencias de una matriz a partir
de las potencias de una matriz semejante:
Si A B, existe C GL(n, K) tal que A = C. B. C 1 . Entonces, para cada k N,
A = C. B k . C 1 (ver Observacion 6.26).
k
A partir de esta observacion vemos que, si una matriz A K nn es diagonalizable,

entonces se puede calcular facilmente Ak para cada k N: Basta hallar C GL(n, K) y
D K nn diagonal tales que A = C. D. C 1 y tener en cuenta que
k
1 0 . . . 0 1 0 . . . 0
.. ..
0 2 . k
.
D= = Dk = 0 2 k N.
. .. . ..
.. . 0 .. . 0
0 . . . 0 n 0 . . . 0 kn
Utilizando la igualdad Ak = C. Dk . C 1 se obtienen las potencias de A.

Consideremos ahora el caso de una matriz A K nn que no sea diagonalizable. Si

M1 0 ... 0
..
0 M2 .
AM = . con Mi K ni ni (1 i r)
.
. . . . 0
0 . . . 0 Mr
7.3 Aplicacion: Calculo de las potencias de una matriz 183
existe C GL(n, K) tal que A = C.M.C 1 . Entonces, para cada k N, Ak = C. M k . C 1 y,

multiplicando por bloques, resulta que

M1k 0 ... 0
..
0 M2k .
Mk = .
.

.. ..
. 0
0 ... 0 Mrk
Por lo visto en las secciones anteriores, si mA se factoriza linealmente en K, se puede

hallar una matriz M (la forma de Jordan de A) en la que cada Mi es un bloque de Jordan de
autovalor i para algun i K. Luego, para calcular las potencias de A basta poder calcular
J(, m)k .
Se puede probar inductivamente (ver Lema 7.11) que

0k(mk) 0kk
J(0, m)k = .
Imk 0(mk)k
Si 6= 0, escribimos J(, m) = . Im + J(0, m). Puesto que . Im y J(0, m) conmutan,

podemos calcular las potencias de . Im +J(0, m) aplicando la formula del binomio de Newton:
Xk
k k k
J(, m) = (. Im + J(0, m)) = (Im )ki . J(0, m)i
i=0
i
k
!
X k ki 0i(mi) 0ii
= .
i=0
i Imi 0(mi)i
k
!
X 0i(mi) 0ii
= k ki
i=0 i . Imi 0(mi)i

k 0 ... ... 0

k k1 .. ..
k . .
1

k k2 k .. ..
= k1 k . . .
2 1

.. .. .. ..
. . . . 0

k
k(m1) k k2 k k1 k
m1 ... 2 1
k
(Consideramos h = 0 si h > k.)
Esto nos da una formula para el calculo de las potencias de un bloque de Jordan de
autovalor . Usando las observaciones anteriores podemos calcular las potencias de A.
184 Forma de Jordan
7.4 Ejercicios
Ejercicio 1. Dadas las matrices A y A0 en K nn

0 0 ... 0 0 0 1 0 ... 0
1 0 ... 0 0 0 0 1 ... 0
. .. ..
A= .
0 1 ... 0 0
y A0 =
.
. . .
.. .. .. 0 0 0 ...
. . 1
0 0 ... 1 0 0 0 0 ... 0
i) Probar que ambas son nilpotentes y que A es semejante a A0 .
ii) Dar bases B y B 0 de Rn1 [X] tal que la matriz de la derivacion en la base B sea A y
en la base B 0 sea A0 .
iii) Sea B una base de K n y sea f : K n K n tal que |f |B = A. Probar que no existen
subespacios propios f -invariantes S y T de K n tales que K n = S T .
Ejercicio 2. Sean Ai (1 i 6) matrices en C88 nilpotentes tales que mAi = X 3

(1 i 6). Es cierto que necesariamente dos de estas matrices son semejantes?
Ejercicio 3. Sean A, B C66 son matrices nilpotentes tales que mA = mB y rg(A) =

rg(B). Probar que A y B son semejantes. Es cierto esto en C77 ?
Ejercicio 4. Hallar la forma y una base de Jordan de la matriz A C99 :

0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0

A = 0 0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0

0 0 0 0 0 1 0 0 0
1 1 0 0 0 0 0 0 0
Ejercicio 5. Hallar la forma y una base de Jordan de la matriz A = (aij ) Cnn donde

0 si i j
aij =
1 si i > j
Ejercicio 6.
i) Decidir si existe A C88 nilpotente tal que rg(A) = 6, rg(A2 ) = 4, rg(A3 ) = 3,
rg(A4 ) = 1 y rg(A5 ) = 0 simultaneamente. En caso afirmativo, exhibir una.
ii) Decidir si existe A R1616 tal que mA (X) = X 5 , rg(A) = 9, rg(A2 ) = 5, rg(A3 ) = 3,
rg(A4 ) = 1 y rg(A5 ) = 0 simultaneamente. En caso afirmativo, exhibir una.
7.4 Ejercicios 185
Ejercicio 7. Sea f : C7 C7 una transformacion lineal y sea B una base de C7 tal que

2 0 0 0 0 0 0
1 2 0 0 0 0 0

0 1 2 0 0 0 0

|f |B = 0 0 0 2 0 0 0.

0 0 0 1 2 0 0

0 0 0 0 0 3 0
0 0 0 0 0 0 3
i) Hallar Xf y mf .
7
ii) Sea un autovalor de f tal que mult(, Xf ) =
m. Se definen
E = {v C / f (v) = .v}
7 m m
y V = {v C / (. Id f ) (v) = 0} = Nu (. Id f ) .
Para que autovalores de f se tiene que E = V ?

iii) Para cada autovalor de f , cual es la menor potencia k tal que V = Nu (. Id f )k ?
iv) Si es un autovalor de f , se nota f a la restriccion de f a V . Calcular dim(Im(f ))
y dim(Im(f2 )) para cada .
Ejercicio 8. Sea V un K-espacio vectorial, sea f : V V una transformacion lineal y sea

P K[X].
i) Probar que Nu(P (f )) e Im(P (f )) son subespacios invariantes por f .

ii) Probar que si un autovalor de f es raz de P , entonces E Nu(P (f )).
iii) Probar que si un autovalor de f no es raz de P , entonces E Im(P (f )).
Ejercicio 9. Hallar la forma y una base de Jordan de A C nn en cada uno de los siguientes
casos:

1 1 1 3 0 8 4 2 10 2 8 6
3 3 3 ; 3 1 6 ; 4 3 7 ; 4 10 6
2 2 2 2 0 5 3 1 7 4 8 4

3 1 0 0 1 2 3 4
1 1 2
3 4 1 0 0 0 1 2 3
3 6 ; ;
7 1 2 1 0 0 1 2
2 2 4
17 6 1 0 0 0 0 1
Ejercicio 10. Sea A R44 la matriz

3 0 8 a
3 1 6 0
A= .
2 0 5 0
0 0 0 1
186 Forma de Jordan
i) Para cada a R, calcular XA , mA y hallar la forma de Jordan de A.
ii) Para a = 2, hallar una base de Jordan para A.
Ejercicio 11. Sea V C (R) el subespacio V = < ex , x. ex , x2 .ex , e2x >. Sea : V V
la transformacion lineal definida por (f ) = f 0 . Hallar la forma y una base de Jordan para .
Ejercicio 12. Sean A , B C 44 las matrices

2 0 0 0 0 1 1 0
0 0 1 1 1 2 1 0
A= , B=
0 1 1 0 0 0 1 0
0 0 1 2 0 0 0 2
Decidir si A y B son semejantes.
Ejercicio 13. Sean A, B C55 tales que XA = XB = (X 1)3 .(X 3)2 y mA = mB .

Decidir si, necesariamente, A es semejante a B.
Ejercicio 14. Encontrar todas las formas de Jordan posibles de la matriz A Cnn en cada
uno de los siguientes casos:
i) XA (X) = (X 2)4 (X 3)2 ; mA (X) = (X 2)2 (X 3)2
ii) XA (X) = (X 7)5 ; mA (X) = (X 7)2
iii) XA (X) = (X 2)7 ; mA (X) = (X 2)3
iv) XA (X) = (X 3)4 (X 5)4 ; mA (X) = (X 3)2 (X 5)2
Ejercicio 15. Sea A C1515 una matriz con autovalores 1 , 2 y 3 y que cumple, simul-
taneamente:
rg(A 1 .I) = 13, rg(A 1 .I)2 = 11, rg(A 1 .I)3 = 10, rg(A 1 .I)4 = 10,
rg(A 2 .I) = 13, rg(A 2 .I)2 = 11, rg(A 2 .I)3 = 10, rg(A 2 .I)4 = 9,
rg(A 3 .I) = 13, rg(A 3 .I)2 = 12, rg(A 3 .I)3 = 11.
Hallar su forma de Jordan.
Ejercicio 16. Dar la forma de Jordan de una matriz A C1414 que verifica, simultanea-
mente:
mA = (X 1 )2 .(X 2 ).(X 3 )2 .(X 4 )3 (con i 6= j si i 6= j),
rg(A 1 .I) = 11, rg(A 1 .I)2 = 10, rg(A 3 .I) = 12, rg(A 3 .I)2 = 10 y
rg(A 4 .I) = 13.
7.4 Ejercicios 187
Ejercicio 17. Hallar la forma de Jordan de la matriz A Cnn :

2 3 4 5 ... n + 1
0 2 3 4 ... n

0 0 2 3 ... n 1

0 0 0 2 ... n 2
.. ..
. .
0 0 0 0 ... 2
Ejercicio 18. Sean x, y Cn y A Cnn , A = (aij ) con aij = xi .yj .
i) Calcular todos los autovalores y autovectores de A.

ii) Calcular las posibles formas de Jordan de A.
Ejercicio 19. Sea A Cnn . Probar que A y At son semejantes.
Ejercicio 20. Sea A C66 una matriz tal que mA = X 6 y sea {v1 , v2 , v3 , v4 , v5 , v6 } una
base de Jordan para A. Calcular la forma y una base de Jordan para las matrices A2 , A3 , A4
y A5 .

5 1 4
Ejercicio 21. Dada la matriz A = 1 3 1 , encontrar B Q33 tal que B 2 = A.
0 0 1
Ejercicio 22. Sean , R. Se define la sucesion {an }nN0 de la siguiente manera:

a0 = , a1 =
an+2 = 4.an+1 4.an n N0
Hallar una formula general para el termino an , n N0 .

Sugerencia: Ver el razonamiento del Ejercicio 8 de la Seccion 6.5 e intentar modificarlo con-
venientemente utilizando el calculo de potencias de una matriz de la Seccion 7.3.
Ejercicio 23. Resolver el siguiente sistema de ecuaciones diferenciales

0
x1 (t) =
3 x1 (t) x2 (t)
x02 (t) = x1 (t) + x2 (t)

0
x3 (t) = x2 (t) + 2 x3 (t)
con condiciones iniciales x1 (0) = 1, x2 (0) = 2, x3 (0) = 1.

Sugerencia: Ver Ejercicio 9 de la Seccion 6.5.
188 Forma de Jordan
Captulo 8
Espacios vectoriales con

producto interno
En este captulo, se generalizaran las nociones geometricas de distancia y perpendicularidad,

conocidas en R2 y en R3 , a otros espacios vectoriales. Solo se consideraran espacios vectoriales
sobre R o sobre C.
8.1 Producto interno

Algunas nociones geometricas en R2 y en R3 pueden definirse a partir del producto escalar.
La definicion que sigue es una generalizacion del producto escalar a otros espacios vectoriales.
8.1.1 Definicion y ejemplos

Definicion 8.1 Sea V un espacio vectorial sobre R (respectivamente C). Un producto interno
sobre V es una funcion : V V R (respectivamente C) que cumple:
i) Para cada R (respectivamente C), y v, w, z V
(v + w, z) = (v, z) + (w, z)
(.v, z) = . (v, z)
ii) (v, w) = (w, v) v, w V .

(Notar que esta condicion implica que para cada v V , (v, v) = (v, v), es decir que
(v, v) R.)
iii) (v, v) > 0 si v 6= 0.
Notacion. Si es un producto interno, escribiremos (v, w) = hv, wi.

190 Espacios vectoriales con producto interno
Definicion 8.2 A un espacio vectorial real (respectivamente complejo) provisto de un pro-

ducto interno se lo llama un espacio eucldeo (respectivamente espacio unitario).
Observacion 8.3 De las condiciones i) y ii) de la definicion de producto interno se deduce

que si : V V R (respectivamente C) es un producto interno, para cada R
(respectivamente C), y v, w, z V vale:
(v, w + z) = (v, w) + (v, z),
(v, .w) = .(v, w).
Ejemplos. Se puede comprobar que las funciones definidas a continuacion son productos
internos sobre los espacios vectoriales correspondientes:
Producto interno canonico en Rn :
((x1 , . . . , xn ), (y1 , . . . , yn )) = x1 y1 + + xn yn .
Producto interno canonico en Cn :

((x1 , . . . , xn ), (y1 , . . . , yn )) = x1 y 1 + + xn y n .
Dada B Cmn , denotamos por B Cnm a la matriz transpuesta conjugada de B,

es decir, a la matriz definida por (B )ij = Bji . Se define : Cmn Cmn C como
(A, B) = tr(A.B ).
Si a < b R y C[a, b] = {f : [a, b] R / f continua}, se define : C[a, b] C[a, b] R

como Z b
(f, g) = f (x)g(x) dx.
a
Dado un espacio vectorial V es posible definir distintos productos internos sobre V . En el

ejemplo siguiente veremos una familia de productos internos en R2 .
Ejemplo. Sea : R2 R2 R definida por

((x1 , x2 ), (y1 , y2 )) = x1 y1 x1 y2 x2 y1 + . x2 y2
Hallar todos los valores de R para los cuales es un producto interno.
Es inmediato verificar que, para cualquier R se cumplen las condiciones i) y ii) de la
definicion de producto interno. Veamos para que valores de se cumple la condicion iii). Se
tiene que
((x1 , x2 ), (x1 , x2 )) = x21 2x1 x2 + x22
= x21 2x1 x2 + x22 + ( 1)x22
= (x1 x2 )2 + ( 1)x22
De esta igualdad se deduce que (v, v) > 0 v 6= 0 > 1.
En consecuencia, es un producto interno si y solo si > 1.
8.1 Producto interno 191
8.1.2 Norma de un vector

La nocion que sigue generaliza la de longitud de un vector en R2 o R3 .
Definicion 8.4 Sea (V, h, i) un espacio vectorial sobre R (respectivamente C) con producto
1
interno y sea v V . Se define la norma de v asociada a h, i (y se nota kvk) como kvk = hv, vi 2 .
Proposicion 8.5 (Propiedades de la norma.) Sea (V, h, i) un espacio vectorial con producto
interno.
i) Para cada v V , kvk 0, y kvk = 0 si y solo si v = 0.
ii) Sean R (respectivamente C) y v V . Entonces k.vk = ||. kvk.
iii) Desigualdad de Cauchy-Schwartz. Si v, w V , entonces
|hv, wi| kvk. kwk.
iv) Desigualdad triangular. Si v, w V , entonces
kv + wk kvk + kwk.
Demostracion. Las propiedades i) e ii) se deducen inmediatamente de la definicion de norma.
iii) Si w = 0, no hay nada que hacer. Supongamos entonces que w 6= 0. Se tiene que
D hv, wi hv, wi E
0 v w, v w
kwk2 kwk2
D hv, wi E hv, wi D hv, wi E
= v, v w w, v w
kwk2 kwk2 kwk2
hv, wi hv, wi hv, wi hv, wi
= hv, vi hv, wi hw, vi + hw, wi
kwk2 kwk2 kwk2 kwk2
|hv, wi|2
= kvk2
kwk2
Esto implica que |hv, wi|2 kvk2 kwk2 , de donde se obtiene la desigualdad buscada.
iv) En primer lugar, observamos que
kv + wk2 = hv + w, v + wi
= hv, vi + hv, wi + hv, wi + hw, wi (8.1)
= kvk2 + 2 Rehv, wi + kwk2 .
Entonces, teniendo en cuenta que Rehv, wi |hv, wi| y aplicando la desigualdad de

Cauchy-Schwartz, resulta que
kv + wk2 kvk2 + 2 |hv, wi| + kwk2

kvk2 + 2 kvkkwk + kwk2
= (kvk + kwk)2 ,
de donde se deduce que kv + wk kvk + kwk.
La desigualdad de Cauchy-Schwartz vista en ciertos espacios vectoriales con producto

interno nos permite obtener distintas propiedades:
Ejemplo. Sean f, g C[a, b]. Entonces

Z Z ! 12 Z ! 12
b b b
2 2
f (x)g(x) dx f (x) dx g (x) dx .
a a a
En general, se puede definir una norma en un espacio vectorial V sobre R o C como una
funcion k k : V R que cumpla las condiciones i), ii) y iv) de la proposicion anterior. Una
norma cualquiera en este sentido puede no provenir de un producto interno (es decir, puede
no haber ningun producto interno tal que la norma asociada sea k k). Un ejemplo de esto es
la norma infinito en Rn , definida por k(x1 , . . . , xn )k = max{|x1 |, . . . , |xn |}.
Dada una norma, se puede decidir si proviene o no de un producto interno, ya que este se
puede recuperar a partir de su norma asociada:
Proposicion 8.6 (Identidades de polarizacion.)
i) Sea (V, h, i) un R-espacio vectorial con producto interno. Entonces para cada v, w V
vale:
1 1
hv, wi = kv + wk2 kv wk2 .
4 4
ii) Sea (V, h, i) un C-espacio vectorial con producto interno. Entonces para cada v, w V
vale:
1 1 i i
hv, wi = kv + wk2 kv wk2 + kv + iwk2 kv iwk2 .
4 4 4 4
Demostracion.
i) Si V es un R-espacio vectorial, entonces kv + wk2 = kvk2 + 2hv, wi + kwk2 y kv wk2 =

kvk2 2hv, wi + kwk2 . Entonces
1 1 1 1
kv + wk2 kv wk2 = hv, wi hv, wi = hv, wi.
4 4 2 2
8.1 Producto interno 193
ii) En forma analoga a lo hecho en i), usando la identidad (8.1), resulta que si V es un
C-espacio vectorial, entonces
1 1
kv + wk2 kv wk2 = Rehv, wi.
4 4
Por otro lado, kv + iwk2 = kvk2 + 2 Rehv, iwi + kiwk2 = kvk2 + 2 Imhv, wi + kwk2 y,
similarmente, kv iwk2 = kvk2 2 Imhv, wi + kwk2 , lo que implica que
i i
kv + iwk2 kv iwk2 = i Imhv, wi.
4 4
La identidad del enunciado se obtiene haciendo hv, wi = Rehv, wi + i Imhv, wi.
Una norma cualquiera estara asociada a un producto interno si y solo si la funcion que
se obtiene mediante estas identidades resulta un producto interno. En lo que sigue, solo se
consideraran normas asociadas a productos internos.
8.1.3 Distancia entre vectores

A partir de la definicion de norma de un vector, podemos definir la nocion de distancia entre
dos vectores.
Definicion 8.7 Sea V un R-(o C-) espacio vectorial con producto interno h, i. Se define
d : V V R como d(v, w) = kv wk.
Utilizando las propiedades de la norma se puede verificar que la funcion d satisface las
siguientes propiedades:
i) d(v, w) 0 v, w V .
ii) d(v, w) = 0 v = w.
iii) d(v, w) = d(w, v) v, w V .
iv) d(v, z) d(v, w) + d(w, z) v, w, z V .
Dados vectores v, w V se dice que d(v, w) es la distancia entre v y w.
Dado un conjunto no vaco cualquiera X, puede definirse una distancia en X como

cualquier funcion d : X X R que cumpla las propiedades i), ii), iii) y iv) anteriores.
Hay distancias en espacios vectoriales que no provienen de ninguna norma. En lo que sigue,
solo trabajaremos con distancias asociadas a normas asociadas a productos internos.
8.1.4 Angulo entre dos vectores

Sea (V, h, i) un espacio eucldeo. La desigualdad de Cauchy-Schwartz establece que para todo
par de vectores v, w V se tiene que |hv, wi| kvk.kwk. Si v, w 6= 0, resulta entonces que
hv, wi
1 1.
kvk.kwk
Esto nos permite introducir la siguiente nocion de angulo entre dos vectores:
Definicion 8.8 Sea (V, h, i) un espacio eucldeo y sean v, w V no nulos. Se define el angulo
hv, wi
entre v y w como el unico numero real [0, ] tal que cos() = .
kvk.kwk
Observamos que si es el angulo entre v y w, entonces
kv + wk2 = hv + w, v + wi = kvk2 + 2hv, wi + kwk2

= kvk2 + 2. cos(). kvk.kwk + kwk2 ,
que es la formula conocida como teorema del coseno.
8.1.5 Matriz de un producto interno

Si V es un espacio vectorial de dimension finita con un producto interno h, i, fijada una base
de V , vamos a construir una matriz asociada al producto interno y a dicha base.
Definicion 8.9 Sea V un R-(respectivamente C-) espacio vectorial de dimension finita, sea
h, i un producto interno sobre V y sea B = {v1 , . . . , vn } una base de V . Se define la matriz
del producto interno h, i en la base B como la matriz A Rnn (respectivamente A Cnn )
tal que
Aij = hvi , vj i 1 i, j n.
Notacion. Escribiremos |h, i|B para denotar la matriz del producto interno h, i en la base B.
Observacion 8.10 Si A es la matriz de un producto interno, entonces Aij = Aji i, j.
Sin embargo, la condicion Aij = Aji i, j no es suficiente para que A sea la matriz de un
0 1
producto interno. Por ejemplo, A = no puede ser la matriz de un producto interno
1 1
en una base, ya que si v es el primer vector de la base, sera hv, vi = 0.
Ejemplo. Para el producto interno en R2 definido por
h(x1 , x2 ), (y1 , y2 )i = x1 y1 x1 y2 x2 y1 + x2 y2 ( > 1)

8.2 Ortogonalidad 195
(ver pagina 190) y E la base canonica de R2 , resulta

1 1
|h, i|E = .
1
La matriz de un producto interno en una base B nos permite calcular el producto interno
entre cualquier par de vectores:
Proposicion 8.11 Sea V un R-(o C-) espacio vectorial de dimension finita y sea h, i un
producto interno sobre V . Sea B una base de V . Entonces, para cada v, w V , se tiene que
hv, wi = (v)B . |h, i|B . (w)tB .
P
n P
n
Demostracion. Sea B = {v1 , . . . , vn }. Supongamos que v = i vi y w = i vi . Entonces
i=1 i=1
DX
n n
X E Xn D X n E Xn X
n
hv, wi = i vi , j vj = i vi , j vj = i j hvi , vj i .
i=1 j=1 i=1 j=1 i=1 j=1
Por otro lado, teniendo en cuenta que (v)B = (1 , . . . , n ) y (w)B = (1 , . . . , n ), resulta que
n
X n
X X
n
(v)B . |h, i|B . (w)tB = i |h, i|B (w)tB = i hvi , vj ij .
i1
i=1 i=1 j=1
Luego hv, wi = (v)B . |h, i|B . (w)tB .
8.2 Ortogonalidad
En esta seccion generalizaremos la nocion conocida de perpendicularidad en R2 y algunas pro-
piedades que se basan en esta nocion, a espacios vectoriales con producto interno arbitrarios.
8.2.1 Conjuntos ortogonales y ortonormales

Definicion 8.12 Sea (V, h, i) un espacio vectorial con producto interno. Dos vectores v, w
V se dicen ortogonales (o perpendiculares) si hv, wi = 0.
Observacion 8.13 (Teorema de Pitagoras.) Si v, w V son vectores ortogonales, entonces

kv + wk2 = kvk2 + kwk2 .
Definicion 8.14 Sea (V, h, i) un espacio vectorial con producto interno. Se dice que
{v1 , . . . , vr } V es un conjunto ortogonal si hvi , vj i = 0 i 6= j. El conjunto se dice
ortonormal si es ortogonal y kvi k = 1 para cada 1 i r.
Ejemplos.
1. En Rn (o Cn ) con el producto interno canonico, la base canonica es un conjunto ortonor-

mal:
hei , ej i = 0 si i 6= j.
kei k2 = hei , ei i = 1 para cada 1 i n.
2. En R2 con el producto interno canonico, el conjunto {(1, 1), (1, 1)} es un conjunto
ortogonal, pues h(1, 1), (1, 1)i = 0.

Este conjunto no es ortonormal, ya que k(1, 1)k = 2 6= 1 y k(1, 1)k = 2 6= 1. A
partir de este conjunto podemos
n hallar uno queoes ortonormal dividiendo cada uno de

los vectores por su norma: 1 , 1 , 1 ,
1
.
2 2 2 2
Si (V, h, i) es un espacio vectorial con producto interno, la matriz de h, i en una base

ortogonal (u ortonormal) de V es particularmente simple:
Observacion 8.15 Si (V, h, i) es un espacio vectorial de dimension n con producto interno,

entonces B = {v1 , . . . , vn } es una base de V ortogonal para h, i si y solo si

hv1 , v1 i 0
.. .. ..
|h, i|B = . . . .
0 hvn , vn i
En particular, B es una base ortonormal de V si y solo si |h, i|B = In .
Como consecuencia, si B = {v1 , . . . , vn } es una base ortonormal de V se puede calcular

facilmente el producto interno entre dos vectores (y, en particular, la norma de un vector) a
P
n Pn
partir de sus coordenadas en la base B: si v = i vi y w = i vi , entonces:
i=1 i=1
n
X X
n 12
hv, wi = i i y kvk = |i |2 .
i=1 i=1
Proposicion 8.16 Sea (V, h, i) un espacio vectorial con producto interno. Sea {v1 , . . . , vr } un
conjunto ortogonal de V con vi 6= 0 para cada 1 i r. Entonces {v1 , . . . , vr } es linealmente
independiente.
P
r
Demostracion. Supongamos que i vi = 0. Entonces para cada 1 j r,
i=1
DX
r E r
X
0 = h0, vj i = i vi , vj = i hvi , vj i = j . kvj k2 ,
i=1 i=1
y como vj 6= 0, resulta que j = 0.

En consecuencia, {v1 , . . . , vr } es linealmente independiente.
Si se tiene una base ortogonal de un subespacio, las coordenadas en esta base de cualquier
vector del subespacio pueden encontrarse facilmente usando el producto interno:
Proposicion 8.17 Sea (V, h, i) un espacio vectorial con producto interno. Sea {v1 , . . . , vr }
V un conjunto ortogonal tal que vi 6= 0 para cada 1 i r y sea v < v1 , . . . , vr >.
Entonces
X r
hv, vj i
v= . vj .
j=1
kvj k2
r
X
Demostracion. Si v = i vi , para cada 1 j r se tiene que
i=1
DX
r E Xr
hv, vj i = i vi , vj = i hvi , vj i = j hvj , vj i = j kvj k2 ,
i=1 i=1
hv, vj i
de donde se deduce, teniendo en cuenta que vj 6= 0, que j = .
kvj k2
Corolario 8.18 Sea (V, h, i) un espacio vectorial con producto interno y sea {v1 , . . . , vr } un
conjunto ortonormal de V . Entonces, para cada v < v1 , . . . , vr >, se tiene que
r
X
v= hv, vi i. vi .
i=1
Finalmente, combinando este resultado con la Observacion 8.15, se obtiene:
Corolario 8.19 Sea (V, h, i) un espacio vectorial con producto interno y sea {v1 , . . . , vr } un
conjunto ortonormal de V . Entonces:
r
X
i) Para v, w < v1 , . . . , vr >, hv, wi = hv, vi i.hw, vi i.
i=1
X
r 12
ii) Para cada v < v1 , . . . , vr >, kvk = |hv, vi i|2 .
i=1
En lo que sigue, intentaremos encontrar bases ortonormales en un espacio vectorial de

dimension finita con producto interno. Comenzaremos haciendo esto en un ejemplo.
Ejemplo. Se considera en R2 el producto interno definido por
h(x1 , x2 ), (y1 , y2 )i = x1 y1 x1 y2 x2 y1 + x2 y2 ( > 1)

(ver pagina 190). Hallar una base de R2 ortonormal para este producto interno.
Elegimos un vector en R2 , por ejemplo, (1, 0). Buscamos un vector ortogonal a este para
el producto interno dado, es decir, un vector (y1 , y2 ) R2 tal que
0 = h(1, 0), (y1 , y2 )i = y1 y2 ,
por ejemplo, (y1 , y2 ) = (1, 1).

Entonces {(1, 0), (1, 1)} es una base ortogonal de R2 y, por lo tanto, basta normalizar (es
decir, dividir por la norma) cada uno de los vectores de esta base. Se tiene que
k(1, 0)k = 1,
1 1
k(1, 1)k =
h(1, 1), (1, 1)i 2 = (1 1 1 + ) 2 = 1.
n 1 o
1
Luego, B = (1, 0), 1 , 1 es una base ortonormal de R2 para el producto interno
dado.
La proposicion siguiente asegura que todo espacio vectorial de dimension finita con pro-
ducto interno tiene una base ortonormal. Mas aun, su demostracion da un procedimiento
recursivo, conocido como el metodo de ortonormalizacion de Gram-Schmidt, que permite
obtener una base ortonormal del espacio a partir de una base cualquiera del mismo.
Proposicion 8.20 (Metodo de ortonormalizacion de Gram-Schmidt) Sea (V, h, i) un

espacio vectorial con producto interno y sea {v1 , . . . , vn } una base de V . Existe un base
ortonormal B = {w1 , . . . , wn } de V tal que
< v 1 , . . . , vk > = < w 1 , . . . , w k > 1 k n.
Demostracion. Se construira una base ortogonal {z1 , . . . , zn } de V que cumpla:
< z 1 , . . . , z k > = < v 1 , . . . , vk > 1 k n.
Normalizando los vectores de esta base se obtendra la base ortonormal buscada.

Construiremos los vectores de la base recursivamente:
Tomamos z1 = v1 , que satisface < z1 > = < v1 >.

Buscamos z2 V con hz2 , z1 i = 0 y tal que < z1 , z2 > = < v1 , v2 >. Esta segunda
condicion vale si y solo si z2 es de la forma z2 = a.v1 + b.v2 con b 6= 0. Podemos suponer
entonces que b = 1, es decir, z2 = v2 + a.v1 y buscar a de manera que se cumpla la
primera condicion:
0 = hz2 , z1 i = hv2 + av1 , v1 i = hv2 , v1 i + a.hv1 , v1 i,
lo que implica que

hv2 , v1 i
a= .
kv1 k2
Luego, el vector
hv2 , v1 i hv2 , z1 i
z2 = v2 2
.v1 = v2 .z1
kv1 k kz1 k2
satisface las condiciones requeridas.
Supongamos construidos z1 , . . . , zr V tales que
(i) hzi , zj i = 0 si i 6= j.
(ii) < z1 , . . . , zk > = < v1 , . . . , vk > 1 k r.
Consideramos el vector
r
X hvr+1 , zi i
zr+1 = vr+1 .zi . (8.2)
i=1
kzi k2
Se tiene que:
a) < z1 , . . . , zr , zr+1 > = < z1 , . . . , zr , vr+1 > = < v1 , . . . , vr , vr+1 >,
b) para cada j r
D r
X hvr+1 , zi i E
hzr+1 , zj i = vr+1 .zi , zj
i=1
kzi k2
r
X hvr+1 , zi i
= hvr+1 , zj i . hzi , zj i
i=1
kzi k2
hvr+1 , zj i
= hvr+1 , zj i . hzj , zj i
kzj k2
= 0.
Luego, zr+1 satisface las condiciones requeridas.
De esta manera, al concluir el n-esimo paso se obtiene una base ortogonal {z1 , . . . , zn } de V
que ademas satisface < z1 , . . . , zk > = < v1 , . . . , vk > para cada 1 k n.
zi
Finalmente, para cada 1 i n consideramos el vector wi = . Luego el conjunto
kzi k
B = {w1 , . . . , wn } resulta una base ortonormal de V que cumple lo pedido.
Corolario 8.21 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno, y
sea S un subespacio de V , S 6= {0}. Entonces existe una base ortonormal de V que contiene
una base ortonormal de S.
Demostracion. Sea {s1 , . . . , sr } una base de S. Existen vr+1 , . . . , vn V tales que B =

{s1 , . . . , sr , vr+1 , . . . , vn } es una base de V . Aplicando el proceso de Gram-Schmidt a B se
obtiene una base ortonormal B 0 = {w1 , . . . , wr , wr+1 , . . . , wn } de V que satisface
< w1 , . . . , wr > = < s1 , . . . , sr > = S.

En consecuencia, {w1 , . . . , wr } es una base ortonormal de S incluida en la base ortonormal

B 0 de V .
Mostramos ahora el metodo de Gram-Schmidt en un ejemplo:
Ejemplo. Dada la base B = {(1, 0, i), (1, 1, 2 + i), (0, 0, 1)} de C3 , ortonormalizarla usando
el metodo de Gram-Schmidt.
Notaremos v1 = (1, 0, i), v2 = (1, 1, 2 + i) y v3 = (0, 0, 1).
Comenzamos tomando z1 como el primer vector de la base: z1 = (1, 0, i).
Construimos ahora z2 aplicando la formula (8.2) para r = 1:
hv2 , z1 i h(1, 1, 2 + i), (1, 0, i)i

z2 = v2 2
. z1 = (1, 1, 2 + i) . (1, 0, i)
kz1 k k(1, 0, i)k2
= (1, 1, 2 + i) (1 i). (1, 0, i) = (i, 1, 1).
Finalmente, hallamos z3 aplicando nuevalmente la formula (8.2) para r = 2:
hv3 , z1 i hv3 , z2 i
z3 = v3 .z1 .z2
kz1 k2 kz2 k2
h(0, 0, 1), (1, 0, i)i h(0, 0, 1), (i, 1, 1)i
= (0, 0, 1) . (1, 0, i) . (i, 1, 1)
k(1, 0, i)k2 k(i, 1, 1)k2
i 1
= (0, 0, 1) + . (1, 0, i) . (i, 1, 1)
2 3
i 1 1
= , , .
6 3 6
El conjunto {z1 , z2 , z3 } es una base ortogonal de C3 . Dividiendo cada vector por su norma,
obtenemos
z1 1 1 i
w1 = = . (1, 0, i) = , 0,
kz1 k 2 2 2
z2 1 i 1 1
w2 = = . (i, 1, 1) = , ,
kz2 k 3 3 3 3

z3 i 1 1 6i 6 6
w3 = = 6. , , = , ,
kz3 k 6 3 6 6 3 6
tales que {w1 , w2 , w3 } es una base ortonormal de C3 que cumple < v1 > = < w1 > y
< v1 , v2 > = < w1 , w2 >.
8.2.2 Complemento ortogonal

Definicion 8.22 Sea (V, h, i) un espacio vectorial con producto interno, y sea S V un
conjunto. Se define el complemento ortogonal de S como
S = {v V : hv, si = 0 s S}.
Observacion 8.23 S es un subespacio de V :
i) 0 S , pues h0, si = 0 para todo s S.
ii) Sean v, w S . Para cada s S, se tiene que hv, si = 0 y hw, si = 0, con lo que
hv + w, si = hv, si + hw, si = 0 + 0 = 0. Luego, v + w S .
iii) Si v S y R (o C), entonces para cada s S vale h. v, si = .hv, si = . 0 = 0.

Luego, . v S .
Ejemplos.
1. En R2 con el producto interno canonico:
{(1, 1)} = {(x, y) R2 / h(x, y), (1, 1)i = 0}

= {(x, y) R2 / x + y = 0}
= < (1, 1) > .
2. En C3 con el producto interno canonico:
< (1, i, 1 + i) > = {(x, y, z) C3 / h(x, y, z), (, i, (1 + i)i = 0 C}

= {(x, y, z) C3 / (x.1 + y(i) + z(1 i)) = 0 C}
= {(x, y, z) C3 / x iy + (1 i)z = 0}
= < (i, 1, 0), (i 1, 0, 1) >.
En el caso en que S es un subespacio de V , se tiene el siguiente resultado, cuya demostracion

provee un metodo para hallar S .
Proposicion 8.24 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno,
y sea S V un subespacio. Entonces:
i) S S = {0}.
ii) dim(S) + dim(S ) = dim V .
En consecuencia, S S = V .
Demostracion.
i) Sea x S S . Como x S , para cada s S, se tiene que hx, si = 0. En particular,

tomando s = x S, resulta que kxk2 = hx, xi = 0, de donde x = 0.
ii) Sea {s1 , . . . , sr } una base de S. Existen vr+1 , . . . , vn V tales que
{s1 , . . . , sr , vr+1 , . . . , vn }
es una base de V . Aplicando el proceso de Gram-Schmidt a esta base se obtiene una

base ortonormal de V , B = {w1 , . . . , wr , wr+1 , . . . , wn }, que ademas cumple
< w1 , . . . , wr > = < s1 , . . . , sr > = S.
Sea j > r. Veamos que wj S . Dado s S, existen escalares 1 , . . . , r tales que

Pr
s= i wi . Entonces
i=1
D r
X E Xr
hwj , si = wj , i wi = i hwj , wi i = 0,
i=1 i=1
ya que, como la base B es ortogonal y j > r, se tiene que hwj , wi i = 0 para cada
1 i r. En consecuencia, wj S .
Se tiene entonces que wr+1 , . . . , wn S , con lo que < wr+1 , . . . , wn > S (pues S
es un subespacio) y, por lo tanto,
dim(S ) dim(< wr+1 , . . . , wn >) = n r = n dim(S),
es decir, dim(S) + dim(S ) n. Por otro lado, como S S = {0},
dim(S) + dim(S ) = dim(S + S ) dim(V ) = n.
Entonces dim(S) + dim(S ) = dim(V ). Mas aun, de la demostracion se deduce tambien

que S = < wr+1 , . . . , wn >.
Ejemplo. Sea S = < (1, 0, i), (1, 1, 2 + i) > C3 . En el ejemplo de la pagina 200, hallamos
una base ortonormal {w1 , w2 , w3 } de C3 con la propiedad de que {w1 , w2 } es una base de S.
Entonces, la demostracion
D E del tem ii) de la proposicion anterior nos dice que S = < w3 > =

6i 6 6
6 , 3 , 6 .
Proposicion 8.25 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno,
y sea S un subespacio de V . Entonces (S ) = S.
Demostracion. Por definicion, (S ) = {v V / hv, ti = 0 t S }.

Veamos que S (S ) : Sea s S. Para cada t S se tiene que hs, ti = ht, si = 0, de
donde se deduce que s (S ) .
Por otro lado, por la proposicion anterior, dim((S ) ) = dim S, y por lo tanto, vale la
igualdad S = (S ) .
Ejemplo. Hallar el complemento ortogonal del subespacio

n
4 x1 + ix2 + x3 x4 = 0 o
S = (x1 , x2 , x3 , x4 ) C /
(1 i)x2 + x3 = 0
para el producto interno canonico.

Observamos que la condicion x1 +ix2 +x3 x4 = 0 puede reescribirse, utilizando el producto
interno canonico de C4 , en la forma h(x1 , x2 , x3 , x4 ), (1, i, 1, 1)i = 0. Analogamente, la
ecuacion (1 i)x2 + x3 = 0 puede reescribirse como h(x1 , x2 , x3 , x4 ), (0, 1 + i, 1, 0)i = 0.

Concluimos entonces que S = < (1, i, 1, 1), (0, 1 + i, 1, 0) > y, por lo tanto, aplicando
la proposicion anterior resulta que

S = (< (1, i, 1, 1), (0, 1 + i, 1, 0) > ) = < (1, i, 1, 1), (0, 1 + i, 1, 0) >.
8.2.3 Proyeccion ortogonal

Dado un subespacio S de un espacio vectorial V de dimension finita con producto interno,
como S S = V , se puede considerar el proyector pS : V V cuya imagen es S y cuyo
nucleo es S (ver Seccion 3.4).
Definicion 8.26 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno y
sea S V un subespacio. Se define la proyeccion ortogonal sobre S como la transformacion
lineal pS : V V que satisface:
pS (s) = s s S
pS (t) = 0 t S
Observamos que si B = {v1 , . . . , vr , vr+1 , . . . , vn } es una base ortonormal de V tal que

{v1 , . . . , vr } es una base de S y {vr+1 , . . . , vn } una base de S , la proyeccion ortogonal sobre
S es la unica transformacion lineal pS : V V que satisface:
pS (vi ) = vi 1 i r y pS (vi ) = 0 r + 1 i n.
P
n
En consecuencia, para cada v V , recordando que v = hv, vi i. vi , resulta que
i=1
X
n Xn r
X
pS (v) = pS hv, vi i. vi = hv, vi i. pS (vi ) = hv, vi i. vi ,
i=1 i=1 i=1
lo que nos da una expresion para pS (v) en terminos de los vectores de la base ortonormal de
S.
Ejemplo. Sea S el subespacio de C3 dado por S = < (1, 0, i), (1, 1, 2 + i) >. Hallar la
proyeccion ortogonal pS : C3 C3 .
De acuerdo a lo calculado en el ejemplo de la pagina 200, el conjunto

n 1 i i 1 1 o
BS = , 0, , , ,
2 2 3 3 3
es una base ortonormal de S. Entonces, para cada x = (x1 , x2 , x3 ) C3 , vale

D 1 i E 1 i D i 1 1 E i 1 1
pS (x) = x, , 0, . , 0, + x, , , . , ,
2 2 2 2 3 3 3 3 3 3
x ix ix1 + x3 x1 + ix2 + ix3 ix1 + x2 + x3 ix1 + x2 + x3
1 3
= , 0, + , ,
2 2 3 3 3
5 i i i 1 1 i 1 5
= x1 + x2 x3 , x1 + x2 + x3 , x1 + x2 + x3 .
6 3 6 3 3 3 6 3 6
Notar que si {w1 , . . . , wr } es una base ortogonal de S, de la formula hallada mas arriba
Xr
hv, wi i
para pS se desprende que pS (v) = wi para cada v V .
i=1
kwi k2
Observacion 8.27 Sea V un espacio vectorial de dimension finita con producto interno y
sea S un subespacio de V . Entonces pS + pS = idV .
En efecto, si B = {v1 , . . . , vr , vr+1 , . . . , vn } es una base ortonormal de V tal que

{v1 , . . . , vr } es una base de S y {vr+1 , . . . , vn } es una base de S , para cada v V se tiene que
Pr P
n P
n
pS (v) = hv, vi i. vi y pS (v) = hv, vi i. vi . Entonces pS (v) + pS (v) = hv, vi i. vi = v.
i=1 i=r+1 i=1
8.2.4 Distancia de un punto a un subespacio

A continuacion nos concentraremos en el estudio del siguiente problema: dado un subespacio
S de un espacio vectorial V de dimension finita con producto interno y un punto p V ,
encontrar, si es posible, el punto de S que se encuentra a menor distancia de p. Por ejemplo,
si S es una recta en R2 , dicho punto es el unico s S tal que el segmento de s a p es
perpendicular a S. En lo que sigue, generalizamos esta idea a un espacio vectorial y un
subespacio arbitrarios.
Comenzamos introduciendo el concepto de distancia de un punto a un conjunto.
Definicion 8.28 Sea (V, h, i) un espacio vectorial con producto interno y sea S V . Para
cada v V se define la distancia de v a S como
d(v, S) = inf{d(v, s) : s S} = inf{kv sk : s S}.

La proyeccion ortogonal nos permitira resolver el problema enunciado al comienzo y cal-

cular la distancia de un punto a un subespacio.
Proposicion 8.29 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno
y sea S V un subespacio. Entonces para cada v V , d(v, S) = kv pS (v)k. En otras
palabras, el punto de S a menor distancia de v es pS (v).
Demostracion. Sea B = {v1 , . . . , vr , vr+1 , . . . , vn } una base ortonormal de V tal que

{v1 , . . . , vr } es una base de S.
P
n P
r
Sea v V . Se tiene que v = hv, vi i. vi y pS (v) = hv, vi i. vi . Por otro lado, para cada
i=1 i=1
P
r
s S, vale s = hs, vi i.vi . Entonces
i=1
n
X r
X r
X n
X
vs= hv, vi i. vi hs, vi i. vi = hv s, vi i. vi + hv, vi i. vi
i=1 i=1 i=1 i=r+1
y, en consecuencia,
r
X n
X n
X
kv sk2 = |hv s, vi i|2 + |hv, vi i|2 |hv, vi i|2 .
i=1 i=r+1 i=r+1
Ademas, la igualdad vale si y solo si

r
X
|hv s, vi i|2 = 0 |hv s, vi i| = 0 1 i r hs, vi i = hv, vi i 1 i r,
i=1
es decir, para
r
X r
X
s= hs, vi i.vi = hv, vi i. vi = pS (v).
i=1 i=1
Luego, el punto de S a menor distancia de v es pS (v) y d(v, S) = kv pS (v)k.
Como consecuencia de la Observacion 8.27 y de la proposicion anterior se deduce:
Observacion 8.30 Sea V un espacio vectorial de dimension finita con producto interno y
sea S un subespacio de V . Entonces, para cada v V , vale d(v, S) = kpS (v)k.
Ejemplo. Sea S = {x R3 / 2x1 + 2x2 x3 = 0}. Hallar la distancia de (1, 1, 2) a S y el

punto de S mas cercano a (1, 1, 2).
Sabemos que d((1, 1, 2), S) = kpS (1, 1, 2)k. Calculamos entonces pS (1, 1, 2).

En primer lugar, observemos que S = {x R3 : hx, (2, 2, 1)i = 0} = < (2, 2, 1) > , de
donde S = < (2, 2, 1) >. Luego, {(2, 2, 1)} es una base (ortogonal) de S . Entonces
h(1, 1, 2), (2, 2, 1)i 2 4 4 2
pS (1, 1, 2) = . (2, 2, 1) = . (2, 2, 1) = , , ,
k(2, 2, 1)k2 9 9 9 9
y 4 4 2 2

d((1, 1, 2), S) = kpS (1, 1, 2)k = , , = .
9 9 9 3
El punto de S mas cercano a (1, 1, 2) es pS (1, 1, 2), que podemos calcular como
4 4 2 13 5 16
pS (1, 1, 2) = (1, 1, 2) pS (1, 1, 2) = (1, 1, 2) , , = , , .
9 9 9 9 9 9
8.3 Endomorfismos en espacios vectoriales con producto

interno
8.3.1 Adjunta de una transformacion lineal
En lo que sigue, le asociaremos a cada endomorfismo f de un espacio vectorial V de dimension
finita con producto interno, otra transformacion lineal f : V V .
Definicion 8.31 Sea (V, h, i) un espacio vectorial con producto interno y sea f : V V
una transformacion lineal. Se llama adjunta de f , y se nota f , a una transformacion lineal
f : V V tal que
hf (v), wi = hv, f (w)i v, w V.
Ejemplo. Consideremos C2 con el producto interno canonico. Sea f : C2 C2 la transfor-

macion lineal definida por f (x, y) = (x + iy, 2x (1 + i)y). Se tiene que
hf (x, y), (z, w)i = h(x + iy, 2x (1 + i)y), (z, w)i

= (x + iy) z + (2x (1 + i)y) w
= x (z + 2w) + y (iz (1 + i)w)
= x (z + 2w) + y (iz + (1 + i)w)
= h(x, y), (z + 2w, iz + (1 + i)w)i.
Entonces, la funcion f : C2 C2 definida por f (z, w) = (z + 2w, iz + (1 + i)w)

satisface hf (x, y), (z, w)i = h(x, y), f (z, w)i para todo par de vectores (x, y), (z, w) en C2 .
Observar que, si E es la base canonica de C2 , entonces

1 i 1 2
|f |E = y |f |E = ,
2 1 i i 1 + i
y, por lo tanto, |f |E es la matriz transpuesta y conjugada de |f |E .
El siguiente resultado prueba la existencia y unicidad de la adjunta para endomorfismos

en espacios vectoriales de dimension finita con producto interno.
8.3 Endomorfismos en espacios vectoriales con producto interno 207
y sea f : V V una transformacion lineal. Entonces existe una unica transformacion lineal
f : V V que satisface hf (v), wi = hv, f (w)i v, w V .
Demostracion.
Unicidad. Supongamos que f : V V y fe : V V son dos transformaciones lineales que
verifican la propiedad del enunciado.
Fijemos w V . Para cada v V , se tiene que
hf (v), wi = hv, f (w)i y hf (v), wi = hv, fe (w)i.
Entonces hv, f (w)i hv, fe (w)i = 0 para todo v V o, equivalentemente,
hv, f (w) fe (w)i = 0 v V.
En particular, tomando v = f (w) fe (w) resulta que hf (w) fe (w), f (w) fe (w)i = 0,
lo que implica que f (w) fe (w) = 0. Luego, f (w) = fe (w).
Como esto vale para cada w V , concluimos que f = fe .
Existencia. Sea {v1 , . . . , vn } una base ortonormal de V . Si existe f : V V con las

condiciones del enunciado, para cada w V debe cumplirse
n
X n
X n
X n
X
f (w) = hf (w), vi i vi = hvi , f (w)i vi = hf (vi ), wi vi = hw, f (vi )i vi .
i=1 i=1 i=1 i=1
P
n
Definimos entonces f : V V como f (w) = hw, f (vi )i vi .
i=1
Veamos que la funcion f que definimos es una transformacion lineal que cumple la
propiedad del enunciado:
f es una transformacion lineal:

Para w, w0 V , se tiene que
n
X n
X
f (w + w0 ) = hw + w0 , f (vi )i vi = (hw, f (vi )i + hw0 , f (vi )i) vi
i=1 i=1
n
X n
X
= hw, f (vi )i vi + hw0 , f (vi )i vi = f (w) + f (w0 ).
i=1 i=1
Para C (o R), w V , vale

n
X n
X
f ( w) = hw, f (vi )i vi = hw, f (vi )i vi = f (w).
i=1 i=1
Para todo par de vectores v, w V , vale hf (v), wi = hv, f (w)i:

Pn P
n
Sean v, w V . Se tiene que v = hv, vi i vi y entonces f (v) = hv, vi i f (vi ). Obser-
i=1 i=1
vamos que
DX
n E Xn
hf (v), wi = hv, vi if (vi ), w = hv, vi i hf (vi ), wi.
i=1 i=1
Por otro lado,

DX
n n
X E n
X D X n E

hv, f (w)i = hv, vi i vi , hw, f (vj )i vj = hv, vi i vi , hw, f (vj )i vj
i=1 j=1 i=1 j=1
n
X X
n n
X
= hv, vi i hw, f (vj )ihvi , vj i = hv, vi ihw, f (vi )i
i=1 j=1 i=1
n
X
= hv, vi i hf (vi ), wi.
i=1
Concluimos entonces que hf (v), wi = hv, f (w)i.
A partir de la matriz de un endomorfismo f : V V en una base ortonormal de V , puede

obtenerse facilmente la matriz de su adjunta en la misma base:
y sea f : V V una transformacion lineal. Sea B una base ortonormal de V . Entonces
|f |B = (|f |B ) .
Demostracion. Supongamos que B = {v1 , . . . , vn } es la base ortonormal dada de V . Entonces,

para cada 1 i, j n,
(|f |B )ij = hf (vj ), vi i = hvi , f (vj )i = hf (vi ), vj i = (|f |B )ji = ((|f |B ) )ij ,
de donde concluimos que |f |B = (|f |B ) .
Este resultado puede utilizarse para hallar la adjunta de una transformacion lineal:
Ejemplo. Sea f : C3 C3 la transformacion lineal definida por

f (x, y, z) = (x + iy iz, (2 + i)x + iy + z, (1 + i)y + 2z).
Hallar f para el producto interno canonico de C3 .
Consideremos la base canonica E de C3 , que es una base ortonormal para el producto
interno canonico. Se tiene que

1 i i
|f |E = 2 + i i 1 .
0 1+i 2
Por la proposicion anterior,

1 2i 0
|f |E = (|f |E ) = i i 1 i .
i 1 2
Luego, f (x, y, z) = (x + (2 i)y, ix iy + (1 i)z, ix + y + 2z).
8.3.2 Transformaciones autoadjuntas y matrices hermitianas

En esta seccion estudiaremos una clase particular de transformaciones lineales en espacios con
producto interno: las transformaciones lineales f : V V cuya adjunta coincide con f .
Definicion 8.34 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno
y sea f : V V una transformacion lineal. Se dice que f es autoadjunta si f = f .
Esta definicion puede reescribirse en terminos de la transformacion lineal y el producto

interno del espacio considerado:
Observacion 8.35 Una transformacion lineal f : V V es autoadjunta si y solo si
hf (x), yi = hx, f (y)i x, y V.
En lo que sigue veremos que la matriz de una transformacion lineal autoadjunta en una base
ortonormal tiene cierta estructura particular. Mas precisamente, las matrices involucradas
seran del siguiente tipo:
Definicion 8.36 Una matriz A Rnn se dice simetrica si Aij = Aji 1 i, j n o,

equivalentemente, si A = At . Una matriz A Cnn se dice hermitiana si Aij = Aji 1
i, j n o, equivalentemente, si A = A .
y sea f : V V una transformacion lineal. Son equivalentes:
i) f es autoadjunta.
ii) B base ortonormal de V , |f |B es hermitiana.
iii) B base ortonormal de V tal que |f |B es hermitiana.
Demostracion. La equivalencia de los tres enunciados se deduce de la Proposicion 8.33 y la

definicion de transformacion lineal autoadjunta.
Diagonalizacion de transformaciones lineales autoadjuntas
A continuacion nos concentraremos en el estudio de la diagonalizacion de transformaciones

lineales autoadjuntas. Probaremos que si f : V V es una transformacion lineal autoadjunta,
entonces f es diagonalizable. Mas aun, veremos que existe una base ortonormal de V formada
por autovectores de f y que todos sus autovalores son reales.
Comenzamos con el estudio de los autovalores:
Proposicion 8.38 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno.
Sea f : V V una transformacion lineal autoadjunta. Entonces, el polinomio caracterstico
de f tiene todas sus races en R.
Demostracion. Consideraremos por separado los casos en que f esta definida en un C-espacio
vectorial o en un R-espacio vectorial.
Si V es un C-espacio vectorial:
Sea C una raz de Xf . Entonces, es un autovalor de f . Sea v V un autovector
de f de autovalor C. Se tiene que
. kvk2 = . hv, vi = hv, vi = hf (v), vi = hv, f (v)i = hv, vi = . kvk2 .
Como kvk 6= 0, resulta que = , es decir, R.

Si V es un R-espacio vectorial:
Sea B una base ortonormal de V y sea A = |f |B Rnn . Como f es autoadjunta, A
es una matriz simetrica.
Si C es raz del polinomio caracterstico de f , entonces C es un autovalor de A
considerada como matriz en Cnn . Entonces existe x Cn autovector de A asociado al
autovalor . Si consideramos Cn con el producto interno canonico, entonces
. kxk2 = hx, xi = hAx, xi = hx, Axi = hx, xi = . kxk2 ,
de donde = y, por lo tanto R.
Esta proposicion nos dice, en particular:
Observacion 8.39 Sea A Cnn una matriz hermitiana. Entonces todas las races del
polinomio caracterstico de A son reales.
Probamos ahora un resultado sobre diagonalizacion de transformaciones lineales autoad-

juntas:
Teorema 8.40 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno.
Sea f : V V una transformacion lineal autoadjunta. Entonces existe una base ortonormal
B de V tal que |f |B es diagonal real.
Demostracion. Por induccion en n = dim V :

Para n = 1, el resultado es inmediato.
Sea n = dim V > 1 y supongamos que la propiedad vale para transformaciones lineales
autoadjuntas definidas en espacios de dimension n 1.
Sea f : V V una transformacion lineal autoadjunta.
Por la proposicion anterior, existe R autovalor de f . Sea v un autovector asociado al
v
autovalor y sea w = kvk , que es un autovector de norma 1 asociado al mismo autovalor.
Sea S = < w > . Se tiene que S es un subespacio de V con dim S = n 1. Ademas, S
es f -invariante, puesto que para cada x S se tiene que
hf (x), wi = hx, f (w)i = hx, wi = hx, wi = 0,
de donde f (x) < w > = S.

Consideremos S con el producto interno obtenido por la restriccion a S del producto
interno de V , y la transformacion lineal f|S : S S, que resulta autoadjunta. Por hipotesis
inductiva, existe una base ortonormal B 0 de S tal que |f|S |B 0 es diagonal real.
Sea B = {w} B 0 . Entonces, B es una base ortonormal de V y

0
|f |B =
0 |f|S |B 0
es una matriz diagonal real.
A partir de este teorema es posible deducir un resultado analogo sobre diagonalizacion de

matrices hermitianas:
Observacion 8.41 Sea A Cnn una matriz hermitiana. Entonces, si se considera Cn con el
producto interno canonico, la transformacion lineal fA : Cn Cn , definida por fA (x) = A.x,
es autoadjunta y, si E es la base canonica de Cn , |fA |E = A.
Por la proposicion anterior, existe una base ortonormal B de Cn tal que |fA |B = D es
diagonal real. Entonces
C(B, E)1 . A. C(B, E) = D.
Ademas, como E y B son bases ortonormales de Cn , la matriz de cambio de base satisface:
(C(B, E)1 )ij = C(E, B)ij = hej , vi i = hvi , ej i = C(B, E)ji = (C(B, E) )ij
para todo 1 i, j n. En consecuencia, C(B, E)1 = C(B, E) .

Analogamente, si A Rnn es una matriz simetrica, la transformacion lineal fA : Rn
Rn es autoadjunta para el producto interno canonico de Rn y, por lo tanto, existe una base
ortonormal B de Rn tal que |fA |B = D Rnn es diagonal. En este caso, la matriz de cambio
de base que da la igualdad C(B, E)1 . A. C(B, E) = D cumple: C(B, E)1 = C(B, E)t .

Definicion 8.42 Una matriz U Cnn se dice unitaria si es inversible y U 1 = U . Una

matriz O Rnn se dice ortogonal si es inversible y O1 = O t .
Utilizando esta definicion, la Observacion 8.41 puede resumirse como sigue:
Corolario 8.43 Sea A Cnn una matriz hermitiana. Entonces existe una matriz unitaria
C Cnn tal que C . A. C es diagonal real.
Sea A Rnn una matriz simetrica. Entonces existe una matriz ortogonal O Rnn tal
que O t . A. O es diagonal.
El hecho que la matriz de cambio de base de una base ortonormal B de Cn (respectivamente

R ) a la base canonica de Cn (respectivamente Rn ) es una matriz unitaria (respectivamente
n
ortogonal) vale tambien para dos bases ortonormales cualesquiera:
Observacion 8.44 Sea (V, h, i) un espacio vectorial de dimension finita con producto in-
terno y sean B y B 0 bases ortonormales de V . Entonces C(B, B 0 ) es una matriz unitaria (u
ortogonal).
Supongamos que B = {v1 , . . . , vn } y B 0 = {w1 , . . . , wn }. Entonces, para cada 1 i, j n,

vale
(C(B, B 0 )1 )ij = C(B 0 , B)ij = hwj , vi i = hvi , wj i = C(B, B 0 )ji = (C(B, B 0 ) )ij ,
de donde C(B, B 0 )1 = C(B, B 0 ) , es decir, C(B, B 0 ) es una matriz unitaria.
8.3.3 Transformaciones unitarias y ortogonales

En esta seccion estudiaremos los endormorfismos de un espacio vectorial (V, h, i) que preser-
van el producto interno y, en particular, las distancias entre vectores. El siguiente teorema
caracteriza dichos endomorfismos.
Teorema 8.45 Sea (V, h, i) un espacio vectorial de dimension finita con producto interno y
sea f : V V una transformacion lineal. Son equivalentes:
i) Existe una base ortonormal B de V tal que f (B) es una base ortonormal de V .
ii) hf (v), f (w)i = hv, wi v, w V .
iii) Para toda base ortonormal B de V , f (B) es una base ortonormal de V .
iv) kf (v)k = kvk v V .
v) f f = f f = idV .
Definicion 8.46 Sea (V, h, i) un espacio vectorial con producto interno. Una transformacion
lineal f : V V que cumple las condiciones equivalentes del Teorema 8.45 se dice unitaria si
V es un C-espacio vectorial, u ortogonal si V es un R-espacio vectorial.
Demostracion del Teorema 8.45. Probaremos que i) ii) iii) i), ii) iv) y ii) v).
i) ii) Sea B = {v1 , . . . , vn } una base ortonormal de V tal que f (B) = {f (v1 ), . . . , f (vn )}
P n
es tambien una base ortonormal de V . Entonces, si v, w V con v = i vi y
i=1
P
n
w= i vi , como B y f (B) son bases ortonormales de V , se tiene que
i=1
DX
n n
X E n
X
hv, wi = i vi , j vj = i i
i=1 j=1 i=1
DXn n
X E n
X
hf (v), f (w)i = i f (vi ), j f (vj ) = i i ,
i=1 j=1 i=1
de donde hv, wi = hf (v), f (w)i.
ii) iii) Sea B = {v1 , . . . , vn } una base ortonormal de V . Consideramos el conjunto f (B) =
{f (v1 ), . . . , f (vn )}. Se tiene que
hf (vi ), f (vi )i = hvi , vi i = 1 1 i n

hf (vi ), f (vj )i = hvi , vj i = 0 1 i, j n, i 6= j.
Luego, f (B) es una base ortonormal de V .
iii) i) No hay nada que probar.

1 1
ii) iv) Para cada v V , se tiene que kf (v)k = hf (v), f (v)i 2 = hv, vi 2 = kvk, donde la
segunda igualdad es consecuencia de la hipotesis ii).
iv) ii) Sean v, w V . Aplicando la primera de las identidades de polarizacion (ver

Proposicion 8.6) resulta, si V es un espacio vectorial real,
1 1
hf (v), f (w)i = kf (v) + f (w)k2 kf (v) f (w)k2
4 4
1 1
= kf (v + w)k kf (v w)k2
2
4 4
1 1
= kv + wk kv wk2
2
4 4
= hv, wi.
En el caso en que V es un espacio vectorial complejo, la igualdad se prueba analogamente

utilizando la segunda de las identidades de polarizacion.
ii) v) Sea v V . Para cada w V , se tiene que
hf f (v), wi = hf (f (v)), wi = hf (v), f (w)i = hv, wi,

lo que implica que hf f (v) v, wi = 0. Tomando w = f f (v) v, resulta que

hf f (v) v, f f (v) vi = 0, de donde concluimos que f f (v) = v.
En consecuencia, f f = idV . Como V es de dimension finita, esto implica que tambien
vale f f = idV .
v) ii) Para v, w V , se tiene que hf (v), f (w)i = hv, f (f (w))i = hv, f f (w)i =
hv, idV (w)i = hv, wi.
La proposicion siguiente nos da la relacion entre transformaciones lineales unitarias (or-

togonales) y matrices unitarias (ortogonales).
y sea B una base ortonormal de V . Sea f : V V una trasformacion lineal. Entonces
f es unitaria (ortogonal) |f |B es unitaria (ortogonal).
Demostracion. Haremos la demostracion para transformaciones lineales y matrices unitarias

(el otro caso es totalmente analogo). Sea n = dim V .
() Si f es unitaria, entonces f f = f f = idV . Para una base ortonormal B de V se

tiene que
In = |f f |B = |f |B |f |B = (|f |B ) |f |B .
En consecuencia, |f |B es inversible y (|f |B )1 = (|f |B ) , con lo que es una matriz
unitaria.
() Si |f |B es unitaria, |f |1
B = (|f |B ) , de donde resulta que |f f |B = |f f |B = In y,

por lo tanto, f f = f f = idV .
8.3.4 Clasificacion de transformaciones ortogonales

Para terminar, estudiaremos mas en detalle las transformaciones ortogonales en un espacio
eucldeo V . Veremos que dada f : V V ortogonal, existe una base ortonormal de V en
la que la matriz de f tiene cierta estructura particular. Esto nos permitira clasificar las
transformaciones ortogonales.
A lo largo de esta seccion, V denotara un espacio eucldeo, es decir, un espacio vectorial
real de dimension finita con producto interno.
En primer lugar, probamos dos resultados acerca de los autovalores de una transformacion
ortogonal y de sus subespacios invariantes.
Lema 8.48 Sea f : V V una transformacion lineal ortogonal y sea R un autovalor de

f . Entonces = 1.
Demostracion. Si R es autovalor de f , existe v V , v 6= 0, tal que f (v) = .v. Como f

es ortogonal vale kf (v)k = kvk. Entonces
kvk = kf (v)k = k.vk = ||.kvk,
de donde resulta que || = 1 puesto que v 6= 0. Luego, = 1.
Lema 8.49 Sea f : V V una transformacion lineal ortogonal. Sea S V un subespacio

f -invariante. Entonces S es f -invariante.
Demostracion. Sea x S . Veamos que f (x) S : Sea s S. Se tiene que f|S : S S es

una transformacion lineal ortogonal, lo que implica que es un isomorfismo. Entonces existe
se S tal que s = f (e
s) y, en consecuencia,
hf (x), si = hf (x), f (e
s)i = hx, sei = 0.
En conclusion, hf (x), si = 0 para todo s S. Luego, f (x) S .
Clasificacion de transformaciones ortogonales en un espacio de dimension 2
En lo que sigue, daremos una caracterizacion para las trasformaciones lineales ortogonales
definidas en espacios vectoriales de dimension 2. En particular, clasificaremos las transforma-
ciones ortogonales en R2 .
Sea V un espacio eucldeo con dim V = 2 y sea f : V V una transformacion lineal
ortogonal.
Sea B = {v1 , v2 } una base ortonormal de V . Entonces {f (v1 ), f (v2 )} es una base ortonor-
mal de V y, si
f (v1 ) = v1 + v2 y f (v2 ) = 0 v1 + 0 v2 ,
resulta que {(, ), (0 , 0 )} es una base ortonormal de R2 , es decir,
k(, )k = k(0 , 0 )k = 1 y 0 + 0 = 0.
De estas condiciones se desprende que 2 + 2 = 1 y que (0 , 0 ) = (, ) o (0 , 0 ) = (, ).

En consecuencia, la matriz de f en la base B es de alguna de las dos formas siguientes:

(1) |f |B = o (2) |f |B = .

(1) En este caso se tiene que Xf = (X )2 + 2 = X 2 2X + 1.

Si = 1, entonces f = idV . Si no, Xf no tiene races reales.
Por otro lado, como k(, )k = 1, existe [0, 2) tal que = cos , = sen . Luego

cos sen
|f |B = .
sen cos
Eventualmente cambiando la base {v1 , v2 } por {v1 , v2 } se puede tomar [0, ].

(2) Como |f |B es simetrica, existe una base ortonormal B 0 de V tal que |f |B 0 es diagonal.
Puesto que Xf = (X )(X + ) 2 = X 2 1 = (X 1)(X + 1) se puede tomar B 0
tal que
1 0
|f |B 0 = .
0 1
Observamos que si B 0 = {w1 , w2 } entonces f (w1 ) = w1 y f (w2 ) = w2 .
En el caso en que V = R2 , clasificaremos las transformaciones lineales ortogonales en los

siguientes tipos:
Definicion 8.50 i) Sea f : R2 R2 una transformacion lineal ortogonal. Se dice que f

es una rotacion si det(f ) = 1.
ii) Sea f : R2 R2 una transformacion ortogonal. Sea H R2 un subespacio de dimension
1. Se dice que f es una simetra respecto de H si f|H = idH y f|H = idH .
De nuestro analisis anterior se deduce que:
Observacion 8.51 Sea f : R2 R2 una transformacion lineal ortogonal. Entonces f es una

rotacion o f es una simetra.
Vimos que si f es una transformacion ortogonal, existe una base ortonormal B = {v1 , v2 }
de R2 tal que

cos sen 1 0
|f |B = o |f |B = .
sen cos 0 1
En el primer caso, det(|f |B ) = 1, con lo cual, f es una rotacion.

En el segundo caso, f (v1 ) = v1 y f (v2 ) = v2 . Ademas, < v1 > = < v2 >. Luego, f es
una simetra respecto del subespacio < v1 >.
Ejemplos.
1. Hallar la simetra f : R2 R2 respecto de la recta L de ecuacion x + y = 0.
Tenemos que L = < (1, 1) > y L = < (1, 1) >. Definimos f : R2 R2 en la base
{(1, 1), (1, 1)} como sigue:
f (1, 1) = (1, 1)
f (1, 1) = (1, 1).
Entonces f|L = idL y f|L = idL , lo que dice que f es la simetra respecto de la recta
L.
Se tiene que f (x, y) = (y, x) para cada (x, y) R2 .
2. Hallar una rotacion f : R2 R2 tal que f (2, 1) = (1, 2).

En primer lugar, observemos que kf (2, 1)k = k(1, 2)k = 5 = k(2, 1)k (recordar que
una transformacion ortogonal debe cumplir kf (v)k = kvk para cada vector v).
Vemos a definir f en una base ortonormal de R2 . Para esto, consideramos el vector
(2,1)
2 1 2
k(2,1)k = ( 5 , 5 ) y construimos una base ortonormal de R que lo contiene:
n 2 1 1 2 o
B= , , , .
5 5 5 5
La condicion f (2, 1) = (1, 2) equivale a f ( 25 , 15 ) = ( 15 , 25 ). Escribimos este vector
como combinacion lineal de la base B:
1 2 4 2 1 3 1 2
, = , + , .
5 5 5 5 5 5 5 5
Esto implica que la primera columna de la matriz |f |B de una transformacion lineal f
que verifique las condiciones del enunciado es ( 45 , 53 )t . Teniendo en cuenta la estructura
de la matriz de una rotacion en una base ortonormal, concluimos que debe ser
4 3
5 5
|f |B = .
3 4
5 5
En consecuencia, debe ser
1 2 3 2 1 4 1 2 2 1
f , = , + , = , .
5 5 5 5 5 5 5 5 5 5
Consideramos entonces la transformacion lineal f : R2 R2 definida como:

2 1 1 2
f , = ,
5 5 5 5
1 2 2 1
f , = , .
5 5 5 5
Observamos que f es una transformacion ortogonal, puesto que la imagen por f de
una base ortonormal es una base ortonormal. Ademas, f es una rotacion, porque
det(|f |B ) = 1. La condicion f (2, 1) = (1, 2) se deduce de la definicion en el primer
vector de la base.
Clasificacion de transformaciones ortogonales en un espacio de dimension 3
En lo que sigue, daremos una caracterizacion de las transformaciones ortogonales definidas

en un espacio eucldeo V de dimension 3.
En el caso en que V = R3 , para hacer esta clasificacion nos interesaran particularmente
las transformaciones lineales ortogonales que introducimos en la definicion siguiente.
Definicion 8.52 i) Sea f : R3 R3 una transformacion lineal ortogonal. Se dice que f

es una rotacion si det(f ) = 1.
ii) Sea f : R3 R3 una transformacion ortogonal. Sea H R3 un subespacio de dimension

2. Se dice que f es una simetra respecto de H si f|H = idH y f|H = idH .
Sea V un espacio eucldeo con dim V = 3 y sea f : V V una transformacion lineal

ortogonal.
Se tiene que Xf R[X] y grXf = 3. Entonces, Xf tiene una raz en R, es decir, f tiene
un autovalor real . Por el Lema 8.48, = 1 o = 1.
Si = 1 es autovalor de f :
Sea v1 un autovector de f asociado al autovalor 1 con kv1 k = 1 (si kv1 k 6= 1, lo dividimos
por su norma). Entonces S = < v1 > es un subespacio invariante por f . Por el Lema
8.49, S es f -invariante.
Consideremos S con el producto interno inducido por el producto interno de V . En-
tonces f|S : S S es una transformacion ortogonal en un espacio eucldeo con
dim S = 2. En consecuencia, existe una base ortonormal B1 = {v2 , v3 } de S tal que
vale alguna de las dos igualdades siguientes:

cos sen
(1) |f|S |B1 = , con [0, ],
sen cos

1 0
(2) |f|S |B1 = .
0 1
Sea B = {v1 , v2 , v3 }. Entonces B es una base ortonormal de V y vale alguna de las dos
igualdades siguientes:

1 0 0
(1) |f |B = 0 cos sen , con [0, ],
0 sen cos

1 0 0
(2) |f |B = 0 1 0 .
0 0 1
En particular, vemos que si V = R3 :
Si la matriz |f |B es como en (1), entonces f es una rotacion. En este caso, al

subespacio < v1 > se lo llama el eje de la rotacion.
Si la matriz |f |B es como en (2), entonces f es una simetra respecto del subespacio
H = < v1 , v2 >.
Si = 1 no es autovalor de f , entonces = 1 lo es. Sea v1 un autovector de f de

autovalor 1 con kv1 k = 1, y sea S = < v1 >. De manera analoga a lo hecho en el
caso anterior, se considera S , que es un subespacio f -invariante de dimension 2, y la
restriccion f|S : S S resulta una transformacion lineal ortogonal. Como 1 no es

autovalor de f , existe una base ortonormal B1 = {v2 , v3 } de S tal que

cos sen
|f|S |B1 = , con (0, ].
sen cos
Entonces B = {v1 , v2 , v3 } es una base ortonormal de V tal que

1 0 0
|f |B = 0 cos sen , con (0, ].
0 sen cos
Vemos que en el caso en que V = R3 , f es una rotacion compuesta con una simetra,
puesto que:
1 0 0 1 0 0
|f |B = 0 1 0 . 0 cos sen .
0 0 1 0 sen cos
| {z } | {z }
simetra rotacion
Resumimos los resultados obtenidos sobre transformaciones lineales ortogonales en R3 :
Observacion 8.53 Sea f : R3 R3 una transformacion lineal ortogonal. Entonces f es una

rotacion o una simetra o una composicion de una simetra y una rotacion.
Ejemplo. Definir una rotacion f : R3 R3 tal que f (1, 1, 0) = (0, 1, 1) y tal que el eje de la
rotacion sea ortogonal a (1, 1, 0) y (0, 1, 1).
Sea H = < (1, 1, 0), (0, 1, 1) > el subespacio de R3 de dimension 2 que contiene a (1, 1, 0)
y a (0, 1, 1).
Consideremos H = {(x1 , x2 , x3 ) R3 : x1 + x2 = 0, x2 + x3 = 0} = < (1, 1, 1) >.
Queremos definir f de manera que H sea el eje de la rotacion, es decir, que f|H = idH .
En primer lugar, construimos una base ortonormal de R3 que contenga una base de H
y una base de H:
n 1 1 1 1 1 1 1 2 o
B= , , , , ,0 , , , .
3 3 3 2 2 6 6 6
| {z } | {z }
base de H base de H
Definimos f en los primeros vectores de la base como sigue:

1 1 1 1 1 1
(a) f , , = , ,
3 3 3 3 3 3
1 1
1 1 1 1 1 3 1 1 2
(b) f , , 0 = 0, , = , ,0 + , ,
2 2 2 2 2 2 2 2 6 6 6
De esta manera, tendremos que la matriz de f en la base B es de la forma

1 0
1
0
|f |B =

2

3
0
2
Para que la matriz tenga la estructura del tem (1) de la pagina 218, definimos
1 1
1 3 1 1 1 1 1 2
(c) f , , = , ,0 + , , .
6 6 6 2 2 2 2 6 6 6
En conclusion, f : R3 R3 es la transformacion lineal definida por (a), (b) y (c). La condicion

(b) implica que f (1, 1, 0) = (0, 1, 1). Ademas, para la base ortonormal B considerada, se tiene
que

1 0 0

1 3
|f |B = 0 ,
2 2

3 1
0
2 2
de donde se desprende que f es una rotacion.
Clasificacion general de transformaciones lineales ortogonales
A continuacion generalizamos lo hecho en espacios de dimension 2 y 3 al caso general de

una transformacion lineal ortogonal definida en un espacio eucldeo V de dimension finita
arbitraria.
Teorema 8.54 Sea (V, h, i) un espacio eucldeo de dimension finita. Sea f : V V una
transformacion lineal ortogonal. Entonces existe una base ortonormal B de V tal que

In 1
In2

cos 1 sen 1

sen 1 cos 1
|f |B = (8.3)
..
.

cos r sen r
sen r cos r
con n1 , n2 N0 y i (0, ) para cada 1 i r (donde todos los coeficientes de la matriz

cuyos valores no estan indicados son cero).
Demostracion. Por induccion en n = dim V .

Ya vimos que el resultado vale para dim V = 2.

Sea n > 2 y supongamos que el resultado vale para transformaciones ortogonales definidas
en espacios de dimension menor que n. Sea V un espacio eucldeo tal que dim V = n y sea
f : V V una transformacion lineal ortogonal. Por el Lema 8.48, sabemos que los posibles
autovalores de f son 1 y 1.
Si = 1 es autovalor de f :
Sea v1 una autovector de f de autovalor 1 tal que kv1 k = 1 (si kv1 k 6= 1, lo dividimos
por su norma). Entonces S = < v1 > es un subespacio de V invariante por f , de donde
S tambien es invariante por f .
Consideremos f1 = f|S : S S , que es una transformacion lineal ortogonal definida
en un espacio eucldeo de dimension n1 (considerando en S la restriccion del producto
interno de V ). Por hipotesis inductiva, existe una base ortonormal B1 de S tal que
|f1 |B1 es de la forma (8.3).
Tomando B = {v1 } B1 , se obtiene una base ortonormal de V tal que
!
1 01(n1)
|f |B = ,
0(n1)1 |f1 |B1
que es de la forma (8.3).

Si = 1 no es autovalor de f , pero = 1 s lo es:
Tomando un autovector v1 de autovalor 1 con kv1 k = 1 y procediendo como en el caso
anterior, resulta que existe una base ortonormal B de V tal que la matriz |f |B es de la
forma (8.3) con n1 = 0 (es decir, sin unos en la diagonal).
Si f no tiene autovalores reales:
En este caso, el polinomio minimal de f tiene la forma mf = P1 .P2 . . . Pr , donde para
cada 1 i r, Pi R[X] es un polinomio irreducible de grado 2. Se tiene que
0 = mf (f ) = P1 (f ) P2 (f ) . . . Pr (f ).
Entonces, si definimos Q = P2 . . . Pr R[X], vale Q(f ) = P2 (f ) . . . Pr (f ) y, por lo
tanto,
(P1 (f ) Q(f ))(v) = 0 v V.
Como Q | mf y Q 6= mf , existe w V tal que Q(f )(w) 6= 0. Sea v = Q(f )(w) y
sea S = < v, f (v) >. Observamos que S es f -invariante, puesto que P1 (f )(v) = 0 y
gr(P1 ) = 2. Ademas, v no es autovector de f puesto que f no tiene autovalores, con lo
que dim(S) = 2.
Consideremos la restriccion f1 = f|S : S S, que es una transformacion lineal ortogonal
sin autovalores reales definida sobre un espacio eucldeo de dimension 2. Entonces existe
una base ortonormal BS de S tal que

cos 1 sen 1
|f1 |BS = con 1 (0, ).
sen 1 cos 1
Dado que S es f -invariante y f es ortogonal, entonces S es f -invariante. Sea f2 =

f|S : S S la restriccion, que es una transformacion ortogonal definida sobre un
espacio eucldeo con dim S = n2. Por hipotesis inductiva, existe una base ortonormal
BS de S tal que la matriz |f2 |BS tiene la forma (8.3). Ademas, como f no tiene
autovalores reales, f2 tampoco los tiene, y por lo tanto en esta matriz no aparecen 1 ni
1 en la diagonal. Luego

cos 2 sen 2
sen 2 cos 2

. ..
|f2 |BS =

cos r sen r
sen r cos r
con i (0, ) para todo 2 i r.

En consecuencia, tomando B = BS BS se obtiene una base ortonormal de V tal que

cos 1 sen 1

sen 1 cos 1

|f1 |BS 0 .
|f |B = = ..
0 |f2 |BS
cos r sen r
sen r cos r
con i (0, ) para cada 1 i r.
8.4 Ejercicios
Ejercicio 1. Sea V un espacio vectorial y sea h, i un producto interno sobre V . Probar:
i) hx, y + zi = hx, yi + hx, zi

ii) hx, cyi = c . hx, yi
iii) hx, yi = hx, zi x V y = z

Ejercicio 2. Sea V, h , i un espacio vectorial con producto interno. Probar que |hx, yi| =
kxk.kyk si y solo si {x, y} es un conjunto linealmente dependiente.
Ejercicio 3. Sea V un espacio vectorial. Demostrar que la suma de dos productos internos
sobre V es un producto interno sobre V .
Ejercicio 4. Sea V un espacio vectorial con producto interno y sea d la distancia asociada.
Demostrar que:
i) d(x, y) 0
8.4 Ejercicios 223
ii) d(x, y) = 0 x = y
iii) d(x, y) = d(y, x)
iv) d(x, y) d(x, z) + d(z, y)
Ejercicio 5. Determinar si las siguientes funciones son o no productos internos. En caso

afirmativo encontrar su matriz en la base canonica del espacio correspondiente.
i) : R2 R2 R, (x, y) = 2.x1 .y1 + 3.x2 .y1 x2 .y2 + 3.x1 .y2

ii) : R2 R2 R, (x, y) = x1 .y1 + x2 .y1 + 2.x2 .y2 3.x1 .y2
iii) : K 2 K 2 K, (x, y) = 2.x1 .y1 + x2 .y2 x1 .y2 x2 .y1 , con K = R y K = C
iv) : C2 C2 C, (x, y) = 2.x1 .y 1 + x2 .y 2 x1 .y 2 x2 .y 1
v) : C2 C2 C, (x, y) = 2.x1 .y 1 + (1 + i).x1 .y 2 + (1 + i).x2 .y 1 + 3.x2 .y 2
vi) : C2 C2 C, (x, y) = x1 .y 1 i.x1 .y 2 + i.x2 .y 1 + 2.x2 .y 2
vii) : K 3 K 3 K, (x, y) = 2.x1 .y 1 + x3 .y 3 x1 .y 3 x3 .y 1 , con K = R y K = C
viii) : K 3 K 3 K, (x, y) = 3.x1 .y 1 + x2 .y 1 + 2.x2 .y 2 + x1 .y 2 + x3 .y 3 , con K = R y
K=C
Ejercicio 6. Sea A R22 . Sea : R2 R2 R definida por (x, y) = y.A.xt . Probar

que es un producto interno sobre R2 si y solo si A = At , A11 > 0 y det(A) > 0.
Ejercicio 7. Determinar para que valores de a y b en R es
(x, y) = a.x1 .y1 + b.x1 .y2 + b.x2 .y1 + b.x2 .y2 + (1 + b).x3 .y3
un producto interno en R3 .
Ejercicio 8. Probar que las siguientes funciones definen productos internos sobre los espacios
vectoriales considerados:
i) h, i : K nn K nn K, hA, Bi = tr(A.B ), con K = R y K = C

R1
ii) h, i : C[0, 1] C[0, 1] R, hf, gi = 0 f (x).g(x) dx
iii) h, i : K n K n K, hx, yi = y. Q .Q. xt , con K = R y K = C
donde Q K nn es una matriz inversible.
iv) h, iT : V V K, hx, yiT = hT (x), T (y)i, con K = R y K = C
donde V y W son espacios vectoriales sobre K, h , i es un producto interno sobre W y
T : V W es un monomorfismo.
Ejercicio 9. Restringir el producto interno del item ii) del ejercicio anterior a Rn [X] y
calcular su matriz en la base B = {1, X, . . . , X n }.
Ejercicio 10.
i) Sea : R2 R2 R definida por (x, y) = x1 .y1 2.x1 .y2 2.x2 .y1 + 6.x2 .y2 .
a) Probar que es un producto interno.
b) Encontrar una base de R2 que sea ortonormal para .
ii) Encontrar una base de C2 que sea ortonormal para el producto interno definido en el
Ejercicio 5. vi).
Ejercicio 11. Sea V un espacio vectorial de dimension n y sea B = {v1 , . . . , vn } una base de
V.
i) Probar que existe un unico producto interno en V para el cual B resulta ortonormal.
ii) Hallarlo en los casos
a) V = R2 y B = {(1, 1), (2, 1)}
b) V = C2 y B = {(1, i), (1, i)}
c) V = R3 y B = {(1, 1, 1), (1, 1, 0), (0, 1, 1)}
d) V = C3 y B = {(1, i, 1), (0, 0, 1), (0, 1, i)}
Ejercicio 12. Hallar el complemento ortogonal de los siguientes subespacios de V :
i) V = R3 , S1 = {(x1 , x2 , x3 ) R3 / 2.x1 x2 = 0} para el producto interno canonico.

ii) V = R3 , S2 = < (1, 2, 1) >
a) Para el producto interno canonico.
b) Para el producto interno definido por hx, yi = x1 .y1 +2.x2 .y2 +x3 .y3 x1 .y2 x2 .y1 .
iii) V = C3 , S3 = < (i, 1, 1), (1, 0, i) >
para el producto interno h, iT definido en el Ejercicio 8. iv) con T : C3 C3

i 1 + i 0
T (x) = 1 i 0 . xt y h, i el producto interno canonico sobre C3 .
1 i+1 i

4 4 x1 + 2i.x2 x3 + (1 + i).x4 = 0
iv) V = C , S4 = (x1 , x2 , x3 , x4 ) C /
x2 + (2 i).x3 + x4 = 0
para el producto interno hx, yi = x1 .y 1 + 2.x2 .y 2 + x3 .y 3 + 3.x4 .y 4 .
v) V = R4 , S5 = < (1, 1, 0, 1), (1, 1, 1, 0), (2, 1, 1, 1) >
para el producto interno canonico.
8.4 Ejercicios 225
Ejercicio 13.
i) Hallar bases ortonormales para los subespacios del ejercicio anterior para cada uno de
los productos internos considerados.
ii) Definir explcitamente las proyecciones ortogonales sobre cada uno de dichos subespa-
cios.
iii) Hallar el punto de S5 mas cercano a (0, 1, 1, 0).
Ejercicio 14. Sean S1 , S2 y S3 los subespacios de R4 definidos por

(
x1 + x2 2.x3 = 0 n
x1 + x2 x3 + x4 = 0
S1 : x1 x2 = 0 S2 : S3 : {2.x1 + x2 + 2.x3 = 0
2.x1 + 2.x4 = 0
x2 x4 = 0
Encontrar una base ortonormal {v1 , v2 , v3 , v4 } de R4 tal que vi Si (i = 1, 2, 3). Por que
este problema tiene solucion?
Ejercicio 15. Se define h, i : Rn [X] Rn [X] R como

n
X k k
hf, gi = f .g .
n n
k=0
i) Probar que h, i es un producto interno.

ii) Para n = 2, calcular < X > .
Ejercicio 16.
i) Se considera Cnn con el producto interno hA, Bi = tr(A.B ). Hallar el complemento

ortogonal del subespacio de las matrices diagonales.
R1
ii) Se considera R3 [X] con el producto interno hf, gi = 1 f (x).g(x) dx. Aplicar el pro-
ceso de Gram-Schmidt a la base {1, X, X 2 , X 3 }. Hallar el complemento ortogonal del
subespacio S = < 1 >.
R1
iii) Se considera C[1, 1] con el producto interno hf, gi = 1 f (x).g(x) dx. Hallar el poli-
nomio de grado menor o igual que 3 mas proximo a la funcion f (x) = sen(x).
Sugerencia: Observar que basta considerar el subespacio S = < 1, x, x2, x3, sen(x) >.
R
iv) Se considera C[0, ] con el producto interno hf, gi = 0 f (x).g(x) dx.
a) Aplicar el proceso de Gram-Schmidt a la base B = {1, cos x, sen x}.
b) Sea S el subespacio de C[0, ] generado por B. Hallar el elemento de S mas
proximo a la funcion f (x) = x.
Ejercicio 17. Sea V un espacio vectorial con producto interno h, i. Sea W V un subespacio
/ W , entonces existe y V tal que y W y
de dimension finita de V . Probar que si x
hx, yi =
6 0.
Ejercicio 18. Calculo de volumenes. Consideremos Rn con el producto interno canonico h, i.

El area del paralelogramo P (v1 , v2 ) que definen dos vectores v1 y v2 linealmente indepen-
dientes en Rn se puede calcular con la formula base por altura, o sea, kv1 k. kp<v1 > (v2 )k.
El volumen del paraleleppedo P (v1 , v2 , v3 ) que definen tres vectores v1 , v2 , v3 linealmente
independientes en Rn sera area de la base por altura, o sea,
kv1 k. kp<v1 > (v2 ) k. kp<v1 ,v2 > (v3 )k.
Si esto se generaliza a k vectores linealmente independientes en Rn , el volumen del paralele-

ppedo P (v1 , . . . , vk ) sera
kv1 k. kp<v1 > (v2 )k. kp<v1 ,v2 > (v3 )k . . . kp<v1 ,...,vk1 > (vk )k.
Se define entonces recursivamente el volumen del paraleleppedo P (v1 , . . . , vk ) definido por

los vectores linealmente independientes v1 , . . . , vk Rn como:
(
vol(P (v1 )) = kv1 k
vol(P (v1 , . . . , vk )) = vol(P (v1 , . . . , vk1 )). kp<v1 ,...,vk1 > (vk )k para k 2.
Vamos a probar que el volumen del paraleleppedo definido por los vectores linealmente
independientes v1 , . . . , vn en Rn es igual a | det(A)|, donde A Rnn es la matriz cuyas
columnas son los vectores v1 , . . . , vn .
i) Dados v1 , . . . , vk Rn se define G(v1 , . . . , vk ) Rkk como G(v1 , . . . , vk )ij = hvi , vj i.

Probar que:
a) Si vk < v1 , . . . , vk1 >, entonces det(G(v1 , . . . , vk )) = 0.

b) Si vk < v1 , . . . , vk1 > , entonces
det(G(v1 , . . . , vk )) = det(G(v1 , . . . , vk1 )). kvk k2 .
c) det(G(v1 , . . . , vk )) = det(G(v1 , . . . , vk1 )). kp<v1 ,...,vk1 > (vk )k2 .
ii) Probar que, si v1 , . . . , vk son vectores linealmente independientes,

2
(vol(P (v1 , . . . , vk ))) = det(G(v1 , . . . , vk )).
iii) Sean v1 , . . . , vn Rn linealmente independientes y sea A Rnn la matriz cuyas

columnas son los vectores v1 , . . . , vn . Probar que G(v1 , . . . , vn ) = At . A. Deducir que
vol(P (v1 , . . . , vn )) = | det(A)|.
iv) Calcular el area del paralelogramo definido por los vectores (2, 1) y (4, 5) en R2 .
Calcular el volumen del paraleleppedo definido por (1, 1, 3), (1, 2, 1) y (1, 4, 1) en R3 .
8.4 Ejercicios 227
v) Sea f : Rn Rn un isomorfismo. Si v1 , . . . , vn Rn son linealmente independientes,

probar que
vol(P (f (v1 ), . . . , f (vn ))) = | det f |. vol(P (v1 , . . . , vn )).
Ejercicio 19. Calcular f para cada una de las transformaciones lineales siguientes:
i) f : R2 R2 , f (x1 , x2 ) = (3.x1 + x2 , x1 + x2 )
ii) f : C3 C3 , f (x1 , x2 , x3 ) = (2.x1 + (1 i).x2 , x2 + (3 + 2i).x3 , x1 + i.x2 + x3 )
iii) B = {(1, 2, 1), (1, 0, 0), (0, 1, 1)}, f : R3 R3 tal que

1 0 1
|f |B = 2 0 1
0 1 0
R1
iv) f : R2 [X] R2 [X], f (p) = p0 (donde hp, qi = 0
p(x).q(x) dx).
v) P GL(n, C), f : Cnn Cnn , f (A) = P 1 .A.P (donde hA, Bi = tr(A.B )).
R1
vi) f : R[X] R[X], f (p) = f.p donde f R[X] y hp, qi = 0 p(x).q(x)dx
Ejercicio 20. Sea (V, h, i) un espacio vectorial de dimension finita con producto interno.
Sean f1 y f2 endomorfismos de V y sea k un escalar. Probar:
i) (f1 + f2 ) = f1 + f2
ii) (k.f1 ) = k.f1
iii) (f1 f2 ) = (f2 ) (f1 )
iv) Si f1 es un isomorfismo, entonces f1 es un isomorfismo y (f1 )1 = (f11 )
v) ((f1 ) ) = f1
vi) f1 f1 = 0 f1 = 0
Ejercicio 21. Sea (V, h, i) un espacio vectorial de dimension finita con producto interno y
sea f : V V una tranformacion lineal. Probar que Im(f ) = (Nu(f )) .
Ejercicio 22. Sea f : R3 R3 la transformacion lineal definida por

f (x, y, z) = (x 3y 2z, 4x + 6y + 2z, 3x 3y).
Hallar un producto interno h, i : R3 R3 R3 tal que f sea autoadjunta para h, i.
Ejercicio 23. Sea (V, h, i) un espacio vectorial de dimension finita con producto interno y sea
S un subespacio de V . Probar que la proyeccion ortogonal P : V V sobre S es autoadjunta.
Calcular sus autovalores.
Ejercicio 24.
i) En cada uno de los siguientes casos, encontrar una matriz O Rnn ortogonal tal que
O.A.Ot sea diagonal:

5 0 2
2 1 1 3
A= A= A= 0 7 2
1 2 3 1
2 2 6
ii) En cada uno de los siguientes casos, encontrar una matriz U Cnn unitaria tal que
U.A.U sea diagonal:

4 1 i 0 2 1 i 0
1 3 2i 1 1 2 i 0
A= A=
i 2i 3 i i i 2 0
0 1 i 2 0 0 0 3
Ejercicio 25. Encontrar una base ortonormal B de R2 tal que |f |B y |g|B sean diagonales
si las matrices de f y de g en la base canonica son:

2 1 1 3
y
1 2 3 1
Sugerencia: ver el Ejercicio 31 de la Seccion 6.5.
Ejercicio 26. Sea (V, h, i) un C-espacio vectorial de dimension finita con producto interno y
sea f : V V una transformacion lineal.
Definicion: Se dice que f es normal si f f = f f .
i) Probar que si f admite una base ortonormal de autovectores, entonces f es normal.
ii) Probar que si f es normal valen las siguientes afirmaciones:
a) kf (v)k = kf (v)k v V . En particular, Nu(f ) = Nu(f ).

b) C, f . idV es normal.
c) Si v es un autovector de f de autovalor , entonces v es un autovector de f de
autovalor .
d) E = {v V / f (v) = .v} es f -invariante.
iii) Probar que si f es normal, entonces admite una base ortonormal de autovectores.
Sugerencia: observar que (E ) es f -invariante y f -invariante.
iv) Deducir de lo anterior que las matrices unitarias son diagonalizables sobre C. Encontrar
un ejemplo de matriz ortogonal que no sea diagonalizable sobre R.
8.4 Ejercicios 229
Ejercicio 27. Hallar la matriz en la base canonica de las siguientes transformaciones orto-
gonales:

i) f : R2 R2 , rotacion de angulo 3.
ii) f : R2 R2 , simetra respecto de la recta de ecuacion x1 x2 = 0.

iii) f : R3 R3 , simetra respecto del plano de ecuacion x1 + x2 x3 = 0.

iv) f : R3 R3 , rotacion de angulo 4 y eje < (1, 0, 1) >.
Ejercicio 28. Sea f : R3 R3 la transformacion lineal cuya matriz en la base canonica es

1
2 22 12

2 0 2 .
2
2

2
12 2
1
2
Decidir si f es una rotacion, una simetra o una composicion de una rotacion y una simetra.
Encontrar la rotacion, la simetra o ambas.
Ejercicio 29. Sea f : R3 R3 la transformacion lineal cuya matriz en la base canonica es

4 8

9 9 91

4 1
9 9 98 .

7 4 4
9 9 9
i) Probar que f es una rotacion.

ii) Hallar g : R3 R3 tal que g g = f .
Ejercicio 30. Una funcion f : Rn Rn se llama isometra si verifica que
d(x, y) = d(f (x), f (y)) x, y Rn .
i) Probar que si f : Rn Rn es una isometra tal que f (0) = 0, f resulta una transfor-
macion lineal y ademas f es ortogonal.
ii) Deducir que f : Rn Rn es una isometra si y solo si existen g : Rn Rn transfor-
macion ortogonal y v Rn tales que f (x) = g(x) + v, x Rn .
Captulo 9
Variedades lineales
Al considerar los subespacios de R2 , vimos que estos son el conjunto {(0, 0)}, el espacio R2
y las rectas que pasan por el origen. Ahora, en algunos contextos, por ejemplo para resolver
problemas geometricos, puede ser util trabajar con rectas que no pasan por el origen, es decir,
que no son subespacios.
En este captulo estudiaremos una nocion que generaliza a la de subespacios de un K-
espacio vectorial: las variedades lineales. As como los subespacios aparecen como conjuntos
de soluciones de sistemas de ecuaciones lineales homogeneas, las variedades lineales pueden
verse como conjuntos de soluciones de ecuaciones lineales no homogeneas.
9.1 Nociones basicas

9.1.1 Variedades lineales
Las variedades lineales en un K-espacio vectorial V pueden definirse como sigue a partir de
los subespacios de V .
Definicion 9.1 Sea V un K-espacio vectorial. Una variedad lineal M V es un conjunto

de la forma M = {s + p / s S}, donde S es un subespacio de V y p V .
Notacion. M = S + p.
Podemos entonces pensar a la variedad lineal M = S + p V como el subespacio S

corrido, es decir, que en lugar de pasar por el 0 pasa por un punto p.
Observacion 9.2 Sea V un K-espacio vectorial, y sea p V . Si M = S + p V (con S

un subespacio de V y p V ) es una variedad lineal, se le puede dar a V otra estructura
de K-espacio vectorial (donde p pasa a tener el papel del 0 de V ) tal que M resulta ser un
subespacio de V con esa nueva estructura:
232 Variedades lineales
Se definen
+p : V V V , v +p w = v + w p
p : K V V , p v = (v p) + p
Entonces (V, +p , p ) es un K-espacio vectorial, p es el elemento neutro de +p (con lo cual
cumple la funcion de ser el nuevo origen de V ) y M es un subespacio de (V, +p , p ) (comparar
con el Ejercicio 4 de la Seccion 1.5).
La siguiente proposicion muestra que una variedad lineal en un K-espacio vectorial V

determina unvocamente un subespacio de V .
Proposicion 9.3 Sea V un K-espacio vectorial y sea M V una variedad lineal. Suponga-
mos que existen p, p0 V y subespacios S y S 0 de V tales que M = S + p y M = S 0 + p0 .
Entonces S = S 0 y p p0 S.
Demostracion. En primer lugar, veamos que bajo las hipotesis de la proposicion, p p0 S 0

y p p0 S.
Como p M = S 0 + p0 , existe s0 S 0 tal que p = s0 + p0 . Entonces p p0 = s0 S 0 .
Por otro lado, se tiene que p0 M = S + p, con lo que existe s S tal que p0 = s + p.
Luego, p p0 = s S.
Veamos ahora que S = S 0 :
Sea s S. Entonces s+p M = S 0 +p0 , y por lo tanto, existe s0 S 0 tal que s+p = s0 +p0 .
En consecuencia s = s0 + (p0 p) S 0 . Luego, S S 0 .
Analogamente se prueba la otra inclusion.
Este resultado nos permite introducir una nocion de dimension para variedades lineales.
Definicion 9.4 Sea V un K-espacio vectorial y sea M V una variedad lineal. Supon-
gamos que M = S + p, donde S es un subespacio de V y p V . Entonces S se llama el
subespacio asociado a M . Si S es de dimension finita, se define la dimension de M como
dim(M ) = dim(S).
Si bien el subespacio S asociado a una variedad lineal M esta unvocamente determinado

por M , para cualquier punto p M resulta que M = S + p:
Observacion 9.5 Si V es un K-espacio vectorial, M = S + p V (con S un subespacio de

V y p V ) es una variedad lineal y m M , entonces M = S + m.
Como m M , existe s0 S tal que m = s0 + p.

() Sea s + p M = S + p. Entonces
s + p = s + p m + m = s + p (s0 + p) + m = (s s0 ) + m S + m.
() Sea s + m S + m. Entonces s + m = s + (s0 + p) = (s + s0 ) + p S + p = M.

9.1 Nociones basicas 233
A continuacion damos algunos ejemplos de variedades lineales en distintos espacios vecto-

riales.
Ejemplos.
1. Los subespacios de un K-espacio vectorial V son variedades lineales: S = S + ~0.

2. Un conjunto formado por un punto de un K-espacio vectorial es una variedad lineal.
3. Sea A K mn y sea b K m1 . Entonces
{x K n / A.x = b} = Shom + p,
donde Shom K n es el subespacio de soluciones del sistema homogeneo asociado A.x =

0 y p es una solucion particular del sistema A.x = b, es una variedad lineal.
(Observar que si el sistema es incompatible, el conjunto es vaco y entonces no es una
variedad lineal.)
4. Se considera en K[X] el conjunto
n
X
M = {P K[X] / P (0) = 1} = {P K[X] / P = ai X i + 1}
i=1
= {P K[X] / P (0) = 0} + 1.
Como {P K[X] / P (0) = 0} es un subespacio de K[X], entonces M es una variedad

lineal.
5. En C (R), sea
M = {f C (R) / f 00 = sen(x)} = {f C (R) / (f + sen(x))00 = 0}
Sea S = {f C (R) / f 00 = 0}, que es un subespacio de C (R). Observamos que

f M si y solo si f + sen(x) S. Luego, M = S sen(x) es una variedad lineal.
9.1.2 Algunas variedades lineales particulares

Las nociones de recta y plano conocidas en R2 o R3 , as como tambien algunas propiedades
basicas de estos conjuntos, se generalizan a K-espacios vectoriales arbitrarios:
Definicion 9.6 Sea V un K-espacio vectorial.
i) Una recta en V es una variedad lineal de dimension 1, es decir, L = < v > + p, con
v, p V , v 6= ~0.
ii) Un plano en V es una variedad lineal de dimension 2, es decir, = < v, w > + p, con
{v, w} V linealmente independiente
iii) Si dim V = n, un hiperplano de V es una variedad lineal de dimension n 1.
Observacion 9.7 Sea V un K-espacio vectorial y sean p 6= q V . Entonces existe una unica
recta L V tal que p L y q L.
Demostracion. Sea L = < p q > + q. Se tiene que L es una recta, puesto que como p 6= q,
dim(< p q >) = 1. Ademas:
q L, puesto que q = 0 + q.
p L, puesto que p = 1. (p q) + q.
Sea L0 una recta tal que p L0 y q L0 . Entonces existe un subespacio S con dim S = 1 tal
que L0 = S + q y L0 = S + p. Por lo tanto, p q S y, como p q 6= 0 y dim S = 1, resulta
que S = < p q >. Luego L0 = < p q > + q = L.
Observacion 9.8 Sea V un K-espacio vectorial. Dados x, y, z V no alineados (es decir,

que no pertenecen a una misma recta), existe un unico plano tal que x, y, z .
Demostracion. Sea = < y x, z x > + x. Se tiene que x , y = (y x) + x y

z = (z x) + x .
Como por hipotesis, x, y, z no estan alineados, debe ser dim(< y x, z x >) = 2 (si no,
sera una recta con x, y, z o un solo punto). Luego, es un plano con x, y, z .
Supongamos que 0 = S + p es un plano con x, y, z 0 . Entonces 0 = S + x, 0 = S + y,
0
= S + z. Luego, y x S y z x S. En consecuencia, S = < y x, z x >, de donde
0 = .
En general, dada una cantidad finita de vectores en un K-espacio vectorial V , existe una
variedad lineal que los contiene. Esto da lugar a la siguiente definicion:
Definicion 9.9 Sea V un K-espacio vectorial y sean a0 , a1 , . . . , an V . Se llama variedad

lineal generada por a0 , . . . , an a la variedad lineal M V mas chica tal que a0 M, . . . , an
M (es decir, si M 0 V es una variedad lineal con a0 M 0 , . . . , an M 0 , entonces M M 0 ).
El resultado siguiente caracteriza la variedad lineal generada por un conjunto finito de

vectores de un K-espacio vectorial. En particular, establece que dados n + 1 vectores existe
una variedad lineal de dimension menor o igual que n que los contiene.
Proposicion 9.10 Sea V un K-espacio vectorial y sean a0 , a1 , . . . , an V . Entonces, la

variedad lineal generada por a0 , a1 , . . . , an es M = < a1 a0 , . . . , an a0 > + a0 . Observar
que dim(M ) n.
Demostracion. Es claro que ai M para cada 0 i n. Veamos que M es la menor variedad

lineal (con respecto a la inclusion) con esta propiedad.
Supongamos que M 0 = S + a0 verifica que ai M 0 para cada 0 i n. Entonces
ai a0 S para cada 1 i n, de donde < a1 a0 , a2 a0 , . . . , an a0 > S, y en
consecuencia M M 0 .
Luego, la variedad lineal mas chica que contiene a a0 , . . . , an es M .
9.2 Interseccion y suma de variedades lineales 235
9.1.3 Otra forma de describir variedades lineales

En el Ejemplo 3 de la pagina 233 vimos que el conjunto de las soluciones de un sistema
lineal compatible de ecuaciones con n incognitas es una variedad lineal en K n . Por otro
lado, sabemos que todo subespacio de K n es el conjunto de las soluciones de un sistema
lineal homogeneo Ax = 0, lo que implica que una variedad lineal en K n es el conjunto de las
soluciones de un sistema lineal (no necesariamente homogeneo).
Esto dice que las variedades lineales de K n son los conjuntos de soluciones de sistemas de
ecuaciones lineales.
Mediante el uso de coordenadas, es posible dar una descripcion del mismo tipo para
variedades lineales en un K-espacio vectorial de dimension finita arbitrario:
Sea V un K-espacio vectorial de dimension n y sea B una base de V . Sea M = S + p una
variedad lineal en V , con S un subespacio de V y p V . Denotemos por SB al subespacio
de K n formado por las coordenadas de los vectores de S en la base B. Entonces
v M (v)B SB + (p)B en K n .
Por lo tanto, {(v)B K n : v M } es una variedad lineal en K n y, entonces, es el conjunto
de las soluciones de un sistema lineal (no homogeneo si no es un subespacio).
Ejemplo. Sea M = {P R2 [X] / P (2) = 1}, que es una variedad lineal en R2 [X]. Conside-
remos la base B = {1, X, X 2 }. Entonces
P M P (2) = 1 (P )B = (a, b, c) y a + 2b + 4c = 1.
9.2 Interseccion y suma de variedades lineales

9.2.1 Interseccion de variedades lineales
A diferencia de lo que sucede para subespacios, la interseccion de dos variedades lineales puede
ser el conjunto vaco. La siguiente proposicion muestra que si esta interseccion es no vaca,
entonces es una variedad lineal.
Proposicion 9.11 Sea V un K-espacio vectorial y sean M1 y M2 variedades lineales en V .

Entonces M1 M2 = o M1 M2 es una variedad lineal.
Demostracion. Supongamos que M1 M2 6= . Entonces existe p M1 M2 , con lo cual

M1 = S1 + p y M2 = S2 + p con S1 y S2 subespacios de V .
Veamos que M1 M2 = (S1 S2 ) + p:
() Sea q M1 M2 . Entonces existen s1 S1 y s2 S2 tales que q = s1 + p = s2 + p. En

consecuencia, s1 = s2 , es decir q = s + p con s S1 S2 .
() Si q = s + p con s S1 S2 , como s S1 , se tiene que q M1 y como s S2 , entonces
q M2 . Luego q M1 M2 .
9.2.2 Variedades lineales paralelas y alabeadas

A continuacion estudiaremos las distintas situaciones que se pueden presentar para que la
interseccion de dos variedades lineales sea el conjunto vaco. Por ejemplo, esto sucede en R2
en el caso de dos rectas paralelas no coincidentes.
Definicion 9.12 Sea V un K-espacio vectorial y sean M1 y M2 variedades lineales en V tales

que M1 = S1 + p1 y M2 = S2 + p2 . Se dice que M1 y M2 son paralelas, y se nota M1 k M2 ,
si S1 S2 o S2 S1 .
Observacion 9.13 De la definicion anterior se deduce que:
Un punto es paralelo a cualquier variedad lineal.
Si M1 = S1 + p1 y M2 = S2 + p2 son variedades lineales de la misma dimension en un

K-espacio vectorial V , entonces M1 k M2 si y solo si S1 = S2 .
Proposicion 9.14 Sea V un K-espacio vectorial con dim(V ) 2. Sean L1 y L2 dos rectas
en V . Son equivalentes:
i) Existe un plano V tal que L1 y L2 .
ii) L1 L2 6= o L1 k L2 .
Demostracion.
ii) i) Analizaremos por separado los casos a) L1 L2 6= y b) L1 k L2 .
a) Supongamos que L1 L2 6= . Sea p L1 L2 . Entonces L1 = S1 + p = < v1 > + p y

L2 = S2 + p = < v2 > + p, con v1 , v2 V no nulos.
Si v1 y v2 son linealmente independientes, consideramos = < v1 , v2 > + p, que es un
plano y contiene a L1 y a L2 .
Si v1 y v2 son linealmente dependientes, sea w V tal que {v1 , w} es linealmente
independiente. Entonces = < v1 , w > + p es un plano que contiene a L1 = L2 .
b) Si L1 L2 = y L1 k L2 , entonces L1 = < v > + p1 y L2 = < v > + p2 para algun

v V no nulo.
Sea = < v, p1 p2 > + p2 . Vemos que dim(< v, p1 p2 >) = 2, puesto que si fuera
p1 p2 = .v, se tendra p1 = .v + p2 L1 L2 , contradiciendo la hipotesis. Luego,
es un plano, y contiene a ambas rectas.
i) ii) Sea un plano con L1 y L2 . Supongamos que L1 = < v1 > + p1 ,

L2 = < v2 > + p2 y = S + p1 , con v1 , v2 V no nulos, S un subespacio de dimension
2 de V , y p1 , p2 V .
9.2 Interseccion y suma de variedades lineales 237
Dado que v1 + p1 , p2 y v2 + p2 pertenecen a , se tiene que

v1 S pues s S : v1 + p1 = s + p1 , de donde v1 = s,
p2 p1 S pues s0 S : p2 = s0 + p1 , de donde p2 p1 = s0 ,
v2 S pues s00 S : v2 + p2 = s00 + p1 , de donde v2 = s00 (p2 p1 ),
Como dim S = 2, existe una combinacion lineal no trivial
a. v1 + b. (p2 p1 ) + c. v2 = 0.
Si b = 0, resulta que < v1 > = < v2 > con lo que L1 k L2 .
c a
Si b 6= 0, entonces v2 + p2 = v1 + p1 , de donde L1 L2 6= .
b b
Es posible que dos variedades lineales no sean paralelas, pero tampoco tengan interseccion
no vaca (por ejemplo, L1 = < (1, 0, 0) > + (0, 0, 1) y L2 = < (0, 1, 0) > + (0, 0, 2) son dos
rectas en R3 que no son paralelas ni se cortan). Esto da lugar a la siguiente definicion:
Definicion 9.15 Sea V un K-espacio vectorial. Dos variedades lineales M1 y M2 de V se

dicen alabeadas si M1 M2 = y M1 M2 .
Ejemplos.
1. L1 = < (1, 0, 0) > + (0, 0, 1) y L2 = < (0, 1, 0) > + (0, 0, 2) son dos rectas alabeadas en
R3 .
2. Los planos definidos en R4 por
1 = {(x, y, z, w) R4 : x = 1, y = 1} y 2 = {(x, y, z, w) R4 : x = 2, z = 3}
son alabeados.
(Se puede probar que, si V es un K-espacio vectorial tal que existen dos planos 1 y
2 en V que son alabeados, entonces dim(V ) 4.)
En el ejemplo que sigue, estudiaremos como determinar si dos rectas en R3 se intersecan,

son paralelas o son alabeadas a partir de ecuaciones que las definen.
Ejemplo. En R3 , consideremos dos rectas L1 y L2 definidas por

0
ax + by + cz = d a x + b0 y + c0 z = d0
L1 : y L2 :
ex + f y + gz = h e0 x + f 0 y + g 0 z = h0
donde dim < (a, b, c), (d, e, f ) > = 2 y dim < (a0 , b0 , c0 ), (d0 , e0 , f 0 ) > = 2. Se tiene que

ax + by + cz = d

ex + f y + gz = h
L1 L2 :

a0 x + b0 y + c0 z = d0
0
e x + f 0 y + g 0 z = h0 .
Sean
a b c a b c d
e f g e f g h
A=
a0
y B= .
b0 c0 a0 b0 c0 d0
e0 f0 g0 e0 f0 g0 h0
Observamos que:
i) Si rg(A) = 2 y rg(B) = 2, el sistema de ecuaciones que define L1 L2 es compatible y

su conjunto de soluciones es una recta. Entonces L1 = L2 .
ii) Si rg(A) = 2 y rg(B) = 3, el sistema es incompatible, pero el conjunto de soluciones

del sistema homogeneo asociado es un subespacio de dimension 1. Luego, L1 k L2 y
L1 L2 = .
iii) Si rg(A) = 3 y rg(B) = 3, el sistema tiene solucion unica, de donde L1 L2 6= y

L1 L2 .
iv) Si rg(A) = 3 y rg(B) = 4, entonces el sistema es incompatible, con lo que L1 L2 = y

el sistema homogeneo asociado tiene solucion unica, lo que implica que L1 L2 . Luego,
L1 y L2 son alabeadas.
9.2.3 Suma de variedades lineales

Para concluir esta seccion, introducimos el concepto de suma de variedades lineales. Al igual
que en el caso de subespacios, dadas variedades lineales M1 y M2 en un K-espacio vectorial V ,
la idea es construir la menor variedad lineal en V que contiene a M1 y a M2 simultaneamente.
Definicion 9.16 Sea V un K-espacio vectorial y sean M1 y M2 variedades lineales en V . Si

M1 = S1 + p1 y M2 = S2 + p2 con S1 y S2 subespacios de V y p1 , p2 V , se define la variedad
lineal suma de M1 y M2 , que notaremos M1 M2 , como
M1 M2 = (S1 + S2 + < p1 p2 >) + p2 .
Algunas observaciones respecto de la definicion:
Observacion 9.17 Se puede probar que:
1. Si M1 = S1 +p1 = S1 +p01 y M2 = S2 +p2 = S2 +p02 , con Si subespacio de V y pi , p0i V

para i = 1, 2, entonces (S1 + S2 + < p01 p02 >) + p02 = (S1 + S2 + < p1 p2 >) + p2 .
Es decir, la definicion de M1 M2 no depende de las descripciones de M1 y M2 .
2. M1 M1 M2 y M2 M1 M2 .
3. Si M1 = S1 + p1 y M2 = S2 + p2 , entonces p1 p2 S1 + S2 si y solo si M1 M2 6= ,
en cuyo caso M1 M2 = (S1 + S2 ) + p2 .
9.3 Variedades lineales en espacios con producto interno 239
En efecto, si p1 p2 S1 + S2 existen s1 S1 y s2 S2 tales que p1 p2 = s1 + s2 ,

y entonces s1 + p1 = s2 + p2 M1 M2 . Recprocamente, si M1 M2 6= y
q M1 M2 , entonces existen s1 S1 y s2 S2 tales que s1 + p1 = q = s2 + p2 , de
donde p1 p2 = s1 + s2 S1 + S2 .
El analogo del Teorema 1.43 para variedades lineales es el siguiente resultado:
Teorema 9.18 (Teorema de la dimension para la suma de variedades lineales.)

Sea V un K espacio vectorial y sean M1 y M2 variedades lineales de V de dimension finita.
Entonces:
i) Si M1 M2 6= ,
dim(M1 M2 ) = dim(M1 ) + dim(M2 ) dim(M1 M2 ).
ii) Si M1 M2 = , M1 = S1 +p1 y M2 = S2 +p2 , con S1 , S2 subespacios de V y p1 , p2 V ,

dim(M1 M2 ) = dim(M1 ) + dim(M2 ) dim(S1 S2 ) + 1.
Demostracion. Si M1 = S1 + p1 y M2 = S2 + p2 , por las definiciones de variedad suma y de

dimension de una variedad lineal, se tiene que
dim(M1 M2 ) = dim(S1 + S2 + < p1 p2 >).
i) Si M1 M2 6= y p M1 M2 , entonces M1 M2 = (S1 S2 ) + p. Ademas, por lo

visto en la observacion anterior, p1 p2 S1 + S2 y entonces M1 M2 = (S1 + S2 ) + p2 .
Entonces, aplicando el teorema de la dimension para subespacios, tenemos que
dim(M1 M2 ) = dim(S1 + S2 )
= dim(S1 ) + dim(S2 ) dim(S1 S2 )
= dim(M1 ) + dim(M2 ) dim(M1 M2 ).
ii) Si M1 M2 = , entonces p1 p2
/ S1 + S2 , con lo que
dim(M1 M2 ) = dim(S1 + S2 + < p1 p2 >)
= dim(S1 + S2 ) + 1
= dim(S1 ) + dim(S2 ) dim(S1 S2 ) + 1
= dim(M1 ) + dim(M2 ) dim(S1 S2 ) + 1.
9.3 Variedades lineales en espacios con producto interno

Para terminar, estudiaremos variedades lineales en espacios eucldeos (es decir, R-espacios
vectoriales con producto interno). El hecho de que en el espacio este definido un producto
interno permite extender las nociones de perpendicularidad, angulo y distancia a variedades
lineales, lo que a su vez posibilita el estudio de problemas geometricos.
9.3.1 Ortogonalidad de variedades lineales

Definicion 9.19 Sea (V, h, i) un espacio eucldeo. Sean M1 = S1 + p1 y M2 = S2 + p2 (con
S1 , S2 subespacios de V y p1 , p2 V ) variedades lineales en V . Se dice que M1 y M2 son
ortogonales si S1 S2 , es decir, si s1 S1 , s2 S2 , se tiene que hs1 , s2 i = 0.
Si M = S + p es una variedad lineal en un espacio eucldeo V de dimension finita y q V ,

se puede considerar la variedad lineal ortogonal a M de dimension maxima que pasa por q
(por ejemplo, si q = 0, esta variedad lineal es S ):
Definicion 9.20 Sea (V, h, i) un espacio eucldeo de dimension finita, sea M V una varie-
dad lineal y sea q V . El complemento ortogonal a M por el punto q es la variedad lineal
Mq = S + q, donde S es el subespacio de V asociado a M .
Escribiremos M para denotar al complemento ortogonal a M por q = 0.
Ejemplos.
1. Sea L = < (1, 2, 3) > + (1, 5, 4) R3 . Hallar L

(1,1,2) .
Por la definicion, se tiene que
L
(1,1,2) = {(x, y, z) R3 / h(x, y, z), (1, 2, 3)i = 0} + (1, 1, 2)
= {(x, y, z) R3 / x + 2y + 3z = 0} + (1, 1, 2)
= {(x, y, z) R3 / x + 2y + 3z = 9}.
2. Hallar 3
(1,0,1) siendo = {(x, y, z) R / 3x 2y + z = 7}.
Se tiene que
= {(x, y, z) R3 / 3x 2y + z = 0} + (0, 0, 7)
= {(x, y, z) R3 / h(x, y, z), (3, 2, 1)i = 0} + (0, 0, 7)

= < (3, 2, 1) > + (0, 0, 7).

Entonces
(1,0,1) = < (3, 2, 1) > + (0, 0, 1) = < (3, 2, 1) > + (0, 0, 1).
9.3.2 Angulo entre rectas y planos

Utilizando el concepto de angulo entre vectores introducido en la Seccion 8.1.4 podemos definir
el angulo entre dos rectas en un espacio eucldeo como sigue:
Definicion 9.21 Sea (V, h, i) un espacio eucldeo y sean L1 = < v1 >+p1 y L2 = < v2 >+p2 ,
con v1 , v2 V no nulos, dos rectas en V . Se define el angulo entre L1 y L2 como el (unico)
numero real comprendido entre 0 y 2 que coincide con el angulo entre v1 y v2 o con el angulo
entre v1 y v2 .
Esta nocion nos permite a su vez definir el angulo entre una recta y un plano, y el angulo
entre dos planos, en un espacio eucldeo de dimension 3:
Definicion 9.22 Sea (V, h, i) un espacio eucldeo con dim V = 3.
Sean L una recta y un plano en V . Si es el angulo entre las rectas L y , se define

el angulo entre L y como 2 .
Sean 1 y 2 planos en V . Se define el angulo entre 1 y 2 como el angulo entre las

rectas
1 y 2 .
9.3.3 Distancia de un punto a una variedad lineal

Definicion 9.23 Sea V un espacio eucldeo de dimension finita. Sea M una variedad lineal
en V y sea q V . Se define la distancia de q a M como
d(q, M ) = inf{d(q, z) / z M }.
Aplicando los resultados vistos en la Seccion 8.2.4, podemos probar que si q V y M es

una variedad lineal en V , existe un punto q 0 M tal que d(q, M ) = d(q, q 0 ) y dar una formula
para su calculo:
Observacion 9.24 Con la notacion de la definicion anterior, si M = S + p con S un subes-

pacio de V y p V , entonces
d(q, M ) = inf{d(q, z) / z M } = inf{d(q, s + p) / s S}

= inf{kq (s + p)k / s S} = inf{kq p sk / s S} = d(q p, S)
= d(q p, pS (q p)) = kpS (q p)k,
donde pS y pS denotan las proyecciones ortogonales sobre S y S respectivamente.
Notar que lo que se hizo es trasladar el problema al 0, o sea, restarle p a todos los puntos
de la variedad y a q, y entonces calcular la distancia de un vector a un subespacio.
De las igualdades de la observacion anterior se deduce que d(q, M ) = kq (pS (q p) + p)k
y, como pS (q p) + p M , concluimos que este es el punto de M mas cercano a q.
Finalmente observamos que se puede probar que, si Mq es el complemento ortogonal a
M por q, entonces Mq M = {pS (q p) + p}.
Ejemplo. Calcular la distancia de (1, 2, 4) a M = < (1, 1, 0), (0, 1, 0) > + (5, 1, 2).
Se tiene que S = < (1, 1, 0), (0, 1, 0) > es el subespacio asociado a M y S = < (0, 0, 1) >.
Por lo tanto, para cada (x, y, z) R3 vale pS (x, y, z) = (0, 0, z). De acuerdo a la observacion
anterior,
d((1, 2, 3), M ) = kpS ((1, 2, 4) (5, 1, 2))k = k(0, 0, 2)k = 2.
9.3.4 Distancia entre variedades lineales

Para terminar, estudiaremos la nocion de distancia entre variedades lineales. Comenzamos
con un ejemplo:
Ejemplo. Sean L1 y L2 las rectas definidas en R3 como

L1 = {(x1 , x2 , x3 ) R3 / x1 = 1, x2 = 1} y L2 = {(x1 , x2 , x3 ) R3 / x1 = 2, x3 = 4}.
La distancia d(L1 , L2 ) entre L1 y L2 puede definirse como el nfimo de las distancias

d(m1 , m2 ) con m1 L1 , m2 L2 . Entonces
d(L1 , L2 ) = inf{d(m1 , m2 ) / m1 L1 , m2 L2 }
= inf{d((1, 1, ), (2, , 4)) : , R}
p
= inf{ 1 + (1 )2 + ( 4)2 : , R}
= 1.
Mas aun, el conjunto posee mnimo, el cual se alcanza para = 4, = 1. En conclusion,
d(L1 , L2 ) coincide con la distancia entre los puntos (1, 1, 4) L1 y (2, 1, 4) L2 .
En lo que sigue, veremos que lo que sucede en el ejemplo (es decir, que la distancia entre
L1 y L2 es la mnima de las distancias entre un punto de L1 y un punto de L2 ) se da tambien
para variedades lineales arbitrarias en espacios eucldeos de dimension finita. Damos entonces
la siguiente definicion:
Definicion 9.25 Sea (V, h, i) un espacio eucldeo de dimension finita. Sean M1 y M2 var-
iedades lineales en V . Se define la distancia entre M1 y M2 como
d(M1 , M2 ) = inf{d(m1 , m2 ) / m1 M1 , m2 M2 }.
Veamos que, dadas dos variedades lineales M1 y M2 es un espacio eucldeo V , existen

m1 M1 y m2 M2 tales que d(m1 , m2 ) = d(M1 , M2 ):
Supongamos que M1 = S1 +p1 y M2 = S2 +p2 , con S1 y S2 subespacios de V y p1 , p2 V .
Consideremos el subespacio S = S1 + S2 . Como S S = V , existen unicos v S y
u S tales que
p1 p2 = v + u.
A continuacion mostraremos que d(M1 , M2 ) = kuk.
i) En primer lugar, veamos que el elemento u S no depende de los puntos p1 M1 y
p2 M2 , es decir, que si M1 = S1 + p01 y M2 = S2 + p02 , entonces p01 p02 = v 0 + u con
v 0 S:
Como p01 M1 = S1 + p1 y p02 M2 = S2 + p2 , existen s01 S1 y s02 S2 tales que
p01 = s01 + p1 y p02 = s02 + p2 . Entonces
p01 p02 = s01 + p1 s02 p2 = s01 s02 + (p1 p2 ) = s01 s02 + v + u = v 0 + u,
donde v 0 = s01 s02 + v S.
ii) Veamos ahora que d(x, y) kuk para cada x M1 , y M2 :

Por i), para x M1 , y M2 se tiene que x y = vxy + u, para algun vxy S. Entonces
kx yk2 = kvxy k2 + kuk2 kuk2
y, en consecuencia, d(x, y) kuk.
iii) Finalmente veamos que existen m1 M1 y m2 M2 tales que d(m1 , m2 ) = kuk:
Sea v S como al comienzo, es decir, tal que p1 p2 = v + u. Como v S = S1 + S2 ,
existen s1 S1 y s2 S2 tales que v = s1 + s2 .
Sean m1 = s1 + p1 M1 y m2 = s2 + p2 M2 . Entonces
d(m1 , m2 ) = km1 m2 k = k s1 + p1 p2 s2 k
= k(p1 p2 ) (s1 + s2 )k = kv + u vk = kuk.
Observamos que, como consecuencia de ii) y iii), resulta que

d(M1 , M2 ) = kuk = d(m1 , m2 ),
con m1 M1 y m2 M2 los puntos definidos en iii) y u = pS (p1 p2 ), donde pS es la
proyeccion ortogonal sobre S .
Hemos demostrado entonces el siguiente resultado:
Proposicion 9.26 Sea (V, h, i) un espacio eucldeo de dimension finita y sean M1 = S1 + p1

y M2 = S2 + p2 , con S1 , S2 subespacios de V y p1 , p2 V , variedades lineales en V . Entonces
d(M1 , M2 ) = kp(S1 +S2 ) (p1 p2 )k.
Ejemplo. Hallar la distancia entre las rectas L1 y L2 en R3 , siendo

L1 = < (1, 2, 1) > + (1, 7, 2) y L2 = < (2, 1, 1) > + (0, 0, 1).
Consideremos el subespacio S = < (1, 2, 1), (2, 1, 1) >, que es la suma de los subespacios
asociados a L1 y L2 .
Se tiene que
n
3 x + 2y + z = 0
S = (x, y, z) R : = < (1, 1, 3) >.
2x + y + z = 0
Buscamos u = pS ((1, 7, 2) (0, 0, 1)):
h(1, 7, 1), (1, 1, 3)i 5 5 15
u = pS (1, 7, 1) = (1, 1, 3) = , , .
k(1, 1, 3)k2 11 11 11
En consecuencia,
5 5 15 5 11

d(L1 , L2 ) = , , = .
11 11 11 11
9.4 Ejercicios
Ejercicio 1. Sea V un K-espacio vectorial y sean p, q V . Si M es la recta que pasa por p
y q, probar la validez de las siguientes afirmaciones:
i) Si M 0 V es una variedad lineal tal que p, q M 0 entonces M M 0 .
ii) M = {.q + .p / , K ; + = 1}
Ejercicio 2. Probar que cada uno de los siguientes conjuntos son variedades lineales y calcular
su dimension:
i) M1 = {(x1 , x2 , x3 ) R3 / 2.x1 x3 = 1 y x2 + x3 = 2}
ii) M2 = {(1, 2, 3)} R3
iii) M3 = {P Q 3 [X] / P 0 (2) = 1}
iv) M4 = {A C22 / tr(A) = 5}
Ejercicio 3.
i) Sea L R3 la recta que pasa por los puntos (2, 1, 0) y (1, 3, 1). Hallar una variedad
lineal M de dimension 2 que contenga a L. Es M unica?
ii) Sea = {(x1 , x2 , x3 ) R3 / 2.x1 x2 + x3 = 1} y sea L = < (0, 1, 1) > + (1, 1, 0). Hallar
una variedad lineal M R3 de dimension 2 tal que M = L.
Ejercicio 4. Determinar la dimension de la variedad lineal

M = (x1 , x2 , x3 ) R3 / x1 x2 + 3.x3 = 0, 2.x1 + x2 + x3 = 1, x1 + x2 + a.x3 = 0
de acuerdo a los distintos valores de a R.
Ejercicio 5. Hallar ecuaciones implcitas para las siguientes variedades lineales:
i) M = < (1, 2, 1), (2, 0, 1) > + (1, 1, 1) R3 .
ii) M R4 la mnima variedad que contiene a (1, 1, 2, 0), (2, 1, 1, 0) y (1, 0, 4, 1).
Ejercicio 6. Sea L = < (2, 1, 1) > + (0, 1, 1) R3 .
i) Hallar un plano tal que 0 y L .
ii) Existira un plano 0 tal que L 0 , 0 0 y (0, 0, 1) 0 simultaneamente?

9.4 Ejercicios 245
Ejercicio 7.
i) Encontrar en R3 dos rectas alabeadas que pasen por (1, 2, 1) y (2, 1, 1) respectivamente.
ii) Encontrar en R4 dos planos alabeados que pasen por (1, 1, 1, 0) y (0, 1, 1, 1) respectiva-
mente.
iii) Hay planos alabeados en R3 ? Mas generalmente, si V es un K-espacio vectorial de

dimension n y M1 y M2 son variedades lineales alabeadas en V , que se puede decir de
sus dimensiones?
Ejercicio 8.
i) Sea S = < (2, 3) > R2 . Hallar una recta L k S tal que (1, 1) L. Graficar.
ii) Sea L1 = < (2, 1, 0) > + (0, 0, 1). Hallar una recta L2 k L1 que pase por el punto
(1, 3, 0).
iii) Si L1 y L2 son las variedades de ii), hallar un plano R3 tal que L1 y L2

simultaneamente. Es unico?
iv) Con las notaciones anteriores, hallar un plano 0 R3 tal que 0 = L1 .
Ejercicio 9. En cada uno de los siguientes casos, decidir si las variedades lineales M1 y M2
se cortan, son paralelas o alabeadas. En cada caso, hallar M1 M2 , M1 M2 y calcular todas
las dimensiones:
i) M1 = {(x1 , x2 , x3 ) R3 / x1 + x2 x3 = 1}
M2 = < (1, 0, 1) > + (0, 0, 3)
ii) M1 = < (1, 2, 1, 0), (1, 0, 0, 1) > + (1, 2, 2, 1)

M2 = < (1, 0, 1, 1), (2, 2, 1, 0) > + (1, 4, 2, 3)
iii) M1 = {(x1 , x2 , x3 , x4 ) R4 / x1 x2 1 = x3 + x4 = 0}
M2 = {(x1 , x2 , x3 , x4 ) R4 / x1 x2 = x2 + x3 + x4 1 = 0}
Ejercicio 10. Sean
M1 = < (1, 1, 1) > + (0, 2, 0) y M2 = {(x1 , x2 , x3 ) R3 / x1 + x2 x3 = x1 x2 + x3 = 1}.
i) Hallar planos 1 y 2 de R3 tales que M1 1 , M2 2 y 1 k 2 simultaneamente.
ii) Hallar M1 M2 y M1 M2 y calcular sus dimensiones.

Ejercicio 11. Sean

L1 = (x1 , x2 , x3 ) R3 /x1 3.x3 = 0 , x2 x3 = 2 y
3

L2 = (x1 , x2 , x3 ) R /x1 6.x3 = 1 , x2 + 2.x3 = 0 .
Hallar una recta L R3 que pase por el punto (1, 0, 2) y corte a L1 y a L2 .
Ejercicio 12. Sean A = (1, 1, 2) y B = (2, 0, 2). Sea = {(x1 , x2 , x3 ) R3 / x1 + x2 = 2}.

Hallar C tal que A, B y C formen un triangulo equilatero. La solucion es unica?
Ejercicio 13. Se consideran en R2 las rectas dadas por las ecuaciones L1 : x2 = 0, L2 : x2 =

y L3 : x2 = , con y dos numeros no nulos y distintos entre s. Sean L y L0 dos rectas
transversales a L1 , L2 y L3 . Probar que
d(L1 L, L2 L) d(L1 L0 , L2 L0 )
= .
d(L2 L, L3 L) d(L2 L0 , L3 L0 )
Este enunciado es una version del Teorema de Thales.
Ejercicio 14. Dado el triangulo P QR, se llama mediana correspondiente al vertice P a la

recta que pasa por dicho vertice y por el punto medio del lado QR.
Se considera en R2 el triangulo cuyos vertices son P = (0, 0), Q = (c, 0) y R = (a, b).
i) Probar que sus tres medianas se cortan en un punto M .

ii) Probar que si d(M, P ) = d(M, Q) = d(M, R), el triangulo P QR es equilatero.
Ejercicio 15. Un paralelogramo es un cuadrilatero tal que sus lados opuestos son paralelos.
i) Probar que si el cuadrilatero dado en R2 por los puntos (0, 0), (a, b), (c, d) y (e, 0) es
un paralelogramo, el punto de interseccion de sus diagonales es el punto medio de cada
una de ellas.
ii) Bajo las mismas hipotesis de i), probar que si las diagonales son perpendiculares, los
cuatro lados son iguales.
Ejercicio 16. Sean A1 , A2 y A3 en R3 tres puntos no alineados. Probar que el conjunto
S = {x R3 / d(x, A1 ) = d(x, A2 ) = d(x, A3 )}
es una recta ortogonal al plano que contiene a A1 , A2 y A3 . Calcular S en el caso A1 =

(1, 1, 0), A2 = (0, 1, 1) y A3 = (1, 1, 2).
Ejercicio 17. Sea P : R3 R3 la proyeccion ortogonal, para el producto interno canonico,

sobre el subespacio S = {(x1 , x2 , x3 ) R3 / 2.x1 x2 = 0}.
9.4 Ejercicios 247
i) Encontrar una recta L R3 tal que P (L) = (1, 2, 1). Es unica?

n
2.x1 x2 = 0
ii) Encontrar una recta L1 R3 tal que P (L1 ) = L2 siendo L2 : .
x1 x3 = 0
Es unica?
Ejercicio 18. Hallar en Rn el complemento ortogonal a M que pasa por A, la proyeccion

ortogonal de A sobre M y d(A, M ) en los siguientes casos:
i) n = 2, M : x1 x2 = 2, A = (2, 3)
n
3.x1 + x3 = 1
ii) n = 3, M: , A = (1, 0, 0)
x1 x2 = 1
n
x1 x2 + x3 = 1
iii) n = 4, M: , A = (0, 2, 0, 1)
2.x1 3.x4 = 2
Ejercicio 19. Dado en R2 el triangulo de vertices A = (2, 3), B = (8, 5) y C = (14, 11),
hallar la longitud de la altura que pasa por el vertice A.
Ejercicio 20. Se consideran en R2 los puntos O = (0, 0), P = (a, b) y Q = (c, d). Dichos
puntos forman un triangulo isosceles con base P Q. Probar que la altura correspondiente a la
base corta a esta en su punto medio.
Ejercicio 21. Sean en R3 los puntos A1 = (1, 1, 0) y A2 = (1, 1, 1). Encontrar tres
hiperplanos H tales que d(A1 , H) = d(A2 , H).
Ejercicio 22.
i) Calcular el angulo entre las rectas de R2 definidas por L1 : x1 x2 = 1 y L2 : x1 +x2 = 3.
ii) Hallar una recta L3 tal que Ang(L1 , L2 ) = Ang(L2 , L3 ) y L1 L2 L3 .
Ejercicio 23. Sea L R3 la recta L = < (1, 1, 1) > + (2, 1, 0). Encontrar un plano R3
tal que (2, 1, 0) y Ang(L, ) = 4 .
Ejercicio 24. Hallar la distancia entre M1 y M2 en los siguientes casos:

i) M1 = {(x1 , x2 , x3 ) R3 / x1 2.x2 + x3 = 1}
M2 = {(x1 , x2 , x3 ) R3 / x1 2.x2 + x3 = 3}
ii) M1 = {(x1 , x2 , x3 ) R3 / x1 + x2 = 1 , x1 x3 = 0}
M2 = {(x1 , x2 , x3 ) R3 / x1 + x2 + x3 = 0 , x3 = 1}
iii) M1 = < (1, 1, 0), (2, 1, 1) > + (1, 0, 0)
M2 = {(3, 0, 1)}
iv) M1 = {(x1 , x2 , x3 , x4 ) R4 / x1 x2 + x3 = 2 , x2 2.x4 = 2}
M2 = {(x1 , x2 , x3 , x4 ) R4 / x1 + x2 + x3 = 0 , x2 2.x4 = 8 , x1 x2 + x4 = 5}
Ejercicio 25. Probar que si M1 y M2 son variedades lineales de Rn con dim M1 dim M2
y M1 k M2 , entonces d(M1 , M2 ) = d(P, M2 ) para todo P M1 .
Ejercicio 26. Sea en R2 la recta L que pasa por los puntos (2, 1) y (5, 3). Determinar una
recta L0 k L tal que d(L, L0 ) = 2.
Ejercicio 27. Sean en R3 la recta L = <

(1, 1, 2) > y el punto P = (1, 0, 2). Encontrar un
plano H ortogonal a L tal que d(P, H) = 6.
Ejercicio 28. Sean en R3 la recta L = < (1, 2, 2) > + (0, 2, 0) y el punto P = (1, 2, 2).
Encontrar ecuaciones implcitas de una recta L0 ortogonal a L tal que d(P, L0 ) = 3 y LL0 = .
Es unica?
Ejercicio 29. Sean

M1 = {(x1 , x2 , x3 ) R3 / 2.x1 x2 + x3 = 1} y M2 = (1, 1, 1) + < (0, 1, 1), (1, 0, 2) >.
Hallar un plano H tal que Mi k H (i = 1, 2) y d(P1 , H) = d(P2 , H).
Ejercicio 30. Sea L = < (3, 0, 4) > + (1, 1, 0). Encontrar una recta L0 alabeada con L,
tal que d(L, L0 ) = 2.
Ejercicio 31.
i) Construir una rotacion f : R3 R3 tal que f (M1 ) = M2 en cada uno de los siguientes
casos:
a) M1 = {(1, 2, 1)}, M2 = {(1, 2, 1)}
b) M1 = {(x1 , x2 , x3 ) R3 / x1 x2 = 2, x3 = 1}
M2 = {(x1 , x2 , x3 ) R3 / x1 2.x2 = 1, 3.x2 x3 = 4}
c) M1 = {(x1 , x2 , x3 ) R3 / x1 x2 + x3 = 3}
M2 = {(x1 , x2 , x3 ) R3 / x1 x2 + x3 = 3}
ii) Encontrar M1 y M2 variedades lineales de R3 de igual dimension tales que no haya
ninguna rotacion f : R3 R3 que cumpla f (M1 ) = M2 .
Ejercicio 32. Sean en R3 los planos 1 y 2 definidos por las ecuaciones:

1 : x2 x3 = 1 y 2 : x2 + x3 = 1.
3 3
Definir una transformacion ortogonal f : R R tal que f (1 ) = 2 y f (2 ) = 1 .
Ejercicio 33. Sea k R y sean 1 y 2 los planos en R3 definidos por

1 = {(x1 , x2 , x3 ) R3 / x1 x2 + 2x3 = k} y 2 = < (1, 0, 1), (0, 1, 2) > + (1, 1, 1).
Determinar k para que exista una simetra f : R R3 tal que f (1 ) = 2 . Para ese valor
3
de k hallar dicha simetra y calcular f (2 ).

Captulo 10
Formas bilineales
Las formas bilineales son un caso particular de funciones multilineales que tienen diversas
aplicaciones. En este captulo solo daremos una breve introduccion al tema para poder de-
mostrar una caracterizacion de las formas bilineales simetricas reales definidas positivas que
se utiliza en el calculo de extremos de funciones multivariadas.
10.1 Definicion y ejemplos

Definicion 10.1 Sea V un K-espacio vectorial. Una funcion : V V K es una forma
bilineal si:
i) (v + v 0 , w) = (v, w) + (v 0 , w) v, v 0 , w V .
ii) (v, w) = . (v, w) K, v, w V .
iii) (v, w + w0 ) = (v, w) + (v, w0 ) v, w, w0 V .
iv) (v, .w) = . (v, w) K, v, w V .
Notar que el nombre bilineal deriva del hecho que, cuando se fija cualquiera de las variables,
la funcion resulta lineal en la otra.
Ejemplos. Se puede probar facilmente que:
1. Los productos internos reales son formas bilineales.
2. Sea V un K espacio vectorial y sean f1 : V K y f2 : V K transformaciones

lineales. Entonces : V V K definida por (v, w) = f1 (v). f2 (w) es una forma
bilineal.
3. Sea A K nn . Entonces : K n K n K, (x, y) = x. A. y t , es una forma bilineal.

250 Formas bilineales
4. Sea : R2 R2 R definida por (x, y) = x1 y1 + x2 y1 + x1 y2 + 3x2 y2 . Vemos que

y1 + y2
(x, y) = x1 .(y1 + y2 ) + x2 .(y1 + 3y2 ) = (x1 , x2 ).
y1 + 3y2

1 1 y1
= (x1 , x2 ) ,
1 3 y2
de donde resulta ser una forma bilineal como las del ejemplo anterior.
10.2 Matriz de una forma bilineal

Al igual que las transformaciones lineales y los productos internos, fijando una base, las formas
bilineales pueden caracterizarse por una matriz.
Definicion 10.2 Sea V un K-espacio vectorial de dimension finita y sea B = {v1 , . . . , vn }

una base de V . Sea : V V K una forma bilineal. Se define la matriz de en la base
B como
(||B )ij = (vi , vj ) 1 i, j n.
Ejemplo. Para la forma bilineal del ejemplo 4 anterior, si E es la base canonica de R2 , se

tiene
(e1 , e1 ) (e1 , e2 ) 1 1
||E = = .
(e2 , e1 ) (e2 , e2 ) 1 3
La matriz de una forma bilineal en una base sirve, como en el caso de las transformaciones
lineales, para poder calcular el valor de la forma si conocemos las coordenadas de los vectores
en dicha base.
Proposicion 10.3 Sea V un K-espacio vectorial de dimension finita y sea B = {v1 , . . . , vn }
una base de V . Sea : V V K una forma bilineal. Entonces, para cada x, y V ,
(x, y) = (x)B . ||B . (y)tB .
P
n P
n
Demostracion. Sean x, y V . Supongamos que x = i vi e y = j vj . Entonces
i=1 j=1
X
n n
X Xn n
X Xn X
n
(x, y) = i vi , j vj = i (vi , j vj ) = i (vi , vj )j .
i=1 j=1 i=1 j=1 i=1 j=1
Por otro lado

1 n 1
X
(x)B . ||B . (y)tB = (1 , . . . , n ).||B . ... = i ||B ...
n i=1 n i1
X X
n n X X
n n
= i (||B )ij j = i (vi , vj )j .
i=1 j=1 i=1 j=1
10.2 Matriz de una forma bilineal 251
En consecuencia, (x, y) = (x)B . ||B . (y)tB .
Observacion 10.4 Si A K nn es una matriz tal que x, y V vale (x)B .A.(y)tB = (x, y),
entonces Aij = (vi , vj ). En efecto,
(vi , vj ) = (vi )B . A. (vj )tB = ei . A. etj = Aij .
Las matrices de cambio de bases nos permiten calcular la matriz de una forma bilineal en
distintas bases.
Proposicion 10.5 Sea V un K-espacio vectorial de dimension finita y sean B1 y B2 bases

de V . Sea : V V K una forma bilineal. Entonces
C(B2 , B1 )t . ||B1 . C(B2 , B1 ) = ||B2 .
Demostracion. Sea A = C(B2 , B1 )t .||B1 .C(B2 , B1 ). Por la observacion anterior, basta

verificar que (x)B2 .A.(y)tB2 = (x, y) para todo par de vectores x, y V . Se tiene que
(x)B2 .A.(y)tB2 = (x)B2 .C(B2 , B1 )t .||B1 .C(B2 , B1 ).(y)tB2 =

t
= C(B2 , B1 ).(x)tB2 .||B1 . (y)tB1 = (x)B1 ||B1 (y)tB1 = (x, y).
Notar que la matriz de cambio de base de la izquierda aparece transpuesta, lo que es natural
por la forma de calcular la forma bilineal en un par de vectores, conocidas sus coordenadas.
Ejemplo. Sea : R2 R2 R la forma bilineal definida por
(x, y) = x1 y1 + x1 y2 + x2 y1 + 3x2 y2 .

1 1
Si E es la base canonica de R2 , vimos que ||E = . Calcular ||B para B =
1 3
{(1, 1), (1, 2)}.
Este calculo puede hacerse de dos formas:
1. A partir de la definicion de matriz de una forma bilineal:

((1, 1), (1, 1)) ((1, 1), (1, 2)) 6 10
||B = = .
((1, 2), (1, 1)) ((1, 2), (1, 2)) 10 17
2. Usando matrices de cambio de base:
||B = C(B, E)t . ||E . C(B, E)

1 1 1 1 1 1 6 10
= = .
1 2 1 3 1 2 10 17
10.3 Formas bilineales simetricas

10.3.1 Definiciones y propiedades basicas
Las formas bilineales que nos interesan son las que no varan cuando se cambia el orden de
los vectores en los que se las calcula. Estas formas se llaman simetricas.
Definicion 10.6 Sea V un K-espacio vectorial. Una forma bilineal : V V K se dice

simetrica si (x, y) = (y, x) x, y V .
Ejemplo. Un producto interno real es una forma bilineal simetrica.
A las formas bilineales simetricas les corresponden matrices simetricas:
Proposicion 10.7 Sea V un K-espacio vectorial de dimension finita y sea : V V K

una forma bilineal. Sea B una base de V . Entonces
es simetrica ||B es simetrica.
Demostracion.
() Supongamos que es una forma bilineal simetrica. Entonces
(||B )ij = (vi , vj ) = (vj , vi ) = (||B )ji .
() Sean x, y V . Entonces
t
(x, y) = (x)B . ||B . (y)tB = (x)B . ||B . (y)tB
= (y)B . ||tB . (x)tB = (y)B . ||B . (x)tB = (y, x).
A cada forma bilineal simetrica, se le asocia un subespacio nucleo de la siguiente forma:
Definicion 10.8 Sea V un K-espacio vectorial y sea : V V K una forma bilineal

simetrica. Se define el nucleo de como Nu() = {x V / (x, y) = 0 y V }. En el caso
en que Nu() 6= {0} se dice que es una forma bilineal simetrica degenerada.
Ejemplo. Sea : R2 R2 R la forma bilineal simetrica definida por

1 2 y1
(x, y) = (x1 , x2 ) .
2 4 y2
Se tiene que

y1
x Nu() (x1 + 2x2 , 2x1 + 4x2 ) = 0 (y1 , y2 )
y2
n
x1 + 2x2 = 0
x1 + 2x2 = 0.
2x1 + 4x2 = 0
Luego, Nu() = < (2, 1) >.
10.3 Formas bilineales simetricas 253
Observacion 10.9 Sea : V V K una forma bilineal simetrica. Entonces:
1. Nu() es un subespacio de V .
2. Si dim V = n y B es una base de V , entonces
Nu() = {x V / (x)B . ||B . (y)tB = 0 y V } = {x V / (x)B . ||B = 0}
= {x V / ||tB . (x)tB = 0} = {x V / ||B . (x)tB = 0}
= {x V / (x)B Nu(||)B }.
En consecuencia, dim Nu() = n rg(||B ).
A partir de este resultado, se define una nocion de rango de una forma bilineal simetrica:
Definicion 10.10 Sea V un K-espacio vectorial de dimension finita. Sea : V V K

una forma bilineal simetrica. Se define el rango de como
rg() = dim V dim Nu().
Notar que, por la observacion anterior, si B es cualquier base de V , entonces rg() =

rg(||B ).
10.3.2 Diagonalizacion de formas bilineales simetricas

A continuacion, se mostrara un proceso inductivo algortmico que permite diagonalizar formas
bilineales simetricas en cuerpos arbitrarios donde 2 6= 0.
Proposicion 10.11 Sea K un cuerpo tal que 2 6= 0 en K. Sea V un K-espacio vectorial de

dimension finita, y sea : V V K una forma bilineal simetrica. Entonces existe una
base B de V tal que ||B es diagonal.
Demostracion. Sea B0 = {v1 , . . . , vn } una base de V . Supongamos que

a11 a12 . . . a1n
a12

||B0 = .
. . M
a1n
donde M K (n1)(n1) es una matriz simetrica.
1. Si a11 6= 0:

1 0 ... 0 a a12 ... a1n 1 aa12 ... aa1n
a12 .. 11
11 11

a 1 . a12 0 1 0

=
. .. ..
11
.. .. .. ..
. . 0 M . . .
aa1n 0 . . . 1 a1n 0 ... 0 1
11

a11 0 ... 0
0

= .. con M 0 simetrica.
. M 0
0
Ahora se sigue diagonalizando M 0 .
2. Si a1i = 0 1 i n:

0 ... 0
..
Entonces ||B0 = . M y basta diagonalizar M .
0
3. Si a11 = 0 y existe i con 2 i n tal que a1i 6= 0, pueden pasar dos cosas:
i) Si aii 6= 0, se multiplica a izquierda y a derecha por la matriz elemental P 1i y se obtiene
la matriz simetrica P 1i .||B0 .P 1i tal que (P 1i .||B0 .P 1i )11 = aii , con lo que estamos en
el primer caso.
ii) Si aii = 0, sea C (i) la matriz definida por
n
(i) 1 si k = ` o k = i, ` = 1
Ck` =
0 si no
Entonces ((C (i) )t .||B0 .C (i) )11 = 2.a1i y la matriz es simetrica, con lo que tambien
estamos en el primer caso, pues 2 6= 0 en K.
Ejemplos.
1. Sea : R3 R3 R la forma bilineal simetrica tal que

0 1 1
||E = 1 1 0 .
1 0 0
Hallar una base B de R3 tal que la matriz ||B sea diagonal.
Siguiendo el algoritmo que demuestra la proposicion anterior, estamos en el caso en
que a11 = 0 pero a22 6= 0. Multiplicando a izquierda y a derecha por la matriz P 12
obtenemos

0 1 0 0 1 1 0 1 0 1 1 0
P 12 .||E .P 12 = 1 0 0 1 1 0 1 0 0 = 1 0 1 .
0 0 1 1 0 0 0 0 1 0 1 0
Estamos ahora en condiciones de aplicar el primer paso del algoritmo, ya que tenemos
(P 12 .||E .P 12 )11 = 1 6= 0. Luego

1 0 0 1 1 0 1 1 0 1 0 0
1 1 0 1 0 1 0 1 0 = 0 1 1 .
0 0 1 0 1 0 0 0 1 0 1 0
10.3 Formas bilineales simetricas 255

1 1
Ahora, nos basta diagonalizar el bloque , que nuevamente satisface las condi-
1 0
ciones del paso 1, as que,

1 0 1 1 1 1 1 0
= .
1 1 1 0 0 1 0 1
Por lo tanto, podemos resumir la operaciones efectuadas de la siguiente forma:

1 0 0 1 0 0 1 1 0 1 0 0
0 1 0 1 1 0 .P 12 .||E . P 12 . 0 1 0 . 0 1 1 =
0 1 1 0 0 1 0 0 1 0 0 1

1 0 0
= 0 1 0 .
0 0 1
Por lo tanto, la base B de R3 que estamos buscando debe satisfacer que

1 1 0 1 0 0 0 1 1
C(B, E) = P 12 . 0 1 0 . 0 1 1 = 1 1 1
0 0 1 0 0 1 0 0 1
y por lo tanto, la base B resulta ser B = {(0, 1, 0), (1, 1, 0), (1, 1, 1)}.
2. Sea : R3 R3 R la forma bilineal simetrica tal que

0 1 2
||E = 1 0 0 .
2 0 0
Hallar una base B de R3 tal que la matriz ||B sea diagonal.
En este caso, a11 = 0 pero a22 = 0. Como estamos en el caso 3. ii) del algoritmo anterior,
multiplicamos por las matrices C (2) y (C (2) )t a derecha y a izquiera respectivamente y
obtenemos

1 1 0 1 0 0 2 1 2
0 1 0 .||E . 1 1 0 = 1 0 0 .
0 0 1 0 0 1 2 0 0
Luego, como estamos en el primer caso del algoritmo,

1 0 0 2 1 2 1 21 1 2 0 0
1 1 0 1 0 0 0 1 0 = 0 12 1 .
2
1 0 1 2 0 0 0 0 1 0 1 2
Diagonalizando ahora el bloque de 2 2 queda que

1 0 0 2 0 0 1 0 0 2 0 0
0 1 0 0 12 1 0 1 2 = 0 21 0 .
0 2 1 0 1 2 0 0 1 0 0 0
Como antes, si B es la base buscada, la matriz de cambio de base C(B, E) resulta

1 0 0 1 12 1 1 0 0 1 21 0
C(B, E) = 1 1 0 0 1 0 0 1 2 = 1 1
2 2 ,
0 0 1 0 0 1 0 0 1 0 0 1
con lo que B = {(1, 1, 0), ( 12 , 12 , 0), (0, 2, 1)}.
10.4 Formas bilineales simetricas reales

10.4.1 Clasificacion
En lo que sigue daremos una clasificacion de formas bilineales simetricas reales que se utiliza,
entre otras cosas, para la clasificacion de extremos locales de funciones multivariadas:
Definicion 10.12 Sea V un R-espacio vectorial. Una forma bilineal simetrica : V V R

se dice:
i) Definida positiva si (x, x) > 0 x 6= 0.

ii) Semidefinida positiva si (x, x) 0 x V .
iii) Definida negativa si (x, x) < 0 x 6= 0.
iv) Semidefinida negativa si (x, x) 0 x V .
v) Indefinida si no vale ninguna de las condiciones anteriores.
Ejemplos.
i) : Rn Rn R, (x, y) = hx, yi es definida positiva.

ii) : Rn Rn R, (x, y) = x1 y1 es semidefinida positiva.
iii) : Rn Rn R, (x, y) = hx, yi es definida negativa.
iv) : Rn Rn R, (x, y) = x1 y1 es semidefinida negativa.
v) : Rn Rn R (n 2), (x, y) = x1 y1 x2 y2 es indefinida.
Todas las formas bilineales simetricas reales pueden diagonalizarse de una forma especial:
10.4 Formas bilineales simetricas reales 257
Teorema 10.13 Sea V un R-espacio vectorial de dimension n y sea : V V R una

forma bilineal simetrica. Entonces existe una base B de V tal que ||B es diagonal con 1, 1
y 0 en la diagonal, es decir,
(
1 si 1 i r, j = i
(||B )ij = 1 si r + 1 i s, j = i ()
0 en otro caso
Demostracion. Sea B1 una base de V . Como es simetrica, ||B1 es simetrica. En conse-

cuencia, es diagonalizable. Mas aun, existe una matriz ortogonal O tal que

1
..
.

r

r+1

..
Ot . ||B1 . O = . con i > 0, i < 0.

s

0

.
..
0
Sea A Rnn la matriz definida por

1

i si 1 i r, j = i

1
si r + 1 i s, j = i
Aij = i

1 si i = j > s

0 en otro caso
Es facil ver que A.Ot . ||B1 . O.A tiene la forma del enunciado del teorema.
Puesto que O y A son ambas inversibles, entonces O.A es inversible. En consecuencia,
existe una base B tal que O.A = C(B, B1 ). Ademas, A.Ot = At .Ot = (O.A)t = C(B, B1 )t .
Por lo tanto
||B = C(B, B1 )t . ||B1 . C(B, B1 ) = A.Ot . ||B1 . O.A
es de la forma ().
La cantidad de 1, la de 1 y la de 0 que aparecen en la diagonal cuando se diagonaliza

una forma bilineal simetrica real son invariantes asociados a la forma bilineal.
Teorema 10.14 Sea : V V R una forma bilineal simetrica. Sean
B1 = {v1 , . . . , vr , vr+1 , . . . , vs , vs+1 , . . . , vn }

B2 = {w1 , . . . , wt , wt+1 , . . . , w` , w`+1 , . . . , wn }
bases de V tales que

(
1 si 1 i r, j = i
(||B1 )ij = 1 si r + 1 i s, j = i
0 en otro caso
(
1 si 1 i t, j = i
(||B2 )ij = 1 si t + 1 i `, j = i
0 en otro caso
Entonces r = t y s = `.
Demostracion. Sabemos que rg(||B ) = dim V dim Nu() para cualquier base B de
V . Entonces s = rg(||B1 ) = rg(||B2 ) = `. Mas aun, Nu() = < vs+1 , . . . , vn > =
< w`+1 , . . . , wn >.
Consideremos
V + un subespacio de V de dimension maxima tal que |V + V + es definida positiva.
V un subespacio de V de dimension maxima tal que |V V es definida negativa.
Veamos que V + V Nu():
i) V + (V + Nu()) = {0}:
Supongamos que x V + y x = x1 + x2 con x1 V y x2 Nu(). Entonces
(x, x) = (x1 + x2 , x1 + x2 ) = (x1 , x1 ) + 2 (x1 , x2 ) + (x2 , x2 ).
Como x1 V , (x1 , x1 ) 0, y como x2 Nu(), (x1 , x2 ) = (x2 , x2 ) = 0. Entonces

(x, x) 0. Pero x V + , con lo que (x, x) > 0 o x = 0.
En consecuencia, x = 0.
ii) V (V + + Nu()) = {0}:
Se prueba de la misma manera que el caso anterior.
iii) Nu() (V + + V ) = {0}:
Supongamos que x Nu() y x = x1 + x2 con x1 V + , x2 V . Entonces
0 = (x, x1 ) = (x1 + x2 , x1 ) = (x1 , x1 ) + (x2 , x1 ),

0 = (x, x2 ) = (x1 + x2 , x2 ) = (x1 , x2 ) + (x2 , x2 ),
y como (x1 , x2 ) = (x2 , x1 ), resulta que (x1 , x1 ) = (x2 , x2 ).

Puesto que x1 V + y x2 V se tiene que (x1 , x1 ) 0 y (x2 , x2 ) 0, con lo cual
debe ser
(x1 , x1 ) = (x2 , x2 ) = 0.
Luego, x1 = x2 = 0 y entonces x = 0.
Observamos que si S = < v1 , . . . , vr >, entonces |SS es definida positiva, puesto que
X
r r
X Xr r
X r
X
i vi , j vj = i j (vi , vj ) = i2 > 0
i=1 j=1 i=1 j=1 i=1
si algun i 6= 0. Como V + tiene dimension maxima entre los subespacios en los cuales la
restriccion de es definida positiva, dim V + dim S = r.
De la misma manera resulta que dim V dim < vr+1 , . . . , vs > = s r.
En consecuencia se tiene que
n dim(V + V Nu) = dim V + + dim V + dim Nu() r + (s r) + (n s) = n,
de donde se desprende que V + V Nu = V , dim V + = r y dim V = s r.

Considerando la base B2 se obtiene dim V + = t y dim V = ` t.
Por lo tanto, r = t.
Observacion 10.15 Los subespacios V + y V que aparecen en la demostracion anterior no

son unicos.

2 2 1 0
Por ejemplo, para la forma bilineal : R R R tal que ||E = podra
0 0
+ +
tomarse V = < (1, 0) > o V = < (1, 1) >.
La clasificacion de formas bilineales introducida al comienzo de esta seccion puede efec-

tuarse a partir de las cantidades de 1, de 1 y de 0 en la matriz diagonal dada por el Teorema
10.13:
Observacion 10.16 Sea V es un R-espacio vectorial de dimension n, y sea : V V R

una forma bilineal simetrica. Si B es una base de V tal que ||B es de la forma (), entonces:
i) es definida positiva r = n.
ii) es semidefinida positiva r < n y s = r.
iii) es definida negativa r = 0 y s = n.
iv) es semidefinida negativa r = 0 y s < n.
v) es indefinida 0 < r < s.
La suma de la cantidad de 1 y la de 1 en una matriz de la forma () es el rango de la

forma bilineal . Definimos a continuacion otro invariante que, junto con el rango, permite
clasificar formas bilineales simetricas reales:
Definicion 10.17 Sea V un espacio vectorial real y sea : V V R una forma bilineal
simetrica tal que para una base B
(
1 si 1 i r, j = i
(||B )ij = 1 si r + 1 i s, j = i
0 si no
Se define la signatura de como la diferencia entre la cantidad de 1 y la cantidad de 1 que
aparecen en ||B , es decir
signatura() = dim V + dim V = 2r s.
10.4.2 Formas bilineales definidas positivas

El hecho de que una forma bilineal simetrica real sea definida positiva se relaciona con los
signos de los autovectores de su matriz en una base.
Proposicion 10.18 Sea V un R-espacio vectorial de dimension n y sea : V V R una

forma bilineal simetrica. Sea B una base de V . Entonces es definida positiva si y solo si
todos los autovalores de ||B Rnn son positivos.
Demostracion. Como A es una matriz simetrica, existe una matriz ortogonal O Rnn tal
que
1 0
.. ,
Ot . A. O = ... ..
. .
0 n
donde 1 , . . . , n son los autovalores de A.
Sea B 0 = {v1 , . . . , vn } una base de V tal que O = C(B 0 , B). Entonces

1 0

||B 0 = ... . . . ... .
0 n
() Para cada 1 i n, i = (vi , vi ). Si es definida positiva, resulta i > 0 1 i n.

P
n
() Supongamos que 1 , . . . , n son positivos. Entonces, para cada x V , si x = xi vi ,
i=1
se tiene que

1 0 x1 n
..
(x, x) = (x1 , . . . , xn ). . .. .. . .. = X x2 0,
. . . i i
0 n xn i=1
y vale (x, x) = 0 si y solo si xi = 0 1 i n, es decir, si y solo si x = 0.

En consecuencia, es definida positiva.
Finalmente, estamos en condiciones de demostrar el criterio que permite decidir si una

forma bilineal simetrica real es definida positiva mediante el calculo de los menores principales
de su matriz en una base.
Teorema 10.19 (Criterio de Sylvester) Sea V un R-espacio vectorial de dimension n y

sea : V V R una forma bilineal simetrica. Sea B una base de V . Entonces es
definida positiva si y solo si todos los menores principales de ||B Rnn son positivos.
Demostracion. Sea B = {v1 , . . . , vn } y denotemos por A = (aij )1i,jn Rnn a la matriz

de en la base B.
() Por induccion en n.
Es claro que vale para n = 1.
Supongamos que vale para n 1 y que V es un R-espacio vectorial de dimension n.
Como es definida positiva, a11 = (v1 , v1 ) > 0. Entonces, A se puede triangular, en
el sentido de las formas bilineales, como sigue:

1 0 ... 0 1 aa12 ... aa1n a11 0 ... 0
a12 ..
11 11

a 1 . 0 1 0 0
11 .A. .. .. = .. .
.. .. ..
. . 0 . . . . M
aa1n 0 ... 1 0 ... 0 1 0
11
Es facil ver que estas operaciones no cambian los menores principales. Por lo tanto, el
i-esimo menor principal de A se obtiene multiplicando el (i 1)-esimo menor principal
de M por a11 .
Ahora, si S = < v2 aa11 12
. v1 , . . . , vn aa1n
11
. v1 >, entonces M es la matriz (simetrica) de
la forma bilineal |SS : S S R (que se obtiene al restringir a S S) en la base
BS = {v2 aa1112
. v1 , . . . , vn aa1n 11
. v1 }. Como |SS es definida positiva y dim S = n 1,
por hipotesis inductiva, los menores principales de M son positivos.
Como ademas a11 > 0, resulta que todos los menores principales de A son positivos.
() Por induccion en n.
Para n = 1 no hay nada que hacer.
Supongamos que n > 1 y que el resultado vale para n 1.
El primer menor principal de A es positivo, es decir, a11 > 0. Entonces

1 0 ... 0 1 aa12 ... aa1n a11 0 ... 0
a12 ..
11 11

a 1 . 0 1 0 0
11 .A. .. .. = .. .
.. .. ..
. . 0 . . . . M
aa1n 0 ... 1 0 ... 0 1 0
11
Observar que todos los menores principales de M son positivos, puesto que al multipli-
carlos por a11 se obtienen menores principales de A, que son positivos.
Si S = < v2 aa12
11
. v1 , . . . , vn aa1n
11
. v1 > y BS = {v2 aa12 11
. v1 , . . . , vn aa1n
11
. v1 }, entonces
M = ||SS |BS . Por hipotesis inductiva, |SS es definida positiva. Entonces existe
una base B 0 = {w2 , . . . , wn } de S tal que ||SS |B 0 = In1 (ver Observacion 10.16). En
consecuencia,

a11 0 . . . 0
0 1 ... 0

||{v1 ,w2 ,...,wn } = . con a11 > 0.
.. . . . . . . ...

0 ... 0 1
Luego, es definida positiva.
10.5 Ejercicios
Ejercicio 1. Probar que las siguientes funciones son formas bilineales:
i) : K n K n K definida por (x, y) = x.A.y t donde A K nn .
ii) : V V K definida por (v, w) = f1 (v).f2 (w) donde V es un K-espacio vectorial

y f1 , f2 V .
iii) : K mn K mn K definida por (A, B) = tr(At .C.B) donde C K mm .
Ejercicio 2. Determinar si las siguientes funciones son o no formas bilineales. En caso

afirmativo calcular su matriz en la base canonica correspondiente y determinar si la forma
bilineal es simetrica:
i) : R2 R2 R, (x, y) = 2.x1 .y1 + 3.x2 .y1 x2 .y2 + 3.x1 .y2
ii) : R2 R2 R, (x, y) = x1 .y1 x2 .y1 + 2.x2 .y2 + 2.x1 .y2
iii) : C2 C2 C, (x, y) = (1 + i).x1 .y1 + x2 .y1 + (1 i).x2 .y2 3.x1 .y2
iv) : R2 R2 R, (x, y) = x21 + x2 .y1 + x1 .y2 x22
v) : R3 R3 R, (x, y) = 2.x1 .y1 + x3 .y3 x1 .y3 x3 .y1
vi) : C3 C3 C, (x, y) = x1 .y1 + (2 + i).x2 .y1 + 2.x2 .y2 + (2 + i).x1 .y2 + x1 .y3 +
x3 .y1 x3 .y3
vii) : R3 R3 R, (x, y) = (3x1 + x2 x3 ).(4y2 + 2y3 )

10.5 Ejercicios 263
Ejercicio 3.
i) Para las formas bilineales sobre R3 del ejercicio anterior, calcular su matriz en la base
{(1, 2, 4), (2, 1, 0), (1, 2, 0)}.
ii) Para las formas bilineales simetricas del ejercicio anterior calcular su nucleo.
Ejercicio 4. Hallar una forma bilineal simetrica en R3 tal que Nu() =< (1, 2, 1) > y
((1, 1, 1), (1, 1, 1)) < 0. Calcular la matriz de en la base canonica.
Ejercicio 5. Para cada una de las formas bilineales reales siguientes hallar una base ortonor-
mal tal que la matriz de la forma bilineal en dicha base sea diagonal y exhibir la matriz de la
forma bilineal en esta base. Calcular signatura y rango, decidir si es degenerada o no, definida
(positiva o negativa), semidefinida (positiva o negativa) o indefinida.

5 0 2
i) : R3 R3 R tal que ||E = 0 7 2
2 2 6
ii) : R4 R4 R definida por (x, y) = 2.x1 .y1 + 2.x1 .y3 + 2.x3 .y1 x3 .y3 x4 .y4 .
Ejercicio 6. Para cada una de las formas bilineales simetricas reales dadas en la base
canonica por las matrices siguientes, hallar una base B tal que la matriz de la forma bilineal
en dicha base sea diagonal con 1, 1 y 0 en la diagonal. Calcular signatura y rango, decidir
si es degenerada o no, definida (positiva o negativa), semidefinida (positiva o negativa) o
indefinida.

1 1 2 3
1 2 3
1 2 5 1
i) 2 6 9 ii)
2 5 6 9
3 9 4
3 1 9 11
Ejercicio 7. Sea A Rnn una matriz simetrica. Probar que la forma bilineal que tiene a
A como matriz en la base canonica es definida negativa si y solo si los signos de los menores
principales de A van alternandose comenzando por un signo menos.
Bibliografa
[1] Kenneth Hoffman, Ray A. Kunze, Algebra lineal. Prentice-Hall Hispanoamericana,

Mexico, 1973.
[2] Serge Lang, Linear Algebra. 3rd. ed. Undergraduate texts in mathematics, Springer, New
York, 1987.
[3] Angel Larotonda, Algebra lineal y geometra. 2a. ed. Eudeba, Buenos Aires, 1977.
[4] Elon Lages Lima, Algebra Linear. R. de J. Instituto de Matematica Pura e Aplicada.
CNPq, 1998.
[5] Seymour Lipschutz, Algebra lineal. 2a. ed. McGraw-Hill, 1992.
[6] Carl Meyer, Matrix analysis and applied linear algebra. SIAM, Philadelphia, 2000.
[7] Ben Noble, D. Daniel James, Algebra lineal aplicada. Prentice-Hall Hispanoamericana,
Mexico, 1989.
[8] Gilbert Strang, Algebra lineal y sus aplicaciones. Fondo Educativo Interamericano,
Mexico, 1982.
Indice Alfabetico
accion, 5 ortogonal de una variedad lineal por un

adjunta de una transformacion lineal, 206 punto, 240
algebra, 50 conjunto
angulo ortogonal, 195
entre dos planos, 241 ortonormal, 195
entre dos rectas, 240 coordenadas
entre dos vectores, 194 de un vector en una base, 55
entre una recta y un plano, 241 criterio de Sylvester, 261
anillo, 3 cuerpo, 4
conmutativo, 3
anulador determinante, 111
de la interseccion de subespacios, 101 desarrollo por una columna, 117
de la suma de subespacios, 101 desarrollo por una fila, 117
de un subespacio, 99 diagonalizacion simultanea, 162
automorfismo, 68 diferencia simetrica, 2
autovalor dimension, 28
de una matriz, 135 de una variedad lineal, 232
de una transformacion lineal, 134 finita, 28
autovector distancia, 193
de una matriz, 135 de un punto a un subespacio, 204
de una transformacion lineal, 134 de un punto a una variedad lineal, 241
entre variedades lineales, 242
base, 27 dominio de integridad, 4
canonica de K n , 27
de Jordan elemento neutro, 2
para una matriz, 168, 177 endomorfismo, 68
para una transformacion lineal, 168, 176 epimorfismo, 68
dual, 96 equivalencia de matrices, 82
bloque de Jordan, 173 escalar, 6
nilpotente, 165 espacio
dual, 95
combinacion lineal, 11 eucldeo, 190
complemento unitario, 190
de un subespacio, 35 vectorial, 5
invariante de un subespacio, 155
ortogonal de un subespacio, 201 forma bilineal, 249
INDICE ALFABETICO 267
simetrica, 252 matriz, 7, 47

forma bilineal simetrica adjunta, 120
definida negativa, 256 ampliada de un sistema no homogeneo,
definida positiva, 256 22
degenerada, 252 antisimetrica, 59
indefinida, 256 de cambio de base, 56
semidefinida negativa, 256 de Jordan, 175
semidefinida positiva, 256 de un producto interno, 194
forma de Jordan, 175 de un sistema lineal, 20
nilpotente, 167 de un sistema lineal homogeneo, 13
para una matriz, 168, 177 de una forma bilineal, 250
para una transformacion lineal, 168, 176 de una transformacion lineal, 77
de Vandermonde, 123
grupo, 2 diagonal, 59
abeliano, 2 diagonalizable, 134
lineal general, 51 escalar, 59
hermitiana, 209
hiperplano, 45, 233
identidad, 48
HomK (V, W ), 83
inversible, 51
homomorfismo, 65
nilpotente, 163
identidades de polarizacion, 192 ortogonal, 212
imagen de una transformacion lineal, 69, 70 simetrica, 59
independencia lineal, 24 triangular superior, 15, 59
ndice de nilpotencia unitaria, 212
de una matriz nilpotente, 164 monomorfismo, 68
de una transformacion lineal nilpotente, morfismo, 65
164 multilineal alternada, 107
interseccion de variedades lineales, 235
inversa de una transformacion lineal, 72 nucleo
inverso de un elemento, 2 de una forma bilineal simetrica, 252
isometra, 229 de una matriz, 164
isomorfismo, 68 de una transformacion lineal, 68
norma de un vector, 191
metodo de eliminacion de Gauss, 14
metodo de ortonormalizacion operacion, 1
de Gram-Schmidt, 198
matrices plano, 233
canonicas, 47 polinomio
elementales, 53 caracterstico de una matriz, 136
equivalentes, 82 caracterstico de una transformacion li-
multiplicacion por bloques, 59 neal, 137
producto, 48 interpolador de Lagrange, 99, 105, 124
producto por escalares, 48 minimal de un vector, 146
semejantes, 93, 133 minimal de una matriz, 143
suma, 48 minimal de una transformacion lineal, 145
268 INDICE ALFABETICO
producto interno, 189 teorema del coseno, 194

canonico en Cn , 190 transformacion lineal, 65
canonico en Rn , 190 autoadjunta, 209
producto por escalares, 6 diagonal, 134
propiedad diagonalizable, 134
asociativa, 2 inversa, 72
conmutativa, 2 nilpotente, 88, 163
proyeccion ortogonal sobre un subespacio, 203 normal, 228
proyector, 75 ortogonal, 212
transpuesta entre espacios duales, 105
rango, 81 unitaria, 212
columna, 79 transformaciones lineales
de una forma bilineal simetrica, 253 composicion, 72
fila, 80 matriz de la composicion, 78
recta, 233 transpuesta de una matriz, 50
regla de Cramer, 121 traza
rotacion, 216, 218 de un endomorfismo, 90
de una matriz, 50
semejanza de matrices, 93, 133 triangulacion, 14
signatura, 260
simetra, 216, 218 variedad lineal, 231
sistema de generadores, 11 generada por un conjunto de vectores,
sistema lineal 234
homogeneo, 13 suma, 238
homogeneo asociado, 20 variedades lineales
no homogeneo, 19 alabeadas, 237
notacion matricial, 50 ortogonales, 240
sistemas lineales paralelas, 236
equivalentes, 13 vector, 6
subespacio, 8 vectores ortogonales, 195
asociado a una variedad lineal, 232 volumen de un paraleleppedo, 226
generado, 9
invariante, 153
submatriz, 124
sucesion de Fibonacci, 45, 158
suma
de subespacios, 31, 138
directa de subespacios, 34, 138
teorema de la dimension
para la suma de subespacios, 33
para transformaciones lineales, 73
para variedades lineales, 239
teorema de Pitagoras, 195
teorema de Thales, 246
Gabriela Jeronimo
Departamento de Matematica, Facultad de Ciencias Exactas y Naturales,
CONICET - Argentina
jeronimo@dm.uba.ar
Juan Sabia
Departamento de Ciencias Exactas, Ciclo Basico Comun,
CONICET - Argentina
jsabia@dm.uba.ar
Susana Tesauri
Departamento de Matematica, Facultad de Ciencias Exactas y Naturales,
stesauri@dm.uba.ar

Algebra Lineal PDF

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal PDF

Cargado por

Copyright:

Formatos disponibles

ISSN 1851-1317

Fascculo 2 Cursos de grado

Universidad de Buenos Aires

Carlos Cabrelli (Director). Departamento de Matemtica, FCEyN, Universidad de

Claudia Lederman. Departamento de Matemtica, FCEyN, Universidad de Buenos

Gabriel Minian. Departamento de Matemtica, FCEyN, Universidad de Buenos Aires.

Buenos Aires, agosto de 2008

Gabriela Jeronimo, Juan Sabia y Susana Tesauri

5.3.3 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

7 Forma de Jordan 163

8 Espacios vectoriales con producto interno 189

8.1.4 Angulo entre dos vectores . . . . . . . . . . . . . . . . . . . . . . . . . . 194

9 Variedades lineales 231

10 Formas bilineales 249

10.4.1 Clasificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256

Indice Alfabetico 266

1.1 Espacios vectoriales y subespacios

+ : N N N, tal que +(a, b) = a + b, es una operacion de N.

La suma +, el producto y la resta son operaciones de Z, Q, R y C.

Definicion 1.2 (Propiedades basicas) Sea : A A A una operacion.

iv) se dice conmutativa si a b = b a a, b A.

(N, +) no es un grupo: se puede probar que no tiene elemento neutro.

(Z, +), (Q, +), (R, +) y (C, +) son grupos abelianos.

(Z, ) no es un grupo: se puede probar que solo 1 y -1 tienen inverso multiplicativo.

(Q {0}, ), (R {0}, ) y (C {0}, ) son grupos abelianos.

A = {f : R R}, = (composicion de funciones). Entonces (A, ) no es un grupo:

SR = {f : R R / f es biyectiva }, = . Entonces (SR , ) es un grupo.

C un conjunto, P(C) = {S C}. Se define la operacion 4 : P(C) P(C) P(C),

Entonces (P(C), 4) es un grupo abeliano.

Notacion. Si G es un grupo abeliano y la operacion se nota +, el elemento neutro se notara 0

Definicion 1.4 Sea A un conjunto y sean + y operaciones de A. Se dice que (A, +, ) es

i) (A, +) es un grupo abeliano

ii) es asociativa y tiene elemento neutro

iii) Valen las propiedades distributivas: Para a, b, c A,

Ademas, si es conmutativa, se dice que (A, +, ) es un anillo conmutativo.

(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son anillos conmutativos.

(Zn , +, ) es una anillo conmutativo.

Si (A, +, ) es un anillo conmutativo, entonces (A[X], +, ) es un anillo conmutativo con

Si C es un conjunto, (P(C), 4, ) es un anillo conmutativo.

{f : R R} con las operaciones usuales de suma y producto de funciones es un anillo

Sea (A, +, ) un anillo, y sea 0 el elemento neutro de +. Entonces 0 a = 0, a A.

En un anillo cualquiera no es cierto que a b = 0 a = 0 o b = 0. Por ejemplo, en Z4 , se

Definicion 1.5 Un anillo conmutativo (A, +, ) se llama un dominio de integridad o dominio

(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son dominios de integridad.

Si A es un dominio de integridad, entonces A[X] es un dominio de integridad.

Zp es un dominio de integridad p es primo.

Definicion 1.6 Sea K un conjunto, y sean + y operaciones de K. Se dice que (K, +, ) es

i) (K, +) es un grupo abeliano,

ii) (K {0}, ) es un grupo abeliano, y

iii) vale la propiedad distributiva de con respecto a +.

(Q, +, ), (R, +, ) y (C, +, ) son cuerpos

(Zp , +, ) es un cuerpo p es primo.

Todo cuerpo (K, +, ) es un dominio de integridad.

Definicion 1.7 Sean A y B dos conjuntos. Una accion de A en B es una funcion

Estamos ahora en condiciones de dar la definicion de espacio vectorial.

1.1.2 Espacios vectoriales

i) (V, +) es un grupo abeliano.

Los elementos de V se llaman vectores y los elementos de K se llaman escalares. La accion

En lo que sigue, K denotara un cuerpo. Si (V, +, ) es un K-espacio vectorial y la operacion