Matematicas I PDF

Matemáticas I 2012-2013
por José Miguel Farto Álvarez
Curso 2012-2013
c 2010, 2011, 2012, José Miguel Farto Álvarez.
Copyright
Permission is granted to copy, distribute and/or modify this doc-

ument under the terms of the GNU Free Documentation License,
Version 1.3 or any later version published by the Free Software
Foundation; with no Invariant Sections, no Front-Cover Texts,
and no Back-Cover Texts. A copy of the license is included in the
section entitled “GNU Free Documentation License”.
Se garantiza el permiso para copiar, distribuir y/o modificar este

documento bajo los términos de la licencia GNU Free Documenta-
tion License (FDL), Version 1.3 o cualquier versión posterior pub-
licada por la fundación Free Software Foundation; sin secciones
invariantes, ni texto de portada ni texto the contraportada. Se
incluye una copia de la licencia en la sección titulada “GNU Free
Documentation License”.
Contents
GNU Free Documentation License v

1. APPLICABILITY AND DEFINITIONS . . . . . . . . . . . . . . v
2. VERBATIM COPYING . . . . . . . . . . . . . . . . . . . . . . vii
3. COPYING IN QUANTITY . . . . . . . . . . . . . . . . . . . . . viii
4. MODIFICATIONS . . . . . . . . . . . . . . . . . . . . . . . . . viii
5. COMBINING DOCUMENTS . . . . . . . . . . . . . . . . . . . x
6. COLLECTIONS OF DOCUMENTS . . . . . . . . . . . . . . . . xi
7. AGGREGATION WITH INDEPENDENT WORKS . . . . . . . xi
8. TRANSLATION . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
9. TERMINATION . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
10. FUTURE REVISIONS OF THIS LICENSE . . . . . . . . . . . xiii
11. RELICENSING . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
ADDENDUM: How to use this License for your documents . . . . . xiv
0 Nociones previas 1
0.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
PSM Paradojas en la teoría intuitiva de conjuntos . . . . . . . 1
0.1.1 Operaciones sobre conjuntos . . . . . . . . . . . . . . . 2
0.1.1.1 Unión de conjuntos . . . . . . . . . . . . . . . 2
0.1.1.2 Intersección de conjuntos . . . . . . . . . . . 2
0.1.1.3 Producto cartesiano . . . . . . . . . . . . . . 3
0.1.1.4 Propiedades . . . . . . . . . . . . . . . . . . . 3
PSM Otras operaciones sobre conjuntos . . . . . . . . . . . . . 3
0.1.2 Correspondencias . . . . . . . . . . . . . . . . . . . . . 4
0.1.2.1 Aplicaciones . . . . . . . . . . . . . . . . . . . 4
PSM Cardinalidad . . . . . . . . . . . . . . . . . . . . . . . . 7
PSM Relaciones binarias . . . . . . . . . . . . . . . . . . . . . . . . 8
PSM Relaciones de equivalencia . . . . . . . . . . . . . . . . . 8
PSM Relaciones de orden . . . . . . . . . . . . . . . . . . . . . 8
0.2 Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.2.1 Operaciones internas . . . . . . . . . . . . . . . . . . . 8
iii
iv 0.0. CONTENTS
0.2.2 Operaciones externas . . . . . . . . . . . . . . . . . . . 8

0.3 Estructuras algebráicas . . . . . . . . . . . . . . . . . . . . . . 8
0.4 Conjuntos de números . . . . . . . . . . . . . . . . . . . . . . 9
PSM Construcción de N, Z y Q . . . . . . . . . . . . . . . . . 9
0.5 Los números reales . . . . . . . . . . . . . . . . . . . . . . . . 10
PSM Construcción de los números reales . . . . . . . . . . . . 10
PSM Sucesiones de cauchy de números racionales . . . 10
PSM El conjunto cociente R . . . . . . . . . . . . . . . 10
0.5.1 Representación gráfica de Rn . . . . . . . . . . . . . . . 10
0.5.2 Relación de orden en R . . . . . . . . . . . . . . . . . . 12
0.5.3 Valor absoluto en R . . . . . . . . . . . . . . . . . . . . 13
PSM Norma en Rn . . . . . . . . . . . . . . . . . . . . . . . . 14
0.5.4 Acotación . . . . . . . . . . . . . . . . . . . . . . . . . 14
PSM Acotación en Rn . . . . . . . . . . . . . . . . . . . . . . 15
0.5.5 Intervalos . . . . . . . . . . . . . . . . . . . . . . . . . 15
PSM Bolas en Rn . . . . . . . . . . . . . . . . . . . . . . . . . 16
0.5.6 Entornos en R . . . . . . . . . . . . . . . . . . . . . . . 16
0.5.6.1 Entornos de ±∞ . . . . . . . . . . . . . . . . 17
PSM Abiertos y cerrados en Rn . Fronteras. Compactos. Puntos
aislados . . . . . . . . . . . . . . . . . . . . . . . . . . 18
PSM Puntos aislados . . . . . . . . . . . . . . . . . . . 18
0.5.7 Los números complejos . . . . . . . . . . . . . . . . . . 19
0.5.7.1 Representación cartesiana . . . . . . . . . . . 19
0.5.7.2 Módulo . . . . . . . . . . . . . . . . . . . . . 20
0.5.7.3 Conjugación . . . . . . . . . . . . . . . . . . . 21
0.5.7.4 Argumento. Forma polar . . . . . . . . . . . . 21
0.5.7.5 Exponencial compleja . . . . . . . . . . . . . 21
0.6 Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
0.6.1 Raíces de los polinomios reales y complejos . . . . . . . 21
I Cálculo infinitesimal 23
1 Funciones 25
1.1 Funciones y su representación gráfica . . . . . . . . . . . . . . 25
1.2 Funciones elementales . . . . . . . . . . . . . . . . . . . . . . 26
1.3 Propiedades de las funciones elementales . . . . . . . . . . . . 35
PSM Funciones de varias variables . . . . . . . . . . . . . . . . . . 36
PSM Funciones escalares . . . . . . . . . . . . . . . . . . . . . 36
PSM Funciones vectoriales . . . . . . . . . . . . . . . . . . . . 37
1.4 Aritmética de funciones . . . . . . . . . . . . . . . . . . . . . 37
Build 908 Timestamp 201210051031

0. CONTENTS v
PSM Sucesiones de números reales . . . . . . . . . . . . . . . . . . 39

PSM Aritmética de sucesiones . . . . . . . . . . . . . . . . . . 39
1.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Continuidad y límites 41
2.1 Funciones continuas . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.1 Continuidad en un punto . . . . . . . . . . . . . . . . . 41
2.1.2 Continuidad en una unión de intervalos . . . . . . . . . 41
2.2 Aritmética de funciones continuas . . . . . . . . . . . . . . . . 42
2.3 Teorema de Weierstrass . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Teorema de Bolzano . . . . . . . . . . . . . . . . . . . . . . . 43
PSM Propiedad de Darboux . . . . . . . . . . . . . . . . . . . 44
PSM Teorema del punto fijo . . . . . . . . . . . . . . . . . . . 44
2.5 Discontinuidades I . . . . . . . . . . . . . . . . . . . . . . . . 44
2.6 Límites en un punto . . . . . . . . . . . . . . . . . . . . . . . 44
2.7 Límites laterales . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.8 Discontinuidades II . . . . . . . . . . . . . . . . . . . . . . . . 47
2.9 Cálculo de límites . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.9.1 Algunos casos particulares . . . . . . . . . . . . . . . . 48
2.9.2 Acotación. Regla del Sandwich . . . . . . . . . . . . . . 49
2.9.3 Cambio de variable . . . . . . . . . . . . . . . . . . . . 50
2.9.4 Aritmética . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.9.4.1 Suma . . . . . . . . . . . . . . . . . . . . . . 51
2.9.4.2 Producto . . . . . . . . . . . . . . . . . . . . 52
2.9.4.3 Cociente . . . . . . . . . . . . . . . . . . . . . 53
2.9.4.4 Exponenciales . . . . . . . . . . . . . . . . . . 54
2.9.5 Equivalencias. Principio de sustitución . . . . . . . . . 58
2.9.6 Órdenes de infinitud . . . . . . . . . . . . . . . . . . . 59
2.10 Límites de sucesiones . . . . . . . . . . . . . . . . . . . . . . . 60
2.11 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3 Derivadas 63
3.1 Derivada en un punto . . . . . . . . . . . . . . . . . . . . . . . 63
3.1.1 Interpretación física y geométrica . . . . . . . . . . . . 64
3.2 Derivada en un intervalo . . . . . . . . . . . . . . . . . . . . . 65
3.2.1 Derivadas sucesivas . . . . . . . . . . . . . . . . . . . . 65
3.3 Cálculo de derivadas . . . . . . . . . . . . . . . . . . . . . . . 66
3.3.1 Derivadas de las funciones elementales . . . . . . . . . 66
3.3.2 Reglas aritméticas . . . . . . . . . . . . . . . . . . . . 66
3.3.3 Regla de la cadena . . . . . . . . . . . . . . . . . . . . 68
3.3.4 Derivada de la función inversa . . . . . . . . . . . . . . 69
Timestamp 201210051031 Build 908

vi 0.0. CONTENTS
3.4 Propiedades de la derivada . . . . . . . . . . . . . . . . . . . . 70

3.4.1 Derivada y continuidad . . . . . . . . . . . . . . . . . . 70
3.4.2 Teorema de Rolle . . . . . . . . . . . . . . . . . . . . . 71
3.4.3 Teorema del valor medio de Lagrange . . . . . . . . . . 71
3.5 Aplicaciones de la derivada . . . . . . . . . . . . . . . . . . . . 71
3.5.1 Regla de l’Hôpital . . . . . . . . . . . . . . . . . . . . . 71
3.5.2 Monotonía . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.3 Concavidad y convexidad . . . . . . . . . . . . . . . . 74
3.5.4 Extremos . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.5.4.1 Extremos relativos . . . . . . . . . . . . . . . 74
3.5.4.2 Extremos absolutos . . . . . . . . . . . . . . . 76
3.6 El polinomio de Taylor . . . . . . . . . . . . . . . . . . . . . . 77
3.6.1 Propiedades del polinomio de Taylor . . . . . . . . . . 79
3.6.2 Cálculo de polinomios de Taylor . . . . . . . . . . . . . 79
3.6.3 Cálculo de límites III . . . . . . . . . . . . . . . . . . . 86
3.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4 Integración 93
4.1 Primitivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2 Cálculo de primitivas . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Integrales inmediatas . . . . . . . . . . . . . . . . . . . 94
4.2.2 Integración por descomposición . . . . . . . . . . . . . 94
4.2.2.1 Funciones racionales . . . . . . . . . . . . . . 95
4.2.2.1.1 Caso 1 . . . . . . . . . . . . . . . . . 96
4.2.2.1.2 Caso 2 . . . . . . . . . . . . . . . . . 98
4.2.3 Integración por partes . . . . . . . . . . . . . . . . . . 107
4.2.4.1 Cambio lineal de variable . . . . . . . . . . . 109
4.2.4.2 Irracionales bilineales . . . . . . . . . . . . . . 109
4.2.4.3 Racionales de seno y cosenoR .√. . . . . . . . . 110
4.2.4.4 Integrales de la forma R(x, ±a2 ± x2 ) dx . 113
4.2.4.5 Irracionales cuadráticas . . . . . . . . . . . . 115
4.3 La integral de Riemann . . . . . . . . . . . . . . . . . . . . . . 116
PSM Construcción formal de la integral de Riemann . . . . . . 118
4.3.1 Propiedades de la integral definida . . . . . . . . . . . 119
4.3.2 Teorema del valor medio . . . . . . . . . . . . . . . . . 120
4.3.3 Continuidad de la función integral . . . . . . . . . . . . 120
4.3.4 Teorema fundamental del cálculo . . . . . . . . . . . . 120
4.3.5 Regla de Barrow . . . . . . . . . . . . . . . . . . . . . 121

0. CONTENTS vii
4.4 Aplicaciones geométricas . . . . . . . . . . . . . . . . . . . . . 123

4.4.1 Longitudes . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.2 Áreas . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.4.3 Sólidos de revolución . . . . . . . . . . . . . . . . . . . 125
4.5 Integrales impropias . . . . . . . . . . . . . . . . . . . . . . . 125
4.5.1 Integrales impropias básicas . . . . . . . . . . . . . . . 126
4.5.1.1 Integrales impropias básicas de tipo 1. . . . . 126
4.5.1.2 Integrales impropias básicas de tipo 2. . . . . 127
4.5.2 Integrales impropias generales . . . . . . . . . . . . . . 127
4.5.3 Propiedades de las integrales impropias . . . . . . . . . 129
4.5.3.1 Combinaciones lineales . . . . . . . . . . . . . 129
4.5.3.2 Regla de Barrow . . . . . . . . . . . . . . . . 130
4.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
II Álgebra lineal 147

5 Matrices de números reales 149
5.1 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.2 Tipos de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.2.1 Matrices cuadradas . . . . . . . . . . . . . . . . . . . . 153
PSM Matrices dispersas . . . . . . . . . . . . . . . . . . . . . 157
5.3 Submatrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.3.1 Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.3.2 Matrices diagonales por bloques . . . . . . . . . . . . . 161
5.4 Operaciones matriciales . . . . . . . . . . . . . . . . . . . . . . 162
5.4.1 Aritmética . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.4.1.1 Producto por escalares . . . . . . . . . . . . . 163
5.4.1.2 Suma . . . . . . . . . . . . . . . . . . . . . . 164
5.4.1.3 Expresiones lineales . . . . . . . . . . . . . . 165
5.4.1.4 Producto . . . . . . . . . . . . . . . . . . . . 166
5.4.2 Trasposición . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.3 Producto de matrices y combinaciones lineales . . . . . 173
5.4.4 Productos de matrices por bloques . . . . . . . . . . . 175
5.5 Operaciones elementales . . . . . . . . . . . . . . . . . . . . . 176
5.5.1 Operaciones elementales por filas . . . . . . . . . . . . 177
5.5.1.1 Interpretación matricial . . . . . . . . . . . . 181
5.5.2 Operaciones elementales por columnas . . . . . . . . . 186
5.5.2.1 Interpretación matricial . . . . . . . . . . . . 189

viii 0.0. CONTENTS
5.6 Forma escalonada . . . . . . . . . . . . . . . . . . . . . . . . . 193

5.6.1 Construcción de una forma escalonada . . . . . . . . . 195
5.6.2 Forma escalonada reducida . . . . . . . . . . . . . . . . 198
PSM Demostración de la unicidad de la forma escalonada re-
ducida por filas . . . . . . . . . . . . . . . . . . . . . . 201
5.7 Rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
PSM Demostración del teorema de unicidad el rango . . . . . 205
5.8 Inversión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
5.8.1 Cálculo de la inversa . . . . . . . . . . . . . . . . . . . 213
5.9 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
5.9.1 Menores . . . . . . . . . . . . . . . . . . . . . . . . . . 220
PSM Definición combinatoria del determinante . . . . . . . . . 223
PSM Demostración de las propiedades de los determinantes . . 223
5.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
6 Sistemas de ecuaciones lineales 253

6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
6.2 Representación matricial . . . . . . . . . . . . . . . . . . . . . 256
6.3 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . 258
6.4 Discusión y resolución . . . . . . . . . . . . . . . . . . . . . . 260
6.5 Sistemas homogéneos . . . . . . . . . . . . . . . . . . . . . . . 267
PSM Sistemas de Cramer . . . . . . . . . . . . . . . . . . . . 269
PSM Eliminación Gaussiana . . . . . . . . . . . . . . . . . . . 269
PSM Factorización LU . . . . . . . . . . . . . . . . . . . . . . 269
PSM Métodos iterativos . . . . . . . . . . . . . . . . . . . . . 269
PSM Acondicionamiento de un sistema . . . . . . . . . . . . . 269
6.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
7 Vectores 277
7.1 Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . 277
7.1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 277
7.1.1.1 Notaciones . . . . . . . . . . . . . . . . . . . 278
7.1.2 Operaciones . . . . . . . . . . . . . . . . . . . . . . . . 279
7.1.3 Vectores y matrices . . . . . . . . . . . . . . . . . . . . 280
7.2 Sistemas de vectores . . . . . . . . . . . . . . . . . . . . . . . 282
7.2.1 Combinaciones lineales . . . . . . . . . . . . . . . . . . 283
7.2.2 Matriz de un sistema . . . . . . . . . . . . . . . . . . . 283
7.2.3 Rango de un sistema . . . . . . . . . . . . . . . . . . . 286
7.2.4 Equivalencia de sistemas . . . . . . . . . . . . . . . . . 287
7.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
7.3.1 Subespacios y sistemas . . . . . . . . . . . . . . . . . . 291

0. CONTENTS ix
7.3.2 Bases y dimensión . . . . . . . . . . . . . . . . . . . . 293

7.3.3 Ecuaciones implícitas y paramétricas . . . . . . . . . . 303
7.3.3.1 Ecuaciones paramétricas . . . . . . . . . . . . 303
7.3.3.2 Ecuaciones implícitas . . . . . . . . . . . . . . 304
7.3.4 Operaciones con subespacios . . . . . . . . . . . . . . . 308
7.3.4.1 Suma . . . . . . . . . . . . . . . . . . . . . . 308
7.3.4.2 Intersección . . . . . . . . . . . . . . . . . . . 310
PSM Producto de subespacios . . . . . . . . . . . . . . . . . . 312
7.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
7.4.1 Coordenadas en Rn . . . . . . . . . . . . . . . . . . . . 315
7.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
8 Aplicaciones lineales 325

8.1 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 325
8.2 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . 327
8.2.1 Aplicaciones lineales particulares . . . . . . . . . . . . 332
8.2.2 Propiedades de las aplicaciones lineales . . . . . . . . . 333
8.2.3 Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . 335
8.2.4 Inyectividad y sobreyectividad . . . . . . . . . . . . . . 337
8.2.5 Operaciones con aplicaciones lineales . . . . . . . . . . 339
8.2.5.1 Combinaciones lineales . . . . . . . . . . . . . 339
8.2.5.2 Composición . . . . . . . . . . . . . . . . . . 340
8.2.6 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . 340
8.3 Endomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . 343
8.3.1 Diagonalización . . . . . . . . . . . . . . . . . . . . . . 344
8.3.2 Polinomios de matrices . . . . . . . . . . . . . . . . . . 353
PSM Las formas canónicas de Jordan . . . . . . . . . . . . . . . . . 354
PSM La primera forma canónica de Jordan . . . . . . . . . . . 354
PSM La segunda forma canónica de Jordan . . . . . . . . . . 354
8.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
9 Espacios vectoriales 399

9.1 Espacios vectoriales generales . . . . . . . . . . . . . . . . . . 399
PSM Espacios vectoriales sobre cuerpos arbitrarios . . . . . . . . . 400
PSM Espacios vectoriales sobre cuerpos de característica 0 . . 400
PSM C-espacios vectoriales . . . . . . . . . . . . . . . 400
9.1.1 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . 401
9.1.1.1 Operaciones con subespacios . . . . . . . . . . 402
9.1.1.1.1 Suma . . . . . . . . . . . . . . . . . 402
9.1.1.1.2 Interseción . . . . . . . . . . . . . . 402
PSM Producto . . . . . . . . . . . . . . . . . . . 403

x 0.0. CONTENTS
PSM Suma directa general . . . . . . . . . . . . 403

PSM Cociente . . . . . . . . . . . . . . . . . . . 403
9.1.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . 403
PSM Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404
PSM Conjuntos generadores . . . . . . . . . . . . . . . 404
PSM Conjuntos libres . . . . . . . . . . . . . . . . . . 404
PSM Existencia de bases . . . . . . . . . . . . . . . . . 404
9.2 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . 404
9.2.1 Aplicaciones lineales particulares . . . . . . . . . . . . 405
9.2.2 Propiedades de las aplicaciones lineales . . . . . . . . . 405
9.2.3 Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . 406
9.2.4 Inyectividad y sobreyectividad . . . . . . . . . . . . . . 406
9.2.5 Operaciones con aplicaciones lineales . . . . . . . . . . 407
9.3 Espacios vectoriales de dimensión finita . . . . . . . . . . . . . 408
9.3.1 Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . 408
9.3.2 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409
9.3.3 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . 409
9.3.4 Rango . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
9.3.5 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . 411
9.3.6 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . 414
9.3.7 Diagonalización . . . . . . . . . . . . . . . . . . . . . . 415
9.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 416
10 Métricas 425
10.1 Producto escalar y norma . . . . . . . . . . . . . . . . . . . . 425
10.1.1 Producto escalar y sistemas . . . . . . . . . . . . . . . 426
10.1.2 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . 427
10.2 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 427
10.2.1 Vectores y sistemas ortogonales . . . . . . . . . . . . . 427
10.2.2 Subespacios ortogonales . . . . . . . . . . . . . . . . . 429
10.3 La proyección ortogonal . . . . . . . . . . . . . . . . . . . . . 430
10.3.1 Mejor solución aproximada de un sistema lineal . . . . 434
10.3.2 Aproximación por mínimos cuadrados . . . . . . . . . . 435
10.4 Espacios euclídeos de dimensión finita . . . . . . . . . . . . . . 435
10.4.1 Representación matricial de un producto escalar . . . . 435
10.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437

GNU Free Documentation License
Version 1.3, 3 November 2008

c 2000, 2001, 2002, 2007, 2008 Free Software Foundation, Inc.
Copyright
<http://fsf.org/>
Everyone is permitted to copy and distribute verbatim copies of this license

document, but changing it is not allowed.
Preamble
The purpose of this License is to make a manual, textbook, or other func-
tional and useful document “free” in the sense of freedom: to assure everyone
the effective freedom to copy and redistribute it, with or without modifying
it, either commercially or noncommercially. Secondarily, this License pre-
serves for the author and publisher a way to get credit for their work, while
not being considered responsible for modifications made by others.
This License is a kind of “copyleft”, which means that derivative works
of the document must themselves be free in the same sense. It complements
the GNU General Public License, which is a copyleft license designed for free
software.
We have designed this License in order to use it for manuals for free
software, because free software needs free documentation: a free program
should come with manuals providing the same freedoms that the software
does. But this License is not limited to software manuals; it can be used
for any textual work, regardless of subject matter or whether it is published
as a printed book. We recommend this License principally for works whose
purpose is instruction or reference.
1. APPLICABILITY AND DEFINITIONS

This License applies to any manual or other work, in any medium, that
contains a notice placed by the copyright holder saying it can be distributed
xi
xii 0.0. CONTENTS
under the terms of this License. Such a notice grants a world-wide, royalty-
free license, unlimited in duration, to use that work under the conditions
stated herein. The “Document”, below, refers to any such manual or work.
Any member of the public is a licensee, and is addressed as “you”. You accept
the license if you copy, modify or distribute the work in a way requiring
permission under copyright law.
A “Modified Version” of the Document means any work containing the
Document or a portion of it, either copied verbatim, or with modifications
and/or translated into another language.
A “Secondary Section” is a named appendix or a front-matter section
of the Document that deals exclusively with the relationship of the publishers
or authors of the Document to the Document’s overall subject (or to related
matters) and contains nothing that could fall directly within that overall
subject. (Thus, if the Document is in part a textbook of mathematics, a
Secondary Section may not explain any mathematics.) The relationship could
be a matter of historical connection with the subject or with related matters,
or of legal, commercial, philosophical, ethical or political position regarding
them.
The “Invariant Sections” are certain Secondary Sections whose titles
are designated, as being those of Invariant Sections, in the notice that says
that the Document is released under this License. If a section does not fit
the above definition of Secondary then it is not allowed to be designated
as Invariant. The Document may contain zero Invariant Sections. If the
Document does not identify any Invariant Sections then there are none.
The “Cover Texts” are certain short passages of text that are listed,
as Front-Cover Texts or Back-Cover Texts, in the notice that says that the
Document is released under this License. A Front-Cover Text may be at
most 5 words, and a Back-Cover Text may be at most 25 words.
A “Transparent” copy of the Document means a machine-readable copy,
represented in a format whose specification is available to the general public,
that is suitable for revising the document straightforwardly with generic text
editors or (for images composed of pixels) generic paint programs or (for
drawings) some widely available drawing editor, and that is suitable for input
to text formatters or for automatic translation to a variety of formats suitable
for input to text formatters. A copy made in an otherwise Transparent file
format whose markup, or absence of markup, has been arranged to thwart or
discourage subsequent modification by readers is not Transparent. An image
format is not Transparent if used for any substantial amount of text. A copy
that is not “Transparent” is called “Opaque”.
Examples of suitable formats for Transparent copies include plain ASCII
without markup, Texinfo input format, LaTeX input format, SGML or XML

0. CONTENTS xiii
using a publicly available DTD, and standard-conforming simple HTML,

PostScript or PDF designed for human modification. Examples of trans-
parent image formats include PNG, XCF and JPG. Opaque formats include
proprietary formats that can be read and edited only by proprietary word
pro99cessors, SGML or XML for which the DTD and/or processing tools
are not generally available, and the machine-generated HTML, PostScript or
PDF produced by some word processors for output purposes only.
The “Title Page” means, for a printed book, the title page itself, plus
such following pages as are needed to hold, legibly, the material this License
requires to appear in the title page. For works in formats which do not have
any title page as such, “Title Page” means the text near the most prominent
appearance of the work’s title, preceding the beginning of the body of the
text.
The “publisher” means any person or entity that distributes copies of
the Document to the public.
A section “Entitled XYZ” means a named subunit of the Document
whose title either is precisely XYZ or contains XYZ in parentheses follow-
ing text that translates XYZ in another language. (Here XYZ stands for
a specific section name mentioned below, such as “Acknowledgements”,
“Dedications”, “Endorsements”, or “History”.) To “Preserve the Ti-
tle” of such a section when you modify the Document means that it remains
a section “Entitled XYZ” according to this definition.
The Document may include Warranty Disclaimers next to the notice
which states that this License applies to the Document. These Warranty
Disclaimers are considered to be included by reference in this License, but
only as regards disclaiming warranties: any other implication that these War-
ranty Disclaimers may have is void and has no effect on the meaning of this
License.
2. VERBATIM COPYING
You may copy and distribute the Document in any medium, either com-
mercially or noncommercially, provided that this License, the copyright no-
tices, and the license notice saying this License applies to the Document are
reproduced in all copies, and that you add no other conditions whatsoever
to those of this License. You may not use technical measures to obstruct or
control the reading or further copying of the copies you make or distribute.
However, you may accept compensation in exchange for copies. If you dis-
tribute a large enough number of copies you must also follow the conditions
in section 3.

xiv 0.0. CONTENTS
You may also lend copies, under the same conditions stated above, and
you may publicly display copies.
3. COPYING IN QUANTITY
If you publish printed copies (or copies in media that commonly have
printed covers) of the Document, numbering more than 100, and the Doc-
ument’s license notice requires Cover Texts, you must enclose the copies in
covers that carry, clearly and legibly, all these Cover Texts: Front-Cover
Texts on the front cover, and Back-Cover Texts on the back cover. Both
covers must also clearly and legibly identify you as the publisher of these
copies. The front cover must present the full title with all words of the title
equally prominent and visible. You may add other material on the covers in
addition. Copying with changes limited to the covers, as long as they pre-
serve the title of the Document and satisfy these conditions, can be treated
as verbatim copying in other respects.
If the required texts for either cover are too voluminous to fit legibly,
you should put the first ones listed (as many as fit reasonably) on the actual
cover, and continue the rest onto adjacent pages.
If you publish or distribute Opaque copies of the Document number-
ing more than 100, you must either include a machine-readable Transparent
copy along with each Opaque copy, or state in or with each Opaque copy
a computer-network location from which the general network-using public
has access to download using public-standard network protocols a complete
Transparent copy of the Document, free of added material. If you use the
latter option, you must take reasonably prudent steps, when you begin dis-
tribution of Opaque copies in quantity, to ensure that this Transparent copy
will remain thus accessible at the stated location until at least one year after
the last time you distribute an Opaque copy (directly or through your agents
or retailers) of that edition to the public.
It is requested, but not required, that you contact the authors of the
Document well before redistributing any large number of copies, to give them
a chance to provide you with an updated version of the Document.
4. MODIFICATIONS
You may copy and distribute a Modified Version of the Document under
the conditions of sections 2 and 3 above, provided that you release the Mod-
ified Version under precisely this License, with the Modified Version filling
the role of the Document, thus licensing distribution and modification of the
Modified Version to whoever possesses a copy of it. In addition, you must
do these things in the Modified Version:

0. CONTENTS xv
A. Use in the Title Page (and on the covers, if any) a title distinct from that
of the Document, and from those of previous versions (which should, if
there were any, be listed in the History section of the Document). You
may use the same title as a previous version if the original publisher of
that version gives permission.
B. List on the Title Page, as authors, one or more persons or entities

responsible for authorship of the modifications in the Modified Version,
together with at least five of the principal authors of the Document (all
of its principal authors, if it has fewer than five), unless they release
you from this requirement.
C. State on the Title page the name of the publisher of the Modified
Version, as the publisher.
D. Preserve all the copyright notices of the Document.
E. Add an appropriate copyright notice for your modifications adjacent to

the other copyright notices.
F. Include, immediately after the copyright notices, a license notice giving

the public permission to use the Modified Version under the terms of
this License, in the form shown in the Addendum below.
G. Preserve in that license notice the full lists of Invariant Sections and
required Cover Texts given in the Document’s license notice.
H. Include an unaltered copy of this License.
I. Preserve the section Entitled “History”, Preserve its Title, and add to
it an item stating at least the title, year, new authors, and publisher of
the Modified Version as given on the Title Page. If there is no section
Entitled “History” in the Document, create one stating the title, year,
authors, and publisher of the Document as given on its Title Page, then
add an item describing the Modified Version as stated in the previous
sentence.
J. Preserve the network location, if any, given in the Document for public
access to a Transparent copy of the Document, and likewise the network
locations given in the Document for previous versions it was based on.
These may be placed in the “History” section. You may omit a network
location for a work that was published at least four years before the
Document itself, or if the original publisher of the version it refers to
gives permission.

xvi 0.0. CONTENTS
K. For any section Entitled “Acknowledgements” or “Dedications”, Pre-

serve the Title of the section, and preserve in the section all the sub-
stance and tone of each of the contributor acknowledgements and/or
dedications given therein.
L. Preserve all the Invariant Sections of the Document, unaltered in their

text and in their titles. Section numbers or the equivalent are not
considered part of the section titles.
M. Delete any section Entitled “Endorsements”. Such a section may not

be included in the Modified Version.
N. Do not retitle any existing section to be Entitled “Endorsements” or to

conflict in title with any Invariant Section.
O. Preserve any Warranty Disclaimers.
If the Modified Version includes new front-matter sections or appendices

that qualify as Secondary Sections and contain no material copied from the
Document, you may at your option designate some or all of these sections
as invariant. To do this, add their titles to the list of Invariant Sections in
the Modified Version’s license notice. These titles must be distinct from any
other section titles.
You may add a section Entitled “Endorsements”, provided it contains
nothing but endorsements of your Modified Version by various parties—for
example, statements of peer review or that the text has been approved by
an organization as the authoritative definition of a standard.
You may add a passage of up to five words as a Front-Cover Text, and a
passage of up to 25 words as a Back-Cover Text, to the end of the list of Cover
Texts in the Modified Version. Only one passage of Front-Cover Text and
one of Back-Cover Text may be added by (or through arrangements made
by) any one entity. If the Document already includes a cover text for the
same cover, previously added by you or by arrangement made by the same
entity you are acting on behalf of, you may not add another; but you may
replace the old one, on explicit permission from the previous publisher that
added the old one.
The author(s) and publisher(s) of the Document do not by this License
give permission to use their names for publicity for or to assert or imply
endorsement of any Modified Version.
5. COMBINING DOCUMENTS
0. CONTENTS xvii
You may combine the Document with other documents released under
this License, under the terms defined in section 4 above for modified versions,
provided that you include in the combination all of the Invariant Sections
of all of the original documents, unmodified, and list them all as Invariant
Sections of your combined work in its license notice, and that you preserve
all their Warranty Disclaimers.
The combined work need only contain one copy of this License, and mul-
tiple identical Invariant Sections may be replaced with a single copy. If there
are multiple Invariant Sections with the same name but different contents,
make the title of each such section unique by adding at the end of it, in
parentheses, the name of the original author or publisher of that section if
known, or else a unique number. Make the same adjustment to the section
titles in the list of Invariant Sections in the license notice of the combined
work.
In the combination, you must combine any sections Entitled “History”
in the various original documents, forming one section Entitled “History”;
likewise combine any sections Entitled “Acknowledgements”, and any sections
Entitled “Dedications”. You must delete all sections Entitled “Endorsements”.
6. COLLECTIONS OF DOCUMENTS
You may make a collection consisting of the Document and other docu-
ments released under this License, and replace the individual copies of this
License in the various documents with a single copy that is included in the
collection, provided that you follow the rules of this License for verbatim
copying of each of the documents in all other respects.
You may extract a single document from such a collection, and distribute
it individually under this License, provided you insert a copy of this License
into the extracted document, and follow this License in all other respects
regarding verbatim copying of that document.
7. AGGREGATION WITH INDEPENDENT

WORKS
A compilation of the Document or its derivatives with other separate
and independent documents or works, in or on a volume of a storage or
distribution medium, is called an “aggregate” if the copyright resulting from
the compilation is not used to limit the legal rights of the compilation’s users
beyond what the individual works permit. When the Document is included in

xviii 0.0. CONTENTS
an aggregate, this License does not apply to the other works in the aggregate
which are not themselves derivative works of the Document.
If the Cover Text requirement of section 3 is applicable to these copies
of the Document, then if the Document is less than one half of the entire
aggregate, the Document’s Cover Texts may be placed on covers that bracket
the Document within the aggregate, or the electronic equivalent of covers if
the Document is in electronic form. Otherwise they must appear on printed
covers that bracket the whole aggregate.
8. TRANSLATION
Translation is considered a kind of modification, so you may distribute
translations of the Document under the terms of section 4. Replacing Invari-
ant Sections with translations requires special permission from their copy-
right holders, but you may include translations of some or all Invariant Sec-
tions in addition to the original versions of these Invariant Sections. You
may include a translation of this License, and all the license notices in the
Document, and any Warranty Disclaimers, provided that you also include
the original English version of this License and the original versions of those
notices and disclaimers. In case of a disagreement between the translation
and the original version of this License or a notice or disclaimer, the original
version will prevail.
If a section in the Document is Entitled “Acknowledgements”, “Dedica-
tions”, or “History”, the requirement (section 4) to Preserve its Title (sec-
tion 1) will typically require changing the actual title.
9. TERMINATION
You may not copy, modify, sublicense, or distribute the Document except
as expressly provided under this License. Any attempt otherwise to copy,
modify, sublicense, or distribute it is void, and will automatically terminate
your rights under this License.
However, if you cease all violation of this License, then your license from
a particular copyright holder is reinstated (a) provisionally, unless and until
the copyright holder explicitly and finally terminates your license, and (b)
permanently, if the copyright holder fails to notify you of the violation by
some reasonable means prior to 60 days after the cessation.
Moreover, your license from a particular copyright holder is reinstated
permanently if the copyright holder notifies you of the violation by some
reasonable means, this is the first time you have received notice of violation

0. CONTENTS xix
of this License (for any work) from that copyright holder, and you cure the
violation prior to 30 days after your receipt of the notice.
Termination of your rights under this section does not terminate the li-
censes of parties who have received copies or rights from you under this Li-
cense. If your rights have been terminated and not permanently reinstated,
receipt of a copy of some or all of the same material does not give you any
rights to use it.
10. FUTURE REVISIONS OF THIS LICENSE

The Free Software Foundation may publish new, revised versions of the
GNU Free Documentation License from time to time. Such new versions will
be similar in spirit to the present version, but may differ in detail to address
new problems or concerns. See http://www.gnu.org/copyleft/.
Each version of the License is given a distinguishing version number. If
the Document specifies that a particular numbered version of this License “or
any later version” applies to it, you have the option of following the terms
and conditions either of that specified version or of any later version that
has been published (not as a draft) by the Free Software Foundation. If the
Document does not specify a version number of this License, you may choose
any version ever published (not as a draft) by the Free Software Foundation.
If the Document specifies that a proxy can decide which future versions of
this License can be used, that proxy’s public statement of acceptance of a
version permanently authorizes you to choose that version for the Document.
11. RELICENSING
“Massive Multiauthor Collaboration Site” (or “MMC Site”) means any
World Wide Web server that publishes copyrightable works and also pro-
vides prominent facilities for anybody to edit those works. A public wiki
that anybody can edit is an example of such a server. A “Massive Multi-
author Collaboration” (or “MMC”) contained in the site means any set of
copyrightable works thus published on the MMC site.
“CC-BY-SA” means the Creative Commons Attribution-Share Alike 3.0
license published by Creative Commons Corporation, a not-for-profit corpo-
ration with a principal place of business in San Francisco, California, as well
as future copyleft versions of that license published by that same organiza-
tion.
“Incorporate” means to publish or republish a Document, in whole or in
part, as part of another Document.

xx 0.0. CONTENTS
An MMC is “eligible for relicensing” if it is licensed under this License, and

if all works that were first published under this License somewhere other than
this MMC, and subsequently incorporated in whole or in part into the MMC,
(1) had no cover texts or invariant sections, and (2) were thus incorporated
prior to November 1, 2008.
The operator of an MMC Site may republish an MMC contained in the
site under CC-BY-SA on the same site at any time before August 1, 2009,
provided the MMC is eligible for relicensing.
ADDENDUM: How to use this License for your

documents
To use this License in a document you have written, include a copy of the
License in the document and put the following copyright and license notices
just after the title page:
Copyright c YEAR YOUR NAME. Permission is granted to

copy, distribute and/or modify this document under the terms of
the GNU Free Documentation License, Version 1.3 or any later
version published by the Free Software Foundation; with no In-
variant Sections, no Front-Cover Texts, and no Back-Cover Texts.
A copy of the license is included in the section entitled “GNU Free
Documentation License”.
If you have Invariant Sections, Front-Cover Texts and Back-Cover Texts,

replace the “with . . . Texts.” line with this:
with the Invariant Sections being LIST THEIR TITLES, with the
Front-Cover Texts being LIST, and with the Back-Cover Texts
being LIST.
If you have Invariant Sections without Cover Texts, or some other com-
bination of the three, merge those two alternatives to suit the situation.
If your document contains nontrivial examples of program code, we rec-
ommend releasing these examples in parallel under your choice of free soft-
ware license, such as the GNU General Public License, to permit their use
in free software.

Capítulo 0
Nociones previas
El contenido de este capítulo se supone ya conocido. Su contenido no trata

acerca de las materias propiamente dichas de la asignatura. No obstante es
recomendable su lectura para fijar ideas y notaciones.
0.1 Conjuntos
No entraremos en los sutiles detalles de la teoría de conjuntos y asumiremos
que se entiende lo que es un conjunto a nivel intuitivo. En este sentido,
podríamos decir que es un conjunto es una colección de objetos, llamados
elementos del conjunto, que se pueden enumerar o describir mediante alguna
característica común.
Para saber más

Paradojas en la teoría intuitiva de conjuntos
La pertenencia de un elemento x a un conjunto A se denotará por x ∈ A,

símbolo que se lee como x pertenece a A.
Definición 0.1.1 Diremos que un conjunto B es un subconjunto de un con-
junto A si se verifica
x ∈ B =⇒ x ∈ A.
Se denotará por B ⊆ A y se lee B está incluido en A. ⋄
Definición 0.1.2 Llamaremos conjunto vacío, y lo denotaremos por ∅, al

conjunto que no tiene ningún elemento. ⋄
1
2 0.1. Conjuntos
Definición 0.1.3 Sea A un conjunto. Llamaremos partes de A, y lo deno-

taremos por P(A) al conjunto formado por todos los subconjuntos de A.
⋄
Nota 0.1.4 Es evidente que para cualquier conjunto A se tiene que ∅ ∈ P(A)
y que A ∈ P(A) ⋄
0.1.1 Operaciones sobre conjuntos

Consideraremos las operaciones unión, intersección y producto cartesiano de
conjuntos
0.1.1.1 Unión de conjuntos

Definición 0.1.5 Sean A y B dos conjuntos. La unión de A y B es otro
conjunto denotado por A ∪ B, que se lee A unión B, definido por
A ∪ B := {x / x ∈ A ó x ∈ B}.
⋄
La unión de una familia arbitraria de conjuntos se define de manera análoga
Definición 0.1.6 Sea (Ai )i∈I una familia de conjuntos. La unión de los con-
juntos de la familia es un nuevo conjunto definido por
[
Ai := {x / ∃ i ∈ I con a ∈ Ai }.
i∈I
⋄
0.1.1.2 Intersección de conjuntos

Definición 0.1.7 Sean A y B dos conjuntos. La intersección de A y B es
otro conjunto denotado por A ∩ B, que se lee A intersección B, definido por
A ∩ B := {x / x ∈ A y x ∈ B}.
⋄
La intersección de una familia arbitraria de conjuntos se define de manera
análoga
Definición 0.1.8 Sea (Ai )i∈I una familia de conjuntos. La intersección de
los conjuntos de la familia es un nuevo conjunto definido por
\
Ai := {x / a ∈ Ai , ∀ i ∈ I}.
i∈I
⋄

0. Nociones previas 3
0.1.1.3 Producto cartesiano

Definición 0.1.9 Sean nN y A1 , A2 , . . . , An conjuntos. Llamaremos produc-
to cartesiano de A1 , A2 , . . . y An y lo denotaremos por A1 × A2 × · · · × An al
conjunto de n-uplas ordenadas de elementos de A1 , A2 , . . . y An . Es decir
A1 × A2 × · · · × An := {(x1 , x2 , . . . , xn ) / xi ∈ Ai , i = 1, . . . , n}.
⋄
Con las notaciones de la definición 0.1.9, si cada conjunto Ai = A, i =
1, . . . , n, entonces utilizaremos la notación siguiente
A1 × A2 × · · · × An = An
0.1.1.4 Propiedades
Sean A, B, C, D conjuntos. Se verifican las siguientes propiedades
1. A ∪ B = B ∪ A.
2. (A ∪ B) ∪ C = A ∪ (B ∪ C) = A ∪ B ∪ C.
3. A ∩ B = B ∩ A.
4. (A ∩ B) ∩ C = A ∩ (B ∩ C) = A ∩ B ∩ C.
5. (A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C).
6. (A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C).
7. (A ∪ B) × (C ∪ D) = (A × C) ∪ (A × D) ∪ (B × C) ∪ (B × D).
8. (A ∩ B) × (C ∩ D) = (A × C) ∩ (B × D) = (A × D) ∩ (B × C).
Para saber más

Otras operaciones sobre conjuntos
1. Producto directo de conjuntos
2. Suma directa de conjuntos.
3. Unión disjunta

4 0.1. Conjuntos
0.1.2 Correspondencias
Definición 0.1.10 Sean A y B dos conjuntos. Una correspondencia de A
en B es un subconjunto del producto cartesiano A × B. ⋄
Definición 0.1.11 Sean A y B dos conjuntos y F un correspondencia de A

en B.
Si C ⊆ A, llamaremos imagen de C por F y la denotaremos por F (C) al
subconjunto de B dado por
F (C) := {y ∈ B / ∃ x ∈ C con (x, y) ∈ F }.
Si C = {x}, es decir, se reduce a un solo elemento, podemos utilizar la

notación F (x) para referirnos a F ({x}).
Si D ⊆ B, llamaremos contraimagen de D por F y la denotaremos por
F −1 (D) al subconjunto de A dado por
F −1 (D) := {x ∈ A / ∃ y ∈ D con (x, y) ∈ F }.
Si D = {y}, es decir, se reduce a un solo elemento, podemos utilizar la

notación F −1 (y) para referirnos a F −1 ({y}).
Llamaremos imagen de F y lo denotaremos por Img A a F (A).
Llamaremos contraimagen o antiimagen de F a F −1 (B). ⋄
No introduciremos notaciones adicionales para las correspondencias, pues

carecerán de interés para nosotros.
0.1.2.1 Aplicaciones
Las correspondencias que tienen interés para nosotros serán las llamadas
aplicaciones
Definición 0.1.12 Sean A y B dos conjuntos. Una aplicación de A en B es

una correspondencia, f , de A en B tal que f (x) es un conjunto con uno y
sólo un elemento para cada x ∈ A. ⋄
Dados dos conjuntos A y B, una aplicación f de A en B y x ∈ A, como por

definición f (x) contiene un sólo elemento, es decir, podemos poner f (x) =
{y} para cierto y ∈ B, para simplificar la notación, escribiremos simplemente
f (x) = y y diremos que y es la imagen por f de x.
El resto de definiciones que teníamos para las correspondencias se man-
tienen tal cual para las aplicaciones.

Además, en vez de intentar interpretar directamente f como un subcon-

junto de A×B con unas propiedades especiales, resulta más cómodo emplear
la siguiente notación para manejar f
f : A −→ B
,
x 7−→ f (x)
donde en la práctica en vez de f (x) se suele escribir algún mecanismo de

transformación (generalmente de tipo aritmético) que permite obtener el va-
lor de f (x) a partir de x.
Otra notación abreviada que se puede emplear para indicar que f es una
aplicación de A en B es
f : A −→ B
Definición 0.1.13 Sean A y B dos conjuntos. Diremos que una aplicación
f : A −→ B
es inyectiva si para cada y ∈ B, el conjunto f −1 (y) tiene a lo sumo un

elemento. ⋄
Proposición 0.1.14 Sean A y B dos conjuntos y una aplicación f : A −→

B. Son equivalentes
(i) f es inyectiva.
(ii) Si x1 , x2 ∈ A y f (x1 ) = f (x2 ), entonces x1 = x2 .
(iii) Para cada par x1 , x2 ∈ A con x1 6= x2 , se tiene que f (x1 ) 6= f (x2 ).
(iv) Para cada y ∈ Img f , existe un único x ∈ A tal que f (x) = y.
f : A −→ B
es suprayectiva, sobreyectiva o simplemente sobre si para cada y ∈ B, el

conjunto f −1 (y) tiene al menos un elemento. ⋄

B. Son equivalentes
(i) f es sobre.

6 0.1. Conjuntos
(ii) Si y ∈ B entonces f −1 (y) 6= ∅.
(iii) Img f = B.
(iv) Para cada y ∈ B, existe x ∈ A tal que f (x) = y.
f : A −→ B
es biyectiva si para cada y ∈ B, el conjunto f −1 (y) tiene exactamente un

elemento. ⋄

B. Son equivalentes
(i) f es biyectiva.
(ii) f es inyectiva y sobre.
(iii) Para cada y ∈ B, existe un único x ∈ A tal que f (x) = y.
Dados A y B conjuntos, una aplicación f : A −→ B biyectiva e e y ∈

B, como f −1 (y) contiene un elemento y sólo uno, es decir, podemos poner
f −1 (y) = {x} para cierto x ∈ A, para simplificar la notación, escribiremos
simplemente f −1 (y) = x y diremos que x es la contraimagen por f de y.
De esta forma, podemos definir una aplicación de B en A a la que lla-
maremos la aplicación inversa de f y a la que denotaremos por f −1 , definida
por
f −1 : B −→ A
y 7−→ f −1 (y)
Nótese que f −1 también es una aplicación biyectiva y que (f −1 )−1 = f .
Para saber más

Cardinalidad
Una cuestión importante consiste en contar cuantos elementos tiene un conjunto. Si el con-
junto es finito la cosa es sencilla, pero si es infinito aparecen una serie de sutilezas bastantes
sorprendentes. La primera cuestión es dar sentido a la frase contar cuantos elementos tiene un
conjunto en el caso infinito. Para ello hay que establecer la noción de conjuntos coordinables.
Definición 0.1.19 Sean A y B dos conjuntos. Diremos que son coordinables o que tienen el
mismo cardinal si existe una aplicación biyectiva de A en B. Denotaremos este hecho por
#A = #B.
Definición 0.1.20 Sean A y B dos conjuntos. Diremos que el cardinal de A es menor o igual
que el cardinal de B si existe una aplicación de A en B inyectiva. Denotaremos este hecho por
#A ≤ #B.
Teorema 0.1.21 [Cantor]

Sea A un conjunto. Se tiene que
#A < #P(A)
⋄
Teorema 0.1.22 [Cantor–Bernstein–Schröeder]

Sean A y B dos conjuntos. Se tiene que
#A ≤ #B y #B ≤ #A =⇒ #A = #B.
Cuando manejamos conjuntos finitos, podemos definir el cardinal como su número de elementos
y todas las definiciones y resultados anteriores se reducen a trivialidades.
Cuando tratamos con conjuntos infinitos, definir qué es el cardinal, es más delicado. En
este contexto aparecen los números transfinitos. El primer número transfinito se dice que es el
cardinal de N, el conjunto de los números naturales y se denota por ℵ0 . El segundo número
transfinito ℵ1 es el cardinal de P(N), que resulta ser también el cardinal de R.
Y aquí surge una primera dificultad seria y es si se acepta o no la llamada hipótesis del
continuo que dice que no existen números transfinitos entre ℵ0 y ℵ1 , es decir, que no existen
conjuntos A tales que ℵ0 < #A < ℵ1 . Podría afirmarse que Cantor se volvió literalmente loco
intentando demostrar esta hipótesis. Años más tarde se probó que esta cuestión es indecidible.
Es decir, que se pueden hacer matemáticas consistentes tanto suponiendo que es cierta como
suponiendo que no lo es.
Para saber más

8 0.4. Operaciones
Relaciones binarias
Relaciones de equivalencia
Relaciones de orden
0.2 Operaciones
0.2.1 Operaciones internas
1. Definición
2. Propiedades que pueden verificar
0.2.2 Operaciones externas

1. Definición
2. Propiedades que pueden verificar
0.3 Estructuras algebráicas

1. Monoide
2. Semigrupo
3. Grupo
4. Anillo
5. Cuerpo
6. Módulo
7. Espacio vectorial
8. Álgebra

0.4 Conjuntos de números

En la presente asignatura manejaremos los siguientes conjuntos de números,
que se suponen conocidos, con las siguientes notaciones
• N, números naturales ({1, 2, 3, . . .}).
• Z, números enteros (N {0} {−1, −2, −3, . . .}).

S S
• Q, números racionales (fracciones).
• R, números reales.
• C, números complejos.
Para saber más
Construcción de N, Z y Q
Observemos que el 0 no se considera número natural. Esto es un mero con-

venio y en otras referencias bibliográficas puede considerarse lo contrario.
El conjunto de números más importante para nosotros será R. Sobre él y
sus potencias definiremos los principales objetos que iremos estudiando a lo
largo del curso.
A los elementos de Rn con n ≥ 2 se les suele llamar vectores de n compo-
nentes.
Ejemplo 0.4.1 • R2 = {(x, y)|x, y ∈ R}. Son los pares ordenados de

números reales. Elementos concretos de R2 son por ejemplo
(0, 0), (−1, 3), (π, 3/2).
• R3 = {(x, y, z)|x, y, z ∈ R}. Son tripletes de números reales. Elementos

concretos de R3 son por ejemplo
(0, 0, 0), (2, 3, 4), (1/2, 7, 345).
• R1 = R.
⋄

10 0.5. Los números reales
0.5 Los números reales
Para saber más
Construcción de los números reales

Sucesiones de cauchy de números racionales
El conjunto cociente R
0.5.1 Representación gráfica de Rn

Utilizaremos las representaciones gráficas habituales. Así por ejemplo R(=
R1 ) se representa gráficamente mediante una recta en la que se fija el origen
y la unidad a la que se llama la recta real.
0 1
Intuitivamente podemos decir que R es el conjunto de números que llena

completamente una recta sin dejar agujeros.
De la misma manera R2 se representa gráficamente mediante un plano en
el que se fijan unos ejes coordenados que se cortan en (0, 0). El eje horizontal
es el eje de abscisas, eje OX o eje de las x, en el se representa la primera
coordenada de cada punto de R2 . El eje horizontal es el eje de ordenadas, eje
OY o eje de las y, en el se representa la segunda coordenada de cada punto
de R2

(0, 0) X
Se suele representar R3 mediante tres ejes que se cortan en (0, 0, 0) dibu-

jados en el plano de la siguiente manera
(0, 0, 0)
Y
donde si (x, y, z) ∈ R3 , x, y, z se representan en los ejes X, Y, Z respectiva-

mente.
No existen representaciones gráficas útiles para Rn con n > 3.

0.5.2 Relación de orden en R

Los números de R están ordenados, según un orden convencional (denotado
por ≤) que no vamos a detallar aquí. Las principales propiedades de dicho
orden son las que se describen a continuación. Sean a, b, c, d ∈ R.
1. Propiedades de orden total
(a) ó a ≤ b ó b ≤ a.
(b) a ≤ b y b ≤ a =⇒ a = b.
(c) a ≤ b y b ≤ c =⇒ a ≤ c.
2. Compatibilidad con la suma
(a) a ≤ b =⇒ a + c ≤ b + c.
(b) a ≤ b y c ≤ d =⇒ a + c ≤ b + d.
3. Propiedades del producto y cociente
(a) a ≤ b y c ≥ 0 =⇒ ac ≤ bc.
(b) a ≤ b y c ≤ 0 =⇒ ac ≥ bc.
(c) Si a 6= 0, b 6= 0, sign(a) = sign(b) y a ≤ b =⇒ 1/a ≥ 1/b.
(d) 0 ≤ a ≤ b =⇒ a2 ≤ b2 .
Las propiedades anteriores, salvo 1.a) y 1.b) son ciertas si se escriben en

todos los lugares desigualdades estrictas.
Nota 0.5.1 Se establecen los siguientes símbolos
• ∞ infinito, y
• −∞ menos infinito.
Por convenio
−∞ < a < ∞, ∀ a ∈ R.

0.5.3 Valor absoluto en R

Definición 0.5.2 Sea a ∈ R, Llamaremos valor absoluto o módulo de a a la
cantidad (
a si a ≥ 0
|a| = .
−a si a ≤ 0
⋄
Sus principales propiedades son
Propiedades 0.5.3 Sean a, b ∈ R.
1. | − a| = |a|.
2. Si k ∈ R con k ≤ 0,
|a| ≤ k ⇐⇒ −k ≤ a ≤ k.
3. |ab| = |a||b|.
4. |a + b| ≤ |a| + |b| (desigualdad triangular).
5. |a − b| ≤ |a| + |b|.
(
|a| − |b|
6. |a − b| ≥ ||a| − |b|| ≥ .
|b| − |a|
√
7. a2 = |a|.
⋄
Nota 0.5.4 La propiedad 2. también es cierta con desigualdades estrictas.
√
Para la propiedad 7. adoptamos el convenio de que es la raíz cuadrada
positiva. Cuando queramos expresar la raíz cuadrada negativa escribiremos
√
explícitamente − . ⋄
Nota 0.5.5 El valor absoluto sirve para medir la distancia entre dos números
reales. Si a, b ∈ R,
d(a, b) := |a − b|,
es la longitud del segmento que une a y b, es decir lo que entendemos intuiti-
vamente como distancia entre a y b. Por lo tanto |a| = |a − 0| también puede
interpretarse como la distancia de a al cero. ⋄
Para saber más

Norma en Rn
Al igual que el valor absoluto nos proporciona una forma de medir distancias en R, la norma
nos proporciona un medio de medir distancias en Rn .
Definición 0.5.6 Sea a = (a1 , a2 , . . . , an ) ∈ Rn . Se define la norma de a como

v
q u n
uX
2 2
||a|| := a1 + a2 + · · · + an = t
2 a2i .
i=1
Veamos algunas propiedades de la norma.
Propiedades 0.5.7 Sean a, b ∈ Rn y α ∈ R.
1. ||a|| ≥ 0.
2. ||a|| = 0 ⇐⇒ a = 0.
3. ||αa|| = |α| ||a||.
4. ||a + b|| = ||a|| + ||b|| (desigualdad triangular).
Nota 0.5.8 Para el caso particular n = 1, la norma coincide con el valor absoluto. ⋄
0.5.4 Acotación
Definición 0.5.9 Diremos que un conjunto A ⊆ R es o está acotado si existe
M ∈ R tal que
|a| ≤ M, ∀ a ∈ A.
⋄
La anterior condición de acotación es equivalente a
∃M ∈ R / − M ≤ a ≤ M, ∀ a ∈ A.
Definición 0.5.10 Diremos que A ⊆ R está:
1. Acotado inferiormente si existe M ∈ R tal que a ≥ M para cada a ∈ A.
2. Acotad superiormente si existe M ∈ R tal que a ≤ M para cada a ∈ A.

De esta forma A ⊆ R está acotado si y sólo si está acotado superior e infe-

riormente simultáneamente.
Nota 0.5.11 Intuitivamente, un conjunto de R está acotado cuando se en-

cuentra en una región finita de R. ⋄
Para saber más

Acotación en Rn
Sea n ∈ N.
Definición 0.5.12 Diremos que un conjunto A ⊆ Rn es o está acotado si existe M ∈ R tal

que
||a|| ≤ M, ∀ a ∈ A.
⋄
Nota 0.5.13 Intuitivamente, un conjunto de Rn está acotado cuando se encuentra en una

región finita de Rn . ⋄
0.5.5 Intervalos
En R podemos considerar ciertos conjuntos especiales que llamaremos inter-
valos y que utilizaremos profusamente.
Definición 0.5.14 Sean a, b ∈ R con a < b.
1. Intervalos cerrados
[a, b] := {x ∈ R / a ≤ x ≤ b} .
2. Intervalos abiertos
(a, b) := {x ∈ R / a < x < b} ,

(a, ∞) := {x ∈ R / a < x} ,
(−∞, a) := {x ∈ R / x < a} ,
(−∞, ∞) := R.

3. Intervalos semiabiertos o semicerrados
[a, b) := {x ∈ R / a ≤ x < b} ,
(a, b] := {x ∈ R / a < x ≤ b} ,
[a, ∞) := {x ∈ R / a ≤ x} ,
(−∞, a] := {x ∈ R / x ≤ a} .
Para saber más
Bolas en Rn
Los conceptos anteriores se generalizan a Rn en cierta medida con la noción de bola.
Definición 0.5.15 Sean a ∈ Rn y δ ∈ R con δ > 0. Llamaremos:
1. Bola abierta de centro a y radio δ a
B(a, δ) := {x ∈ Rn / ||x − a|| < δ} .
2. Bola cerrada de centro a y radio δ a
B(a, δ) := {x ∈ Rn / ||x − a|| ≤ δ} .
3. Bola reducida de centro a y radio δ a
B ∗ (a, δ) := B(a, δ) − {a} = {x ∈ Rn / 0 < ||x − a|| < δ} .
0.5.6 Entornos en R
Definición 0.5.16 Sean a, δ ∈ R con δ > 0. Llamaremos:
1. Entorno de centro a y radio δ al intervalo
(a − δ, a + δ) = {x ∈ R / |x − a| < δ} .

a−δ a a+δ
2. Entorno reducido de centro a y radio δ al conjunto
(a − δ, a + δ) − {a} = (a − δ, a) ∪ (a, a + δ) = {x ∈ R / 0 < |x − a| < δ} .
a−δ a a+δ
3. Entorno (lateral) de a por la derecha de radio δ al intervalo
(a, a + δ).
a a+δ
4. Entorno (lateral) de a por la izquierda de radio δ al intervalo
(a − δ, a).
a−δ a
0.5.6.1 Entornos de ±∞
Definición 0.5.17 Llamaremos
1. Entorno, entorno reducido o entorno por la izquierda de ∞ a todo

intervalo de la forma (b, ∞) con b ∈ R.
2. Entorno, entorno reducido o entorno por la derecha de −∞ a todo

intervalo de la forma (−∞, b) con b ∈ R.
Para saber más

Abiertos y cerrados en Rn . Fronteras. Compactos. Puntos

aislados
En esta asignatura, para el estudio del Cálculo Infinitesimal en R (una variable), basta con
considerar los intervalos. Sin embargo, cuando extendemos esta materia a Rn (varias variables),
necesitamos trabajar con conjuntos un poco más complicados:
Definición 0.5.18 Diremos que A ⊆ Rn es abierto si ∀ a ∈ A, ∃ δ > 0 / B(a, δ) ⊆ A. ⋄
Definición 0.5.19 Diremos que F ⊆ Rn es abierto si Rn − F es abierto. ⋄
Definición 0.5.20 Dado A ⊆ Rn , llamaremos frontera de A a
Fr(A) := {x ∈ Rn / B(x, δ) ∩ A 6= ∅ y B(x, δ) ∩ (Rn − A) 6= ∅, ∀ δ > 0} .
Intuitivamente:
• La frontera de un conjunto es su borde.
• Un conjunto es abierto si no contiene a ninguna parte de sus bordes.
• Un conjunto es cerrado si contiene a todo su borde.
En la práctica:
• Los abiertos de Rn que manejaremos vendrán definidos por <, >.
• Los cerrados de Rn que manejaremos vendrán definidos por ≤, ≥, =.
Definición 0.5.21 Diremos que K ∈ Rn es un compacto si es cerrado y acotado. ⋄
Puntos aislados
Definición 0.5.22 Sea A ⊆ Rn . Diremos que a ∈ A es un punto aislado de A si
∃ δ > 0 / B ∗ (a, δ) ∩ A = ∅.
Todo punto no aislado de A se llama punto de acumulación de A. ⋄

0.5.7 Los números complejos

Se define la unidad imaginaria como un símbolo i verificando la propiedad
i2 = −1.
Llamaremos el conjunto de los números complejos a
C := {a + ib | a, b ∈ R},
es decir, es el conjunto formado por todos los binomios de la forma a + ib

con a, b ∈ R. Si aplicamos la propiedad anterior i2 = −1 a las sumas y
multiplicaciones de dichos binomios, obtenemos
(a + ib) + (c + id) = (a + b) + i(b + d)

(a + ib)(c + id) = (ac − bd) + i(ad + cb),
es decir la suma de dos números complejos es otro número complejo y el

producto de dos números complejos también es otro número complejo. Con
estas dos operaciones C es un cuerpo. El elmento neutro para la suma sería
0 + i0 = 0 y para el producto 1 + i0 = 1.
Los números reales son también números complejos, pues todo número
real a es también un binomio a + i0 ∈ C. De esta forma tenemos que R ⊆ C.
Los números complejos de la forma ib = 0 + ib se llaman imaginarios
puros.
Definición 0.5.23 Dado z = a + ib ∈ C, diremos que a es la parte real de z

y que b es la parte imaginaria de z. Denotaremos estos hechos por a = ℜ(z)
y b = ℑ(z) respectivamente. ⋄
Un número complejo z es un número real si y sólo si ℜ(z) = 0 y es imaginario

puro si y sólo si ℑ(z) = 0.
0.5.7.1 Representación cartesiana
Dado un número complejo z = a + ib, podemos representarlo en un plano

tomando el punto de coordenadas cartesianas (a, b). Dicho plano se llama el
plano complejo. A su eje de abcisas se le llama el eje real y al de ordenadas
el eje imaginario.

Eje imaginario
b (a, b) = a + ib
a
Eje real
0.5.7.2 Módulo
Definición 0.5.24 El módulo de un número complejo z = a+ib es el número

real
√
|z| := a2 + b2 .
Propiedades 0.5.25 Sean z, w ∈ C
• |z| ≥ 0.
• |z| = 0 ⇐⇒ z = 0.
• |z| = | − z|.
• |zw| = |z||w|.
• |z + w| ≤ |z| + |w|.
• |z − w| ≥ ||z| − |w||.

0.5.7.3 Conjugación
0.5.7.4 Argumento. Forma polar
0.5.7.5 Exponencial compleja
0.6 Polinomios
0.6.1 Raíces de los polinomios reales y complejos

22 0.6. Polinomios

Parte I
Cálculo infinitesimal
23
Capítulo 1
Funciones
1.1 Funciones y su representación gráfica

Definición 1.1.1 Una función real de variable real o simplemente una fun-
ción definida sobre un conjunto A ⊆ R, es una aplicación
f : A ⊆ R −→ R
.
x 7−→ f (x)
⋄
Definición 1.1.2 Sea f una función definida sobre A ⊆ R. Llamaremos
grafo de f , y lo denotaremos por Graf f , al conjunto de R2
Graf f := (x, f (x)) ∈ R2 / x ∈ A .

⋄
Cuando representamos gráficamente el conjunto Graf f en R2 , obtenemos
una línea similar a
Y
f (x)
(0, 0) x X
25
26 1.2. Funciones elementales
llamada gráfica de la función f . La variable de la función varía en el eje

de abcisas mientras que los valores de la función se mueven en el eje de
ordenadas. La proyección de esta gráfica sobre el eje de abcisas es el dominio
de definición de la función (el conjunto A de la definición 1.1.2) y la proyección
sobre el eje de ordenadas es exactamente el conjunto Img f .
1.2 Funciones elementales

Daremos por supuesto que se conocen las funciones elementales que vamos a
enumerar
• Funciones constantes
• Valor absoluto.
• Potencias.
• Exponenciales
• Logaritmos.
• Funciones trigonométricas.
• Funciones trigonométricas inversas.
Además consideraremos las siguientes funciones elementales
Definición 1.2.1 Reciben el nombre de funciones hiperbólicas las funciones
siguientes
1. Seno hiperbólico
sh : R −→ R
ex − e−x .
x 7−→ sh x :=
2
2. Coseno hiperbólico
ch : R −→ R
ex + e−x .
x 7−→ ch x :=
2
3. Tangente hiperbólica
th : R −→ R
sh x .
x 7−→ th x :=
ch x

1. Funciones 27
A continuación se muestran las gráficas de algunas funciones elementales de

las categorías anteriores.
|x|
5
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x2
4
0
-2 -1 0 1 2

x4
16
12
0
-2 -1 0 1 2
x3
8
0
-2 -1 0 1 2
-2
-4
-6
-8

1. Funciones 29
x5
40
30
20
10
0
-2 -1 0 1 2
-10
-20
-30
-40
√
x
2
1.5
0.5
0
0 1 2 3 4

1/x
4
0
-4 -2 0 2 4
-2
-4
ex
8
5
4
0
-2 -1 0 1 2

1. Funciones 31
log x
2
0
0 1 2 3 4 5 6
-1
-2
-3
sen x
1
0.5
0
3π π π 3π
−2π − −π − 0 π 2π
2 2 2 2
-0.5
-1

cos x
1
0.5
0
3π π π 3π
−2π − −π − 0 π 2π
2 2 2 2
-0.5
-1
tan x
6
0
3π π π 3π
−2π − −π − 0 π 2π
2 2 2 2
-2
-4
-6

1. Funciones 33
arc sen x
π
2
0
-1 -0.5 0 0.5 1
π
−
2
arc cos x
π
π
2
0
-1 -0.5 0 0.5 1

ex − e−x
sh x :=
2
30
20
10
0
-4 -3 -2 -1 0 1 2 3 4
-10
-20
-30
ex + e−x
ch x :=
2
30
25
20
15
10
0
-4 -3 -2 -1 0 1 2 3 4

1. Funciones 35
sh x
th x :=
ch x
1
0.5
0
-4 -3 -2 -1 0 1 2 3 4
-0.5
-1
1.3 Propiedades de las funciones elementales

Algunas propiedades de las funciones elementales son las siguientes
1. ax ay = ax+y , ∀ a, x, y ∈ R con a > 0
2. (ax )b = abx , ∀ a, b, x ∈ R con a > 0
3. log x + log y = log(xy), ∀ x, y ∈ R con x > 0, y > 0
4. a log x = log(xa ), ∀ a, x ∈ R con x > 0
5. cos2 a + sen2 a = 1, ∀ a ∈ R
6. cos(a + b) = cos a cos b − sen a sen b, ∀ a, b ∈ R
7. sen(a + b) = sen a cos b + cos a sen b, ∀ a, b ∈ R
8. sen(−a) = − sen a, ∀ a ∈ R
9. cos(−a) = cos(a), ∀ a ∈ R
10. ch2 a − sh2 a = 1, ∀ a ∈ R
Para saber más

36 1.3. Propiedades de las funciones elementales
Funciones de varias variables

Son funciones definidas sobre subconjuntos de Rn .
f : A ⊆ Rn −→ Rn , con n ≥ 2.
Ejemplo 1.3.1 Veamos dos ejemplos de funciones de 2 y 3 variables respectivamente
f: R2 −→ R
•
(x, y) 7−→ ex + y 2 − 2
f: R3 −→ R4
•
(x, y, z) 7−→ (x2 + 1, y 2 + z 3 , x + ey sen z, 3 + xy)
En general no se pueden representar gráficamente de manera útil,salvo cuando n = 2 y m = 1,

es decir, cuando tenemos f : A ⊆ R2 −→ R. En este caso se representan en R3 tomando
z = f (x, y) y dan lugar a una superficie:
Funciones escalares
Son aquellas para las que m = 1
f : A ⊆ Rn −→ R.

1. Funciones 37
Funciones vectoriales
Son aquellas para las que m > 1
f : A ⊆ Rn −→ Rm , m > 1.
Las funciones vectoriales se pueden descomponer en sus componentes, que son funciones
escalares. Si
f : A ⊆ Rn −→ Rm
,
x 7−→ (f1 (x), f2 (x), . . . , fm (x))
entonces f1 , f2 , . . . , fm son las componentes de f :
fi : A ⊆ Rn −→ R, i = 1, 2, . . . , m.
Ejemplo 1.3.2 Para la función vectorial
f: R3 −→ R4
,
(x, y, z) 7−→ (x2 + 1, y 2 + z 3 , x + ey sen z, 3 + xy)
sus componentes son
f1 (x, y, z) = x2 + 1
f2 (x, y, z) = y 2 + z 3
f3 (x, y, z) = x + ey sen z
f4 (x, y, z) = 3 + xy
1.4 Aritmética de funciones

Definición 1.4.1 Se definen las siguientes operaciones aritméticas de fun-
ciones
1. Suma
f, g : A ⊆ R −→ R,
definimos
(f + g)(x) = f (x) + g(x), ∀ x ∈ A.
2. Producto
f, g : A ⊆ R −→ R,
definimos
(f g)(x) = f (x)g(x), ∀ x ∈ A.

38 1.4. Aritmética de funciones
3. Producto por un escalar.
f : A ⊆ R −→ R, λ ∈ R,
definimos
(λf )(x) = λf (x), ∀ x ∈ A.
Definición 1.4.2 Dadas
f : A ⊆ R −→ R, g : R −→ R,
se define la composición de f con g como
g ◦ f : A ⊆ R −→ R
.
x 7−→ g ◦ f (x) := g(f (x))
Esquemáticamente
g◦f
f g
R −→ R −→ R
Definición 1.4.3 Sea

f : A ⊆ R −→ R
inyectiva, y sea B := Img f . Llamaremos función inversa de f a
f −1 : B −→ R
,
y 7−→ f −1 (y)
donde f −1 (y) es el valor de la inversa de f como aplicación para cada y ∈ B.

⋄
A partir de las funciones elementales y de la aritmética, se pueden definir,

por ejemplo, las funciones polinómicas y racionales.
Para saber más

1. Funciones 39
Sucesiones de números reales

Técnicamente una sucesión s de números reales es una aplicación
s: N −→ R
.
n 7−→ an
En la práctica podemos interpretar una sucesión como si fuera un vector de números reales de
infinitas componentes
(a1 , a2 , a3 , . . . , an , . . .) = (an )n∈N = (an )∞
n=1 .
Ejemplo 1.4.4
((−1)n )n∈N = (−1, 1, −1, 1, . . .)

1 1 1 1 1
n
= ( , , , , . . .)
2 n∈N 2 4 8 16
∞
1 1 1 1 1
= ( , , , , . . .)
n n=8 8 9 10 11
∞
n2 n=0 = (0, 1, 4, 9, 16, . . .)
⋄
Aritmética de sucesiones
Definición 1.4.5 Consideraremos las siguientes operaciones con sucesiones
1. Suma
(an )n∈N + (bn )n∈N := (an + bn )n∈N .
2. Producto
(an )n∈N (bn )n∈N := (an bn )n∈N .
3. Producto por un escalar

λ(an )n∈N := (λan )n∈N .
1.5 Ejercicios
Ejercicio 1.1 Escribir como combinaciones lineales de las funciones
{sen nx / n ∈ N} ∪ {cos nx / n ∈ N},
Ls expresiones siguientes
1. 3 sen3 x + 5 cos2 x.
2. 7 cos2 x sen4 x − 2 cos5 x sen x.

40 1.5. Ejercicios

Capítulo 2
Continuidad y límites
2.1 Funciones continuas

2.1.1 Continuidad en un punto
Definición 2.1.1 Sea A ⊆ R una unión de intervalos, f : A −→ R una
función y a ∈ A. Diremos que f es continua en el punto a si para cada
entorno V de f (a) existe un entorno U de a tal que f (x) ∈ V, ∀ x ∈ U ∩ A. ⋄
Obsévese que nuestra definición de continuidad de una función depende explí-

citamente del dominio de definición de f . Es posible encontrar funciones que
no son continuas en un determinado punto, pero que admitan restricciones
continuas en dicho punto.
Por el contrario, se tiene que
Proposición 2.1.2 Sea A ⊆ R una unión de intervalos, f una función defi-

nida en A y a ∈ A. Si B es otra unión de intervalos verificando a ∈ B ⊆ A,
entonces la restricción f |B es continua en a. ⋄
2.1.2 Continuidad en una unión de intervalos

Definición 2.1.3 Sea A ⊆ R una unión de intervalos, f : A −→ R una
función. Diremos que f es continua en la unión de intervalos A si es continua
en a, ∀ a ∈ A ⋄
Proposición 2.1.4 Sea A ⊆ R una unión de intervalos y f una función

definida en A. Si B es otro intervalo verificando B ⊆ A, entonces la restricción
f |B es continua en B. ⋄
41
42 2.2. Aritmética de funciones continuas
Nota 2.1.5 Todo lo visto hasta ahora en este capítulo es válido para el caso
en que el dominio de la función es un intervalo, pues un sólo intervalo puede
ser visto también como una unión de intervalos.
De hecho casi todas las cuestiones importantes que atañen a la continui-
dad se enuncian para funciones definidas en intervalos. Aquí hemos preferido
tratar lo anterior en términos de uniones de intervalos, pues con ello se evitan
ciertos problemas técnicos que surgen al intentar extender la continuidad en
un intervalos a conjuntos más generales como las uniones de intervalos. ⋄
Intuitivamente una función continua en un intervalo es una función cuya

gráfica se puede trazar a lo largo del intervalo sin interrupciones, como la de
la siguiente figura
Y
( )
I X
2.2 Aritmética de funciones continuas

Veremos aquí que la composición, suma, producto y en algunos casos el co-
ciente, de funciones continuas es una función continua.
Proposición 2.2.1 Sea A ⊆ R una unión de intervalos, f, g funciones defi-
nida en A continuas en un punto a ∈ A. Se tiene
1. f + g es continua en a.
2. f · g es continua en a.
3. Sea B = {x ∈ A / g(x) 6= 0}. Si B es una unión de intervalos, la función
f /g definida en B, es continua en a.
⋄
A partir de estas propiedades se deduce que las funciones polinómicas son
continuas en R y que las funciones racionales son continuas en todo R salvo
en los puntos donde se anula el denominador.

2. Continuidad y límites 43
Proposición 2.2.2 Sean A, B ⊆ R uniones de intervalos, f una función

definida en A, g otra función con dominio de definición B tal que Img f ⊆ B
y a ∈ A. Si f es continua en a y g es continua en f (a), entonces g ◦ f es
continua en a. ⋄
Proposición 2.2.3 Sea I un intervalo, f : I −→ R inyectiva y continua en
I y J = Img f . Entonces f −1 es continua en J. ⋄
Con todas estas propiedades es sencillo estudiar la continuidad de las fun-
ciones que se construyen mediante operaciones aritméticas, composición e
inversión a partir de las funciones elementales. Estas son esencialmente el
tipo de funciones con las que trabajaremos.
2.3 Teorema de Weierstrass

Teorema 2.3.1 Sea f : [a, b] −→ R una función continua en [a, b]. Entonces
existen x1 , x2 ∈ [a, b] tales que
f (x1 ) ≤ f (x) ≤ f (x2 ), ∀ x ∈ [a, b].
⋄
A un x1 como el del enunciado anterior se le llama mínimo absoluto de f en
[a, b] y a x2 máximo absoluto de f en [a, b]. Conjuntamente se llama a ambos
extremos absolutos de f en [a, b].
Expresado con un lenguaje no formal, el teorema de Weirstrass nos dice
que una función continua en un intervalo cerrado posee extremos absolutos
en dicho intervalo.
2.4 Teorema de Bolzano

Teorema 2.4.1 Sea f : [a, b] −→ R una función continua en [a, b] tal que
f (a)f (b) < 0. Entonces existe c ∈ (a, b) tal que f (c) = 0. ⋄
El teorema de Bolzano tiene una relevancia computacional de primer orden,
pues permite describir algoritmos para aislar raíces de funciones continuas
dentro de una determinada tolerancia.
También permite describir un método conceptualmente simple, aunque
no el más eficiente, para, una vez localizada, obtener computacionalmente
una raíz de una función continua con la precisión que sea necesaria.
Para saber más

44 2.6. Discontinuidades I
Propiedad de Darboux
Teorema del punto fijo
2.5 Discontinuidades I
La continuidad es una propiedad deseable en una función, y la mayor parte de
las funciones que se manejan en las aplicaciones son continuas. Sin embargo,
hay funciones que presentan puntos en los que no son continuas. Estos puntos
se llaman discontinuidades
Definición 2.5.1 Sea f : A −→ R, donde A es una unión de intervalos.
Diremos que a ∈ A es una discontinuidad de f , si f no es continua en a. ⋄
Las discontinuidades suelen representar en los problemas de la vida real,
lugares donde existe alguna dificultad importante. Por eso es necesario cono-
cerlas. Afortunadamente existe una herramienta para estudiarlas: los límites
de funciones en un punto. No debemos sin embargo pensar que la noción de
límite que veremos a continuación sirve solo para estudiar discontinuidades.
2.6 Límites en un punto

Definición 2.6.1 Sea f : A −→ R y a ∈ R∪{−∞, ∞} verificando que existe
al menos W entorno reducido de a con W ⊆ A. Si existe L ∈ R ∪ {−∞, ∞}
tal que para cada V entorno de L, existe un U entorno reducido de a tal que
f (x) ∈ V, ∀ x ∈ U ∩ A,
entonces diremos que existe el límite de f (x) cuando x tiende hacia a y que
su valor es L. Denotaremos este hecho por
lı́m f (x) = L.
x→a
Abreviadamente, cuando no haya ambigüedad en vez de decir límite de f (x)

cuando x tiende hacia a, podremos decir límite de f en a.
Nota 2.6.2 Sea f : A −→ R y a ∈ R ∪ {−∞, ∞} verificando que existe al
menos W entorno reducido de a con W ⊆ A. Se tiene:

1. El límite de f (x) cuando x tiende hacia a puede existir o no.
2. Si ∃ lı́m f (x) entonces es único.

x→a
3. El límite de f cuando x tiende hacia a, aun cuando a ∈ R, no depende

del valor de la f en a. De hecho f ni siquiera tiene por qué estar definida
en a.
Proposición 2.6.3 Sea f : A −→ R y a ∈ A verificando que existe al

menos un W entorno de a con W ⊆ A. Entonces f es continua en a si y sólo
si existe el límite de f cuando x tiende hacia a y además
lı́m f (x) = f (a).

x→a
La proposición 2.6.3 relaciona el límite con la continuidad y tiene una primera

consecuencia de gran utilidad: Si una función f es continua en un entorno de
un punto a ∈ R, entonces para calcular lı́m f (x), basta con evaluar f en a.
x→a
esto nos permitiría calcular fácilmente los siguientes límites
Ejemplo 2.6.4
• lı́m x2 + 2x − 1 = 7.
x→2
x2 − 4
• lı́m = 3.
x→1 x − 2
• lı́m cos x = 1.
x→0
• lı́m ex cos x − sen(x/2) = −eπ − 1.

x→π
2.7 Límites laterales

Definición 2.7.1 Sea f : A −→ R y a ∈ R verificando que existe al menos
W entorno por la derecha de a con W ⊆ A. Si existe L ∈ R ∪ {−∞, ∞} tal
que para cada V entorno de L, existe un U entorno por la derecha de a tal
que
f (x) ∈ V, ∀ x ∈ U ∩ A,

46 2.7. Límites laterales
entonces diremos que existe el límite por la derecha de f (x) cuando x tiende
hacia a y que su valor es L. Denotaremos este hecho por
lı́m f (x) = L.
x→a+
Definición 2.7.2 Sea f : A −→ R y a ∈ R verificando que existe al menos

W entorno por la izquierda de a con W ⊆ A. Si existe L ∈ R ∪ {−∞, ∞} tal
que para cada V entorno de L, existe un U entorno por la izquierda de a tal
que
f (x) ∈ V, ∀ x ∈ U ∩ A,
entonces diremos que existe el límite por la izquierda de f (x) cuando x tiende
hacia a y que su valor es L. Denotaremos este hecho por
lı́m f (x) = L.
x→a−
A los límites por la derecha e izquierda de f en a se les llama límites laterales

de f en a, y al igual que con el límite, puede suceder que existan o que no
existan, pero si existen, son únicos.
Proposición 2.7.3 Sea f : [a, b] −→ R Se verifican las siguientes propieda-

des
1. f es continua en a si y solo si ∃ lı́m+ f y su valor es f (a).

x→a
2. f es continua en b si y solo si ∃ lı́m− f y su valor es f (b).

x→b
Proposición 2.7.4 Sea f : A −→ R y a ∈ R verificando que existe al menos

W entorno reducido de a con W ⊆ A. Se tiene que
∃ lı́m f (x) ⇐⇒ ∃ lı́m+ f (x), ∃ lı́m− f (x) y además lı́m+ f (x) = lı́m− f (x).
x→a x→a x→a x→a x→a
Adicionalmente, se verifica que en caso de existencia del límite se tiene
lı́m f (x) = lı́m+ f (x) = lı́m− f (x).

x→a x→a x→a

El resultado 2.7.4 sirve, entre otras cosas, para estudiar la continuidad de

funciones definidas a trozos en los puntos donde cambia la definición de la
función.
Ejemplo 2.7.5 Sea la función
(
ex , si x ≤ 1
f (x) = .
x2 , si x > 1
Estudiar su continuidad en x = 1. ⋄
Ejemplo 2.7.6 Sea la función

(
sen x, si x ≤ π/2
f (x) = .
1 − cos x, si x > π/2
Estudiar su continuidad en x = π/2. ⋄
2.8 Discontinuidades II
Podemos clasificar las discontinuidades de una función según el estudio de
ciertos límites.
Definición 2.8.1 Sea f : A −→ R y a ∈ R ∪ {−∞, ∞} verificando que
existe al menos W entorno reducido de a con W ⊆ A. Supongamos que a es
una discontinuidad es f . Diremos que a es
1. Una discontinuidad de primera especie, si se verifica una de las dos
condiciones siguientes
(a) Existe lı́m f (x) y es finito. En este caso diremos que a es una
x→a
discontinuidad evitable de f .
(b) Existen lı́m− f (x) y lı́m+ f (x) y ambos son finitos pero distintos.
x→a x→a
En este caso diremos que a es una discontinuidad de salto finito
de f .
2. Una discontinuidad de segunda especie, si no pertenece a ninguno de

los casos anteriores.
⋄
Ejemplo 2.8.2

48 2.9. Cálculo de límites
1. Un ejemplo de discontinuidad evitable lo presenta por ejemplo en 0 la

función (
sen x, si x 6= 0
f (x) =
2, si x = 0
2. La función del Ejemplo 2.7.5 en el punto 1.
3. Ejemplos de discontinuidades de segunda especie son los que presentan

las función (
1/x, si x 6= 0
f (x) =
0, si x = 0
en el punto 0 o la función
(
sen(1/x), si x 6= 0
f (x) =
0, si x = 0
también en el punto cero
2.9 Cálculo de límites

2.9.1 Algunos casos particulares
El siguiente resultado nos muestra como son los ĺímites en 0 en ±∞ de las
potencias enteras no triviales de la variable.
Proposición 2.9.1 Sea n ∈ N. Tenemos que

1
1. lı́m+ =∞
x→0 xn
(
1 ∞, si n par
2. lı́m− n =
x→0 x −∞, si n impar
(
1 ∞, si n par
3. lı́m n =
x→0 x No existe, si n impar
1 1
4. lı́m n
= lı́m n = 0
x→∞ x x→−∞ x
5. lı́m xn = ∞
x→∞

(
∞, si n par
6. lı́m xn =
x→−∞ −∞, si n impar
Veremos que muchos límites se reducen a estos.
2.9.2 Acotación. Regla del Sandwich

Proposición 2.9.2 Sean a ∈ R ∪ {−∞, ∞} y f, g dos funciones definidas
al menos en W entorno reducido de a. Si f es acotada en W y lı́m g(x) = 0,
x→a
entonces
lı́m f (x)g(x) = 0.
x→a
Proposición 2.9.3 Sea a ∈ R ∪ {−∞, ∞}, f y g definidas al menos en un

W entorno reducido de a verificando f (x) ≤ g(x), ∀ x ∈ W . Si existen los
límites de f y g en a, entonces
lı́m f (x) ≤ lı́m g(x).

x→a x→a
Nota 2.9.4 Aunque en el enunciado de la proposición anterior impongamos

f (x) < g(x), no se puede garantizar que la desigualdad de los límites sea
estricta. ⋄
Proposición 2.9.5 Sea a ∈ R ∪ {−∞, ∞} y f , g y h funciones definidas al

menos en un W entorno reducido de a verificando f (x) ≤ g(x) ≤ h(x), ∀ x ∈
W . Si existen los límites de f y h en a y
lı́m f (x) = lı́m h(x),

x→a x→a
entonces también existe lı́m g(x) y además

x→a
lı́m g(x) = lı́m f (x) = lı́m h(x).

x→a x→a x→a

2.9.3 Cambio de variable

Consideraremos tres cambios de variable.
Proposición 2.9.6
1. Cambio x = y + a .
Sea a ∈ R y f definida al menos en un entorno reducido de a. Se tiene
que
lı́m f (x) = lı́m f (y + a)
x→a y→0
1
2. Cambio x = .
y
(a) Si f está definida en un entorno reducido de ∞,

1
lı́m f (x) = lı́m+ f
x→∞ y→0 y
(b) Si f está definida en un entorno reducido de −∞,

1
lı́m f (x) = lı́m− f
x→−∞ y→0 y
(c) Si f está definida en un entorno por la derecha de 0,

1
lı́m+ f (x) = lı́m f
x→0 y→∞ y
(d) Si f está definida en un entorno por la izquierda de 0,

1
lı́m− f (x) = lı́m f
x→0 y→−∞ y
3. Cambio x = by .
Sean a ∈ R, b ∈ R − {0} y f definida al menos en un entorno reducido

de a. Se verifica
lı́m f (x) = lı́m by
x→a y→a/b

2.9.4 Aritmética
2.9.4.1 Suma
Sea a ∈ R ∪ {−∞, ∞} y f, g definidas al menos en un entorno reducido de
a, tales que existen los límites de f y g en a y con
lı́m f (x) = c ∈ R ∪ {−∞, ∞}, lı́m g(x) = d ∈ R ∪ {−∞, ∞}.

x→a x→a
Entonces
1. Si c, d ∈ R, entonces existe el límite de f + g en a y
lı́m (f + g)(x) = c + d.
x→a
2. Si se verifica al menos una de las dos condiciones siguientes
• c 6= −∞ y d = ∞, ó
• c = ∞ y d 6= −∞,
entonces existe el límite de f + g en a y
lı́m (f + g)(x) = ∞.
x→a
3. Si se verifica alguna de las dos condiciones siguientes
• c 6= ∞ y d = −∞, ó
• c = −∞ y d 6= ∞,
entonces existe el límite de f + g en a y
lı́m (f + g)(x) = −∞.

x→a
• c = −∞ y d = ∞, ó
• c = ∞ y d = −∞,
entonces no se sabe nada sobre lı́m (f + g)(x). En este caso diremos que
x→a
se tiene una indeterminación de tipo ∞ − ∞

2.9.4.2 Producto
Sea a ∈ R ∪ {−∞, ∞} y f, g definidas al menos en un entorno reducido de
a, tales que existen los límites de f y g en a y con
lı́m f (x) = c ∈ R ∪ {−∞, ∞}, lı́m g(x) = d ∈ R ∪ {−∞, ∞}.

x→a x→a
Entonces
1. Si c, d ∈ R, entonces existe el límite de f g en a y
lı́m (f g)(x) = cd.

x→a
2. Si se verifica alguna de las cuatro condiciones siguientes

• c > 0 y d = ∞, ó
• c < 0 y d = −∞, ó
• c = ∞ y d > 0, ó
• c = −∞ y d < 0,
entonces existe el límite de f g en a y
lı́m (f g)(x) = ∞.
x→a
3. Si se verifica alguna de las cuatro condiciones siguientes

• c < 0 y d = ∞, ó
• c > 0 y d = −∞, ó
• c = ∞ y d < 0, ó
• c = −∞ y d > 0,
entonces existe el límite de f g en a y
lı́m (f g)(x) = −∞.

x→a

• c = 0 y d =∈ {∞, −∞}, ó
• c ∈ {∞, −∞} y d = 0,
entonces no se sabe nada sobre lı́m (f g)(x). En este caso diremos que
x→a
se tiene una indeterminación de tipo 0∞

2.9.4.3 Cociente
Sea a ∈ R ∪ {−∞, ∞} y f, g definidas al menos en un entorno reducido U de
a con g(x) 6= 0, ∀ x ∈ U, tales que existen los límites de f y g en a y con
lı́m f (x) = c ∈ R ∪ {−∞, ∞}, lı́m g(x) = d ∈ R ∪ {−∞, ∞}.

x→a x→a
Entonces
1. Si c ∈ R y d ∈ R − {0}, entonces existe el límite de f /g en a y
f c
lı́m (x) = .
x→a g d
2. Si c ∈ R y d ∈ {∞, −∞}, entonces existe el límite de f /g en a y
f
lı́m (x) = 0.
x→a g
• c = ∞ y d > 0 y d 6= ∞, ó
• c = −∞ y d < 0 y d 6= −∞,
entonces existe el límite de f /g en a y
f
lı́m (x) = ∞.
x→a g
• c = ∞ y d < 0 y d 6= −∞, ó
• c = −∞ y d > 0 y d 6= ∞
f
lı́m (x) = −∞.
x→a g
• c > 0 y d = 0 y existe W un entorno reducido de d contenido en

el dominio de g con g(x) > 0, ∀ x ∈ W , ó

• c < 0 y d = 0 y existe W un entorno reducido de d contenido en

el dominio de g con g(x) < 0, ∀ x ∈ W ,
f
lı́m (x) = ∞.
x→a g
• c > 0 y d = 0 y existe W un entorno reducido de d contenido en

el dominio de g con g(x) < 0, ∀ x ∈ W , ó
• c < 0 y d = 0 y existe W un entorno reducido de d contenido en
el dominio de g con g(x) > 0, ∀ x ∈ W ,
f
lı́m (x) = −∞.
x→a g
7. Si se verifica c 6= 0 y d = 0 y para cada W entorno reducido de d

contenido en el dominio de g, existen x1 , x2 ∈ W con g(x1 )g(x2 ) < 0
entonces no existe el límite de f /g en a.
f
8. Si se verifica que c = d = 0 entonces no se sabe nada sobre lı́m (x).
g
x→a
0
En este caso diremos que se tiene una indeterminación de tipo
0
9. Si se verifica que c, d ∈ {∞, −∞} entonces no se sabe nada sobre
f
lı́m (x). En este caso diremos que se tiene una indeterminación de
x→a g
∞
tipo
∞
2.9.4.4 Exponenciales
Sea a ∈ R ∪ {−∞, ∞} y f, g definidas al menos en un entorno reducido U de
a con f (x), ∀ x ∈ U, de forma que no existe x ∈ U / f (x) = g(x) = 0 y tales
que existen los límites de f y g en a y con
lı́m f (x) = c ∈ R ∪ {∞}, lı́m g(x) = d ∈ R ∪ {−∞, ∞}.

x→a x→a
Entonces

• c ∈ R y d ∈ R − {0}, ó
• c ∈ R − {0} y d ∈ R,
lı́m f (x)g(x) = cd .
x→a
2. Si se verifica alguna de las tres condiciones siguientes
• 0 ≤ c < 1 y d = ∞, ó
• c > 1 y d = −∞, ó c = ∞ y d < 0
entonces existe el límite de f (x)g(x) en a y
lı́m f (x)g(x) = 0.
x→a
3. Si se verifica alguna de las tres condiciones siguientes
• 0 ≤ c < 1 y d = −∞, ó
• c > 1 y d = ∞, ó
• c=∞yd>0
entonces existe el límite de f (x)g(x) en a y
lı́m f (x)g(x) = ∞.
x→a
f
4. Si c = 1 y d ∈ {∞, −∞}, entonces no se sabe nada sobre lı́m (x). En
x→a g
este caso diremos que se tiene una indeterminación de tipo 1∞
f
5. Si c = ∞ y d = 0, entonces no se sabe nada sobre lı́m (x). En este
x→a g
caso diremos que se tiene una indeterminación de tipo ∞0
f
6. Si c = d = 0, entonces no se sabe nada sobre lı́m (x). En este caso
x→a g
diremos que se tiene una indeterminación de tipo 00

Todo lo anterior podemos resumirlo en la Tabla 2.1. En cada fila aparece

descrita una operación de las anteriores. Cada símbolo que aparezca se con-
siderará en las condiciones establecidas antes para cada operación. En la
primera columna aparece la aritmética usual cuando los límites son reales
y tiene sentido la operación. En la segunda columna aparece una extensión
de la aritmética a casos donde aparecen infinitos y algunos casos con ceros.
Esta extensión es válida en el caso de límites a la luz de las propiedades
de los límites que acabamos de enunciar. Finalmente en la tercera columna
aparecen las indeterminaciones para cada operación.
Para simplificar la notación, si b ∈ R ∪ {−∞, ∞}, s(b) es el signo de b y
se aplican las reglas de multiplicación de signos.

Aritmética usual Extensiones Indeterm.

c 6= −∞ ⇒ c + ∞ = ∞
lı́m (f +g)(x) = c+d ∞−∞
x→a
c 6= ∞ ⇒ c − ∞ = −∞
lı́m (f g)(x) = cd c 6= 0 ⇒ c(±∞) = s(c)(±∞) 0∞
x→a
c
=0
±∞
±∞
d 6= 0, ±∞ ⇒ = s(d)(±∞)
d
c 6= 0 ⇒ 0

f c s(c)∞, Si g > 0 en un 0
lı́m (x) =


g d ent. red. de a ∞

x→a 




 ∞
c −s(c)∞, Si g < 0 en un
=
0   ent. red. de a




 No existe en cualquier



otro caso
d > 0 ⇒ ∞d = ∞
d < 0 ⇒ ∞d = 0
∞
1∞
c>1⇒c =∞
lı́m f (x)g(x) = cd ∞0
x→a c > 1 ⇒ c−∞ = 0
00
0 ≤ c < 1 ⇒ c∞ = 0
0 ≤ c < 1 ⇒ c−∞ = ∞
Cuadro 2.1: Resumen de aritmética de límites

Nuestro principal objetivo ahora es ser capaces de resolver límites en los

casos en los que hay indeterminaciones. Veremos varias técnicas a lo largo
del curso. La primera será el uso de equivalencias.
2.9.5 Equivalencias. Principio de sustitución

Definición 2.9.7 Sea a ∈ R ∪ {−∞, ∞} y f, g dos funciones definidas al
menos en W entorno reducido de a verificando que g(x) 6= 0, ∀ x ∈ W .
Diremos que f y g son equivalentes cuando x tiende hacia a, o simplemente
que son equivalentes en a, si
f (x)
lı́m = 1.
x→a g(x)
Denotaremos este hecho por
f (x) ∼ g(x) si x → a
Además si
lı́m f (x) = lı́m g(x) = 0,
x→a x→a
diremos que f y g son infinitésimos equivalentes, y si
lı́m f (x) = lı́m g(x) = ±∞,

x→a x→a
diremos que f y g son infinitos equivalentes. ⋄
En la Tabla 2.2 algunos infinitésimos equivalentes y en la Tabla 2.3, algunos

infinitos equivalentes.
a ∈ R ∪ {−∞, ∞}, lı́m f (x) = 0

x→a
sen f (x) ∼ f (x) tan f (x) ∼ f (x) arc sen f (x) ∼ f (x)
2
1 − cos f (x) ∼ (f (x)) /2 arctan f (x) ∼ f (x) log(1 + f (x)) ∼ f (x)
(1 + f (x))p − 1 ∼ pf (x) ef (x) − 1 ∼ f (x) bf (x) − 1 ∼ f (x) log b
bk xk + bk+1 xk+1 + · · · + bk+j xk+j ∼ bk xk si x → 0, (k > 0, bk 6= 0)
Cuadro 2.2: Infinitésimos equivalentes. Todas las equivalencias son en a, salvo

que se exprese lo contrario.

bk xk + bk−1 xk−1 + · · · + b1 x + b0 ∼ bk xk si x → ±∞, (bk 6= 0)

log(bk xk + bk−1 xk−1 + · · · + b1 x + b0 ) ∼ k log x si x → ∞, (bk > 0)
Cuadro 2.3: Infinitos equivalentes.
Proposición 2.9.8 Sean a ∈ R ∪ {−∞, ∞} y f (x) ∼ g(x) si x → a. Sea

p ∈ R de manera que tenga sentido considerar las potencias f p (x) y g p (x) en
un entorno reducido de a. Entonces
f p (x) ∼ g p (x) si x → a.
Proposición 2.9.9 Sean a ∈ R ∪ {−∞, ∞} y f una función con
lı́m f (x) = L ∈ R − {0}.

x→a
Entonces se tiene que

f (x) ∼ L si x → a,
Donde en la anterior expresión interpretamos L como la función constante-
mente igual a L. ⋄
Teorema 2.9.10 Principio de sustitución

Sea a ∈ R ∪{−∞, ∞} y f (x) ∼ g(x) si x → a. Sea h(x) otra función definida
al menos en un entorno de a. Entonces
1. lı́m h(x)f (x) = lı́m h(x)g(x).

x→a x→a
h(x) h(x)
2. lı́m = lı́m .
x→a f (x) x→a g(x)
Este resultado, junto con las tablas de infinitos e infinitésimos equivalentes,

conducen a la resolución directa de nuemrosas indeterminaciones.
2.9.6 Órdenes de infinitud

Proposición 2.9.11 Sean a, b, c ∈ R con a, c > 0 y b > 1. Se tiene
xax
1. lı́m = ∞,
x→∞ bx

60 2.11. Límites de sucesiones
bx
2. lı́m = ∞,
x→∞ xc
xc
3. lı́m = ∞.
x→∞ log x
Nota 2.9.12 Todas las propiedades anteriores son válidas, cuando tengan
sentido, para límites laterales, cambiando, allá donde aparezcan, las palabras
entorno reducido por entorno por la izquierda o entorno por la derecha para
los límites por la izquierda y por la derecha respectivamente ⋄
Para saber más
2.10 Límites de sucesiones
2.11 Ejercicios
Ejercicio 2.1 ¿Existe alguna función f : R −→ R discontinua en cada
punto de R?
Ejercicio 2.2 ¿Existe alguna función f : R −→ R discontinua en cada

punto de R excepto en un único punto?
Ejercicio 2.3 ¿Existe alguna función f : R −→ R inyectiva discontinua en

cada punto de R excepto en un único punto?
Ejercicio 2.4 Sea f : R −→ R. Si f tiene alguna discontinuidad en R,

¿puede f 2 ser continua en R?
Ejercicio 2.5 Sea f : R −→ R. ¿Existe alguna función discontinua en todos

los puntos de R tal que f 2 es continua en R?
Ejercicio 2.6 Estudiar si el polinomio
p(x) = x4 + 2,6x3 − 3x2 + πx − 0,065,
tiene alguna raíz real.

Ejercicio 2.7 Sea f : [−1, 1] −→ R continua y con f (−1) = f (1). Probar

que existe c ∈ [0, 1] tal que f (c) = f (c − 1).
Ejercicio 2.8 Estudiar la continuidad en 0 de

 |x|
 sen x , si x 6= 0

f (x) = .

1, si x = 0

Ejercicio 2.9 Sea n ∈ N impar y f : R −→ R continua con
f (x) f (x)
lı́m n
= lı́m n = 0.
x→−∞ x x→∞ x
1. Calcular
lı́m (xn + f (x))
x→∞
y
lı́m (xn + f (x))
x→−∞
2. Probar que existe x0 ∈ R tal que f (x0 ) = −xn0 .
Ejercicio 2.10 Calcular
log(1 + 3x2 ) cos x

lı́m
x→0 x sen x
Ejercicio 2.11 Sea r > 0. Calcular
lı́m+ xr log x
x→0

√ √
1+x− 1−x
lı́m
x→0 x
sen(tan x)
lı́m
x→0 sen x
lı́m cotg x log(1 + x)

x→0

62 2.11. Ejercicios
√ 3
lı́m 1+ x2 arc sen x2
x→0
Ejercicio 2.16 Sea a > 0, n ∈ N Calcular

xn − an
lı́m
x→a log xn − log an
x2 log(1 + x) − 3 cos x
lı́m
x→0 ex+3
6
lı́m
x→0 4 + e−1/x
cos2 x − cotg2 x
lı́m
x→π/2 (1 − sen x) cos 3x

Capítulo 3
Derivadas
3.1 Derivada en un punto

Definición 3.1.1 Sean I ⊆ R un intervalo abierto, a ∈ I y f : I −→ R.
Diremos que f es derivable en el punto a si el límite
f (x) − f (a)
lı́m
x→a x−a
existe y es finito, en cuyo caso llamaremos al valor de dicho límite la derivada
de f en a, y la denotaremos por
f (x) − f (a)
f ′ (a) = lı́m .
x→a x−a
⋄
Existe una notación para la derivada en la que aparece explícitamente la
variable de la función x. Así si una función f (x) es derivable en el punto a,
podremos utilizar la notación alternativa
df
f ′ (a) = (a).
dx
No es necesario que la función f de la definición 3.1.1 tenga por dominio
un intervalo abierto. Para que tenga sentido plantearse la existencia de deri-
vada en un cierto punto a es suficiente que exista un entorno de a contenido
en el dominio de f .
Debido a su definición por medio de un límite, es claro que la derivabilidad
de una función f en un punto a no depende de la elección del dominio de f ,
en el sentido de que si f es derivable en a, cualquier restricción de f a un
subdominio que contenga a un entorno de a sigue siendo derivable en a y con
el mismo valor de la derivada.
63
64 3.1. Derivada en un punto
Lema 3.1.2 Sea I ⊆ R un intervalo abierto, a ∈ I y f : I −→ R. La función

f es derivable en a si y sólo si el límite
f (a + h) − f (a)
lı́m
h→0 h
existe y es finito, en cuyo caso se tiene que su valor coincide con f ′ (a). ⋄
3.1.1 Interpretación física y geométrica

La interpretación física mas simple de la derivada es la velocidad instantánea.
Si r(t) es una función cuyos valores representan la posición de un objeto que
se mueve sobre una recta en cada instante de tiempo t, entonces r ′ (t0 ) es la
velocidad instantánea del móvil en el instante de tiempo t0 . En general la
derivada indica el ratio de variación de una magnitud respecto de otra.
Geométricamente la derivada está relacionada con la tangencia. Imagine-
mos que tenemos una función f (x) definida en un intervalo abierto I y un
punto a de dicho intervalo donde f es derivable. Dado x ∈ I − {a}, podemos
trazar la recta secante a la gráfica de f en a y x, es decir, la recta que pasa
por (a, f (a)) y por (x, f (x)), cuya ecuación es
f (x) − f (a)
Y − f (a) = (X − a).
x−a
Si acercamos x hacia a, sucede que, geométricamente, dicha recta secante va
aproximándose a la recta tangente a la gráfica de f en el punto a, situación
que tratamos de ilustrar en la siguiente figura
( )
a x3 x2 x1 X

3. Derivadas 65
donde x1 , x2 y x3 van siendo aproximaciones sucesivas de x a a. Si acercáse-

mos tanto el punto x hasta una situación límite en que quedase confundido
con a, es claro a nivel intuitivo que la secante correspondiente se confundiría
con la recta tangente a f en a. Pero, ¿qué significaría analíticamente este
acercamiento de x a a? No sería otra cosa que tomar límite cuando x tiende
hacia a en ambos términos de la ecuación de la recta secante, es decir

f (x) − f (a)
lı́m (Y − f (a)) = lı́m (X − a) ,
x→a x→a x−a
lo que conduce a
f (x) − f (a)
lı́m (Y − f (a)) = lı́m lı́m (X − a),
x→a x→a x−a x→a
y finalmente a
Y − f (a) = f ′ (a)(X − a),
y si nuestra intuición geométrica es correcta, ésta debe ser la ecuación de la
recta tangente a f en a. Entonces podemos afirmar que f ′ (a) es la pendiente
de la recta tangente a f en a.
3.2 Derivada en un intervalo

Definición 3.2.1 Sean I ⊆ R un intervalo abierto y f : I −→ R. Diremos
que f es derivable en el intervalo I si f es derivable en cada punto de I. En
este caso, podemos definir una nueva función sobre I, a la que denotaremos
por f ′ y a la que llamaremos función derivada (o simplemente derivada),
dada por
f ′ : I −→ R
.
x 7−→ f ′ (x)
⋄
Lema 3.2.2 Sean I ⊆ R un intervalo abierto, J ⊆ I intervalo abierto y

f : I −→ R derivable en I. Entonces la restricción f |J es derivable en J. ⋄
3.2.1 Derivadas sucesivas

Supongamos que f es una función derivable en un intervalo abierto I. Aca-
bamos de ver que podemos definir entonces la función derivada, f ′ , en I.
Podemos plantearnos si esta nueva función es derivable en I. Si lo fuese
podríamos definir igualmente una nueva función en I que sería la función

66 3.3. Cálculo de derivadas
derivada de f ′ . Caso de existir, dicha función se denotará por f ′′ y la llama-

remos funcion derivada segunda (o simplemente derivada segunda) de f en
I.
Ahora, si f ′′ es derivable en I podríamos hacer algo similar y definir su
derivada, que sería una función sobre I a la que llamaríamos derivada tercera
de f y a la que denotaríamos por f ′′′ .
En caso de que podamos iterar este proceso n veces (donde n ∈ N),
tendríamos n funciones f ′ , f ′′ , f ′′′ , f IV , . . . , f (n) definidas sobre I a las que
llamaremos derivadas sucesivas de f .
Nota 3.2.3 Llamaremos f (0) a la propia función f . ⋄
Definición 3.2.4 Sean I un intervalo abierto y f : I −→ R.
1. Si f es continua en I, diremos que f es de clase C cero en I, y lo

denotaremos por
f ∈ C0 (I) .
2. Sea n ∈ N. Si existen f ′ , f ′′ , f ′′′ , f IV , . . . , f (n) en I y todas son

continuas en I, diremos que f es de clase C n en I, y lo denotaremos
por
f ∈ Cn (I) .
3. Si existen todas las derivadas sucesivas de f en I de cualquier orden

diremos que f es de clase C infinito en I, y lo denotaremos por
f ∈ C∞ (I) .
3.3 Cálculo de derivadas

3.3.1 Derivadas de las funciones elementales
En la Tabla 3.1 podemos ver un resumen de las derivadas de las funciones
elementales, junto con el dominio donde es válida la fórmula de derivación.
3.3.2 Reglas aritméticas

Proposición 3.3.1 Sean a ∈ R f , g definidas al menos en un entorno de a
con f y g derivables en a. Se tiene

3. Derivadas 67
f (x) f ′ (x) Dominio f (x) f ′ (x) Dominio

α 0 α, x ∈ R α > 1, x ∈ R, ó
xα αxα−1
x 1 x∈R α < 1, x > 0
1
ex ex x∈R log x x>0
x
1 a > 0, a 6= 1,
ax ax log a a > 0, x ∈ R loga x
x log a x>0
1
sen x cos x x∈R arc sen x √ x ∈ (−1, 1)
1 − x2
−1
cos x − sen x x∈R arc cos x √ x ∈ (−1, 1)
1 − x2
π 1
tg x 1 + tg2 x x 6= kπ + , arc tg x x∈R
2 1 + x2
k∈Z
1
sh x ch x x∈R argsh x √ x∈R
x2 + 1
1
ch x sh x x∈R argch x √ x ∈ (1, ∞)
x2 − 1
1
th x 1 − th2 x x∈R argth x x ∈ (−1, 1)
1 − x2
Cuadro 3.1: Derivadas (respecto de x) de las funciones elementales.
1. f + g es derivable en a y además
(f + g)′(a) = f ′ (a) + g ′ (a).
2. αf es derivable en a, ∀ α ∈ R y además
(αf )′ (a) = αf ′ (a).
3. f g es derivable en a y además
(f g)′(a) = f ′ (a)g(a) + f (a)g ′(a).
4. Si g(a) 6= 0, f /g es derivable en a y además
f ′ (a)g(a) − f (a)g ′(a)

(f /g)′(a) = .
g 2(a)

68 3.3. Cálculo de derivadas
Corolario 3.3.2 Sean I ⊆ R un intervalo abierto f, g : I −→ R derivables

en I. Se tiene
1. f + g es derivable en I y además
(f + g)′ = f ′ + g ′ .
2. αf es derivable en I, ∀ α ∈ R y además
(αf )′ = αf ′.
3. f g es derivable en I y además
(f g)′ = f ′ g + f g ′.
4. Si g(x) 6= 0, ∀ x ∈ I, f /g es derivable en I y además
f ′g − f g′
(f /g)′ = .
g2
Proposición 3.3.3 Sean n ∈ N, I ⊆ R un intervalo abierto y f, g : I −→ R

con f, g ∈ Cn (I). Se tiene
n
(n)
X n (j) (n−j)
(f g) = f g .
j=0
j
3.3.3 Regla de la cadena

Proposición 3.3.4 Sean I, J ⊆ R intervalos abiertos, a ∈ I, f : I −→ R,
g : J −→ R con f (I) ⊆ J, f derivable en a y g derivable en f (a). Entonces
g ◦ f es derivable en a y además
(g ◦ f )′ (a) = g ′ (f (a))f ′(a).

3. Derivadas 69
Corolario 3.3.5 Sean I, J ⊆ R intervalos abiertos, f : I −→ R, g : J −→

R con f (I) ⊆ J, f derivable en I y g derivable en J. Entonces g ◦ f es
derivable en I y además
(g ◦ f )′ (x) = g ′(f (x))f ′ (x), ∀ x ∈ I.
⋄
Ejemplo 3.3.6 Aplicando directamente la regla de la cadena, se tiene
1. (sen (cos x))′ = − sen x cos (cosx) .
′ 3x2 + 2x − 3
2. log x3 + x2 − 3x = 3 .
x + x2 − 3x
3. (esen x )′ = cos x esen x .
′
4. sen2 x = 2 cos x sen x.
⋄
3.3.4 Derivada de la función inversa

Proposición 3.3.7 Sea I ⊆ R un intervalo abierto y f : I −→ R inyectiva
y derivable en I. Entonces f −1 es derivable en f (I) y además
′ 1
f −1 (f (a)) = ′ , ∀ a ∈ I.
f (a)
⋄
Ejemplo 3.3.8 Sea
g : (−1, 1) −→ R
.
x 7−→ arc sen x
g es la función inversa de
f : (−π/2, π/2) −→ R
.
y 7−→ sen y
Sea x ∈ (0, 1) y sea y = g(x) = arc sen x.
Entonces x = g −1 (y) = f (y) = sen y. Por lo tanto
1 1 1
arc sen′ x = g ′ (x) = (f −1 )′ (f (y)) = = = =
f ′ (y) ′
sen y cos y
1 1
p =√ .
1 − sen2 y 1 − x2
⋄

70 3.4. Propiedades de la derivada
3.4 Propiedades de la derivada

3.4.1 Derivada y continuidad
Proposición 3.4.1 Sean a ∈ R y f definida al menos en un entorno de a.
Si f es derivable en a, entonces f es continua en a. ⋄
Nota 3.4.2 El recíproco de la Proposición 3.4.1 en general no es cierto. Así,
por ejempoconsideremos la función valor absoluto
f : R −→ R
.
x 7−→ |x|
Sabemos que es continua en 0. Veremos ahora que no es derivable. Para ello,
conviene expresar esta función como
(
−x, si x < 0
f (x) = |x| = .
x, si x ≥ 0
Para estudiar su derivabilidad en 0, debemos de estudiar el límite
f (x) − f (0) f (x)
lı́m = lı́m ,
x→0 x−0 x→0 x
pero puesto que la definición de f cambia a ambos lados de 0, debemos

estudiar los límites laterales
f (x) −x
lı́m− = lı́m− = lı́m− −1 = −1.
x→0 x x→0 x x→0
f (x) x
lı́m+ = lı́m+ = lı́m+ 1 = 1.
x→0 x x→0 x x→0
Comolos dos límites laterales existen pero son distintos, se concluye que
f (x)
lı́m ,
x→0 x
no existe y por tanto f no es derivable en 0.

Las funciones que contienen valor absoluto en su definición, suelen presen-
tar problemas de derivabilidad en los puntos donde se anulan las expresiones
que van dento del valor absoluto.
Si observamos la gráfica de |x|, vemos que presenta un pico en x = 0
y que por lo tanto es imposible definir una recta tangente a la gráfica de
la función de foma única en dicho punto. Esto nos da una idea intuitiva de
por qué la función no es derivable en cero. En general las gráficas de las
funciones continuas, presentan quiebros o esquinas en los puntos donde no
son derivables. ⋄

3. Derivadas 71
3.4.2 Teorema de Rolle

Teorema 3.4.3 Sean a, b ∈ R con a < b y f : [a, b] −→ R continua en
[a, b] y derivable en (a, b) con f (a) = f (b). Entonces existe c ∈ (a, b) tal que
f ′ (c) = 0. ⋄
Corolario 3.4.4 Sean a, b ∈ R con a < b y f : [a, b] −→ R continua en [a, b]
y derivable en (a, b) con f ′ (x) 6= 0, ∀ x ∈ (a, b). Entonces f es inyectiva en
[a, b]. ⋄
3.4.3 Teorema del valor medio de Lagrange

Teorema 3.4.5 Sean a, b ∈ R con a < b y f : [a, b] −→ R continua en [a, b]
y derivable en (a, b). Entonces existe c ∈ (a, b) tal que
f (b) − f (a)
f ′ (c) = ,
b−a
o equivalentemente
f (b) − f (a) = f ′ (c)(b − a) (fórmula de los incrementos finitos).
⋄
3.5 Aplicaciones de la derivada

3.5.1 Regla de l’Hôpital
Proposición 3.5.1 Sean a ∈ R ∪ {−∞, ∞}, W un entono reducido de a y
f, g dos funciones definidas en W y derivables en W verificando una de las
dos condiciones siguientes
• lı́m f (x) = lı́m g(x) = 0, ó
x→a x→a
• lı́m g(x) = ±∞.

x→a
Entonces, si existe
f ′ (x)
lı́m = L ∈ R ∪ {−∞, ∞},
x→a g ′ (x)
se tiene que también existe

f (x)
lı́m y vale L.
x→a g(x)

72 3.5. Aplicaciones de la derivada
Este resultado, conocido com la regla de l’Hôpital, permite resolver algunas

0 ∞
indeterminaciones de tipo y .
0 ∞
La regla de l’Hôpital también es válida para límites laterales.
Ejemplo 3.5.2
ex − cos2 x 0
1. lı́m es una indeterminación . Derivamos numerador y de-
x→0 x 0
nominador y calculamos
ex + 2 sen x cos x
lı́m = e0 = 1,
x→0 1
por tanto
ex − cos2 x
lı́m = 1.
x→0 x
log(sen x) cos x/ sen x
2. lı́m+ x log(sen x) = lı́m+ = lı́m+ =
x→0 x→0 1/x x→0 −1/x2
−x2 cos x −x2 cos x
lı́m+ = lı́m+ = lı́m+ −x cos x = 0
x→0 sen x x→0 x x→0
cos x cos x
+ log x = lı́m+ log e x +log x =

3. lı́m+
x→0 x cos x x→0
cos x
log x
= lı́m+ log xe x .

lı́m+ log e x e
x→0 x→0
Calculando el límite de la función que hay dentro del logaritmo:

−x sen x − cos x cos x
e
cos x
x 2
e x
lı́m+ xe
cos x
x = lı́m+ = lı́m+ x =
x→0 x→0 1/x x→0 −1/x2
cos x
lı́m+ (x sen x + cos x)e x = ∞,
x→0
luego el límite que debíamos calcular también vale ∞

1

1 log (cos x) sen x
4. lı́m (cos x) sen x = lı́m e
x→0 x→0
Calculamos por separado el límite del exponente de e:

1
log(cos x) − sen x sen x
lı́m log (cos x) sen x = lı́m = lı́m cos x = lı́m − 2 = 0,
x→0 x→0 sen x x→0 cos x x→0 cos x
por lo que el límite buscado es e0 = 1.
⋄

3. Derivadas 73
3.5.2 Monotonía
Definición 3.5.3 Sean I ⊆ R un intervalo y f : I −→ R una función.
Diremos que f es
1. Creciente en I si f (x) ≤ f (y), ∀ x, y ∈ I con x < y.
2. Decreciente en I si f (x) ≥ f (y), ∀ x, y ∈ I con x < y.
3. Monótona en I si es creciente en I o decreciente en I.
4. Estrictamente creciente en I si f (x) < f (y), ∀ x, y ∈ I con x < y.
5. Estrictamente decreciente en I si f (x) ≥ f (y), ∀ x, y ∈ I con x < y.
6. Estrictamente monótona en I si es estrictamente creciente en I o es-

trictamente decreciente en I.
Lema 3.5.4 Sean I ⊆ R un intervalo y f : I −→ R una función. Se tiene
1. f estrictamente creciente en I =⇒ f creciente en I.
2. f estrictamente decreciente en I =⇒ f decreciente en I.
Los recíprocos de las implicaciones anteriores no son ciertos en general. ⋄
Proposición 3.5.5 Sean a, b ∈ R con a < b y f : [a, b] −→ R continua en

[a, b] y derivable en (a, b). Se tiene
1. f ′ (x) ≥ 0, ∀ x ∈ (a, b) =⇒ f es creciente en [a, b].
2. f ′ (x) ≤ 0, ∀ x ∈ (a, b) =⇒ f es decreciente en [a, b].
3. f ′ (x) > 0, ∀ x ∈ (a, b) =⇒ f es estrictamente creciente en [a, b].
4. f ′ (x) < 0, ∀ x ∈ (a, b) =⇒ f es estrictamente decreciente en [a, b].

3.5.3 Concavidad y convexidad

Diremos que f es
1. convexa en I si ∀ a, b ∈ I con a < b, se tiene

f (b) − f (a)
f (x) ≤ (x − a) + f (a), ∀ x ∈ (a, b).
b−a
2. cóncava en I si ∀ a, b ∈ I con a < b, se tiene

f (b) − f (a)
f (x) ≥ (x − a) + f (a), ∀ x ∈ (a, b).
b−a
⋄

Diremos que a ∈ I es un punto de inflexión de f si existe un entorno lateral
por la derecha de a en el que f es cóncava y un entorno lateral por la izquierda
de a en el que f es convexa, o bien si existe un entorno lateral por la derecha
de a en el que f es convexa y un entorno lateral por la izquierda de a en el
que f es cóncava. ⋄

[a, b] y derivable dos veces en (a, b). Se tiene
1. f ′′ (x) ≥ 0, ∀ x ∈ I =⇒ f es convexa en [a, b].
2. f ′′ (x) ≤ 0, ∀ x ∈ I =⇒ f es cóncava en [a, b].
Corolario 3.5.9 Sea f una función definida al menos en un entorno de un

cierto a ∈ R, derivable dos veces en dicho entorno. Si a es punto de inflexión
de f , entonces f ′′ (a) = 0. ⋄
3.5.4 Extremos
3.5.4.1 Extremos relativos
Definición 3.5.10 Sean A ⊆ R, a ∈ A y f : A −→ R. Diremos que a es
1. Un máximo relativo de f si existe un entorno U de a tal que f (a) ≥

f (x), ∀ x ∈ U ∩ A.

3. Derivadas 75
2. Un mínimo relativo de f si existe un entorno U de a tal que f (a) ≤

f (x), ∀ x ∈ U ∩ A.
Diremos que a es un extremo relativo de f si es un mínimo o un máximo

relativo de f . ⋄
La noción de extremo relativo sólo tendrá interés para nosotros cuando A

sea una unión de intervalos abiertos y f sea derivable en A. En otros casos
el estudio de extremos relativos puede resultar bastante complicado.
Proposición 3.5.11 Sean A una unión de intervalos abiertos y f : A −→ R

derivable en A. Si a ∈ A es un extremo relativo de f entonces, entonces
f ′ (a) = 0. ⋄
El recíproco de la Proposicion 3.5.11 en general no es cierto.
Definición 3.5.12 Sean A una unión de intervalos abiertos y f : A −→ R

derivable en A. Diremos que a ∈ A es un punto crítico de f si f ′ (a) = 0. ⋄
Proposición 3.5.13 Sean c, d ∈ R con c < d, n ∈ N, a ∈ (c, d) y f :

(c, d) −→ R n veces derivable en a con
f ′ (a) = f ′′ (a) = · · · f (n−1) (a) = 0 y con f (n) (a) 6= 0.
Entonces
1. Si n es impar, a no es extremo relativo de f .
2. Si n es par:
(a) Si f (n) < 0 entonces a es máximo relativo de f .

(b) Si f (n) > 0 entonces a es mínimo relativo de f .
Algoritmo 3.5.14 Sean A una unión finita de intervalos abiertos y f :

A −→ R derivable en A. El procedimiento siguiente permite calcular los
extremos relativos de f .
1. Calcular el conjunto de puntos críticos de f en A,
P = {x ∈ A / f ′(x) = 0}.
2. Para cada a ∈ P , hacer

(a) O bien aplicar la proposición 3.5.13 supuesto que sea posible.

(b) O bien estudiar el signo de f ′ en los entornos laterales de a, de
manera que
i. Si existe U entorno reducido de a tal que f ′ (x) > 0, ∀ x ∈ U
o bien f ′ (x) < 0, ∀ x ∈ U, entonces a no es extremo relativo
de f .
ii. Si existe U entorno reducido de a tal que f ′ (x) = 0, ∀ x ∈ U
entonces a es máximo y mínimo relativo de f .
iii. Si existen U + entorno lateral por la derecha de a y U − entorno
lateral por la izquierda de a con f ′ (x) > 0, ∀ x ∈ U − y
f ′ (x) < 0, ∀ x ∈ U + , entonces a es un máximo relativo de f .
iv. Si existen U + entorno lateral por la derecha de a y U − entorno
lateral por la izquierda de a con f ′ (x) < 0, ∀ x ∈ U − y
f ′ (x) > 0, ∀ x ∈ U + , entonces a es un mínimo relativo de f .
3.5.4.2 Extremos absolutos

Definición 3.5.15 Sean A ⊆ R y f : A −→ R. Diremos que un punto a ∈ A
es
1. Un máximo absoluto de f en A si f (x) ≤ f (a), ∀ x ∈ A.
2. Un mínimo absoluto de f en A si f (x) ≥ f (a), ∀ x ∈ A.
Diremos que a es un extremo absoluto de f en A si es mínimo o máximo

absoluto de f en A. ⋄
Existen algunas relaciones entre los extremos relativos y absolutos que no

vamos a especificar, pero en general un extremo absoluto no tiene por qué
ser un estremo relativo ni viceversa.
El siguiente algoritmo nos permite calcular los extremos absolutos cuando
A y f verifican ciertas condiciones.
Algoritmo 3.5.16 Sean A una unión finita de intervalos y f : A −→ R.

Realizaremos el siguiente proceso
1. Sea P ⊆ R ∪ {−∞, ∞} el conjunto formado por
(a) Los extremos de los intervalos cuya unión forma A.

(b) Los puntos críticos de f .

3. Derivadas 77
(c) Las discontinuidades de f ′ en A.

2. Sea V ∈⊆ R ∪ {−∞, ∞} el conjunto formado por los valores de todos
los límites laterales o límites o evaluaciones de f que tengan sentido en
todos los puntos de P .
3. Sean M = máx V y m = mı́n V .
4. Sea EM = {x ∈ P ∩ A, / f (x) = M}.
(a) Si EM = ∅, entonces f no tiene máximos absolutos en A.
(b) Si EM 6= ∅ entonces EM es el conjunto de máximos absolutos de
f en A.
5. Sea Em = {x ∈ P ∩ A, / f (x) = m}.
(a) Si Em = ∅, entonces f no tiene mínimos absolutos en A.
(b) Si Em 6= ∅ entonces Em es el conjunto de mínimos absolutos de f
en A.
⋄
El algoritmo anterior sólo lo es cuando EM y Em son conjuntos computables.
No vamos a proporcionar aquí condiciones generales para la computabilidad
de dichos conjuntos. Un caso sencillo en el que son computables es cuando
P es un conjunto finito.
Nota 3.5.17 Si al conjunto P se añaden puntos arbitrarios de A, el algorit-
mo sigue siendo válido. Se puede sacar partido de esta propiedad para evitar
realizar ciertos cálculos. Por ejemplo, si se sospecha que un punto de A debe-
ría estar en P , pero es costoso determinarlo, podemos añadirlo directamente
a P sin más comprobaciones. ⋄
3.6 El polinomio de Taylor

Definición 3.6.1 Sean I ⊆ R un intervalo abierto, f : I −→ R, a ∈ I y
n ∈ N con f ∈ Cn (I). Llamaremos polinomio de Taylor de orden n de f en
a, y lo denotaremos por Pn,a (x), a
f ′ (a) f ′′ (a) f (n) (a)
Pn,a(x) = f (a) + (x − a) + (x − a)2 + · · · + (x − a)n
1! 2! n!
n
X f (j) (a)
= (x − a)j .
j=0
j!
⋄

78 3.6. El polinomio de Taylor
Ejemplo 3.6.2 Calculemos el polinomio de Taylor de orden 5 en a = 0 para

la función f (x) = sin x.
Escribiremos esquemáticamente
5,0 (sen x)′ |x=0 (sen x)′′ |x=0 2 (sen x)′′′ |x=0 3
sin x −→ sen 0 + x+ x + x +
1! 2! 3!
(sen x)IV |x=0 4 (sen x)V |x=0 5
+ x + x
4! 5!
Ahora sólo tenemos que calcular cada una de las derivadas anteriores, eva-
luarlas en 0 y sustituir
sen 0 = 0
(sen x)′ |x=0 = (cos x)|x=0 = cos 0 = 1
(sen x)′′ |x=0 = (− sen x)|x=0 = − sen 0 = 0
(sen x)′′′ |x=0 = (− cos x)|x=0 = − cos 0 = −1
(sen x)IV |x=0 = (sen x)|x=0 = sen 0 = 0
(sen x)V |x=0 = (cos x)|x=0 = cos 0 = 1
Por lo que
5,0 1 1 5
sin x −→ x − x3 + x
6 120
⋄
El siguiente teorema se conoce con el nombre de Teorema de Taylor
Teorema 3.6.3 Sean I ⊆ R un intervalo abierto, f : I −→ R, a ∈ I y

n ∈ N con f ∈ Cn+1 (I) y sea Pn,a (x) el polinomio de Taylor de orden n de f
en a. Entonces, para cada x ∈ I, existe θ (que depende de x) con θ ∈ [a, x]
si a < x o θ ∈ [x, a] si a > x tal que
f (n+1) (θ)
f (x) = Pn,a (x) + (x − a)n+1 .
(n + 1)!
Al término
f (n+1) (θ)
Rn,a (x, θ) = (x − a)n+1
(n + 1)!
se le llama resto de Taylor de orden n de f en a. ⋄

3. Derivadas 79
3.6.1 Propiedades del polinomio de Taylor

Sean I ⊆ R un intervalo abierto, f : I −→ R, a ∈ I y n ∈ N con f ∈ Cn+1 (I).
Se verifican las siguientes propiedades
1. Pn,a (x) es un polinomios de grado menor o igual que n en la variable

x.
2. Pn,a (x) siempre hay que expresarlo en potencias de x − a.
3. Si f es un polinomio de grado k, entonces si n ≥ k, se tiene que f (x) =

Pn,a (x), solo que el polinomio de Taylor está agrupado en potencias de
x − a.
4. Pn,a (x) es una aproximación a f (x), siempre que x esté en un cierto

entorno de a.
5. Puesto que f (x) − Pn,a (x) = Rn,a (x, θ), se tiene que
|f (x) − Pn,a (x)| = |Rn,a (x, θ)|,
por lo que el resto de Taylor mide cómo es de buena la aproximación

del polinomio de Taylor a la función.
3.6.2 Cálculo de polinomios de Taylor

Dada una función suficientemente derivable, podemos calcular su polinomio
de Taylor hasta un orden dado utilizando la definición. Si la función es sencilla
y el orden es bajo, este puede ser un método efectivo, pero si la expresión de
la función es muy complicada, este método es muy costoso.
Afortunadamente, los polinomios de Taylor verifican ciertas propiedades
que permiten calcular fácilmente polinomios de funciones con expresiones
complicadas a partir de los polinomios de Taylor de las subexpresiones que
las conforman.
Partiremos muchas veces de los polinomios de Taylor en 0 de algunas
funciones elementales, que son sencillos de memorizar o de calcular si en un
momento dado uno no los recuerda. Los mostramos en la Tabla 3.2. Veamos
ahora las propiedades antes aludidas
Reducción a 0 por cambio de variable

Sean I ⊆ R un intervalo abierto a ∈ I, n ∈ N y f ∈ Cn (I). Si P (y) es el
polinomio de Taylor de orden n en 0 de la función f (y + a), entonces P (x−a)

n
x
X xk
e Pn,0 (x) =
k=0
k!
n
X x2k+1
sen x P2n+1,0 (x) = (−1)k
k=0
(2k + 1)!
n
X x2k
cos x P2n,0 (x) = (−1)k
k=0
(2k)!
n
X xk
log(1 + x) Pn,0 (x) = (−1)k+1
k=1
k
n
α
X α k
(1 + x) Pn,0(x) = x
k=0
k
n
1 X
Pn,0 (x) = xk
1−x k=0
α
α(α−1)···(α−k+1) α

Para cada α ∈ R, k ∈ N se define k = k! , y 0 = 1.
Cuadro 3.2: Polinomios de Taylor de algunas funciones elementales en 0
es el polinomio de Taylor de orden n de f en a. Esquemáticamente:
n,a
f (x) −−−−−→ P (x − a)
 Variable x x
 
 
x=y+a   y =x−a
 
y 
n,0
f (y + a) −−−−−→ P (y)
Variable y
Ejemplo 3.6.4 Calcular el polinomio de Taylor de orden 3 de log x en a = 1.

Para ello, hacemos el cambio de variable x = y + 1, obteniendo log(y + 1)
cuyo polinomio de Taylor de orden 3 en 0 es, según la Tabla 3.2,
y2 y3
P (y) = y − + .
2 3
Por tanto el polinomio buscado, se obtiene deshaciendo el cambio de variable

(o sea, tomando x = y − 1) en P (y):
(x − 1)2 (x − 1)3
P (x − 1) = (x − 1) − + .
2 3
3. Derivadas 81
Esquemáticamente, lo que hacemos es

3,1 2 (x−1)3
log x −−−−−→ (x − 1) − (x−1)
2
+ 3
 Variable x x
 
 
x=y+1   y =x−1
 
y 
3,0 y2 y3
log(y + 1) −−−−−→ y − 2
+ 3
Variable y
Nota 3.6.5 A partir de ahora, el resto de las propiedades las enunciaremos

para polinomios de Taylor calculados en el punto a = 0, pues por la propiedad
anterior el cálculo de cualquier polinomio de Taylor puede llevarse a 0 por
un cambio de variable. ⋄
Combinaciones lineales
Sean I ⊆ R un intervalo abierto con 0 ∈ I, λ, µ ∈ R, n ∈ N y f, g ∈
Cn (I). Si P (x) es el polinomio de Taylor de orden n en 0 de la función
f (x) y Q(x) es el polinomio de Taylor de orden n en 0 de la función g(x),
entonces λP (x) + µQ(x) es el polinomio de Taylor de orden n de λf + µg en
0. Esquemáticamente:

n,0
f (x) −→ P (x) n,0
n,0
=⇒ λf (x) + µg(x) −→ λP (x) + µQ(x).
g(x) −→ Q(x) 
Ejemplo 3.6.6 Calcular el polinomio de Taylor de orden 4 en 0 de

3
h(x) = 2 sen x − .
1−x
Presentamos la solución esquemáticamente
x3

4,0
sen x −→ x − 

6 =⇒
1 4,0
−→ 1 + x + x2 + x3 + x4 

1−x
4,0 x3
h(x) −→ 2(x − ) − 3(1 + x + x2 + x3 + x4 ) =
6
10
= −3 − x − 3x2 − x3 − 3x4 .
3
⋄

Producto
Sean I ⊆ R un intervalo abierto con 0 ∈ I, n ∈ N y f, g ∈ Cn (I). Si P (x) es el
polinomio de Taylor de orden n en 0 de la función f (x) y Q(x) es el polinomio
de Taylor de orden n en 0 de la función g(x), entonces P (x)Q(x) truncado a
grado n es el polinomio de Taylor de orden n de f g en 0. Esquemáticamente:

n,0
f (x) −→ P (x) n,0
n,0
=⇒ f (x)g(x) −→ P (x)Q(x), truncado a grado n.
g(x) −→ Q(x)
sen x
h(x) = .
1−x
x3

3,0
sen x −→ x − 

6 =⇒
1 3,0 2 3
−→ 1 + x + x + x 
1−x
x3 5 5 1 1
P (x)Q(x) = (x − )(1 + x + x2 + x3 ) = x + x2 + x3 + x4 − x5 − x6
6 6 6 6 6
y tomando su truncación a grado 3, concluimos
3,0 5
h(x) −→ x + x2 + x3 .
6
⋄
Producto. Caso especial

Sean I ⊆ R un intervalo abierto con 0 ∈ I, n, k ∈ N y f ∈ Cn (I). Si P (x) es
el polinomio de Taylor de orden n en 0 de la función f (x), entonces xk P (x)
es el polinomio de Taylor de orden k + n de xk f en 0. Esquemáticamente:
n,0 k+n,0
f (x) −→ P (x) =⇒ xk f (x) −−−→ xk P (x).
h(x) = x2 sen x.
3,0 x3 5,0 x3 x5
sen x −→ x − =⇒ h(x) −→ x2 (x − ) = x3 − .
6 6 6
⋄

3. Derivadas 83
Cociente
Sean I ⊆ R un intervalo abierto con 0 ∈ I, n ∈ N y f, g ∈ Cn (I) con
g(x) 6= 0, ∀ x ∈ I − {0}.
Sean
• Pf (x) 6= 0 el polinomio de Taylor de orden n en 0 de f .
• Pg (x) 6= 0 el polinomio de Taylor de orden n en 0 de g.
• mf el grado del término de menor grado de Pf (x).
• mg el grado del término de menor grado de Pg (x).
Se supone que mg ≤ mf .
En este caso se tiene que
f (x)
lı́m ,
x→0 g(x)
existe y es finito y que la función


f (x)
, si x 6= 0


g(x)

h(x) = ,
f (x)
 lı́m , si x = 0


x→0 g(x)
verifica que h ∈ Cn−mg (I).

Entonces si dividimos el polinomio Pf (x) entre Pg (x), pero ordenándolos
de menor a mayor grado, al contrario que en la división polinómica habitual,
y detenemos la división cuando en el siguiente paso el cociente vaya a superar
el grado n − mg , entonces dicho cociente es el polinomio de Taylor de orden
n − mg en 0 de h. Llamaremos a este proceso división de series.
Nótese que si g(0) 6= 0 entonces h(x) = f (x)/g(x), ∀ x ∈ I. Cuando
g(0) = 0, el cociente f (x)/g(x), solo está definido en I−{0}, pero a veces, bajo
las condiciones arriba establecidas y abusando de la notación, utilizaremos
el símbolo f (x)/g(x) para referirnos a la función h(x) definida sobre todo I.
Esquemáticamente:

n,0
f (x) −→ Pf (x) n−mg ,0
n,0
=⇒ f (x)/g(x) −−−−→ C(x),
g(x) −→ P (x)
g
donde C(x) es el cociente de la división de series

Pf (x) Pg (x)
,
R(x) C(x)
truncado a grado n − mg .

Ejemplo 3.6.9 Retomamos las funciones del Ejemplo 3.6.7, pero ahora in-
terpretadas como un cociente. Calculemos el polinomio de Taylor de orden 3
en 0 de
sen x
h(x) = .
1−x
Tenemos que
x3 

3,0
sen x −→ x −
6 =⇒
3,0 
1 − x −→ 1 − x
3,0 5
h(x) −→ x + x2 + x3 ,
6
ya que haciendo la división de series con el criterio de parada descrito:
Paso 1:
x −x3 /6 1−x
−x +x2 x
x2 −x3 /6
Paso 2:
x −x3 /6 1−x
−x +x2 x + x2
x2 −x3 /6
−x2 +x3
5x3 /6
Paso 3:
x −x3 /6 1−x
−x +x2 x + x2 + 5x3 /6
x2 −x3 /6
−x2 +x3
5x3 /6
−5x3 /6 +5x4 /6
5x4 /6
Nótese como en realidad no es necesario calcular el último resto. Se ha in-
cluido aquí por claridad, para que el algoritmo de división quede completo y
se vea que el siguiente término del cociente ya sería de grado 4. ⋄

3. Derivadas 85
Composición con una potencia

Sean I ⊆ R un intervalo abierto con 0 ∈ I, λ ∈ R − {0}, n, k ∈ N y
f ∈ Cn (I). Si P (x) es el polinomio de Taylor de orden n en 0 de la función
f (x), entonces P (λxk ) es el polinomio de Taylor de f (λxk ) de orden kn en
0. Esquemáticamente:
n,0 kn,0
f (x) −→ P (x) =⇒ f (λxk ) −→ P (λxk ).

1
h(x) = √ .
1 − x2
3,0 1 3 5
(1 + x)−1/2 −→ 1 − x + x2 − x3 =⇒
2 8 16
6,0 1 3 5
h(x) = (1 + (−x2 ))−1/2 −→ 1 + x2 + x4 + x6 .
2 8 16
⋄
Derivadas
Sean I ⊆ R un intervalo abierto con 0 ∈ I, n ∈ N y f ∈ Cn (I). Si P (x) es el
polinomio de Taylor de orden n en 0 de la función f (x), entonces P ′ (x) es el
polinomio de Taylor de f ′ (x) de orden n − 1 en 0. Esquemáticamente:
n,0 n−1,0
f (x) −→ P (x) =⇒ f ′ (x) −−−→ P ′(x).

1
h(x) = .
(1 − x)2

1 3,0
−→ 1 + x + x2 + x3 =⇒
1−x
′
1 2,0
h(x) = −→ (1 + x + x2 + x3 )′ = 1 + 2x + 3x2 .
1−x
⋄

Integrales
Sean I ⊆ R un intervalo abierto con 0 ∈ I, n ∈ N y f ∈ Cn (I). Si R xP (x) es el
polinomio de Taylor de orden
R x n en 0 de la función f (x), entonces 0 P (t) dt es
el polinomio de Taylor de 0 f (t) dt de orden n + 1 en 0. Esquemáticamente:
Z x Z x
n,0 n+1,0
f (x) −→ P (x) =⇒ f (t) dt −−−→ P (t) dt.
0 0
h(x) = arc sen x.
Teniendo en cuenta lo calculado en el Ejemplo 3.6.10, presentamos la solución

esquemáticamente
1 6,0 1 3 5
√ −→ 1 + x2 + x4 + x6 =⇒
1 − x2 2 8 16
x Z x
1 1 3 5
Z
7,0
h(x) = √ dt −→ (1 + t2 + t4 + t6 ) dt =
0 1 − t2 0 2 8 16
1 3 5 7
= x + x3 + x5 + x.
6 40 112
⋄
3.6.3 Cálculo de límites III

Proposición 3.6.13 Sean I ⊆ R un intervalo abierto, a ∈ I, n ∈ N y
f ∈ Cn (I), verificando
f (a) = f ′ (a) = · · · = f (n−1) (a) = 0,
y
f (n) (a) 6= 0.
Entonces, se tiene que
f (n) (a)
f (x) ∼ (x − a)n si x → a.
n!
⋄
Por lo tanto, si el polinomio de Taylor de cierto orden de una función en

a es no nulo, dicha función es equivalente en a al término de menor grado de
ese polinomio. Esto nos permite construir infinitésimos equivalentes distintos
de los que tenemos tabulados para resolver indeterminaciones.

3. Derivadas 87
Ejemplo 3.6.14 Calcular

sen x − x + x3 /6
lı́m .
x→0 x2 (2 − 2 cos x − x2 ex )
Calculemos polinomios de Taylor para el numerador y el denominador

x5
5,0
sen x − x + x3 /6 −→
120
5,0
x (2 − 2 cos x − x e ) −→ −x5
2 2 x
Así, por la Proposición 3.6.13, tendremos que

x5
sen x − x + x3 /6 ∼ si x → 0
120
x2 (2 − 2 cos x − x2 ex ) ∼ −x5 si x → 0
y por el principio de sustitución, nuestro límite tomará el mismo valor que
x5
120 1 1
lı́m = lı́m − =−
x→0 −x5 x→0 120 120
⋄
3.7 Ejercicios
Ejercicio 3.1 Calcular la derivada de h(x) = f (x)g(x)
Ejercicio 3.2 Estudiar la continuidad y derivabilidad de

( 2
e−1/x , si x 6= 0
f (x) = .
0, si x = 0
¿Hasta que orden admite f derivadas en R?
Ejercicio 3.3 Estudiar la continuidad y derivabilidad de


−2x−1
e
 , si x ≤ −1
2
f (x) = x , si − 1 < x < 0 .

sen x, si x ≥ 0

Ejercicio 3.4 Calcular la derivada n-ésima de

1+x
f (x) =
1−x

88 3.7. Ejercicios
Ejercicio 3.5 Probar que existe una única solución real de
x2 = x cos x − sen x.
Ejercicio 3.6 Calcular una solución de
2x − log x − 2 = 0.
¿Cuántas soluciones tiene la ecuación anterior?
Ejercicio 3.7 Probar que entre dos soluciones de ex sen x = 1, existe al

menos una solución de ex cos x = −1.
Ejercicio 3.8 Probar que
| sen x − sen y| ≤ |x − y|, ∀ x, y ∈ R

a b b
1 − ≤ log ≤ − 1, ∀ a, b > 0.
b a a
Ejercicio 3.10 Hállese una cota del error cometido al considerar la aproxi-
mación
341/5 ≈ 2
esen x − ecos x
lı́m .
x→π/4 sen x − cos x
Ejercicio 3.12 Hallar p ∈ N para que el límite
log(cos x) + 1 − cos x
lı́m ,
x→0 xp
sea finito y distinto de cero.
ex (ex − cos x)(3 + cos x)

lı́m .
x→0 (x2 + 2x − 1)(2 − 3 sen 2x) log(1 + 3x)

3. Derivadas 89

f (x) = x5 + x4 + 2x3 + x2 − 13x + 7,
tiene un único extremo relativo en (0, 1) y determinar si es un máximo o un
mínimo.
Ejercicio 3.15 Hallar los extremos absolutos en [0, 2] de
f (x) = |x2 − 3x + 2|
Ejercicio 3.16 Fecha estelar 3141.5. El capitán James Tiberius Kirk se en-
cuentra al mando de la nave interestelar Enterprise dentro de territorio Klin-
gon en el punto del espacio (0, −1, 0). Debido a una avería en el timón, la
Enterprise sólo puede moverse en el plano z = 0 a lo largo de las rectas
de la forma c(y + 1) = x con c ≥ 3/4. Los sensores detectan una anomalía
subespacial en la región
(x, y, z) ∈ R3 | 0 ≤ x ≤ 1, −1 ≤ y ≤ 0 ,

de modo que en esta zona la Enterprise sólo puede viajar a 1/9 de su velocidad
máxima. En esos momentos, Kirk recibe la orden de regresar a espacio de la
Federación, cuya frontera con el territorio Klingon es el plano y = 0, en el
menor tiempo posible. Calcular la trayectoria que debe seguir la Enterprise.
Ejercicio 3.17 El beneficio anual de una empresas es
B(x, y) = 6 − 6x − y 2,
con x, y ∈ R parámetros económicos que verifican x2 + y 2 = 1. Determinar
los valores de x, y para que el beneficio sea máximo.
Ejercicio 3.18 Un alambre de longitud L se corta en dos trozos de longitu-
des a y b. Con un trozo se hace una cuadrado y con el otro una circunferencia.
¿Cómo ha de cortarse el alambre para que la suma de las áreas de las dos
figuras sea máxima?¿Y para que sea mínima?
Ejercicio 3.19 La cilindrada de un motor de explosión es nπx2 y/4, siendo n
el número de cilindros, x el diámetro e y la carrera. Se quiere desarrollar una
nueva familia de motores de 6 cilindros y 2430 cm3 , cuyo par motor máximo
viene dado por
πyx2 (x − 1)

23 + cos .
1620
Por razones constructivas, los cilindros deberán tener un diámetro mayor o
igual que 2π y una carrera mayor o igual que 180π −3 . Determinar el valor
del diámetro para que el motor proporcione un par máximo lo más elevado
posible.

90 3.7. Ejercicios
Ejercicio 3.20 Hallar la longitud de los lados del triángulo isósceles de pe-
rímetro 1 que tiene área máxima.
Ejercicio 3.21 Calcular el polinomio de Taylor de grado 3 en a = 1 de
f (x) = x2 sen x.
Ejercicio 3.22 Calcular una cota del error que se comete al aproximar
1 1 1
e≈2+ + + .
2! 3! 4!
Ejercicio 3.23 Aproximando ex por polinomios, calcular e con un error me-

nor que 10−5.
Ejercicio 3.24 Acalarar la procedencia de

√ x
a2 + x ≈ a +,
2a
√
donde a > 0. Obtener un valor aproximado de 27 tomando a = 5 y acotar
el error cometido.
Ejercicio 3.25 Calcular el polinomio de Taylor de orden 3 de tg x en 0.
Ejercicio 3.26 ¿Cuántos términos hay que tomar en 1 − x2 /2 + x4 /24 − · · ·

para obtener cos(π/10) con una precisión de una milésima?
h2
| sen(a + h) − (sen a + h cos a)| ≤ .
2
Ejercicio 3.28 Calcular el polinomio de Taylor de grado 2n en 0 de

1
f (x) = x2 cos x + + x2 ,
x2 − α2
donde α ∈ R − {0}.

x2 − sen2 x
lı́m .
x→0 x4

3. Derivadas 91
Ejercicio 3.30 Estudiar la continuidad en 0 de

 4 2
 x sen(1/x )
, si x 6= 0
f (x) = ex − x − cos x .
−10, si x = 0

Ejercicio 3.31 Sabiendo que el polinomio de Taylor de orden n de (1+x)−1/2

en 0 es n
X (2k)! k
(−1)k k 2
x ,
k=0
4 (k!)
calcular
1. El polinomio de Taylor de orden 2n en 0 de

1
f (x) = √ .
1 − x2
2. El polinomio de Taylor de orden 2n + 1 en 0 de arc sen x
3. Calcular
arc sen x − x − x3 /6
lı́m .
x→0 sen3 x(1 − cos 2x)

arc sen x 1/x2
lı́m .
x→0 x
ex sen x − x − x2
lı́m .
x→0 x2 + x log(1 − x)

92 3.7. Ejercicios

Capítulo 4
Integración
4.1 Primitivas
Definición 4.1.1 Sea I ⊆ R un intervalo abierto y f : I −→ R. Diremos
que f admite primitiva en I si existe una función F : I −→ R derivable en
I tal que
F ′ (x) = f (x), ∀ x ∈ I.
En este caso diremos que F es una primitiva de f en I. ⋄
Lema 4.1.2 Sea I ⊆ R un intervalo abierto y f : I −→ R. Supongamos que

f admite primitiva en I y que F es una primitiva de f en I. Entonces, para
cada C ∈ R, F (x) + C también es una primitiva de f en I.
Por tanto, si una función admite primitiva, admite infinitas primitivas. ⋄
Definición 4.1.3 Sea I ⊆ R un intervalo abierto y f : I −→ R una función

que admite primitiva en I. Llamaremos integral indefinida de f al conjunto
de primitivas de f en I y la denotaremos por
Z
f (x) dx.
Nota 4.1.4 Si f (x) es un función, utilizaremos la siguiente notación
df := f ′ (x) dx,
que nos permitirá recordar más facilmente algunas fórmulas. ⋄
93
94 4.2. Cálculo de primitivas
4.2 Cálculo de primitivas

El cálculo de primitivas (o equivalentemente, de integrales indefinidas) en
general es muy costoso. Incluso existen funciones con expresiones sencillas,
para las cuales se sabe que existe primitiva, pero ésta no se puede expresar
mediante combinaciones de funciones elementales. Son las primitivas de las
que en la enseñanza elemental nos decían que no se pueden resolver, aunque
esta expresión es confusa, pues en realidad se suelen poder resolver, aunque
no por métodos convencionales.
La estrategia para calcular integrales indefinidas es partir de algunas fun-
ciones para las cuales obtener una primitiva es trivial (las llamadas integrales
inmediatas) y cuando se tenga una función cuya integral no sea inmediata,
realizar ciertas manipulaciones que permitan reducirla a integrales inmedia-
tas.
4.2.1 Integrales inmediatas

Presentamos en la Tabla 4.1 las integrales inmediatas más comunes.
xk+1 dx
Z Z
k
x dx = + C, k 6= 1 = log |x| + C
k+1 x
1 x
Z Z
x x
e dx = e + C ax dx = a + C, a > 0, a 6= 1
log a
Z Z
sen x dx = − cos x + C cos x dx = sen x + C
dx dx
Z Z
= − cotg x + C = − tg x + C
sen2 x cos2 x
dx dx
Z Z
= arc tg x + C √ = arc sen x + C
1 + x2 1 − x2
Cuadro 4.1: Integrales inmediatas
4.2.2 Integración por descomposición

Proposición 4.2.1 Sea I ⊆ R un intervalo abierto, λ, µ ∈ R y f, g : I −→ R
tales que admiten primitiva en I. Entonces λf + µg admite primitiva en I y

4. Integración 95
además
Z Z Z
(λf (x) + µg(x)) dx = λ f (x) dx + µ g(x) dx.
Podemos emplear esta propiedad en muchas ocasiones. El ejemplo más claro

es la integración de polinomios, para los que basta conocer esta fórmula y la
integral inmediata de las potencias.
Ejemplo 4.2.2 Calculemos una primitiva de 5x3 − 3x2 + x − 2.
Z Z Z Z Z
3 2 3 2
(5x − 3x + x − 2) dx = 5 x dx − 3 x dx + x dx − 2 dx =
5 1
= x4 − x3 + x2 − 2x + C
4 2
⋄
También se suele utilizar esta propiedad combinada con ciertas fórmulas tri-
gonométricas.
Ejemplo 4.2.3
Z
(sen(x/2) cos(x/2) + cos2 (x/2) − sen2 (x/2)) dx =
Z
1 1
Z Z
= sen x + cos x dx = sen x dx + cos x dx =
2 2
− cos x
= + sen x + C
2
⋄
Otro tipo de integrales que se resuelven por descomposición son la de las
funciones racionales, cuyo tratamiento detallaremos a continuación.
4.2.2.1 Funciones racionales

Trataremos aquí el cálculo de primitivas de funciones racionales, es decir
P (x)
Z
dx,
Q(x)
donde P, Q son polinomios de una variable.
El método general consiste en la descomposición de la función racional
en fracciones simples, seguida de una integración por descomposición.

4.2.2.1.1 Caso 1 Si el grado de P es menor que el grado de Q, entonces

realizaremos el siguiente proceso:
1. Calcular las raíces reales y complejas de Q. Pongamos que son
(a) Raíces reales r1 , . . . , rp con multiplicidades respectivas m1 , . . . , mp .

(b) Raíces complejas α1 ± β1 i, . . . , αs ± βs i con multiplicidaes respec-
tivas k1 , . . . , ks , y con βi 6= 0, i = 1, . . . , s.
Si llamamos λ al coeficiente del término de mayor grado de Q, sabemos

que se puede escribir
Q(x) =λ(x − r1 )m1 · · · (x − rp )mp

(4.1)
((x − α1 )2 + β12 )k1 · · · ((x − αs )2 + βs2 )ks
2. Plantear la ecuación
P (x) A11 A12 A1m1
= + 2
+···+
Q(x) x − r1 (x − r1 ) (x − r1 )m1
A21 A22 A2m2
+ + + · · · +
x − r2 (x − r2 )2 (x − r2 )m2
+ ...+
Ap1 Ap2 Apmp
+ + 2
+···+
x − rp (x − rp ) (x − rp )mp
′ (4.2)
a1,0 + a1,1 x + · · · + a1,2k1 −3 x2k1 −3

M1 x + N1
+ +
((x − α1 )2 + β12 )k1 −1 (x − α1 )2 +β12
′
a2,0 + a2,1 x + · · · + a2,2k2 −3 x2k2 −3

M2 x + N2
+ 2
+
((x − α2 )2 + β2 )k2 −1 (x − α2 )2 +β22
+ ...+
′
as,0 + as,1 x + · · · + as,2ks −3 x2ks −3

Ms x + Ns
+ 2 2 k −1
+
((x − αs ) + βs ) s (x − αs )2 +βs2
Donde todos los Aij, ai,j , Mi y Ni son coeficientes indeterminados

que habrá que determinar en las etapas sucesivas. Para simplificar las
notaciones, llamaremos
pi (x) = ai,0 + ai,1 x + · · · + ai,2ki −3 x2ki −3 , i = 1, . . . , s,
e introduciremos notación de sumatorios, quedando la ecuación (4.2)

4. Integración 97
escrita como
p mi s
P (x) X X Aij X Mi x + Ni
= +
Q(x) i=1 j=1 (x − ri ) j
i=1
(x − αi )2 + βi2
s ′ (4.3)
X pi (x)
+
i=1
((x − αi )2 + βi2 )ki −1
Debemos entender que los términos del último sumatorio para los cuales
ki = 1, son 0.
3. Reducir el segundo miembro de la ecuación (4.3) a común denominador
Q(x), cosa que siempre es posible por la ecuación (4.1) e igualando
numeradores, la ecuación (4.3) nos conduce a
P (x) =
p mi s
X X Q(x) X Q(x)
Aij + (Mi x + Ni )
i=1 j=1
(x − ri ) j
i=1
(x − αi )2 + βi2 (4.4)
s
X Q(x)
+ qi (x)
i=1
((x − αi2 ) + βi2 )ki
Donde qi (x) = (p′i (x)((x − αi )2 + βi2 ) − 2(ki − 1)(x − αi )pi (x)) .
El segundo miembro de la ecuación (4.4) es un polinomio porque los
términos
Q(x) Q(x) Q(x)
, 2
y
(x − ri )j (x − αi )2 + βi ((x − αi )2 + βi2 )ki
son polinomios por la fórmula (4.1)
4. A partir de la igualdad entre polinomios (4.4) podemos igualar coe-
ficientes o realizar otra serie de operaciones para obtener un sistema
de ecuaciones lineales compatible y determinado cuyas incógnitas son
los coeficientes indeterminados introducidos en (4.2). Se resuelve este
sistema lineal y se reescribe (4.2) con los coeficientes indeterminados
sustituidos por las soluciones
Después del proceso anterior se tendría, por la regla de integración por des-
composición,
p mi Z s Z
P (x) Aij Mi x + Ni
Z X X X
dx = dx + dx
Q(x) i=1 j=1
(x − ri ) j
i=1
(x − αi )2 + βi2
s Z ′ (4.5)
X pi (x)
+ dx,
i=1
((x − αi )2 + βi2 )ki −1

donde ahora los coeficientes Aij, ai,j , Mi y Ni ya serían valores concretos cal-
culados antes. Cada una de las integrales que aparecen en (4.5) son fácilmente
resolubles:



 Aij log |x − ri |, si i = 1
Aij
Z 
dx =
(x − ri )j (1 − j)Aij
si i > 1


 ,
(x − ri )j−1


Mi x + Ni Mi Mi αi + Ni x − αi
Z
2 2
dx = log |(x − αi )2 + βi2 | + arc tg
(x − αi ) + βi 2 βi βi
Z ′
pi (x) pi (x)
dx = .
((x − αi )2 + βi2 )ki −1 ((x − αi )2 + βi2 )ki −1
Para justificar las dos primeras integrales, se utilizan los contenidos de la

sección 4.2.4 dedicada al cambio de variable.
4.2.2.1.2 Caso 2 Si el grado de P es mayor o igual que el grado de Q,

entonces realizamos la división de polinomios expresada esquemáticamente:
P (x) Q(x)
,
R(x) C(x)
con grado de R(x) menor que el grado de Q(x). En estas condiciones, se tiene
P (x) R(x)
= C(x) + ,
Q(x) Q(x)
por lo que aplicando la regla de integración por descomposición
P (x) R(x)
Z Z Z
dx = C(x) dx + dx,
Q(x) Q(x)
donde el primer sumando es la sencilla integral de un polinomio y el segundo

es una integral de una función racional en las condiciones del Caso 1.
Nota 4.2.4 Todo el proceso anterior sólo se puede llevar a cabo en el caso en
que se puedan obtener con facilidad las raíces del denominador de la función
racional, lo cual sabemos que no siempre es posible. ⋄
Veamos algunos ejemplos.

4. Integración 99

11x3 − 20x2 + 72x − 32
Z
dx
x5 − 3x4 + 4x3 − 8x2 + 16
Aplicando el algoritmo de Ruffini al denominador, tenemos que
x5 − 3x4 + 4x3 − 8x2 + 16 = (x − 2)2 (x + 1)(x2 + 4),
Es decir, tendríamos como raíces reales 2 con multiplicidad 2 y −1 con multi-
plicidad 1 y las raíces complejas conjugadas 2i y −2i ambas con multiplicidad
1.
La descomposición de la ecuación (4.2) sería
11x3 − 20x2 + 72x − 32 A B D Mx + N
2 2
= + 2
+ + 2 .
(x − 2) (x + 1)(x + 4) x − 2 (x − 2) x+1 x +4
Reduciendo el segundo miembro a común denominador (x−2)2 (x+1)(x2 +4)
e igualando numeradores, se tiene que
11x3 − 20x2 + 72x − 32 =A(x − 2)(x + 1)(x2 + 4) + B(x + 1)(x2 + 4)
+ D(x − 2)2 (x2 + 4) + (Mx + N)(x − 2)2 (x + 1).
(4.6)
Para obtener los coeficientes A, B, C, M, N, necesitamos obtener un sistema
lineal de 5 ecuaciones con cinco incógnitas determinado por la ecuación po-
linómica (4.6). Para ello, tenemos dos alternativas. La primera consistiría en
agrupar el segundo miembro de la ecuación (4.6) en potencias de x
11x3 − 20x2 + 72x − 32 =(A + D + M)x4 + (−A + B − 4D − 3M + N)x3
+ (2A + B + 8D − 3N)x2
+ (−4A + 4B − 16D + 4M)x
− 8A + 4B + 16D + 4N.
e igualar coeficientes de las distintas potencias de x para obtener el sistema
lineal 

 A +D +M = 0
−A +B −4D −3M +N = 11



2A +B +8D −3N = −20 (4.7)
−4A +4B −16D +4M = 72




−8A +4B +16D +4N = −32

Y resolviendo el sistema, se tienen los coeficientes. Este método es costoso y

propenso a errores, por la agrupación en potencias de x y porque el sistema
lineal resultante no es rápido de resolver.

Por ello es mejor considerar una segunda alternativa, que consiste en evaluar
la ecuación (4.6) en cinco valores de x sencillos que incluyan las raíces reales
del denominador de la función racional. Estos valores podrían ser por ejemplo
2, −1, 0, 1 y −2. De esta manera obtendríamos fácilmente el sistema


 +24B = 120
+45D = −135



−8A +4B +16D +4N = −32 (4.8)
−10A +10B +5D +2M +2N = 31




32A −8B +128D +32M −16N = −344

que es equivalente al anterior (4.7), pero más sencillo de resolver, pues al

menos hay dos incógnitas casi despejadas.
Resolviendo, obtenemos
A = 1, B = 5, D = −3, M = 2, N = 1,
de donde
11x3 − 20x2 + 72x − 32
Z
dx =
x5 − 3x4 + 4x3 − 8x2 + 16
Z
1 5 3 2x + 1
= + − + dx
x − 2 (x − 2)2 x + 1 x2 + 4
1 5 3 2x + 1
Z Z Z Z
= dx + 2
dx − dx + dx
x−2 (x − 2) x+1 x2 + 4
5 1 x
= log |x − 2| − − 3 log |x + 1] + log(x2 + 4) + arc tg + C.
x−2 2 2
⋄
2x4 + 2x3 + 4x2 + 2x − 3

Z
dx.
(x + 2)(x2 + 1)2
Como el grado del numerador es menor que el grado del denominador y el
denominador ya está factorizado, la descomposición en fracciones simples es
′
2x4 + 2x3 + 4x2 + 2x − 3

A ax + b Mx + N
2 2
= + 2
+ 2 =
(x + 2)(x + 1) x+2 x +1 x +1
A(x2 + 1)2 − (ax2 + 2xb − a)(x + 2) + (Mx + N)(x + 2)(x2 + 1)

= ,
(x + 2)(x2 + 1)2

4. Integración 101
e igualando numeradores tenemos
2x4 + 2x3 + 4x2 + 2x − 3 =

(4.9)
= A(x2 + 1)2 − (ax2 + 2xb − a)(x + 2) + (Mx + N)(x + 2)(x2 + 1).
Como hay 5 coeficientes indeterminados, elegimos para evaluar la ecuación

(4.9) cinco valores distintos que incluyan las raíces reales, como por ejemplo
−2, −1, 0, 1, 2, obteniendo así el sistema lineal


 25A = 25
4A +2b −2M +2N = −1



A +2a +2N = −3 , (4.10)
4A −6b +6M +6N = 7




25A −12a −16b +40M +20N = 65

cuyas soluciones son A = 1, a = −1, b = −1/2, M = 1, N = −1. Por lo que

′
2x4 + 2x3 + 4x2 + 2x − 3
Z
1 x + 1/2 x−1
Z
dx = − + 2 dx =
(x + 2)(x2 + 1)2 x+2 x2 + 1 x +1
Z ′
1 x + 1/2 x−1
Z Z
= dx − 2
dx + dx =
x+2 x +1 x2 + 1
2x + 1 1
= log |x + 2| − 2
+ log(x2 + 1) − arc tg x + C
2(x + 1) 2
⋄

4x + 1
Z
dx.
2x2− 5x + 2
El denominador factoriza como
2x2 − 5x + 2 = 2(x − 1/2)(x − 2)
de donde la descomposición en fracciones simples es
4x + 1 A B 2A(x − 2) + 2B(x − 1/2)

= + = .
2x2 − 5x + 2 x − 1/2 x − 2 2(x − 1/2)(x − 2)
Igualando numeradores
4x + 1 = 2A(x − 2) + 2B(x − 1/2)

y evaluando en 1/2 y en 2, se obtiene el sistema lineal

−3A = 3
3B = 9
cuyas soluciones son

A = −1, B = 3.
Por lo tanto
Z
4x + 1 −1 3
Z
2
dx = + dx =
2x − 5x + 2 x − 1/2 x − 2
dx dx
Z Z
=− +3 = 3 log |x − 2| − log |x − 1/2| + C.
x − 1/2 x−2
⋄

x8
Z
dx.
1 + x2
Como el grado del numerador es mayor o igual que el del denominador hay
que dividir los polinomios
x8 x2 − 1
−x8 −x6 x6 − x4 + x2 − 1
6
−x
x6 +x4
x4
−x4 −x2
−x2
x2 +1
1
por lo que
x8 1
Z Z
2
dx = x6 − x4 + x2 − 1 + dx =
1+x 1 + x2
dx
Z Z Z Z Z
5 4 2
= x dx − x dx + x dx − dx + =
1 + x2
x7 x5 x3
= − + − x + arc tg x + C.
7 5 3
⋄

4. Integración 103

1 − x2
Z
dx.
x3 + 8
x3 + 8 = (x + 2)(x2 − 2x + 4).
El término x2 − 2x + 4, contiene dos raíces complejas conjugadas de multi-

√
plicidad 1. En el desarrollo teórico lo expresaríamos como (x − 1)2 + ( 3)2 ,
forma que es adecuada para resolver la integral final, pero que es engorrosa
de escribir (y desde luego no necesaria) durante el proceso de descomposición
en fracciones simples.
La descomposición en fracciones simples es
1 − x2 A Mx + N A(x2 − 2x + 4) + (Mx + N)(x + 2)

= + =
x3 + 8 x + 2 x2 − 2x + 4 x3 + 8
1 − x2 = A(x2 − 2x + 4) + (Mx + N)(x + 2)
y evaluando en −2,en 0 y en 1, se obtiene el sistema lineal


 12A = −3
4A +2N = 1
3A +3M +3N = 0

A = −1/4, M = −3/4, N = 1
Por lo tanto
1 − x2
Z
−1/4 3/4x − 1
Z
dx = − dx =
x3 + 8 x + 2 x2 − 2x + 4
−1/4 3/4x − 1
Z Z
= dx − dx =
x+2 x2− 2x + 4
√ √ !
1 3 3 3
= − log |x + 2| − log(x2 − 2x + 4) + arc tg (x − 1) + C.
4 8 12 3


x
Z
dx.
4x + 5
Como el grado del numerador es mayor o igual que el del denominador, hay
que dividir
x 4x + 5
−x −5/4 1/4
−5/4
Entonces
Z
x 1 5/4 1 5 dx
Z Z Z
dx = − dx = dx −
4x + 5 4 4x + 5 4 16 x + 5/4
x 5
= − log |x + 5/4| + C.
4 16
⋄

(1 + x)(1 + x2 )
Z
dx.
x2 + 2
El denominador ya está factorizado y el numerador es
(1 + x)(1 + x2 ) = x3 + x2 + x + 1.
Hay que dividir, por ser el grado del numerador superior al del denominador
x3 +x2 +x +1 x2 + 2
−x3 −2x 1x + 1
2
x −x +1
−x2 −2
−x −2
por lo que
(1 + x)(1 + x2 ) x2
Z
x+2 x+2
Z Z
2
dx = x+1− 2 dx = +x− dx
x +2 x +2 2 x2 + 2
Y la función racional que queda ya está descompuesta en fracciones simples,
por lo que
2 2
√ √ !
(1 + x)(1 + x ) x 1 2 2
Z
2
dx = + x − log(x2 + 2) − arc tg x + C.
x +2 2 2 2 2
⋄

4. Integración 105

1
Z
dx.
1 − x2
(1 − x2 ) = (1 + x)(1 − x)
1 A B A(1 − x) + B(1 + x)
= + = .
1 − x2 1+x 1−x 1 − x2
1 = A(1 − x) + B(1 + x)
y evaluando en −1, 1, se obtiene el sistema lineal

2A = 1
2B = 1
A = 1/2, B = 1/2
Por lo tanto
Z
1 1/2 1/2 1 dx 1 dx
Z Z Z
2
dx = + d= + =
1−x 1+x 1−x 2 1+x 2 1−x

1 1 1 1 + x
= log |1 + x| − log |1 − x| + C = log +C
2 2 2 1 − x
⋄
x2 − 1
Z
dx.
x2 + 1
Debemos dividir
x2 −1 x2 + 1
−x2 −1 1
−2
y así
x2 − 1
Z
2 dx
Z Z Z
dx = 1− dx = dx − 2 =
x2 + 1 2
x +1 x2+1
= x − 2 arc tg x + C.
⋄

dx
Z
√ .
x2 − 2 3x − 1

√ √ √
x2 − 2 3x − 1 = (x − 3 + 2)(x − 3 − 2)
1 A B
√ √ = √ + √ =
(x − 3 + 2)(x − 3 − 2) x− 3+2 x− 3−2
√ √
A(x − 3 − 2) + B(x − 3 + 2)
= √ √
(x − 3 + 2)(x − 3 − 2)
√ √
1 = A(x − 3 − 2) + B(x − 3 + 2)
√ √
y evaluando en 3 + 2, 3 − 2, se obtiene el sistema lineal

4B = 1
−4A = 1

A = −1/4, B = 1/4
Por lo tanto
Z
dx −1/4 1/4
Z
√ = √ + √ dx =
x2 − 2 3x − 1 x− 3+2 x− 3−2
1 dx 1 dx
Z Z
=− √ + √ =
4 x− 3+2 4 x− 3−2
x − √3 − 2

1 √ 1 √ 1
− log |x − 3 + 2| + log |x − 3 − 2| + C = log √ + C.

4 4 4 x − 3 + 2

4. Integración 107
4.2.3 Integración por partes

Proposición 4.2.15 Sean I ⊆ R un intervalo abierto y u, v ∈ C1 (I). Se
tiene que Z Z
u(x)v (x) dx = u(x)v(x) − v(x)u′ (x) dx,
′
expresión a la que llamaremos fórmula de integración por partes. ⋄

La fórmula de la integración por partes es más sencilla de recordar si utiliza-
mos la notación introducida en la Nota 4.1.4, pues se escribe como
Z Z
u dv = uv − v du.
Ejemplo 4.2.16 Calculemos

Z
xex dx.
Aplicamos la fórmula de la integración por partes tomando

du = 1 dx
u=x
=⇒
Z
x
dv = e dx v = ex dx = ex
se tiene que
Z Z
xe dx = xe − ex dx = xex − ex + C = ex (x − 1) + C.
x x
⋄
Nota 4.2.17 Muchas integrales de la forma
Z
xn f (x) dx, n ∈ N,
se resuelven aplicando la fórmula de integración por partes una o varias veces.

⋄

Proposición 4.2.18 Sean I, J, A ⊆ R tres intervalos abiertos, u : I −→ A
biyectiva con u ∈ C1 (I), v : J −→ A biyectiva con v ∈ C1 (J) y f : I −→ R
admitiendo primitiva en I. Se tiene que
f (u−1(v(t)))v ′ (t)
Z Z
f (x) dx = dt .
u′ (u−1 (v(t))) t=v−1 (u(x))
⋄

La proposición anterior nos muestra como afectan los cambios de variable al

cálculo de primitivas. El cambio sería
u(x) = v(t),
por lo que
′ ′ u′ (t)
du = dv =⇒ u (x) dx = v (t) dt =⇒ dx = ′ dt,
v (t)
y que
x = u−1(v(t))
t = v −1 (u(x)),
De donde queda clara la fórmula de cambio de variable bajo la integral mos-
trada en la proposición 4.2.18. No obstante, esta fórmula suele usarse en dos
casos particulares que describiremos a continuación.
Corolario 4.2.19 Asumimos las mismas condiciones que en la proposición
4.2.18. Tenemos
1. Si u(x) es la función identidad, y por tanto I = A, se tiene
x = v(t)
dx = v ′ (t) dt,
y la fórmula integral de cambio de variable queda
Z Z
f (x) dx = f (v(t))v ′ (t) dt

.
t=v−1 (x)
2. Si v(t) es la función identidad, y por tanto J = A, se tiene

t = u(x)
u′ (x) dx = dt,
y la fórmula integral de cambio de variable suele usarse de la siguiente
forma Z Z
′

f (u(x))u (x) dx = f (t) dt .
t=u(x)
⋄
La dificultad técnica del cambio de variable, consiste en encontrar el cam-
bio de variable específico que resuelve una determinada integral. Esto suele
requerir mucha experiencia en el cálculo de primitivas. No obstante hay al-
gunos casos en los que existe un cambio normalizado de variable que permite
reducir la integral dada a otra de resolución conocida. Esto es lo que vamos
a ver a continuación.

4. Integración 109
4.2.4.1 Cambio lineal de variable

Si tenemos una integral de la forma
Z
f (ax + b) dx, a, b ∈ R, a 6= 0
Podemos realizar el cambio

dx
t = ax + b =⇒ dt = a dx =⇒ dx = ,
a
por lo que
1
Z Z

f (ax + b) dx = f (t) dt .
a t=ax+b

Z
cos(3x + 2) dx.
Hagamos el cambio
dt
t = 3x + 2 =⇒ dt = 3 dx =⇒ dx = ,
3
de donde
1 1 1
Z Z
cos(3x + 2) dx = cos(t) dt = sen(t) + C = sen(3x + 2) + C.
3 3 3
⋄
4.2.4.2 Irracionales bilineales

Son integrales de la forma
p /q p /q !
ax + b 1 1 ax + b k k
Z
R x, ,..., dx,
cx + d cx + d
donde k ∈ N, p1 , . . . , pk ∈ Z, q1 , . . . , qk ∈ N, a, b, c, d ∈ R con a 6= 0 ó c 6= 0 y
R(X0 , X1 , . . . , Xk ) es una función racional en k + 1 variables.
El cambio que hay que efectuar es
1/m
ax + b
t= ,
cx + d
donde m es el mínimo común múltiplo de q1 , . . . , qk .


√
x−1
Z
√ dx.
1+ 3 x−1
Si la escribimos de la forma
(x − 1)1/2
Z
dx,
1 + (x − 1)1/3
vemos que es irracional bilineal. El cambio de variable que debemos hacer es
t = (x − 1)1/6 =⇒ x = t6 + 1 =⇒ dx = 6t5 dt.
Por lo tanto
√
x−1 t3 t8
Z Z Z
5
√ dx = 6t dt = 6 dt =
1+ 3 x−1 1 + t2 1 + t2
(Por el ejemplo 4.2.8)
7 5
t t t3
= 6( − + − t + arc tg t) + C =
7 5 3
6 6
= (x − 1) − (x − 1)5/6 + 2(x − 1)1/2 + 6(x − 1)1/6 +
7/6
7 5
+ 6 arc tg(x − 1)1/6 + C.
⋄
4.2.4.3 Racionales de seno y coseno

Son de la forma Z
R(sen x, cos x) dx,
donde R(X, Y ) es una función racional de dos variables.

El cambio general que siempre se puede realizar
t = tg(x/2),
de donde se deduce que
2t 1 − t2 2 dt
sen x = 2
, cos x = 2
, dx = .
1+t 1+t 1 + t2
Además, en algunos casos particulares, se pueden realizar otros cambios que
en ocasiones conducen a una integral más sencilla:

4. Integración 111
1. Si R(sen x, − cos x) = −R(sen x, cos x), también sirve el cambio
t = sen x.
2. Si R(− sen x, cos x) = −R(sen x, cos x), también sirve el cambio
t = cos x.
3. Si R(− sen x, − cos x) = R(sen x, cos x), también sirve el cambio
t = tg x,
de donde se deduce
t 1 dt
sen x = √ , cos x = √ , dx =
1+t2 1+t2 1 + t2

dx
Z
.
1 + cos x
Es racional en seno y coseno. Haremos el cambio
1 − t2 2 dt
tg(x/2) = t =⇒ cos x = 2
, dx = ,
1+t 1 + t2
por lo que
dx 1 2
Z Z
= 2 dt =
1 + cos x 1 + 1+t2 1 + t2
1−t
1 + t2
Z Z
=2 dt = 2 dt = 2t + C = 2 tg(x/2) + C.
(1 + t2 + 1 − t2 )(1 + t2 )
⋄
cos3 x
Z
dx.
8 + sen3 x
Es racional en seno y coseno e impar en seno, así que que haremos el cambio
t = sin x =⇒ cos x dx = dt,

por lo que
cos3 x (1 − sen2 x) cos x 1 − t2
Z Z Z
dx. = dx = dt =
8 + sen3 x 8 + sen3 x 8 + t3
(Por el Ejemplo 4.2.9)
√ √ !
1 3 3 3
= − log |2 + t| − log(t2 − 2t + 4) + arc tg (t − 1) + C =
4 8 12 3
1 3
= − log |2 + sin x| − log(sin2 x − 2 sin x + 4)+
4 8
√ √ !
3 3
+ arc tg (sin x − 1) + C
12 3
⋄

sen 2x
Z
dx.
5 + 4 cos x
Se tiene que
sen 2x 2 sen x cos x
Z Z
dx = dx,
5 + 4 cos x 5 + 4 cos x
que es racional en seno y coseno. Es impar en seno, luego se puede hacer el
cambio
t = cos x =⇒ − sen x dx = dt,
por lo que
2 sen x cos x t
Z Z
dx = −2 dt =
5 + 4 cos x 5 + 4t
(Por el ejemplo 4.2.10)
1 5 5 1
= − t + log |t + 5/4| + C = log | cos x + 5/4| − cos x + C
2 8 8 2
⋄

sen x + cos x
Z
dx.
cos3 x(1 + cos2 x)
Es racional en seno y coseno y par en seno y coseno. Haremos el cambio
t 1 dt
tg x = t =⇒ sen x = √ , cos x = √ dx = ,
1+t2 1+t2 1 + t2

4. Integración 113
por lo que
1+t
√
sen x + cos x
Z Z
2
dx = 1+t dt =
cos3 x(1 + cos2 x) 1 1 2
1+ (1 + t )
(1 + t2 )3/2 1 + t2
(1 + t)(1 + t2 )2 (1 + t)(1 + t2 )
Z Z
= dt = d=
(1 + t2 )(2 + t2 ) t2 + 2
(Por el Ejemplo 4.2.11)
√ √ !
t2 1 2 2
= + t − log(t2 + 2) − arc tg t +C =
2 2 2 2
√ √ !
tg2 x 1 2 2
+ tg x − log(tg2 x + 2) − arc tg tg x + C
2 2 2 2
⋄
R √
4.2.4.4 Integrales de la forma R(x, ±a2 ± x2 ) dx
Para las integrales de la forma
Z √
R(x, ±a2 ± x2 ) dx,
donde a ∈ R − {0} y R(X, Y ) es una función racional de dos variables, se

pueden presentar tres casos
Z √ cambio
1. R(x, a2 − x2 ) dx −−−−→ x = a cos t ó x = a sen t.
Z √ cambio
2. R(x, a2 + x2 ) dx −−−−→ x = a tg t.
Z √ cambio a a
3. R(x, x2 − a2 ) dx −−−−→ x = óx= .
cos t sen t

dx
Z
√ .
a 1 + x2
Haremos el cambio
dt
x = tg t =⇒ dx = ,
cos2 t
por lo que
dx dt dt
Z Z Z
√ = r = =
a 1 + x2 sen t sen2 t sen t
cos2 t 1+
cos t cos2 t
(Racional en seno y coseno:y = cos t, dy = − sen t dt)
dy
Z
=− =
1 − y2
(por el Ejemplo 4.2.12)

1 1 − y 1 1 − cos t
log
+ C = log +C =
2 1 + y 2 1 + cos t
sen t
 
2 2 2
x= ⇒ x cos t = 1 − cos t
 cos t 
1
⇒ (1 + x2 ) cos2 t = 1 ⇒ cos t = √
 
1 + x2
√
1 − 1 + x2

1
= log √ + C.

2 1 + 1 + x 2
dx
Z
√ .
x2 (x2 − 2) x2 − 4
Haremos el cambio
2 2 sen t
x= =⇒ dx = dt,
cos t cos2 t
4. Integración 115
por lo que
2 sen t
Z
dx
Z dt
√ = cos2 t r =
x2 (x2 − 2) x2 − 4

4 4 4
−2 −4
cos2 t cos2 t cos2 t
2 sen t cos5 t
Z
= p dt =
cos2 t(16 − 8 cos2 t) 4(1 − cos2 t)
1 cos3 t 1 cos2 t cos t
Z Z
= dt = dt =
8 2 − cos2 t 8 1 + sen2 t
(y = sen t ⇒ dy = cos t dt)

2
1 1−y
Z
dy =
8 1 + y2
1 1
= (2 arc tg y − y) + C = (2 arc tg(sen t) − sen t) + C =
8 8
√ 2 √ 2
1 x −4 x −4
= 2 arc tg − + C.
8 x x
⋄
4.2.4.5 Irracionales cuadráticas

Son de la forma Z √
R x, ax2 + bx + c dx,
donde a, b, c ∈ R con a 6= 0 y R(X, Y ) es una función racional en dos varia-

bles.
El cambio que se realiza es
b
t= x+ .
2a
dx
Z
√ .
(x + 1) x2 + x + 1
Es irracional cuadrática. Haremos el cambio
x + 1/2 = t =⇒ dx = dt,

116 4.3. La integral de Riemann
por lo que
dx dt
Z Z
√ = p
(x + 1) x2 + x + 1 (t + 1/2) t2 + 3/4
√ !
√ 3 dz
t = ( 3/2) tg z ⇒ dt = =
2 cos2 z
dz
Z
=2 √ =
3 sen z + cos z
1 − y2

2y 2 dy
tg(z/2) = y ⇒ cos z = , sen z = , dz =
1 + y2 1 + y2 1 + y2
dy
Z
= −4 √ =
y 2 − 2 3y − 1
y − √3 + 2 tg(z/2) − √3 + 2

= log √ + C = log √ +C =

y − 3 − 2 tg(z/2) − 3 − 2
tg(arc tg((2/√3)t)/2) − √3 + 2

= log √ √ +C =

tg(arc tg((2/ 3)t)/2) − 3 − 2
tg(arc tg((2/√3)(x + 1/2))/2) − √3 + 2

= log √ √ +C

tg(arc tg((2/ 3)(x + 1/2))/2) − 3 − 2
4.3 La integral de Riemann
Sean a, b ∈ R con a < b y sea f : [a, b] −→ R acotada. Se pretende definir,

Rb
cuando sea posible, una magnitud denotada por a f (x) dx que mida el área
comprendida entre la gráfica de la función y el eje OX entre a y b cuando la
función sea positiva en dicho intervalo

4. Integración 117
Z b
f (x) dx
a
a b X
Para ello se realiza una construcción formal técnicamente complicada, cuyos

ragos generales a nivel intutitivo son
1. Se aproxima el área bajo la función por defecto mediante rectángulos:
a b X
2. Se aproxima el área bajo la función por exceso también mediante rec-

tángulos:

a b X
3. Se toma algo que viene a significar la mejor aproximación por defecto y

algo que viene a significar la mejor aproximación por exceso mediante
una construcción que viene a ser similar a un proceso de paso al límite.
Si ambas aproximaciones coinciden, se dice que f es integrable en [a, b],
su valor representa el área bajo la gráfica de f y se denota por
Z b
f (x) dx,
a
y recibe el nombre de integral de Riemann o integral definida de f en

[a, b]
Para saber más

Construcción formal de la integral de Riemann
Nota 4.3.1
Rb
1. Si f es integrable en [a, b], entonces a f (x) dx ∈ R. Si f (x) ≥ 0, ∀ x ∈
[a, b], su valor es el área determinada por la gráfica de f en [a, b] y si
f (x) ≤ 0, ∀ x ∈ [a, b] su valor es el área cambiada de signo.

4. Integración 119
2. No todas las funciones acotadas en [a, b] son integrables en [a, b].
3. Toda función f : [a, b] −→ R acotada en [a, b] y continua en [a, b] salvo

quizá en una cantidad finita de puntos, es integrable en [a, b].
4. Si f es integrable en [a, b] y [c, d] ⊆ [a, b], entonces f es integrable en

[c, d].
4.3.1 Propiedades de la integral definida

Proposición 4.3.2 Sean a, b ∈ R con a < b y f, g : [a, b] −→ R integrables
en [a, b]. Se verifica
Z b
1. K dx = K(b − a), ∀ K ∈ R.
a
2. Si λ, µ ∈ R,
Z b Z b Z b
a a a
3. Si c ∈ (a, b),
Z b Z c Z b
f (x) dx = f (x) dx + f (x) dx.
a a c
4. Sea P ⊆ [a, b] un conjunto finito. Si f (x) = g(x), ∀ x ∈ [a, b] − P ,

entonces Z b Z b
f (x) dx = g(x) dx.
a a
Definición 4.3.3 Sean a, b ∈ R con a < b y f : [a, b] −→ R integrable en

[a, b]. Se establecen las siguientes definiciones por convenio
Z a
1. f (x) dx := 0.
a
Z a Z b
2. f (x) dx := − f (x) dx
b a
⋄

Nota 4.3.4 Las integrales definidas según los convenios de la Definición

4.3.3, verifican también las propiedades de la Proposicion 4.3.2 ⋄
Proposición 4.3.5 Sean a, b ∈ R con a < b y f, g : [a, b] −→ R integrables
en [a, b]. Se verifican
R R
b b
1. a f (x) dx ≤ a |f (x)| dx.

2. Sea P ⊆ [a, b] un conjunto finito. Si f (x) ≤ g(x), ∀ x ∈ [a, b] − P ,

entonces Z b Z b
f (x) dx ≤ g(x) dx.
a a
⋄
4.3.2 Teorema del valor medio

[a, b]. Entonces existe c ∈ [a, b] tal que
Z b
1
f (c) = f (x) dx.
b−a a
El segundo miembro de la igualdad anterior recibe el nombre de valor medio
o promedio de la f en [a, b]. ⋄
4.3.3 Continuidad de la función integral

Proposición 4.3.7 Sean a, b ∈ R con a < b y f : [a, b] −→ R integrable en
[a, b]. La función
F : [a, b] −→ R Z x
x 7−→ f (x) dx
a
es continua en [a, b]. ⋄
4.3.4 Teorema fundamental del cálculo

Teorema 4.3.8 Sean a, b ∈ R con a < b, c ∈ (a, b) y f : [a, b] −→ R
integrable en [a, b] y continua en c. Entonces la función
F : [a, b] −→ R
Z x
x 7−→ f (x) dx
a
es derivable en c y además F (c) = f (c). ⋄

′

4. Integración 121
Corolario 4.3.9 Sean a, b ∈ R con a < b y f : [a, b] −→ R continua en

[a, b]. Se tiene que
Z x
d
1. f (t) dt = f (x), ∀ x ∈ (a, b).
dx a
Z b
d
2. f (t) dt = −f (x), ∀ x ∈ (a, b).
dx x
3. Sea I un intervalo abierto y g, h : I −→ [a, b] derivables en I,

Z h(x) !
d
f (t) dt = f (h(x))h′ (x) − f (g(x))g ′(x), ∀ x ∈ I.
dx g(x)
4.3.5 Regla de Barrow

Proposición 4.3.10 Sean a, b ∈ R con a < b, f : [a, b] −→ R integrable en
[a, b], I un intervalo abierto con [a, b] ⊆ I y G : I −→ R derivable en I y con
G′ (x) = f (x), ∀ x ∈ [a, b]. Entonces
Z b
f (x) dx = G(x)|ba := G(b) − G(a)
a
⋄
Ejemplo 4.3.11
Z π/2
cos x dx = sen x|π/2
0 = sen(π/2) − sen 0 = 1 − 0 = 1.
0
⋄

Proposición 4.3.12 Sean a, b ∈ R con a < b, I un intervalo abierto con
[a, b] ⊆ I y u, v ∈ C1 (I). Se tiene
Z b Z a
′ b
u(x)v (x) dx = u(x)v(x)|a − v(x)u′ (x) dx,
a a
o escrito abreviadamente
Z b Z b
u dv = uv|ba − v du.
a a
⋄

Ejemplo 4.3.13
Z π/2
x cos x dx =
0
 
u = x, du =Z dx
 
dv = cos x dx, v = cos x dx = sen x
Z π/2
= x sen x|π/2
0 − sen x dx =
0
π π π
= sen(π/2) − 0 sen 0 + cos x|π/2
0 = + cos(π/2) − cos 0 = − 1.
2 2 2
⋄

Proposición 4.3.14 Sean a, b ∈ R con a < b, f : [a, b] −→ R integrable en
[a, b], I, J, A ⊆ R tres intervalos abiertos con [a, b] ⊆ I, u : I −→ A biyectiva
con u ∈ C1 (I) y v : J −→ A biyectiva con v ∈ C1 (J). Se tiene que
Z b Z v−1 (u(v))
f (u−1 (v(t)))v ′(t)
f (x) dx = dt.
a v−1 (u(a)) u′(u−1 (v(t)))
⋄
La proposición anterior nos muestra como afectan los cambios de variable al

cálculo de primitivas. El cambio sería
u(x) = v(t),
por lo que
u′ (t)
du = dv =⇒ u′(x) dx = v ′ (t) dt =⇒ dx = dt,
v ′ (t)
y que
x = u−1 (v(t)), t = v −1 (u(x)),
y por tanto
x = a =⇒ t = v −1 (u(a))
x = b =⇒ t = v −1 (u(b))
No obstante, esta fórmula suele usarse en dos casos particulares que descri-
biremos a continuación.

4. Integración 123
Corolario 4.3.15 Asumimos las mismas condiciones que en la proposición

4.2.18. Tenemos
1. Si u(x) es la función identidad, y por tanto I = A, se tiene
x = v(t), dx = v ′ (t) dt,
y la fórmula de cambio de variable queda
Z b Z v−1 (b)
f (x) dx = f (v(t))v ′(t) dt
a v−1 (a)
2. Si v(t) es la función identidad, y por tanto J = A, se tiene

t = u(x), u′ (x) dx = dt,
y la fórmula integral de cambio de variable suele usarse de la siguiente
forma Z b Z u(b)
′
f (u(x))u (x) dx = f (t) dt
a u(a)
⋄
Ejemplo 4.3.16
Z 2
x cos x2 dx =
0
1 !
x2 = t ⇒ 2x dx = dt ⇒ x dx = dt
2
x = 0 ⇒ t = 0, x = 2 ⇒ t = 4.
4
1 1 1 sen 4
Z
= cos t dt = sen t|40 = (sen 4 − sen 0) = .
2 0 2 2 2
⋄
4.4 Aplicaciones geométricas

4.4.1 Longitudes
Definición 4.4.1 Sean a, b ∈ R con a < b y u, v : [a, b] −→ R funciones
continuas. Diremos que el conjunto
{(u(t), v(t)) / t ∈ [a, b]} ∈ R2
es una curva continua plana o simplemente una curva plana.
Llamaremos al par de funciones (u(t), v(t)) una parametrización de la curva
definida en [a, b] ⋄

124 4.4. Aplicaciones geométricas
Definición 4.4.2 Sean a, b ∈ R con a < b y u, v, w : [a, b] −→ R funciones

continuas. Diremos que el conjunto
{(u(t), v(t), w(t)) / t ∈ [a, b]} ∈ R3
es una curva continua en R3 o simplemente una curva en R3 .
Llamaremos a la terna de funciones (u(t), v(t), w(t)) una parametrización de
la curva definida en [a, b]. ⋄
[a, b] ⊆ I y u, v ∈ C1 (I). La longitud de la curva plana parametrizada por
(u(t), v(t)) en [a, b] es
Z bp
u′ (t)2 + v ′ (t)2 dt.
a
⋄
Corolario 4.4.4 Sean a, b ∈ R con a < b, I un intervalo abierto con [a, b] ⊆
I y f ∈ C1 (I). La longitud de la gráfica de la función f entre a y b es
Z bp
1 + f ′ (x)2 dx
a
⋄
[a, b] ⊆ I y u, v, w ∈ C1 (I). La longitud de la curva en R3 parametrizada por
(u(t), v(t), w(t)) en [a, b] es
Z bp
u′ (t)2 + v ′ (t)2 + w ′ (t)2 dt.
a
⋄
4.4.2 Áreas
Proposición 4.4.6 Sean a, b ∈ R con a < b y f : [a, b] −→ R integrable. El
área compendida entre la gráfica de f y el eje OX entre a y b es
Z b
|f (x)| dx.
a
⋄
Corolario 4.4.7 Sean a, b ∈ R con a < b y f, g : [a, b] −→ R integrable. El
área compendida entre las gráficas de f y g entre a y b es
Z b
|f (x) − g(x)| dx.
a
⋄

4. Integración 125
4.4.3 Sólidos de revolución

Definición 4.4.8 Sean a, b ∈ R con a < b y f : [a, b] −→ R integrable.
Llamaremos sólido de revolución generado al girar la gráfica de f alrededor
del eje OX al conjunto de R3
{(x, y, z) ∈ R3 / a ≤ x ≤ b, y 2 + z 2 ≤ (f (x))2 }.

[a, b] ⊆ I y f ∈ C1 (I). El área de la cara lateral del sólido de revolución
generado al girar la gráfica de f alrededor del eje OX, es decir, el área del
conjunto
{(x, y, z) ∈ R3 / a ≤ x ≤ b, y 2 + z 2 = f (x)2 }
es Z b p
2π |f (x)| 1 + f ′ (x)2 dx.
a
⋄
Proposición 4.4.10 Sean a, b ∈ R con a < b y f : [a, b] −→ R integrable.

El volumen del sólido de revolución generado al girar la gráfica de f alrededor
del eje OX es
Z b
π f (x)2 dx.
a
⋄
4.5 Integrales impropias

La integral de Riemann se definía paa funciones acotadas definidas en un
intervalo cerrado. El objetivo ahora es extender la noción de integral definida
(y por tando de área) a funciones no acotadas y/o a intervalos no acotados.
Hablando en términos imprecisos, una integral definida será impropia
cuando al menos uno de los límites de integración sea un infinito, o cuando
la función presente problemas en una cantidad finita de puntos del intervalo
de integración.
Para un estudio preciso de tales integrales, debemos introducir primero
las llamadas integrales impropias básicas.

126 4.5. Integrales impropias
4.5.1 Integrales impropias básicas

4.5.1.1 Integrales impropias básicas de tipo 1
Rb
Son integrales a f (x) dx que sólo presentan problemas en el punto b, bien
porque b = ∞ o bien porque f no esté definida en b. Más precisamente
Definición 4.5.1 Sean a ∈ R, b ∈ R ∪ {∞} con a < b y f : [a, b) −→ R
integrable en [a, x], ∀ x ∈ (a, b). Llamaremos integral impropia de f en [a, b)
a Z b
Z x
f (x) dx = lı́m− f (t) dt.
a x→b a
Si dicho límite
1. existe y es finito, diremos que la integral es convergente o que converge.
2. existe y es ∞ o −∞, diremos que la integral es divergente o que diverge.
3. no existe, diremos que la integral es oscilante o que no tiene sentido.
⋄
1
dx
Z
Ejemplo 4.5.2 √ . Es impropia de tipo 1 porque la función no
0 1 − x2
está definida en x = 1. El intervalo de integración es por lo tanto [0, 1),
donde la función es continua. Tenemos
Z 1 Z x
dx dt
√ = lı́m− √ =
1−x 2 x→1 1 − t2
0 0
= lı́m− arc sen t|x0 = lı́m− arc sen x = arc sen 1 = π/2.
x→1 x→1
Luego la integral converge. ⋄

Ejemplo 4.5.3
Z ∞ Z x
x
e dx = lı́m et dt =
0 x→∞ 0
t x x

lı́m e 0 = lı́m (e − 1) = ∞.
x→∞ x→∞
Por tanto la integral diverge. ⋄

Ejemplo 4.5.4
Z ∞ Z x
cos x dx = lı́m cos t dt =
0 x→∞ 0
lı́m sen t|x0 = lı́m (sen x), no existe.
x→∞ x→∞
Por tanto la integral es oscilante. ⋄

4. Integración 127
4.5.1.2 Integrales impropias básicas de tipo 2

Rb
Son integrales a f (x) dx que sólo presentan problemas en el punto a, bien
porque a = −∞ o bien porque f no esté definida en a. Más precisamente
Definición 4.5.5 Sean a ∈ R ∪ {−∞}, b ∈ R con a < b y f : (a, b] −→ R

integrable en [x, b], ∀ x ∈ (a, b). Llamaremos integral impropia de f en (a, b]
a Z b Z b
f (x) dx = lı́m+ f (t) dt.
a x→a x
Si dicho límite
1. existe y es finito, diremos que la integral es convergente o que converge.
2. existe y es ∞ o −∞, diremos que la integral es divergente o que diverge.
3. no existe, diremos que la integral es oscilante o que no tiene sentido.
⋄
1
dx
Z
Ejemplo 4.5.6 . Es impropia de tipo 2 porque la función no está
0 x
definida en x = 0. El intervalo de integración es por lo tanto (0, 1], donde la
función es continua. Tenemos
Z 1 Z 1
dx dt
= lı́m+ =
0 x x→0 x t
= lı́m+ log t|1x = lı́m+ − log x = ∞.
x→0 x→0
Luego la integral diverge. ⋄
4.5.2 Integrales impropias generales

Definición 4.5.7 Sean a ∈ R ∪ {−∞}, b ∈ R ∪ {∞}, n ∈ N,
P = {c1 , c2 . . . , cn } ⊆ R ∪ {−∞, ∞} con a ≤ c1 < c2 < · · · < cn ≤ b tal
que [a, b] − P ⊆ R y f una función definida en [a, b] − P integrable en cada
intervalo cerrado contenido en [a, b] − P . Llamaremos integral impropia de f
en (a, b) a
Z b
f (x) dx,
a
a la que daremos sentido mediante el proceso que describiremos a continua-

ción

1. Por convenio, si r ∈ R ∪ {−∞, ∞}

Z r
f (x) dx = 0.
r
2. Se toman d1 , . . . , dn−1 ∈ R con
c1 < d1 < c2 < d2 < c3 · · · cn−1 < dn−1 < cn .
3. Sean d0 = a y dn = b.
4. Podemos así descomponer nuestra integral como
Z b n Z ci
X Z di
f (x) dx = f (x) dx + f (x) dx ,
a i=1 di−1 ci
donde cada una de las integrales anteriores es impropia de tipo básico,

pudiendo darse que el primero y/o el último sumando sean 0 por el
convenio que adoptamos en el primer apartado.
5. Cada una de Rlas integrales básicas anteriores se calcula por separado y
b
diremos que a f (x) dx = 0 es
• Convergente si todos los sumandos lo son, y su valor será la suma
de todos los valores de las integrales básicas.
• Divergente si solo hay sumandos convergents o divergentes y al
aplicar la extensión de la aritmética que empleábamos para los
límites, la suma de las integrales básicas sale ∞ o −∞.
• Oscilante en cualquier otro caso.
⋄
Ejemplo 4.5.8 Estudiar

∞ 1/3
e−x (x1/3 − 1)
Z
dx.
−1 x2/3
En este caso claramente P = {0, ∞}, es decir n = 2, c0 = 0 y c2 = ∞.
Tenemos d0 = −1, d2 = ∞ y podemos tomar por ejemplo d1 = 1. Así
Z ∞ −x1/3 1/3 Z 0 −x1/3 1/3
e (x − 1) e (x − 1)
2/3
dx = dx+
−1 x −1 x2/3
Z 1 −x1/3 1/3 Z ∞ −x1/3 1/3
e (x − 1) e (x − 1)
+ 2/3
dx + dx,
0 x 1 x2/3

4. Integración 129
donde hemos ya omitido ya el último sumando que será 0. Elprime y tercer

sumando son de tipo 1 y el segundo de tipo 2. Puesto que en nuestras tres
integrales el integrando es el mismo, parece indicado calcular una primitiva
de la función
Z −x1/3 1/3 Z 1/3
e (x − 1) x −1
2/3
dx = dx =
x x2/3 ex1/3

1/3 1 −2/3 dx
x =y⇒ x dt = dy ⇒ 2/3 = 3 dy
3 x
Z
= 3 (y − 1)e−y dy =
 
u = y − 1, du =Z dy
dv = e−y dy, v = e−y dy = −e−y
 
Z
1/3
= 3 (1 − y)e + e dy = −3ye−y + C = −3x1/3 e−x + C
−y −y
Por tanto nuestra integral es

Z x −t1/3 1/3 Z 1 −t1/3 1/3
e (t − 1) e (t − 1)
= lı́m− dt + lı́m dt+
x→0 −1 t2/3 x→0+ x t2/3
Z x −t1/3 1/3
e (t − 1)
+ lı́m dt =
x→∞ 1 t2/3
x 1 x
1/3 −t1/3 1/3 −t1/3 1/3 −t1/3
= lı́m− −3t e + lı́m+ −3t e + lı́m −3t e =
x→0 −1 x→0 x x→∞ 1
1/3 −x1/3 1/3 −x1/3 −1
= lı́m− −3(x e − e) + lı́m+ 3(x e − e )+
x→0 x→0
1/3
+ lı́m 3(e−1 − x1/3 e−x ) = −3e.
x→∞
Por tanto la integral converge. ⋄
4.5.3 Propiedades de las integrales impropias

4.5.3.1 Combinaciones lineales
Rb Rb
Proposición 4.5.9 Sean λ, µ ∈ R y a f (x) dx y a g(x) dx integrales im-
Rb
propias convergentes entonces a (λf (x) + µg(x)) dx es comvergente y
Z b Z b Z b
a a a
⋄

4.5.3.2 Regla de Barrow

Proposición 4.5.10 Sean a, b ∈ R, con a < b y f : (a, b) −→ R continua
en (a, b). Sea G(x) una primitiva de f en (a, b). Entonces
Z b
−
f (x) dx = G(x)|ba+ := G(b− ) − G(a+ ) := lı́m− G(x) − lı́m+ G(x).
a x→b x→a
Ejemplo 4.5.11
Z ∞
∞
e−x dx = −e−x 1 = lı́m −e−x + e−1 = e−1 .
1 x→∞

Proposición 4.5.12 Sean a, b ∈ R con a < b, y u, v ∈ C1 ((a, b)). Se tiene
Z b Z a
−
′
u(x)v (x) dx = u(x)v(x)|ba+ − v(x)u′ (x) dx,
a a
o escrito abreviadamente
Z b Z b
−
u dv = uv|ba+ − v du.
a a
Ejemplo 4.5.13
Z 1
x2 log x dx =
0
1
 
u = log x, du = dx
 Zx 

2 2 x3 
dv = x dx, v = x dx =
3
3
1− Z 1 2 3
−
3 1
x x x x 1
= log x − dx = lı́m+ log x − 0 − = − .
3 + 0 3 0 x→0 3 9 + 9 0

4. Integración 131

Proposición 4.5.14 Sean a, b ∈ R con a < b, f : (a, b) −→ R continua
en (a, b), J, A ⊆ R tres intervalos abiertos, u : (a, b) −→ A biyectiva con
u ∈ C1 ((a, b)) y v : J −→ A biyectiva con v ∈ C1 (J). Se tiene que
b Z lı́m v −1 (u(v))
f (u−1 (v(t)))v ′(t)
Z
+
f (x) dx = x→a −1 dt.
a lı́m v (u(a)) u′(u−1 (v(t)))
x→b−
Ejemplo 4.5.15
Z 1
dx
2 1/x
=
0 x e

1 dx 1 1
t = ⇒ dt = − 2 , lı́m+ = ∞, lı́m− = 1.
x x x→0 x x→1 x
Z 1 Z ∞
∞
= −e−t dt = e−t d = −e−t 1 = lı́m −e−t + e−1 = e−1 .
∞ 1 t→∞
cd ⋄
Nota 4.5.16 Una integral no impropia puede ser tratada como una impro-
pia. En ese caso resulta ser convergente y su valor es el mismo que el que
tiene como integral de Riemann ⋄
Nota 4.5.17 Las aplicaciones geométricas son también válidas con integra-
les impropias ⋄
4.6 Ejercicios
Ejercicio 4.1 Sean a, b ∈ R − {0}. Calcular
Z
eax cos bx dx.

2x dx
Z
.
1 + 4x
x dx
Z
.
(x + 1)(x + 2)(x + 3)

132 4.6. Ejercicios

dx
Z
.
x3 −1
2x3 − x2 + 5x
Z
dx.
(x2 + 1)2
dx
Z
√ √ .
x+2+ 3x+2

dx
Z
.
cos x

1 − 5 sen x
Z
dx.
2 cos x
dx
Z
√ . a 6= 0.
x2 − a2

dx
Z
√ .
x4 x2 − 1
dx
Z
√ .
(x + 1)(1 + 1 − 2x − x2 )
Ejercicio 4.12 Calcular Z

tg2 x dx.

cos2 x dx.

4. Integración 133

sen2 x dx.

Z
cos(x) cos(2x) cos(3x) dx.

dx
Z
.
sen x cos x
dx
Z
.
sen2 x cos2 x
cos xesen x dx.

sen x + cos x
Z
√ dx.
3
sen x − cos x
dx
Z
.
x log3 x
ex
Z
√ dx.
1 − e2x
x dx
Z
q p .
1 + x2 + (1 + x2 )3

xex dx.

2
x3 ex dx.

134 4.6. Ejercicios

log2 x dx.

log(log x)
Z
dx.
x

arc tg x dx.

ex sen x dx.
dx
Z
√ .
2x2 − 2x + 5

dx
Z
√ .
5x2 − 7
sen x cos x
Z
√ dx.
2 − sen4 x
ex
Z
√ dx.
e2x + ex + 1

x
Z
√ dx.
1 − 6x4
sec2 x
Z
p dx.
1 + tg2 x + 4 tg x

4. Integración 135

5x + 10
Z
dx.
x(x + 10)

2(x3 + 5)
Z
dx.
x3 (x + 1)

dx
Z
.
x(x2 + 2x + 2)
3x2 + 2x + 1
Z
dx.
(x − 1)(x2 + x + 1)

dx
Z
.
(x3 − 1)2

dx
Z
.
(x + 1)3 (x2 + 1)2

dx
Z
√ √ .
(1 + x) x + x
Ejercicio 4.42 Calcular √

x
Z 3
√ √ dx.
3
x+ x

Z √ √
x+1+ 3x+1
√ √ dx.
x+1− 3x+1
x + (2x − 1)2/3
Z
dx.
(2x − 1)1/2 + 1

136 4.6. Ejercicios

√
x−1
Z
√ dx.
1+ 3 x−1
√
Z
x3 1 + x dx.

2x5 + 3x4 − 5x3 − 2x2 + x + 4
Z
dx.
x4 − 3x2 + 2x
x2 − 2
Z
dx.
x7 + 2x5 + x3
dx
Z
.
x2 +x+1
Z √
3
2
x 2 + x2 dx.

Z √
3
1/2
x 2 + x2 dx.

Z
(1 + x2 )−3/2 dx.

Z √
x2 + 9x
dx.
x2
√ √
Z
3
x(1 + 2 x)2 dx.

4. Integración 137
Ejercicio 4.55 Calcular Z √

1 − x2 dx.

x
Z
dx.
1 + x4
(1 + x)2
Z
√ dx.
2x x
x
Z 4
√ dx.
1+ x
Z
(x + 2) sen(x2 + 4x − 6) dx.

cotg(log x)
Z
dx.
x
dx
Z
p .
(x + 2)(x + 3)

1 + ex
Z
dx.
1 − ex
e2x
Z
√ dx.
ex + 1
x2 ex dx.

log x dx.

138 4.6. Ejercicios

log3 x dx.

log x
Z
dx.
x
x2 sen x dx.

Z
sen x log(cos x) dx.

x
Z
√ dx.
1 − x2
dx
Z
√ .
x 1 + x2
sen(log x) dx.

cos(log x) dx.

Z
xn log x dx, n ∈ N.

√
Z
2x+1
3 dx.

Z
sen5 x cos x dx.

4. Integración 139

Z
sec2 x tg5 x dx.

arc sen x
Z
dx.
(1 − x2 )3/2
Z cos5 x sen x
dx.

dx
Z
√ .
(1 + x) x2 + x + 1
Z √
−x2 − 2x + 3 dx.

dx
Z
√ .
x x2 − 2x − 3
x+1
Z
√ dx.
x2+x+1
4x2 − 3
Z
√ dx.
1 − 2x2
dx
Z
√ .
x x2 − 3x + 2
Z
sen3 x cos3 x dx.

140 4.6. Ejercicios

Z
sen3 x cos2 x dx.

sen5 x
Z
dx.
cos x
sen4 x cos2 x d.
Z

cos x
Z
√ dx.
sen x

cos3 x
Z
dx.
1 − sen4 x

dx
Z
.
1 + sen2 x

dx
Z
.
sen x

Z √
x2 − a2 dx, a ∈ R − {0}

Z √ √
x+1− x−1
√ √ dx.
x+1+ x−1

dx
Z
, a ∈ R, n ∈ N.
(x2 + a2 )n

4. Integración 141
Ejercicio 4.97 Calcular el valor de

π/2 √
cos x
Z
√ √ dx
0 cos x + sen x

Z 1
| sen x|
4
dx
−1 cos x

Z π
x sen x
2
dx
0 1 + cos x
Ejercicio 4.100 Sean f, g : R −→ R derivables con f ′ (x) = g(x) y g ′(x) =

−f (x), ∀ x ∈ R y con f (0) = 0, g(0) = 1. Calcular
Z x+1
lı́m (f 2 (x) + g 2 (x)) dx.
x→∞ x
Ejercicio 4.101 Sean f, g ∈ C3 (R) tales que el polinomio de Taylor de

orden 2 de f en 1 es P (x) = 6(x − 1) + 3(x − 1)2 y el polinomio de Taylor
R1
de orden 2 de g en 0 es Q(x) = 1 + 4x. Se sabe además que 0 f (x) dx = π.
Calcular el polinomio de Taylor de orden 3 en 0 de la función
Z g(x)
F (x) = f (t) dt.
0
Ejercicio 4.102 Sea Rf una función par enR el intervalo [−a, a] con a ∈ R −
a a
{0}. Si llamamos I = 0 f (x) dx, calcular −a f (x) dx
Ejercicio 4.103 Sea

R a f una función impar en el intervalo [−a, a] con a ∈
R − {0}. Calcular −a f (x) dx

π/2
f (sen x)
Z
dx.
0 f (sen x) + f (cos x)
R1
Ejercicio 4.105 Sea f : [0, 1] −→ R continua con 0
f (x) dx = 0. Probar
que existe c ∈ [0, 1] con f (c) = 0.

142 4.6. Ejercicios
Ejercicio 4.106 Sea f : [−1, 1] −→ R continua en [−1, 1] y derivable en

(−1, 1) con
Z 0 Z 1
f (x) dx = f (x) dx.
−1 0
Probar que existe c ∈ (−1, 1) tal que f (c) = 0. ′
Ejercicio 4.107 Hallar una función f : R −→ R y a ∈ R tales que

Z x
1
f (t) dt = cos x − x2 , ∀ x ∈ R.
a 2
Ejercicio 4.108 Sean a, b ∈ R con e2 < a < b. Probar que

Z b
dt 2b
< .
a log t log b
Ejercicio 4.109 Sean a, b ∈ R con a < b. Estudiar la continuidad en x = −1

de la función Z b
f (x) = tx dt.
a
Ejercicio 4.110 Sea f : R −→ R derivable en R, con f (0) = 0 y f ′ (x) >

0, ∀ x ∈ R. Calcular los extremos relativos de
Z x2 −3x+2
F (x) = f (t) dt.
0
Ejercicio 4.111 Sea

a
C
Z
2
T (x, t) = √ e−(x−u) (4kt) du.
a 4πkt 0
Calcular
lı́m T (x, t).
a→0
Ejercicio 4.112 Sea

( sen x
, si x 6= 0
g(x) = x ,
1, si x = 0
y Z x
f (x) = g(t) dt.
0

4. Integración 143
1. Calcular los extremos relativos de f en (0, ∞).
2. Calcular el polinomio de Taylor de orden 6 de f en 0.
Ejercicio 4.113 Sea g : (0, ∞) −→ R con g(1) = 1 y g ′ (x2 ) = x3 , ∀ x > 0.

Calcular g(4).
Ejercicio 4.114 Sea

( sen x
, si x < 0
f (x) = x .
ex , si x ≥ 0
Probar que existe c ∈ [−1, 1] tal que
1 1 x sen x
Z
f (c) = e + dx.
2 0 x
Ejercicio 4.115 Sea f : R −→ R tal que f (x + y) = f (x)f (y), ∀ x, y ∈ R y

con
f (x) − 1
lı́m = 1.
x→0 x
Probar que f es derivable en R y obtener la expresión explícita de f .
Ejercicio 4.116 Calcular el polinomio de Taylor de orden 4 en 0 de
log(1 + x2 ) π/2
 Z
cos5 t dt, si x 6= 0
 2
cos (x − π/2) +
f (x) = x 0 .
0, si x = 0

Ejercicio 4.117 Calcular la longitud de la gráfica de sen x entre 0 y 2π.
Ejercicio 4.118 Calcular el área generada al girar la curva y = tg x con

x ∈ [0, π/4] respecto del eje OX.
Ejercicio 4.119 Calcular el volumen del cuerpo generado al girar

√
sen x cos x
y= √ , x ∈ [0, π/2],
1 + sen4 x
respecto del eje OX.
Ejercicio 4.120 Calcular el volumen del toro que se genera al girar el círculo
x2 + y 2 ≤ 9 alrededor de la recta x = 4. Calcular también la superficie de
dicho toro.

144 4.6. Ejercicios
Ejercicio 4.121 Calcular el área delimitada por la curva

(
x + 1, si x ∈ [0, 1]
f (x) = .
1, si x ∈ (1, 2]
Ejercicio 4.122 Sean a ∈ R con a > 0, f (x) = cos x, x ∈ [0, π/2] y g(x) =
a sen x, x ∈ [0, π/2]. Hallar el valor de a para que g divida a la región del
primer cuadrante de R2 delimitada por f en dos partes de igual área.
Ejercicio 4.123 Calcular el volumen y la superficie lateral del cono de radio

r y altura h.
Ejercicio 4.124 Calcular el área de la superficie de revolución generada al

gira la gráfica de sh x alrededor de OX entre los puntos x = 0 y x = 1
Ejercicio 4.125 Calcular el volumen del elipsoide de revolución engendrado

por la elipse x2 /4 + y 2/9 = 1 al girar alrededor de su eje mayor.
Ejercicio 4.126 Calcular el volumen limitado por las superficies que gene-
ran las parábolas y = x2 y x = y 2 al girar alrededor de la recta x = 4.
Ejercicio 4.127 Sean
f : (0, ∞) −→ R g : (0, ∞) −→ R
s
log(x + 1) , xex ,
x 7−→ x 7−→ p
xα (ex − 1)3
con α ∈ R
1. Para α = 3, estudiar la convergencia de

Z ∞
f (x) dx
0
2. Probar que para α = 3/2

Z ∞
f (x) dx
0
es convergente y calcular su valor.
3. Calcular el volumen de revolución generado al girar la gráfica de g(x)

respecto del eje OX.

4. Integración 145
Ejercicio 4.128 Calcular el área delimitada por las curvas f (x) = xe−x y
g(x) = x2 e−x en el intervalo [0, ∞].
Ejercicio 4.129 Estudiar y calcular si es pertinente
Z 1
x
√ dx.
2 4
0 (1 + x ) 1 − x
Ejercicio 4.130 Probar que las siguientes integrales impropias convergen,

que toman el mismo valor y calcular dicho valor
Z ∞ Z ∞
−x
e sen(λx) dx, λe−x cos(λx) dx, λ ∈ R.
0 0
Ejercicio 4.131 Sea n ∈ N. Calcular el valor de
Z 1 n
1
log dx
0 x
Ejercicio 4.132 Ver que las integrales impropias
Z π/2 Z π/2
log(sen x) dx, log(cos x) dx
0 0
son convergentes, que toman el mismo valor y calcular dicho valor.
A partir de lo anterior calcular
Z π/2 Z ∞
x2 x
dx y √ dx.
0 sen2 x 0 e2z − 1
Ejercicio 4.133 Estudiar la convergencia y calcular el valor si procede de
Z ∞
dx
x −x
.
−∞ e + e
Z 1
log x
√ dx.
0 x
Z ∞
e−x dx.
1
Z ∞
cos(πx) dx.
1
dx
Z
p .
x(1 − x)

146 4.6. Ejercicios

Parte II
Álgebra lineal
147
Capítulo 5
Matrices de números reales
5.1 Generalidades
Definición 5.1.1 Sean n, m ∈ N. Una matriz de orden n × m es una dispo-
sición rectangular ordenada de nm números reales en n filas (líneas horizon-
tales) y m columnas (líneas verticales). Tal disposición se suele rodear con
paréntesis o corchetes. ⋄
Ejemplo 5.1.2 Sea

 
1 12 −4 27 0
A =  2 −3 31 0 0  .
1 1 1 2 5
A es una matriz de orden 3 × 5, o simplemente una matriz 3 × 5 o una matriz

con 3 filas y 5 columnas. ⋄
Ejemplo 5.1.3 Sea  

1 3
 −2 7
A=
 2
.
0
−1 8
A es una matriz 4 × 2. ⋄
Ejemplo 5.1.4 Sea  

1 0 2
A = 2 1 0 .
1 3 1
A es una matriz 3 × 3. ⋄
149
150 5.1. Generalidades
Normalmente denotaremos con letras mayúsculas a las matrices. Cuando no

esté claro cuál es el orden de una matriz, cuando lo queramos resaltar o
cuando sea genérico, podremos ponerlo como subíndice de la matriz. Así,
para decir que A es una matiz 3 × 4, podremos escribir
A3×4 .
A las filas y columnas de una matriz, las llamaremos líneas en general.

Las columnas de una matriz se numeran de izquierda a derecha y las filas de
arriba abajo. De esta manera, podemos especificar cualquier elemento de una
matriz con un par de números naturales, el primero indicando la fila en la
que está y el segundo la columna. Por ejemplo, en la siguiente matriz, vamos
a rodear con un cuadrado el elemento 2, 3
 
1 3 5 0
 0 −1 1 3 
 
 −3 6 −2 1  .
 
 0 0 0 3
−2 0 0 1 5×4
Nótese que hemos indicado el orden de la matriz como subíndice para re-
saltar que es una matriz 5 × 4. Cuando representamos una matriz con una
letra mayúscula, se suele denotar a sus elementos con la letra minúscula co-
rrespondiente con dos subíndices. El primer subíndice indica la fila a la que
pertenece el elemento y el segundo la columna. Así, si llamamos A a la matriz
anterior  
1 3 5 0
 0 −1 1 3
 
A=  −3 6 −2 1 ,
 0 0 0 3
−2 0 0 1
diremos por ejemplo que a23 = 1 o que a41 = −3.
Cuando los elementos de una mariz sean desconocidos o genéricos, po-
dremos usar también ciertas adaptaciones de las notaciones anteriores. Por
ejemplo, para denotar a una matriz A de orden 3 × 4 genérica, podremos
poner cualquiera de las siguientes notaciones
 
a11 a12 a13 a14
A3×4 = aij 3×4 = aij i = 1, . . . , 3 =  a21 a22 a23 a24  .
j = 1, . . . , 4 a31 a32 a33 a34
También pueden emplearse matrices de orden genérico. Por ejemplo, si n, m ∈
N, podemos expresar que A es una matriz de orden n × m de las siguientes

5. Matrices de números reales 151
maneras:
 
a11 · · · a1m
=  ... ..  .

An×m = aij = aij . 

n×m i = 1, . . . , n
j = 1, . . . , m
an1 · · · anm
5.2 Tipos de matrices

Algunas matrices, debido a ciertas características especiales de su orden o a
la disposición de sus elementos, reciben nombres especiales.
Definición 5.2.1 Una matriz de orden 1 ×n, es decir que sólo tiene una fila,
se llama matriz fila. Del mismo modo, una matriz de orden n × 1, es decir
que sólo tiene una columna, se llama matriz columna. ⋄
En el capítulo 7 identificaremos estos tipos de matrices con otros objetos que

llamaremos vectores.
Ejemplo 5.2.2 La matrices siguientes son matrices fila

0 9 −2 0 1 3 , 7 , 1 · · · 1 1×7 .
Las siguientes son matrices columna

 
3  
2
 −1   .. 
 ,
 5 2 ,  . .
2 2 1×5
⋄
Dada una matriz An×m sus filas son las n matrices fila que se pueden
construir con cada una de las filas de A. Sus columnas son las m matrices
columna que se pueden construir con cada una de las columnas de A.
Ejemplo 5.2.3 Sea
 
1 12 −4 27 0
A =  2 −3 31 0 0  .
1 1 1 2 5
La primera fila de A es

1 12 −4 27 0 .

152 5.2. Tipos de matrices
La segunda fila de A es

2 −3 31 0 0 .
La tercera fila de A es
1 1 1 2 5 .
Las columnas primera, segunda, tercera, cuarta y quinta de A, son
         
1 12 −4 27 0
 2  ,  −3  ,  31  ,  0  ,  0  ,
1 1 1 2 5
en el orden en que están escritas. ⋄

Obsérvese que el elemento j de la fila i de una matriz es el elemento i, j de
la matriz, y que el elemento j de la columna i es su elemento j, i.
Definición 5.2.4 Una matriz constante es aquella cuyos elementos son to-
dos iguales entre si. Si λ es un número real, la matriz constante de orden
n × m tal que todos sus elementos son iguales a λ, suele representarse como

λ n×m .
Ejemplo 5.2.5 La matriz 3 × 2 constantemente igual a 4, se puede repre-

sentar  
4 4
4 4 = 4 .
3×2
4 4
La matriz n × m constantemente igual a -1, se puede representar como
 
−1 · · · −1
 .. .. 
 . . = −1 n×m .
−1 · · · −1 n×m
⋄
Definición 5.2.6 La matriz nula o matriz cero de orden n × m es la única

matriz n × m constantemente igual a cero. Según lo anterior, suele represen-
tarse con el símbolo
0 n×m .
⋄

5.2.1 Matrices cuadradas

Definición 5.2.7 Una matriz de orden n × n, es decir con el mismo número
de filas que de columnas, se dice que es una matriz cuadrada. Si una matriz
es cuadrada de orden n × n, más brevemente diremos que es de orden n. ⋄
Las matrices cuadradas tienen una importancia destacada y por ello merecen
que les dediquemos una atención especial.

Definición 5.2.8 Si A = aij n×n es una matriz cuadrada de orden n, la
diagonal principal (o simplemente la diagonal ) de A es

a11 a22 · · · ann .
Ejemplo 5.2.9 En la siguiente matriz 4 × 4, marcamos con un recuadro los

elementos de su diagonal
0
 
3 1 4
1
 3 6 1,
3 2 1 0
4 5 0 1
y su diagonal es por tanto

0 3 1 1 .
⋄
A la luz del ejemplo anterior vemos la razón por la que se da tal nombre a
la diagonal de una matriz. Sus elementos son los que aparecen sobre una de
las diagonales del cuadrado que representa la forma de la matriz.
Definición 5.2.10 Sea A = aij una matriz cuadrada de orden n.

n×n
• Llamaremos elementos diagonales de A a los elementos aij tales que

i = j es decir, a los elementos de su diagonal.
• Diremos la diagonal de A es constante si todos sus elementos diagonales

son iguales.
• Diremos la diagonal de A es nula si todos sus elementos diagonales son

cero.

• Diremos que un elemento aij de A está por encima de la diagonal de

A si i < j.
• Diremos que un elemento aij de A está por debajo de la diagonal de A

si i > j.
Ejemplo 5.2.11 En la siguiente matriz, recuadramos aquellos elementos que

están por encima de la diagonal de A
0 3 1 4
 
1 3 6 1 
3 2 1 0  ,
 
4 5 0 1
En la siguiente matriz, recuadramos aquellos elementos que están por debajo

de la diagonal de A
0 3 1 4
 
 1 3 6 1
 3 2 1 0 ,
 
4 5 0 1
⋄
Hay distintos tipos de matrices cuadradas que merecen ser destacados.
Definición 5.2.12 Sea A una matriz cuadrada de orden n.
• Se dice que A es triangular superior si todos sus elementos por debajo

de la diagonal son cero.
• Se dice que A es triangular inferior si todos sus elementos por encima

de la diagonal son cero.
Una matriz triangular es aquella que es triangular superior o triangular su-

perior.
Ejemplo 5.2.13 La siguiente matriz es triangular superior

 
1 3 −2
0 0 4 .
0 0 3

La siguiente matriz es triangular inferior

 
3 0 0 0 0 0
1 1 0 0 0 0
 
0 3 2 0 0 0
 .
1 3 4 1 0 0
 
3 4 0 5 2 0
1 1 3 9 0 2
⋄
Definición 5.2.14 Se dice que una matriz cuadrada es una matriz diagonal
si todos sus elementos no diagonales son cero. ⋄
Observemos que cada elemento diagonal de una matriz diagonal pueden ser
cero o no. Es interesante también pensar que una matriz es diagonal si y solo
si es triangular inferior y superior simultáneamente
Ejemplo 5.2.15 Las siguientes matrices son diagonales

 
2 0 0 0 0
0 1 0 0 0
3 0  
0 2
, 0 0 3 0 0 .
0 0 0 0 0
0 0 0 0 7
⋄
Definición 5.2.16 Una matriz escalar es una matriz diagonal donde además
todos los elementos diagonales son iguales. ⋄
Ejemplo 5.2.17 Las siguientes matrices son escalares

 
1/3 0 0 0 0 0
   0 1/3 0 0 0 0 
2 0 0  
0 2 0 ,  0 0 1/3 0 0 0 

.
 0 0 0 1/3 0 0 
0 0 2 
 0

0 0 0 1/3 0 
0 0 0 0 0 1/3
⋄
Definición 5.2.18 La matriz identidad de orden n es la matriz escalar de

orden n que tiene 1 en la diagonal principal. La denotaremos por In . ⋄

Ejemplo 5.2.19
 
  1 0 0 0
1 0 0
1 0 0 1 0 0
I2 = , I3 = 0 1 0  ,
 I4 =  .
0 1 0 0 1 0
0 0 1
0 0 0 1
⋄
Definición 5.2.20 Diremos que una matriz cuadrada A = aij es si-

n×n
métrica si aij = aji , para cada i = 1, . . . , n y j = 1, . . . , n. ⋄
Lo que quiere decir esta definición, es que una matriz simétrica, presenta si-
metría respecto de la diagonal principal. Es decir, que si doblásemos la matriz
por su diagonal, las posiciones de la matriz que quedasen juntas contendrían
exactamente los mismos valores. Notemos que los elementos de la diagonal de
una matriz simétrica no tienen por qué verificar ninguna condición específica.
Ejemplo 5.2.21 Las siguientes matrices son simétricas
 
  −1 3 1 2
1 3 5
3 2 1 ,  3
 0 4 −6  .
 1 4 2 7
5 1 0
2 −6 7 9
⋄

Definición 5.2.22 Diremos que una matriz cuadrada A = aij n×n
es an-
tisimétrica si aij = −aji , para cada i = 1, . . . , n y j = 1, . . . , n. ⋄
Si doblásemos la matriz por su diagonal, las posiciones de la matriz que

quedasen juntas contendrían los mismos valores pero cambiados de signo.Los
elementos diagonales de una matriz antisimétrica deben ser cero.
Ejemplo 5.2.23 Las siguientes matrices son antisimétricas
 
  0 3 1 2
0 3 5
 −3 0 1  ,  −3 0 4 −6 

.
 −1 −4 0 7
−5 −1 0
−2 6 −7 0
⋄
Para saber más

Matrices dispersas
En las aplicaciones del mundo real suelen utilizarse matrices muy grandes. Afortunadamente es
muy común que tales matrices tengan muchos ceros, lo cual implica a veces ventajas de tipo
computacional. A tales matrices, cuyos elementos son casi todos cero, se las llama matrices
dispersas (sparse). En ocasiones los elementos no nulos de tales matrices presentan una cierta
estructura y esto suele facilitar su manejo. Las matrices triangulares pueden ser consideradas
como un ejemplo de este tipo.
Sin embargo las matrices cuadradas dispersas de mayor interés son quizá las llamadas
matrices banda

Definición 5.2.24 Diremos que una matriz cuadrada aij n×n es una matriz banda si existen
k, l ∈ N ∪ {0} tales que aij = 0 para cada j > i + k ó j < i − l.⋄
Ejemplo 5.2.25 Algunos ejemplos de matrices banda son los siguientes

 
1 2 4 0 0 0
3 4 2 1 0 0
 
0 7 3 2 1 0
 .
0 0 8 3 7 4
 
0 0 0 4 8 2
0 0 0 0 3 1
En la anterior matriz se tiene k = 2 y l = 1.

 
4 5 3 2 1 0 0 0
0 7 0 6 4 5 0 0
 
0 0 2 1 3 8 7 0
 
0 0 0 3 4 1 2 1
 .
0 0 0 0 0 3 0 1
 
0 0 0 0 0 3 7 0
 
0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 3
La matriz anterior es una matriz banda con k = 4 y l = 0. ⋄
Observemos que en una matriz banda los únicos elementos que pueden ser no nulos son los de
la diagonal principal y quizá algunas diagonales por encima y/o por debajo de ellas.
Dentro de las matrices banda existe una clase bastante utilizada:

Definición 5.2.26 Diremos que una matriz cuadrada aij n×n es una matriz tridiagonal si
aij = 0 siempre que j > i + 1 ó j < i − 1. ⋄
Una matriz tridiagonal es una matriz banda en la que los únicos elementos que pueden ser no
nulos son los de la diagonal principal y los de las diagonales que están inmediatamente por
encima y por debajo de ella.
Ejemplo 5.2.27 La matriz  

1 3 0
2 1 6,
0 3 7

158 5.3. Submatrices
es tridiagonal.
También es tridiagonal la matriz
 
4 5 0 0 0 0 0 0
0 7 0 0 0 0 0 0
 
0 1 2 1 0 0 0 0
 
0 0 5 3 4 0 0 0
 .
0 0 0 0 0 3 0 0
 
0 0 0 0 7 3 7 0
 
0 0 0 0 0 4 1 1
0 0 0 0 0 0 0 3
5.3 Submatrices
Dada una matriz, es posible construir otras matrices más pequeñas tomando
algunas filas y columnas de ella.
Definición 5.3.1 Sea A = aij n×m . Si tomamos k, h ∈ N con k ≤ n,

h ≤ m, k índices de fila verificando
1 ≤ i1 < i2 < · · · < ik ≤ n,
y h índices de columna tales que
1 ≤ j1 < j2 < · · · < jk ≤ m,
podemos formar la siguiente matriz de orden k × h

 
ai1 j1 ai1 j2 . . . ai1 jh
 ai j ai j . . . ai2 jh 
 21 2 2
 .. .. .. .

. . .


aik j1 aik j2 . . . aik jh k×h
Dicha matriz se llama submatriz de A que se obtiene tomando o fijando las

k filas i1 , . . . , ik y las h columnas j1 , . . . , jh de la matriz A. ⋄
Cuando se construye una submatriz de una matriz dada, lo importante

es tomar sólo los elementos que están simultáneamente en las filas y las
columnas fijadas, y además con la misma ordenación que tenían en la matriz
original.

Ejemplo 5.3.2 Sea

 
−1 9 45 3 0 78 −5 −27
 5
 4 0 28 −80 8 27 32 

 7 22 12 −36 55 7 −6 73 
A=  25 −65
.
 8 4 88 −75 34 −2 
 0 1 3 −83 0 32 12 3
3 5 100 87 −2 12 23 4
La submatriz de A que se obtiene fijando las columnas 3 y 7 y las filas 1, 4

y 5 de A es  
45 −5
 8 34  .
3 12
La submatriz que se obtiene fijando las columnas 2, 4, 5 y 8 y las filas 2 4 y
6 es  
4 28 −80 32
 −65 4 88 −2  .
5 87 −2 4
⋄
Tengamos en cuenta que cualquier submatriz de una matriz dada es tam-

bién una matriz y que una matriz es una submatriz de sí misma.
5.3.1 Bloques
Un tipo especial de submatrices que tiene cierta importancia son los bloques,
llamados también cajas en ciertos contextos.
Definición 5.3.3 Un bloque de una matriz es una submatriz en la que las

filas seleccionadas son contiguas y las columnas seleccionadas son también
contiguas. ⋄
Ejemplo 5.3.4 En la siguiente matriz mostramos recuadrado el bloque con-

sistente en tomar las filas 2 a 4 y las columnas 4 a 7
 
−1 9 45 3 0 78 −5 −27
 5
 4 0 28 −80 8 27 32 

 7 22 12 −36 55 7 −6 73 
A=  25 −65
.
 8 4 88 −75 34 −2  
 0 1 3 −83 0 32 12 3
3 5 100 87 −2 12 23 4

160 5.3. Submatrices
Dicho bloque es por tanto

 
28 −80 8 27
 −36 55 7 −6  .
4 88 −75 34
⋄
A veces es útil dividir una matriz en bloques disjuntos. Esto se suele indicar
trazando una serie se líneas entre las filas y las columnas donde se produce
tal división.
Ejemplo 5.3.5
 
−1 9 45 3 0 78 −5 −27
 5
 4 0 28 −80 8 27 32 

 7 22 12 −36 55 7 −6 73 
A=
 25 −65
.
 8 4 88 −75 34 −2 
 0 1 3 −83 0 32 12 3
3 5 100 87 −2 12 23 4
Los bloques en los que se ha dividido esta matriz son

−1 9 45 3 0 78 −5 −27
, ,
5 4 0 28 −80 8 27 32
   
7 22 12 −36 55 7 −6 73
 25 −65 8 4 88  ,  −75 34 −2  ,
0 1 3 −83 0 32 12 3

3 5 100 87 −2 , 12 23 4 .
⋄
Cuando se dispone de unas cuantas matrices de órdenes compatibles, también
se puede a veces formar una matriz más grande utilizando aquéllas como
bloques.
Ejemplo 5.3.6 Sean las matrices
   
1 0 5 4 3
A = 3 2 , B= 0
 1 0 ,
1 −1 4 3 5

−1 1 3 3 3
C= , D= .
2 0 6 7 8

Con ellas podemos formar la siguiente matriz por bloques

 
1 0 5 4 3
 3 2 0 1 0
 
E=
 1 −1 4 3 5,
 −1 1 3 3 3
2 0 6 7 8
Diremos de E que se ha obtenido a partir de los bloques A, B, C y D.

Separemos los bloques de E para mayor claridad
 
1 0 5 4 3
 3 2 0 1 0
 
E =  1 −1 4 3
 5.
 −1 1 3 3 3
2 0 6 7 8
En ocasiones puede ser útil representar tal E mediante la notación

A B
.
C D
5.3.2 Matrices diagonales por bloques

Definición 5.3.7 Se dice que una matriz cuadrada A de orden n es diago-
nal por bloques, si es posible extraer una cantidad de bloques cuadrados y
disjuntos de ella, de manera que un elemento de A está en la diagonal de A
si y sólo si es un elemento diagonal de alguno de dichos bloques y además los
elementos de A que no están en ninguno de esos bloques son 0. ⋄
Ejemplo 5.3.8 La siguiente matriz es diagonal por bloques

 
1 0 0 0 0 0
0 2 3 1 0 0
 
0 0 4 1 0 0
 .
0 1 0 1 0 0
 
0 0 0 0 2 4
0 0 0 0 1 1

162 5.4. Operaciones matriciales
Para resaltar esta característica, las matrices diagonales por bloques suelen
representarse enmarcando los bloques diagonales como sigue
 
1 0 0 0 0 0
 0 2 3 1 0 0
 
 0 0 4 1 0 0
 0 1 0 1 0 0 .
 
 
0 0 0 0 2 4
0 0 0 0 1 1
Conviene que apreciemos que la manera de dividir una matriz en bloques

diagonales no tiene por qué ser única. Así la matriz anterior podría dividirse
de la siguiente forma  
1 0 0 0 0 0
 0 2 3 1 0 0
 
 0 0 4 1 0 0
 0 1 0 1 0 0 .
 
 
0 0 0 0 2 4
0 0 0 0 1 1
Lo que ocurre es que cuando hablamos de matrices diagonales por bloques se
suele entender que los bloques diagonales se toman lo más pequeños posible.
⋄
5.4 Operaciones matriciales

Una matriz puede servir para almacenar una cantidad finita de información
discreta con una organización bidimensional. Esencialmente es la misma fun-
ción que cumple una tabla de doble entrada. La utilidad de las matrices sería
escasa si sólo sirvieran como almacén. Lo que las hace interesantes es que se
pueden formular reglas precisas para transformar dicha información, o inclu-
so la información que contienen puede ser utilizada para transformar otras
matrices En esta disciplina de Álgebra Lineal, no nos interesa realizar ope-
raciones arbitrarias con las matrices, sino algunas específicas que trataremos
de ir exponiendo.
5.4.1 Aritmética
Por el momento disponemos de dos tipos de objetos. De un lado los números
reales y de otro las matrices de números reales. En lo que sigue llamaremos a
menudo escalares a los números reales. Un escalar es un objeto esencialmente

univaluado, mientras una matriz es un objeto multivaluado. Eso si exceptua-

mos las matrices de orden 1 × 1. No obstante aunque un escalar contenga
esencialmente la misma información que una matriz 1 × 1, obsérvese que son
entidades distintas.
En lo que sigue vamos a definir una aritmética para escalares y matrices
y para ciertos tipos de matrices que podrán interactuar entre si.
5.4.1.1 Producto por escalares

La primera operación que vamos a ver es el producto de un escalar por una
matriz.

Definición 5.4.1 Sea λ ∈ R y A = aij n×m . El producto de λ por A es la
matriz n × m que se obtiene al multiplicar cada elemento de la matriz A por
λ, es decir
λA = λaij n×m .
⋄
Ejemplo 5.4.2 Sea

 
8 4 −5 −5 3 −5 8
A =  5 −1 0 3 −4 −5 −2  .
−1 −9 5 8 4 −3 8
Se tiene que
 
56 28 −35 −35 21 −35 56
7A =  35 −7 0 21 −28 −35 −14  .
−7 −63 35 56 28 −21 56
Si  
0 1 1 0 3
 9
 8 3 −2 6
B =  −1 −1 8
 4 2,
 5 8 9 2 1
7 3 1 3 −1
entonces  
0 −3 −3 0 −9
 −27 −24 −9 6 −18 
 
−3B =  3
 3 −24 −12 −6 .
 −15 −24 −27 −6 −3 
−21 −9 −3 −9 3
⋄

Si λ es un escalar y A una matriz, es lo mismo escribir λA que Aλ.

Observese que si multiplicamos 0 por cualquier matriz, obtenemos la ma-
triz nula del mismo orden.
5.4.1.2 Suma
La siguiente operación que definiremos es la suma de matrices.
Definición 5.4.3 Sean A = aij n×m y B = bij n×m dos matrices del

mismo orden. La matriz suma de A y de B es otra matriz n × m que se

obtiene sumando cada elemento de A con aquél de B que ocupa la misma
posición. Es decir
A + B = aij + bij n×m .
⋄
Ejemplo 5.4.4 Sean
 
2 8 −3 7 1 0 −2 5 1
7
 9 9 2 4 −2 0 5 −3 

4
 1 4 1 8 −1 −3 5 9
A= 2 6 5 −2 6 6 −1 −2 7
5
 7 −2 0 1 0 7 7 4
5 5 0 1 2 0 −2 3 2
2 6 −3 6 −1 5 1 0 0
y  
9 −2 2 1 2 5 2 4 5
 −2 4 0 −1 5 3 8 0 0
 
 −1 9 0 2 2 2 0 7 2
 
B=
 1 2 −1 −3 0 8 3 7 2,
 4
 8 5 0 6 −1 5 6 −3 

 7 1 2 5 1 −1 5 9 6
7 1 8 −1 1 −1 6 2 3
entonces
 
11 6 −1 8 3 5 0 9 6
 5 13
 9 1 9 1 8 5 −3 
 3 10
 4 3 10 1 −3 12 11 

A+B=
 3 8 4 −5 6 14 2 5 9 .

 9 15
 3 0 7 −1 12 13 1
 12 6 2 6 3 −1 3 12 8
9 7 5 5 0 4 7 2 3
⋄

Es importante tener siempre en mente que sólo se pueden sumar matrices

que tengan la misma dimensión. Además si a una matriz dada le sumamos la
matriz nula del mismo orden, la matriz no cambia. Por tanto la matriz nula
de cada orden, se comporta para la suma de matrices como el número 0 para
la suma de números reales.
5.4.1.3 Expresiones lineales

Dadas todas las matrices de una misma dimensión, pongamos n × m, pode-
mos tomar una cantidad finita de ellas y una cantidad finita de escalares y
construir una fórmula en la que aparezcan sólo operaciones de alguno de los
dos tipos anteriores, así como operaciones entre los propios escalares. Tales
expresiones serán llamadas expresiones lineales
Ejemplo 5.4.5 Sean A, B, C y D matrices n × m y sean λ, µ, ν, α y β

escalares. Podemos formar con las dos operaciones definidas hasta el momento
fórmulas como la siguiente
((α + β)A − β(A + C + D))ν − (C − µ2 D)(λ − ν) + B.
Este tipo de fórmulas lineales pueden ser simplificadas utilizando las mismas
leyes que las que sirven para fórmulas de números reales, pues el producto
de un escalar por una matriz y la suma de matrices verifican las mismas
propiedades básicas que el producto y la suma de números reales. Así por
ejemplo, la fórmula anterior puede acabarse escribiendo después de ciertas
manipulaciones como
ανA + B + (−λ + ν(1 − β))C + (−ν(β + µ2 ) + λµ2 )D.
Escrita en esta forma, la expresión recibe el nombre de combinación lineal

de las matrices (A, B, C, D), con matriz de escalares
αν 1 −λ + ν(1 − β) −ν(β + µ2 ) + λµ2 .

Las expresiones lineales son esenciales en la materia que se estudia aquí. En

lo que se refiere a las matrices podemos interpretar las dos operaciones que
proporcionan la linealidad como mecanismos que transforman y/o combinan
el contenido de una o varias matrices.
Conviene definir en general qué es una combinación lineal de matrices

Definición 5.4.6 Sean A1 , A2 , . . . , Ak matrices n × m y λ1 , λ2 , . . . , λk ∈ R

escalares. Llamaremos combinación lineal de las matrices A1 , A2 , . . . , Ak con
matriz de coeficientes

λ1 λ2 · · · λk ,
a la expresión
k
X
λ1 A 1 + λ2 A 2 + · · · + λk A k = λi A i .
i=1
Observemos que después de operar, una combinación lineal de matrices n×m

proporciona otra matriz n × m.
5.4.1.4 Producto
La siguiente operación que estudiaremos es la multiplicación de matrices. Su
naturaleza es mucho menos intuitiva que la de las operaciones anteriores, y
quizá debiéramos entenderla como una operación que sirve para transformar
una matriz siguiendo unas reglas que están codificadas en la otra matriz. No
seremos capaces de entender el alcance de esta afirmación hasta más adelante.
Definición 5.4.7 El producto de una matriz fila de orden 1 × n

a1 a2 · · · an ,
por una matriz columna de orden n × 1

 
b1
 b2 
 ..  ,
 
.
bn
es una matriz de orden 1 × 1 dada por

 
b1
n
!
 b2 
 X
a1 a2 · · · an  ..  = ai bi .
. i=1
bn

Ejemplo 5.4.8
 
0
 −1 
 
 3
3 4 −2 2 1 1  0 =

 
 −2 
−1

3 · 0 + 4 · (−1) − 2 · 3 + 2 · 0 − 1 · 2 − 1 · 1 = −13 .
Nótese que para multiplicar una matriz fila por una matriz columna ambas
tienen que tener la misma longitud, si no el producto no está definido.

Definición 5.4.9 Sean A = aij n×m y B = bij m×p dos matrices. La
matriz producto de A por B es una matriz C = cij n×p . Cuyo elemento cij

es el único elemento de la matriz 1 × 1 resultante de multiplicar la fila i de

A con la columna j de B. Es decir, que si
C = AB,
entonces
n
X
cij = aik bkj .
k=1
Nota 5.4.10 Para que el producto de dos matrices esté definido el número
de columnas del primer factor ha de ser igual al número de filas del segundo.
⋄
Ejemplo 5.4.11 Vamos a presentar varios productos de matrices que el lec-

tor deberá comprobar de acuerdo con las definiciones
   
5 6 −40 73 −17
7 3  −2 5 −7  −29 59 −40 
 
 4 −9  −5 8 = .
3  37 −52 −55 
2 −1 1 2 −17

 
  −4 −3 −7 −1
−1 7 3 −5 
 6 −4 5 −9 9 1 3
2 
 7 −5
=
0 −7 
6 −7 9 3
−6 −9 −7 2
 
−8 96 49 −9
 35 −97 −60 −49  .
84 −153 −70 −84
    
3 −2 −1 3 3 7 −5 4 30
 −1 −3 −1   6 5 −1  =  −23 −13 3  .
1 −5 −8 2 −5 −7 −43 18 68
 
−7/4 7/4 −5/4 2/5
 3 −1/2 −1/2 −3  −2/7 −8/5 1/2
  
 
 −5/4 −5/7 7 −4/3   −3/7 −1 7/8 
  
  =
 9/5 2 1/7 −1   2 −9/5 3/2 
  
 
 −3 8/7 −2 1/2  2/3 −7/3 −2/3
 
6/7 −4/5 1/8 9/8
 
−149/60 71/30 −713/480
 −51/14 18/5 37/16 
 
 
 12149/882 −2134/315 365/36 
 
 
 −184/105 −1472/525 1483/420 
 
 
 −485/147 1279/210 −23/6 
 
269/245 −479/140 −467/560
⋄
El producto de matrices es un tanto extraño en varios sentidos. Su definición

no parece natural en un principio y no es muy intuitiva. Además, algunas de
las propiedades que verifica no son lo que uno podría esperar en principio
cuando está acostumbrado a manejar sólo conjuntos como los números reales.
Detallemos esto a continuación ilustrado con algunos ejemplos.

Nota 5.4.12
1. Aunque el producto de dos matrices AB esté bien definido, el producto
BA ni siquiera tiene por qué existir, ya que el número de columnas de
B no tiene por qué coincidir con el número de filas de A.
Ejemplo 5.4.13 Sean

 
4 7 −9
9 −9 4
A= y B =  5 7 −8  .
0 −8 −5
3 5 −9
Tenemos que
3 20 −45
AB = ,
−55 −81 109
pero BA no está definido. ⋄
2. Aunque AB y BA estén definidos en un caso particular, AB y BA no

tienen por qué ser iguales. Para empezar, a menos que A y B sean
matrices cuadradas, AB ni siquiera tendrá el mismo orden que BA.
Ejemplo 5.4.14 Sean

 
1 −1
4 0 −1
A= y B = 3 8 .
−5 5 −7
3 3
Tenemos
 
9 −5 6
1 −7
AB = y BA =  −28 40 −59  .
−11 24
−3 15 −24
Vemos que AB y BA no tienen el mismo órden, pues una es 2 × 2 y la

otra 3 × 3. ⋄
3. Aun en el caso en que A y B sean matrices cuadradas del mismo orden

(por tanto AB y BA también), AB no tiene por qué coincidir con BA.
Ejemplo 5.4.15 Tenemos

    
−9 −6 3 −7 −1 −1 66 −24 −54
 9 −9 −5   −4 2 9 =  8 8 −75  ,
6 0 1 −7 −7 −3 −49 −13 −9

mientras que
    
−7 −1 −1 −9 −6 3 48 51 −17
 −4 2 9   9 −9 −5  =  108 6 −13  .
−7 −7 −3 6 0 1 −18 105 11
⋄
Si bien en algún caso particular, pudieran coincidir.
4. Aunque multipliquemos dos matrices no nulas, el resultado puede ser

una matriz nula.
Ejemplo 5.4.16 Ni la matriz

1 −1
,
−2 2
ni
3 −4
,
3 −4
son nulas, pero

1 −1 3 −4 0 0
= ,
−2 2 3 −4 0 0
es decir la matriz cuadrada nula de orden 2. ⋄
⋄
A pesar de todas estas aparentes contrariedades, el producto de matrices es
muy útil, y realmente su definición sí es natural en cierto sentido, pero esto
es algo que iremos viendo poco a poco.
Nota 5.4.17 Resulta muy sencillo comprobar que si A es una matriz n × m,

entonces se verifica que
In A = A y que AIm = A,
es decir, que si multiplicamos a la derecha o a la izquierda a una matriz por

la identidad del orden adecuado, la matriz no cambia.
Por tanto, si fijamos un n ∈ N, y consideramos el conjunto de todas las
matrices cuadradas de orden n, entonces la matriz In se comporta en ese
conjunto respecto del producto de matrices como el 1 en R respecto de la
multiplicación de números reales. ⋄

Proposición 5.4.18
1. El producto de dos matrices triangulares superiores (del mismo orden)

es triangular superior.
2. El producto de dos matrices triangulares inferiores(del mismo orden)

es triangular inferior.
3. El producto de dos matrices diagonales (del mismo orden) es diagonal.
Proposición 5.4.19 La multiplicación de matrices verifica respecto de la

suma y el producto por escalares las siguientes propiedades
1. Si λ ∈ R y A y B son matrices tales que tiene sentido AB, entonces
λ(AB) = A(λB) = (λA)B.
2. Si A, B y C son matrices tales que tiene sentido AB y C tiene el mismo

orden que B, entonces
A(B + C) = AB + AC.
3. Si A, B y C son matrices tales que tiene sentido BA y C tiene el mismo

orden que B, entonces
(B + C)A = BA + CA.
5.4.2 Trasposición

Definición 5.4.20 Sea A = aij n×m . La matiz traspuesta de A, denotada
por At es una matriz m × n definida por
At = aji m×n .

Es decir, la matriz At se puede contruir disponiendo en forma de columnas

las filas de A, o lo que es lo mismo, disponiendo en forma de filas las columnas
de A, sin cambiar la ordenación. ⋄

Ejemplo 5.4.21 Escribiremos varias matrices con sus traspuestas

 
8 8 −5
   4 5 −2 
8 4 −5 −5 3 −5 
 −5 −1 −1 

t
A=  8 5 −1 0 3 −4 , A = 
  .
−5 0 −9 
−5 −2 −1 −9 5 8 
 3

3 5
−5 −4 8
 
4 −3
 8 −9 
  t 4 8 7 0 4
B = 7
 5 , B =
 .
0 −3 −9 5 4 2
4 
4 2
 
5 −5 9 −9 4 0 −8
 −5 4 7 −9 5 7 −8 
 
 3
 5 −9 4 0 −1 −5 

C=  5 −7 1 −1 3 8 3 ,

 3 −9 −6 3 9 −9 −5 
 
 6 0 1 −7 −1 −1 −4 
2 9 −7 −7 −3 −7 −2
 
5 −5 3 5 3 6 2
 −5 4 5 −7 −9 0 9
 
 9 7 −9 1 −6 1 −7 
Ct = 
 
 −9 −9 4 −1 3 −7 −7 .

 4
 5 0 3 9 −1 −3  
 0 7 −1 8 −9 −1 −7 
−8 −8 −5 3 −5 −4 −2
⋄
A continuación veremos algunas propiedades que relacionan la trasposición

de matrices con nociones que hemos adquirido anteriormente.
Proposición 5.4.22 A partir de las definiciones es muy sencillo ver que
1. La traspuesta de una matriz columna es una matriz fila.
2. La traspuesta de una matriz fila es una matriz columna.
3. Las filas de una matriz son las columnas de su traspuesta.
4. Las columnas de una matriz son las filas de su traspuesta.

5. La traspuesta de una matriz triangular superior es triangular inferior.
6. La traspuesta de una matriz triangular inferior es triangular superior.
7. La traspuesta de una matriz cuadrada es otra matriz cuadrada del

mismo orden.
8. Una matriz cuadrada A es simétrica si y solo si A = At .
9. Una matriz cuadrada A es antisimétrica si y solo si A = −At .
10. (At )t = A.
Es muy sencillo comprobar que la trasposición verifica con respecto a la

aritmética matricial las propiedades siguientes
Proposición 5.4.23
• Si λ ∈ R y A es una matriz
λAt = (λA)t
• Si A y B son dos matrices del mismo orden
(A + B)t = At + Bt .
• Si A y B son dos matrices tales que tiene sentido AB entonces también

tiene sentido Bt At . Además
(AB)t = Bt At .
5.4.3 Producto de matrices y combinaciones lineales

Trataremos de interpretar el producto de matrices en términos de combina-
ciones lineales de filas o columnas, lo cual nos resultará útil posteriormente.
Lema 5.4.24 La matriz fila 1 × m que resulta de multiplicar una matriz fila
A1×n por una matriz Bn×m , es combinación lineal de las filas de B con matriz
de escalares A. ⋄

Ejemplo 5.4.25 Sean

 
1 −2 0 1
A = 2 3 −2 , B =  −3 1 −1 2  .
2 1 0 3
Las filas de B son

B1 = 1 −2 0 1 ,

B2 = −3 1 −1 2 ,

B3 = 2 1 0 3 .
Se tiene
 
1 −2 0 1
2 3 −2  −3 1 −1 2  = −11 −3 −3 2 =
2 1 0 3

2 1 −2 0 1 + 3 −3 1 −1 2 − 2 2 1 0 3 =
2B1 + 3B2 − 2B3 .
Vemos como el producto de las dos matrices se puede expresar como la com-
binación lineal de las filas de B con matriz de coeficientes A ⋄
Lema 5.4.26 La matriz columna n×1 que resulta de multiplicar una matriz
An×m por una matriz columna Bm×1 , es combinación lineal de las columnas
de A con matriz de escalares Bt .
Demostración:
Esto es una consecuenca del lema 5.4.24 usando la trasposición. Tenemos que
(AB)t = Bt At .
por el lema 5.4.24, la matriz fila (AB)t es combinación lineal de las filas de At
con matriz de escalares Bt que es una matriz fila. Teniendo en cuenta que las
filas de At son las columnas de A se sigue de manera inmediata el resultado.
⋄
A partir de los lemas 5.4.24 y 5.4.26, se sigue el siguiente resultado de forma
inmediata.
Corolario 5.4.27 Sea An×m y Bm×p
1. Si i ∈ {1, . . . , n}, la fila i-ésima de AB es la combinación lineal de las
filas de B con matriz de escalares formada por la fila i-ésima de A.
2. Si j ∈ {1, . . . , p}, la columna j-ésima de AB es la combinación lineal de
las columnas de A con matriz de escalares formada por la traspuesta
de la columna j-ésima de B.
⋄

5.4.4 Productos de matrices por bloques

Cuando dos matrices que se multiplican se dividen en bloques verificando
ciertas reglas, entonces las matrices se van a poder multiplicar por bloques
siguiendo las mismas reglas que para la multiplicación de matrices usual pero
aplicadas a los bloques. Veámoslo.
Lema 5.4.28 Sean n, m, p, s, t ∈ N con 1 < s < n, 1 < t < p, A una matriz
n × m y B una matriz m × p, y sean
• A1 el bloque resultante de tomar las s primeras filas de A,
• A2 el bloque resultante de tomar las n − s últimas filas de A,
• B1 el bloque resultante de tomar las t primeras columnas de B
• B2 el bloque resultante de tomar las n − t últimas columnas de B.
Entonces
A1 A1 B1 A1 B2
AB = B1 B2 = .
A2 A2 B1 A2 B2
Demostración:
Es muy sencilla a partir de la fórmula de multiplicación de matrices de 5.4.9
⋄
Lema 5.4.29 Sean n, m, p, r ∈ N con 1 < r < m, A una matriz n × m y B

una matriz m × p, y sean
• A1 el bloque resultante de tomar las r primeras columnas de A,
• A2 el bloque resultante de tomar las m − r últimas columnas de A,
• B1 el bloque resultante de tomar las r primeras filas de B
• B2 el bloque resultante de tomar las m − r últimas filas de B.
Entonces
B1
AB = A1 A2 = A1 B1 + A2 B2 .
B2
Demostración:
Es también sencilla a partir de la fórmula de multiplicación de matrices de
5.4.9 ⋄

176 5.5. Operaciones elementales
Corolario 5.4.30 Sean n, m, p, r, s, t ∈ N con 1 < r < m, 1 < s < n,

1 < t < p, A una matriz n × m y B una matriz m × p. Ahora
• Dividimos A por bloques de la siguiente forma
– A1 es el bloque obtenido seleccionando las s primeras filas y las r
primeras columnas de A,
– A2 es el bloque obtenido seleccionando las s primeras filas y las
m − r últimas columnas de A,
– A3 es el bloque obtenido seleccionando las n − s últimas filas y las
r primeras columnas de A,
– A4 es el bloque obtenido seleccionando las n − s últimas filas y las
m − r últimas columnas de A.
• Dividimos B por bloques de la siguiente forma
– B1 es el bloque obtenido seleccionando las r primeras filas y las t
primeras columnas de B,
– B2 es el bloque obtenido seleccionando las r primeras filas y las
p − t últimas columnas de B,
– B3 es el bloque obtenido seleccionando las n − r últimas filas y las
t primeras columnas de B,
– B4 es el bloque obtenido seleccionando las n − r últimas filas y las
p − t últimas columnas de B.
Entonces

A1 A2 B1 B2 A1 B1 + A2 B3 A1 B2 + A2 B4
AB = = .
A3 A4 B3 B4 A3 B1 + A4 B3 A3 B2 + A4 B4
⋄
Vemos como las matrices se pueden multiplicar por bloques (cuando los blo-
ques sean compatibles en tamaño) usando las reglas de multiplicación de
matrices que utilizaríamos si los bloques tuvieran todos tamaño 1 × 1, salvo
por el hecho de que no se pueden commutar los bloques en cada uno de los
productos que aparecen.
5.5 Operaciones elementales

Estudiaremos ahora el tipo de operación que más importancia va a tener
para el desarrollo de la presente materia

5.5.1 Operaciones elementales por filas

Definición 5.5.1 Una operación elemental por filas consiste en un proceso
mediante el que se obtiene una matriz B a partir de otra del mismo orden
A, cambiando alguna de las filas de la matriz A de acuerdo con una de las
siguientes reglas
1. Sumar a una fila otra distinta multiplicada por un escalar.
2. Multiplicar a una fila por un escalar no nulo.
3. Intercambiar dos filas.
A cada una de las operaciones que resultan de aplicar cada una de las reglas
anteriores las denotaremos de la siguiente manera
1. Sumar a la fila i la fila j (con i 6= j) multiplicada por un escalar λ ∈ R

se denotará por
fijλ .
2. Multiplicar la fila i por un escalar λ ∈ R con λ 6= 0, se denotará por
fiλ .
3. Intercambiar las filas i y j (con i 6= j), se denotará por
fij .
Ejemplo 5.5.2 Presentamos varios ejemplos de operaciones elementales por

filas    
1 0 1 3 1 0 1 3
 2 0 3 0  2 0 3 0
  f422  
 −1 −1 −1 1  −→  −1 −1 −1 1.
 

 1 0 0 −1   5 0 6 −1 
−2 1 1 3 −2 1 1 3
   
1 0 1 3 −1 −1 −1 1
 2 0 3 0 f13  2 0 3 0

 
 −1 −1 −1 1  −→  1 0 1 3 .
   
 1 0 0 −1   1 0 0 −1 
−2 1 1 3 −2 1 1 3

   
1 0 1 3 1 0 1 3
 2 0 3 0  −2  2
  0 3 0
 f3 
 −1 −1 −1 2 −2 
1 −−→  2 2 .


 1 0 0 −1   1 0 0 −1 
−2 1 1 3 −2 1 1 3
 
7/8 0 4/9 5/9 9/7 2/3
 −4/3 4 −3 7/9 3/5 −9/8  −2/3
f13
 − −−→
 0 −5/6 −1 −1/5 8/5 3/7 
−1 9 −5 0 −1 −1/6
 
7/8 5/9 10/9 31/45 23/105 8/21
 −4/3 4 −3 7/9 3/5 −9/8 
 .
 0 −5/6 −1 −1/5 8/5 3/7 
−1 9 −5 0 −1 −1/6
Definición 5.5.3 Diremos que una operación elemental por filas f es inver-
sible, cuando siempre que se aplique a una matriz A para obtener una matriz
B, exista otra operación elemental por filas (que no depende de las matrices
A y B) que aplicada a B nos proporcione A. A tal operación la llamaremos
la inversa de f y será denotada por (f )−1 . ⋄
Proposición 5.5.4 Toda operación elemental por filas es inversible, y sus

inversas son
1. (fijλ )−1 = fij−λ .
1/λ
2. (fiλ )−1 = fi .
3. (fij )−1 = fij
Observemos que la inversa de una operación de intercambio de filas es ella

misma.
Ejemplo 5.5.5 En los siguientes ejemplos aplicaremos sucesivamente una

operación elemental por filas y su inversa para ver como se recupera la matriz

de partida.
   
3 −1 0 −1 3
−3 −4 3 5 −3
f12 f12
 −2 −1 1 2 −→ −2
  −1 1 2  −− →
1 3 −2 −1 1 3 −2 −1
 
3 −1 0 −1
 −2 −1 1 2
1 3 −2 −1
   
3 −1 0 −1 2
3 −1 0 −1 1/2
f3 f3
 −2 −1 1 2 −→ −2
  −1 1 2  −− →
1 3 −2 −1 2 6 −4 −2
 
3 −1 0 −1
 −2 −1 1 2 .
1 3 −2 −1
   
3 −1 0 −1 1 3 −2 −1
f13 f13
 −2 −1 1 2  −→  −2 −1 1 2  −→
1 3 −2 −1 3 −1 0 −1
 
3 −1 0 −1
 −2 −1 1 2 .
1 3 −2 −1
⋄
Así pues una operación elemental por filas transforma una matriz en otra.
También es posible realizar sucesivas operaciones elementales por filas a una
matriz para obtener finalmente otra.
Ejemplo 5.5.6 Realizaremos varias operaciones elementales por filas suce-
sivas a la matriz de partida
     
3 0 2 −1 0 −2 −1 0 −2
 −2 2 1 f13  −2 2 1 1/3
 0 2 5
−2 
f21 f3
 − →  − −→ − − →
 −1 0 −2   3 0 2  3 0 2
2 −2 3 2 −2 3 2 −2 3
   
−1 0 −2 −1 0 −2
 0 2 5  f31  0
 1  2 5
 − → .
 1 0 2/3   0 0 −4/3 
2 −2 3 2 −2 3
⋄
El orden en el que se hacen las operaciones elementales por filas es muy
importante, ya que en general no commutan.

Ejemplo 5.5.7 Realicemos dos operaciones elementales por filas a una ma-
triz
     
1 0 0 2 1 2 −2 0 1 2 −2 0
 1 2 −2 0  − f12  1 0 0 2  1
−1 
f41 0 0 2

 1 →  − −→ .
1 3 2  1 1 3 2  1 1 3 2
−2 −2 1 0 −2 −2 1 0 −3 −4 3 0
Ahora realizaremos las mismas operaciones elementales por filas, pero en
distinto orden
     
1 0 0 2 1 0 0 2 1 2 −2 0
 1 2 −2 0 
−  1
−1 
f41 2 −2 0 f12  1 0 0 2

 1 −→ − →  .
1 3 2  1 1 3 2  1 1 3 2
−2 −2 1 0 −3 −2 1 −2 −3 −2 1 −2
Vemos como las matrices finales obtenidas en uno y otro caso son distintas.
⋄
A veces es posible realizar ciertos bloques de operaciones elementales por filas
de forma conjunta, sin tener que escribir las matrices transformadas inter-
medias para cada operación por separado. Esto solo puede hacerse cuando
cada operación elemental no cambie ninguna fila que influya en alguna de las
operaciones siguientes del bloque
Ejemplo 5.5.8 Las siguientes operaciones elementales por filas
     
1 −1 2 1 −1 2 1 −1 2
 1 −1 0 0 −2  0 −2 
 0
−1 
f21 1
f31 0 −3
f41
 − −→ − →  − −→
 −1 1 −1   −1 1 −1  0 0 1
3 1 −1 3 1 −1 3 1 −1
 
1 −1 2
0
 0 −2  ,
0 0 1
0 4 −7
podrían haberse realizado conjuntamente
   
1 −1 2 1 −1 2
 1 −1 0 −1
f21 1 , f −3 
, f31 41 0 0 −2 
 − −− − − −− → ,
 −1 1 −1   0 0 1
3 1 −1 0 4 −7
sin necesidad de escribir las dos matrices intermedias, debido a que cada ope-
ración elemental por filas sólo cambia filas que no intervienen en las siguientes
operaciones elementales por filas. ⋄

Definición 5.5.9 Diremos que una matriz A es equivalente por filas a una
matriz B si es posible obtener B realizando una cantidad finita de operaciones
elementales por filas sucesivas sobre A. ⋄
Proposición 5.5.10 Se tiene que
1. Toda matriz es equivalente por filas a sí misma.
2. Si A es equivalente por filas a B entonces B es equivalente por filas a

A.
3. Si A es equivalente por filas a B y B es equivalente por filas a C entonces

A es equivalente por filas a C.
Demostración:
Probemos cada una de las propiedades por separado
1. Es inmediato, haciendo 0 operaciones elementales por filas a A.
2. Si para pasar de A a B, hacemos las operaciones elementales por filas
f1 , f2 , . . . , fk ,
en el orden escrito, entonces para pasar de B a A bastará hacer sobre

B
(fk )−1 , (fk−1)−1 , . . . , (f2 )−1 , (f1 )−1 ,
lo cual tiene sentido pues en 5.5.4 se estableció la inversibilidad de todas
las operaciones elementales.
3. Basta concatenar las operaciones elementales por filas que se hacen a

A para pasar a B con las que se hacen a B para pasar a C. Todas estas
operaciones realizadas secuencialmente sobre A, la transforman en C y
por tanto A y C son equivalentes por filas.
5.5.1.1 Interpretación matricial

A continuación vamos a interpretar las operaciones elementales por filas como
productos de matrices. Primero definiremos las matrices elementales por filas.
Definición 5.5.11 Para cada n ∈ N, i ≤ n, j ≤ n y λ ∈ R definimos las

siguientes matrices

1. Si i 6= j, se define Fλij como el resultado de aplicar la operación elemental

por filas fijλ a la matriz identidad In .
2. Si λ 6= 0, se define Fλi como el resultado de aplicar la operación elemental

por filas fiλ a la matriz identidad In .
3. Si i 6= j, se define Fij como el resultado de aplicar la operación elemental

por filas fij a la matriz identidad In .
A las matrices anteriores se les llama matrices elementales por filas de orden
n. Cada una de ellas se dice que corresponde a la operación elemental por
filas que sirve para generarla. ⋄
Ejemplo 5.5.12 Presentamos algunas matrices elementales por filas de dis-

tintos órdenes    
1 0 0 3
1 3 0
f12
0 1 0 − →  0 1 0  = F312 .
0 0 1 0 0 1
   
1 0 0 0 0 1 0 0 0 0
 0 1 0 0 0  −2  0 1 0 0 0 
 f41 
 0 0 1 0 0  = F−2 .
 
0 0 1 0 0 − −→
    41
0 0 0 1 0  −2 0 0 1 0 
0 0 0 0 1 0 0 0 0 1
   
1 0 0 0 1 0 0 0
 0 1 0 0  f2−5  0 −5 0 0 
 = F−5 .
 0 0 1 0  −−→  0
  
2
0 1 0
0 0 0 1 0 0 0 1
   
1 0 0 0 0 0 1 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 1 0
   
 0 0 1 0 0 0  f25  0 0 1 0 0 0 
 −→ 
 0 0 0 1 0 0  = F25 .
 
0 0 0 1 0 0
   
0 0 0 0 1 0 0 1 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 1
⋄
Proposición 5.5.13 La matriz obtenida tras aplicar una operación elemen-

tal por filas a una matriz An×m , es también el resultado de multiplicar la
matriz A por la izquierda por la matriz elemental por filas correspondiente.
⋄

Ejemplo 5.5.14 Vamos a realizar una operación elemental por filas sobre
una cierta matriz
   
1 0 0 1 0 0
 −1 −2 1 2
f41  −1 −2 1
 − →  .
 1 3 −2   1 3 −2 
−2 −2 −1 0 −2 −1
Ahora construimos la matriz elemental por filas de orden 4 correspondiente

a la operación elemental realizada
   
1 0 0 0 1 0 0 0
0 1 0 0  41  0
f 2
1 0 0 = F241 ,
 

0 −→ 
0 1 0 0 0 1 0
0 0 0 1 2 0 0 1
y finalmente multiplicamos nuestra matriz inicial por F241 a la izquierda

    
1 0 0 0 1 0 0 1 0 0
  −1 −2  =  −1 −2
0 1 0 0  1  1
 ,
0 0 1 0  1 3 −2   1 3 −2 
2 0 0 1 −2 −2 −1 0 −2 −1
viendo que se obtiene el mismo resultado. ⋄
Proposición 5.5.15 Para cada orden n ∈ N, i ≤ n, j ≤ n y λ ∈ R se

verifica
1. Si i 6= j
Fλij F−λ −λ λ
ij = Fij Fij = In .
Escribiremos (Fλij )−1 = F−λ −λ −1

ij y (Fij ) = Fλij .
2. Si λ 6= 0
1/λ 1/λ
Fλi Fi = Fi Fλi = In .
1/λ 1/λ
Escribiremos (Fλi )−1 = Fi y (Fi )−1 = Fλi .
3. Si i 6= j.
Fij Fij = In .
Escribiremos (Fij )−1 = Fij

Demostración:
Sea f1 una operación elemental por filas y f2 su inversa. Sean F1 y F2 las
matrices elementales por filas correspondientes respectivamente.
Por 5.5.4 es evidente que
f1 f2
In −
→ F1 −
→ In .
Pero por 5.5.13 se tiene que
f2
F1 −
→ F2 F1 ,
de donde se sigue que
F2 F1 = In .
Haciendo un razonamiento similar, que se deja al lector, se demuestra que
F1 F2 = In .
Ahora particularizando a cada tipo de operación elemental por filas, se tiene
el resultado buscado. ⋄
Debido a estas propiedades se dice que las matrices elementales por filas son
inversibles. Con la ayuda de estas matrices, se extenderá más adelante la
noción de inversibilidad a otras matrices.
Ejemplo 5.5.16 Veamos en algunos ejemplos cómo se cumplen las propie-
dades de 5.5.15
    
1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0  0 1 0 0 0 1 0 0
F341 F−3
41 =  0 0 1 0   0 0 1 0  =  0 0 1 0  = I4 .
    
3 0 0 1 −3 0 0 1 0 0 0 1
    
1 0 0 0 1 0 0 0 1 0 0 0
 0 1 0 0 0 1 0 0 0 1 0 0
F−3 3
41 F41 = 
  =  = I4 .
0 0 1 0 0 0 1 0 0 0 1 0
−3 0 0 1 3 0 0 1 0 0 0 1
    
1 0 0 0 1 0 0 0 1 0 0 0
1/5
 0 5 0 0   0 1/5 0 0   0 1 0 0 
F52 F2 =   0 0 1 0   0 0 1 0  =  0 0 1 0  = I4 .
   
0 0 0 1 0 0 0 1 0 0 0 1
    
1 0 0 0 1 0 0 0 1 0 0 0
1/5  0 1/5 0 0   0 5 0 0   0 1 0 0 
F2 F52 =   0 0 1 0   0 0 1 0  =  0 0 1 0  = I4 .
   
0 0 0 1 0 0 0 1 0 0 0 1

    
1 0 0 1 0 0 1 0 0
F23 F23 =  0 0 1   0 0 1  =  0 1 0  = I3 .
0 1 0 0 1 0 0 0 1
⋄
Proposición 5.5.17 Si A y B son dos matrices n × m equivalentes por filas,
existen dos matrices P y Q cuadradas de orden n, verificando las siguientes
propiedades
1. A = PB
2. B = QA
3. Tanto P como Q son productos de matrices elementales por filas.
4. PQ = QP = In . Escribiremos P = Q−1 y Q = P−1
Demostración:
Como A y B son equivalentes por filas, existen f1 , f2 , . . . , fk−1, fk operaciones
elementales por filas tales que
f1 ,f2 ,...,fk−1 ,fk
A −−−−−−−−−→ B.
Sean F1 , F2 , . . . , Fk−1, Fk las matrices elementales por filas correspondientes
respectivamente a f1 , f2 , . . . , fk−1, fk . Por la interpretación matricial dada en
5.5.13, se tiene entonces que
B = Fk Fk−1 · · · F2 F1 A.
Llamemos
P = Fk Fk−1 · · · F2 F1 .
Se tiene que
(fk )−1 ,(fk−1 )−1 ,...,(fk−1 )−1 ,(fk )−1
B −−−−−−−−−−−−−−−−−−−−→ A.
Además las matrices elementales por filas correspondientes a
(fk )−1 , (fk−1 )−1 , . . . , (fk−1 )−1 , (fk )−1 ,
son
(Fk )−1 , (Fk−1)−1 , . . . , (Fk−1)−1 , (Fk )−1 ,
respectivamente. llamando
Q = (Fk )−1 , (Fk−1)−1 , . . . , (Fk−1)−1 , (Fk )−1 ,
es muy sencillo comprobar que se verifican las propiedades requeridas. ⋄

5.5.2 Operaciones elementales por columnas
Definición 5.5.18 Una operación elemental por columnas consiste en un

proceso por el que se obtiene una matriz B a partir de otra del mismo orden
A, cambiando alguna de las columnas de la matriz A de acuerdo con una de
las siguientes reglas
1. Sumar a una columna otra distinta multiplicada por un escalar.
2. Multiplicar a una columna por un escalar no nulo.
3. Intercambiar dos columnas.
A cada una de las operaciones que resultan de aplicar cada una de las reglas
anteriores las denotaremos de la siguiente manera
1. Sumar a la columna i la columna j (con i 6= j) multiplicada por un

escalar λ ∈ R se denotará por
cλij .
2. Multiplicar la columna i por un escalar λ ∈ R con λ 6= 0, se denotará

por
cλi .
3. Intercambiar las columnas i y j (con i 6= j), se denotará por
cij .

Ejemplo 5.5.19 Algunos ejemplos de operaciones elementales por columnas

   
1 0 1 3 1 0 3 3
 2 0 3 0 c231  2 0 7 0

 
 −1 −1 −1 1  −→  −1 −1 −3 1 
   
 1 0 0 −1   1 0 2 −1 
−2 1 1 3 −2 1 −3 3
   
1 0 1 3 1 3 1 0
 2 0 3 0 c24  2 0 3 0

 
 −1 −1 −1 1  −→  −1 1 −1 −1 
   
 1 0 0 −1   1 −1 0 0
−2 1 1 3 −2 3 1 1
   
1 0 1 3 1 0 −2 3
 2
 0 3 0 c−2
 2
 0 −6 0
 −1 −1 −1 3
 −−→  −1 −1
 1   2 1 .

 1 0 0 −1   1 0 0 −1 
−2 1 1 3 −2 1 −2 3
⋄
Definición 5.5.20 Una operación elemental por columnas c diremos que es

inversible, cuando siempre que se aplique a una matriz A para obtener una
matriz B, exista otra operación elemental (que no depende de las matrices A
y B) que aplicada a B nos proporcione A. A tal operación la llamaremos la
inversa de c y será denotada por (c)−1 . ⋄
Una vez establecidas las definiciones anteriores, que son similares a las ope-
raciones elementales por filas, podemos establecer una relación entre las ope-
raciones elementales por filas y por columnas.
Definición 5.5.21 Diremos que
1. Diremos que fijλ es la operación elemental por filas correspondiente a

la operación elemental por columnas cλij , y viceversa.
2. Diremos que fiλ es la operación elemental por filas correspondiente a la

operación elemental por columnas cλi , y viceversa.
3. Diremos que fij es la operación elemental por filas correspondiente a

la operación elemental por columnas cij , y viceversa.

Las operaciones elementales por columnas y sus correspondientes por filas

están relacionadas por el siguiente resultado
Proposición 5.5.22 Supongamos que fi es una operación elemental por

filas y que ci su operación elemental por columnas correspondiente. Sea A
una matriz y sean
ic
A−
→ B1
fi
At −
→ B2 ,
entonces
Bt2 = B1 .
Demostración:
Es inmediata teniendo en cuenta que las columnas de una matriz coinciden
con las filas de su traspuesta y viceversa. ⋄
Nota 5.5.23 A partir de 5.5.22 se deduce que para hacer una cierta cantidad
de operaciones elementales por columnas a una matriz, bastaría con hacer las
correspondientes por filas a su traspuesta y finalmente trasponer el resultado.
También puede deducirse que para hacer una cierta cantidad de operacio-
nes elementales por filas a una matriz, bastaría con hacer las correspondientes
por columnas a su traspuesta y finalmente trasponer el resultado.
En todo caso, lo que nos dice 5.5.22 es que basta con desarrollar una
teoría de operaciones elementales por filas para, mediante la trasposición,
tener una teoría de operaciones elementales por columnas. ⋄
Simplemente enunciaremos a continuación los resultados de operaciones ele-

mentales por columnas similares a los de filas, omitiendo casi todos los ejem-
plos.
Proposición 5.5.24 Toda operación elemental por columnas es inversible,

y sus inversas son
1. (cλij )−1 = c−λ

ij .
1/λ
2. (cλi )−1 = ci .
3. (cij )−1 = cij

Observemos que la inversa de una operación de intercambio de columnas es

ella misma.
Es posible realizar sucesivas operaciones elementales por columnas a una
matriz para obtener finalmente otra.
Las operaciones elementales por columnas en general no commutan.
A veces es posible realizar ciertos bloques de operaciones elementales por
columnas de forma conjunta, sin tener que escribir las matrices transforma-
das intermedias para cada operación por separado. Esto solo puede hacerse
cuando cada operación elemental por columnas no cambie ninguna columna
que influya en alguna de las operaciones siguientes del bloque.
Definición 5.5.25 Diremos que una matriz A es equivalente por columnas

a una matriz B si es posible obtener B realizando una cantidad finita de
operaciones elementales por columnas sucesivas sobre A. ⋄
Proposición 5.5.26 Se tiene que
1. Toda matriz es equivalente por columnas a si misma.
2. Si A es equivalente por columnas a B entonces B es equivalente por

columnas a A.
3. Si A es equivalente por columnas a B y B es equivalente por columnas

a C entonces A es equivalente por columnas a C.
Proposición 5.5.27 Una matriz A es equivalente por columnas a B si y

sólo si At es equivalente por filas a Bt . ⋄
5.5.2.1 Interpretación matricial

Las operaciones elementales por columnas también tienen una interpretación
matricial. Definiremos las matrices elementales por columnas.
Definición 5.5.28 Para cada n ∈ N, i ≤ n, j ≤ n y λ ∈ R definimos las

siguientes matrices
1. Si i 6= j, se define Cλij como el resultado de aplicar la operación elemen-

tal por columnas cλij a la matriz identidad In .
2. Si λ 6= 0, se define Cλi como el resultado de aplicar la operación ele-

mental por columnas cλi a la matriz identidad In .

3. Si i 6= j, se define Cij como el resultado de aplicar la operación elemen-

tal por filas cij a la matriz identidad In .
A las matrices anteriores se les llama matrices elementales por columnas de
orden n. Cada una de ellas se dice que corresponde a la operación elemental
por columnas que sirve para generarla a partir de la identidad. ⋄
Proposición 5.5.29 Sea C una matriz elemental por columnas y F la matriz

elemental por filas correspondiente. Se tiene que
C = Ft .
Demostración:
Se sigue de 5.5.22 y del hecho de que Itn = In , para cada n ∈ N. ⋄
Proposición 5.5.30 La matriz obtenida tras aplicar una operación elemen-

tal por columnas a una matriz An×m , es también el resultado de multiplicar
la matriz A por la derecha por la matriz elemental columnas correspondien-
te.
Demostración:
Sea c una operación elemental por columnas y f la operación elemental por fi-
las correspondiente a c. Sean C y F las matrices elementales correspondientes
a c y f respectivamente.
Por 5.5.22 y por 5.5.13 tenemos que
c t
A− → FAt = AFt .
Pero por 5.5.29 se tiene que Ft = C, de donde

c t
A−→ FAt = AFt = AC,
y se tiene el resultado. ⋄
Obsérvese que 5.5.30 marca la primera diferencia importante entre las ope-
raciones elementales por filas y por columnas.
Ejemplo 5.5.31 Vamos a realizar una operación elemental por columnas
sobre una matriz
   
1 0 0 1 2 0
 −1 −2 1 c221  −1 −4 1
 − → .
 1 3 −2   1 5 −2 
−2 −2 −1 −2 −6 −1

Ahora construimos la matriz elemental por columnas de orden 4 correspon-

diente a la operación elemental realizada
   
1 0 0 1 2 0
c221
0 1 0 − → 0 1 0  = C221 ,
0 0 1 0 0 1
y finalmente multiplicamos nuestra matriz inicial por C221 a la derecha

   
1 0 0   1 2 0
 −1 −2 1 2 0
1  0 1 0  =  −1 −4 1

 ,
 1 3 −2   1 5 −2 
0 0 1
−2 −2 −1 −2 −6 −1
viendo que se obtiene el mismo resultado. ⋄
Proposición 5.5.32 Para cada orden n ∈ N, i ≤ n, j ≤ n y λ ∈ R se

verifica
1. Si i 6= j
Cλij C−λ −λ λ
ij = Cij Cij = In .
Escribiremos (Cλij )−1 = C−λ −λ −1

ij y (Cij ) = Cλij .
2. Si λ 6= 0
1/λ 1/λ
Cλi Ci = Ci Cλi = In .
1/λ 1/λ
Escribiremos (Cλi )−1 = Ci y (Ci )−1 = Cλi .
3. Si i 6= j.
Cij Cij = In .
Escribiremos (Cij )−1 = Cij .
Debido a estas propiedades se dice que las matrices elementales por columnas
son inversibles.
Proposición 5.5.33 Si A y B son dos matrices n × m equivalentes por

columnas, existen dos matrices P y Q cuadradas de orden m, verificando las
siguientes propiedades
1. A = BP
2. B = AQ

3. Tanto P como Q son productos de matrices elementales por columnas.
4. PQ = QP = Im . Escribiremos P = Q−1 y Q = P−1
Demostración:
Como A y B son equivalentes por columnas, por 5.5.27 At y Bt son equiva-
lentes por filas. Luego por 5.5.17 existen P1 y Q1 verificando
1. A = P1 B
2. B = Q1 A
3. Tanto P1 como Q1 son productos de matrices elementales por filas..
4. P1 Q1 = Q1 P1 = Im .
Llamando P = P1t y Q = Qt1 , se infiere con facilidad lo que queremos demos-

trar. ⋄
Definición 5.5.34 Diremos que dos matrices son equivalentes si una resulta
de la otra tras realizar una cantidad finita de operaciones elementales por filas
y otra cantidad finita de operaciones elementales por columnas. ⋄
Las matrices equivalentes verifican las mismas propiedades que las matrices
equivalentes por filas o columnas.
Proposición 5.5.35 Si A y B son dos matrices n × m equivalentes , existen

dos matrices P1 y Q1 cuadradas de orden n y dos matrices cuadradas de
orden m, P2 Q2 , verificando las siguientes propiedades
1. A = P1 BP2
2. B = Q1 AQ2
3. Tanto P1 como Q1 son productos de matrices elementales por filas.
4. Tanto P2 como Q2 son productos de matrices elementales por columnas.
5. P1 Q1 = Q1 P= In .
6. P2 Q2 = Q2 P2 = Im .
Demostración:
Se sigue fácilmente de 5.5.17 y 5.5.33. ⋄

5.6 Forma escalonada

Vamos ahora a estudiar un tipo de matrices con una estructura muy simple,
sobre las que fundamentaremos gran parte de la materia que trataremos.
Definición 5.6.1 Diremos que una matriz A = aij n×m es escalonada por

filas si es la matriz nula o bien verifica

1. Existe un índice de fila p ≤ n tal que
• Si i ≤ p, la fila i-ésima de A es no nula.
• Si i > p, la fila i-ésima de A es nula.
2. Existen p índices de columna k1 < k2 < · · · < kp tales que para cada
i = 1, . . . , p se tiene
• aiki 6= 0.
• Si j < ki , aij = 0.
A los elementos a1k1 , . . . , apkp se les llama pivotes de la matriz escalonada A,
y a las columnas k1 , . . . , kp , columnas pivotales de A. ⋄
Nota 5.6.2 El nombre de matriz escalonada viene del hecho de que para
toda matriz de este tipo se puede trazar un dibujo en forma de escalera
invertida entre ciertas filas y columnas de la matriz, de forma que en la
cabecera de cada escalón hay un pivote, los escalones tienen todos altura
exactamente 1 (solo saltan 1 fila) y longitud ≥ 1 (se extienden a lo largo de
1 o más columnas), y además en toda la zona de la matriz bajo la escalera
sólo hay ceros. Poniendo ∗ es las posiciones donde hay un pivote, podemos
representar esquemáticamente una matriz escalonada por filas de la siguiente
manera
 

 * 

*
 
 
 
 


 * 


*
 
.
 

*
 
0
 
 
 
 
 
 
 
 
 

194 5.6. Forma escalonada
Ejemplo 5.6.3 Las siguientes matrices son escalonadas por filas

   
−1 −9 5 8 4 0 0 −5 4 −2
 0 4 −3 8 . 0 0 0 0 0 0 .
0 0 0 −9 0 0 0 0 0 0
   
9 −7 −7 −3 9 −3 −1 −1
 0 −7 −2 −7  0 6 2 −3 
 .  .
0 0 0 0   0 0 −4 6
0 0 0 0 0 0 0 −1
 
1 6 9 1  
 0 2 −2 9  7 −8 −2 5 3 −2
 
0 0
 0 3.
0 0 0 8 −9 6 .
0 0 0 0  0 0 0 0 0 −2
0 0 0 0
 
0 −2 −9 1  
0 0 0 −8 4 8 2
0 0 −1 −6  
0 0 0

0 0 1 7 6
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
⋄
Observemos que el numero de filas no nulas en una matriz escalonada por

filas coincide con el número de pivotes y por tanto con el número de columnas
pivotales. De este hecho se sigue inmediatamente que
Proposición 5.6.4 Si Em×n es una matriz escalonada por filas, y p es su
número de pivotes, se tiene que
p ≤ n y p ≤ m.
Definición 5.6.5 Diremos que una matriz es escalonada por columnas si su

traspuesta es escalonada por filas. ⋄
Proposición 5.6.6 Si Em×n es una matriz escalonada por columnas, y p es

su número de pivotes, se tiene que
p ≤ n y p ≤ m.

Ejemplo 5.6.7 Las siguientes son matrices escalonadas por columnas

   
−5 0 0 0 0 0 0
 9 0 0 . 6 0 0 0 .
−3 −9 0 9 9 0 0
   
0 0 0 8 0 0
 6 0 0  −1 9 0
   
 −5 0 0  .  −7 −6 9
   .
 9 0 0  7 −9 6
0 0 0 −6 1 −1
 
−2 0 0 0
 −7 6 0 0
 .
 −2 9 −9 0 
−1 −8 3 0
⋄
La definición 5.6.5 hace que todo lo que se diga para matrices escalonadas
por filas sea válido para matrices escalonadas por columnas, cambiando filas
por columnas. En lo que sigue procuraremos en la medida de lo posible,
enunciar todas las definiciones y resultados en términos de filas y columnas,
pero cuando realicemos una demostración nos centraremos en los resultados
por filas.
Definición 5.6.8 Diremos que una matriz escalonada por filas (resp. por
columnas) E es una forma escalonada por filas (resp. por columnas) de una
matriz A si son equivalentes por filas (resp. por columnas). ⋄
Es decir, si mediante operaciones elementales por filas (resp. por columnas)
podemos pasar de la matriz A a una matriz escalonada por filas (resp. por
columnas) E, entonces E es una forma escalonada por filas (resp. por colum-
nas) de A.
5.6.1 Construcción de una forma escalonada

Veamos como construir una forma escalonada de una matriz mediante ope-
raciones elementales
Algoritmo 5.6.9 El siguiente algoritmo permite obtener una matriz esca-
lonada por filas, realizando una cantidad finita de operaciones elementales a
una matriz A = aij n×m .

i=1;j=1;
while i<n and j≤m {

h=i;
while ahj = 0 and h<n {
h=h+1;
}
if ahj 6=0 then {
Hacer fih ;
for k from i+1 to n {
−a /aij
Hacer fki kj ;
}
i=i+1;
}
j=j+1;
}⋄
Algoritmo 5.6.10 Para obtener una matriz escalonada por columnas equi-
valente a A = aij n×m , aplicar el algoritmo 5.6.9 a At y trasponer la matriz
obtenida a la salida de dicho algoritmo. ⋄
Corolario 5.6.11 Toda matriz tiene forma escalonada por filas (resp. por
columnas). ⋄
Ejemplo 5.6.12 Aplicaremos el algoritmo 5.6.9 a la siguiente matriz

 
8 −8 −10 10 8 17
 12 −12 −15 15 12 24 
 
 4 −4 −5 5 4 1
 .
 8 −8 −10 8 7 11 
−8 8 10 −8 −4 −10
Empezaríamos con i = 1 y j = 1. Como el elemento 1, 1 es no nulo, podemos

aplicar las siguientes operaciones elementales para hacer ceros debajo de él
−12/8 −4/8 −1 1
f21 , f31 , f41 , f51 .
Se obtiene  
8 −8 −10 10 8 17
0
 0 0 0 0 −3/2 
0
 0 0 0 0 −15/2 
.
0 0 0 −2 −1 −6 
0 0 0 2 4 7
Incrementamos i = 2 y j = 2. Como el elemento 2, 2 y todos los que están
bajo él son cero, incrementamos j = 3. Como debajo el elemento 2, 3 y todos

bajo él son cero, incrementamos j = 4. El elemento 2, 4 es cero pero bajo él

está el 4, 4 que vale −2 6= 0. Así pues intercambiamos las filas 2 y 4 mediante
f24 .
Obtenemos  
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0
 0 0 0 0 −15/2 .

0 0 0 0 0 −3/2 
0 0 0 2 4 7
Ahora hacemos cero bajo el elemento 2, 4, para lo cual basta con realizar
1
f52 .
y se tiene  
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0
 0 0 0 0 −15/2 .

0 0 0 0 0 −3/2 
0 0 0 0 3 1
ahora se incrementa i = 3 y j = 5. El elemento 3, 5 es cero, pero bajo él está
el 5, 5 que es distinto de cero. Por tanto intercambiamos las filas 3 y 5 con
f35 ,
para obtener  
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0 0 0 0 3 1 .
 
0 0 0 0 0 −3/2 
0 0 0 0 0 −15/2
Como bajo el elemento 3, 5 sólo hay ceros, no hay que hacer nada así que
incrementamos j = 6 e i = 4. El elemento 4, 6 es distinto de cero. Hacemos
ceros bajo él mediante
−15/3
f54 ,
y obtenemos  
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0 0 0 0 3 1 ,
 
0 0 0 0 0 −3/2 
0 0 0 0 0 0

y ya hemos alcanzado un forma escalonada. De hecho si quisiéramos seguir

el algoritmo deberíamos incrementar j = 7, que es mayor que el número de
columnas y por tanto una condición de parada para el algoritmo. ⋄
Nota 5.6.13 No siempre hay que seguir el algoritmo estrictamente. A veces

realizando alguna operación elemental adicional, el proceso de obtención de
la forma escalonada se hace más simple. ⋄
Ejemplo 5.6.14 En la matriz

 
−6 −50 −23
 −1 −9 −4  ,
4 36 16
en vez de seguir el método estándar que indica el algoritmo 5.6.9, se sim-

plifican las operaciones si primero se hace la operación elemental f12 para
obtener  
−1 −9 −4
 −6 −50 −23  .
4 36 16
⋄
5.6.2 Forma escalonada reducida

Definición 5.6.15 Diremos que una matriz es una matriz escalonada re-
ducida por filas si es una matriz escalonada por filas y además verifica las
1. Todos los pivotes son 1.
2. El único elemento distinto de cero en cada columna pivotal es el propio

pivote.
Ejemplo 5.6.16 La siguiente matriz es escalonada reducida por filas

 
1 0 −2 4 0 2
0 1 1 −3 0 1  .
0 0 0 0 1 2
⋄

Definición 5.6.17 Diremos que una matriz es una matriz escalonada redu-
cida por columnas si su traspuesta es una matriz escalonada reducida por
filas. ⋄
Definición 5.6.18 Diremos que una matriz escalonada reducida por filas
(resp. por columnas) E es una forma escalonada reducida por filas (resp. por
columnas) de una matriz A si son equivalentes por filas (resp. por columnas).
⋄
El siguiente algoritmo nos permite pasar de una matriz escalonada por filas
a una matriz escalonada reducida por filas equivalente a ella por filas.

Algoritmo 5.6.19 Sea E = eij una matriz escalonada por filas. Sea p
su número de filas no nulas (o dicho de otra forma su número de colum-
nas pivotales). Sean k1 , . . . , kp sus índices de columna pivotales. Por tanto
e1,k1 , . . . , epkp son sus pivotes, todos ellos distintos de cero por definición.
Realizaremos sobre E las siguientes operaciones elementales por filas
for i from 1 to p {
1/e
Hacer fi iki ;
for j from 1 to i-1 {
−ejk
Hacer fji i ;
}
}
⋄

Algoritmo 5.6.20 Sea E = eij una matriz escalonada por columnas.
Para obtener una matriz escalonada reducida por columnas equivalente a
ella, aplicar el algoritmo 5.6.19 a E t y trasponer el resultado que se obtenga.
⋄
Corolario 5.6.21 Toda matriz A tiene forma escalonada reducida por filas
(resp. por columnas).
Demostración:
Por 5.6.11 existe una matriz escalonada por filas (resp. por columnas) E equi-
valente a A. Ahora por 5.6.19 (resp. por 5.6.20) E es equivalente a una matriz
R escalonada reducida por filas (resp. por columnas). Por las propiedades de
las matrices equivalentes por filas 5.5.10 (resp. por columnas 5.5.26), A es
equivalente por filas (resp. por columnas) a R, y se tiene el resultado. ⋄
Teorema 5.6.22 La forma escalonada reducida por filas (resp. por colum-
nas) de una matriz, es única. ⋄

Así el teorema 5.6.22 nos permite hablar de la forma escalonada reducida

por filas (resp. por columnas) de una matriz.
Corolario 5.6.23 El número de pivotes en cualquier forma escalonada por

filas (resp. por columnas) de una matriz dada es siempre el mismo.
Demostración:
Un estudio detallado del algoritmo 5.6.19 permite ver que no cambia el nú-
mero de filas no nulas, y este coincide con el número de pivotes. Ahora bien,
este algoritmo permite pasar de cualquier forma escalonada por filas de una
matriz su forma escalonada reducida por filas, que por 5.6.22 es única. Lue-
go todas las formas escalonadas por filas de dicha matriz tienen el mismo
número de pivotes que la forma escalonada reducida por filas.
Para formas por columnas se aplica trasposición y se tiene el resultado.
⋄
Ejemplo 5.6.24 Obtengamos la forma escalonada reducida de la matriz del

ejemplo 5.6.12 a partir de la forma escalonada obtenida:
 
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0 0 0 0 3 1 ,
 
0 0 0 0 0 −3/2 
0 0 0 0 0 0
Hacemos las operaciones elementales por filas

1/8 −1/2 1/3 −2/3
f1 , f2 , f3 , f4
y se tiene  
1 −1 −5/4 5/4 1 17/8
0 0 0 1 1/2 3
 
0 0 0 0 1 1/3 
 .
0 0 0 0 0 1
0 0 0 0 0 0
Ahora aplicamos
−5/4
f12
y tenemos  
1 −1 −5/4 0 3/8 −13/8
0 0 0 1 1/2 3
 
0 0 0 0 1 1/3 .
 
0 0 0 0 0 1
0 0 0 0 0 0

Se aplica
−1/2 −3/8
f23 , f13
y tenemos
 
1 −1 −5/4 0 0 −7/4
0 0 0 1 0 17/6 
 
0 0 0 0 1 1/3 
 .
0 0 0 0 0 1
0 0 0 0 0 0
Finalmente hacemos
−1/3 −17/6 7/4
f34 , f24 , f14
 
1 −1 −5/4 0 0 0
0 0 0 1 0 0
 
0 0 0 0 1 0 ,
 
0 0 0 0 0 1
0 0 0 0 0 0
que ya es la forma escalonada reducida por filas. ⋄
Nota 5.6.25 El teorema 5.6.22, así como los algoritmos 5.6.19 y 5.6.20 van
a ser fundamentales para poder establecer la noción crucial de rango. La
demostración de 5.6.22 no es trivial y será incluida como material comple-
mentario. ⋄
Para saber más
Demostración de la unicidad de la forma escalonada re-

ducida por filas
Demostraremos aquí el teorema 5.6.22 de unicidad de la forma escalonada reducida por filas.
La demostración por columnas se sigue de manera inmediata aplicando trasposición.

202 5.7. Rango
5.7 Rango
Definición 5.7.1 Dada una matriz A se define el rango por filas de A como
el número de pivotes (o lo que es lo mismo el número de filas no nulas) de su
forma escalonada reducida por filas. Se denotará por
rgF (A).
Definición 5.7.2 Dada una matriz A se define el rango por columnas de A

como el número de pivotes (o lo que es lo mismo el número de columnas no
nulas) de su forma escalonada reducida por columnas. Se denotará por
rgC (A).
Proposición 5.7.3 Si A es una matriz rgF (A) (resp. rgC (A)) es el número
de pivotes o filas (resp. columnas) no nulas de cualquier forma escalonada
por filas (resp. por columnas) de A.
Demostración:
Es inmediata a partir de 5.6.23. ⋄
Así para calcular el rango por filas (resp. por columnas) de una matriz basta
con calcular una forma escalonada por filas (resp. por columnas) y contar el
número de filas (resp. columnas) no nulas que aparecen.
Ejemplo 5.7.4 Para calcular el rango por filas de la matriz
 
8 −8 −10 10 8 17
 12 −12 −15 15 12 24 
 
A =  4 −4 −5
 5 4 1,
 8 −8 −10 8 7 11 
−8 8 10 −8 −4 −10
que aparecía en el ejemplo 5.6.12, basta con una forma escalonada por filas
de ella y contar su número de filas no nulas o su número de pivotes. En el
ejemplo 5.6.12 se calculó una forma escalonada por filas suya como
 
8 −8 −10 10 8 17
0
 0 0 −2 −1 −6 
0 0 0 0 3 1 ,
 
0 0 0 0 0 −3/2 
0 0 0 0 0 0

Su número de filas no nulas es 4, luego
rgF (A) = 4.
Proposición 5.7.5 Si An×m se tiene
rgF (A) ≤ n
rgF (A) ≤ m
Demostración:
Se sigue de forma inmediata de 5.6.4. ⋄
Proposición 5.7.6 Si An×m se tiene
rgC (A) ≤ n
rgC (A) ≤ m
Demostración:
Se sigue de forma inmediata de 5.6.6. ⋄
Proposición 5.7.7 Dos matrices equivalentes por filas (resp. por columnas)
tiene el mismo rango por filas (resp. por columnas). ⋄
Proposición 5.7.8 Sea An×m . Si A tiene k filas (resp. columnas) nulas,

entonces el rango por filas (resp. columnas) de A es menor o igual que n − k.
Demostración:
Lo demostramos por filas y por columnas se obtiene por trasposición.
Primero hacemos operaciones elementales del tipo fij , de forma que obtenga-
mos una matriz B donde las k filas nulas están todas al final. Luego aplicamos
a B el algoritmo 5.6.9. Un estudio detallado de ese algoritmo lleva a afirmar
que tras aplicarlo a B para obtener una forma escalonada E de B, y por tanto
de A, no se ha realizado ningún cambio sobre las últimas filas nulas de B.
Por tanto E tiene al menos k filas nulas, y de ahí se deduce el resultado. ⋄
El siguiente teorema es quizá el más importante de este capítulo. Su demos-

tración se incluye como material complementario y se recomienda su lectura
a aquellos que deseen tener un conocimiento cabal de los conocimientos aquí
expuestos.

204 5.7. Rango
Teorema 5.7.9 Dada una matriz A se tiene que
rgF (A) = rgC (A).
Definición 5.7.10 Dada una matriz A llamaremos rango de A a su rango

por filas o por columnas y lo denotaremos por
rg(A).
Corolario 5.7.11 Dos matrices equivalentes tienen el mismo rango. ⋄
Corolario 5.7.12 Si A es una matriz, entonces
rg(A) = rg(At ).
Ejemplo 5.7.13 En el ejemplo 5.7.4 veíamos que el rango por filas de

 
8 −8 −10 10 8 17
 12 −12 −15 15 12 24 
 
A=
 4 −4 −5 5 4 1 ,

 8 −8 −10 8 7 11 
−8 8 10 −8 −4 −10
era 4.
Calculemos ahora su rango por columnas lo cual equivale a calcular el
rango por filas de
 
8 12 4 8 −8
 −8 −12 −4 −8 8
 
t
 −10 −15 −5 −10 10 
A = .
 10
 15 5 8 −8 
 8 12 4 7 −4 
17 24 1 11 −10

Para ello debemos calcular una forma escalonada por filas

 
8 12 4 8 −8
 −8 −12 −4 −8 8
 
 −10 −15 −5 −10 10 1 ,f 5/4 ,f −5/4 ,f −1 ,f −17/8
 f21 31 41 51
  −−− − −−− −−−− −−61−−→
 10
 15 5 8 −8 

 8 12 4 7 −4 
17 24 1 11 −10
   
8 12 4 8 −8 8 12 4 8 −8
0 0 0 0 0  0 − 3 − 15 −6 7
   2 2 
0 0 0 0 0  f26  0
  0 0 0 0 f35
 −→  − →
0
 0 0 −2 2
0 0 0 −2 2
0 0 0 −1 4 0 0 0 −1 4
3 15
0 − 2 − 2 −6 7 0 0 0 0 0
   
8 12 4 8 −8 8 12 4 8 −8
 0 − 3 − 15 −6 3 15
7 −2  0 − 2 − 2 −6 7

 2 2 
0
 0 0 −1 4  f43  0
 −−→  0 0 −1 4 
,
0
 0 0 −2 2
0
 0 0 0 −6  
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
que es una forma escalonada por filas de At . Tiene cuatro filas no nulas, luego
rgC (A) = 4,
como corresponde a su rango por filas. ⋄
Para saber más

Demostración del teorema de unicidad el rango
Demostraremos aquí el teorema 5.7.9 rango por filas = rango por columnas
5.8 Inversión
Vamos ahora a precisar una noción que en realidad ya hemos manejado al
estudiar las matrices elementales y los productos de ellas.

206 5.8. Inversión
Definición 5.8.1 Diremos que una matriz cuadrada A de orden n es inver-

sible si existe otra matriz Bn×n tal que
AB = BA = In .
Diremos que B es una inversa de A. ⋄
Ejemplo 5.8.2 ejemplos de matrices inversibles. ⋄
Proposición 5.8.3 La inversa de una matriz, si existe, es única.

Demostración:
Sea An×n y supongamos que tiene dos inversas B1 y B2 . Se verifica que
AB1 = B1 A = AB2 = B2 A = In .
Por tanto
B1 = B1 In = B1 (AB2 ) = (B1 A)B2 = In B2 = B2 .
Luego si una matriz tiene dos inversas, han de ser iguales. De aquí se deduce
la unicidad de la inversa. ⋄
Si una matriz es inversible, a su única inversa la denotaremos por A−1 . Se

tiene entonces
AA−1 = A−1 A = In .
Ejemplo 5.8.4 Sea
 
−2 −1 −2 −4
 5 1 4 11 
A := 
 2
.
0 0 3
1 0 1 3
Probaremos que A es inversible y que

 
3 3 −1 −6
 −5 −4 2 6
A−1 =  ,
 3 3 −2 −5 
−2 −2 1 4
utilizando la definición. Para ello multiplicamos

    
−2 −1 −2 −4 3 3 −1 −6 1 0 0 0
 5 1 4 11   −5 −4 2 6  0 1 0 0
  = ,
 2 0 0 3  3 3 −2 −5   0 0 1 0
1 0 1 3 −2 −2 1 4 0 0 0 1

y     
3 3 −1 −6 −2 −1 −2 −4 1 0 0 0
 −5 −4 2 6  5
  1 4 11   0
  1 0 0
 = .
 3 3 −2 −5   2 0 0 3 0 0 1 0
−2 −2 1 4 1 0 1 3 0 0 0 1
⋄
Proposición 5.8.5 Si An×n es inversible entonces A−1 es inversible y
(A−1 )−1 = A.
⋄
Proposición 5.8.6 Sean A y B dos matrices cuadradas de orden n inversi-
bles. Entonces AB es inversible y su inversa es
(AB)−1 = B−1 A−1 .
Demostración:
Es muy sencilla
(AB)(B−1 A−1 ) = A(BB−1 )A−1 = AIn A−1 = AA−1 = In .
(B−1 A−1 )(AB) = B−1 (A−1 A)B = B−1 In B = B−1 B = In .
⋄
Ejemplo 5.8.7 Sean
   
−2 −1 −2 −4 0 1 −2 0
 , B =  0 −2 3 −1 
 5 1 4 11  
A=  2  −1
.
0 0 3 0 0 3
1 0 1 3 −1 1 −2 4
Se tiene que
   
3 3 −1 −6 −3 0 −4 3
 −5 −4
A−1
2 6 , B−1 =  −1 −2 2 −2 

= ,
 3 3 −2 −5   −1 −1 1 −1 
−2 −2 1 4 −1 0 −1 1
y que
   
6 −4 9 −21 −27 −27 14 50
 −15 14 −29 55  15 −9 −24 
 , B−1 A−1 =  17

AB = 
 −3
.
5 −10 12   7 6 −4 −9 
−4 4 −8 15 −8 −8 4 15

208 5.8. Inversión
Ahora
  
6 −4 9 −21 −27 −27 14 50
−15 14 −29   17
55  15 −9 −24 
(AB)(B−1 A−1 ) = 
 

 −3 5 −10 12   7 6 −4 −9 
−4 4 −8 15 −8 −8 4 15
 
1 0 0 0
0 1 0 0
=0 0
,
1 0
0 0 0 1
y que
  
−27 −27 14 50 6 −4 9 −21
17 15 −9 −24   −15 14 −29 55 
(B−1 A−1 )(AB) = 
 

 7 6 −4 −9   −3 5 −10 12 
−8 −8 4 15 −4 4 −8 15
 
1 0 0 0
0 1 0 0
=0 0
,
1 0
0 0 0 1
⋄
Corolario 5.8.8 Si A1 , . . . , As son matrices de orden n inversibles, entonces
el producto
A1 · · · As ,
es inversible y su inversa es
A−1 −1
s · · · A1 .
⋄
Proposición 5.8.9 Si A es una matriz inversible, At también lo es. Además
(At )−1 = (A−1 )t .
Demostración:
El resultado se obtiene por simple comprobación de las fórmulas
At (A−1 )t = (A−1 A)t = Itn = In ,
y
(A−1 )t At = (AA−1 )t = Itn = In .
⋄

Ejemplo 5.8.10 Tenemos

   
−2 −1 −2 −4 3 3 −1 −6
 5 1 4 11  −5 −4 2 6
, A−1 = 
 
A= 
 2 0 0 3  3 3 −2 −5 
1 0 1 3 −2 −2 1 4
    
−2 5 2 1 3 −5 3 −2 1 0 0 0
−1 1 0 0 3 −4 3 −2  = 0 1 0 0
At (A−1 )t = 
    
 ,
 −2 4 0 1   −1 2 −2 1 0 0 1 0
−4 11 3 3 −6 6 −5 4 0 0 0 1
y
    
3 −5 3 −2 −2 5 2 1 1 0 0 0
3 −4 3 −2   −1 1 0 0   0 1 0 0
(A−1 )t At = 
    
 −1 = ,
2 −2 1   −2 4 0 1   0 0 1 0
−6 6 −5 4 −4 11 3 3 0 0 0 1
Luego
(A−1 )t = (At )−1 .
⋄
Corolario 5.8.11 Se tiene
1. Toda matriz elemental por filas (resp. por columnas) es inversible.
2. Cualquier producto de matrices elementales por filas (resp. por colum-

nas) es inversible.
Lema 5.8.12 La única matriz escalonada reducida por filas (resp. por co-
lumnas) cuadrada de orden n que es inversible, es In .
Demostración:
Demostraremos el resultado por filas, y por columnas se obtiene por traspo-
sición.
Sea R una forma escalonada reducida por filas cuadrada de orden n e inversi-
ble. Sea p su número de pivotes. Si p < n, entonces R al menos su última fila
nula. Luego Si An×n es otra matriz de orden n, por definición del producto
de matrices RA tiene su última columna nula. Pero como R es inversible se
tiene que RR−1 = In , y por tanto In tendría su última columna nula, lo que
es absurdo.

210 5.8. Inversión
Luego hemos llegado a contradicción por suponer que p < n. Como siem-
pre p ≤ n, ha de darse forzosamente
p = n.
Luego rgF (R) = n. Pero es fácil ver que por construcción la única forma
escalonada reducida por filas cuadrada de orden n que puede tener tal rango
n por filas es In . ⋄
Lema 5.8.13 Una matriz An×n matriz es inversible ⇐⇒ su forma escalona-

da reducida por filas (resp. por columnas) es In
Demostración:
Demostraremos el resultado por filas, y por columnas se obtiene por traspo-
sición.
Probemos primero ⇐=.

Como In es la forma escalonada reducida por filas de A, se tiene que por
5.5.17, existe una matriz P que es producto de matrices elementales por filas
(por tanto inversible), tal que
In = PA.
Como P es inversible, operando
In = PA =⇒ P−1 In = P−1 PA =⇒ P−1 = In A =⇒ P−1 = A.
Pero por 5.8.5, P−1 es inversible, luego lo es A.

Probemos ahora =⇒.
Sea R la forma escalonada reducida por filas de A. Por 5.5.17, existe una
matriz P inversible tal que
R = PA.
Como P y A son inversibles, por 5.8.6, PA lo es y por tanto R es inversible.
Pero también es una forma escalonada reducida por filas cuadrada de orden
n, luego por el lema 5.8.12 se tiene que
R = In ,
y así concluimos la demostración. ⋄
Corolario 5.8.14 Una matriz An×n es inversible ⇐⇒ rg(A) = n. ⋄

Teorema 5.8.15 Una matriz es inversible ⇐⇒ se puede expresar mediante

un producto de matrices elementales por filas (resp. por columnas).
Demostración:
Probaremos el resultado para filas. Para columnas se deduce por trasposición
a partir del de filas.
La implicación ⇐= es el resultado 5.8.11 de demostración trivial a partir de

5.8.8 y de las propiedades de las matrices elementales.
Probemos la implicación =⇒
Sea An×n inversible. Por el lema 5.8.13 la forma escalonada reducida por
filas de A es In . Por 5.5.17, existe una matriz P que es producto de matrices
elementales por filas (por tanto inversible), tal que
In = PA.
Si ahora examinamos la demostración del lema 5.8.13 se ve que esta última

igualdad conduce a que
A = P−1 .
Pero P−1 es también producto de operaciones elementales por filas, luego A
lo es. ⋄
Corolario 5.8.16 Como consecuencia de 5.8.15, se verifican las siguientes

propiedades. Sean An×m , Pn×n inversible y Qm×m inversible.
1. A es equivalente por filas a PA.
2. A y PA tienen el mismo rango por filas, y por tanto el mismo rango.
3. A es equivalente por columnas a AQ.
4. A y AQ tienen el mismo rango por columnas, y por tanto el mismo

rango.
5. A es equivalente a PAQ.
6. A y PAQ tienen el mismo rango.
Corolario 5.8.17 Sea An×n . Se verifican
1. Si existe Bn×n tal que AB = In , entonces A es inversible y A−1 = B.

212 5.8. Inversión
2. Si existe Bn×n tal que BA = In , entonces A es inversible y A−1 = B.
Demostración:
Probaremos sólo el primer punto. Para el segundo se razona análogamente.
Sea R la forma escalonada reducida de A. Por 5.5.17 existe una matriz inver-
sible P tal que PA=R. Entonces
AB = In =⇒ PAB = P =⇒ RB = P.
Como P es inversible, por 5.8.14 tiene rango por filas n. Supongamos que
rgF (A) < n. Como rgF (A) = rgF (R) y R es escalonada por filas, ha de tener
la última fila nula. Pero entonces RB también la tiene, luego P tiene su última
fila nula. Entonces por 5.7.8, rgF (P) ≤ n − 1, lo que es absurdo. Por tanto
ha de suceder que
rg(A) = n,
y por 5.8.14 A es inversible. De la unicidad de la inversa se sigue que A−1 = B.
⋄
Gracias a este corolario para comprobar si dos matrices son inversas una de
la otra, sólo es necesario multiplicarlas en una sola dirección y ver si sale In .
Ejemplo 5.8.18 Para probar que
 
−2 −1 −2 −4
 5 1 4 11 
A := 
 2
,
0 0 3
1 0 1 3
es inversible y que su inversa es
 
3 3 −1 −6
 −5 −4 2 6
A−1 = ,
 3 3 −2 −5 
−2 −2 1 4
bastaría con hacer el producto
    
−2 −1 −2 −4 3 3 −1 −6 1 0 0 0
 5 1 4 11   −5 −4
  2 6 0
  1 0 0
 = ,
 2 0 0 3  3 3 −2 −5   0 0 1 0
1 0 1 3 −2 −2 1 4 0 0 0 1
y no el otro porducto también como en 5.8.4. ⋄

5.8.1 Cálculo de la inversa

Algunos de los resultados anteriores tienen una gran relevancia práctica, pues
proporcionan un método para calcular inversas utilizando operaciones ele-
mentales por filas (resp. columnas). Veamos por qué.
Algoritmo 5.8.19 Sea An×n una matriz inversible. Aplicar el algoritmo

5.6.9 a A y luego el algoritmo 5.6.19. Con ello, tras realizar ciertas ope-
raciones elementales por filas f1 , . . . , fk se obtiene como forma escalonada
reducida por filas de A la matriz In (por 5.8.12). Sean F1 , . . . , Fk las matrices
elementales por filas correspondientes a las operaciones elementales por filas
anteriores. Por la interpretación matricial de las operaciones elementales por
filas, se tiene que
Fk · · · F1 A = In .
Entonces por el corolario 5.8.17, se tiene que
Fk · · · F1 = A−1 .
Pero por la propia definición de las matrices elementales, podemos pues apli-
car f1 , . . . , fk a In en el mismo orden que a A y el resultado final será la
inversa buscada. ⋄
Nota 5.8.20 Respecto del algoritmo 5.8.19 hay que tener en cuenta
1. Que sólo se pueden realizar operaciones elementales por filas, no mez-

clarlas con operaciones elementales por columnas.
2. Que es posible describir un algoritmo similar sólo haciendo operaciones

elementales por columnas, sin mezclarlas con operaciones elementales
por filas.
3. Que las operaciones elementales por filas conducentes a obtener la for-

ma escalonada reducida por filas de A se aplican de manera simultánea
a A y a In
4. Que no es necesario partir de una matriz inversible para empezar a

aplicar el algoritmo. Si partimos de una matriz cuadrada cualquiera, al
calcular su forma escalonada reducida por filas, si ésta es In , la matriz
será inversible y la transformada de In será la inversa. En caso de no
llegar a In , entonces A no era inversible.
5. Nótese además que si durante el proceso de reducción a forma esca-

lonada por filas de una matriz cuadrada aparece un pivote fuera de

214 5.8. Inversión
la diagonal principal, su forma escalonada reducida por filas no puede

ser la identidad, y por tanto podemos concluir ya que la matriz no era
inversible.
⋄
Ejemplo 5.8.21 Vamos a calcular la inversa de
 
−2 −1 −2 −4
 5 1 4 11 
A :=  2
,
0 0 3
1 0 1 3
utilizando las ideas expuestas. Lo primero que haremos se construir una ma-
triz 4 × 8 por bloques, añadiendo a A por la derecha I4 , y luego realizaremos
operaciones elementales a esa nueva matriz de manera que busquemos la
forma escalonada reducida por filas del bloque en el que está A.
   
−2 −1 −2 −4 1 0 0 0 1 0 1 3 0 0 0 1
 5 1 4 11 0 1 0 0  f14  5 1 4 11 0 1 0 0 
 − → 
 2 0 0 3 0 0 1 0   2 0 0 3 0 0 1 0
1 0 1 3 0 0 0 1 −2 −1 −2 −4 1 0 0 0
 
1 0 1 3 0 0 0 1
f21 ,f31 ,f41  0
−5 −2 2
1 −1 −4 0 1 0 −5  1
f42
−− −−− −−→  − →
0 0 −2 −3 0 0 1 −2 
0 −1 0 2 1 0 0 2
   
1 0 1 3 0 0 0 1 1 0 1 3 0 0 0 1
 0 1 −1 −4 0 1 0 −5  f24  0 1 −1 −4 0 1 0 −5 
 0 0 −2 −3 0 0 1 −2  −→  0 0 −1 −2 1 1 0 −3 
   
0 0 −1 −2 1 1 0 −3 0 0 −2 −3 0 0 1 −2
 
1 0 1 3 0 0 0 1
−3 
f43 0 1 −1 −4 0 1 0 −5  f3−1
−−→   0 0 −1 −2
− −→
1 1 0 −3 
0 0 0 1 −2 −2 1 4
 
1 0 1 3 0 0 0 1
 0 1 −1 −4 0 1 0 −5  1 ,f −1
f23 13
 − − −− →
0 0 1 2 −1 −1 0 3 
0 0 0 1 −2 −2 1 4
 
1 0 0 1 1 1 0 −2
 0 1 0 −2 −1 0 0 −2  −2 2
f34 −1
,f24 ,f14
 − − − − − − −→
0 0 1 2 −1 −1 0 3
0 0 0 1 −2 −2 1 4

 
1 0 0 0 3 3 −1 −6
0
 1 0 0 −5 −4 2 6
0 0 1 0 3 3 −2 −5 
0 0 0 1 −2 −2 1 4
Como hemos obtenido I4 en el bloque de la izquierda, el bloque de la derecha

es A−1 . ⋄
5.9 Determinantes
La teoría de determinantes es importante por sí misma. Sin embargo nosotros
sólo los utilizaremos como una herramienta auxiliar. Por esa razón elegimos
su definición recursiva

Definición 5.9.1 Sea A = aij n×n un matriz cuadrada. Se define el de-
terminante de A, y se denotará por det(A) o por |A| a un número definido
recursivamente de la siguiente forma
1. Si n = 1, se define
det(A) := a11 .
2. Si n > 1, se define
n
X
det(A) := (−1)i+1 ai1 det(Ai1 ),
i=1
donde Aij es la submatriz cuadrada de orden n − 1 de A que se obtiene

suprimiendo la fila i y la columna j de A.
Nota 5.9.2 Es fácil ver que para n = 2 y n = 3, la definición desarrollada

proporciona las siguientes fórmulas

a11 a12
a21 a22 = a11 a22 − a12 a21 .

a11 a12 a13

a21 a22 a23 =a11 a22 a33 + a13 a21 a32 + a12 a23 a31 − a13 a22 a31

a31 a32 a33
− a11 a23 a32 − a12 a21 a33 .
⋄

216 5.9. Determinantes
Ejemplo 5.9.3
1 2
= 1 × 4 − 2 × 3 = −2.
3 4

1 2 3

4 5 6 = 1×5×9+3×4×8+2×6×7−7×5×3−1×6×8−9×4×2 = 0.

7 8 9
⋄
Proposición 5.9.4 Sean A y B matrices cuadradas de orden n. Se verifican

las siguientes propiedades
1. det(In ) = 1.
2. det(At ) = det(A).
3. det(AB) = det(A) det(B) = det(BA).
4. det(A) 6= 0 ⇐⇒ A inversible. Además si A es inversible

1
det(A−1 ) = .
det(A)
5. det(A) 6= 0 ⇐⇒ rg(A) = n.
⋄
La definición del determinante no sirve para calcularlo de manera eficiente

cuando el orden de la matriz es grande. Para proporcionar un método efectivo
para el cálculo de determinantes hemos de estudiar como les afectan las
operaciones elementales así como algunas propiedades adicionales.
Proposición 5.9.5 Sean n ∈ N, i, j ∈ {1, . . . , n} con i 6= j y λ ∈ R con
λ 6= 0. Se tiene
1. det(Fλij ) = 1.
2. det(Fλi ) = λ.
3. det(Fij ) = −1.
4. det(Cλij ) = 1.
5. det(Cλi ) = λ.
6. det(Cij ) = −1.

Corolario 5.9.6 Sean n ∈ N, An×n , i, j ∈ {1, . . . , n} con i 6= j y λ ∈ R con

λ 6= 0. Se tiene
1. Si
λ
fij cλ
ij
A −→ B1 y A −→ B2 ,
entonces se tiene que
det(A) = det(B1 ) = det(B2 ).
2. Si
fλ cλ
i
A −→ B1 y A −
→i
B2 ,
1 1
det(A) = det(B1 ) = det(B2 ).
λ λ
3. Si
fij cij
A −→ B1 y A −→ B2 ,
det(A) = − det(B1 ) = − det(B2 ).
Demostración:
Se sigue de 5.9.4, de 5.9.5 y de la interpretación matricial de las operaciones
elementales. ⋄

Corolario 5.9.7 Sea A = aij n×n se tiene que
• Para cada i = 1, . . . , n, se verifica que

n
X
det(A) = (−1)i+j aij det(Aij ).
j=1
• Para cada j = 1, . . . , n, se verifica que

n
X
det(A) = (−1)i+j aij det(Aij ).
i=1

Demostración:
Se sigue de la definición de determinante, de 5.9.6 y de 5.9.4. ⋄
Corolario 5.9.8 Sea An×n

1. Si A tiene una fila o una columna nula, su determinante es 0.
2. Si A tiene dos filas proporcionales o dos columnas proporcionales, su
determinante es 0.
⋄
Corolario 5.9.9 El determinante de una matriz triangular es el producto

de los elementos de la diagonal principal. ⋄
Algoritmo 5.9.10 Los resultados 5.9.6 y 5.9.7 nos proporcionan un método

efectivo para calcular el determinante de una matriz no nula A = aij n×n .
Basta con tomar un elemento aij no nulo de A. Entonces, mediante a lo
−a /a
sumo n − 1 operaciones elementales fki kj ij , con k = 1, . . . , n y k 6= i (resp.
−a /a
ckj ik ij , con k = 1, . . . , n y k 6= j) se consigue una matriz B que tiene ceros
en todas las posiciones de la columna j (resp. de la fila i), salvo aij . Además
det(A) = (−1)i+j aij det(Bij ).
Ahora se procede recursivamente con Bij realizando el mismo proceso. En

cada etapa, la matriz cuyo determinante hay que calcular reduce en una
unidad su órden, luego el algoritmo acaba, pues o bien se llega a una matriz
de orden 1 cuyo determinante se obtiene directamente, o bien en un paso del
proceso la matriz que queda es nula, en cuyo caso, por 5.9.8, su determinante
es cero.
El número de operaciones elementales que hay que realizar se puede re-
ducir drásticamente si en cada paso se selecciona un elemento que pertenezca
en una fila o columna que posea la mayor cantidad posible de ceros. ⋄
Ejemplo 5.9.11 Vamos a utilizar el algoritmo 5.9.10 para calcular el si-

guiente determinante de la matriz
 
−10 −5 4 −18 −4 −22
 −5 −2 0 −9 −12 −15 
 
 −5 −1 −4 −5 −23 −14 
 .
 0
 0 0 −4 −4 −4 

 0 −1 5 1 2 −1 
0 0 0 0 0 −1

Como todos los elemento de la última fila salvo el 6, 6 son cero, desarrollamos
por los elementos de esa fila

−10 −5 4 −18 −4

−5 −2 0 −9 −12
6+6

det(A) = (−1) (−1) −5 −1 −4 −5 −23 .

0 0 0 −4 −4
0 −1 5 1 2
en el determinante que queda, hay muchos ceros en la fila 4. Haciendo la

operación elemental c−1
54 dejamos un sólo el elemento 4, 4 no nulo en dicha
fila.
−10 −5 4 −18 14

−5 −2 0 −9 −3

det(A) = − −5 −1 −4 −5 −18 .

0 0 0 −4 0
0 −1 5 1 1
Ahora desarrollamos por los elementos de la cuarta fila

−10 −5 4 14

4+4
−5 −2 0 −3
det(A) = −(−1) (−4) .
−5 −1 −4 −18
0 −1 5 1
−2 −1
Hacemos las operaciones elementales f12 y f12

0
−1 4 20
−5 −2 0 −3
det(A) = 4 ,
0 1 −4 −15
0 −1 5 1
y desarrollamos por la primera columna

−1 4 20
1+2

det(A) = 4(−1) (−5) 1 −4 −15 .

−1 5 1
Ahora hacemos las operaciones elementales f12

1
y f32
1

0 0 5

det(A) = 20 1 −4 −15 ,

0 1 −14

y desarrollamos de nuevo por la primera columna

1+2 0 5

det(A) = 20(−1) 1 .
1 −14
Pero el determinante que queda es de orden 2 y se calcula fácilmente. Su

valor es −5, luego
det(A) = 100.
⋄
Nota 5.9.12 Un método alternativo para calcular el determinante de una

matriz An×n es reducir A a forma escalonada por filas (resp. por columnas),
ya que las formas escalonadas por filas (resp. por columnas) de matrices
cuadradas son triangulares superiores (resp. inferiores). Entonces aplicando
5.9.9, y llevando cuenta de cómo modifican el determinante las operaciones
elementales realizadas, se tendría calculado el determinante de A.
Nótese además que si durante el proceso de reducción aparece un pivote
que no está en la diagonal principal, ya se puede concluir que el determinante
es cero. ⋄
5.9.1 Menores
Definición 5.9.13 Sea An×m . Un menor de A de orden s ∈ N con s < n y
s < m, es un determinante de una submatriz cuadrada de A de orden s × s.
⋄
Ejemplo 5.9.14 Sea

 
0 8 −14 11 2
 −2 −6 12 −17 −6 
A=
 −6 −6
.
11 −35 −16 
−6 −10 18 −40 −15
El menor de orden 3 que se obtiene seleccionando las filas 1, 2 y 4 y las

columnas 2, 4 y 5 de A es

−14 11 2

12 −17 −6 = 234.

18 −40 −15

Definición 5.9.15 Sea An×n . Para cada s = 1, . . . , n, el menor principal de

A de orden s es el determinante de la submatriz de A resultante de fijar las
filas 1, . . . , s y las columnas 1, . . . , s. Se suele denotar por ∆s (A). ⋄
Ejemplo 5.9.16 Sea

 
0 0 0 4 −4
 −5 −2 3 14 −16 
 
A=
 10 9 −11 −4 15 .

 15 6 −6 4 3
0 0 3 −2 3
Sus menores principales son

∆1 = 0 = 0.

0 0
∆2 =
= 0.
−5 −2

0 0 0

∆3 = −5 −2 3 = 0.
10 9 −11

0 0 0 4

−5 −2 3 14
∆4 = = 300.
10 9 −11 −4
15 6 −6 4

0
0 0 4 −4

−5 −2 3 14 −16

∆5 = 10 9 −11 −4 15 = 0.
15
6 −6 4 3
0 0 3 −2 3
⋄
Definición 5.9.17 Sea An×m . Sea s ∈ N con s > 1, s < n y s < m. Diremos
que un menor de A de orden s − 1, es orlado por otro menor de A de orden s,
si el menor de orden s se construye fijando una columna y una fila adicional
de A sobre las filas y columnas de A que se fijaban para construir el menor
de orden s − 1. ⋄

Ejemplo 5.9.18 Sea

 
3 −5 −3 2
 −9 15 4 −8 
 
A=
 −6 10 −4 −8 

 −3 5 3 1
−6 7 4 1
Sea M el menor de orden 2 resultante de tomar las filas 2 y 4 y las columnas
1y3
−9 4
M = = −15.
−3 3
El menor de orden 3 resultante de tomar las filas 1, 2 y 4 y las columnas 1,
2y3
3 −5 −3

−9 15 4 = 0,

−3 5 3
orla a M. ⋄
Proposición 5.9.19 El rango de una matriz An×m es r si y sólo si existe

un menor M de orden r de A no nulo y, o bien r = n, o bien r = m o bien
todos todos los menores de orden r + 1 de A que orlan a M son cero. ⋄
Ejemplo 5.9.20 La matriz

 
−5 3 8 6
A =  0 −2 −5 −3  ,
−5 1 3 3
tiene rango 2 porque existe un menor de orden 2

−5 3
0 −2 = −10,

distinto de 0, y todos los de orden 3 que le orlan

−5 3 8

0 −2 −5 = 0,

−5 1 3

−5 3 6

0 −2 −3 = 0,

−5 1 3
se anulan. ⋄

Nota 5.9.21 Una observación importante respecto del cálculo del rango de
una matriz es la siguiente. Como se ha visto el rango es invariante por opera-
ciones elementales. Luego si sólo estamos interesados en el cálculo del rango
de una matriz, la combinación de operaciones elementales por filas y colum-
nas con la propiedad de orlado de menores, proporcionan un método rápido
y eficiente para el cálculo del rango.
Lo que sucede a menudo es que además de calcular el rango de una matriz
suele ser necesaria otro tipo de información que se extrae de la matriz, para
cuya obtención pudiera no ser lícito la realización de operaciones elementales
por filas y columnas mezcladas. Por tanto la combinación de técnicas a la que
aludíamos en el párrafo anterior en la práctica no es tan útil como pudiera
parecer. Suele ser frecuente que sea preciso realizar reducción a forma esca-
lonada por filas o por columnas para realizar ciertos cálculos, lo cual como
efecto colateral nos proporciona el cálculo del rango. ⋄
Para saber más
Definición combinatoria del determinante

Demostración de las propiedades de los determinantes
Para demostrar los resultados que aprecen en esta sección, no se debe seguir el orden en el que
están enunciados. Resulta además útil probar la equivalencia entre las definiciones combinatoria
y recursiva para luego utilizar la más adecuada a cada propiedad.
5.10 Ejercicios
Ejercicio 5.1
Para cada una de las siguientes matrices, obtener su orden y decir de cuáles
de los siguientes tipos son: matriz fila, matriz columna, matriz constante,
matriz cero, matriz cuadrada. Escribir sus filas y columnas, y en el caso de
matriz cuadrada obtener su diagonal. Calcular también la traspuesta.
1.
5 6 −3 1 −5 3
4 4 −4 −1 1 8

224 5.10. Ejercicios
2.  
−3
 8
 
 6
 
 1
 
 −5 
0
3.
−4 7 2 5 7 9 0
8 8 −4 −3 3 5 −5
4.  
−2 −2 −2
 8 −2 −4 
 
 −9 2 −7 
 
 4 8 3
1 −6 2
5.  
5
 3
 
 −4 
 
 −8 
−7
6.  
−8 −2
 −7 4
 
 6 6 
 
 9 9
−3 −2
7.  
1
 −9 
 
 −9 
 
 −5 
 
 −5 
 
 −8 
−5

8.  
−3 8 −7
 −5 9 −3 
0 −9 −1
9.  
−7 −5 1
 −8 3 −3 
 
 −1 4 −3 
 
 −7 1 −5 
−7 0 8
10.  
−5 0 −5 −8 2 −8 −5
 8
 1 0 −1 8 7 −1 

 −5 1 3 −4 5 −4 −4 
 
 5 −2 −5 −1 1 6 2
 
 −4 7 8 −1 −7 7 −6 
 
 9 −6 −9 1 9 6 −1 
4 −1 0 3 4 5 −5
11.  
2 −2 9 1 −2 1 −2
 8
 −4 9 4 −3 2 1
 −4 8 −9 −6 −3 7 −6 
 
 5
 −2 0 2 −3 −5 8
 −8 −2 8 6 −5 9 0
−3 −9 6 4 −5 −2 7
12.  
−6 −2
 −4 1
 
 3 1 
 
 −4 2
 
 1 4 
 
 9 2
−3 9
13.
−4 3
−2 2

14.  
−6 6 6 1 7
 5
 1 −4 9 6
 −3 9 −6 −7 −6 
 
 −8 −9 −4 −9 0 
 
 3 4 −5 −5 1
8 −1 3 1 3
15.
−6 8 −1 4 −8 −6
4 −8 8 −2 −2 −2
16.

3 4 2 5 −7 −9 5
17.
5 2 7 −5 −1
9 5 1 −8 0
18.  
−8 6 7 9 8
 1
 −7 −7 −9 3
 8
 −6 4 4 3
 6
 −5 −2 −9 −5 

 5 6 3 8 2
 
 9 −1 0 −9 9
−6 −3 −7 −5 0
19.  
−7 −3 5 −1
 0 −9 −5 −8 
 
 3 7 7 −8 
3 7 6 −6
20.  
−4 −8 −6
 −6 −1 −7 
 
 −5 −8 4
 
 7
 3 −2 

 0
 −6 −8 

 6 −3 −4 
5 7 −7

21.
1 −2 6 −7
−7 −6 −6 −1
22.
−3 1 2 −2 8 8
2 −1 9 −3 −4 −1
23.
5 −6 4
−4 1 4
24.  
−8 −7 8
 −3 −4 3
 
 −4 −1 −6 
 
 −6 1 −4 
 
 −3 5 4
 
 9 −2 −2 
4 3 2
25.
−9 −6 2 −7 4 −2 −2
−2 −2 9 3 −4 −9 −2
26.  
8
 0
−7
27.  
−7 1 −1 8 7
 −7 −8 −3 9 7
 
 2 1 6 1 2
 
 −7 −9 −1 3 5 
 
 −2 4 1 −3 −9 
8 4 2 −2 3
Ejercicio 5.2 Decir a qué tipos de entre simétricas, antisimétricas, trian-

gulares superiores, triangulares inferiores, diagonales, escalares, constantes,
pertenecen cada una de las siguientes matrices. Obtener sus diagonales.
1.
−3 2
2 −7

2.  
−2 8 2 −6 0
 0
 5 6 6 −4 

 0
 0 −3 −6 7
 0 0 0 7 −7 
0 0 0 0 −1
3.
1 3
3 7
4.  
3 0 6 7 −1 2
 0
 5 1 −3 −9 1
 6
 1 0 3 −5 −9 

 7 −3 3 1 3 −6 
 
 −1 −9 −5 3 −4 −5 
2 1 −9 −6 −5 −6
5.  
−7 0 0 0 0
 −7 −9 0 0 0
 
 4 6 1 0 0 
 
 6 −3 5 −7 0
−3 −1 −8 −9 −9
6.
−1 0
−2 −6
7.  
−2 0 0 0
 −9 −9 0 0
 
 3 −4 −4 0 
−4 −8 −5 2
8.  
4 −7 4 4
 −7 −6 −7 −2 
 
 4 −7 1 6
4 −2 6 −5

9.  
−1 0 0 0
 −9 −3 0 0
 
 −3 −9 −1 0 
7 3 −8 9
10.  
0 5 −1
 −5 0 −9 
1 9 0
11.  
9 0 0 0 0 0
 3
 −1 0 0 0 0
 6
 −7 −4 0 0 0
 7
 −2 4 −1 0 0
 −7 −9 4 3 −2 0
5 −7 −8 −2 −1 −2
12.  
0 −9 8 −9
 −9 0 −9 5
 
 8 −9 −8 4
−9 5 4 −3
13.
−8 −6
0 −4
14.  
−1 5 −8
 0 −1 −9 
0 0 −8
15.
4 0
0 5
16.  
3 4 −9 5 3 3 −4
0
 9 −3 5 −7 2 1
0
 0 −1 5 6 −8 −7 

0
 0 0 8 2 −9 −8 

0
 0 0 0 −6 3 9
0 0 0 0 0 8 2
0 0 0 0 0 0 −6

17.  
−1 0 0 0 0 0 0
 0 −1 0 0 0 0 0
 
 0
 0 −1 0 0 0 0 

 0
 0 0 −1 0 0 0
 0
 0 0 0 −1 0 0 

 0 0 0 0 0 −1 0
0 0 0 0 0 0 −1
18.  
7 0 0 0 0 0 0
 3 0 0 0 0 0 0
 
 8 −5 6 0 0 0 0
 
 8
 1 0 −7 0 0 0 

 −4 3 0 −7 6 0 0
 
 7 3 −3 −1 8 −2 0
−4 3 −6 −8 −9 −9 −4
19.  
0 5 4 −5
 −5 0 −1 9
 
 −4 1 0 −1 
5 −9 1 0
20.  
8 0 0 0 0 0 0
 −1 8 0 0 0 0 0
 
 −6 7 −4 0 0 0 0 
 
 7 −6 −9 −9 0 0 0 
 
 −9 9 2 8 3 0 0
 
 6 9 −9 −7 8 −8 0
3 7 −2 −8 −6 −8 −9
21.  
−8 2 −3
 2 5 0
−3 0 −1
22.  
3 0 0 0 0
0 0 0 0 0
 
0
 0 −6 0 0
0 0 0 −7 0 
0 0 0 0 1

23.  
0 −7 −7 1 −8
 7
 0 −8 −8 −2 

 7 8 0 4 6 
 
 −1 8 −4 0 2
8 2 −6 −2 0
24.
8 9
0 2
25.  
2 1 −6
 1 6 −3 
−6 −3 −9
26.
0 −4
4 0
27.  
−4 0 0 0 0 0 0
 0 −3 0 0 0 0 0
 
 0
 0 −5 0 0 0 0 

 0 0 0 5 0 0 0 
 
 0
 0 0 0 −9 0 0
 0 0 0 0 0 7 0
0 0 0 0 0 0 −5
Ejercicio 5.3 Obtener la submatriz tomando las filas 1, 2, 4, 6 y las columnas
3, 5, 6, 7, 9 de la siguiente matriz
 
3 1 14 10 −2 12 11 −14 −8
 2 −19 −12 3 −15 −18 18 17 9
 
 10
 18 0 0 −6 3 −13 −9 −14  
 −17 −16 3 −7 9 −11 13 5 −5 .
 
 −17 5 −20 19 14 14 −1 −2 20 
 
 −16 −15 −11 15 19 13 4 4 0
−2 −5 4 15 5 −5 10 −19 −17
Ejercicio 5.4 Calcular las siguientes operaciones matriciales
1.    
1 −1 −8 −5 3 9 4 −3 −4 −7
 9 −1 −8 9 2  +  9 7 −4 −6 −9 
8 0 4 2 −7 −4 6 −4 −2 9

2.    
9 6 −9 −2 −8 3
 −4 −3 −5   −6 −5 3
3  −2 
 7 −4 0  5 −3 3
−6 −8 −3 −2 −2 3
3.  
1 0 −9
−1 −8 9 
−6 7 9
−2 9 −9
0 0 3
4.
 
−2 −1 −1  
1 −1 1 −1 2
 −2
−3 −3 −2 −2  1 2  −1 2 3 0 3
2 −2 −3 0  2 0 2
0 3 3 0 −1
0 −2 0
5.  
−1 −2 −1 −1

1 3 −1  1 2 0 −1
2 2 1 −2 1 + 5
3 2 2 2 1 1 3
−1 2 1 0
6.
 
1 1 −2 0 −2 −2  
 −1 −1 −2
 1 1 2 −1 1 −1 1 0 1 −1 −1 −1
 2
 1 0 1 −1 0  −1 0 −1
 1 1 1 −1 −1 0
 −1 0 −1 −1 −1 −2   0 −1 −1 −1 
 1 0 1 1 1

 
 −1 1 −1 0 2 0  0 0
  1 0 1 1 0 −1 1
 
 1
 1 2 1 −1 0
 −1 1 0 0 0 1 0 0 0
 1 0 −1 −1 −2 1 1 1 −1 1 0 0 1 −1 −1
0 1 0 −2 1 1
Ejercicio 5.5 Construir la forma escalonada por filas, la forma escalonada

reducida por filas y calcular el rango de las siguientes matrices
1.  
−5 7 −6
 5 −8 6
0 −1 2

2.  
4 2 −26 3 −16
2
 1 −15 1 −9 
 2 −4 −8 3 −7 
6 −7 −27 8 −21
3.  
−9 0 5 −16 7 −4
 −3 4 6 −10 7 −5 
 
 9 8 3 7 1 −2 
−12 −12 −7 −7 −6 7
4.  
8 5 6 −9
 −4 −2 −2 2
12 7 3 −12
5.  
4 −4 1 0
 −8 8 −2 0 
 
 −16 16 −4 3 
−20 20 −5 6
6.  
−4 18 −14 −7
 1 −4 5 6
 
 4 −18 13 −2 
3 −14 9 −3
7.  
−1 0 −5 −3
 0 −3 0 1
 
 2 −3 10 7
1 −3 5 4
8.  
−8 2 3 7 −12 3
 −4 1 3 3 −8 2 
 
 −4 3 5 6 −11 2 
4 3 7 1 −6 0
9.  
5 −3 −6 4 −7
 0 −4 11 4 7
 
 10 −14 15 12 5
0 1 −4 0 −3

10.  
2 −17 −22
 2 −19 −25 
 
 −2 15 20 
 
 2 −5 −5 
0 −2 −2
11.  
8 5 −1 34
 12 7 −3 50 
−20 −12 4 −82
12.  
20 −9 35 −12
 −4 3 −4 0
4 1 14 −8
13.  
−2 −24
 6 57 
0 5
14.  
5 −3 −2 1
 −25 15 10 −5 
 
 15 −9 −6 3
5 2 −5 1
15.  
−8 14 33 −6 35 21
 0 1 6 0 8 1
 
 0 −1 −5 2 −5 −4 
 
 4 −4 −3 −6 −7 6
4 −3 3 −6 1 7
16.  
2 2 0 14 2
 2
 2 −2 16 5 
 −2 −1 −4 −8 5 
3 5 −6 31 16

17.  
6 −6 8
 −21 21 −29 
 
 36 −36 50 
 
 6 −6 10 
3 −3 5
18.  
0 −3 4 −2
 0
 6 −8 4
 −3 −2 7 1
3 −4 1 −5
19.  
−4 −5 0 2
 20 21 −2 6
 
 −8 −8 2 −8 
8 8 −2 5
20.  
6 14 0
 −3 −7 0 
 
 3 11 5 
 
 6 14 5 
0 0 0
21.  
−9 −19 7
 −3 −9 0 
12 40 5
22.  
9 −19 −5 15 −4 13
 3 −11 9 6 3 6
 
 0 0 −2 −5 4 1
12 −28 −2 17 0 19
23.  
6 10 1 18 7 9
 6 8 −5 19 −1 6
−3 −7 −5 −10 −10 −8

24.  
−2 5 −7 5
 4
 0 −11 −2 

 −2 0 3 3
 
 −6 5 9 3
−2 0 8 −1
25.  
2 0 5 3 −4
 2 −5 −2 −6 −1 
 
2 0 4 0 −1 
0 5 5 3 3
26.  
8 −4 17 8
 −4 3 −13 1
 
 −8 2 −12 −12 
 
 0 −2 5 −4 
8 0 5 17
27.  
−6 −3 6 −3 6
 −8 −9 8 −6 6
4 7 −4 4 −2
Ejercicio 5.6 Construir la forma escalonada por filas, la forma escalonada

reducida por filas y calcular el rango de las siguientes matrices
1.  
−1/5 1/4 −25/6 −38/3 −1
 −1/5 1/4 −8/3 −26/3 −2/5 
 

 0 0 0 −4/5 3 

 1/5 −1/4 −1/3 22/15 −53/10 
0 −1/2 3/4 −3 −1
2.  
−6 9/2 7/5
 −13 10 16/5 
1 −1/2 3/5
3.  
1/5 0
 2/5 3/4 
 
 −2/5 −1/2 
1/5 3/4

4.  
4/3 −72/5 56/3 −2 4/3
 −2 108/5 −28 3 −2 
 
 −2/3 38/5 −26/3 15/4 8/3 
 
 −1/3 18/5 −14/3 1/2 −1/3 
−1/3 22/5 −10/3 5 16/3
5.  
−3/5 2/3 1 15/4 1 −11/20
 −6/5 4/3 2 7/2 3/2 −27/10 
−6/5 4/3 2 7/2 2 −19/10
6.  
−2 25/12 −5/2
 1 1/12 −5/4 
−2 4/3 −3/4
7.  
0 −3 −13/2 −7/15 27/4
0
 −1 −2 −4/15 5/2  
0 −2 −9/2 −1/5 17/4 
0 −2 −9/2 −1/5 17/4
8.  
6 −8/5 6 −19/4
 −4 6/5 −5 2
 
 0
 0 0 −3/2 

 −4 0 4 1/2 
−2 0 2 1/4
9.  
−3/2 −1/5 −7 1 −4/5
 3/2
 1/5 3 1 −6/5 

 −9/2 −3/5 −9 −3 4
0 −2 9/2 −11/4 4/5
10.  
6 −2 9/4 −3/5 39/10 7/4
 −8 8/3 −3 4/5 −26/5 −7/3 
8 −8/3 9/4 −2/5 22/5 2
11.  
1/2 −3/4 −3/2 −1/10 −11/5 6/5
 −1/2 3/4 5/2 −9/10 31/5 2/5 
−1/2 3/4 1 3/5 1/5 −2

12.  
−4 7 −24/5 −8 27/5 −3
 −8/3 14/3 −16/5 −16/3 18/5 −2 
 
 −2 4 2/5 1/6 13/10 −29/5 
−2 4 −13/5 −23/6 14/5 −9/5
13.  
−1/2 2/3 4/5 −17/3 −46/15

 2 −8/3 −16/5 68/3 184/15 

 −3/2 2 12/5 −17 −46/5 
 
 −1/2 0 0 1/3 −2/5 
1/2 −1 −6/5 26/3 22/5
14.  
1 −2/5 −4/3 1 −1/2
 1 −19/10 −1/3 −3 −5/2 
4 −23/5 −10/3 −4 −6
15.  
−1 0 −11/2 14/5 −28/5
 1/5
 0 19/20 −4/5 7/5 

 −2/5 0 −43/20 6/5 −12/5 
 
 −1/5 −1 −1/5 1 −1 
−1/5 0 −6/5 2/5 −3/5
16.  
1 20/3 5 13/3 −13/2 3
 −6 −20 −63/2 −11/3 3 −191/10 
 
 −1 −20/3 −9 −10/3 9/2 −14/5 
−2 −28/3 −19/2 −5 7 −63/10
17.  
0 0 −3/2 1/3 −1
 −16/5 −9 7 14/5 47/2 
 
 −12/5 −20/3 5 29/15 15 
 
 4/5 2 1/2 −1/30 1/4 
−4/5 −2 −1/2 8/15 −1
18.  
−1 2/3 −1 −3/4 3/4 109/30
 0
 0 −1 5/4 −1/4 3/10 

 −1 2/3 0 −2 1 10/3 
 
 −1 2/3 0 −11/4 5/4 −1/6 
1 −2/3 −1 13/4 −5/4 −31/30

19.  
−4 19/4 −13/10 13
 4/3 −7/4 3/10 −15/2 
 
 4/3 −3/2 1/2 −11/4 
 
 −8/3 13/4 −4/5 41/4 
8/3 −13/4 4/5 −11
20.  
−4 −15/4 9/4 −2 −21/20 0
 −12/5 −9/4 3/4 −3/5 −3/4 0 
 
 12/5
 9/4 −7/4 8/5 11/20 0 

 0 0 0 0 0 0
−8/5 −3/2 3/2 −7/5 −3/10 0
21.  
1/2 −1/2 13/4 −14/3
 −1/2 1/2 −13/4 14/3 
 

 0 0 −1 1 

 −1/2 −1/2 5/4 −2/3 
−1/2 −1 7/2 −10/3
22.  
1 3/5 −5/3 −4
 3 6/5 7/3 −13 
−3 −6/5 −13/3 14
23.  
−2 1/4 7/2 8/5
 −8/3 3/5 3 2
 
 4/3 −3/10 1/2 −6/5 
−8 7/5 23/2 32/5
24.  
14 −13/15 −19/6
 4 −2/15 −2/3 
 
 −2 7/15 −5/6 
2 1/3 −3/2
25.  
0 −3/4 −3/2 0 0
 −1/2 3/5 −1 1/2 1/5 
 
 −3/2 33/10 0 3/2 3/5 
 
 −1/2 27/20 1/2 1/2 1/5 
0 0 −1 −2 −3/2

26.  
0 −3 1/2 −1/2 −5/12 −3/2
 −1/4 −2 1/2 1/2 −5/3 31/10 
 
 1/4 14 −5/2 5/2 37/12 49/10 
 
 0 12 −2 3 65/12 41/5 
1/4 −1 0 −1 5/4 −8/5
27.  
−6 −13/2 21/5 22 −13/2 31/3
 −4 −3 13/5 12 −5 20/3 
 
 −2 −3/2 4/5 7 −1/2 7/3 
−2 5/2 −4/5 1 3/2 −1/3
Ejercicio 5.7 Calcular una forma escalonada por filas y el rango de las
siguientes matrices dependiendo de los parámetros.
1.  
−2a + 4 −a(−1 + a) 1 2a + 4
 a−2 a(−1 + a) 0 −2a − 3 
−4a + 8 −2a(−1 + a) 2 8 + 3a
2.
4a2 − 2 + a
 
−6b −6b(b + 1)
 3b
 3b(b + 1) −3a − 3a2 + 1  
 −4b −4b(b + 1) (1 + a)(3a − 1) 
−3b −3b(b + 1) 2a2 − 1
3.  
a a(b − c) −c
 6a 6a(b − c) + 5b −4c 
a a(b − c) + 2b 0
4.
−a2 + b −1
 
b −2 0
 0 1 −a −a + 1 0 
 
b 0 a a+2 0 
b 2 −2a −2a + 4 0
5.
a2
 
a (1 + a)(−1 + 2a) 1
 a
 (−1 + a)(1 + a) −1 + 2a −2 

 −2a 2
−2a + 1 2 − 4a 3 
−3a −3(−1 + a)(1 + a) 3 − 6a 6

6.  
0 0 0 c(a + b)
b − a c−b a−c 0 
 
 0 0 0 ac 
 
 0 −1 1 −2ac − bc + ab 
b − a −1 + c − b 1 + a − c −c(a + b)
Ejercicio 5.8 Calcular la forma escalonada reducida por filas y el rango de

las siguientes matrices. Calcular la inversa de aquellas que sean inversibles.
1.  
0 0 5 −2 1 −5
 −4 5 −4 10 −8 10 
 
 0 −1 14 −7 4 −14 
 
 0
 0 0 0 −3 5
 −8 8 10 15 −4 −5 
4 −4 −5 −10 2 0
2.  
15 −13 35 −16 23
 0 −1 5 −2 2
 
 −5 4 −10 4 −7 
 
 5 −4 9 −5 6
−5 2 −1 −1 −3
3.  
2 5 −2
 8 24 −5 
−10 −29 8
4.  
1 4 3
 −4 −16 −20 
−2 −8 −9
5.  
6 7 7 −14 12
9
 6 7 −7 10 
9
 9 9 −18 14 

0 0 1 5 0
3 −1 0 7 −6

6.  
−9 −6 −11 −13 −6
 3 2 5 11 2
 
 −3 1 −1 −12 6 
 
 −9 −6 −12 −18 −6 
−3 1 0 −7 2
7.  
3 9 2 −12 −2 11
 −4 −12 −1 16 4 −14 
 
 0 0 5 0 4 2
 
 −3 −9 3 12 6 −9 
 
 −6 −18 1 24 8 −20 
1 3 −1 −4 −2 3
8.  
3 −6 −6 −12
 −12 20 21 38 
 
 0 0 0 3
−6 8 9 17
9.  
0 −2 −8 −10
 8 20 9 7
 
 10 21 −4 −11 
−8 −18 −1 6
10.  
−5 2 −14
 15 −6 28 
−25 10 −18
11.  
0 1 1 −4 −1
 0 −3 −1 12 4
 
 0 −4 0 17 8
 
 −2 0 −1 3 −5 
2 0 1 −3 5
12.  
5 5 −6 12
 −1 −7 2 9
 
 −2 −9 4 4
−1 8 0 −17

13.  
5 −2 −5 0 8 −8
 10
 6 −12 4 12 −21 

 −5 7 5 0 −7 7 
 
 −5 −3 5 −2 0 11 
 
 −5 −3 5 −1 −3 6
0 0 0 −1 6 1
14.  
−2 4 3 7 0 0 1
 −2 5 3 5 3 5 −3 
 
 0 −2 0 4 −6 −10 8 
 
 0 −1 0 2 −3 −5 4
 
 0 −3 0 6 −9 −15 12 
 
 0 0 0 0 0 0 0
0 0 2 5 2 4 2
15.  
−4 −3 5 −1 4 −4
 −4 −1 3 1 2 3
 
 4
 2 −4 0 −3 −2 

 0
 −1 1 1 0 −7 

 0 0 0 0 4 5
0 −1 2 2 3 −2
16.  
4 3 5
 −8 −2 −21 
−2 0 −6
17.  
10 7 −2 7
 −10 −7 2 −12 
 
 −5 −3 1 −4 
−10 −6 2 −8
18.  
0 0 4 −1 −5 3 −2
0 0 0 0 0 0 3
 
0
 2 −8 6 10 −5 1 

0
 0 8 −2 −10 6 −1 

0
 0 8 −2 −10 6 −7 

 1 −4 0 3 0 0 2
0 −2 0 −9 3 −3 4

19.  
10 4 −2 3 −10 −14
 15 12
 6 −6 −2 −15 
 20 16
 8 −7 0 −20 

 10 6
 1 −1 −7 −11 
 5 4 2 −1 −3 −5 
0 0 0 0 −5 −2
20.  
−4 31 18
 0 20 12 
0 −16 −10
21.  
−3 −2 −4 −1 −1 −6
 −6 −4 −11 −8 −6 −8 
 
 0
 0 −3 −6 −4 4
 −9 −7 −13 −8 −4 −5 
 
 0 0 0 3 0 −4 
−3 −2 −4 −4 −1 −2
22.  
15 9 12
 5 4 4
20 13 16
23.  
−10 −7 0 6 −6 20
 10
 6 −3 0 0 −14 

 20 10 −7 12 −10 −4 
 
 10
 4 −4 14 −11 11 

 −5 −3 −1 −2 −5 2
5 3 1 2 0 2
24.  
9 8 −4 −2 11
0
 0 −2 5 −3 

3
 3 −3 −4 4
9 8 −4 −7 13 
0 0 0 0 −5

25.  
0 −2 1 0 −2 2 −2
0
 2 −5 2 −1 0 7
0
 2 −5 2 −1 0 7
0
 0 0 0 −4 2 −4 
3
 0 9 −2 6 −1 −13 

0 0 0 0 0 0 −2 
6 0 14 −5 10 3 −13
26.  
−2 0 8 −1
 0
 5 −1 6
 2 5 1 9
2 0 −2 2
27.  
2 −4 5 −7
 −1 2 0 4
 
 1 −2 10 −2 
−1 2 −5 3
Ejercicio 5.9 Calcular los siguientes determinantes
1.
−9 −8 −16 3

3 3 7 0

−3 −2 −3 1

−3 −3 −8 −4
2.
−21 −36 −32 −47

−24 −42 −37 −55

9 16 14 21

51 88 78 115
3.
−3 −4 −4 −4 −6 −1

−3 −8 −8 −8 −11 −2

0 −4 −4 −4 −5 −1

3
8 6 8 7 −1

0 −4 −6 −5 −10 −3

0 4 2 4 1 1

4.
5 2 1

5
2 −2
−5 −3 −5
5.
−1 −2

7 15
6.

0 0 0 6 14 12

0 0 0 0 −4 −1

0 0 0 −3 −19 −9

2 2 1 8 12 8

0 0 0 3 7 6

2 2 1 2 −2 −4
7.
−7 −35 −10 0

−16 −80 −23 0

0 0 0 −1
5 25 6 0
8.
0
0 0 1 −1
−2 −1 −1 −1 −3

0
0 0 1 −2

2 1 0 4 0

1 1 0 0 0
9.
3 −8 −5 −2 −6 −7

0 5 5 3 5 5

0 −10 −10 −6 −10 −13

6 −11 −5 −1 −7 −9

−3 13 14 9 14 13

3 −3 0 1 −1 −2
10.
−1 1 −1 1 −3

−1 0 −2 0 −5

4 −11 −3 0 −3

−2 5 2 0 0

0 0 0 −1 0

11.
2 4 4

−1 −2 1

2 4 8
12.

9 15 7 14 7

−12 −20 −9 −20 −10

−3 −10 −5 −8 −8

−3 0 0 −3 1

0 5 3 2 4
13.
2 4 2 41 9 27

0
2 1 0 −2 −2
−1 −2 −4 −10 −4 −9

1
4 5 10 −2 4
1
4 2 18 −3 6
0 0 0 0 0 3
14.
1 2 9

−4 −8 −32

−2 −4 −14
15.
−1 4 21 −2

−1 −5 −3 −5

2
1 −15 5

3 −6 −41 5
16.

0 −5 1 −3 −2 −2
−12 −15 −12 −15 −9 −9

−4 5 −6 1 1 1

0 −5 1 −3 −2 −2
−4 −5 −4 −5 −3 −3

16 20 14 18 10 9
17.
1 4 4 7

−2 −10 −9 −8

2 10 8 3

−5 −24 −21 −17

18.

8 −2 0 −15

−16 3 −4 18

4 −1 0 −7
8 −1 3 −6
19.
0 −2 −1 1 1 2

0 −2 −2 0 1 1

−2 −5 −4 0 2 1

1 −4 −3 1 2 3

0 0 1 0 0 1

−1 0 0 0 0 1
20.

3 6 4 5

6 12 9 18

9 20 15 26

9 20 16 32
Ejercicio 5.10 Calcular los siguientes determinantes
1. (Determinante de Vandermonde) Sean n ∈ N y a1 , . . . , an ∈ R,

1
1 ··· 1

a1
a 2 ··· an

a2 a 2
··· a2n
1 2
.. .. .. ..

. . . .

n−1 n−1
· · · ann−1

a1 a2
2. Sea n ∈ N
2 −1 0 ··· ··· ··· 0

−1 2 −1 0 ··· ··· 0

0 −1 2 −1 0 ··· 0
.. . . . . .. .. .. ..

. . . . . . .

0 ··· 0 −1 2 −1 0

0 ··· ··· 0 −1 2 −1

0 ··· ··· ··· 0 −1 2

3. Sea n ∈ N.
1 1

0 1
0 ··· ··· 0
2 2 2

0 1 2
0 ··· 0
.. .. .. .. .. ..

. . . . . .

n−2 n−2 n−2 n−2

···

0 1 2 n−2
0
n−1 n−1 n−1 n−1 n−1

0 1 2
··· n−2 n−1
n n n n n

0 1 2
· ·· n−2 n−1

4. Sea n ∈ N.

1 n
n ··· n

n 2
n ··· n
n n 3 ··· n
.. .. .. .. ..

. . . . .

n n n ··· n
5. Sean n ∈ N y x, c1 , c2 , . . . , cn ∈ R.

x −1 0 0 0 ... 0

0 x −1 0 0 ... 0

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

. . . . . . .

0 0 ··· 0 x −1 0

0 0 ··· 0 0 x −1

c1 c2 · · · cn−3 cn−2 cn−1 x + cn
Ejercicio 5.11 Sea A una matriz cuadrada tal que At = A−1 (matriz orto-
gonal). Probar que entonces que o bien det(A) = 1 o bien det(A) = −1.
Ejercicio 5.12 Sea A una matriz cuadrada. Probar que si existe m ∈ N tal
que Am = 0, entonces det(A) = 0. ¿Es cierto el recíproco?
Ejercicio 5.13 Sean A y B dos matrices inversibles. Probar que
det(A + B)
det(A−1 + B−1 ) = .
det(AB)
Ejercicio 5.14 Sean a, b, c ∈ R. Definimos el determinante de Vandermonde
de a, b, c como
1 1 1

V (a, b, c) = a b c .
a2 b2 c2
Sean α1 , α2 , α3 ∈ R no nulos y distintos entre si y sean β1 , β2 , β3 ∈ R cuales-
quiera. Probar

1.
3 1 1 1
X βi 1
α1 α2 α3 .
3
=
V (α1 , α2 , α3 )

i=1
Y
(αi − αj ) β1 β2 β3

j=1
j6=i
2. 
 1, si k = 2
3 k

αi 
si k = 0, 1 .
= 0,
X
3
i=1
Y  1

si k = −1
(αi − αj )  α α α ,
1 2 3
j=1
j6=i
Ejercicio 5.15 Calcular el rango de las siguientes matrices

1.  
1 −4 0 −13
 0
 −9 2 −14 

 0
 0 0 −4 
 −1 −2 3 4
 
 1 5 −2 1
1 −1 1 −4
2.  
0 0 0 0
 6 4 6 8
 
 9 6 9 12 
 
 3 2 3 4
 
 3 2 3 4 
 
 0 0 0 0
−6 −4 −6 −8
3.  
10 8 3 2 11
 −5 −3 −1 −3 0 
 
 0 0 0 3 1
15 11 4 11 8
4.  
3 −8 66 30 46
 0 20 −83 −39 −61 
 
 3 −8 78 36 55 
0 8 −22 −10 −16

5.  
10 8 10 2
 5 4 5 1
 
 −5 −4 −5 −1 
 
 10 8 10 2
 
 5 4 5 3 
 
 0 2 4 4
0 0 0 −2
6.  
0 8 16 40 40
 0 −7 −14 −35 −35 
0 −6 −12 −30 −30
7.  
−1 −4 −5 −7 −6
 2 8 10 14 12 
 
 −1 −4 −2 −4 −3 
 
 −8 −24 −17 −27 −19 
−4 −12 −7 −12 −8
8.  
6 10 −18 −22 −6 −20
3
 5 −9 −11 −3 −10 
 0 −10 2 2 −6 3 
 
0 5 4 −2 2 −2 
0 −5 1 3 −2 3
9.
8 15 16 7 14
−4 −9 −9 −4 −9
10.  
0 −10 −2 −54 −30
0 5 1 22 13 
0 5 1 27 15
Ejercicio 5.16 Probar que si A es una matriz cuadrada e inversible verifi-

cando A2 = A, entonces A es la matriz identidad.


Capítulo 6
Sistemas de ecuaciones lineales
6.1 Introducción
En 5.4.6 definíamos qué era una combinación lineal de matrices. Para poder
tener tal noción era preciso contar con una suma y un producto por esca-
lares. Pues bien, podemos considerar combinaciones lineales para otro tipo
de objetos, siempre que tenga sentido. En el capítulo final de estos apun-
tes precisaremos de manera rigurosa bajo qué condiciones tiene sentido una
combinación lineal. Por lo que respecta a la materia que nos ocupa en este
momento, sea n ∈ N, sean x1 , . . . , xn indeterminadas, variables o incógnitas,
y sean α1 , . . . , αn ∈ R. Podemos considerar la combinación lineal de indeter-
minadas
α1 x1 + α2 x2 + · · · + αn xn ,
que tiene sentido al menos como polinomio. Si ahora tenemos b ∈ R, podemos
construir
α1 x1 + α2 x2 + · · · + αn xn = b,
a lo que llamaremos ecuación lineal con n incógnitas. Si agrupamos varias de
estas ecuaciones tendremos un sistema de ecuaciones lineales.
Definición
6.1.1 Sean n, m ∈ N, sean x1 , . . . , xn indeterminadas, sea A =
αij m×n una matriz y b1 , . . . , bm ∈ R. Un sistema de ecuaciones lineales com
m ecuaciones y n incógnitas es una expresión de la forma


 α11 x1 + α12 x2 + · · · + α1n xn = b1
 α21 x1 + α22 x2 + · · · + α2n xn = b2

.. .. .. .. . (6.1)


 . . . .
 α x + α x + ··· + α x = b
m1 1 m2 2 mn n m
253
254 6.1. Introducción
A las variables x1 , . . . , xn se les llama las incógnitas del sistema, a la matriz

A la matriz del sistema o matriz de coeficientes del sistema, a los elementos
de A los coeficientes del sistema y a
 
b1
 b2 
 ..  ,
 
 . 
bm
el término independiente del sistema. ⋄
Ejemplo 6.1.2 El siguiente ejemplo tiene 6 ecuaciones y 6 incógnitas


 3x1
 +4x2 −7x3 −x4 +2x5 +x6 = −1
3x2 +x4 +4x5 = 3




2x1 +2x2 +3x3 +5x4 = 0

. (6.2)

 x1 −7x2 −3x5 −x6 = 4
−2x1 +3x2 +x3 −3x4 +x5 +2x6 = −2




+3x2 −x3 +x4 +x6 = −7

El siguiente ejemplo tiene 5 ecuaciones y 3 incógnitas



 x −y +2z = 0
 −x +3y +3z = 2


y +z = −1 . (6.3)
−2x +y −2z = −2




3x +5z = 3

El siguiente ejemplo tiene 2 ecuaciones y 5 incógnitas

2x1 +3x2 +2x3 −2x4 +x5 = 3
. (6.4)
x1 −x4 −x5 = 4
⋄
Definición 6.1.3 Un sistema de ecuaciones lineales como (6.1) se dice que

es homogéneo si el término indepenciente es nulo, es decir si
b1 = b2 = · · · = bm = 0.
Definición 6.1.4 Si en un sistema de ecuaciones lineales se sustituyen el

término independiente por ceros, se obtiene un sistema homogéneo que se
llama sistema homogéneo asociado al primero. ⋄

6. Sistemas de ecuaciones lineales 255
Ejemplo 6.1.5 Los siguientes sistemas de ecuaciones lineales son homogé-

neos.


 3x1 +4x2 −7x3 −x4 +2x5 +x6 = 0
3x2 +x4 +4x5 = 0




2x1 +2x2 +3x3 +5x4 = 0

. (6.5)

 x1 −7x2 −3x5 −x6 = 0
−2x1 +3x2 +x3 −3x4 +x5 +2x6 = 0




+3x2 −x3 +x4 +x6 = 0



 x −y +2z = 0
 −x +3y +3z = 0


y +z = 0 . (6.6)
−2x +y −2z = 0




3x +5z = 0


2x1 +3x2 +2x3 −2x4 +x5 = 0
. (6.7)
x1 −x4 −x5 = 0
⋄
Definición 6.1.6 Una solución del sistema (6.1) consiste en n números
s1 , . . . , sn ∈ R, tal que haciendo la sustitución de x1 , . . . , xn por s1 , . . . , sn
respectivamente, se verifican todas las ecuaciones del sistema. ⋄
Ejemplo 6.1.7 Para el sistema (6.4) del ejemplo 6.1.2, los valores
x1 = 4, x2 = 0, x3 = −1, x4 = 1, x5 = −1,
son una solución, como se puede comprobar fácilmente por sustitución en las
ecuaciones de (6.4). ⋄
Un sistema de ecuaciones lineales puede tener solución o no tenerla. Discutir
si un sistema tiene o no solución es el primer problema interesante. El segundo
problema que tiene interés es calcular la(s) solución(es) en caso de tenerla(s).
Definición 6.1.8
• Diremos que un sistema de ecuaciones lineales es incompatible si no
tiene soluciones.
• Diremos que es compatible si las tiene.
– En caso de tener una única solución, diremos que es compatible
determinado.
– En caso de tener más de una diremos que es compatible indeter-
minado.
⋄

256 6.2. Representación matricial
6.2 Representación matricial

Un sistema de ecuaciones lineales siempre se puede representar mediante una
fórmula matricial. Para el sistema (6.1), sea A la matriz del sistema, sea
 
x1
 x2 
X =  ..  ,
 
 . 
xn
y sea  
b1
 b2 
B =  ..  .
 
 . 
bm
La ecuación matricial
AX = B,
se verifica si y sólo si se verifica el sistema (6.1), ya que realizando el producto
AX queda
   
α11 x1 + α12 x2 + · · · + α1n xn b1
 α21 x1 + α22 x2 + · · · + α2n xn   b2 
 .. .. ..  =  ..  .
   
 . . .   . 
αm1 x1 + αm2 x2 + · · · + αmn xn bm
Puesto que dos matrices del mismo orden son iguales si y sólo coinciden
término a término, nuestra afirmación es cierta.
Ejemplo 6.2.1 Las representaciónes matricial de los sistemas del ejemplo
6.1.2 son respectivamente
    
3 4 −7 −1 2 1 x1 −1
 0 3 0 1 4 0   x2   3 
    
 2 2 3 5 0 0   x3   0 
   =  .
 1 −7 0 0 −3 −1    x4   4 
   

 −2 3 1 −3 1 2  x5   −2 

0 3 −1 1 0 1 x6 −7
   
1 −1 2   0
 −1 3 3 x  2
  

 y =  −1  .
 0 1 1    

 −2 1 −2  z  −2 
3 0 5 3

 
x1
 x2 
2 3 2 −2 1  x3  = 3 .

1 0 0 −1 −1  
 x4  4
x5
⋄
Definición 6.2.2 Sea el sistema (6.1), llamaremos matriz ampliada del sis-
tema a la matriz por bloques A′ formada al añadir el término independiente
por la derecha a la matriz del sistema. Es decir, a la matriz
 
α11 α12 · · · α1n b1
 α21 α22 · · · α2n b2 
A′ =  .. .. .. ..  (6.8)
 
 . . . . 
αm1 αm2 · · · αmn bm
⋄
Ejemplo 6.2.3 Las matrices ampliadas de los sistemas del ejemplo 6.1.2 son
respectivamente
 
3 4 −7 −1 2 1 −1
 0 3 0 1 4 0 3
 
 2 2 3 5 0 0 0
 .
 1 −7 0 0 −3 −1 4 
 
 −2 3 1 −3 1 2 −2 
0 3 −1 1 0 1 −7
 
1 −1 2 0
 −1 3 3 2
 
 0
 1 1 −1 .

 −2 1 −2 −2 
3 0 5 3

2 3 2 −2 1 3
.
1 0 0 −1 −1 4
⋄
La matriz ampliada de un sistema contiene toda la información relevante
relativa a un sistema de ecuaciones lineales, ya que con ella podemos recons-
truir el sistema, bien en su expresión como ecuaciones, bien en su expresión
matricial. La ventaja que tiene la matriz ampliada es que constituye una
representación más compacta de un sistema. Además realizaremos ciertas
transformaciones sobre los sistemas de ecuaciones lineales, que al verlas sobre
la matriz ampliada corresponden a operaciones ya conocidas sobre matrices.

258 6.3. Sistemas equivalentes
6.3 Sistemas equivalentes

Definición 6.3.1 Diremos que dos sistemas de ecuaciones lineales son equi-
valentes si sus matrices ampliadas tienen el mismo número de columnas y
añadiendo filas nulas a la matriz que tenga menos filas hasta completar el
numero de filas de aquella que tenga más filas, se obtienen dos matrices
equivalentes por filas. ⋄
Ejemplo 6.3.2 Sea el sistema

   
1 −1 2   0
 −1 x
3 3    2
 
 y =  .
 0 1 1 −1 
z
0 4 7 0
Su matriz ampliada es  
1 −1 2 0
 −1 3 3 2
 .
 0 1 1 −1 
0 4 7 0
−1 −1 −2
Si realizamos las operaciones elementales f41 , f42 y f41 sobre ella, obtene-
mos  
1 −1 2 0
 −1 3 3 2
 .
 0 1 1 −1 
0 0 0 0
Eliminando la última fila de ceros se tiene
 
1 −1 2 0
 −1 3 3 2
0 1 1 −1
correspondiente al sistema
    
1 −1 2 x 0
 −1 3 3   y =
  2 ,
0 1 1 z −1
que es equivalente al primero. ⋄
Nota 6.3.3 Dos sistemas equivalentes han de tener el mismo número de

incógnitas, pero pueden tener distinta cantidad de ecuaciones.

Las operaciones permitidas para sistemas equivalentes son las operaciones

elementales sobre las filas de las matrices ampliadas, así como la supresión o
concatenación de filas nulas.
⋄
Proposición 6.3.4 Las matrices de coeficientes de dos sistemas equivalentes

también son equivalentes por filas si se añaden filas nulas a la más pequeña
hasta completar el número de filas de la mayor ⋄
Proposición 6.3.5
1. El rango de las matrices ampliadas de dos sistemas equivalentes coin-
cide.
2. El rango de las matrices de coeficientes de dos sistemas equivalentes

coincide.
⋄
Proposición 6.3.6 Sean dos sistemas equivalentes. El primero es compati-

ble si y sólo si lo es el segundo. Además si son compatibles, tienen exactamente
las mismas soluciones. ⋄
Definición 6.3.7 Diremos que un sistema de ecuaciones lineales es o está

escalonado, si su matriz ampliada es escalonada por filas y no tiene filas nulas.
Diremos que un sistema de ecuaciones lineales es o está reducido si su matriz
ampliada es escalonada reducida por filas y no tiene filas nulas. ⋄
Nota 6.3.8 Si A′m×(n+1) es la matriz de un sistema escalonado o reducido,

entonces m ≤ n + 1. Se tiene que rg(A′ ) = m, y por tanto A′ tiene exacta-
mente m columnas pivotales. Además rg(A′ ) − 1 ≤ rg(A) ≤ rg(A′ ). ⋄
Ejemplo 6.3.9 Los sistemas correspondientes a las siguientes matrices am-

pliadas, son escalonados
 
2 3 −1 0 4 5 1
0 0 3 −1 1 2 4
 . (6.9)
0 0 0 1 0 1 −1 
0 0 0 0 0 0 2
 
2 3 −1 0 4 5 1
0 0 3 −1 1 2 4
 . (6.10)
0 0 0 1 0 1 −1 
0 0 0 0 2 1 −2

260 6.4. Discusión y resolución
Los siguientes sistemas son reducidos

 
1 2 0 3 0 0 0
0 0 1 2 0 0 0
 
0
 0 0 0 1 0 0. (6.11)
0 0 0 0 0 1 0
0 0 0 0 0 0 1
 
1 2 0 3 0 0 2
0 0 1 2 0 0 −3 
 . (6.12)
0 0 0 0 1 0 −1 
0 0 0 0 0 1 −2
⋄
Nota 6.3.10 Dado un sistema, siempre se puede obtener otro equivalente

escalonado o reducido aplicando operaciones elementales por filas a su matriz
ampliada. Los sistemas escalonados son muy sencillos de estudiar y en su
caso resolver, con lo que gracias a 6.3.6 podremos estudiar fácilmente la
compatibilidad y en su caso resolver cualquier sistema de ecuaciones lineales,
como veremos a continuación. ⋄
6.4 Discusión y resolución

Discutir un sistema es averiguar si es incompatible o compatible determinado
o indeterminado. Resolverlo es encontrar todas sus soluciones en caso de
ser compatible. Por lo dicho en la Nota 6.3.10, basta con que discutamos y
resolvamos sistemas reducidos. Esto es justo lo que haremos a continuación.
Algoritmo 6.4.1 Sea A′m×(n+1) la matriz ampliada de un sistema reducido
AX = B.
de forma que no tenga ningún pivote en su última columna (la (n+1)-ésima).

En este caso es obvio que m ≤ n y que rg(A) = rg(A′ ).
1. Sean i1 , . . . , im las columnas pivotales de la matriz de coeficientes A. A

las incógnitas xi1 , . . . , xim se las llama incógnitas principales del sistema.
2. Sean j1 , . . . , jn−m las columnas no pivotales de A.

3. (a) Si m < n, sea Cm×(n−m) la matriz que se obtiene tomando la

submatriz de A que contiene a todas sus filas y a las columnas no
pivotales j1 , . . . , jn−m . Se verifica:
   
xi1 xj1
 ..   . 
 .  = B − C  ..  .
xim xjn−m
(b) Si n = m, no se construye la matriz C, y se verifica

 
x1
 .. 
 .  = B,
xn
pues en este caso, A = In .
4. (a) Si m < n, sea Dn×(n−m) la matriz cuyas filas i1 , . . . , im son respecti-

vamente las filas 1, . . . , m de la matriz −C y cuyas filas j1 , . . . , jn−m
son respectivamente las filas 1, . . . , m − n de la identidad de orden
n − m, In−m . Es claro que la matriz D tiene rango exactamente
n − m. Sea E una matriz columna n × 1 tal que sus filas i1 , . . . , im
son respectivamente las filas 1, . . . , m de B, y el resto ceros. Se
verifica que    
x1 λ1
 ..   . 
 .  = E + D  ..  ,
xn λn−m
son las soluciones del sistema para cada λ1 , . . . , λn−m ∈ R
(b) Si n = m, no se construye la matriz D, y se verifica
 
x1
 .. 
 .  = B,
xn
siendo ésta la única solución del sistema.
Teorema 6.4.2 Rouché-Frobenius. Un sistema es compatible si y sólo el

rango de su matriz ampliada coincide con el de su matriz de coeficientes.
Demostración:

por la proposición 6.3.6 y por la nota 6.3.10 basta con probar el resultado
para sistemas reducidos. Así que sea un sistema reducido
AX = B,
con matriz ampliada A′ .

=⇒
Si el sistema es compatible y el rango de A′ fuese mayor que el de A, tendría

que aparecer un pivote en la última columna de A′ , por lo que la última fila
de A′ , sería
0 ··· 0 1 ,
que corresponde a la ecuación
0 = 1,
que evidentemente no tiene solución, lo cual contradice que el sistema es
compatible. Por tanto
rg(A) = rg(A′ ).
⇐=
Si
rg(A) = rg(A′ ),
entonces A′ no tiene pivote en su última columna y por tanto el algoritmo
6.4.1 nos permite calcular las soluciones, y por tanto el sistema es compatible.
⋄
Proposición 6.4.3 Un sistema compatible es determinado si y sólo si el

rango de la matriz ampliada coincide con el número de incógnitas.
Demostración:
Es inmediato a partir del algoritmo 6.4.1. ⋄
Veamos cómo discutir y resolver cualquier sistema
Ejemplo 6.4.4 Sea el sistema correspondiente a la matriz ampliada

 
1 2 0 3 0 0 0
0 0 1 2 0 0 0
 
0 0 0 0 1 0 0 .
 
0 0 0 0 0 1 0
0 0 0 0 0 0 1

Como es reducido y tiene un pivote en la última columna, no es compatible.

Obsérvese que el rango de la matriz ampliada es 5, mientras que el de la
matriz de coeficientes es 4.
Consideremos ahora el sistema cuya matriz ampliada es
 
2 3 −1 0 4 5 1
0
 0 3 −1 1 2 4.
0 0 0 1 0 1 −1 
0 0 0 0 0 0 2
El sistema es escalonado pero no reducido. Aun así podemos deducir que es
incompatible, pues el rango de la matriz ampliada es 4, mientras que la del
sistema es 3. Obsérvese que cuando en un sistema escalonado aparezca un
pivote en la última columna, es incompatible y no es necesario calcular su
forma reducida.
El sistema cuya matriz ampliada corresponde a
 
1 2 0 3 0 0 2
 0 0 1 2 0 0 −3 
 0 0 0 0 1 0 −1  .
 
0 0 0 0 0 1 −2
es reducido y compatible, pues no tiene pivote en la última columna. Pro-
cedemos a aplicar el algoritmo 6.4.1. las columnas pivotales de la matriz de
coeficientes son 1, 3, 5, 6, y las no pivotales 2 y 4. Construimos la matriz C
tomando las columnas no pivotales de la matriz de coeficientes
 
2 3
0 2
C= 0 0

0 0
. La matriz que podríamos formar tomando las columnas pivotales de la
matriz del sistema es I4 . Por tanto, se verifica
     
x1 2 3 2
 x3   0 2  x2  −3 
 x5  +  0 0  x4 =  −1  ,
I4      
x6 0 0 −1
por lo que despejando
       
x1 2 2 3 2
 x3   −3   0 2 x −3
2  − C x2 .
 
 = −  =
 x5   −1   0 0  x4  −1  x4
x6 −1 0 0 −1

Construyendo la matriz D cuya fila 1 es la fila 1 de −C, cuya fila 3 es la fila

2 de −C, cuya fila 5 es la fila 3 de −C, cuya fila 6 es la fila 4 de −C, cuya
fila 2 es la fila 1 de I2 y cuya fila 4 es la fila 2 de I2 , se tiene
 
−2 −3
 1 0
 
 0 −2 
D=  0
,
 1
 0 0
0 0
que es de rango 2. Sea ahora la matriz columna E cuyas filas 1, 3, 5, 6 son

respectivamente las filas 1, 2, 3 y 4 del término independiente y el resto ceros.
 
2
 0
 
 −3 
E=  0 .

 
 −1 
−2
Las soluciones del sistema son

     
x1 2 −2 −3
 x2   0   1 0
     
 x3   −3   0 −2  λ1
 = +
 x4   0   0
 / λ1 , λ2 ∈ R.
     1  λ2

 x5   −1   0 0
x6 −1 0 0
⋄
Algoritmo 6.4.5 Sea una sistema de ecuaciones lineales con m ecuaciones

y n incógnitas
AX = B,
con matriz ampliada A′m×(n+1) .
1. Aplicar operaciones elementales por filas a A′ y eliminación de filas nu-

las para obtener un sistema reducido equivalente con matriz ampliada
A′′
2. Si aparece un pivote en la última columna de A′′ , entonces el sistema

es incompatible

3. En caso contrario el sistema es compatible. Si el número de filas de

A′′ coincide con n el sistema es determinado. Si no, es indeterminado.
Aplicar a A′′ el algoritmo 6.4.1 para encontrar las soluciones.
Ejemplo 6.4.6 1. Sea el sistema correspondiente a la matriz ampliada

 
1 0 0 4 3 −1 1
 0
 0 −1 −5 −1 −1 1
 1
 0 −1 −1 2 −1 2 
,
 −1 0 1 1 −2 0 −1 
 
 1 −1 0 1 0 0 0
−1 0 1 1 −2 1 −1
Haciendo las operaciones elementales por filas

−1 1 −1 1 1 −1 1 −1 1
f31 , f41 , f51 , f61 , f25 , f43 , f53 , f63 , f54 , f65 ,
se obtiene  
1 0 0 4 3 −1 1
 0 −1 0 −3 −3 1 −1 
 
0
 0 −1 −5 −1 0 1 
,
0
 0 0 0 0 −1 1
0 0 0 0 0 0 −1 
0 0 0 0 0 0 0
que está en forma escalonada. Suprimimos la última fila de ceros y
obtenemos una matriz ampliada
 
1 0 0 4 3 −1 1
 0 −1 0 −3 −3 1 −1 
 
0
 0 −1 −5 −1 0 1 ,

0 0 0 0 0 −1 1
0 0 0 0 0 0 −1
que corresponde a un sistema escalonado. Como aparece un pivote en

la última columna, el sistema es incompatible.
2. Sea el sistema cuya matriz ampliada es

 
−1 1 0
 2 0 6 .
−1 2 3

Realizando operaciones elementales sobre las filas, se llega a la matriz

reducida  
1 0 3
0 1 3 ,
0 0 0
y suprimiendo la última fila se obtiene

1 0 3
,
0 1 3
correspondiente a la matriz ampliada de un sistema reducido equiva-

lente al dado. Es sencillo ver que el sistema es compatible determinado,
y el algortimo 6.4.1 nos da directamente la solución

x1 3
= .
x2 3
3. Se considera el sistema cuya matriz ampliada es

 
0 0 3 9 9 −6 −9
 0 0 −1 −3 −3 2 3 .
0 0 0 0 0 −1 −3
Mediante operaciones elementales por filas y supresión de filas nulas,

se llega a un sistema reducido equivalente con matriz ampliada

0 0 1 3 3 0 3
,
0 0 0 0 0 1 3
que es compatible e indeterminado. Las columnas pivotales son la 3 y

la 6. Construimos las matrices C, D y E del algortimo 6.4.1.

0 0 3 3
C= .
0 0 0 0
 
1 0 0 0
0 1 0 0
 
0 0 −3 −3 
D=
0
.
 0 1 0
0 0 0 1
0 0 0 0

 
0
0
 
3
0 .
E= 
 
0
6
las soluciones son
     
x1 0 1 0 0 0  
 x2   0   0 1 0 0
      λ1
 x3   3   0
 = + 0 −3 −3 
  λ2  ,
 
 x4   0   0 0 1 0   λ3 

    
 x5   0   0 0 0 1  λ4
x6 6 0 0 0 0
con λ1 , λ2 , λ3 , λ4 ∈ R.
⋄
6.5 Sistemas homogéneos

Los resultados de la sección precedente tienen las siguientes consecuencias
para sistemas homogéneos. Téngase en cuenta que la última columna de la
matriz ampliada de cualquier sistema homogéneo es nula, y que si un sistema
es homogéneo, cualquiera equivalente a él también lo es.
Corolario 6.5.1 Todo sistema homogéneo es compatible, y

 
0
 .. 
.,
0
siempre es solución (la solución nula o trivial). ⋄
Corolario 6.5.2 1. Si un sistema homogéneo es compatible determinado

su única solución es la nula.
2. Si un sistema homogéneo es compatible indeterminado, sus soluciones

son de la forma  
λ1
D  ...  ,
 
λn−r

268 6.5. Sistemas homogéneos
para cada λ1 , . . . , λn−m ∈ R, donde n es el número de incógnitas, r es

el rango de la matriz del sistema y D es una matriz de orden n×(n−r)
de rango n − r.
⋄
Ejemplo 6.5.3 1. Sea el sistema cuya matriz ampliada es

 
−1 1 0
 2 0 0 .
−1 2 0
Realizando operaciones elementales sobre las filas, se llega a la matriz
reducida  
1 0 0
0 1 0 ,
0 0 0
y suprimiendo la última fila se obtiene

1 0 0
,
0 1 0
correspondiente a la matriz ampliada de un sistema reducido equiva-
lente al dado. Es sencillo ver que la única solución de este sistema es la
nula
x1 0
= .
x2 0
2. Se considera el sistema cuya matriz ampliada es

 
0 0 3 9 9 −6 0
0 0 −1 −3 −3 2 0 .
0 0 0 0 0 −1 0
Mediante operaciones elementales por filas y supresión de filas nulas,
se llega a un sistema reducido equivalente con matriz ampliada

0 0 1 3 3 0 0
,
0 0 0 0 0 1 0
que es compatible y determinado. Las columnas pivotales son la 3 y
la 6. Construimos las matrices C, y D del algortimo 6.4.1. Como el
sistema es homogéneo no hace falta construir E, pues es una matriz
nula.
0 0 3 3
C= .
0 0 0 0

 
1 0 0 0
0 1 0 0
 
0 0 −3 −3 
D=
0
.
 0 1 0
0 0 0 1
0 0 0 0
las soluciones son
   
x1 1 0 0 0  
 x2   0 1 0 0
    λ1
 x3   0
 = 0 −3 −3 
  λ2  ,
 
 x4   0 0 1 0   λ3 

  
 x5   0 0 0 1  λ4
x6 0 0 0 0
con λ1 , λ2 , λ3 , λ4 ∈ R.
⋄
Corolario 6.5.4 Las soluciones de un sistema de ecuaciones lineales com-

patible se obtienen sumando a una solución particular del sistema, todas las
soluciones del sistema homogéneo asociado.
Demostración:
Sólo hay que ver qué forma tienen las soluciones en el algoritmo 6.4.1. ⋄
Para saber más
Sistemas de Cramer
Eliminación Gaussiana
Factorización LU
Métodos iterativos
Acondicionamiento de un sistema

270 6.6. Ejercicios
6.6 Ejercicios
Ejercicio 6.1 Discutir y resolver en su caso los sistemas de ecuaciones li-
neales cuyas matrices ampliadas son:
1.  
0 −1 −5 −3 −4 −6 −10
 1
 3 −7 −3 −3 −5 −10 

 0
 −1 −5 −3 −4 −6 −10 

 −1 −4 2 0 −1 −1 0
 
 −2 −8 0 −2 −3 −6 −5 
1 3 1 1 −1 3 0
2.  
0 −2 −5 −6
 2
 6 −6 1
 −1 −6 −5 −10 
2 10 5 14
3.  
12 18 14 21 31 27
 4 7 6 9 13 12 
 
 4 4 2 3 5 3
4 7 9 10 16 17
4.  
15 12 11 20 14 7 8
 5 4 2 5 3 2 1
−25 −20 −15 −30 −20 −11 −10
5.  
0 −5 −5 −7
0 15 12 20 
0 −10 −10 −16
6.  
0 0 10 4 8
 4 3 −17 −5 −14 
0 0 −25 −10 −20
7.  
8 15 −4 4 10
 −4 −8 3 −1 −5 
 
 −4 −7 −4 −8 −7 
6 10 −3 3 6

8.
39 65 −11 28 −3 33
−15 −25 4 −11 1 −13
9.
35 7 14 35 28 21 28
−25 −5 −10 −25 −20 −15 −20
10.  
4 8 18 12 17 18
 0 2 5 3 3 3
 
 2 4 9 8 10 11 
 
 −2 2 6 5 2 5
 
 4 0 −2 0 10 4 
−2 2 6 5 2 5
11.  
24 12 20
 4 2 6
 
 −4 −2 0
−16 −8 −16
12.  
10 −1 2 9 7
 −5 3 −4 −18 −19 
−15 4 −5 −23 −21
13.  
10 9 6 8 12
 −5 −4 −1 1 0
 
 0
 0 −3 −8 −6  
 0 0 0 3 3 
 
 −5 −4 −4 −10 −14 
−5 −5 −5 −9 −7
14.  
1 −3 −1
 2 18 18 
 
 0 −4 −3 
1 −7 −5
15.  
−6 −4 4 2 12 3 1
 0
 0 −2 −1 −6 −4 −5 

 −9 −6 8 2 19 0 −2 
−3 −2 2 1 5 0 −1

272 6.6. Ejercicios
16.  
15 15 12 12 15
 −10 −10 −8 −8 −10 
 
 −20 −20 −16 −16 −20 
 
 −5 −5 −4 −4 −5 
 
 −15 −15 −12 −12 −15 
−5 −5 −4 −4 −5
17.
2 2 2 2 −1 0 0
0 0 0 0 −3 −4 −3
18.  
4 20 36
 −1 −5 −10 
 
 −2 −12 −22 
 
 3 9 16 
 
 2 8 14 
−1 −5 −10
19.  
9 9 3 −3 9 0 −2
 3 3 1 1 4 6 6
 
 6 6 2 12 13 41 41 
−9 −9 −3 −13 −17 −44 −39
20.  
3 5 2 5 5 1
 −3 −5 −5 −21 −17 −17 
 
 0 0 0 4 3 2 
 
 0 0 0 4 3 4
 
 0 0 0 0 0 0
−3 −5 −3 −9 −8 −5
21.  
−8 −2 10 12 3 6
 8 2 2 0 0 0
 
 4
 1 −3 −4 −1 −2 

 0 0 4 4 1 2
0 0 −8 −8 −2 −4
22.  
0 0 0 4 9 6 9
 −4 −8 −4 18 23 14 9
 
 −2 −4 −2 19 35 27 32 
−2 −4 −2 7 6 3 −2

23.  
0 0 0 0 −3 −4 −3
 −55 −11 −44 −88 −63 −84 −96 
 
 0
 0 0 4 −5 −6 −3  
 −20 −4 −16 −32 −24 −32 −36 
0 0 0 0 3 4 3
24.  
0 −2 −5 −6 −8 −8 −11
 0 0 3 3 4 2 5
 
 −2 −5 2 2 0 −3 7
 
 −2 −3 −2 −1 −4 −3 −7 
2 5 4 4 8 9 9
25.  
−8 −30 −45 −29 −15 −12 −8
 4 13 20 13 7 7 5
8 30 45 29 15 16 13
26.  
−2 −1 3 −4
 6
 3 −9 9
 0 −4 −2 −2 
 
 2 9 4 7
−4 −2 6 −4
27.  
20 16 18 12 10 14
 40 32 36 24 20 28 
 
 −10 −8 −9 −6 −5 −7 
 
 5 4 3 1 1 2
−30 −24 −24 −14 −12 −18
Ejercicio 6.2 Discutir y resolver en su caso según los valores de los pará-
metros los sistemas de ecuaciones lineales cuyas matrices ampliadas son:
1.
−1 −4 −2 + a2 a2 − 4 −1 −1
 
a(a − 1) − 6
 −1 −4 −2 + a2 a2 − 4 −1 −1 a(a − 1) − 6 
 
 −4 −16 −4 −12 −4 −5 −29 
2 8 3a2 − 1 3 + 3a2 2 3 17 + 3a(a − 1)

274 6.6. Ejercicios
2.  
4 8 −2 −3a + 3b 2 −b(b + 2)c

 3 6 −1 0 1 0
 −4 −8 2 2a − 2b −1 b(b + 2)c 
 

 2 4 −1 −a + b 1 0
1 + b 2 −1 a − b −1 1
−6 −12 3 a − b −1 b(b + 2)c
3.  
−1 −ba + 1 2 3 −1 − a + b 6 5
 1
 ba − 1 −1 −1 2 −1 0
 1 ba − 1 −1 −1 2 − a + b −1 0
−2 −2ba + 2 3 4 −3 7 a+b+5
4.  
−a − 2 2a − 2 −a 0 2
 a + 2 −3a + 3 0 3(a − 1)(a + 2) 3a − 7 
 
 −2a − 4 6a − 6 −a −6(a − 1)(a + 2) −6a + 13 
0 a−1 0 −2(a − 1)(a + 2) −2a + 4
5.
 
4a − 4b −4a − 4b − 1 −4(a + b)(−a + b) − 5 a + b −11 − a + b
 3a − 3b −3a − 3b −3(a + b)(−a + b) a + b −6 − a + b 
−2a + 2b 2a + 2b + 1 2(a + b)(−a + b) + 5 0 7
6.
6a2 + 5
 
6a 30 − a −a + 41 23 16
 2a
 2a2 + 2 11 − a −a + 16 8 6
2
 −4a −4a − 3
 −19 −25 −18 + a −10 + (a + 1)a 

2
 −3a −3a − 2 −14 −18 −11 −7 
−2a −2a2 − 2 −11 + a 2a − 18 −8 −6
7.
−a − a2 (2 − b) −1
 
−5 + b −3 −5 − b
 −2a − 2a2 (2 − b) −4 −14 + 4b −10 −16 − b 
a + a2 (2 − b) 2 7 − 2b 5 8+b
8.  
−a 0 0 −2 −5 −a
 −3a 2a2 a3 4 + a3 −12 + 2a2 −3a + 15 
a −a2 −a3 −3 − a3 2 − a2 a − 10

9.  
2 a 1 0 7
1 a 1 1 b
 
 1 2a 0 1 −1 
b a 0 0 b
10.  
a b 2 1
 a 2b − 1 3 1
a b b+3 1
11.  
1 − a 2a + 1 2a + 2 a
 a a 0 2a + 2 
2 a + a a − 1 a2 − 2a + 9
12.  
2b c 0 −c c 2b
 2c b − c −2c c − b b + c 0 
 
0
 c 2b −c c 2b 

 0 −c 0 c c 0
2c b −2c −b b 0
13.  
a b ··· b 1
b a ··· b 1
 .. .. .. .. 
 
. . ··· . .
b b ··· a 1

276 6.6. Ejercicios

Capítulo 7
Vectores
7.1 Vectores en Rn
7.1.1 Introducción
Cuando hablamos de vectores, solemos visualizar vectores en R2 o R3 utili-
zados habitualmente en Física elemental. Tales objetos están determinados
por las siguientes características
• Punto de aplicación.
• Módulo o magnitud.
• Dirección.
• Sentido.
Un vector queda así determinado por dos puntos del espacio que se considere,
el punto de aplicación y el punto final del vector. Para nosotros tales vectores
van a estar ligados al estudio de la geometría, que no es objeto de esta
asignatura.
También de la Física proviene la noción de vector libre. Un vector libre es
un conjunto de vectores con el mismo módulo, dirección y sentido. Es decir
un vector libre puede entenderse como un vector sin punto de aplicación, que
se puede deslizar libremente por R2 o R3 . Cada vector libre tendrá un único
representante cuyo punto de aplicación esté en el punto (0, 0) si se trata de R2
o (0, 0, 0) si estamos en R3 . Entonces tomando todos los vectores cuyo punto
de aplicación sea 0, tendremos representados a todos los vectores libres.
Precisamente esta noción es la que interesa desde el punto de vista del
Álgebra Lineal. Así dado un n ∈ N, consideraremos los puntos de Rn como
vectores generalizados cuyo punto de aplicación es (0, . . . , 0) ∈ Rn . Sobre
277
278 7.1. Vectores en Rn
ellos consideraremos unas operaciones que nos proporcionarán el marco en el

que se construye el álgebra lineal.
7.1.1.1 Notaciones
Sea n ∈ N. Consideramos Rn . Como acabamos de decir a sus elementos los
llamaremos vectores (de Rn ). Denotaremos a los vectores de Rn mediante le-
tras latinas minúsculas en negrita. Así un vector genérico de Rn será denotado
por
x ∈ Rn .
Las componentes de un vector son cada uno de los números reales que lo
forman. Se considera un orden en las componentes. Aclaremos esto con unos
ejemplos
Ejemplo 7.1.1 Sea

x = (−3, 4, 0, 2, 3) ∈ R5 .
La primera componente de x es −3, la segunda es 4, la tercera es 0, la cuarta
es 2 y la quinta es 3. ⋄
Si representamos un vector genérico por sus componentes, emplearemos la

misma letra latina minúscula para denotar a sus componentes, acompañada
de un subíndice que indica de qué componente se trata
Ejemplo 7.1.2 Un vector genérico x ∈ Rn se denotará en términos de sus

componentes (también genéricas)
x = (x1 , x2 , . . . , xn ).
Así por ejemplo, un vector genérico x ∈ R6 , se representará como
x = (x1 , x2 , x3 , x4 , x5 , x6 ) = (x1 , x2 , . . . , x6 ).
Para vectores de Rn con n pequeño, a veces es útil representar las componentes

de un vector genérico con letras distintas, sin subíndices.
Ejemplo 7.1.3 Un vector genérico de R2 puede representarse como
(x1 , x2 ) ∈ R2 ,
o como
(x, y) ∈ R2 .

7. Vectores 279
Un vector genérico de R3 puede representarse como

(x1 , x2 , x3 ) ∈ R3 ,
o como
(x, y, z) ∈ R3 .
Un vector genérico de R4 puede representarse como
(x1 , x2 , x3 , x4 ) ∈ R4 ,
o como
(x, y, z, t) ∈ R4 .
⋄
Un vector especial es el vector cero, 0 ∈ Rn . Tal vector se define como el
vector de Rn con todas sus componentes 0.
Ejemplo 7.1.4
0 = (0, 0) ∈ R2 .
0 = (0, 0, 0) ∈ R3 .
0 = (0, 0, 0, 0, 0, 0, 0) ∈ R7 .
⋄
7.1.2 Operaciones
Definiremos dos operaciones que se podrán realizar con los vectores de Rn .
Definición 7.1.5 Sea x = (x1 , x2 , . . . , xn ) un vector de Rn y λ ∈ R un esca-
lar. Se define el producto de λ por x como el vector de Rn cuyas componentes
son las correspondientes de x multiplicadas por λ, es decir
λx := (λx1 , λx2 , . . . , λxn ).
⋄
Ejemplo 7.1.6 Consideramos los siguientes productos de escalares por vec-

tores
3(1, 2, −3) = (3, 6, −9).
−2(3, 1) = (−6, −2).
−(1, −1, 3, 4, −2, 0) = (−1, 1, −3, −4, 2, 0).
1/3(5, −2, 2, −6) = (5/3, −2/3, 2/3, −2).
⋄

280 7.1. Vectores en Rn
Observemos que el vector 0 ∈ Rn multiplicado por cualquier escalar es 0, y

que el escalar 0 multiplicado por cualquier vector de Rn es 0 ∈ Rn .
Definición 7.1.7 Sean x = (x1 , x2 , . . . , xn ) e y = (y1 , y2 , . . . , yn ) dos vecto-
res de Rn . Se define la suma de x e y como el vector cuyas componentes son
la suma de las componentes correspondientes de x y de y, es decir
x + y := (x1 + y1 , x2 + y2 , . . . , xn + yn ).
Ejemplo 7.1.8
(1, 2, 4, 2) + (−1, 2, 3, −6) = (0, 4, 7, −4)

(3, 4) + (0, 1) = (3, 5).
(1, 0, 3, 2, 5, −1) + (2, 3, 4, 1, −5, 7) = (3, 3, 7, 3, 0, 6).
(1, 0, 1, −2) + (0, 0, 0, 0) = (1, 0, 1, −2).
En realidad podemos sumar cualquier cantidad finita de vectores de Rn .

(1, 2, 3, −1) + (3, 2, 1, 0) + (−1, 2, 2, 0) + (0, 1, 3, 1) + (−3, −5, 8, −2)
= (0, 2, 17, −2).
⋄
Tengamos en cuenta que no tiene sentido sumar dos vectores de distinta

longitud.
7.1.3 Vectores y matrices

A cada vector
x = (x1 , x2 , . . . , xn ) ∈ Rn ,
podremos asociarle una matriz fila

x1 x2 . . . xn 1×n
,
o una matriz columna  

x1
 x2 
 ..  ,
 
 . 
xn n×1
y recíprocamente.

7. Vectores 281
Ejemplo 7.1.9 El vector (1, 3, −2, 0, 6) ∈ Rn , tiene como matriz asociada

por filas a
1 3 −2 0 6 ,
y como matriz asociada por columnas a
 
1
 3
 
 −2  .
 
 0
6
Así mismo, la matriz fila

2 −2 0 1 5 7 ,
tiene como vector de R6 asociado a
(2, −2, 0, 1, 5, 7),
y la matriz columna  
3
 5
 ,
 6
−1
tiene como vector de R4 asociado a
(3, 5, 6, −1).
⋄
En lo sucesivo identificaremos los vectores con sus matrices columna y
fila asociadas según convenga en cada caso, y no será necesario casi nunca a
la conversión explícita entre vectores y sus matrices asociadas y viceversa.
Ejemplo 7.1.10 Sea Am×n una matriz. Si x = (x1 , x2 , . . . , xn ) ∈ Rn e y =
(y1 , y2 , . . . , ym ) ∈ Rm , la expresión
 
x1
 x2 
Ax significa A  ..  ,
 
 . 
xn
y la matriz columna resultante del producto de matrices, puede interpretarse

a su vez como un vector de Rn , sin necesidad de decirlo explícitamente.

282 7.2. Sistemas de vectores
La expresión
yA significa

y1 y2 . . . ym A,
y la matriz fila resultante del producto de matrices, puede interpretarse a su
vez como un vector de Rm , sin necesidad de decirlo explícitamente. ⋄
7.2 Sistemas de vectores

Definición 7.2.1 Un sistema de vectores de Rn , o simplemente un sistema
de Rn es una colección finita y ordenada de vectores de Rn . Los representa-
remos separando sus vectores por comas, en el orden en que se consideren y
rodeándolos con corchetes. Cuando queramos representar a todo el sistema
con un símbolo emplearemos letras latinas mayúsculas en negrita.
S = [x1 , x2 , . . . , xt ].
⋄
Ejemplo 7.2.2 Un ejemplo de un sistema de 3 vectores de R4 es
S = [(2, 1, 2, 3), (−1, 4, 3, 1), (0, 1, 3, 0)].
El primer vector de S es (2, 1, 2, 3), el segundo es (−1, 4, 3, 1) y el tercero es
(0, 1, 3, 0). ⋄
En un sistema de vectores importa el orden así el sistema de R3
[(0, 1, 2), (2, −1, 0), (4, 0, 1), (1, 1, 1)],
es distinto del sistema
[(0, 1, 2), (4, 0, 1), (2, −1, 0), (1, 1, 1)].
Otra característica que hay que tener en cuenta es que los sistemas pueden
tener vectores repetidos, como por ejemplo el siguiente sistema de R5
[(1, 0, −1, 2, 3), (4, 0, 2, 1, −1), (6, 3, 1, −7, 1, 2), (4, 0, 2, 1, −1), (1, 0, −1, 3, 0)].
Finalmente hagamos notar que no se pueden mezclar vectores con distinto
número de componentes en un mismo sistema.
Definición 7.2.3 El sistema vacío de Rn es aquel que no contiene ningún
vector. Lo representaremos por []. ⋄
Definición 7.2.4 Diremos que un sistema de Rn es trivial si es el sistema
vacío o sólo contiene copias del vector 0 ∈ Rn . ⋄

7. Vectores 283
7.2.1 Combinaciones lineales

En la misma línea que lo mencionado en la subsección 6.1, con las dos ope-
raciones que acabamos de definir, tiene sentido considerar combinaciones
lineales de vectores de Rn
Definición 7.2.5 Sea S = [x1 , x2 , . . . , xt ] un sistema no vacío de vectores

de Rn , y λ1 , λ2 , . . . , λt ∈ R escalares. Llamaremos combinación lineal del
sistema S con escalares λ1 , λ2 , . . . , λt a
λ1 x 1 + λ2 x 2 + · · · + λt x t .
Una combinación lineal de un sistema de Rn proporciona otro vector de Rn
Ejemplo 7.2.6 Sea el sistema de R4
S = [(0, 1, 1, −1), (1, 2, 3, 0), (4, 1, 2, −1)].
Tomemos los escalares 3, −2, 1. Con ellos podemos formar la combinación

lineal de S, dada por
3(0, 1, 1, −1) − 2(1, 2, 3, 0) + (4, 1, 2, −1) = (2, 0, −1, −4).
7.2.2 Matriz de un sistema

Definición 7.2.7 Sea S = [x1 , x2 , . . . , xt ] un sistema no vacío de vectores
de Rn .
• Llamaremos matriz por filas asociada a S a la matriz de orden t × n

cuya fila i-ésima es la matriz fila asociada al vector xi del sistema,
i = 1, . . . , t. Dicha matriz, será denotada por S F .
• Llamaremos matriz por columnas asociada a S a la matriz de orden

n × t cuya fila i-ésima es la matriz columna asociada al vector xi del
sistema, i = 1, . . . , t. Dicha matriz, será denotada por S C .

Nota 7.2.8 Sea S = [x1 , x2 , . . . , xt ] un sistema no vacío de vectores de Rn .

Pongamos que
x1 = (x11 , x12 , . . . , x1n ),

x2 = (x21 , x21 , . . . , x2n ),
······
xt = (xt1 , xt2 , . . . , xtn ),
entonces  
x11 x12 ··· x1n
 x21 x22 ··· x2n 
SF = 
· · ·
,
··· ··· ··· 
xt1 xt2 ··· xtn
y
..
 
 x11 x21 . xt1 
..
x x22 . xt1 
 
S C =  12
. .. .. ..  ,
 .. . . . 
..
 
x1n x2n . xtn
⋄
Ejemplo 7.2.9 En R4 consideramos el sistema
S = [(2, 3, 1, 5), (0, −3, 4, 7), (1, 2, −2, −1)].
Se tiene que  
2 3 1 5
S F =  0 −3 4 7 ,
1 2 −2 −1
y que  
2 0 1
 3 −3 2
SF =  .
1 4 −2 
5 7 −1
⋄
Proposición 7.2.10 Sea S = [x1 , x2 , . . . , xt ] un sistema de vectores de Rn .

Se verifican las siguientes propiedades
1. (S F )t = S C .
2. (S C )t = S F .

7. Vectores 285
3. Si α1 , α2 , . . . , αt ∈ R, y tenemos la combinación lineal de S
y = α1 x 1 + α2 x 2 + · · · + αt x t ,
con las identificaciones entre vectores y matrices que hemos propuesto,

podemos expresarla matricialmente como
 
α1
 .. 
y = S C  .  = α1 . . . αt S F .
αt
S = [(1, 3, 1, 5, 1), (2, 4, 1, −1, −2), (1, 0, 0, −2, 0)].
Sea la combinación lineal de S
x = 3(1, 3, 1, 5, 1) − 2(2, 4, 1, −1, −2) + (1, 0, 0, −2, 0) = (0, 1, 1, 15, 7).
Es sencillo ver que


1 3 1 5 1
x = (0, 1, 1, 15, 7) = 3 −2 1 S F = 3 −2 1  2 4 1 −1 −2  ,
1 0 0 −2 0
y que
 
  1 2 1  
3 3
 4 0 3
x = (0, 1, 1, 15, 7) = S C −2 =  1
   1 0  −2  ,
 
1  5 −1 −2  1
1 −2 0
⋄
Definición 7.2.12 Dado un sistema no trivial de vectores de Rn .
• Diremos que es escalonado, si su matriz asociada por filas es escalonada

por filas y no tiene filas nulas.
• Diremos que es reducido si su matriz asociada por filas es escalonada

reducida por filas y no tiene filas nulas.

Ejemplo 7.2.13 El siguiente sistema de R4
S = [(2, 4, 1, 2), (0, 4, 4, 1), (0, 0, 0, 5)],
es escalonado, pues si construimos su matriz escalonada por filas

 
2 4 1 2
SF = 0 4 4 1 ,
0 0 0 5
vemos que es una matriz escalonada por filas y que no tiene ninguna fila nula.
El sistema de R5
T = [(1, 0, 0, 1, 0), (0, 1, 0, 1, 0), (0, 0, 1, 5, 0), (0, 0, 0, 0, 1)],
es escalonado reducido, pues su matriz por filas es

 
1 0 0 1 0
0 1 0 1 0
TF = 0 0
,
1 5 0
0 0 0 0 1
que es escalonada reducida por filas y no tiene filas nulas. ⋄
7.2.3 Rango de un sistema

Definición 7.2.14 Sea S un sistema no vacío de vectores de Rn . Definiremos
el rango de S y lo denotaremos por rg S, como el rango de la matriz S F , o
equivalentemente, como el rango de S C .
Por convenio, diremos que el sistema vacío tiene rango 0. ⋄
Nota 7.2.15 Para calcular el rango de un sistema no vacío, sólo hemos de

construir su matriz asociada por filas y calcular su rango, por ejemplo redu-
ciéndola a forma escalonada por filas y contando el número de filas no nulas
que quedan. ⋄
S = [(0, 0, 1, 2, 2), (−2, −10, 0, −4, −4), (2, 10, −1, 2, 2),
(3, 15, −2, 2, 2), (5, 25, −3, 4, 4)].

7. Vectores 287
Para calcular su rango, lo único que necesitamos hacer es construir su matriz

por filas  
0 0 1 2 2
 −2 −10 0 −4 −4 
 
SF =   2 10 −1 2 2,
 3 15 −2 2 2
5 25 −3 4 4
y mediante operaciones elementales por filas llegar a una forma escalonada.
No detallaremos aquí las operaciones elementales realizadas, pero se obtiene
 
1 5 0 2 2
0 0 1 2 2
 
0 0 0 0 0 ,
 
0 0 0 0 0
0 0 0 0 0
que como tiene dos filas no nulas nos dice que el rango es 2. Luego
rg S = 2.
Obsérvese que aunque en este ejemplo se ha obtenido la forma escalonada

reducida, en general para calcular el rango basta con llegar a una forma
escalonada cualquiera. ⋄
7.2.4 Equivalencia de sistemas

Definición 7.2.17 Sean S y T dos sistemas de Rn . Diremos que S es equi-
valente a T si, o bien los dos son triviales, o bien los dos son no triviales y
se puede obtener T F a partir de S F mediante
• La realización de operaciones elementales por filas.
• La supresión o añadido de filas nulas.
Proposición 7.2.18 La equivalencia de sistemas es una relación de equiva-

lencia, es decir, se verifican
1. Todo sistema es equivalente a sí mismo.
2. Si S es equivalente a T , entonces T es equivalente a S.

3. Si S es equivalente a T y T es equivalente a Y , entonces S es equiva-

lente a Y .
Demostración:
Para sistema triviales es trivial. Para sistemas no triviales es inmediata a
partir de la posibilidad de revertir y encadenar el tipo de operaciones que se
realizan en las matrices asociadas a los sistemas por filas. ⋄
Ejemplo 7.2.19 Consideremos el sistema de R4
S = [(1, 0, 0, 3), (0, 1, −1, −2), (−2, −8, 8, 10), (1, 0, 1, 6), (−1, −3, 3, 3)],
y el sistema
T = [(−2, −11, 11, 16), (0, 1, −1, −2), (1, 4, −4, −5), (−2, 0, −2, −12),
(−1, −3, 3, 3)].
Son equivalentes, porque si sobre la matriz por filas de S

 
1 0 0 3
 0
 1 −1 −2  
SF =   −2 −8 8 10 ,

 1 0 1 6
−1 −3 3 3
realizamos las operaciones elementales por filas

−3 4
f32 , f12 , f13 , f4−2,
obtenemos la matriz por filas de T

 
−2 −11 11 16
 0
 1 −1 −2 
TF =  1
 4 −4 −5 .
 −2 0 −2 −12 
−1 −3 3 3
⋄
Proposición 7.2.20 La equivalencia de sistemas verifica las siguientes pro-

piedades
1. Dos sistemas equivalentes tienen el mismo rango.

7. Vectores 289
2. Todo sistema no trivial es equivalente a un sistema escalonado.
3. Todo sistema no trivial es equivalente a un único sistema reducido.
Demostración:
Es inmediata a partir de las propiedades correspondientes para matrices. ⋄
Nota 7.2.21 En la Proposición 7.2.20 se establece que dos sistemas equiva-

lentes tienen el mismo rango. El recíproco no es cierto, como podemos ver
en el Ejemplo 7.2.22, de forma que el rango no caracteriza la equivalencia de
sistemas. ⋄
Ejemplo 7.2.22 Consideremos los sistemas de R2
S = [(0, 1)] y T = [(1, 0)].
Es muy sencillo ver que ambos tienen rango uno y que no pueden ser equi-
valentes. ⋄
Definición 7.2.23 Dado un sistema no trivial S de Rn , llamaremos sistema

reducido asociado a S al único sistema reducido que es equivalente a él. ⋄
Proposición 7.2.24 Dos sistemas no triviales de Rn son equivalentes si y

sólo si sus sistemas reducidos asociados coinciden.
Demostración:
Es inmediata a partir de la Proposición 7.2.24. ⋄
Nota 7.2.25 Podemos decir que la propiedad que caracteriza la equivalencia

de sistemas (no triviales) es la igualdad del sistema reducido asociado. ⋄
Ejemplo 7.2.26 Consideremos el sistema de R5
S = [(−2, −2, −3, −5, −4), (−2, −6, −6, −6, −5), (5, 11, 12, 14, 13),
(−1, 5, 3, −1, 1), (3, 1, 3, 7, 6)].
Obtendremos un sistema escalonado equivalente a S. Para ello debemos pri-

mero construir la matriz de S por filas
 
−2 −2 −3 −5 −4
 −2 −6 −6 −6 −5 
 
SF =   5 11 12 14 13 
.
 −1 5 3 −1 1
3 1 3 7 6

Ahora hacemos operaciones elementales por filas para pasar a forma escalo-
nada
   
−2 −2 −3 −5 −4 −1 5 3 −1 1
 −2 −6 −6 −6 −5   f14  −2 −6 −6 −6 −5  f21
  −2
 5 ,f −2 ,f 3
,f31 41 51
 5
 11 12 14 13  −→  5 11 12 14 13 
 
 − −−− − −− −−→
 −1 5 3 −1 1  −2 −2 −3 −5 −4 
3 1 3 7 6 3 1 3 7 6
   
−1 5 3 −1 1 −1 5 3 −1 1
 0
 −16 −12 −4 −7   f31/9 ,f41/3  0 −16 −12 −4 −7  f23
 
 −−−−−→  0  −→
 0 36 27 9 18   4 3 1 2

 0 −12 −9 −3 −6   0 −4 −3 −1 −2 
0 16 12 4 9 0 16 12 4 9
   
−1 5 3 −1 1 −1 5 3 −1 1
 0 4 3 1 2  4 1 −4  0 4 3
  1 2 −1
 f32 ,f42 ,f52  f53
 0
 −16 −12 −4 −7   − − − −− − →  0 0 0
 0 1  −−→

 0 −4 −3 −1 −2   0 0 0 0 0
0 16 12 4 9 0 0 0 0 1
 
−1 5 3 −1 1
 0 4 3 1 2
 
 0 0 0 0 1
 ,
 0 0 0 0 0
0 0 0 0 0
que está en forma escalonada. Ahora quitamos las filas nulas
 
−1 5 3 −1 1
 0 4 3 1 2 ,
0 0 0 0 1
y tomando el sistema formado por las filas de esta matriz
T = [(−1, 5, 3, −1, 1), (0, 4, 3, 1, 2), (0, 0, 0, 0, 1)],
obtenemos un sistema escalonado equivalente a S. Para obtener el sistema

escalonado reducido asociado a S, partimos de la matriz por filas de T y
realizamos sobre ellas operaciones elementales por filas con objeto de llegar

7. Vectores 291
a su forma reducida
   
−1 5 3 −1 1 1/4 −1 1 −5 −3 1 −1 −1/2 1
f2 ,f1 f23 ,f13
TF = 0 4 3 1 2  −− −−−→  0 1 3/4 1/4 1/2  −− −−−→
0 0 0 0 1 0 0 0 0 1
   
1 −5 −3 1 0 5
1 0 3/4 9/4 0
f12
0 1 3/4 1/4 0  −→  0 1 3/4 1/4 0  ,
0 0 0 0 1 0 0 0 0 1
que es una matriz reducida. Tomando sus filas como vectores se obtiene el
sistema
R = [(1, 0, 3/4, 9/4, 0), (0, 0, 1, 3/4, 1/4, 0), (0, 0, 0, 0, 1)],
que es el sistema reducido asociado a S (y a T ). ⋄
7.3 Subespacios
7.3.1 Subespacios y sistemas
Definición 7.3.1 Sea S un sistema de Rn . Denotaremos por hSi al conjunto
de Rn formado por todas las posibles combinaciones lineales del sistema S.
⋄
Definición 7.3.2 Sea G un subconjunto de Rn .
1. Diremos que G es un subespacio de Rn , si existe un sistema S de Rn
tal que
G = hSi .
2. Diremos entonces que G es el subespacio generado por S.
3. Diremos también que S es un sistema generador de G.
⋄
Ejemplo 7.3.3 Consideremos el sistema de R5 .
S = [(5, 5, 4, 1), (5, 1, 2, −7), (−5, 1, −1, 11)],
Como G = hSi es el conjunto de vectores de R5 que son combinación lineal
del sistema S, se tiene
G = {α1 (5, 5, 4, 1) + α2 (5, 1, 2, −7) + α3 (−5, 1, −1, 11) / α1, α2 , α3 ∈ R}
= {(5α1 + 5α2 − 5α3 , 5α1 + α2 + α3 , 4α1 + 2α2 − α3 , α1 − 7α2 + 11α3 ) /
α1 , α2 , α3 ∈ R} .

292 7.3. Subespacios
El sistema S es un sistema generador de G, pero no es el único. Todos los

subespacios de Rn tienen de hecho infinitos sistemas generadores. ⋄
Proposición 7.3.4 Sea G un subespacio de Rn y sea S un sistema generador
de G. Se tienen las siguientes propiedades
1. Sea el vector 0 ∈ Rn . El conjunto {0} es un subespacio de Rn . Lo
llamaremos el subespacio cero ó nulo de Rn .
2. Rn es un subespacio de Rn . Lo llamaremos el subespacio total de Rn .
3. Todos los vectores del sistema S están en el subespacio G = hSi.
4. 0 ∈ Rn está en cualquier subespacio de Rn .
5. Si x, y ∈ G, entonces x + y ∈ G.
6. Si x ∈ G, y λ ∈ R, entonces λx ∈ G.
7. Cualquier combinación lineal de cualquier sistema de G es un vector de
G.
Demostración:
1. Es inmediato ver que el sistema [0] genera el conjunto {0}, luego es un

subespacio.
2. Por definición es inmediato que cualquier combinación lineal de vectores
de Rn está en Rn . Sea ahora x = (x1 , x2 , . . . , xn ) ∈ Rn . Se tiene que
(x1 , x2 , . . . , xn ) =x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + · · ·
+ xn−1 (0, . . . , 0, 1, 0) + xn (0, . . . , 0, 1).
Por tanto el sistema
[(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1, 0), (0, . . . , 0, 1)],
es un sistema generador de Rn , y por tanto es subespacio.
3. Supongamos que S = [x1 , x2 , . . . , xt ]. Entonces para cada i = 1, . . . , t,
tenemos
xi = 0x1 + · · · + 0xi−1 + 1xi + 0xi+1 + · · · + 0xn .
Luego cada vector de S es combinación lineal del sistema S, luego está
en hSi.

7. Vectores 293
4. Con las notaciones introducidas en el apartado anterior

0 = 0x1 + 0x2 + · · · + 0xn ,
por tanto 0 ∈ S.
5. Supongamos que x, y ∈ G entonces existen escalares α1 , . . . , αn ∈ R y
β1 , . . . , βn ∈ R, tales que
   
α1 β1
 ..   .. 
x = SC  .  , y = SC  .  .
αn βn
Por tanto
     
α1 β1 α1 + β1
x + y = S C  ...  + S C  ...  = S C  ..
. ,
     
αn βn αn + βn
Por lo que x + y ∈ hSi.
6. Supongamos que x ∈ G y λ ∈ R. Existen α1 , . . . , αn ∈ R
 
α1
 .. 
x = SC  .  .
αn
Por tanto    
α1 λα1
λx = λS C  ...  = S C  ...  ,
   
αn λαn
Por lo que λx ∈ hSi.
7. El resultado se obtiene aplicando varias veces las dos propiedades an-
teriores.
⋄
7.3.2 Bases y dimensión

Todo lo visto hasta ahora, nos permitirá desentrañar la importante noción
de dimensión de un subespacio. La dimensión va a ser un número que se
asocia a cada subespacio y que contiene gran información (de hecho la más
relevante) sobre el subespacio. Comenzaremos con un resultado sobre el que
se basará nuestra teoría de la dimensión

Teorema 7.3.5 Dos sistemas de Rn son equivalentes si y sólo si generan el

mismo subespacio.
Para saber más

Incluimos aquí la demostración de este resultado.
Demostración:
⋄
Definición 7.3.6 Sea G un subespacio de Rn . Llamaremos dimensión de G
y la denotaremos por dim G, al rango de un sistema generador cualquiera de
G. ⋄
Nota 7.3.7 Obsérvese que el rango de todos los sistemas que generen a un
mismo subespacio han de ser el mismo, pues son equivalentes, lo que implica
que sus matrices asociadas por filas tienen el mismo rango. Por tanto la
dimensión de un subespacio está bien definida.
Para calcular la dimensión de un subespacio, sólo hay que encontrar un
sistema generador, construir su matriz por filas asociada y calcular su rango,
por ejemplo reduciendo a forma escalonada por filas. ⋄
Ejemplo 7.3.8 Se considera el subespacio G de R5 generado por el sistema
S = [(0, 5, −2, 4, 0), (1, 2, −2, −1, 1), (−1, 0, 0, −1, 0), (1, 1, −1, 0, 1),
(−1, −4, 2, −3, 0)].
Para calcular la dimensión, es suficiente calcular el rango del sistema S. Para
ello construimos su matriz por filas y la reducimos a forma escalonada
 
0 5 −2 4 0
 1 2 −2 −1 1  1
 f13 ,f21 1 −1 −5 −2 4 1/2 3 ,f 1
 −−−−−,f−41−,f−51−−
,f24 ,f32 ,f42 ,f52 ,f5 ,f35 ,f53
 54
 −1 0 0 −1 0 −− − − − − − − − − −− −− − −−→
 
 1 1 −1 0 1
−1 −4 2 −3 0
 
−1 0 0 −1 0
 0 1 −1 −1 1
 
 0 0 −1 −3 2
 ,
 0 0 0 0 −1 
0 0 0 0 0
de donde se deduce que dim G = 4. ⋄

7. Vectores 295
Definición 7.3.9 Una base de un subespacio G de Rn es un sistema gene-

rador de G con un número de vectores igual a la dimensión de G ⋄
Ejemplo 7.3.10 Por convenio diremos que una base del subespacio cero de
Rn es el sistema vacío []. Por tanto la dimensión del subespacio cero es cero,
y éste es el único subespacio con esta propiedad. ⋄
Ejemplo 7.3.11 Una base de Rn , puede verse con facilidad que está formada
por el sistema de n vectores
E = [(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1, 0), (0, . . . , 0, 1)],
a la que llamaremos la base canónica de Rn . Denotaremos a los vectores de

la base canónica de Rn abreviadamente por
e1 = (1, 0, 0, . . . , 0, 0, 0)
e2 = (0, 1, 0, . . . , 0, 0, 0)
··················
en−1 = (0, 0, 0, . . . , 0, 1, 0)
en = (0, 0, 0, . . . , 0, 0, 1).
Proposición 7.3.12 Respecto de las bases se tienen las siguientes propie-

dades
1. Todo subespacio tiene al menos una base.
2. Todas las bases de un mismo subespacio tienen el mismo número de

vectores.
Demostración:
1. Como todo subespacio tiene al menos un sistema generador por defini-

ción, su sistema reducido asociado será una base del subespacio.
2. Es inmediato, pues la dimensión está bien definida.

Ejemplo 7.3.13 Se considera el subespacio G de R5 generado por el sistema
S = [(0, 5, −2, 4, 0), (1, 2, −2, −1, 1), (−1, 0, 0, −1, 0), (1, 1, −1, 0, 1),
(−1, −4, 2, −3, 0)].
Para calcular una base, es suficiente construir un sistema escalonado equi-

valente a S. Para ello construimos su matriz por filas, la reducimos a forma
escalonada (como hicimos en un ejemplo anterior) y quitamos las filas cero
 
0 5 −2 4 0
 1 2 −2 −1 1  1
 f13 ,f21 1 −1 −5 −2 4 1/2 3 ,f 1
 −−−−−,f−41−,f−51−−
,f24 ,f32 ,f42 ,f52 ,f5 ,f35 ,f53
 54
 −1 0 0 −1 0 −− − − − − − − − − −− −− − −−→
 
 1 1 −1 0 1
−1 −4 2 −3 0
 
−1 0 0 −1 0
 0 1 −1 −1 1
 
 quitamos las filas nulas
 0 0 −1 −3 2

 0 0 0 0 −1 
0 0 0 0 0
 
−1 0 0 −1 0
 0 1 −1 −1 1
 ,
 0 0 −1 −3 2
0 0 0 0 −1
y una base es el sistema de vectores formado por las filas de esta última
matriz
B = [(−1, 0, 0, −1, 0), (0, 1, −1, −1, 1), (0, 0, −1, −3, 2), (0, 0, 0, 0, −1)].
Definición 7.3.14 Diremos que un sistema de Rn es

• Libre si su número de vectores coincide con su rango (es decir con la
dimensión del subespacio que genera).
• Ligado en caso contrario.

⋄
Ejemplo 7.3.15 El siguiente sistema de R3
S = [(1, 0, 1), (1, 1, 0)],

7. Vectores 297
es libre, porque su rango es 2, como puede deducirse del cálculo del menor
de S F
1 0
1 1 = 1 6= 0,

y 2 es exactamente el número de vectores que tiene.

El sistema de R4
T = [(1, 1, 1, 1), (1, 0, 1, 0), (0, 1, 0, 1)],
tiene 3 vectores y se puede demostrar fácilmente (por ejemplo construyendo

un sistema escalonado equivalente) que su rango es 2 < 3. Por tanto es ligado.
⋄
Proposición 7.3.16 Se verifican las siguientes propiedades

1. La dimension de un subespacio de Rn es menor o igual que n.
2. La dimension de un subespacio generado por un sistema con t vectores

es menor o igual que t.
3. La escritura como combinacion lineal de un elemento de un subespacio

en terminos de una base es unica.
4. Todo sistema de vectores de un subespacio con mas vectores que la

dimension del subespacio, es ligado.
5. Dada una base de un subespacio de Rn y un vector de Rn , dicho vector

está en el subespacio si y solo si el sistema formado por el vector y la
base es ligado.
6. Un sistema libre de un subespacio es una base del subespacio si y solo

si su numero de vectores es igual a la dimension del subespacio.
7. Sean H y G dos subespacios de Rn .
G ⊆ H =⇒ dim(G) ≤ dim(H).
8. H y G dos subespacios de Rn con G ⊆ H entonces
H = G si y solo si dim(G) = dim(H).
9. Si S es una base de un subespacio F de Rn entonces
T es base de F ⇐⇒ ∃P matriz inversible / PS F = T F .

Para saber más

Demostración:
La demostración de alguno de los puntos anteriores no es inmediata, y se realizará aquí.
Teorema 7.3.17 [Caracterización de subespacios]

Sea G ⊆ Rn con G 6= ∅. Las siguientes propiedades son equivalentes
(i) G es un subespacio de Rn .
(ii) Se verifican las dos condiciones siguientes
(a) x + y ∈ G, ∀ x, y ∈ G.
(b) λx ∈ G, ∀ x ∈ G, ∀ λ ∈ R
(iii) Para cada sistema [a1 , a2 , . . . , as ] de G y para colección de escalares

λ1 , λ2 , . . . , λs ∈ R se tiene que
λ1 a1 + λ2 a2 + · · · + λs as ∈ G.
Para saber más

Demostración:
Este resultado puede ser útil para comprobar que algo es un subespacio sin
necesidad de construir explícitamente un sistema generador
Ejemplo 7.3.18 Consideremos el conunto de R6 formado por aquellos vec-

tores cuya primera y tercera componentes son cero. Cuando se suman dos
vectores con esa propiedad, se obtiene un tercero con la misma propiedad.
Cuando se multiplica un escalar por un vector con la primera y tercera com-
ponentes nulas, se obtiene otro con la primera y tercera componentes nulas.
Por tanto el conjunto descrito de R6 es un subespacio de R6 .
⋄

7. Vectores 299
Teorema 7.3.19 [Compleción de bases]

Sea G ⊆ Rn un subespacio de dimensión t. Sea S = [x1 , x2 , . . . , xr ] un siste-
ma libre de vectores de G, con r < t. Existen t−r vectores xr+1 , xr+2 , . . . , xt ∈
G de manera que al unirlos al sistema S para formar el sistema
[x1 , x2 , . . . , xr , xr+1 , xr+2 , . . . , xt ],
se obtiene una base de Rn .

Demostración:
⋄
La demostración de 7.3.19 es interesante pues es constructiva y permite desa-

rrollar un método efectivo para construir los vectores que completan un sis-
tema libre hasta una base.
Ejemplo 7.3.20 Consideremos el subespacio de R4 , G = hSi, donde
S = [(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)].
Es sencillo comprobar que S es una base de G, y que por tanto dim G = 3.

Se considera el sistema de G, T = [(−1, 2, 2, 0)] (se deja como un sencillo
ejercicio para el lector ver que (−1, 2, 2, 0) está en efecto en G).
Trataremos de completar el sistema T (que es libre, evidentemente) hasta
una base de G. Para ello basta ir completando con vectores de una base de G
de manera que siempre quede un sistema libre hasta alcanzar tantos vectores
como la dimensión de G.
1. Tomamos el primer vector de S, que es una base de G y se lo añadimos

al sistema T . Obtenemos así
T1 = [(−1, 2, 2, 0), (1, 0, 0, 0)].
Comprobamos si T1 es libre pasando a forma escalonada

1
−1 2 2 0 f21 −1 2 2 0
−→ ,
1 0 0 0 0 2 2 0
Luego rg T1 = 2 y 2 es su número de vectores, luego T1 es libre, y el

vector que hemos añadido sirve para el proceso de compleción.
2. Ahora añadimos a T1 el siguiente vector de la base S para formar
T2 = [(−1, 2, 2, 0), (1, 0, 0, 0), (0, 1, 1, 0)].

Para calcular el rango de T2 es suficiente partir de la forma escalonada

de T1 obtenida, añadirle el nuevo vector y continuar escalonando
   
−1 2 2 0 −1/2 −1 2 2 0
f32
 0 2 2 0 − −−→  0 2 2 0  ,
0 1 1 0 0 0 0 0
luego rg T2 = 2, y como tiene 3 vectores es ligado, luego hay que

desechar el vector que acabamos de añadir.
3. Entonces añadimos a T1 (T2 no sirve por ser ligado) el tercer vector de

S, para obtener
T3 = [(−1, 2, 2, 0), (1, 0, 0, 0), (0, 0, 0, 1)],
que se puede comprobar enseguida que tiene rango 3, luego es libre

porque tiene 3 vectores. Como la dimensión de G es 3, hemos acabado
el proceso de compleción, y T3 es la base buscada.
⋄
Corolario 7.3.21 Si tenemos dos subespacios de Rn con G ⊆ H, entonces

dada una base de G, existe una base de H cuyos primeros vectores son los
de la base de G dada. ⋄
Ejemplo 7.3.22 Consideremos en R5 el subespacio H generado por el sis-

tema
S = [(1, 0, 1, 0, 1), (0, 1, 1, 0, 0), (0, 1, 0, 1, 0)].
Dejemos al lector probar que S es una base de H. Se considera el subespacio
G generado por el sistema
T = [(1, 2, 1, 2, 1), (2, 3, 5, 0, 2)].
También se deja como un ejercicio para el lector comprobar que T es una

base de G, y que G ⊆ H.
El proceso para conseguir una base de H, cuyos primeros vectores sean
la base de G consiste en completar el sistema T , que es una sistema libre de
H, hasta una base de H mediante un proceso similar al realizado en 7.3.20,
y que no detallaremos aquí. Puede verse fácilmente que tal sistema podría
ser por ejemplo.
[(1, 2, 1, 2, 1), (2, 3, 5, 0, 2), (1, 0, 1, 0, 1)].

7. Vectores 301
Corolario 7.3.23 Dado un sistema libre S de Rn , siempre existe una base

de Rn cuyos primeros vectores son los de S ⋄

S = [(1, 2, 2, 1), (2, 1, 1, 2)].
Se puede comprobar que es libre. Para extenderlo a una base de R4 basta ir
añadiendo vectores de una base de R4 , teniendo en cuenta que en cada paso el
sistema que se obtiene ha de ser libre y terminar cuando se haya conseguido
un sistema de cuatro vectores.
Elegimos la base canónica de R4 para ir añadiendo vectores, porque es la
más sencilla y no se imponen restricciones al respecto
1. Añadimos a S el primer vector de la base canónica y obtenemos
S1 = [(1, 2, 2, 1), (2, 1, 1, 2), (1, 0, 0, 0)].
Para ver si S1 es libre reducimos a forma escalonada y quitamos filas
nulas (sin detallar el cálculo)
   
1 2 2 1 1 2 2 1
 2 1 1 2  −→  0 1 1 0  ,
1 0 0 0 0 0 0 1
que tiene rango 3, luego el vector añadido sirve porque S1 es libre.
2. Añadimos a S1 el segundo vector de la base de R4 fijada para formar
S2 = [(1, 2, 2, 1), (2, 1, 1, 2), (1, 0, 0, 0), (0, 1, 0, 0)],
y comprobamos si es libre. Para ello basta añadir el nuevo vector a la
forma escalonada de S1 y seguir escalonando.
   
1 2 2 1 1 2 2 1
0 1 1 0
 −→  0 1 1 0

 0 0 −1 0  ,
 
0 0 0 1
0 1 0 0 0 0 0 1
que tiene rango 4, luego S2 es la base de R4 buscada.
⋄
Definición 7.3.25 Sean G, H y J subespacios de Rn , con G, H ⊆ J. Dire-
mos que G y H son suplementarios (uno del otro) en J, si existe una base
de G y una base de H tal que el sistema resultante de unir ambas bases es
una base de J. ⋄

Proposición 7.3.26 En Rn , sean G y H subespacios suplementarios en un

subespacio J. Entonces el sitema resultante de unir una base cualquiera de
G con una base cualquiera de H, es una base de J. ⋄
Ejemplo 7.3.27 Consideremos el subespacio J de R4 generado por
S = [(1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1)].
Es sencillo comprobar que S es una base J. Sean ahora los subespacios G y

H, generados respectivamente por los sistemas
T = [(1, 0, 0, 0)],
U = [(0, 1, 0, 0), (0, 0, −2, −2)].

Es sencillo ver que tanto G como U están incluidos en J, que T es una base de
G, que U es una base de H,y que el sistema que se forma uniendo los vectores
de T con los de U , es una base J. Por tanto G y H son suplementarios en
J. ⋄
Corolario 7.3.28 Sean G y J dos subespacios de Rn con G ⊆ J. Siempre

existe al menos un suplementario de G en J ⋄
Ejemplo 7.3.29 Sea J el subespacio de R5 generado por el sistema
S = [(0, 0, 0, 0, 1), (0, 0, 0, 1, 1), (0, 0, 1, 1, 1)].
Se tiene que S es una base J. Sea ahora el subespacio G generado por el

sistema
T = [(0, 0, 0, 1, 2)].
Tenemos G ⊆ J, y que T es una base de G. Completamos la base de G
hasta una base de J. Se deja al lector ver que completando con el primer y
tercer vector de S se completa una base de G hasta una base de J. Entonces
h(0, 0, 0, 0, 1), (0, 0, 1, 1, 1)i es un suplementario de G en J. ⋄
Corolario 7.3.30 Sea G un subespacio de Rn . Siempre existe al menos un

suplementario de G en Rn . ⋄
Ejemplo 7.3.31 Sea G el subespacio de R3 generado por el sistema
S = [(−1, 0, 1), (1, 0, 1)],
que es una base de G. Es fácil ver que añadiendo a S el vector (0, 1, 0), se
obtiene una base de R3 . Luego h(0, 1, 0)i es un suplementario de G en R3 . ⋄

7. Vectores 303
7.3.3 Ecuaciones implícitas y paramétricas

Hasta ahora la única forma que conocemos para describir completamente un
subespacio, es construir un sistema generador. En esta sección veremos otras
formas de determinar un subespacio.
7.3.3.1 Ecuaciones paramétricas

Sea G un subespacio. Sea S = [a1 , a2 , . . . , at ] un sistema generador de G. Su-
pongamos que ai = (ai1 , . . . , ain ), i = 1, . . . , t. Un vector x = (x1 , x2 , . . . , xn )
está en G si y sólo si existen escalares α1 , . . . , αt ∈ R tales que
 
α1
 .. 
x = SC  .  .
αt
Desarrollemos esta expresión
..
 
 a11 a21 .. at1  α1
     
x1 a11 α1 + a21 α2 + · · · + at1 αt
   a12 a22 .. at1   α2   a12 α1 + a22 α2 + · · · + at2 αt 
 x2      
 ..  =  . .. .. ..   ..  =  .. ,
 .   .. . . .   . .
   
.

xn αt a1n α1 + a2n α2 + · · · + atn αt
a1n a2n .. atn
e igualando componente a componente, se obtiene


 x1 = a11 α1 + a21 α2 + · · · + at1 αt
 x2 = a12 α1 + a22 α2 + · · · + at2 αt

.. .. .. ,


 . . .
 x
n = a1n α1 + a2n α2 + · · · + atn αt
que son las llamadas ecuaciones paramétricas del subespacio G. Cuando los
parámetros α1 , . . . , αt varían en todo R, se obtienen todos los vectores del
subespacio G.
Ejemplo 7.3.32 Sea G el subespacio de R4 generado por el sistema
S = [(1, 0, 1, 1), (1, 1, 0, 1), (0, −2, 2, 0)].
Es sencillo construir unas ecuaciones paramétricas de G. Los vectores (x, y, z, t)
se obtienen cuando los parámetros λ, µ, ν varían R en la expresión
   
x   1 1 0  
λ  λ
  = S C  µ  =  0 1 −2   µ  ,
y 
z 1 0 2
ν ν
t 1 1 0

e igualando componente a componente, se obtienen unas ecuaciones paramé-

tricas de G 

 x = λ +µ
y = µ −2ν

.

 z = λ +2ν
t = λ +µ

Dadas unas ecuaciones paramétricas de un subespacio, es fácil construir un

sistema generador. Para ello sólo hay que tomar como vectores los coeficientes
que multiplican a cada parámetro, como veremos en el siguiente ejemplo
Ejemplo 7.3.33 Sea un subespacio de R3 con las siguientes ecuaciones pa-

ramétricas 
 x = λ +3µ
y = 2λ −µ .
z = −λ

Un sistema generador de dicho subespacio, se obtiene tomando los coeficientes

de cada parámetro en forma de vector. Sería
[(1, 2, −1), (3, −1, 0)].
7.3.3.2 Ecuaciones implícitas

Consideremos un sistema de ecuaciones lineal homogéneo con matriz amplia-
da
A′ = A 0 ,

y de rango r. Para un sistema homogéneo, por el corolario 6.5.2 existe una

matriz Dn×(n−r) de rango n − r, de manera que las soluciones del sistema son
 
α1
D  ...  / α1 , . . . , αn−r ∈ R.
 
αn−r
Por tanto las soluciones de todo sistema homogéneo con n incógnitas cons-
tituyen un subespacio de Rn , generado por el sistema cuya matriz asociada
por columnas es D. Además a partir de la expresión de las soluciones es
inmediato obtener las ecuaciones paramétricas del subespacio

7. Vectores 305
Ejemplo 7.3.34 En el ejemplo 6.5.3 se consideraba un sistema homogéneo

de ecuaciones lineales cuya matriz ampliada era
 
0 0 3 9 9 −6 0
 0 0 −1 −3 −3 2 0 .
0 0 0 0 0 −1 0
Se veía que las soluciones se podían expresar como

   
x1 1 0 0 0  
 x2   0 1 0 0
    λ1
 x3   0 0 −3 −3   λ2 
 =  ,
 x4   0 0 1 0   λ3 
   
 x5   0 0 0 1  λ4
x6 0 0 0 0
con λ1 , λ2 , λ3 , λ4 ∈ R. Tomando las columnas de la matriz 6 × 4 que aparece

se tiene un sistema generador del subespacio que forman las soluciones del
sistema. Haciendo el producto de matrices en la expresión anterior e igualan-
do componente a componente, se obtienen ecuaciones paramétricas de dicho
subespacio. Se deja al lector la escritura de tal sistema generador y de tales
ecuaciones paramétricas. ⋄
La pregunta que surge de manera natural es si todo subespacio de Rn se
puede expresar como las soluciones de un sistema homogéneo. La respuesta
nos la proporciona el siguiente algoritmo
Algoritmo 7.3.35 Sea G un subespacio vectorial de R. Realizaremos las
siguientes operaciones.
1. Obtener una base S escalonada de G.
2. Añadir a la matriz S F una fila por el final de la forma

x1 x2 · · · xn ,
formada por indeterminadas.
3. Utilizando los pivotes de la base escalonada, hacer ceros mediante ope-

raciones elementales de la forma fijλ en las posiciones pivotales de la
última fila de la matriz construida.
4. Construir un sistema de ecuaciones lineales homogéneo igualando a cero

las expresiones que quedan en las posiciones no pivotales de la última
fila.

Proposición 7.3.36 El sistema de ecuaciones lineales homogéneo construi-

do en el algoritmo 7.3.35 tiene como subespacio de soluciones al subespacio
G⋄
Para saber más
Demostración:
demo
Definición 7.3.37 Unas ecuaciones implícitas de G son cualquier sistema

de ecuaciones lineales homogéneo cuyo subespacio de soluciones sea G. ⋄
Ejemplo 7.3.38 Consideremos el subespacio G de R5 generado por el siste-

ma
S = [(8, 6, 2, 2, 2), (4, 0, −2, −3, −2), (4, 3, 1, 1, 1), (0, 3, 3, 4, 6)].
Para obtener ecuaciones implícitas, primero tenemos que obtener una forma
escalonada equivalente, proceso que no detallaremos
 
8 6 2 2 2  
4 3 1 1 1
4
 0 −2 −3 −2 
 −→  0 3 3 4 3  .
4 3 1 1 1
0 0 0 0 3
0 3 3 4 6
Ahora añadimos una fila de incógnitas al final de la matriz escalonada, y

hacemos ceros en sus posiciones pivotales mediante operaciones elementales

7. Vectores 307
por filas
 
4 3 1 1 1
 0 3 3 4 3  f41 −x1 /4
  −−−−→
0 0 0 0 3
x1 x2 x3 x4 x5
 
4 3 1 1 1
0 x1 /4−x2 /3
 3 3 4 3  f42
 −−−−−−→
0 0 0 0 3 
0 −3x1 /4 + x2 −x1 /4 + x3 −x1 /4 + x4 −x1 /4 + x5
 
4 3 1 1 1
0 3 3 4 3 
 
0 0 0 0 3 
0 0 x1 /2 − x2 + x3 3x1 /4 − 4x2 /3 + x4 x1 /2 − x2 + x5
 
4 3 1 1 1
−x /6+x2 /3−x5 /3 
f43 1 0 3 3 4 3
−− −−−−−−−−→  0 0
.
0 0 3
0 0 x1 /2 − x2 + x3 3x1 /4 − 4x2 /3 + x4 0
Las ecuaciones implícitas buscadas se obtienen igualando a cero las expresio-

nes que quedan en las posiciones no pivotales de la última fila de la matriz

x1 /2 −x2 +x3 = 0
3x1 /4 −4/3x2 +x4 = 0
⋄
Obsérvese que si dim G = d, la cantidad mínima de ecuaciones implícitas

necesarias para representarlo es n − d. Además todo sistema de ecuaciones
que sean ecuaciones implícitas de G ha de tener rango n − d.
Por lo tanto, ahora podemos expresar un subespacio de Rn al menos de
tres maneras distintas
1. Mediante un sistema generador.
2. Mediante unas ecuaciones paramétricas.
3. Mediante unas ecuaciones implícitas.
Y además tenemos procedimientos claros para pasar de una representación

a otra.

7.3.4 Operaciones con subespacios

7.3.4.1 Suma
Definición 7.3.39 Sean G y H subespacios de Rn . Definimos la suma de G
y H y lo representamos por G + H a
G + H = {x + y / x ∈ G, y ∈ H}.
Proposición 7.3.40 Sean G y H subespacios de Rn . La suma G + H es un

subespacio de Rn .
Demostración:
Sea S un sistema generador de G y T un sistema generador de H. Sea U
el sistema de Rn qque se obtiene al concatenar S y T . Se deja a al lector
probar que G + H = hU i ⋄
Nota 7.3.41 La demostración de la proposición 7.3.40 proporciona un mé-

todo para calcular un sistema generador del subespacio suma. ⋄
Ejemplo 7.3.42 En R4 , sea G el subespacio generado por el sistema
S = [(1, 1, 0, 1), (2, 1, 0, 1), (0, 3, 0, 3)],
y sea H el subespacio dado por las ecuaciones implícitas

x1 −x2 = 0
.
x2 −x3 = 0
Para construir G + H necesitamos un sistema generador de G y otro de H.

Por lo tanto, para H tenemos que resolver las ecuaciones implícitas para
obtener un sistema generador. No se detallará aquí tal resolución, la cual
proporciona el sistema generador de H
T = [(1, −1, 0, 0), (0, 1, −1, 0)].
Por tanto la unión de los sistemas generadores de G y H, generan G + H.

Así
G + H = h(1, 1, 0, 1), (2, 1, 0, 1), (0, 3, 0, 3), (1, −1, 0, 0), (0, 1, −1, 0)i .

7. Vectores 309
Nota 7.3.43 Observemos que para calcular la suma de dos subespacios,

necesitamos representar ambos mediante un sistema generador.
Notemos además que podríamos definir de manera análoga la suma de
una cantidad finita de subespacios de Rn
G1 + G2 + · · · + Gp ,
y se podría obtener un sistema generador suyo concatenando sistemas gene-

radores de cada uno de los sumandos. ⋄
Definición 7.3.44 Diremos que dos subespacios G y H forman suma directa

si son suplementarios en G+H. En este caso la suma se escribirá como G⊕H
⋄
Proposición 7.3.45 Dos subespacios forman suma directa si y solo si cuan-

do se une una base de uno con otra del otro, se obtiene una base de la suma.
⋄
Ejemplo 7.3.46 Consideramos en R4 los subespacios G y H generados res-

pectivamente por
S = [(1, 1, 2, 1), (2, 2, 1, 2)],
y
T = [(0, 1, 1, 1)].
Es sencillo ver que S es base de G y que T es base de H. Al unirlas se obtiene
V = [(1, 1, 2, 1), (2, 2, 1, 2), (0, 1, 1, 1)],
que es un sistema generador de G + H. Si además fuese libre, sería una base.

Pero es fácil ver, reduciendo a forma escalonada
   
1 1 2 1 1 1 2 1
V F =  2 2 1 2  −→  0 1 1 1
1 1 1 1 0 0 −3 0
Luego rg V = 3, por tanto V es una base de G + H, y forman suma directa,
por lo que podemos escribir su suma como G ⊕ H. ⋄
Nota 7.3.47 De la misma manera, podemos decir que una cantidad finita
de subespacios de Rn forman suma directa si al unir bases de cada uno de
ellos se obtiene una base de la suma, y se representará la suma en este caso
por
G1 ⊕ G2 ⊕ · · · ⊕ Gp .
⋄

7.3.4.2 Intersección
Definición 7.3.48 Sean G y H dos subespacios de Rn . La intersección con-
juntista
G ∩ H = {x ∈ Rn /x ∈ G y x ∈ H},
es un subespacio vectorial de Rn al que llamaremos subespacio intersección
de G y H. ⋄
Nota 7.3.49 Para calcular la intersección de dos subespacios basta unir

unas ecuaciones implícitas de uno de ellos con unas ecuaciones implícitas
del otro. Con ello se obtienen ecuaciones implícitas de la intersección, pues
aquellos elementos que las verifican todas son los que están a la vez en uno
y otro subespacio. ⋄
Ejemplo 7.3.50 Sean G y H los subespacios de R3 generados por los siste-

mas
S = [(1, 1, 0), (0, 0, 1)],
y
T = [(0, 1, 1), (1, 0, 0)],
respectivamente. Para calcular su intersección hay que calcular ecuaciones
implícitas de cada uno de ellos. Se deja al lector ver que

x1 −x2 = 0 ,
son equaciones implícitas de G y que

x2 −x3 = 0 ,
Son ecuaciones implícitas de H. Uniéndolas se obtiene

x1 −x2 = 0
,
x2 −x3 = 0
que son ecuaciones implícitas para G ∩ H. ⋄
Proposición 7.3.51 [Primera fórmula dimensional]

Sean G y H dos subespacios de Rn . Se tiene
dim G + dim H = dim(G + H) + dim(G ∩ H).

7. Vectores 311
Para saber más

Demostración:
Proposición 7.3.52 [Caracterización de la suma directa]

Sean G y H dos subespacios de Rn . Son equivalentes
1. G y H forman suma directa.
2. dim(G ∩ H) = 0.
3. dim G + dim H = dim(G + H).
Para saber más

Demostración:
Ejemplo 7.3.53 Retomemos el Ejemplo 7.3.46. Teníamos en R4 los subes-

pacios G = hSi y H = hT i, donde
S = [(1, 1, 2, 1), (2, 2, 1, 2)],
y
T = [(0, 1, 1, 1)].
Utilizando la definición, se veía que formaban suma directa. También po-
dría haberse demostrado por cualquiera de las condiciones de la Proposición
7.3.52.
Por ejemplo, en este caso
dim G + dim H = 2 + 1 = 3 = dim(G + H).
Si calculamos G ∩ H, (ejercicio que se deja al lector), podemos ver que es el

subespacio nulo {(0, 0, 0, 0)}, cuya dimensión es 0. ⋄
Para saber más

312 7.4. Coordenadas
Producto de subespacios
7.4 Coordenadas
Definición 7.4.1 Sea G un subespacio de Rn de dimensión d. Sea S una base
de G. Sea z ∈ G. Por 7.3.16, sabemos que existen únicos α1 , α2 , . . . , αd ∈ R
tales que  
α1
 α2 
z = S C  ..  .
 
 . 
αd
Llamaremos a α1 , α2 , . . . , αd las coordenadas de z en la base S de G, y las
denotaremos por
z S = (α1 , α2 , . . . , αd )S .
⋄
Ejemplo 7.4.2 Sea G el subespacio de R5 generado por
S = [(1, 1, 0, 0, 0), (0, 1, 1, 0, 0), (0, 0, 1, 1, 0)].
Puesto que S es escalonado, es inmediato que rg S = 3, y por tanto S es una

base de G. Consideremos los vectores de G
x1 = (1, 2, 3, 2, 0), x2 = (−1, 0, 1, 0, 0), x3 = (0, −3, −5, −2, 0).
Se tiene que
x1 = (1, 1, 0, 0, 0) + (0, 1, 1, 0, 0) + 2(0, 0, 1, 1, 0)

x2 = −(1, 1, 0, 0, 0) + (0, 1, 1, 0, 0)
x3 = −3(0, 1, 1, 0, 0) − 2(0, 0, 1, 1, 0),
por lo que las coordenadas de dichos vectores en S son
x1S = (1, 1, 2)S

x2S = (−1, 1, 0)S
x3S = (0, −3, −2)S ,

7. Vectores 313
Definición 7.4.3 Sean G un subespacio de Rn de dimensión d, S un sistema

de G formado por s vectores y T una base de G. Llamaremos matriz del sis-
tema S en la base T , o simplemente matriz de S en T , y la denotaremos por
S T a la matriz d × s cuya columna i-ésima está formada por las coordenadas
del vector i-esimo de S en la base T , para i = 1, . . . , s. ⋄
Definición 7.4.4 Sea G un subespacio de Rn de dimensión d. Sean S y T

dos bases de G. Llamaremos matriz de paso de S a T y la denotaremos por
S T a la matriz de S en T . Nótese que es una matriz cuadrada de orden d. ⋄
Lema 7.4.5 Sea G un subespacio de Rn de dimensión d. Sean S y T dos

bases de G. Se tiene que
T C ST = SC .
Demostración:
Para cada i ∈ {1, . . . , d}, por 7.4.4 la columna i-ésima de S T son las coorde-
nadas del i-ésimo vector de S en T , y por 7.4.1 y 5.4.26 la columna i-ésima
de T C S T son las componentes del i-ésimo vector de S, lo que por definición
es la i-ésima columna de S C .
Por lo tanto T C S T y S C son iguales, pues lo son columna a columna. ⋄
Teorema 7.4.6 [Cambio de coordenadas]

Sea G un subespacio de Rn de dimensión d. Sean S y T dos bases de G.
Para cada z ∈ G se tiene que
zT = S T zS .
Demostración:
Sea z ∈ G. Aplicando 7.4.5 y 7.4.1 se tiene
T C (S T z S ) = (T C S T )z S = S C z S = z = T C z T ,
y como las coordenadas son únicas, ha de darse
S T zS = zT
Ejemplo 7.4.7 Volviendo sobre el Ejemplo 7.4.2, tenemos que
S = [(1, 1, 0, 0, 0), (0, 1, 1, 0, 0), (0, 0, 1, 1, 0)],

es una base de G. Es sencillo comprobar que
T = [x1 , x2 , x3 ],
donde
x1 = (1, 2, 3, 2, 0), x2 = (−1, 0, 1, 0, 0), x3 = (0, −3, −5, −2, 0),
es otra base de G. Teníamos que
x1S = (1, 1, 2)S

x2S = (−1, 1, 0)S
x3S = (0, −3, −2)S ,
Luego  
1 −1 0
TS = 1 1 −3  .
2 0 −2
Consideremos el vector de G, y = (0, −1, −1, 0, 0). Es sencillo comprobar que
y T = (1, 1, 1)T .
Las fórmulas de cambio de coordenadas dicen que

  
1 −1 0 1
yS = T S y T = 1
 1 −3   1  = (0, −1, 0)S .
2 0 −2 1
⋄
Proposición 7.4.8 Sea G un subespacio de Rn de dimensión d. Sean V un

sistema de G y S, T dos bases de G. Se verifica
1. S T V S = V T
2. S T es inversible y (S T )−1 = T S
Para saber más

Demostración:

7. Vectores 315
1. Para cada i ∈ {1, . . . , d}, por 7.4.4 la columna i-ésima de V S son las coordenadas
del vector i-ésimo de V en la base S, luego por 5.4.26 y 7.4.6, la columna i-ésima de
S T V S son las coordenadas del vector i-ésimo de V en la base T , pero esta es por
definición la columna i-ésima de V T .
Así las matrices S T V S y V T son iguales, pues todas sus columnas lo son.
2. Por la propiedad que acabamos de demostrar, tenemos que
ST T S = T T ,
pero por 7.4.4 y 7.4.1,

T T = In .
De 5.8.17 se deduce lo que queríamos probar.
7.4.1 Coordenadas en Rn
En el caso particular en que consideremos como espacio de Rn el propio Rn ,
siguen siendo válidas todas las nociones, definiciones y notaciones empleadas
anteriormente para el estudio de las coordenadas.
Nota 7.4.9 En 7.3.11, se introdujo la base canónica en Rn . Si E es tal base,

y x = (x1 , x2 , . . . , xn ) es un vector de Rn , entonces se tiene la particularidad
de que sus componentes son justamente las coordenadas de x en la base
canónica, es decir
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )E = xE ,
y esta es la propiedad que hace que la base canónica sea especial. Por tanto,
dado un vector, siempre que necesitemos trabajar con coordenadas, tendre-
mos en cuenta que sus componentes son sus coordenadas en la base canónica.
De esto se sigue fácilmente que si S es un sistema de Rn entonces
SC = SE
Para concluir esta sección, veamos un ejemplo de cambio de coordenadas en

R5

Ejemplo 7.4.10 Sea E la base canónica de R5 . Se considera otra base de

R5 , dada por el sistema
S = [(1, 1, 0, 0, 0), (0, 1, 1, 0, 0), (0, 1, 1, 1, 0), (0, 1, 0, 1, 1), (1, 1, 1, 1, 1)].
Sea el vector de R5 , x = (−1, 3, 4, −2, 1). Calculemos las coordenadas de x

en la base S. Las coordenadas de x en la base canónica son sus componentes,
luego
xE = (−1, 3, 4, −2, 1)E .
Por la fórmula de cambio de coordenadas, tenemos que
xS = E S xE .
Como tenemos las componentes de los vectores de S, que son sus coordenadas
en la base canónica, se tiene que
 
1 0 0 0 1
1 1 1 1 1
 
0
SE = SC =  1 1 0 1.
0 0 1 1 1
0 0 0 1 1
Ahora
 −1  
1 0 0 0 1 1/2 1/2 −1/2 0 −1/2
1 1 1 1 1  −1/2 1/2 1/2 −1 1/2 
E S = (S E )−1
   
0
= 1 1 0 1 = 
 0 0 0 1 −1 .

0 0 1 1 1  −1/2 1/2 −1/2 0 1/2 
0 0 0 1 1 1/2 −1/2 1/2 0 1/2
Entonces
  
1/2 1/2 −1/2 0 −1/2 −1
 −1/2 1/2 1/2 −1 1/2   3 
 
 
xS = 
 0 0 0 1 −1   4
 
 −1/2 1/2 −1/2 0 1/2   −2 
1/2 −1/2 1/2 0 1/2 1
= (−3/2, 13/2, −3, 1/2, 1/2)S .

7. Vectores 317
7.5 Ejercicios
Ejercicio 7.1 Probar que el subconjunto de R3 formado por todos sus ele-
mentos con primera componente 1, no es un subespacio.
Ejercicio 7.2 Calcular una base, ecuaciones paramétricas, ecuaciones im-

plícitas y la dimensión del subespacio de R4 formado por aquellos vectores
cuya suma de sus componentes es nula, en caso de que sea un subespacio.
Ejercicio 7.3 En R6 se consideran los vectores
x1 = (1, −1, 2, 0, 1, 0), x2 = (1, 2, 3, 0, 1, 2),

x3 = (−2, 1, −1, −1, −1, 1), x4 = (−7, −7, 4, 3, 4, −4),
y1 = (1, 1, 1, 1, 1, 1), y2 = (1, 5/2, 7/2, 1/2, 3/2, 0).
Sea el subespacio G = hx1 , x2 , x3 , x4 i, y sea H = hy1 , y2 i

1. Calcular unas ecuaciones paramétricas y una base de G ∩ H
2. Calcular ecuaciones implícitas de G + H.
3. Encontrar un suplementario de G en G + H.
4. Encontrar un suplementario de G+ H en R6 y dar una base, ecuaciones

paramétricas e implícitas de dicho suplementario.
5. Encontrar un base de G y calcular las coordenadas de cada uno de los

vectores xi , i = 1, . . . , 4 en dicha base.
Ejercicio 7.4 En R6 se consideran los vectores
x1 = (1, −1, 2, 0, 1, 0), x2 = (1, 2, 3, 0, 1, 2),

x3 = (−2, 1, −1, −1, −1, 1), x4 = (3, −10, −3, 2, 1, −8),
y1 = (1, 1, 1, 1, 1, 1), y2 = (−1, 2, 0, 0, 0, 2).
Sea el subespacio G = hx1 , x2 , x3 , x4 i, y sea H = hy1 , y2 i

1. Calcular una ecuaciones paramétricas y una base de G ∩ H
2. Calcular ecuaciones implícitas de G + H.
3. Encontrar un suplementario de G en G + H.
4. Encontrar un suplementario de G+ H en R6 y dar una base, ecuaciones

paramétricas e implícitas de dicho suplementario.

318 7.5. Ejercicios
5. Encontrar un base de G y calcular las coordenadas de cada uno de los

vectores xi , i = 1, . . . , 4 en dicha base.
Ejercicio 7.5 Calcular una base de un subespacio de R5 que verifique las

ecuaciones implícitas

x1 −x2 +2x4 −3x5 = 0
,
x2 +x5 = 0
y que no contenga al vector (−4, 0, 1, 2, 0).

¿Es el subespacio calculado el único con esa propiedad?
Ejercicio 7.6 Sea el sistema de R4
S = [(1, 1, 1, 1), (1, 0, 1, 0), (0, 2, 0, 2), (1, −1, 1, −1), (3, −2, 3, −2),
(1, −1, 1, 0)].
Calcular una base de hSi formada por elementos de S. Obtener el sistema

escalonado reducido de hSi. Encontrar un fórmula que permita calcular las
coordenadas de cualquier vector de hSi en el sistema reducido a partir de las
coordenadas en la primera base calculada.
Ejercicio 7.7 Se consideran los siguientes sistemas de R5
S = [(3, 6, 39, 27, 21), (−1, 3, 7, 11, 8), (1, 0, 5, 1, 1), (−1, 2, 3, 7, 5)],
T = [(−1, 1, −1, 3, 2), (6, −4, 14, −10, −6), (4, −3, 8, −8, −5)].
¿Es hSi = hT i?
Ejercicio 7.8 Calcular la dimensión, una base, ecuaciones paramétricas,

ecuaciones implícitas de los subespacios de Rn generados por los siguien-
tes sistemas y lo mismo para un suplementario en Rn de cada uno de esos
subespacios.
1. Para n = 3
[(−3, 1, 1), (4, −1, −1), (9, −3, −4)]
2. Para n = 5
[(0, −2, −1, 0, −11), (0, −4, −2, −1, −24), (0, −5, −3, 0, −30),
(0, 0, 0, 1, 2), (0, 2, 1, 0, 11)]

7. Vectores 319
3. Para n = 5
[(−1, 0, −3, −3, −4), (0, −1, −4, −1, −4), (1, 2, 11, 5, 12),
(1, 1, 7, 4, 8)]
4. Para n = 7
[(0, 0, 2, 6, 6, 10, 4), (0, 0, −5, −15, −15, −25, −10),
(0, −1, −3, −12, −14, −18, −9), (0, 1, 0, 3, 5, 3, 3),
(0, 0, −1, −3, −3, −5, −2), (0, 0, 1, 3, 3, 5, 2)]
5. Para n = 4
[(4, 20, 4, 12), (6, 30, 6, 18), (1, 5, 1, 3)]
6. Para n = 7
[(−3, 0, 3, −9, 0, −9, −9), (5, 0, −4, 16, 5, 16, 16),
(1, 1, 0, 5, 7, 6, 9), (2, 0, −2, 6, 0, 6, 6), (0, 0, 1, 1, 5, 1, 1)]
7. Para n = 4
[(3, 2, 20, 14), (−11, −7, −72, −50)]
8. Para n = 2
[(7, −2), (1, 0), (−4, 1)]
9. Para n = 7
[(0, 2, −2, 6, −4, 0, 2), (0, −1, 1, −3, 2, 0, −1), (1, 0, 1, 3, 5, 4, 5),
(2, 1, 0, 8, 4, 6, 10), (1, 1, 0, 6, 3, 4, 6)]
10. Para n = 4
[(−4, −16, 1, 2), (1, 4, 0, 0), (3, 12, 0, −1), (−1, −4, 0, 1),
(−2, −8, 0, 0)]
11. Para n = 5
[(−1, −4, 0, −2, −1), (1, 4, 1, 7, 5)]
12. Para n = 5
[(−1, 0, −1, −3, −1), (−4, −1, −7, −17, −8), (3, 1, 6, 14, 7),
(−4, 0, −4, −12, −4)]

320 7.5. Ejercicios
13. Para n = 2
[(−3, 4), (−4, 5), (1, −1)]
14. Para n = 7
[(3, 12, −2, 6, 0, 7, 5), (5, 20, −4, 8, 0, 11, 7),
(−4, −16, 3, −7, 0, −9, −6), (4, 16, −3, 7, 1, 11, 11)]
15. Para n = 7
[(0, 1, 0, 4, 1, 2, 0), (1, −1, 0, 0, 4, 3, 1), (0, 0, 1, 2, 5, 4, 0),
]
(0, 1, −1, 2, −4, −2, 0), (−1, 1, 0, 0, −4, −3, 0)]
16. Para n = 6
[(−1, −5, −2, −3, −7, −13), (7, 35, 13, 20, 46, 86),
(1, 5, 2, 3, 7, 13), (13, 65, 24, 37, 85, 159)]
17. Para n = 5
[(2, 4, 0, 10, 1), (−1, −3, 0, −6, −1), (−1, −4, −1, −9, 1),
(1, 2, 0, 5, 0)]
18. Para n = 5
[(1, 0, −1, 1, 1), (0, 1, 0, 0, 4), (1, 0, −1, 1, 1), (0, −2, 0, −1, −10),
(1, 2, −2, 0, 3), (−2, −2, 2, −1, −8)]
19. Para n = 3
[(0, 1, −1), (−1, −2, 2), (0, −1, 0)]
20. Para n = 5
[(2, 8, 1, 11, 7), (1, 4, 0, 3, 3), (1, 4, 1, 8, 4), (−1, −4, 0, −3, −3)]
Ejercicio 7.9 Calcular la dimensión, una base, unas ecuaciones paramétri-

cas y unas ecuaciones implícitas de los subespacios generados por los siguien-
tes sistemas según los valores de los parámetros.
1.
[(0, −1, a, 2 + a(a − 1), 1), (0, 1, −a − 2, −8 − a(a − 1), −11),
(0, −2, 2a + 2, 10 + 2a(a − 1), 12),
(−a, 2, −2a + 1, −5 − a(a − 1), −1), (0, 0, −1, −3, −5),
(−2a, −2, 2a + 4, 8 + 3a(a − 1), 14)]

7. Vectores 321
2.
[(−a(b − 1), 0, 14ab(c − 1)), (−a(b − 1), 0, 8ab(c − 1)),
(3a(b − 1), −(a − 1)b, −7ab(c − 1)),
(3a(b − 1), −(a − 1)b, 0), (0, 0, ab(c − 1))]
3.
[(−2a − 1, −a − 1, 2 − 2a2 , −2a), (2a − 1, 4 − a, −17 + 2a2 , 2a),
(−1, 2 − a, −5, 0), (a − 1, 3 − a, −11 + a2 , a),
(a + 1, a, a2 + 4, a), (2a + 1, a + 1, −2 + 2a2 , 2a)]
4.
[(a + 2, b − 1, 4, a + 3, 3, 4, 3), (−a − 1 + a(b − 1), 1, 3, −a, 1, 2, 5),
(a + 3, 2b − 2, 8, 5 + a, 6, 8, 6 + (a − 1)b),
(−a(b − 1) + a, −b, −7, a − 2, −4, −6, −8),
(−a − 3, 2 − 2b, −8, −5 − a, −6, −8, −6 − (a − 1)b)]
Ejercicio 7.10 Estudiar para que valores de α ∈ R los siguientes conjuntos

son subespacios de R3
1. F1 = {(x, y, z) ∈ R3 / x + 2y + αez = 0}.
2. F2 = {(x, y, z) ∈ R3 / αx + α2 y − 3eα z = 0}.
3. F3 = {(x, y, z) ∈ R3 ∈ R / x + 2y + z = sen α}.
Ejercicio 7.11 Sean
F = {(x, y, z) ∈ R3 / x = y = z},
G = {(x, y, z) ∈ R3 / x = 0}.
Probar que R3 = F ⊕ G.
Ejercicio 7.12 Se considera el sistema de R3
S = [(1, 1, −1), (3, 8, 2), (0, −3, −3), (−2, −2, 2)].
Sea F = hSi
1. Calcular rg S y una base de F.

322 7.5. Ejercicios
2. Probar que (3, −17, −23) ∈ F y hallar sus coordenadas en la base

calculada en el apartado anterior.
3. Hallar un subespacio G que sea suplementario de F en R3 .
4. Encontrar a ∈ F y b ∈ G tales que a + b = (2, 17, 12).
5. Hallar un suplementario de F en R3 distinto de G.
Ejercicio 7.13 Se considera el sistema de R3
S = [(0, 1, 1), (4, 1, −1), (2, 1, 0)].
Sea F = hSi
1. Calcular una base de F
2. Calcular ecuaciones implícitas de F.
3. Calcular una base de
G = {(α + 3β − γ, β − γ, α + 2β) ∈ R3 / α, β, γ ∈ R}.
4. Calcular una base de F ∩ G.
5. Calcular una base de F + G.
Ejercicio 7.14 Sean los subespacios de R4 , F con ecuaciones implícitas

x−y =0 ,
para (x, y, z, t) ∈ R4 y G generado por el sistema
[(1, 1, 2, 1), (2, 0, −1, 1)].
Hallar bases y dimensiones de F, G, F ∩ Gy F + G.
Ejercicio 7.15 Sean β ∈ R y F y G los subespacios de R3 con ecuaciones

implícitas respectivas
x +y +z = 0
2x −y = 0

3x +βy +z = 0
2x −y = 0
para (x, y, z) ∈ R3 . Estudiar si existe algún valor de β para el que F = G.

7. Vectores 323
Ejercicio 7.16 Calcular ecuaciones paramétricas del subespacio de R3 con

ecuaciones implícitas 

 x +2z = 0
y −z = 0


 x +y +z = 0
2x +y 3z = 0

Ejercicio 7.17 Calcular ecuaciones implícitas del subespacio de R3 con ecua-

ciones paramétricas 
 x = α +β
y = 2β
z = α −β


324 7.5. Ejercicios

Capítulo 8
Aplicaciones lineales
8.1 Transformaciones lineales

Supongamos que A es una matriz m×n y que x ∈ Rn . Con las identificaciones
entre vectores y matrices introducidas en el capítulo anterior, se tiene que
y := Ax ∈ Rm . Por lo tanto podemos interpretar la matriz A como un
mecanismo que sirve para transformar vectores de Rn en vectores de Rm .
Ejemplo 8.1.1 Consideramos la matriz 3 × 5

 
1 −1 0 1 2
3 0 −2 4 6 .
0 1 2 4 −2
Podemos transformar el vector de R5
(−2, 1, −1, 0, 2),
en el vector de R3
(1, 8, −5),
con el mecanismo matricial antes descrito, pues
 
    −2
1 1 −1 0 1 2  1

 8 = 3 0 −2 4 6  −1 
 

−5 0 1 2 4 −2  0 
2
325
326 8.1. Transformaciones lineales
Definición 8.1.2 Sean n, m ∈ N y A una matriz m × n. Llamaremos trans-

formación lineal dada por A y la denotaremos por lA a la aplicación con
origen Rn y llegada en Rm definida por
lA : Rn −→ Rm
.
x 7−→ Ax
Lema 8.1.3 Sean A y B dos matrices m × n tales que lA = lB . Entonces

A = B.
Demostración:
Sea
E = [e1 , e2 , . . . , en ]
la base canónica de Rn . Para cada matriz Mm×n y para cada i = 1, . . . , n, se

tiene que Mei es la columna i-ésima de M. Como
Aei = lA (ei ) = lB (ei ) = Bei , i = 1, . . . , n
entonces todas las columnas de A coinciden correlativamente con las colum-

nas de B, luego A y B son iguales. ⋄
Ejemplo 8.1.4 Dada la matriz 3 × 5

 
1 −1 0 1 2
A = 3 0 −2 4 6
0 1 2 4 −2
del ejemplo anterior, la transformación lineal dada por A sería
lA : R5 −→ R3  
 x1 
1 −1 0 1 2  x2  .

(x1 , x2 , x3 , x4 , x5 ) −
7 → 3 0 −2 4  x3 
6  
0 1 2 4 −2  x4 
x5
Así
lA (−2, 1, −1, 0, 2) = (1, 8, −5),

8. Aplicaciones lineales 327
Resulta interesante ver como sería la expresión general lA actuando sobre

un vector genérico de R5 . Sea y = lA (x). Tenemos
 
  x1
1 −1 0 1 2  x2 

(y1 , y2, y3 ) = lA (x1 , x2 , x3 , x4 , x5 ) =  3 0 −2 4  x3  =
6  
0 1 2 4 −2  x4 
x5
= (x1 − x2 + x4 + 2x5 , 3x1 − 2x3 + 4x4 + 6x5 , x2 + 2x3 + 4x4 − 2x5 ),
de donde 
 y1 = x1 −x2 +x4 +2x5
y2 = 3x1 −2x3 +4x4 +6x5
y3 = x2 +2x3 +4x4 −2x5

Por lo que la componente i de lA (x) es la combinación lineal de las compo-

nentes de x con matriz de coeficientes la fila i-ésima de A, para i = 1, 2, 3.
Podemos interpretar también lA de otra forma. Como lA (x) = Ax, si
utilizamos la interpretación del producto de matrices del Lema 5.4.26 junto
con nuestra identificación entre matrices y vectores, tenemos que lA (x) es la
combinación lineal de los vectores columna de A con matriz de coeficientes
dada por x. Es decir
lA (x1 , x2 , x3 , x4 , x5 ) =x1 (1, 3, 0) + x2 (−1, 0, 1) + x3 (0, −2, 2)+
+ x4 (1, 4, 4) + x5 (2, 6, −2).
⋄
Las distintas expresiones la transformación lineal asociada a una matriz que

hemos introducido en el Ejemplo 8.1.4 son completamente generales, como
veremos más adelante.
8.2 Aplicaciones lineales

A continuación intentaremos generalizar la noción de transformación lineal a
un tipo de transformaciones que conserven la estructura lineal en los espacios
de llegada y salida, y veremos que en realidad no añadiremos ninguna noción
nueva a la y ya introducida de transformación lineal..
Definición 8.2.1 Sean n, m ∈ N. Diremos que f : Rn −→ Rm es una apli-
cación lineal de Rn en Rm si verifica las siguientes propiedades
1. f(x + y) = f(x) + f(y), ∀ x, y ∈ Rn .

328 8.2. Aplicaciones lineales
2. f(λx) = λf(x), ∀ x ∈ Rn y ∀ λ ∈ R.
⋄
Definición 8.2.2 Sean n, m, s ∈ N, f : Rn −→ Rm una aplicación lineal y

S = [a1 , a2 , . . . , as ] un sistema de Rn . Llamaremos sistema imagen de S y
lo denotaremos por f(S) al sistema de Rm
f(S) = [f(a1 ), f(a1 ), . . . , f(as )].
Teorema 8.2.3 [Caracterización de las aplicaciones lineales]

Sean n, m ∈ N y f : Rn −→ Rm una aplicación. Las siguientes propiedades
son equivalentes
(i) f es una aplicación lineal.
(ii) Para todo sistema [a1 , a2 , . . . , as ] de Rn y para toda colección de es-
calares λ1 , λ2 , . . . , λs ∈ R, se tiene que
f(λ1 a1 + λ2 a2 + · · · + λs as ) = λ1 f(a1 ) + λ2 f(a2 ) + · · · + λs f(as ).
(iii) Existen nm escalares αij ∈ R con i = 1, . . . , m y j = 1, . . . n tales que

si (y1 , y2, . . . , ym ) = f(x1 , x2 , . . . , xn ), se tiene


 y1 = α11 x1 + α12 x2 + · · · + α1n xn
 y2 = α21 x1 + α22 x2 + · · · + α2n xn

.. ..


 . .
m = αm1 x1 + αm2 x2 + · · · + αmn xn
 y
(iv) Existe un sistema S = [b1 , b2 , . . . , bn ] de n vectores de Rm , tal que
f(x) = x1 b1 + x2 b2 + · · · + xn bn , ∀ x = (x1 , x2 , . . . , xn ) ∈ Rn
(v) Existe una matriz Am×n tal que f = lA .
Demostración:
El esquema de la demostración es
(i) ⇒ (ii)
⇑ ⇓
(v) ⇐ (iv) ⇔ (iii)

(i)⇒(ii) Sean [a1 , a2 , . . . , as ] un sistema de Rn y λ1 , λ2 , . . . , λs ∈ R escala-

res. Aplicando sucesivamente las dos propiedades que definen aplicación
lineal, tenemos
f(λ1 a1 + λ2 a2 + · · · + λs as ) =
= f(λ1 a1 ) + f(λ2 a2 + · · · + λs as ) =
= f(λ1 a1 ) + f(λ2 a2 ) + f(λ3 a3 + · · · + λs as ) =
············
= f(λ1 a1 ) + f(λ2 a2 ) + · · · + f(λs−1 as−1 + λs as ) =
= f(λ1 a1 ) + f(λ2 a2 ) + · · · + f(λs−1 as−1 ) + f(λs as ) =
= λ1 f(a1 ) + λ2 f(a2 ) + · · · + λs−1 f(as−1 ) + λs f(as ),
y por tanto (ii) es cierta.
(ii)⇒(iv) Supongamos que f : Rn −→ Rm es una aplicación lineal. Consi-
deramos el sistema de Rn formado por su base canónica,
E = [e1 , e2 , . . . , en ].
Para cada i = 1 . . . n, sea bi = f(ei ) y sea el sistema de Rm
S = [b1 , b2 , . . . , bn ].
Ahora, si x = (x1 , x2 , . . . , xn ) ∈ Rn , se tiene
f(x) = f((x1 , x2 , . . . , xn )) = f(x1 e1 + x2 e2 + · · · + xn en ) =
(Puesto que (ii) es cierta)
= x1 f(e1 ) + x2 f(e2 ) + · · · + xn f(en ) = x1 b1 + x2 b2 + · · · + xn bn ,
y por tanto (iv) es cierta
(iv)⇒(v) Si (iv) es cierta, existe un sistema S = [b1 , b2 , . . . , bn ] de n de
Rm , tal que
f(x) = x1 b1 + x2 b2 + · · · + xn bn , ∀ x = (x1 , x2 , . . . , xn ) ∈ Rn .
Sea x = (x1 , x2 , . . . , xn ) ∈ Rn . Por 7.2.10 y por 7.1.10, tenemos
 
x1
 x2 
f(x) = x1 b1 + x2 b2 + · · · + xn bn = S C  ..  = S C x,
 
 . 
xn
Por lo que tomando A = S C , tenemos que f = lA .

(v)⇒(i) Supongamos que existe una matriz A con f = lA . Sean x, y ∈ Rn

y λ ∈ R. Tenemos que, por las propiedades de las operaciones con
matrices,
1. f(x + y) = lA (x + y) = A(x + y) = Ax + Ay = lA (x) + lA (y) =

f(x) + f(y).
2. f(λx) = lA (λx) = A(λx) = λAx = λlA (x) = λf(x),
por lo que f es una aplicación lineal.
(iii)⇒(iv) Puesto que se verifica (iii), existen αij ∈ R, i = 1, . . . , m, j =

1, . . . n tales que si (y1 , y2, . . . , ym ) = f(x1 , x2 , . . . , xn ), se tiene

y = α11 x1 + α12 x2 + · · · + α1n xn
 1


 y2 = α21 x1 + α22 x2 + · · · + α2n xn
.. ..


 . .
m = αm1 x1 + αm2 x2 + · · · + αmn xn
 y
Sea x = (x1 , x2 , . . . , xn ) ∈ Rn y sea y = (y1 , y2, . . . , ym ) = f(x). Para

cada i = 1, . . . , n, construimos el vector de Rm
bi = (α1i , α2i , . . . , αmi ).
Escribiendo matricialmente las igualdades de la propiedad (iii) y utili-

zando las identificaciones de 7.1.10, tenemos
   
y1 α11 x1 + α12 x2 + · · · + α1n xn
 y2   α21 x1 + α22 x2 + · · · + α2n xn 
 ..  =  .. =
   
 .   . 
ym αm1 x1 + αm2 x2 + · · · + αmn xn
     
α11 α12 α1n
 α21   α22   α2n 
= x1  ..  + x2  ..  + · · · + xn  .. =
     
 .   .   . 
αm1 αm2 αmn
= x1 b1 + x2 b2 + · · · + xn bn ,
y así (iv) es cierta.

(iv)⇒(iii) Por (iv) es cierta, existe un sistema S = [b1 , b2 , . . . , bn ] de n de

Rm , tal que
f(x) = x1 b1 + x2 b2 + · · · + xn bn , ∀ x = (x1 , x2 , . . . , xn ) ∈ Rn .
Sea x = (x1 , x2 , . . . , xn ) ∈ Rn y sea y = (y1 , y2, . . . , ym ) = f(x). Si

suponemos que
bi = (α1i , α2i , . . . , αmi ), i = 1, . . . , n,
entonces con las identificaciones de 7.1.10,

 
y1
 y2 
 ..  = y = f(x1 , x2 , . . . , xn ) = x1 b1 + x2 b2 + · · · + xn bn =
 
 . 
ym
     
α11 α12 α1n
 α21   α22   α2n 
= x1  ..  + x2  ..  + · · · + xn  .. =
     
 .   .   . 
αm1 αm2 αmn
 
α11 x1 + α12 x2 + · · · + α1n xn
 α21 x1 + α22 x2 + · · · + α2n xn 
= .. ,
 
 . 
αm1 x1 + αm2 x2 + · · · + αmn xn
igualdad matricial que nos conduce a



 y1 = α11 x1 + α12 x2 + · · · + α1n xn

 y2 = α21 x1 + α22 x2 + · · · + α2n xn

.. ..


 . .

ym = αm1 x1 + αm2 x2 + · · · + αmn xn ,

y se verifica (iii).
⋄
De este modo cualquier aplicación lineal puede ser descrita matricialmente

o en cualquiera de las formas que veíamos en el Ejemplo 8.1.4. Además la

demostración del teorema nos muestra mecanismos para pasar de una a otra
escritura.
Otra consecuencia es que las aplicaciones lineales respetan las combina-
ciones lineales.
Definición 8.2.4 Sean n, m ∈ N y f : Rn −→ Rm una aplicación lineal.

Diremos que A es la matriz asociada a (o simplemente la matriz de) f si
f = lA . ⋄
La matriz asociada está bien definida porque, en virtud de 8.1.3, es única.
Lema 8.2.5 Sean n, m ∈ N, S un sistema de Rn y f : Rn −→ Rm una

aplicación lineal y A su matriz asociada. Se tiene que
f(S)C = AS C .
Demostración:
Sea S = [a1 , a2 , . . . , as ]. Para cada i ∈ {1, . . . , s}, la columna i-ésima de
f(S)C por definición es el vector f(ai ).
Por la interpretación de la multiplicación de matrices 5.4.26, la columna
i-ésima de AS C es el producto de A por la columna i-esima de S C es decir,
Aai = f(ai ), luego las dos matrices son iguales, pues coinciden columna a
columna. ⋄
8.2.1 Aplicaciones lineales particulares

Definición 8.2.6 Hay dos aplicaciones lineales que interesa destacar.
1. Sean n, m ∈ N. Definimos la aplicación lineal cero de Rn en Rm como
0 : Rn −→ Rm
.
x 7−→ 0
Es claro que la matriz asociada a esta aplicación lineal es (0)m×n .
2. Sea n ∈ N. Definimos la aplicación lineal identidad de Rn en Rn como
I : Rn −→ Rn
.
x 7−→ x
Es claro que la matriz asociada a esta aplicación lineal es In .

8.2.2 Propiedades de las aplicaciones lineales

Proposición 8.2.7 [Propiedades de las aplicaciones lineales]
Sean n, m ∈ N y f : Rn −→ Rm una aplicación lineal. Se verifican las
siguientes propiedades.
1. f(0) = 0.
2. Si G ⊆ Rn es un subespacio de Rn , entonces f(G) es un subespacio de

Rm .
3. Si H ⊆ Rm es un subespacio de Rm , entonces f−1 (H) es un subespacio

de Rn .
Demostración:
Sea A la matriz tal que f = lA .
1. f(x) = lA (0) = A0 = 0
2. Sea S = [a1 , a2 , . . . , as ] un sistema generador de G. Se deja al lector

probar que f(G) = hf(S)i de donde se extrae como consecuencia lo que
se quiere probar.
3. Supongamos que B es una matriz tal que el sistema lineal homogéneo

cuya matriz de coeficientes es B es un conjunto de ecuaciones implícitas
para H. Se deja al lector probar que f−1 (H) es el conjunto de soluciones
del sistema lineal homogéneo cuya matriz de coeficientes es BA y como
tal conjunto es un subespacio de Rn se tiene como consecuencia el
resultado buscado.
⋄
Nota 8.2.8 Las demostraciones de los puntos 2 y 3 de 8.2.7, podrían haberse

realizado de forma más directa. Se ha hecho así, porque proporciona un
método práctico para calcular f(G) y f−1 (H). ⋄
Ejemplo 8.2.9 Hay que poner aquí un ejemplo de cálculo de f(G) y de

f−1 (H). ⋄
Proposición 8.2.10 Sean n, m ∈ N. Sea B = [a1 , a2 , . . . , an ] una base Rn

y S = [b1 , b2 , . . . , bn ] una sistema Rm . Existe una única aplicación lineal
f : Rn −→ Rm verificando
f(ai ) = bi , i = 1, . . . , n.

Demostración:
Primero probaremos que existe tal aplicación lineal. Sea E = [e1 , e2 , . . . , en ]
la base canónica de Rn . Siempre podemos construir la matriz de paso de E
a B a la que denotábamos en 7.4.4 por E B y la matriz por columnas de
S. Definimos la matriz A = S C E B y sea f = lA . Por definición, f es una
aplicación lineal. Además para cada i = 1, . . . , n, se tiene
f(ai ) = lA (ai ) = Aai = AaiE = S C E B aiE = S C aiB = S C ei = bi ,
por lo que f es una aplicación lineal que cumple con las condiciones del
enunciado.
Veremos ahora que f es única. Supongamos que existe otra aplicación
lineal g : Rn −→ Rm verificando
g(ai ) = bi , i = 1, . . . , n.
En ese caso sea x ∈ Rn y supongamos que
xB = (α1 , α2 , . . . , αn )B .
En este caso
x = α1 a 1 + α2 a 2 + · · · + αn an ,
y entonces
f(x) = f(α1 a1 + α2 a2 + · · · + αn an ) = α1 f(a1 ) + α2 f(a2 ) + · · · + αn f(an )
= α1 b1 + α2 b2 + · · · + αn bn = α1 g(a1 ) + α2 g(a2 ) + · · · + αn g(an )
= g(α1 a1 + α2 a2 + · · · + αn an ) = g(x),
y así f = g ⋄
Ejemplo 8.2.11 Sea
B = [(1, 1, 0), (0, 1, 1), (1, 0, 1)].
Resulta sencillo comprobar que es una base de R3 . Consideramos el sistema
de R2
S = [(1, 1), (1, −1), (2, 0)].
Intentaremos construir la aplicación lineal f : R3 −→ R2 que verifica
f(1, 1, 0) = (1, 1)
f(0, 1, 1) = (1, −1)
f(1, 0, 1) = (2, 0).
⋄

Para ello seguiremos los pasos que se dan en la demostración de 8.2.10. Si

llamamos E a la base canónica de R3 ,
 
1 0 1
BE = 1 1
 0
0 1 1
Tenemos que calcular E B , pero para ello basta calcular la inversa de la matriz
anterior, cuestión que se deja como ejercicio,
 −1  
1 0 1 1/2 1/2 −1/2
E B =  1 1 0  =  −1/2 1/2 1/2  .
0 1 1 1/2 −1/2 1/2
Sea
 
1/2 1/2 −1/2
1 1 2  1 0 1
A = SC EB = −1/2 1/2 1/2 =
 ,
1 −1 0 1 0 −1
1/2 −1/2 1/2
y tomamos f = lA . Haciendo unos sencillos productos de matrices, podemos
ver que esta aplicación lineal cumple con los requisitos:
 
1
1 0 1   1
1 =
1 0 −1 1
0
 
0
1 0 1   1
1 =
1 0 −1 −1
1
 
1
1 0 1   2
0 =
1 0 −1 0
1
8.2.3 Núcleo e imagen

Definición 8.2.12 Sean n, m ∈ N y f : Rn −→ Rm una aplicación lineal.
1. Llamaremos núcleo de f y lo denotaremos por Ker f a
Ker f = f−1 ({0}) = {x ∈ Rn / f(0) = 0}.
2. Llamaremos imagen de f y la denotaremos por Img f a la imagen de f

como aplicación, es decir
Img f = f(Rn ) = {y ∈ Rm / ∃ x ∈ Rn con f(x) = y}.

Proposición 8.2.13 Sean n, m ∈ N y f : Rn −→ Rm una aplicación lineal.

Se tiene
1. Ker f es un subespacio de Rn .
2. Img f es un subespacio de Rm .
Demostración:
1. Ker f es un subespacio de Rn como consecuencia de que {0} es un

subespacio de Rm , Ker f = f−1 ({0}) y de 8.2.7.
2. Img f es un subespacio como consecuencia de 8.2.7, pues Rn es un
subespacio de Rn e Img f = f(Rn ).
⋄
Nota 8.2.14 Obsérvese como las demostraciones de 8.2.13 y 8.2.7 nos pro-
porcionan un método para calcular el Núcleo y la Imagen de una aplicación
lineal. Lo único que hay que tener en cuenta es que para el caso del núcleo,
la matriz B que aparece en la demostración de 8.2.7 puede ser claramente
In , que nos proporciona ecuaciones implícitas para {0}, con lo cual, con las
notaciones de 8.2.13, el sistema lineal homogéneo cuya matriz de coeficientes
es A son ecuaciones implícitas para Ker f.
Para el caso de Img f = f(Rn ), basta tomar como sistema generador de
R la base canónica, cuyas imágenes son los vectores columna de la matriz
n
A. Por tanto los vectores columna de A constituyen un sistema generador de

Img f. ⋄
Ejemplo 8.2.15 Hay que poner un ejemplo de obtención de núcleo e imagen.

⋄
Definición 8.2.16 Sean n, m ∈ N, f : Rn −→ Rm una aplicación lineal.

Llamaremos rango de la aplicación lineal f, y lo denotaremos por rg f a la
dimensión de Img f. ⋄
Proposición 8.2.17 El rango de una aplicación lineal coincide con el rango

de su matriz asociada.
Demostración:
Es inmediata porque los vectores columna de la matriz asociada a f forman
un sistema generador de Img f. ⋄

Proposición 8.2.18 [Segunda fórmula dimensional]

′
Sean n, n′ ∈ N, f : Rn −→ Rn una aplicación lineal. Se tiene n = dim Ker f+
rg f.
Demostración:
Se deduce fácilmente del hecho de que si tomamos el sistema lineal homogéneo
dado por la matriz asociada a f, obtenemos ecuaciones implícitas para Ker f.
⋄
8.2.4 Inyectividad y sobreyectividad

Proposición 8.2.19 Sean n, m ∈ N, f : Rn −→ Rm una aplicación lineal.
Son equivalentes
(i) f es inyectiva.
(ii) Ker f = {0}.
(iii) rg f = n.
(iv) Para cada sistema libre S de Rn , f(S) es un sistema libre de Rm .
(v) Existe una base S de Rn tal que f(S) es un sistema libre de Rm .
Demostración:
Se deja para el lector. ⋄
Obsérvese que, en las condiciones anteriores, si f es inyectiva, ha de verificarse

n ≤ m.

Son equivalentes
(i) f es sobreyectiva.
(ii) Img f = Rm .
(iii) rg f = m.
(iv) Para cada sistema generador S de Rn , f(S) es un sistema generador de

Rm .
(v) Existe una base S de Rn tal que f(S) es un sistema generador de Rm .

Demostración:
Se deja para el lector. ⋄
Obsérvese que, en las condiciones anteriores, si f es sobreyectiva, ha de veri-

ficarse n ≥ m.

Son equivalentes
(i) f es biyectiva.
(ii) Img f = Rm y ker f = {0}
(iii) rg f = n = m.
(iv) n = m y la matriz asociada a f es inversible.
(iv) Para cada base S de Rn , f(S) es base de Rm .
(v) Existe una base S de Rn tal que f(S) es una base de Rm .
Demostración:
Es consecuencia inmediata de 8.2.19 y 8.2.20 ⋄
Obsérvese que, en las condiciones anteriores, si f es biyectiva, ha de verificarse

n = m.
Definición 8.2.22 Llamaremos isomorfismo a toda aplicación lineal biyec-

tiva. ⋄
Proposición 8.2.23 La aplicación inversa de un isomorfismo también es un

isomorfismo.
Demostración:
Sean n ∈ N y f : Rn −→ Rn un isomorfismo. Para probar que f−1 : Rn −→
Rn es un isomorfismo, basta probar que f −1 es una aplicación lineal. Sea A
la matriz asociada a f, que será inversible por 8.2.21. Pero f−1 = lA−1 , ya que
1. ∀ x ∈ Rn tenemos
f ◦ lA−1 (x) = lA ◦ lA−1 (x) = lA (lA−1 (x)) = lA (A−1 x)

= AA−1 x = In x = x

2. ∀ x ∈ Rn tenemos
lA−1 ◦ f(x) = lA−1 ◦ lA (x) = lA−1 (lA (x)) = lA−1 (Ax)
= A−1 Ax = In x = x.
Entonces f−1 es una transformación lineal y por lo tanto es una aplicación

lineal. ⋄
8.2.5 Operaciones con aplicaciones lineales

8.2.5.1 Combinaciones lineales
A lo largo de todo lo expuesto, hemos trabajado con objetos para los cuales
tenía sentido tomar combinaciones lineales, como por ejemplo las matrices y
los vectores. Veremos como también se pueden tomar combinaciones lineales
de aplicaciones lineales.
Definición 8.2.24 Sean n, m, s ∈ N. Para cada i = 1, . . . , n sean fi :
Rn −→ Rm aplicación lineal y αi ∈ R. Definimos la aplicación combinación
lineal de f1 , f2 , . . . , fs con escalares (α1 , α2 , . . . , αs ) como
α1 f1 + · · · + αs fs : Rn −→ Rm
x 7−→ α1 f1 (x) + · · · + αs fs (x)
⋄
Proposición 8.2.25 Sean n, m, s ∈ N. Para cada i = 1, . . . , n sean fi :
Rn −→ Rm aplicación lineal y αi ∈ R. La aplicación combinación lineal
g = α1 f1 + · · · + αs fs es una aplicación lineal.
Demostración:
Para cada i = 1, . . . , s sea Ai la matriz asociada a fi . Tenemos que si x ∈ Rn ,
g(x) = α1 f1 + · · · + αs fs (x) = α1 f1 (x) + · · · + αs fs (x) =
= α1 A1 x + · · · + αs As x = (α1 A1 + · · · + αs As )x =
= lα1 A1 +···+αs As (x),
luego g es la transformación lineal dada por la matriz α1 A1 + · · · + αs As y
entonces es una aplicación lineal. ⋄
Nota 8.2.26 La proposición anterior da pleno sentido a la combinación li-
neal de aplicaciones lineales, pues nos dice que una combinación lineal de
aplicaciones lineales es también una aplicación lineal. Además su demostra-
ción nos dice como construir su matriz asociada.
En particular tiene sentido sumar aplicaciones lineales y multiplicarlas
por escalares. ⋄
Ejemplo 8.2.27 ⋄

8.2.5.2 Composición
Proposición 8.2.28 Sean n, m, p ∈ N y f : Rn −→ Rm , g : Rm −→ Rp
aplicaciónes lineales. La aplicación g◦f : Rn −→ Rp es una aplicación lineal.
Demostración:
Sean A la matriz asociada a f y B la matriz asociada a g. Sea x ∈ Rn
g ◦ f(x) = g(f(x)) = g(Ax) = BAx = lBA(x),
y como g es la transformación lineal dada por BA, es una aplicación lineal.

⋄
Obsérvese cómo la demostración de la proposición anterior nos da la pauta

para poder manejar la composición.
Ejemplo 8.2.29 ⋄
8.2.6 Coordenadas
′
Definición 8.2.30 Sean n, n′ ∈ N, f : Rn −→ Rn una aplicación lineal, S
′
una base de Rn y S ′ una base de Rn . Llamaremos matriz de f en las bases
S y S ′ y la denotaremos por fSS ′ a la matriz n′ × n
fSS ′ = f(S)S ′ ,
es decir, a la matriz de coordenadas del sistema f(S) en la base S ′ . ⋄
Nota 8.2.31 Nótese que la columna i-ésima de fSS ′ está formada for las
coordenadas del vector i-ésimo de f(S) en la base S ′ , i = 1, . . . , n, por lo que
podemos construir dicha matriz con facilidad. ⋄
Ejemplo 8.2.32 ⋄
′
Lema 8.2.33 Sean n, n′ ∈ N, f : Rn −→ Rn una aplicación lineal, E la base
′
canónica de Rn y E ′ la base canónica de Rn . Entonces la matriz asociada a
f es la matriz de f en las bases canónicas, fE
E′
Demostración:
Es inmediata a partir de la definición 8.2.30 y de 7.4.9. ⋄
Proposición 8.2.34 [Cambio de base para aplicaciones lineales]

′
Sean n, n′ ∈ N, f : Rn −→ Rn una aplicación lineal, S, T dos bases de Rn
′
y S ′ y T ′ dos bases de Rn . Entonces
S ′ T ′ fSS ′ T S = fTT ′ .

Para saber más

Demostración:
′
Sean E la base canónica de Rn , E ′ la base canónica de Rn y A la matriz asociada a f.
S ′ T ′ fS
S′ T S =
(Por la definición de matriz asociada 8.2.30)
= S ′ T ′ f(S)S ′ T S = (S ′ T ′ f(S)S ′ )T S =
(Por las propiedades de las matrices de paso 7.4.8)
= f(S)T ′ T S = (E ′ T ′ f(S)E ′ )T S = E ′ T ′ f(S)E ′ T S =
(Por la identificación de coordenadas canónicas con componentes 7.4.9)
= E ′ T ′ f(S)C T S =
(Por 8.2.5)
= E ′ T ′ (AS C )T S =
(Porque la matriz asociada es la matriz en las bases canónicas 8.2.33)
= E ′ T ′ (fE ′ E
E ′ S C )T S = E T ′ fE ′ S C T S =
= E ′ T ′ fE ′ E
E ′ S E T S = E T ′ fE ′ (S E T S ) =
= E ′ T ′ fE
E′ T E=
= E ′ T ′ fE ′ ′ E
E ′ T C = E T (fE ′ T C ) =
(Porque la matriz asociada es la matriz en las bases canónicas 8.2.33)
′
E T ′ (AT C ) =
(Por 8.2.5)
= E ′ T ′ f(T )C =
′
= E T ′ f(T )E ′ =
= f(T )T ′ =
(Por la defininición de matriz asociada 8.2.30)
= fT
T′.
Ejemplo 8.2.35 ⋄

′
Lema 8.2.36 Sean n, n′ ∈ N, f : Rn −→ Rn una aplicación lineal, S una
base de Rn y S ′ una base de Rn . La matriz fSS ′ es la única que verifica la
′
propiedad
f(x)S ′ = fSS ′ xS , ∀ x ∈ Rn .
Demostración:
′
Sean E la base canónica de Rn y E ′ la base canónica de Rn .
fSS ′ xS =
(Por la fórmula de cambio de base 8.2.34)
(E ′ S ′ fE ′ E
E ′ S E )xS = E S ′ fE ′ (S E xS ) =
(Por la fórmula de cambio de base 8.2.34)
= E ′ S ′ fE ′ ′
E ′ xE = E S ′ fx = E S ′ f(x)E ′ = f(x)S ′
Probemos la unicidad. Sea B otra matriz tal que
f(x)S ′ = BxS , ∀ x ∈ Rn .
Entonces,
fE ′ ′ ′
E ′ x = f(x) = S E ′ f(x)S ′ = S E ′ BxS = (E S ′ BE S )x
Luego por 8.1.3
fE ′ ′ E S
E ′ = S E ′ BE S ⇐⇒ B = E S ′ fE ′ S E = fS ′ .
Ejemplo 8.2.37 ⋄
′ ′ ′′
Lema 8.2.38 Sean n, n′ , n′′ ∈ N, f : Rn −→ Rn , g : Rn −→ Rn aplica-
′ ′′
ciones lineales, S una base de Rn S ′ una base de Rn y S ′′ una base de Rn .
Entonces
(g ◦ f)SS ′′ = gSS ′′ fSS ′
′
Para saber más

Demostración:

Ejemplo 8.2.39 ⋄
Lema 8.2.40 Sea n ∈ N, S y T bases de Rn . Para la identidad de Rn se

tiene que
IST = S T .
⋄
Para saber más

Demostración:
8.3 Endomorfismos
Definición 8.3.1 Sea n ∈ N. Un endomorfismo de Rn es una aplicación
lineal f : Rn −→ Rn ⋄
Definición 8.3.2 Sea n ∈ N. Un automorfismo de Rn es un endomorfismo

de Rn biyectivo ⋄
Lema 8.3.3 La composición de dos endomorfismos de Rn es un endomorfis-

mo de Rn ⋄
Nota 8.3.4 Sean n ∈ N y f un endomorfismo de Rn . Podríamos considerar

dos bases S y S ′ de Rn y construir la matriz fSS ′ . Sin embargo, como en este
caso el espacio de llegada y salida es el mismo, podríamos fijar la misma base,
pongamos S, en la llegada y la salida y considerar fSS . Este tipo de matrices
son las que tiene interés para los endomorfismos. ⋄
Definición 8.3.5 Sean n ∈ N, f un endomorfismo de Rn y S una base de

Rn . Llamaremos matriz de f en la base S a la matriz n × n dada por fSS . ⋄
Ejemplo 8.3.6 ⋄
Corolario 8.3.7 Sean n ∈ N, f una endomorfismo de Rn y E la base ca-

nónica de Rn . Entonces la matriz asociada a f es la matriz de f en la base
canónica, fE
E ⋄

344 8.3. Endomorfismos
Corolario 8.3.8 [Cambio de base para endomorfismos]

Sean n ∈ N, f una endomorfismo de Rn y S, T dos bases de Rn . Entonces
S T fSS T S = fTT .
Ejemplo 8.3.9 ⋄
Corolario 8.3.10 Sean n ∈ N, f una endomorfismo de Rn y S una base de

Rn . La matriz fSS es la única que verifica la propiedad
f(x)S = fSS xS , ∀ x ∈ Rn .
Ejemplo 8.3.11 ⋄
Corolario 8.3.12 Sean n ∈ N, f y g dos endomorfismos de Rn y S una base

de Rn . Entonces
(g ◦ f)SS = gSS fSS
⋄
Ejemplo 8.3.13 ⋄
8.3.1 Diagonalización
Dados n ∈ N y f un endomorfismo de Rn , trataremos de ver si existe alguna
base B de Rn tal que fBB sea lo más sencilla posible. Podemos entender que
las matrices diagonales son bastante sencillas y desde este punto de vista
intentaremos encontrar B para que fB B sea diagonal. Esto no siempre será
posible, así que vamos a darle un nombre especial a los endomorfismos que
tienen esa propiedad.
Definición 8.3.14 Sean n ∈ N y f un endomorfismo de Rn . Diremos que f

es diagonalizable si existe una base B de Rn tal que fB
B es diagonal. ⋄
Ejemplo 8.3.15 Consideremos el endomorfismo de R3
f: R3 −→ R3
(x, y, z) 7−→ (−10x + 12y + 6z, −6x + 8y + 3z, −6x + 6y + 5z)

Su matriz asociada (que es también la matriz de f en la base canónica de R3 )

es  
−10 12 6
 −6 8 3  .
−6 6 5
Si ahora consideramos el sistema de R3
B = [(2, 1, 1), (1, 1, 0), (1, 0, 2)],
se puede ver fácilmente que es una base de R3 y que

 
−1 0 0
B
fB =  0 2 0 ,
0 0 2
de donde se deduce la existencia de endomorfismos diagonalizables. ⋄
Definición 8.3.16 Sean n ∈ N y A una matriz n × n. Diremos que A es

diagonalizable si lA es diagonalizable. ⋄
Ejemplo 8.3.17 A la vista del Ejemplo 8.3.15, es inmediato que la matriz

 
−10 12 6
 −6 8 3
−6 6 5
es diagonalizable. ⋄
Proposición 8.3.18 Sean n ∈ N y A una matriz n × n. A es diagonalizable

si y sólo si existe una matriz n × n inversible tal que P −1AP es una matriz
diagonal.
Demostración:
Es una consecuencia inmediata de las fórmulas de cambio de base y de las
propiedades de las matrices de paso. ⋄
Proposición 8.3.19 [Condiciones de diagonalización 1]

Sean n ∈ N y f un endomorfismo de Rn . f es diagonalizable, si y sólo si
existen n escalares (no necesarimente distintos) α1 , α2 , . . . , αn ∈ R y una
base B = [a1 , a2 , . . . , an ] de Rn tales que
f(ai ) = αi ai , i = 1, . . . , n.

Demostración:
Si f es diagonalizable, existe una base
B = [a1 , a2 , . . . , an ]
de Rn y escalares
α1 , α2 , . . . , αn ∈ R
tales que  
α1 0 · · · 0
 0 α2 · · · 0 
fB =  .. .. . ,
 
B
 . . .. 
0 0 · · · αn
y como fB
B = f(B)B entonces
f(ai ) = αi ai , i = 1, . . . , n.
Recíprocamente, si existe una base de Rn

B = [a1 , a2 , . . . , an ]
y escalares
α1 , α2 , . . . , αn ∈ R
tales que
f(ai ) = αi ai , i = 1, . . . , n,
entonces es claro que
 
α1 0 · · · 0
 0 α2 · · · 0 
fB =  .. . ..  ,
 
B
 . . . . 
0 0 · · · αn
por lo que f es diagonalizable. ⋄
Ejemplo 8.3.20 Tomando f y B como en el ejemplo 8.3.15 y los escalares

−1, 2, 2 ∈ R, es fácil ver que
f((2, 1, 1)) = −(2, 1, 1)
f((1, 1, 0)) = 2(1, 1, 0)
f((1, 0, 2)) = 2(1, 0, 2)
⋄

La condición de diagonalización de 8.3.19 nos lleva a pensar que hay cier-

tos vectores y escalares que juegan un papel importante en la cuestión que
estamos tratando, en concreto aquellos que verifican una propiedad del tipo
f(a) = αa, así que vamos a darles un nombre y a intentar ver qué significan
y cómo se calculan.
Definición 8.3.21 Sean n ∈ N y f un endomorfismo de Rn . Diremos que

α ∈ R es un valor propio o un autovalor de f si existe un vector a ∈ Rn −{0}
tal que f(a) = αa. ⋄
Definición 8.3.22 Sean n ∈ N, f un endomorfismo de Rn y α un valor

propio de f. Diremos a ∈ Rn es un vector propio o un autovector de f
asociado a α si f(a) = αa. ⋄
Ejemplo 8.3.23 Tomando f como en el Ejemplo 8.3.15, tenemos que −1 es

un valor propio de f y que (2, 1, 1) es un vector propio asociado a −1. ⋄
Definición 8.3.24 Sean n ∈ N y A una matriz n × n.
1. Un valor propio de A es un valor propio de lA .
2. Un vector propio de A asocido a un valor propio α es un vector propio

de lA asociado a α.
Proposición 8.3.25 Sean n ∈ N y f un endomorfismo de Rn . Tenemos que
1. α ∈ R es un valor propio de f ⇐⇒ dim Ker(f−αI) > 0 ⇐⇒ rg(f−αI) <

n.
2. Si α es una valor propio de f entonces el conjunto de vectores propios

de f asociados a α es Ker(f − αI).
Corolario 8.3.26 Sean n ∈ N y A una matriz n × n.
1. α ∈ R es un valor propio de A ⇐⇒ rg(A−In ) < n ⇐⇒ det(A−In ) = 0.
2. Si α es una valor propio de A entonces el conjunto de vectores propios

de A asociados a α es un subespacio de Rn con ecuaciones implícitas
(A − αIn )X = (0)n×1 .

Definición 8.3.27 Sean n ∈ N y A una matriz n×n. Llamaremos polinomio

característico de A y lo denotaremos por PA (x) a
PA (x) = det(A − xIn ).
Ejemplo 8.3.28 El polinomio característico de la matriz

 
−10 12 6
A =  −6 8 3  ,
−6 6 5
es
   
−10 12 6 1 0 0
PA (x) = det  −6 8 3  − x  0 1 0  =
−6 6 5 0 0 1

−10 − x 12 6 −1 −2 2 − x 0 −4 + 2 x
f23 ,f1,3 c112

−6 8 − x 3 = 0
2 − x −2 + x =

−6 6 5−x −6 6 5−x

2−x 0 −4 + 2 x −1 2 − x 0 −4 + 2 x
2 − x 2 − x −2 + x f=
21
0 2−x 2 − x =
0 6 5−x 0 6 5−x

2 − x 2 − x c−1 2−x 0
= −(1 + x)(2 − x)2
21
(2 − x) = (2 − x)

6 5−x

6 −1 − x
⋄
Definición 8.3.29 Sean n ∈ N, f un endomorfismo de Rn y A su matriz

asociada. Llamaremos polinomio característico de f y lo denotaremos por
Pf (x) a
Pf (x) = PA (x).
⋄
Ejemplo 8.3.30 Tomando f como en el Ejemplo 8.3.15, por Ejemplo 8.3.28,

se tiene que
Pf (x) = −(1 + x)(2 − x)2 .
⋄

Lema 8.3.31 Sean n ∈ N, f un endomorfismo de Rn y B una base de Rn .

se tiene que
Pf (x) = PfB
B
(x).
⋄
Ejemplo 8.3.32 Tomando f y B como en el Ejemplo 8.3.15, si calculamos

el polinomio característico de fB
B

−1 − x 0 0
0 = −(1 + x)(2 − x)2 ,

PfB
B
(x) = 0 2−x
0 0 2−x
que es el polinomio característico de f. ⋄
Proposición 8.3.33 Sean n ∈ N y A una matriz n × n. Se tiene que α ∈ R

es un autovalor de A si y solo si es una raíz real de PA (x). ⋄
Corolario 8.3.34 Sean n ∈ N y f un endomorfismo de Rn . Se tiene que

α ∈ R es un autovalor de f si y solo si es una raíz real de Pf (x) como se vio
en el Ejemplo 8.3.32. ⋄
Ejemplo 8.3.35 Tomando f como en el Ejemplo 8.3.15, vimos en el Ejemplo

8.3.32 que Pf (x) = −(1+x)(2−x)2 , cuyas raíces reales son {−1, 2}. Por tanto
−1 y 2 son lo únicos autovalores, f ⋄

propio de f. Llamaremos espacio propio de f asociado a α y lo denotaremos
por Ef (α) al conjunto de vectores propios de f asociados a α.
Nótese que por 8.3.25, Ef (α) es un subespacio de Rn ⋄
Definición 8.3.37 Sean n ∈ N, A una matriz n × n y α un valor propio

de A. Llamaremos espacio propio de A asociado a α y lo denotaremos por
EA (α) a ElA (α). ⋄
Ejemplo 8.3.38 Sea f como en el Ejemplo 8.3.15. Como consecuencia del

Ejemplo 8.3.20, 2 y −1 son valores propios de f. Calculemos el espacio propio
de f asociado a 2.
Ef (2) = Ker(f − 2I),
por lo que sus ecuaciones implícitas son
    
−12 12 6 x 0
 −6 6 3   y  =  0  .
−6 6 3 z 0

Resolviéndolas se obtiene que una base de Ef (2) es
[(1, 1, 0), (1/2, 0, 1)]
Calculemos ahora el espacio propio de f asociado a −1.
Ef (−1) = Ker(f + I),
por lo que sus ecuaciones implícitas son

    
−9 12 6 x 0
 −6 9 3   y  =  0  .
−6 6 6 z 0
Resolviéndolas se obtiene que una base de Ef (−1) es
[(2, 1, 1)]

propio de f.
1. Llamaremos multiplicidad algebraica de α y lo denotaremos por mula (α)

a la multiplicidad de α como raíz de Pf (x).
2. Llamaremos multiplicidad lineal de α y lo denotaremos por mull (α) a
mull (α) = dim Ef (α) = n − rg(f − αI).
Definición 8.3.40 Sean n ∈ N, A una matriz n × n y α un valor propio de

A.
1. Llamaremos multiplicidad algebraica de α y lo denotaremos por mula (α)

a la multiplicidad de α como raíz de PA (x).
2. Llamaremos multiplicidad lineal de α y lo denotaremos por mull (α) a
mull (α) = dim EA (α) = n − rg(A − αIn ).

Ejemplo 8.3.41 Sea f como en el Ejemplo 8.3.15. Vimos en el Ejemplo

8.3.35 que sus autovalores son −1 y 2. Puesto que teníamos que Pf (x) =
−(1 + x)(2 − x)2 , entonces
mula (−1) = 1,
mula (2) = 2.
Por otra parte, del Ejemplo 8.3.38 deducimos que
mull (−1) = 1,
mull (2) = 2.
⋄
Proposición 8.3.42 Sean n ∈ N, f un endomorfismo de Rn y α un valor

propio de f. Se tiene que
1 ≤ mull (α) ≤ mula (α).
Demostración:
⋄
Corolario 8.3.43 Sean n ∈ N, A una matriz n × n y α un valor propio de

A. Se tiene que
1 ≤ mull (α) ≤ mula (α).
⋄
Proposición 8.3.44 Sean n ∈ N, f un endomorfismo de Rn y α1 , α2 , . . . , αs ∈

Rn valores propios distintos de f. Entonces
Ef (α1 ) + · · · + Ef (αs ) = Ef (α1 ) ⊕ · · · ⊕ Ef (αs ).
Corolario 8.3.45 Sean n ∈ N, A una matriz n × n y α1 , α2 , . . . , αs ∈ Rn

valores propios distintos de A. Entonces
EA (α1 ) + · · · + EA (αs ) = EA (α1 ) ⊕ · · · ⊕ EA (αs ).
Ejemplo 8.3.46 Sea f como en el Ejemplo 8.3.15. Puede verse que Ef (−1)
y Ef (2) calculados en el Ejemplo 8.3.38, forman suma directa. ⋄

Teorema 8.3.47 [Condiciones de diagonalización 2]

Sean n ∈ N y f un endomorfismo de Rn . Son equivalentes
(i) f es diagonalizable
(ii) Se verifican
(a) Todas las raíces de Pf (x) son reales.
(b) Para cada valor propio α de f, se tiene que
mull (α) = mula (α).
Demostración:
⋄
Corolario 8.3.48 Sean n ∈ N y A una matriz n × n. Son equivalentes
(i) A es diagonalizable
(ii) Se verifican
(a) Todas las raíces de PA (x) son reales.
(b) Para cada valor propio α de A, se tiene que
mull (α) = mula (α).
⋄
Ejemplo 8.3.49 Sea f como en el Ejemplo 8.3.15.De los Ejemplos 8.3.35 y
8.3.41 deducimos que f es diagonalizable. ⋄
Nota 8.3.50 En la práctica, si un endomorfismo de Rn , f verifica que es
diagonalizable, de todo lo anterior se sigue que construyendo una base de
cada espacio propio de f y concatenándolas todas, se obtiene una base B de
Rn tal que la matriz fB
B es diagonal.
Además, si A es la matriz asociada a f, E es la base canónica de Rn y
P = B E , entonces
P−1 AP
es una matriz diagonal. ⋄
Corolario 8.3.51 Sean n ∈ N y f un endomorfismo de Rn . Si todas las
raíces de Pf (x) son reales y con multiplicidad 1, entonces f es diagonalizable
⋄
Corolario 8.3.52 Sean n ∈ N y A una matriz n × n. Si todas las raíces de
PA (x) son reales y con multiplicidad 1, entonces A es diagonalizable ⋄

8.3.2 Polinomios de matrices

Proposición 8.3.53 Sean n ∈ N y A una matriz n × n. Entonces

PA (A) = 0 n×n .
Ejemplo 8.3.54 Para la matriz

 
−10 12 6
A =  −6 8 3  ,
−6 6 5
vimos en el Ejemplo 8.3.28 que su polinomio característico era
PA (x) = −(1 + x)(2 − x)2 = −x3 + 3x2 − 4.
Tenemos que
 3  2  
−10 12 6 −10 12 6 1 0 0
PA (A) = −  −6 8 3  +3  −6 8 3  −4 0
 1 0
−6 6 5 −6 6 5 0 0 1
     
28 −36 −18 −24 36 18 4 0 0
= 18 −26 −9 + −18 30 9 − 0 4
     0 =
18 −18 −17 −18 18 21 0 0 4
     
4 0 0 4 0 0 0 0 0
= 0 4 0 − 0 4 0 = 0 0 0 .
0 0 4 0 0 4 0 0 0
⋄
Proposición 8.3.55 Sean n ∈ N, A una matriz n × n diagonalizable, sus

valores propios distintos α1 , α2 , . . . , αs ∈ R y el polinomio
m(x) = (x − α1 ) · · · (x − αs ).
Entonces
m(A) = 0 n×n
.
⋄
Para saber más

354 8.4. Ejercicios
Las formas canónicas de Jordan

La primera forma canónica de Jordan
La segunda forma canónica de Jordan
8.4 Ejercicios
Ejercicio 8.1 Sea el sistema de R4
S = [(1, 0, 0, 1), (0, −1, 0, 0), (−1, 0, 0, −1)],
E = [e1 , e2 , e3 ] la base canónica de R3 y f : R3 −→ R4 la aplicación lineal

que verifica que f(E) = S. Calcular bases de Img f y de Ker f.
Ejercicio 8.2 Se considera el endomorfismo de R4 dado por la expresión
f(x, y, z, t) = (2x + 2z + 4t, x + y, y − z − 2t, x + z + 2t), ∀ (x, y, z, t) ∈ R4 .
Calcular una base de Ker f y ecuaciones implícitas para Img f. Probar que
para este endomorfismo Ker f y Img f forman suma directa.
Ejercicio 8.3 Sea n ∈ N. Para cada α ∈ R, se define la aplicación
hα : Rn −→ Rn
.
x 7−→ αx
Probar que
1. hα es un endomorfismo de Rn , ∀ α ∈ R.
2. hα es un automorfismo si y sólo si α 6= 0.
3. h−1
α = h1/α , ∀ α ∈ R − {0}
4. hα + hβ = hα+β , ∀ α, β ∈ R.
5. hα ◦ hβ = hαβ , ∀ α, β ∈ R.
6. Si B es una base de Rn y f un endomorfismo de Rn ,
f = hα ⇐⇒ fB
B = αIn .

Ejercicio 8.4 Sea n ∈ N y sea H el conjunto de endomorfismos de Rn que

verifican que su núcleo coincide con su imagen. probar que
1. H = ∅ ⇐⇒ n es impar.
2. Si f ∈ H entonces f ◦ f = 0.
3. Existen endomorfismos f de Rn con f ◦ f = 0 tales que f ∈

/ H.
4. Si f ∈ H, entonces f no es inyectiva ni sobreyectiva.
Ejercicio 8.5 De un endomorfismo f de R4 sabemos que
f(1, 1, 0, 0) = (0, 1, 0, −1)

f(1, 0, 1, 0) = (1, 1, 1, 0)
y que Ker f = Img f. Obtener la matriz asociada a f.
Ejercicio 8.6 Sean n ∈ N y An×n una matriz tal que exise p ∈ N con
Ap = 0n×n . Probar que entonces la matriz B := In − A es inversible y que
B−1 = In + A + A2 + . . . + Ap−1.
Utilizar lo anterior para calcular la inversa de

 
1 1 −1
0 1 2 ,
0 0 1
y de  
1 2 3 4
0 1 2 3
 .
0 0 1 2
0 0 0 1
Ejercicio 8.7 Sea la aplicación lineal
f: R3 −→ R2
,
(x, y, z) 7−→ (2x + y, y − z)
S = [(1, 1, 1), (0, 1, 2), (0, 2, 1)] base de R3 y S ′ = [(2, 1), (1, 0)] base de R2 .
Calcular la matriz asociada a f y fSS ′ .

356 8.4. Ejercicios
Ejercicio 8.8 Sean E la base canónica de R3 , E ′ la base canónica de R5 , el

sistema de R3
S = [(2, 1, 0), (0, 1, −1), (1, 0, 1)],
el sistema de R5
S ′ = [(1, −1, 0, 1, 0), (1, 0, 1, 0, 0), (0, 0, 1, −1, 0), (−1, −1, 1, 0, 1),
(0, 0, 0, −1, 0)],
f : R5 −→ R3 con matriz asociada

 
1 −6 −7 −2 5
 1 −3 −3 −2 3 ,
0 −1 −1 0 −1
g : R3 −→ R5 tal que  
−1 1 0
 0
 1 −1 

gSS ′  −1
= 0 1,
 0 1 0
1 0 0
y el endomorfismo h = f ◦ g de R3 .
1. Calcular un espacio suplementario para cada uno de los siguientes es-

pacios
Img f, Ker f, Img g, Ker g.
2. calcular la matriz asociada a h.
Ejercicio 8.9 Se considera la aplicación lineal
f: R3 −→ R3
.
(x, y, z) 7−→ (0, 2x, y)
1. Calcular la matriz asociada a f y a f2 .
2. Calcular Ker f, Ker f2 , Img f y Img f2
3. Para cada α, β, γ ∈ R, calcular la matriz asociada al endomorfismo

αf2 + βf + γI.

4. Sea el sistema de R3
[(1, 1, 1), (0, 1, 1), (0, 0, 1)].
Comprobar que es una base de R3 y calcular fSS
Ejercicio 8.10 Sea α ∈ R. Se considera el endomorfismo de R4

f: R4 −→ R4
,
(x, y, z, t) 7−→ (z − t, z + t, (3 − α)(x − y), (3 − α)(x + y))
y sean los sistemas de R4

S = [(1, 1, 0, 0), (1, −1, 0, 0), (0, 0, 1, 1), (0, 0, 1, −1)],
S ′ = [(0, 0, 0, 1), (0, 0, 1, 0), (0, 1, 0, 0), (1, 0, 0, 0)].
1. Comprobar que S y S ′ son bases de R4 .
2. calcular la matriz asociada a f.
3. Calcular fSS ′ .
4. Obtener los valores de α para los que f es inversible. Obtener f−1 cuando
α = 2.
5. Calcular Ker f y Img f en los casos en los que f no sea inversible. Cal-
cular suplementarios para cada uno de los subespacios anteriores.
Ejercicio 8.11 Construir dos aplicaciones lineales distintas con el mismo

núcleo y la misma imagen.
Ejercicio 8.12 Sean n, m ∈ N. Si f es un isomorfismo de Rm , y g : Rn −→

Rm . Probar que Ker f ◦ g = Ker g y que rg f ◦ g = rg g.
Ejercicio 8.13 Sea f un endomorfismo de R3 . Probar que dim(Ker f∩Img f) ≤

1.
Ejercicio 8.14 Sea n ∈ N y f un endomorfismo de Rn . Probar que

Ker f = Img f ⇐⇒ f2 = 0 y n = 2 dim Img f.
Ejercicio 8.15 Sean a, b ∈ R y f el endomorfismo de R4 dado por la matriz

 
b 1 0 0
 0 b 0 0
 
a 0 b 1
0 a 0 b

358 8.4. Ejercicios
1. Calcular base y ecuaciones implícitas para Img f y Ker f segun los va-
lores de a y b.
2. Estudiar para que valores de a y b se tiene Ker f ⊕ Img f.
3. Sean G el subespacio de R4 con ecuaciones implícitas

2x1 −x2 = 0
x3 −2x4 = 0
y H el subespacio de R4 con ecuaciones implícitas

2x2 +x4 = 0
.
x1 +x4 = 0
Para a = −2, b = 0 estudiar si f(G) y H son subespacios suplementa-

rios.
4. Sea c ∈ R estudiar si v = (c, 0, 1, c) ∈ Img f según los valores de a, b y
c.
Ejercicio 8.16 Sean α ∈ R y f el endomorfismo de R3 tal que f(x, y, z) =

(x, x + y + z, α(x + y + z))
1. Calcular la matriz asociada a f
2. Calcular bases de Img f y Ker f según los valores de α.
3. Calcular f−1 ({(1, 1, 1)}) según los valores de α.
Ejercicio 8.17 Sean α ∈ R y f el endomorfismo de R4 dado por la matriz

 
−1 1 1 1
 1 −1 −1 −1 
A=  1 −1 α − 1 −α − 1  .

1 −1 α − 1 −α − 1
1. Calcular rg f según los valores de α.
2. Calcular bases ecuaciones implícitas y paramétricas y espacios suple-
mentarios de Img f y Ker f según los valores de α.
3. Se considera el subespacio F de R4
F = {(x, y, z, t) ∈ R4 / x + y = 0, z + t = 0}.
Calcular la dimensión y una base de f−1 (F) según los valores de α.

Ejercicio 8.18 De un endomorfismo f de R3 sabemos que deja invariantes

los vectores (1, 2, 1) y (2, 0, 1) y que (1, −1, 0) está en su núcleo.
1. Probar que el sistema B = [(1, 2, 1), (1, −1, 0), (2, 0, 1)] es una base de
R3 y calcular fSS .
2. Calcular la matriz asociada a f.
3. Encontrar bases para Img f y Ker f.
4. obtener ecuaciones implícitas de Img f.
Ejercicio 8.19 Sean a, b ∈ R. Consideramos la matriz

 
a+b b 1
A =  −b a − b −1  ,
1 1 a2
y f el endomorfismo de R3 dado por A.
1. Hallar una base de Ker f según los valores de a y b.
2. Obtener los valores de a y b para los cuales el polinomio característico

de A tiene un a raíz triple.
3. Estudiar para que valores de a y b es diagonalizable. y en los casos en

los que lo sea, escribir la forma diagonal y calcular matrices de paso.
Ejercicio 8.20 Sea f el endomorfismo de R4 dado por la matriz

 
0 0 0 0
 −2 −1 0 −2 
 .
 1 0 1 0
2 1 0 2
Construir, si es posible, una base de R4 formada por vectores propios de f.
Ejercicio 8.21 Estudiar para que valores de a, b, c ∈ R es diagonalizable la

matriz  
a 1 1
0 b 1 .
0 0 c

360 8.4. Ejercicios
Ejercicio 8.22 Estudiar para que valores de a, b, c ∈ R es diagonalizable la

matriz  
1 1 a
1 b 0 .
c 0 0
Ejercicio 8.23 Estudiar para que valores de a ∈ R es diagonalizable la
matriz  
0 2a 0
 −a 0 a  .
0 −2a 0
Ejercicio 8.24 Estudiar para que valores de a ∈ R es diagonalizable la
matriz
1 1
.
1 + 3a 1
Ejercicio 8.25 Sean n ∈ N y An×n una matriz con rg A = 1 y con det(A +
In ) = 0. Probar que A es diagonalizable y obtener su forma diagonal.
Ejercicio 8.26 Probar que si A es una matriz diagonalizable e inversible,
su inversa también es diagonalizable.
Ejercicio 8.27 ¿Existe algún endomorfismo f de R2 bases B y B ′ y a ∈ R
tales que
B 7 5 B′ a 0
fB = , y fB ′ = ?
0 2 2 2
Ejercicio 8.28 Sea n ∈ N. Probar que dos matrices diagonalizables n × n
con los mismos vectores propios, conmutan.
Ejercicio 8.29 Sean n ∈ N y An×n 6= 0n×n tal que A2 = A. ¿Se puede
afirmar que 1 es valor propio de A?
Ejercicio 8.30 Probar que si dos matrices representan a un mismo endo-
morfismo en dos bases distintas, entonces su determinante coincide. ¿Es cierto
el recíproco?
Ejercicio 8.31 Sea n ∈ N. Estudiar si la matriz
 
1 0 0 ··· ··· 0
1 2 0 · · · · · · 0
.. ..
 
0 2 3 . . 0
 
. .
 .. . . . . . . . . .. ..  ,
 . .
. .
 .. . . . . . . . . n − 1 0 

0 ··· ··· 0 n−1 n

es diagonalizable. Calcular bases de sus espacios propios.
Ejercicio 8.32 Sea n ∈ N. Estudiar si la matriz n × n

 
1 ... 1
 .. . . ..  + I ,
. . . n
1 ... 1
es diagonalizable. Calcular bases de sus espacios propios.
Ejercicio 8.33 Sean n ∈ N y la matriz triangular superior

 
a b12 b13 · · · b1n
0 a b23 · · · b2n 
 .. .. .. .. ..  .
 
. . . . . 
 
0 · · · 0 a bn−1n 
0 ··· ··· 0 a
¿Para que valores de los parámetros es diagonalizable?
Ejercicio 8.34 Estudiar si las siguientes matrices son diagonalizables en

función de los parámetros y calcular matrices de paso cuando lo sean.
 
a a 0 0
 0 0 a 0
 
 −a −a −a 0
a a−1 −1 −1
 
1 a 0 0 0
a 1 0 0 0
 
0 0 0 0 1
 
0 0 0 0 0
0 0 b 0 0
 
1 0 0 0 0
 2 a + 1 −1 1 0
 
 −1 0 1 0 0
 
 1 −1 1 a−1 0
0 0 2 0 a
Ejercicio 8.35 Estudiar si las siguientes matrices son diagonalizables y cal-

cular una matriz de paso cuando proceda.

362 8.4. Ejercicios
(i)  
−6 −38 14 8 0 −28 0 −2
 3
 7 −1 1 0 7 0 2
 −3 0 −6 −5 0 1 0 2 
 
 6
 30 −8 −3 0 20 0 2
 0
 0 0 0 4 0 −8 0 

 −5 −4 −4 −6 0 −5 0 −4 
 
 0 0 0 0 0 0 −4 0
0 0 0 0 0 0 0 3
(ii)  
−18 −9 9 −1 −10 −9 −9 0
 −9 −3 6 1 −4 0 −3 0 
 
 −32 −13 16 −4 −14 −13 −13 0 
 
 10
 5 −5 1 6 5 5 0
 0 0 0 0 2 0 0 0 
 
 5
 4 −4 −3 4 1 4 0
 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 6
(iii)  
21 −20 −40
 −25 16 40 
25 −20 −44
(iv)  
11 0 −10 −15 −5 0
 −5 4 8 15 5 0
 
 5
 0 −4 −15 −5 0
 0 0 0 10 2 0
 
 0 0 0 −12 0 0
3 0 −6 27 19 −2
(v)  
−9 4 −27 1 0 31 −26 −11
 0 −4 0 0 0 0 0 0
 
 −3 2 −8 1 0 6 −1 −3 
 
 −6 4 −8 −2 0 12 −4 −6 
 
 3 −4 6 −3 −6 −6 3 3
 
 −3 2 −13 1 0 11 −12 −3 
 
 0 0 0 0 0 0 −6 0
0 0 3 0 0 −3 3 2

(vi)  
−2 −1 0 0 0 0 0
 2 1 0 0 0 0 0
 
 −4 −4 4 0 0 8 0 
 
 3 1 0 1 0 0 0
 
 −1 −1 0 0 −5 1 0 
 
 4 4 0 0 0 −4 0
0 0 0 0 0 0 −1
(vii)
4 2
−12 −6
(viii)  
−6 0 0 0
 −6 43 −60 74 
 
 −12 24 −39 48 
−6 −3 0 0
(ix)  
−3 −5 −5 −5 5 0 0
 30 −25 −48 6 −6 −30 0 
 
 −19 11 25 −7 7 20 0 
 
 0 0 0 3 0 0 0 
 
 11 −16 −25 0 3 −10 0 
 
 0 0 0 0 0 −5 0 
0 0 0 0 0 0 1
(x)  
10 6 −6
 −12 −8 12 
−3 −3 7
(xi)  
−55 −100 52
 15 25 −17 
−45 −90 32
(xii)  
135 −160 −30 30 −40
 100 −115 −20 20 −30 
 
 −140 160 25 −31 40 
 
 0 0 0 −6 0
160 −200 −40 40 −45

364 8.4. Ejercicios
(xiii)
 
−1 20 10 20
 −3 −20 −8 −16 
 
 −44 14 24 42 
25 7 −7 −11
(xiv)
 
−32 0 28 −9 −56
 −47 5 11 18 −76 
 
 0
 0 −4 9 0
 0 0 0 5 0
16 0 −16 9 28
(xv)
 
−26 −8 −16
 22 10 10 
37 10 25
(xvi)
 
−3 0 0 0 0 0
 −9 −2 −3 0 0 0
 
 12 0 1 0 0 0 
 
 −1 0 0 −4 0 0 
 
 0 0 0 0 1 0
4 3 3 −5 0 1
(xvii)
 
−95 −380 130
 −24 −83 30 
−135 −500 176
(xviii)
 
−76 135 81
 −27 50 27 
−27 45 32
(xix)

131 −352
48 −129

(xx)
 
−31 −46 96 −10 10 0
 −10 −16 30 −11 11 0
 
 −14 −21 43 −7 7 0
 
 −4 −11 19 −2 −4 0
 
 0 −7 7 −7 1 0
−4 −11 19 4 −4 −6
(xxi)

−26 −33
14 17
(xxii)

−4 0
−6 −2
(xxiii)
 
−4 0 0 −1 −4 0 0
 13
 3 −12 −17 28 0 0 

 5
 2 −7 −7 12 0 0 

 0
 0 0 −5 0 0 0
 0 0 0 0 0 0 0 
 
 0 0 0 5 0 0 0
−5 −5 10 5 0 0 4
(xxiv)
 
−5 −8 −8 −25 −4 8 8 −4
 0 5 0 1 0 0 0 0
 
 0 −18 −13 −43 −8 18 25 −8 
 
 0 0 0 4 0 0 0 0
 
 0
 0 0 −4 −6 0 4 0
 0 −19 −19 −52 −8 24 33 −8 
 
 0 0 0 6 0 0 −2 0
0 −18 −18 −32 3 18 14 −3
(xxv)

−3 0
0 −3

366 8.4. Ejercicios
(xxvi)  
−749 −1920 −248 0 0
 360 923 120 0 0
 
 −516 −1324 −177 0 0 
 
 9 23 3 0 0
4 10 1 0 −4
(xxvii)  
10 2 4 −14 4 −12 0 −4
 20 −1 6 −16 7 −15 0 −6 
 
 5 −5 3 6 1 6 0 −8 
 
 3 −3 0 7 2 5 0 0
 
 −14 7 −2 2 1 3 0 2 
 
 4
 3 2 −12 1 −11 0 −2 

 0 0 0 0 0 0 6 11 
0 0 0 0 0 0 0 −5
(xxviii)
 
6 4 10 0 14 14 −16 −10
 11
 9 −4 0 −23 10 8 0
 8 12 −10 0 −20 4 8 10 
 
 18 18
 0 −4 −18 16 0 0 

 2 −2 6 0 6 6 −8 −10 
 
 −9 −9 0 0 9 −12 0 0 
 
 2 −2 6 0 0 6 −2 −10 
0 0 0 0 0 0 0 4
(xxix)  
−34 90 −60
 0 −4 0
20 −60 36
(xxx)  
−13 28 −28 −54 −20 16 16
 2
 7 −12 −26 −4 16 16 
 16 −15 10 14 16 0 0 
 
 −7 14 −14 −26 −10 8 8
 
 9 −23 23 43 13 −8 −8 
 
 0 0 0 0 0 −6 0
0 0 0 0 0 0 −6

(xxxi)
 
5 0 0 30 0 0 0 0
 0 4 1 29 0 0 0 0
 
 0 0 5 20 0 0 0 0
 
 0
 0 0 −5 0 0 0 0
 0 0 0 20 5 0 19 9
 
 −1 2 −2 21 0 6 −20 −9 
 
 0 0 0 0 0 0 −14 −9 
0 0 0 0 0 0 18 13
(xxxii)
 
−5 13 14 16 0 3 0 2
 −10 18 14 16 0 3 0 2
 
 −6 −4 −14 −14 0 −2 0 0
 
 16 −9 5 3 0 −1 0 −2 
 
 −25 24 23 23 2 10 4 4
 
 −8 14 16 20 0 5 0 4 
 
 18 −4 10 10 0 −2 −2 −2 
0 0 0 0 0 0 0 0
(xxxiii)

−13 −30
6 14
(xxxiv)
 
−13 −38 46 −57 0 −18
 −21 −49 65 −76 0 −25 
 
 −7 −1 3 −8 0 −1 
 
 8
 38 −46 52 0 18 

 0 0 0 0 −4 0
6 11 −17 17 0 7
(xxxv)
 
2 −5 −7 −15
 0 −3 0 0
 
0 0 −5 −11 
0 0 0 6

368 8.4. Ejercicios
(xxxvi)  
−5 5 −10 5 5 0 0
 −67 67 −178 5 41 0 0 
 
 −18 18 −50 0 10 0 0 
 
 1 −1 2 −5 −1 0 0 
 
 30 −30 76 0 −20 0 0 
 
 25 −25 66 0 −16 1 0 
−30 30 −76 0 21 0 1
(xxxvii)  
−117 −116 198 −74 0 −20
 −50 −56 88 −34 0 −10 
 
 −106 −109 182 −71 0 −20 
 
 −50 −51 88 −39 0 −10 
 
 50 51 −88 59 4 18 
100 102 −176 70 0 16
(xxxviii)  
15 7 7 3 −16 7 0
 −1 −2 −7 −3 7 −7 0 
 
 0 0 5 0 0 0 0 
 
 37 14 14
 1 −29 14 0 

 19
 7 7 3 −20 7 0 

 0 0 0 0 0 5 0
−5 0 4 0 5 0 1
(xxxix)  
93 −30 22 −126
 181 −68 26 −210 
 
 −77 42 12 42 
6 4 12 −30
(xl)  
20 14 0 0 −32 0 0 0
 −7 −1 0 0 16 0 0 0 
 
 8
 8 3 −5 −21 2 1 3 

 −8 −8 0 −6 5 0 0 0 
 
 8
 8 0 0 −11 0 0 0 

 8
 8 0 −5 −21 5 0 3 

 0 0 0 0 0 0 4 0
0 0 0 16 16 0 0 2

(xli)  
1 5 0 0
 0 6 0 0
 
 0 −8 2 0
−5 39 12 −4
(xlii)
251 −105
588 −246
(xliii)  
−1 −11 5
 −21 19 −35 
−9 15 −19
(xliv)  
4 0 0 0 0 0 0 0
 0 −4 0 0 0 0 0 0
 
 9
 0 −4 −9 0 0 0 0 

 −1 0 0 5 0 0 0 0
 
 2
 0 7 −2 −1 0 7 2 

 0 0 0 0 0 1 0 0
 
 −7 0 10 7 0 0 6 0
0 0 0 0 0 0 0 −3
(xlv)  
6 0 0 0
 8 10
 8 −12 

 −8 −4 −2 12 
0 0 0 6
(xlvi)  
8 0 6 −8
 −28 −4 −22 32 
 
 −88 −28 −58 92 
−60 −20 −40 64
(xlvii)  
−3 −6 1 −2 2 2
 0 3 0 0 0 0
 
 0
 0 −4 2 −2 −2 

 0 0 4 0 4 4
 
 0 0 0 0 −2 0
0 0 8 −2 8 6

370 8.4. Ejercicios
(xlviii)
 
88 82 120 39 −28 28
 −123 −117 −180 −59 42 −42 
 
 20
 20 35 10 −7 7 


 0 0 0 5 0 0 

 0 0 0 0 −6 0
0 0 0 0 −8 2
(xlix)
 
5 0 −3 0 0 0 0 0
 0 −1 0 −2 2 −2 0 0 
 
0 0 2 0 0 0 0 0 
 
0
 0 3 5 −6 −2 0 0 

0
 0 3 2 −3 −2 0 0 

0
 0 0 6 −6 −3 0 0 

0 0 −3 −2 8 2 5 0
0 0 3 5 −6 −2 0 0
(l)
 
−6 0 −7 0 3 0 0
 −6 0 −24 0 −8 −5 0
 
 0 0 4 0 0 0 0
 
 0
 0 −9 −4 9 9 0
 0
 0 −7 0 −3 0 0
 0 0 6 0 8 5 0
0 0 0 0 0 0 −2
(li)
 
−3 0 28 2 −20
 0 −5 0 0 0
 
 0 0 5 0 0 
 
 0 0 −10 −4 10 
0 0 −1 0 6
(lii)

4 −12
4 −10

(liii)
 
−5 20 0 0 0 −20
 8 −15 0 0 0 18 
 
 1 −2 −1 0 5 2
 
 0 0 4 3 4 0 
 
 −1 2 0 0 −6 −2 
8 −20 0 0 0 23
(liv)

1 0
0 1
(lv)

−577 −1312
252 573
(lvi)

−16 −2
60 6
(lvii)
 
7 −4 9 8 4 12
 −4 −1 0 8 −12 28 
 
 0 0 4 0 0 0 
 
 0
 0 −9 −5 0 0 
 −4 2 −9 −6 −3 0 
0 0 0 0 0 5
(lviii)
 
−3 0 0
 −16 −1 8
4 0 −5
(lix)
 
−3 0 0 0
 −26 −4 −5 −20 
 
 −24 0 1 0
12 0 0 1

372 8.4. Ejercicios
(lx)
 
4 0 0 0 0
 −12 8 0 −5 5 
 
 0 0 6 0 0
 
 −18 20 0 −12 10 
6 10 0 −5 3
(lxi)

−599 −350
1032 603
(lxii)
 
−3 0 −4 0 0 4
 23 −26 47 6 0 −5 
 
 14 −14 27 4 0 −4 
 
 0 0 0 4 0 0 
 
 −14 14 −18 −5 5 0
14 −14 26 4 0 −3
(lxiii)
 
1 0 0 −4 −9 −3 0
0
 6 0 −3 −3 0 0
 0 −24 0 18 18 0 0
 
0
 0 0 3 −3 0 0 

0 0 0 0 6 0 0
 
0 0 0 0 0 4 0
0 0 0 0 0 0 4
(lxiv)
 
−7 −4 −7 0
 8 5 8 0
 
 0 0 0 0
0 0 5 −5
(lxv)
 
−4213 −7601 −3601 3390
 2064
 3723 1768 −1661 

 512 925 432 −413 
−64 −116 −52 50

(lxvi)
 
2 3 12 18 0 6 0
 2
 1 −12 −12 0 −6 0
 −1 −1 5 6 0 3 0
 
 0
 0 0 −2 0 0 0
 0 0 0 0 5 0 0
 
 0 0 0 0 0 2 0
1 1 −1 0 0 −5 4
(lxvii)
 
−30 0 −108 108 21 0 0 0
 0
 6 0 0 −7 0 0 0 

 0
 0 −6 6 7 6 0 0
 −9 0 −39 39 14 6 0 0 
 
 0
 0 0 0 −1 0 0 0 

 0 0 0 0 0 6 0 0
 
 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 6
(lxviii)
 
−6 0 0 0
 −11 5 0 0
 
 3 0 −3 0 
−19 0 −8 5
(lxix)
 
1 2 4 0 0 0 0
0 2 2 0 0 0 0
 
0 0 1 0 0 0 0
 
0
 0 −4 5 0 0 0
0
 0 0 0 −2 0 −4 

0 0 0 0 0 5 0
0 0 0 0 0 0 2
(lxx)
 
11 −27 −4 5
 3 −7 −4 −1 
 
 −3 1 −2 1
3 −9 −8 −3

374 8.4. Ejercicios
(lxxi)
 
10 16 0 0 0 0 0 0
 −8 −14 0 0 0 0 0 0
 
 0
 0 −3 0 0 0 0 0 

 3
 3 0 −1 0 0 0 0
 −5 −5 0 5 −6 0 0 0 
 
 −2 −2 0 10 0 −6 0 0 
 
 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 3
(lxxii)
 
−24 0 30
 −35 1 45 
−20 0 26
(lxxiii)
 
−8 −38 0 2 −30 16 16
 0
 10 0 −6 6 −6 −6  
 7
 38 −1 −2 30 −16 −16 

 3
 7 0 5 4 −4 3 

 4
 20 0 −2 19 −6 −13 
 −7 −17 0 −8 −14 5 3
8 48 0 −10 40 −18 −30
(lxxiv)
 
10 −4 −13
 75 −27 −75 
−18 6 15
(lxxv)
 
0 −6 −3 6 0 0 0 0
 −4 2 2 −4 0 −4 0 0 
 
 −14 22 3 −16 0 −8 0 0 
 
 −14 22 8 −21 0 −8 0 0 
 
 0
 0 9 −9 4 0 0 0
 −8 10 4 −8 0 4 0 0 
 
 0 0 0 0 0 0 4 0
0 0 0 0 0 0 0 1

(lxxvi)
 
0 −18 7 0 0 4
 0 5 0 0 0 0
 
 −6 −18 13 0 0 4
 
 0 0 0 0 0 0
 
 4 4 −5 0 −6 −3 
2 36 −14 0 0 −7
(lxxvii)
 
3 0 0 0 0 0
 −6 −21 0 6 3 0
 
 8 −1 −6 13 −4 0 
 
 2 −16 0 13 −1 0 
 
 −6 −60 0 24 6 0
12 6 −48 36 −6 6
(lxxviii)
 
5 7 −2 −3
0 1
 0 −6 
 6 12 −2 −18 
0 3 0 −8
(lxxix)
 
−16 4 −2 11 0
 14 −10 4 −11 0 
 
 28 −14 5 −22 0 
 
 −22 4 −2 17 0 
0 0 0 0 4
(lxxx)
 
48 26 0 0 14 24 0 8
 −78 −43 0 0 −21 −37 0 −12 
 
 −6 1 −2 −3 −3 −4 −4 −3 
 
 0
 0 0 −5 0 3 0 0 

 −28 −14 0 0 −12 −14 0 −14 
 
 0
 0 0 0 0 −2 0 0 

 −78 −45 0 0 −21 −33 2 −12 
0 0 0 0 0 0 0 5

376 8.4. Ejercicios
(lxxxi)  
−12 3 0 6 0
 −4 −3 0 4 0
 
 −1 1 −5 2 0 
 
 −7 3 0 1 0
0 0 0 0 −6
(lxxxii)  
3 8 −1 0
 12 12 6 0
 
 −42 −52 −16 0
12 14 6 −2
(lxxxiii)  
−4 −2 −6 4 0 0
 0 5 0 0 0 0
 
 0
 1 −8 −4 0 −10 

 0
 5 −9 −2 0 −9 

 0 −4 4 −5 −3 −1 
0 −5 9 4 0 11
(lxxxiv)
 
−19 11 0 4 −4 0 −13 3
 −22 14 0 4 −4 0 −18 8
 
 16 −8 −6 −4 4 0 0 4 
 
 3 −5 1 3 −8 −9 13 −16 
 
 27 −17 1 −3 −2 −9 21 −12 
 
 −23 11 0 4 −4 4 −13 3
 
 0 0 0 0 0 0 6 0
0 0 0 0 0 0 8 −2
(lxxxv)  
−3 0 0
 −14 4 7
0 0 −3
(lxxxvi)  
2 0 0
 −3 5 0 
−9 9 2

(lxxxvii)  
695 525 −249
 −618 −466 222 
646 490 −230
(lxxxviii)  
−1 0 0 0 0 0
 10 −12 −10 0 0 −10 
 
 −6 4 5 −3 0 4 
 
 0 0 0 4 0 0 
 
 0 0 0 0 −3 0
−8 11 8 3 0 9
(lxxxix)  
3 0 0 0 0 0 0 0
 0 3 0 0 0 0 0 0
 
 7
 32 8 −7 −7 −7 0 7
 12
 17 0 −6 0 −12 0 4 

 7
 41 14 −7 −13 −7 0 7 

 1 0 0 0 0 2 0 0
 
 0 0 0 0 0 0 −3 0
4 −10 0 0 0 −4 0 −2
(xc)  
20 −5 −1 26
 5 −6 −5 10 
 
 −7 5 6 −12 
−9 0 −1 −10
(xci)  
−4 3 −10 0 0 5
 −6 5 −14 0 0 6
 
 0 0 0 0 0 0
 
 0 0 0 5 0 0
 
 1 3 1 10 −5 −3 
0 0 −6 0 0 3
(xcii)  
32 36 0 −33 −9
 −10 −10 0 11 3
 
 5
 12 −1 −1 0 

 38 48 0 −35 −9 
−72 −96 0 60 14

378 8.4. Ejercicios
(xciii)  
28 22 −66 38
 26
 43 −115 47 

 4 16 −40 12 
−30 −14 48 −36
(xciv)  
−29 −90 40
 14 43 −18 
7 21 −8
(xcv)  
−669 −667 −562 334
 416
 414 352 −208 

 84 84 69 −42 
−378 −378 −315 188
(xcvi)  
10 10 0 5 −5 0 0
 −6 −14 4 −9 9 0 3
 
 −10 −10 0 −5 5 0 −3 
 
 4
 16 −4 12 −8 0 −3 

 2 −2 4 −1 5 0 3
 
 2 2 1 1 −1 −1 1
0 0 0 0 0 0 3
(xcvii)
 
28 54 0 16 −18 14 0 −18
 60
 104 0 40 −20 40 0 −20 

 18
 30 0 12 −6 12 0 −6 
 12 24 0 6 0 12 0 0 
 
 −2 −6 0 0 −4 −2 0 1
 
 −154 −274 0 −96 58 −100 0 58 
 
 0 0 0 0 0 0 −2 0
120 218 0 80 −40 80 0 −45
(xcviii)  
2 2 −5
 5 11 −25 
2 4 −9

(xcix)  
6 −5 −18 0 5 −5 0
 0 13
 30 0 −12 13 0 

 0 −5 −12 0 5 −5 0 
 
 −16 15 46 −2 −21 11 0 
 
 0 0 0 0 1 0 0 
 
 0 0 0 0 0 0 0
−5 14 39 0 −14 16 1
(c)  
53 7 −75
 −48 −2 75 
36 6 −49
(ci)  
85 −25 25
 238 −70 70 
−51 15 −15
(cii)  
3 0 0 0 0 0
 14
 2 4 −4 0 0 

 −28 −2 −3 3 0 0
 
 −6 −1 −1 1 0 0 
 
 −1 0 0 0 3 0
0 0 0 0 1 3
(ciii)  
3 27 0
 0 −6 0 
−1 42 3
(civ)  
1 0 0 0 0
 −2 0 −3 1 2
 
 −4 −15 −7 2 5
 
 16 49 29 −8 −19 
−21 −55 −37 11 25
(cv)  
−3 0 −4
 −162 −45 −81 
96 25 53

380 8.4. Ejercicios
(cvi)
 
5 0 0 0 1
 −7 3 1 0 −2 
 
 10 −1 1 0 3
 
 4 5 2 5 0
1 2 1 1 5
(cvii)
 
7 −4 3 −1 −3
 5 −2 3 −1 −3 
 
 −3 3 −1 0 −1 
 
 6 −5 3 1 0
0 0 0 0 −1
(cviii)
 
4 1 1 −1
 −3 1 −1 1
 
 0 4 15 −10 
1 5 14 −9
(cix)
 
2 4 13 −5 1
 17 −1 9 −17 3
 
 −6 1 −1 6 −1 
 
 0 4 13 −2 0
0 4 13 −4 2
(cx)
 
2 0 0 0 1 −1
 2
 4 0 −10 12 −3 

 −1 0 2 0 0 0
 
 0
 0 0 6 −1 0 

 −1 −1 0 −5 6 2
−1 −1 0 −5 4 4
(cxi)
 
2 3 −3
 13 3 −7 
19 10 −14

(cxii)
 
−23 −19 48 36
 −1 −5 2 −1 
 
 −10 −10 21 18 
0 0 0 −4
(cxiii)
 
−3 −26 14 −14
 9
 67 −36 35 

 11 82 −44 43 
−5 −37 20 −19
(cxiv)
 
9 −5 −3 −2
 11 −6 −1 −1 
 
 16 −33 −24 −13 
−39 62 37 21
(cxv)
 
17 8 2 0 0
 −15 −5 −2 1 −2 
 
 −24 −16 −1 −4 8 
 
 6 4 1 3 0
−7 −4 −1 0 5
(cxvi)
 
0 2 3 0 1
 4 −3 3 1 −3 
 
 −5 0 −7 −1 1 
 
 4 1 3 −3 0
0 0 0 0 −1
(cxvii)
 
−4 5 −5 0 4
 −13 14 −9 0 4 
 
 −8 8 −3 0 0 
 
 −9 10 −6 1 3 
−4 4 −4 0 5

382 8.4. Ejercicios
(cxviii)  
0 2 4 0 1
 6 1 11 0 5
 
 −6 −4 −13 0 −4 
 
 −2 −2 −3 −3 0
3 2 6 0 0
(cxix)  
2 2 −1 1
 −1 2 0 0
 
 −2 −2 1 −1 
−3 3 −4 4
(cxx)  
−1 −1 2 1
 0 −1 1 0 
 
 1 −1 0 0 
−1 0 1 0
(cxxi)  
−20 −11 −10 −24 −9 23
 −2 −5 −2 6 −1 −5 
 
 65
 44 40 56 40 −57 

 47
 35 26 42 32 −38 

 −24 −17 −16 −23 −20 23 
49 36 28 40 33 −37
(cxxii)  
1 1 −5
 −1 −1 11 
0 0 −6
(cxxiii)  
−36 −5 1 0 −19
 75 12 0 0 39 
 
 −39 −7 −1 0 −20 
 
 −12 −7 −6 −6 −3 
35 4 −2 0 19
(cxxiv)  
−2 0 0
 0 −14 −49 
0 4 14

(cxxv)  
132 −153 24 0
 104 −120 20 0
 
 −36 45 0 0
−61 72 −9 0
(cxxvi)  
−5 −1 1 1 0 0
 1 −7 2 6 0 0
 
 0
 0 −6 0 0 0 

 0
 0 0 −1 0 0 

 −6 6 −2 −4 −1 −1 
5 −5 6 6 0 −1
(cxxvii)  
−4 6 −6 0 1
 −28 25 −31 −5 1
 
 −36 30 −36 −6 0
 
 34 −37 36 −1 −1 
−84 78 −78 −6 2
(cxxviii)  
2 −1 −1 0
 −1 2 −2 1
 
 2 2 6 −1 
1 1 2 2
(cxxix)  
1 7 4 5
 −2 −6 −2 −2 
 
 −4 −4 0 4
3 5 1 −1
(cxxx)  
−234 −812 73 0
 66
 229 −21 0
 8 28 −7 0
3 11 −6 −2
(cxxxi)  
0 1 −1
 45 72 −66 
46 74 −68

384 8.4. Ejercicios
(cxxxii)
 
75 127 −153
 −20 −37 38 
20 32 −43
(cxxxiii)
 
1 0 0 −2 −3
 −2 4 −1 −2 −3 
 
 0 0 4 0 0
 
 0 0 0 2 1
1 0 0 2 3
(cxxxiv)
 
−8 −71 61
 2 27 −26 
2 22 −21
(cxxxv)
 
0 −7 4
 −6 4 2
−15 −5 11
(cxxxvi)
 
−39 −19 −46 80 −81
 22
 7 32 −44 43 

 22
 2 38 −44 42 

 22 −6 43 −43 44 
22 2 33 −44 47
(cxxxvii)
 
7 0 −4
 9 −3 −10 
1 0 3
(cxxxviii)
 
−377 −942 1140 694
 173
 431 −526 −316 

 −22 −57 65 45 
69 174 −210 −131

(cxxxix)  
−11 3 1 1
 −13 2 1 −1 
 
 4 −2 −4 4
−5 3 −1 −9
(cxl)  
791 −793 401 −235 −235
 390 −392 198 −115 −115 
 
 −406 406 −208 120 120 
 
 0 1 1 −2 0
640 −641 319 −192 −194
(cxli)  
30 −1 −38
 −48 −4 52 
24 −1 −32
(cxlii)  
74 −20 1
 288 −78 4
108 −28 −2
(cxliii)  
−13 −11 −19
 4 3 6
4 4 5
(cxliv)  
5 4 2 −2
 −1 −1 0 1
 
 −9 −6 −4 3
4 3 2 −1
(cxlv)  
2 8 2 0 1 10
 0 −5 −1 0 0 −3 
 
 40 28 −11 0 6 5
 
 7
 8 2 −5 1 10 

 4 0 −2 −1 −4 −4 
−14 −8 4 0 −2 −1

386 8.4. Ejercicios
(cxlvi)  
−2 16 16
 0 1 −1 
0 1 3
(cxlvii)  
2 1 1 −2
 1
 0 −1 0
 −2 −1 −1 2
2 1 0 −2
(cxlviii)  
24 −10 19 32 12
 74 −31 47 87 32 
 
 −34 13 6 −9 3 
 
 24 −9 −5 5 −3 
17 −7 9 18 6
(cxlix)  
−26 17 0 0 −42
 −13 13 0 0 −17 
 
 0 0 3 0 0
 
 0 0 1 3 0
19 −10 0 0 31
(cl)  
0 0 0 0 0
 0 4 0 0 0
 
 0
 4 0 0 −1 

 0 −1 0 4 0
−1 0 0 0 0
(cli)  
−3 4 16 −21
 1
 9 50 −68 

 1 −3 −15 12 
−3 1 0 −8
(clii)  
−6 3 −3 4
 3 −2 1 1
 
 12 −7 6 −8 
5 −3 3 −5

(cliii)
 
−1 5 0 0 1
 0 5 0 0 0
 
 0 −5 −1 0 −1 
 
 0 1 0 5 0
−1 6 −1 0 −1
(cliv)
 
−7 3 −6 −3 6
 1 −3 4 0 −4 
 
 −1 0 −5 1 3 
 
 1 0 3 −3 −3 
−2 1 −3 0 1
(clv)
 
−11 3 −6 −5
 −1 1 −2 1
 
 25 −5 14 9
7 −3 2 6
(clvi)
 
7 −8 5 −1
 7 −8 5 −1 
 
 −3 2 −4 −1 
−4 3 −4 −1
(clvii)
 
0 0 1 0 0
 −124 39 −10 −31 −25 
 

 0 0 0 0 0 

 −112 36 −17 −28 −25 
−24 7 2 −6 −2
(clviii)
 
11 −18 −9 0
 4 −10 0 0
 
 5 −6 −7 0 
−7 1 19 2

388 8.4. Ejercicios
(clix)
 
−68 24 6 −27 −3
 −184 65 24 −69 −8 
 

 0 0 −4 0 0
 8 −3 8 7 0
−8 3 −7 −11 −4
(clx)
 
−4 1 −1 −3 5 5
 3 −4 4 3 −6 −4 
 
 2 −1 0 2 −4 −3 
 
 0
 1 −1 −2 0 1
 0 1 −1 0 −2 1
−1 0 0 −1 2 0
(clxi)
 
−7 −12 −2
 0 6 0
4 57 −1
(clxii)
 
44 −4 −25 −80
 0
 −3 −1 5
 46 −4 −27 −80 
9 −1 −5 −17
(clxiii)
 
−8 −1 4 11 0 −2
 11
 8 −14 −10 −7 1
 5
 4 −6 −5 −4 0 

 −6 −1 3 9 0 −1 
 
 2 2 −5 −1 −1 0
5 4 −4 −5 −4 −2
(clxiv)
 
−96 −40 −2 −80
 37
 16 −1 28 

 −160 −66 −3 −133 
94 39 3 80

(clxv)  
4 −1 −1 0 0 −3
 1 6 1 2 1 4
 
 2 3 6 4 2 7 
 
 0 0 0 4 0 0
 
 0 2 1 1 4 4
−1 −2 −1 −2 −1 0
(clxvi)  
1 −3 13 9
 0 4 0 0
 
 0 0 4 0
−1 −1 4 7
(clxvii)  
6 52 −55 0 109
 −44 −253 260 0 −534 
 
 −22 −125 127 0 −267 
 
 56 323 −335 −3 693 
9 51 −53 0 106
(clxviii)  
5 2 0 3
 −4 −2 1 −7 
 
 −1 −2 5 −2 
1 2 −1 6
(clxix)  
34 57 −54 54
 −39 −62 53 −54 
 
 0 0 −5 0
13 19 −17 13
(clxx)  
41 −20 36 −40
 77 −38 63 −70 
 
 0 0 −3 1
−7 4 0 −3
(clxxi)  
4 −1 −2
 118 76 162 
−57 −34 −73

390 8.4. Ejercicios
(clxxii)  
−5 0 0 0
 −8 4 0 9
 
 −8 9 −5 10 
−1 0 0 −5
(clxxiii)  
6 −6 0 −7 6 0
 25 −10 −9 −42 18 −4 
 
 27 −2 −4 −32 5 −21 
 
 −2 −5 1 3 4 7
 
 23 −14 −8 −38 21 2
0 0 0 0 0 −1
(clxxiv)  
58 −140 −27 −27
 24 −58 −11 −11 
 
 3 −7 −7 −9 
−3 7 5 7
(clxxv)  
7 1 −1
 −1 5 1
0 0 6
(clxxvi)  
5 132 72 0 59
 0 −48 −60 0 −18 
 
0 27 20 0 12 
 
1 53 23 5 24 
0 88 110 0 33
(clxxvii)  
2 8 −1 1
 −3 −5 −1 −2 
 
 −6 −6 −4 −5 
0 −2 1 0
(clxxviii)  
2 0 0
 7 −14 −8 
−6 16 10

(clxxix)
 
−4 0 1 −1 1 0
 1 −4 1 −1 1 0
 
 0
 0 2 −4 9 −3 

 0
 0 4 −9 4 −1 

 0 0 −2 −1 −9 2
0 0 2 −3 1 −6
(clxxx)
 
−17 −6 1 0
 24
 7 −2 0
 −46 −15 4 1
54 19 −5 −2
(clxxxi)
 
1 5 1 6 0 0
 0 −4 0 −1 −1 1 
 
0
 3 1 7 −3 2 

0
 1 0 −2 0 0 

0 0 0 0 −3 4 
0 0 0 0 0 1
(clxxxii)
 
0 1 1 −2
 −8 −5 0 10 
 
 3 2 0 −4 
−3 −1 1 2
(clxxxiii)
 
2 0 3 −6 15
 −1 1 −6 12 −31 
 
 −14 0 −6 19 −35 
 
 14 0 7 −18 35 
1 0 4 −5 16
(clxxxiv)
 
58 70 170
 86 105 277 
−51 −62 −159

392 8.4. Ejercicios
(clxxxv)  
16 −29 −2 −4
 10 −18 −1 −1 
 
 −3 5 −1 −6 
0 0 0 −5
(clxxxvi)  
7 4 8
 69 15 52 
−31 −10 −27
(clxxxvii)  
−8 0 0 9 0
 −8 1 0 9 1
 
 0 0 1 0 0
 
 −4 0 0 4 0
9 0 −1 −9 1
(clxxxviii)  
4 2 −1
 −4 −2 2
−3 −6 6
(clxxxix)  
7 −4 9 1 1 −7
 −15 8 −19 −2 −2 12 
 
 −7 3 −7 −1 −1 5 
 
 −7 0 −6 5 −1 −1 
 
 6 0 5 1 7 6
1 0 1 0 0 1
(cxc)  
7931 −6279 −3757 14688
 −3568 2831 1692 −6611 
 
 3829 −3034 −1819 7089 
−4829 3825 2287 −8945
(cxci)  
76 31 5 83
 −85 −39 −5 −85 
 
 63 26 −6 62 
−36 −13 −3 −43

(cxcii)
 
−44 −2 50 −1 −1
 16
 1 −16 0 0
 −37 −1 43 −1 −1 
 
 −1 2 2 5 −1 
7 −14 −8 1 7
(cxciii)
 
3 −1 −1 −1
 1
 2 0 −1 

 0 1 4 1
−1 0 −1 3
(cxciv)
 
−2151 −1313 −823
 5825 3559 2234 
−3679 −2251 −1416
(cxcv)
 
5 0 1 −4
 −5 −4 −6 0
 
 −5 0 1 5
9 0 1 −8
(cxcvi)
 
−33 −57 −15 −13
 20 35 8 7
 
 −29 −49 −7 −9 
48 77 20 21
(cxcvii)
 
−45 −2 −16
 15 −4 10 
165 10 56
(cxcviii)
 
382 285 227
 −64 −48 −38 
−572 −426 −340

394 8.4. Ejercicios
(cxcix)  
−4 −20 0 13 −1
 0
 3 0 −1 0
 0 −8 −4 −6 −2 
 
 0 1 0 5 0
−2 −4 1 12 −4
(cc)  
−2 −1 0 0
 1 0 0 0
 
 −11 −7 3 −4 
−5 −2 1 −1
(cci)  
−20 36 −56 −28 0 −24
 −32 65 −106 −45 0 −44 
 
 −16 31 −50 −23 0 −20 
 
 8 −5 2 9 0 4 
 
 3 −5 7 5 −1 4
0 0 0 0 0 0
(ccii)  
1 −3 0 5 0
 0 4 0 0 0
 
 −1 6 −3 2 0 
 
 −1 −1 0 −1 0 
0 −6 6 −6 3
(cciii)  
27 −78 −2 −16 123 0 0
 130 −488 4 −55 756 0 0
 
 −118 416 −2 54 −648 0 0
 
 122 −416 1 −59 652 0 0 
 
 90 −338 3 −38 524 0 0
 
 0 0 0 0 0 5 0
0 0 0 0 0 0 −4
(cciv)  
31 113 80 80 113
 −24 −91 −65 −65 −96 
 
 36 118 80 84 118 
 
 −22 −70 −48 −52 −70 
5 24 19 19 29

(ccv)
 
11 −23 −12 0
 6 −13 −7 0 
 
 −2 6 4 0
−1 5 2 2
(ccvi)
 
−5 −23 −7 2 10 −7 −2
 8 −17 −26 −6 −8 7 −1 
 
 −8 11 20 6 8 −7 1
 
 −8 10 22 7 8 −7 −1 
 
 0 −6 −2 −2 5 0 −1 
 
 −16 26 50 4 36 −12 1
−16 42 66 4 36 −14 3
(ccvii)
 
24 8 −8 8 0 0
 −8 −2 10 −3 0 0
 
 0
 0 −6 0 0 0
 −53 −18 4 −17 0 0 
 
 −32 −10 −4 −12 3 0
0 0 0 0 0 −3
(ccviii)
 
−5 0 0 0 0 0
 −6 1 0 0 0 0
 
 34 6 3 0 0 0 
 
 0
 0 0 −3 0 0
 −12 −2 0 −12 9 10 
4 1 0 5 −5 −5
(ccix)
 
0 2 4 0
 −3 5 4 0
 
 6 −7 −2 0 
−8 9 6 4

396 8.4. Ejercicios
(ccx)
 
−4 −1 0 2 −4 −1 0
 6
 0 0 −2 5 −20 0 

 8
 2 −2 −2 7 −12 0 

 3
 0 0 −1 3 −7 0 

 0
 1 0 −2 0 1 0
 0 0 0 0 0 6 0
0 0 0 0 0 0 4
(ccxi)
 
−4 0 0 0 0 0
 0 3 0 0 0 0
 
 6 1 2 0 0 0
 
 −5 −2 4 5 0 −1 
 
 0 0 0 0 4 0
3 −3 16 13 0 −1
(ccxii)
 
−139 174 21 21 −40 3 0
 −94 118 14 14 −27 2 0
 

 8 −12 −2 0 3 −1 0 

 −164 204 28 26 −45 4 0
 

 0 0 0 0 1 0 0 

 −40 50 5 5 −16 0 0
0 0 0 0 0 0 4
(ccxiii)
 
−6 10 1 16 4 9
 −40 54 11 54 7 42 
 
 68 −93 −20 −86 −5 −72 
 
 19 −24 −5 −23 −4 −19 
 
 0 0 0 0 1 0
0 0 0 0 0 1
(ccxiv)
 
1 3 1 0 1
 0 2 0 0 0
 
 −7 −59 −7 0 −1 
 
 7 59 11 4 1
−2 6 2 0 −4

(ccxv)  
−10 −4 −1 −7 −2 0
 −76 −12 11 −23 5 0
 
 −112 −32 −9 −61 7 0 
 
 73
 18 −3 33 1 0
 0 0 0 0 1 0
0 0 0 0 0 −2

398 8.4. Ejercicios

Capítulo 9
Espacios vectoriales
9.1 Espacios vectoriales generales

A lo largo de los capítulos precentes hemos ido viendo varios objetos para los
cuales tenía sentido tomar combinaciones lineales. Ahora precisaremos esto
e introduciremos la noción de espacio vectorial como los conjuntos cuyos
elementos son suceptibles de ser combiandos linealmente. Para ello no hay
más que abstraer las propiedades relevantes que hacen que una combinación
lineal tenga sentido e interés.
Definición 9.1.1 Sea (V, +, ·) donde + es una operación binaria interna y
· es una operación externa sobre R
· : R × V −→ V
.
(α, x) 7−→ αx
Diremos que (V, +, ·) es un espacio vectorial sobre el cuerpo R o bien un
R-espacio vectorial si (V, +) es un grupo abeliano y la operación externa
verifica las siguientes propiedades
1. α(x + y) = αx + αy, ∀ α ∈ R, ∀ x, y ∈ V.
2. (α + β)x = αx + βx, ∀ α, β ∈ R, ∀ x ∈ V.
3. (αβ)x = α(βx), ∀ α, β ∈ R, ∀ x ∈ V.
4. 1x = x, ∀ x ∈ V.
⋄
Con esta definición, si V es un R-espacio vectorial, tiene sentido tomar com-
binaciones lineales de elementos de V y verificarán todas las propiedades que
uno espera de las combinaciones lineales, como por ejemplo
399
400 9.1. Espacios vectoriales generales
Lema 9.1.2 Sea V un espacio vectorial sobre R. Se verifican

1. 0x = 0, ∀ x ∈ V.
2. α0 = 0, ∀ α ∈ R.
3. α(x1 + · · · + xs ) = αx1 + · · · + αxs , ∀ α ∈ R, ∀ x1 , . . . , xs ∈ V.
4. (α1 + · · · + αs )x = α1 x + · · · + αs x, ∀ α1 , . . . , αs ∈ R, ∀ x ∈ V.
⋄
Para saber más
Espacios vectoriales sobre cuerpos arbitrarios

Espacios vectoriales sobre cuerpos de característica 0
C-espacios vectoriales
Ejemplo 9.1.3 Rn ⋄
Ejemplo 9.1.4 Matrices ⋄
Ejemplo 9.1.5 Aplicaciones lineales de Rn en Rm ⋄
Ejemplo 9.1.6 R[x] ⋄
Ejemplo 9.1.7 Funciones continuas en un intervalo. ⋄
Ejemplo 9.1.8 Funciones integrables en un intervalo cerrado. ⋄
Ejemplo 9.1.9 Funciones derivables en un intervalo abierto. ⋄
Ejemplo 9.1.10 Cn (I),C∞ (I) ⋄
Ejemplo 9.1.11 Soluciones de la ecuación diferencial y ′′ + y = 0. ⋄
Ejemplo 9.1.12 C como R-espacio vectorial. ⋄
Ejemplo 9.1.13 Cn como R-espacio vectorial. ⋄

9. Espacios vectoriales 401
Para saber más

Ejemplo 9.1.14 R como Q-espacio vectorial. ⋄
Ejemplo 9.1.15 R[[x]] ⋄
Ejemplo 9.1.16 R((x)) ⋄
Ejemplo 9.1.17 Sucesiones de números reales. ⋄
Ejemplo 9.1.18 Soluciones de un sistema diferencial lineal con coeficientes constantes. ⋄
9.1.1 Subespacios
Definición 9.1.19 Sea V un R-espacio vectorial. Diremos que un conjunto
G ⊆ V es un subespacio vectorial de V si se verifican
1. x + y ∈ G, ∀ x, y ∈ G
2. αx ∈ G, ∀ α ∈ R, ∀ x ∈ V.
⋄
Proposición 9.1.20 Sean V un R-espacio vectorial y G ⊆ V. Son equiva-
lentes
(i) G es un subespacio de V.
(ii) α1 x1 + · · · + αs xs ∈ G, ∀ α1 , . . . , αs ∈ R, ∀ x1 , . . . , xs ∈ G.
⋄
Proposición 9.1.21 Sean V un R-espacio vectorial y G un subespacio de V.
Entonces G es también un R-espacio vectorial con las operaciones inducidas
por las de V. ⋄
Proposición 9.1.22 Sean V un R-espacio vectorial y G un subespacio de
V. Se tienen las siguientes propiedades
1. 0 ∈ G.
2. Sea el vector 0 ∈ V. El conjunto {0} es un subespacio de V. Lo llama-
remos el subespacio cero o nulo de V.
3. V es un subespacio de V. Lo llamaremos el subespacio total de V.
⋄

402 9.1. Espacios vectoriales generales
9.1.1.1 Operaciones con subespacios

9.1.1.1.1 Suma
Definición 9.1.23 Sean s ∈ N, V un R-espacio vectorial y G1 , . . . , Gs subes-

pacios de V. El conjunto
{x1 + · · · + xs / x1 ∈ G1 , . . . , xs ∈ Gs },
es un subespacio de V al que llamaremos subespacio suma de G1 , . . . , Gs y lo

denotaremos por
G1 + · · · + Gs .
⋄
Definición 9.1.24 Sean s ∈ N, V un R-espacio vectorial y G1 , . . . , Gs subes-

pacios de V. Si se verifica
x1 + · · · + xs = 0, con x1 ∈ G1 , . . . , xs ∈ Gs =⇒ x1 = · · · = xs = 0.
entonces se dice que la suma de subespacios G1 + · · · + Gs es directa y se

denota por
G1 ⊕ · · · ⊕ Gs .
⋄
Definición 9.1.25 Sean V un espacio R-vectorial y F, G y H subespacios

de V. Si F ⊕ G = H, diremos que G es un suplementario de F en H. Si
además H = V, diremos simplemente que G es un suplementario de F. ⋄
9.1.1.1.2 Interseción
Definición 9.1.26 Sean s ∈ N, V un R-espacio vectorial y {Gj }j∈J un con-

junto arbitrario de subespacios de V. Entonces
\
Gj ,
j∈J
es un subespacio de V al que llamaremos subespacio intersección de {Gj }j∈J .

⋄
Para saber más

Producto
Suma directa general
Cociente
9.1.2 Sistemas
Definición 9.1.27 Sea V un R-espacio vectorial. Un sistema de V es una
colección finita y ordenada de vectores de V. ⋄
Definición 9.1.28 Sean V un R-espacio vectorial y S = [x1 , x2 , . . . , xs ] un

sistema de V. Llaremos clausura lineal de S y lo denotaremos por hSi a
hSi = {α1 x1 + α2 x2 + · · · + αs xs / α1 , α2 , . . . , αs ∈ R}.
Proposición 9.1.29 Sean V un R-espacio vectorial y S un sistema de V.

Entonces hSi es un subespacio de V. ⋄
Definición 9.1.30 Sea V un R-espacio vectorial. Diremos que un subespacio

G de V es finito generado, si es la clausura lineal de algún sistema de V. ⋄
Nota 9.1.31 En general no todos los subespacios de un espacio vectorial

son finito generados. ⋄
Definición 9.1.32 Sea V un R-espacio vectorial y G un subespacio de V

finito generado. Diremos que un sistema S es un sistema generador de G si
G = hSi ⋄
Definición 9.1.33 Sea V un R-espacio vectorial. Diremos que un sistema

S = [x1 , x2 , . . . , xs ] de V es libre si se verifica
α1 x1 + α2 x2 + · · ·+ αs xs = 0, con α1 , α2 , . . . , αs ∈ R =⇒ α1 = · · · = αs = 0.
Todo sistema que no sea libre se dirá que es ligado. ⋄
Proposición 9.1.34 Sea V un R-espacio vectorial y S un sistema de V. S

es libre si y sólo si cada vector de hSi se escribe como combinación lineal del
sistema S de forma única. ⋄

Nota 9.1.35 El estudio de los sistemas y sus propiedades no es suficiente

para desentrañar todas las características de la estructura de un espacio
vectorial general. Hace falta considerar conjuntos generadores y conjuntos
libres lo cual nos llevaría a la noción general de base. ⋄
Para saber más

Bases
Conjuntos generadores
Conjuntos libres
Existencia de bases
9.2 Aplicaciones lineales

Definición 9.2.1 Sean V y V′ dos R-espacios vectoriales. Una aplicación
lineal de V en V′ es una aplicación
f : V −→ V′ ,
verificando las siguientes propiedades
1. f(x + y) = f(x) + f(y), ∀ x, y ∈ V.
2. f(αx) = αf(x), ∀ α ∈ R, ∀ x ∈ V.
Cuando V = V′ , la aplicación lineal recibirá el nombre de endomorfismo de

V o sobre V. ⋄
Proposición 9.2.2 Sean V y V′ dos R-espacios vectoriales y f : V −→ V′

una aplicación. Las siguientes propiedades son equivalentes
(i) f es una aplicación lineal.
(ii) Para todo sistema [x1 , x2 , . . . , xs ] de V y para todos α1 , α2 , . . . , αs ∈ R,

se tiene que
f(α1 x1 + α2 x2 + · · · + αs xs ) = α1 f(x1 ) + α2 f(x2 ) + · · · + αs f(xs ).

Definición 9.2.3 Sean s ∈ N, V y V′ dos R-espacios vectoriales, f : V −→

V′ una aplicación lineal y S = [x1 , x2 , . . . , xs ] un sistema de V. Llamaremos
sistema imagen de S y lo denotaremos por f(S) al sistema de V′
f(S) = [f(x1 ), f(x1 ), . . . , f(xs )].
9.2.1 Aplicaciones lineales particulares

Definición 9.2.4 Sean V y V′ dos R-espacios vectoriales.
1. Definimos la aplicación lineal cero de V en V′ como
0 : V −→ V′
.
x 7−→ 0
2. Definimos la aplicación lineal identidad de V en Rn como
IV : V −→ V
.
x 7−→ x
9.2.2 Propiedades de las aplicaciones lineales

una aplicación lineal. Se verifican las siguientes propiedades.
1. f(0) = 0.
2. Si G ⊆ V es un subespacio de V, entonces f(G) es un subespacio de V′ .
3. Si H ⊆ V′ es un subespacio de V′ , entonces f−1 (H) es un subespacio

de V.

9.2.3 Núcleo e imagen

Definición 9.2.6 Sean V y V′ dos R-espacios vectoriales y f : V −→ V′
una aplicación lineal.
1. Llamaremos núcleo de f y lo denotaremos por Ker f a
Ker f = f−1 ({0}) = {x ∈ V / f(0) = 0}.
2. Llamaremos imagen de f y la denotaremos por Img f a la imagen de f

como aplicación, es decir
Img f = f(V) = {y ∈ V′ / ∃ x ∈ V con f(x) = y}.

una aplicación lineal. Se tiene
1. Ker f es un subespacio de V.
2. Img f es un subespacio de V′ .
⋄
9.2.4 Inyectividad y sobreyectividad

una aplicación lineal. Son equivalentes
(i) f es inyectiva.
(ii) Ker f = {0}.
(iii) Para cada sistema libre S de V, f(S) es un sistema libre de V′ .

⋄

(i) f es sobreyectiva.
(ii) Img f = V′ .
⋄


(i) f es biyectiva.
(ii) Img f = V′ y Ker f = {0}
Definición 9.2.11 Llamaremos isomorfismo a toda aplicación lineal biyec-

tiva entre dos espacios vectoriales.
Llamaremos automorfismo a todo endomorfismo biyectivo. ⋄
Proposición 9.2.12 La aplicación inversa de un isomorfismo también es un

isomorfismo. ⋄

un isomorfismo. G es un subespacio de V si y sólo si f(G) es un subespacio
de V′ . ⋄
9.2.5 Operaciones con aplicaciones lineales

Definición 9.2.14 Sean s ∈ N, V y V′ dos R-espacios vectoriales, f1 , . . . , fs
aplicaciones lineales de V en V′ y α1 , . . . , αs ∈ R. Definimos la aplicación
combinación lineal de f1 , . . . , fs con escalares (α1 , α2 , . . . , αs ) como
α1 f1 + · · · + αs fs : V −→ V′
x 7−→ α1 f1 (x) + · · · + αs fs (x)
Proposición 9.2.15 Sean s ∈ N, V y V′ dos R-espacios vectoriales, f1 , . . . fs

aplicaciones lineales de V en V′ y α1 , . . . αs ∈ R. La aplicación combinación
lineal g = α1 f1 + · · · + αs fs es una aplicación lineal de V en V′ . ⋄
Proposición 9.2.16 Sean V, V′ y V′′ tres R-espacios vectoriales y f : V −→

V′ , g : V′ −→ V′′ aplicaciones lineales. La aplicación g ◦ f : Rn −→ Rp es
una aplicación lineal de V en V′′ . ⋄

408 9.3. Espacios vectoriales de dimensión finita
9.3 Espacios vectoriales de dimensión finita

El lector puede comprobar fácilmente que todas las nociones que hemos in-
troducido hasta ahora en éste capítulo, extienden a las correspondientes que
teníamos para Rn considerado como R-espacio vectorial. Aprovechando este
hecho, desarrollaremos el álgebra lineal en dimensión finita apoyándonos en
nuestro conocimiento de Rn .
Proposición 9.3.1 Sean n ∈ N, B una base de Rn , V un R-espacio vectorial
y S un sistema de n vectores de V. Existe una única aplicación lineal f :
Rn −→ V tal que f(B) = S. ⋄
Definición 9.3.2 Sea V un R-espacio vectorial. Diremos que V es un espacio

vectorial de dimensión finita si existe un isomorfismo de espacios vectoriales
f : Rn −→ V, para algún n ∈ N. ⋄
Teorema 9.3.3 [Caracterización de espacios de dimensión finita]

Sea V un R-espacio vectorial. Son equivalentes
(i) V es de dimensión finita.
(ii) V es finito generado.
(iii) Existen n ∈ N y una aplicación lineal f : Rn −→ V sobreyectiva.
(iv) Existen n ∈ N y una aplicación lineal f : V −→ Rn inyectiva.
(v) Existen n ∈ N y un isomorfismo f : V −→ Rn .
⋄
9.3.1 Dimensión
Proposición 9.3.4 Sea V un espacio vectorial tal que existen n, n′ ∈ N e
′
isomorfismos f : Rn −→ V, g : Rn −→ V. Entonces n = n′ .
Demostración:
Por 9.2.12 y 9.2.16 g ◦ f−1 es un isomorfismo de Rn en Rn por lo que n = n′ .
′
⋄
Definición 9.3.5 Sea V un R-espacio vectorial de dimensión finita. Por 9.3.4
existe un único n ∈ N y al menos un isomorfismo f : Rn −→ V. Llamaremos
a n la dimensión de V y lo denotaremos por
dim V = n.
⋄

9.3.2 Bases
Definición 9.3.6 Sea V un R-espacio vectorial de dimensión finita. Diremos
que un sistema S de n vectores de V es una base de V si existe una base B
de Rn tal que la única aplicación lineal f : Rn −→ V con f(B) = S es un
isomorfismo ⋄
Proposición 9.3.7 Sea V un R-espacio vectorial de dimensión finita. Se

verifican
1. V tiene al menos una base.
2. Si dim V = n, entonces todas las bases de V tienen exactamente n

elementos.
Teorema 9.3.8 [Caracterización de bases]

Sean V un R-espacio vectorial de dimensión n y S un sistema de V. Son
equivalentes
(i) S es una base de V.
(ii) Para cada base B de Rn la única aplicación lineal f : Rn −→ V tal que

f(B) = S es un isomorfismo
(iii) S es un sistema generador de V con n elementos.
(iv) S es un sistema libre con n elementos.
(v) S es un sistema libre y es un sistema generador de V.
(vi) Cada vector de V se escribe de forma única como combinación lineal

de S.
9.3.3 Coordenadas
Definición 9.3.9 Sean n ∈ N, V es un R-espacio vectorial de dimensión
n, B una base de V y E la base canónica de Rn . Sabemos (ver 9.3.1 y
9.3.8) que existe un único isomorfismo f : Rn −→ V tal que f(E) = B.
Llamaremos isomorfismo coordenado de V en la base B y lo denotaremos
por lB al isomorfismo f−1 . ⋄

Definición 9.3.10 Sean V un R-espacio vectorial de dimensión finita con

dim V = n, B una base de V y x ∈ V. Llamaremos coordenadas de x en la
base B y las denotaremos por xB a
xB = lB (x).
Proposición 9.3.11 Sean V un R-espacio vectorial de dimensión finita con

dim V = n, B = [a1 , a2 , . . . , an ] una base de V y x ∈ V. Se tiene que
xB = (α1 , α2 , . . . , αn ) ⇐⇒ α1 a1 + α2 a2 + · · · + αn an .
Nota 9.3.12 El resultado 9.3.11 nos dice que las coordenadas en una base
pueden ser vistas si se quiere como algo intrínseco, pues para cada vector,
las coordenadas son los únicos escalares que permiten escribir dicho vector
como combinación lineal de la base. ⋄
Definición 9.3.13 Sean V un R-espacio vectorial de dimensión finita con,

B una base de V y S un sistema de V. Llamaremos matriz de coordenadas del
sistema S en la base B, o simplemente matriz de S en B, y la denotaremos
por S B a la matriz
S B = lB (S)C ,
Es decir, la matriz cuyas columnas son las coordenadas de los vectores del
sistema S en la base B. ⋄
Definición 9.3.14 Sean n ∈ N, V un R-espacio vectorial con dim V = n, B

y B ′ dos bases de V. Llamaremos matriz de paso de B a B ′ y la denotaremos
por B B ′ a la matriz de B en B ′ . Nótese que es una matriz cuadrada de orden
n. ⋄
Teorema 9.3.15 [Cambio de coordenadas]

Sean V un R-espacio vectorial de dimensión finita, B y B ′ dos bases de V.
Para cada x ∈ V se tiene que
xB ′ = B B ′ xB .
Proposición 9.3.16 Sean V un R-espacio vectorial de dimensión finita, B

y B ′ dos bases y S un sistema de V. Se verifica

1. B B ′ S B = S B ′
2. B B ′ es inversible y (B B ′ )−1 = B ′ B
3. S es una base si y sólo si S B es cuadrada e inversible.

⋄
9.3.4 Rango
Lema 9.3.17 Sean V un R-espacio vectorial de dimensión finita, B y B ′
dos bases y S un sistema de V. Se tiene que
rg S B = rg S B ′
Demostración:
Es un corolario inmediato de 9.3.16. ⋄
Definición 9.3.18 Sean V un R-espacio vectorial de dimensión finita y S

un sistema de V. Llamaremos rango de S y lo denotaremos por rg S, como
el rango de la matriz de coordenadas de S en una base cualquiera de V.
(Debido a 9.3.17, esta noción está bien definida). ⋄
Lema 9.3.19 Sean V un R-espacio vectorial de dimensión finita y S un

sistema de s ∈ N vectores de V. Se tiene que
rg S = s ⇐⇒ S es libre.
9.3.5 Subespacios
Lema 9.3.20 Sea V un R-espacio vectorial de dimensión finita. Todo subes-
pacio de V es finito generado. ⋄
Nota 9.3.21 Por lo tanto, todo subespacio de un R-espacio vectorial de

dimensión finita es a su vez un R-espacio vectorial de dimensión finita y
todo lo dicho para estos espacios será válido para ellos, en particular tendrán
dimensión y bases. ⋄
Definición 9.3.22 Sean V un R-espacio vectorial de dimensión finita y G

un subespacio de V. Llamaremos dimensión de G y la denotaremos por dim G
a su dimensión como R-espacio vectorial de dimensión finita. ⋄

Definición 9.3.23 Sean V un R-espacio vectorial de dimensión finita y G

un subespacio de V. Una base de G es una base de G como R-espacio vectorial
de dimensión finita. ⋄
Lema 9.3.24 Sean V un R-espacio vectorial de dimensión finita, B una base

de V, G un subespacio de V y S un sistema de V. Son equivalentes
(i) S es un sistema generador de G.
(ii) lB (S) es un sistema generador de lB (G).

⋄
Lema 9.3.25 Sean V un R-espacio vectorial de dimensión finita, G un subes-

pacio de V y S un sistema generador de G. Entonces
rg S = dim G.
Teorema 9.3.26 [Caracterización de bases de subespacios]

Sean V un R-espacio vectorial de dimensión finita, B una base de V, G un
subespacio de V y S un sistema de G. Son equivalentes
(i) S es una base de G.
(ii) lB (S) es una base de lB (G).
(iii) S es libre y un sistema generador de G.
(iv) S es un sistema generador de G con dim G vectores.
(v) S es un sistema libre con dim G vectores.
(vi) Cada elemento de G se puede expresar de forma única como una com-
binación lineal de S.
(vii) S es libre y para cada x ∈ G, el sistema formado por los vectores de S

más x es ligado.
Demostración:
⋄
Corolario 9.3.27 Sean V un R-espacio vectorial de dimensión finita, B una

base de V, F, G y H subespacios de V. Se verifican

1. dim F = dim lB (F).
2. dim F ≤ dim V.
3. lB (F + G) = lB (F) + lB (G).
4. lB (F ∩ G) = lB (F) ∩ lB (G).
5. F ⊕ G =⇒ lB (F) ⊕ lB (G).
6. dim F + dim G = dim(F + G) + dim(F ∩ G).
7. F ⊆ G =⇒ dim F ≤ dim G.
8. Si F ⊆ G entonces
F = G ⇐⇒ dim F = dim G.
9. Si S es una base de F, entonces
T es base de F ⇐⇒ ∃ P inversible / PS B = T B .
10. Si F ⊆ G y S es una base de F, entonces existe una base de G cuyos

primeros vectores son los vectores de S.
11. F es un suplementario de G en H si y sólo si lB (F) es un suplementario

de lB (G) en lB (H).
12. Si F ⊆ H, siempre existe al menos un suplementario de F en H.
Definición 9.3.28 Sean V un R-espacio vectorial de dimensión finita, B

una base de V y G un subespacio de V. Llamaremos ecuaciones implícitas
de G en la base B a un sistema de ecuaciones implícitas de lB (G). ⋄
Definición 9.3.29 Sean V un R-espacio vectorial de dimensión finita, B

una base de V y G un subespacio de V. Llamaremos ecuaciones paramétricas
de G en la base B a un conjunto de ecuaciones paramétricas de lB (G). ⋄

9.3.6 Aplicaciones lineales

Definición 9.3.30 Sean n, n′ ∈ N, V un R-espacio vectorial de dimensión
n, V′ un R-espacio vectorial de dimensión n′ , B una base de V, B ′ una base
de V′ y f : V −→ V′ una aplicación lineal.
1. Llamaremos transformación lineal asociada a f en las bases B y B ′ y
′
la denotaremos por lf;B,B ′ a la aplicación lineal de Rn en Rn ,
lf;B,B ′ = l−1
B ′ ◦ f ◦ lB
2. Llamaremos matriz asociada a f en las bases B y B ′ y la denotaremos

por fB
B ′ a la matriz n × n de la transformación lineal lf;B,B ′ .
′
⋄
Proposición 9.3.31 Sean n, n′ ∈ N, V un R-espacio vectorial de dimensión
de V′ y f : V −→ V′ una aplicación lineal. La transformación asociada lf;B,B ′
′
es la única aplicación lineal de Rn en Rn que hace conmutativo el siguiente
diagrama
f
V −→ V′
lB ↓ ↓ lB ′
lf;B,B ′ ′
Rn −→ Rn
es decir,
lf;B,B ′ ◦ lB = lB ′ ◦ f.
⋄
de V′ y f : V −→ V′ una aplicación lineal. La matriz fBB ′ es la única matriz
n′ × n que verifica que
fB
B ′ xB = f(x)B ′ , ∀ x ∈ V.
⋄
Proposición 9.3.33 [Cambio de base]
Sean n, n′ ∈ N, V un R-espacio vectorial de dimensión n, V′ un R-espacio
vectorial de dimensión n′ , B, S dos bases de V, B ′ , S ′ dos bases de V′ y
f : V −→ V′ una aplicación lineal. Tenemos
fSS ′ = B ′ S ′ fB
B′ S B .

Definición 9.3.34 Sean n, n′ ∈ N, V un R-espacio vectorial de dimensión

n, V′ un R-espacio vectorial de dimensión n′ y f : V −→ V′ una aplicación
lineal. Llamaremos rango de f y lo denotaremos por rg f a
rg f = dim Img f

de V′ , f : V −→ V′ una aplicación lineal F un subespacio de V y F′ un
subespacio de V′ . Se tiene
1. lB ′ (f(F)) = lf;B,B ′ (lB (F)).
2. lB (f−1 (F′ )) = l−1

f;B,B ′ (lB (F )).
′
′
3. lB ′ (Img f) = Img lf;B,B ′ .
4. lB (Ker f) = Ker lf;B,B ′ .
5. rg f = rg lf;B,B ′ .
6. rg f = rg fB
B′ .
7. dim V = dim Ker f + dim Img f.
8. f es inyectiva si y sólo si lf;B,B ′ es inyectiva.
9. f es sobreyectiva si y sólo si lf;B,B ′ es sobreyectiva.
10. f es isomorfismo si y sólo si lf;B,B ′ es isomorfismo.
11. f es un isomorfismo si y sólo si rg fB

B′ = n = n .
′
9.3.7 Diagonalización
Definición 9.3.36 Sean V un R-espacio vectorial de dimensión finita y f un
endomorfismo de V. Diremos que f es diagonalizable si existe una base B de
V tal que que fB
B es una matriz diagonal. ⋄
Proposición 9.3.37 Sean V un R-espacio vectorial de dimensión finita B

una base de V y f un endomorfismo de V. Son equivalentes

416 9.4. Ejercicios
(i) f es diagonalizable.
(ii) lf;B,B es diagonalizable.
(iii) fB
B es diagonalizable.
Además si se verifcan las propiedades anteriores, dim V = n y S es una base

de Rn tal que (lf;B,B )SS = D con D matriz diagonal, entonces T = l−1
B (S) es
T
una base de V tal que fT = D. ⋄
9.4 Ejercicios
Ejercicio 9.1 Sea F el conjunto de todas las funciones de R en R con las
operaciones de suma de funciones y producto de escalar por función habitua-
les. Probar que con esas operaciones, F es un R-espacio vectorial. Determinar
cuáles de los siguientes conjuntos son subespacios de F
1. G1 = {f ∈ F / f (0) = 0}.
2. G2 = {f ∈ F / f (0) = f (1)}.
3. G3 = {f ∈ F / ∃ f ′′ y f ′′ (0) = 0}.
4. G4 = {f ∈ F / ∃ m, n ∈ Z con f (x) = mx + n, ∀ x ∈ R}.
5. G5 = {f ∈ F / f (0)2 + f (1)2 = 0}.
6. G6 = {f ∈ F / f (x) = f (−x), ∀ x ∈ R}.
7. G7 = {f ∈ F / f (x) = −f (−x), ∀ x ∈ R}.
Probar que F = G6 ⊕ G7 .
Ejercicio 9.2 Sea

F = {(z, z̄) / z ∈ C}.
Probar que F es un subespacio del R-espacio vectorial C2 . Determinar su
dimensión y una base.
Ejercicio 9.3 Sea V un R-espacio vectorial y [a1 , a2 , a3 , a4 ] un sistema libre

de V.
1. Probar que el sistema [a1 + a2 , a2 + a3 , a3 + a1 ] es también libre.
2. Estudiar si es libre el sistema [a1 + a2 , a2 + a3 , a3 + a4 , a4 + a1 ]

Ejercicio 9.4 Sea V un R-espacio vectorial y [a1 , a2 , a3 , a4 ] un sistema libre

de V. Se consideran los sistemas
S = [a1 − a2 + a3 , a1 + a2 , 3a1 + a2 + a3 ]
T = [−a1 − a3 + a4 , a2 + a3 + a4 , a1 + 2a2 − a3 ].
Estudiar si la suma de los subespacios hSi + hT i es directa.
Ejercicio 9.5 Sea R3 [x] el espacio de los polinomios con coeficientes reales
de grado menor o igual que 3. Probar que
F = {p(x) ∈ R3 [x] / xp′ (x) − 2p(x) = 0}
es un subespacio de R3 [x] y calcular su dimensión y una base.
Ejercicio 9.6 Sea S el conjunto de las aplicaciones de N en R con las ope-

raciones

f + g : N −→ R
+→
n 7−→ f (n) + g(n)

αf : N −→ R
·→
n 7−→ αf (n)
donde α ∈ R y f, g ∈ S.
1. Probar que (S, +, )˙ es un R-espacio vectorial.
2. Probar que
F = {f ∈ S / f (n + 2) + f (n + 1) − 6f (n) = 0, ∀ n ∈ N},
es un subespacio de S.
3. Probar que
h : V −→ R2
,
f 7−→ (f (1), f (2))
es una aplicación lineal sobre pero no inyectiva.
4. Probar que la restricción h|F es un isomorfismo.
5. Hallar una base y la dimensión de F.
6. Para cada α ∈ R se considera el elmento de S
fα : N −→ R
.
n 7−→ αn

418 9.4. Ejercicios
Encontrar dos valores α, β ∈ R − {0} tales que fα , fβ ∈ F y probar que el

sistema [fα , fβ ] es una base de F.
si f ∈ F, encontrar una expresión
f (n) = φ(f (1), f (2), n), ∀ n ∈ N con n > 2.
Ejercicio 9.7 Sea M el conjunto de las matrices reales 2×2 con su estructura
habitual de R-espacio vectorial. Construimos la aplicación
t: M −→ R
a11 a12
A= 7−→ a11 + a22
a21 a22
1. Probar que t es lineal.
2. Probar que t(AB) = t(AB), ∀ A, B ∈ M.
3. Probar que en general t(AB) 6= t(A)t(B).
4. Probar que si A ∈ M,
A2 − t(A)A + (det A)I2 = 02×2 .
Utilizar esta fórmula para obtener una expresión de A−1 cuando det A 6=
0.

0 1
5. Sea B = . Calcular A−1 con la fórmula del apartado anterior.
−1 0
Ejercicio 9.8 Consideramos R2 [x] como el espacio de polinomios en x de

grado menor o igual que 2 con coeficientes reales, con su estructura habitual
de espacio vectorial, la base
B = [x2 , x, 1]
de R2 [x] y la aplicación
d: R2 [x] −→ R2 [x]
.
p(x) = ax + bx + c 7−→ p′ (x) = 2ax + b
2
1. Probar que d es una aplicación lineal.

B
2. Calcular dB
B y (d )B .
2
3. Calcular Img d, Img d2 , Ker d, Ker d2 .

4. Sea el endomorfismo de R2 [x] dado por f = αd2 + βd + γI, donde

α, β, γ ∈ R. Calcular fB
B.
5. Sea
B ′ = [x2 + x + 1, x + 1, 1].
′
B′ .
Probar que B ′ es una base de R2 [x] y calcular tB
Ejercicio 9.9 Sean α ∈ R, M el conjunto de las matrices reales 2 × 2 con

su estructura habitual de R-espacio vectorial y la aplicación.
f: R4 −→ M
z−t z+t ,
(x, y, z, t) 7−→
(3 − α)(x − y) (3 − α)(x + y)
y sean los sistemas de R4 y M respectivamente

S = [(1, 1, 0, 0), (1, −1, 0, 0), (0, 0, 1, 1), (0, 0, 1, −1)],

′ 0 0 0 0 0 1 1 0
S =[ , , , ].
0 1 1 0 0 0 0 0
1. Comprobar que S es base de R4 y que S ′ es base de M.

2. calcular la matriz asociada a f.
3. Calcular fSS ′ .
4. Obtener los valores de α para los que f es inversible. Obtener f−1 cuando
α = 2.
5. Calcular Ker f y Img f en los casos en los que f no sea inversible. Cal-
cular suplementarios para cada uno de los subespacios anteriores.
6. Obtener la imagen inversa de

1 2
,
3 4
según los valores de α.
Ejercicio 9.10 Sean α ∈ R, R2 [x] como el espacio de polinomios en x de

grado menor o igual que 2 con coeficientes reales, con su estructura habitual
de espacio vectorial y f la aplicación
f : R2 [x] −→ R3
.
p(x) 7−→ (p(0), p(1), αp(1))

420 9.4. Ejercicios
1. Probar que f es lineal.
2. Calcular la matriz asociada a f en las bases B = [1, x, x2 ] de R2 [x] y

canonica de R3 .
3. Calcular bases de Img f y Ker f según los valores de α.
4. Calcular f−1 ({(1, 1, 1)}) según los valores de α.
Ejercicio 9.11 Sean a, b ∈ R y L el R-espacio vectorial de las aplicaciones

lineales de R3 en R. Se considera el sistema B = [f1 , f2 , f3 ] de L, donde
f1 (x, y, z) = ax + 2bz
f2 (x, y, z) = 5x + 2y
f3 (x, y, z) = bx − 2y + bz,
Para (x, y, z) ∈ R3 .
1. Calcular los valores de a y b para los que B es base de L.
2. Sea f el endomorfismo de R3 dado por
f(x) = (f1 (x), f2 (x), f3 (x)).
Calcular los valores de a y b para que (b, 2a − b, −2a + b) ∈ Img f.
3. Se considera el subespacio de R3
F = {(x, y, z) ∈ R3 / x = y = 0}.
Hallar la dimensión de f−1 (F) según los valores de a y b.
Ejercicio 9.12 Sea n ∈ N y M el R-espacio vectorial de las matrices cua-

dradas de orden n. Si A ∈ M, se define la traza de A y se denota por tr A
como la suma de los elementos de la diagonal de A. Sea la aplicación
f : M −→ M
.
A 7−→ tr AIn
Probar que f es un endomorfismo.

Calcular los valores propios de f y estudiar si es diagonalizable
Para n = 2, buscar si existe una base de M en la que f tenga una matriz
diagonal.

Ejercicio 9.13 Sea M el R-espacio vectorial de las matrices cuadradas de

orden 2 y la aplicación
f: M −→ M
a b a+b a−c .
7−→
c d 2a −c
Se consideran los sistemas de M

1 0 0 1 0 0 0 0
S=[ , , , ]
0 0 0 0 1 0 0 1

1 0 0 0 0 1 0 −1
T =[ , , , ].
0 0 0 1 1 0 0 0
1. Probar que f es lineal.
2. Probar que S y T son bases de M. Construir fSS y fTT .
3. Obtener ecuaciones implícitas de Img f y de Ker f en S.
4. Estudiar si se tiene Ker f + Img f = Ker f ⊕ Img f.
5. Calcular suplementarios en M de Img f y de Ker f.
6. Estudiar si f es diagonalizable.
Ejercicio 9.14 Sobre espacio vectorial C1 (R) Se considera la aplicación de

derivación
d : C1 (R) −→ C1 (R)
.
f 7−→ f ′
Sea F el subespacio de C1 (R) generado por el sistema [cos x, sen x].
1. Probar que d es una aplicación lineal.
2. Probar que R[x] es un subespacio de C1 (R).
3. Calcular el núcleo y la imagen de la restricción de d a R[x].
4. Calcular el núcleo y la imagen de la restricción de d a F.
5. ¿La aplicación
φ : F −→ F
f 7−→ d(f )
está bien definida? ¿Es diagonalizable?

422 9.4. Ejercicios
Ejercicio 9.15 Sean a, b ∈ R, la matriz

a 0
A= ,
0 b
M el R-espacio vectorial de las matrices cuadradas de orden 2 y las aplica-

ciones
fA : M −→ M
,
X 7−→ At X − XA
gA : M −→ M
.
X 7−→ Xt A − AX
1. Probar que fA y gA son endomorfismos.
2. Estudiar para que valores de a y b fA y gA son diagonalizables. Clacular

matrices de paso cuando lo sean.
Ejercicio 9.16
Sea M el espacio de matrices reales 3 × 3. Diremos que una
matriz aij ∈ M es mágica, si existe k ∈ R tal que
a11 + a22 + a33 = k,

a13 + a22 + a31 = k,
ai1 + ai2 + ai3 = k, i = 1, 2, 3,
aj1 + aj2 + aj3 = k, j = 1, 2, 3.
Sea el subconjunto de M
F = {A ∈ M / A es mágica y simétrica.}
Sea la matriz  
1 1 1
B = 1 1 1 .
1 1 1
1. Probar que F es un subespacio de M. Calcular su dimensión y una

base.
2. Probar que la aplicación
f : F −→ F
,
A 7−→ BA
está bien definida y es una aplicación lineal.

3. Calcular rg f y bases para Img f y Ker f.
4. Probar que M = Img f ⊕ Ker f.
5. Estudiar si f es diagonalizable y en caso de que lo sea, calcular una

base de f en la que f tenga una matriz diagonal.
Ejercicio 9.17 Se considera el espacio vectorial R2 [x].
1. Probar que existe un único f un endomorfismo de R2 [x] cumpliendo las

siguientes condiciones
• 1 es valor propio de f y
Ef (1) = {p ∈ R2 [x] / p(0) = 0, p′ (0) − p′′ (0)/2 = 0}.
• 2 es valor propio de f y
Ef (2) = {p ∈ R2 [x] / p′ (0) = 0, p(0) + p′′ (0)/2 = 0}.
• f(1 − 3x − x2 ) = 0.
2. Calcular la matriz A de f en la base [1, x, x2 ].
3. Comprobar si Img f y Ker f forman suma directa.
4. Calcular subespacios suplementarios de Img f y de Ker f.
5. Estudiar si f es diagonalizable y en caso de que lo sea calcular una

matriz de paso para la matriz A.
Ejercicio 9.18 Se considera el espacio vectorial R3 [x].
1. Probar que existe un único f un endomorfismo de R2 [x] cumpliendo las

siguientes condiciones
• El único espacio propio de f es F = h1, x2 i.

• f4 + 4f3 + 6f2 + 4f + IR3 [x] = 0
• f(x) = 1 − 3x + x2 + x3 .
• f(x3 ) = 1 − 4x + x2 + x3 .
2. Calcular la matriz A de f en la base [1, x, x2 , x3 ] de R3 [x].

424 9.4. Ejercicios
3. Calcular bases y ecuaciones implícitas de Img f de Ker f y de f(F),

donde
F = {a0 + a1 x + a2 x2 + a3 x3 ∈ R3 [x] / a1 + a2 = 0, a3 − 2a0 = 0}.
4. Estudiar si f es diagonalizable y en caso de que lo sea calcular una

matriz de paso para A.
Ejercicio 9.19 Sea V el espacio vectorial de las matrices reales simétricas

de orden 2. Para cada a, b ∈ R se define el endomorfismo
fab : −→
V V
x1 x2 5x1 ax3 − x2 .
7−→
x2 x3 ax3 − x2 3x1 + bx3
1. Probar que el sistema

1 0 0 1 0 0
B=[ , ]
0 0 1 0 0 1
es una base de V.
2. Calcular la matriz de f en la base B.
3. Estudiar para que valores de a y b, f es diagonalizable y para los casos

en que lo sea calcular una matriz de paso de la matriz del apartado
anterior.

Capítulo 10
Métricas
En este capítulo, trataremos de proporcionar mecanismos que sirvan para

medir vectores y condiciones de perpendicularidad entre vectores.
10.1 Producto escalar y norma

Definición 10.1.1 Sea V un R-espacio vectorial. Un producto escalar sobre
V es una aplicación
f : V × V −→ R
verificando las siguentes propiedades
1. f(x, y) = f(y, x), ∀ x, y ∈ V.
2. f(x + y, z) = f(x, z) + f(y, z), ∀ x, y, z ∈ V.
3. f(αx, y) = αf(x, y), ∀ α ∈ R, ∀ x, y ∈ V.
4. f(x, x) > 0, ∀ x ∈ V, con x 6= 0.
⋄
Ejemplo 10.1.2 Sobre R2 y R3 conocemos los productos escalares habitual-
mente utilizados en Física:
·: R2 × R2 −→ R
((x1 , x2 ), (y1, y2 )) 7−→ x1 y1 + x2 y2
·: R3 × R3 −→ R
((x1 , x2 , x3 ), (y1 , y2 , y3)) 7−→ x1 y1 + x2 y2 + x3 y3
Es un simple ejercicio comprobar que estas fórmulas verifican las propiedades
que definen un producto escalar según 10.1.1. Generalizando esta idea a Rn
tenemos la siguiente definición. ⋄
425
426 10.1. Producto escalar y norma
Definición 10.1.3 Sea n ∈ N la aplicación
·: Rn × Rn −→ R
((x1 , . . . , xn ), (y1, . . . , yn )) 7−→ x1 y1 + · · · + xn yn
es un producto escalar sobre Rn al que llamaremos producto escalar habitual

sobre Rn . ⋄
Proposición 10.1.4 Sean V un R-espacio vectorial y f un producto escalar

sobre V. Se verifican
1. f(α1 x1 + α2 x2 + · · · + αs xs , y) = α1 f(x1 , y) + · · · + αs f(xs , y),

∀ α1 , α2 , . . . , αs ∈ R, ∀ x1 , . . . , xs , y ∈ V.
2. f(x, α1 y1 + α2 y2 + · · · + αs ys ) = α1 f(x, y1 ) + · · · + αs f(x, ys ),

∀ α1 , α2 , . . . , αs ∈ R, ∀ y1 , . . . , ys , x ∈ V.
Definición 10.1.5 Un espacio euclídeo es un par (V, f) donde V es un R-

espacio vectorial y f un producto escalar sobre V. ⋄
Definición 10.1.6 Llamaremos estructura de espacio euclídeo habitual so-

bre Rn a la inducida por el producto escalar habitual de Rn . ⋄
10.1.1 Producto escalar y sistemas

Definición 10.1.7 Sean (V, f) un espacio euclídeo y S = [a1 , a2 , . . . , as ] un
sistema de V. Llamaremos matriz de Gram del sistema S y la denotaremos
por fS a la matriz s × s
 
f(a1 , a1 ) f(a1 , a2 ) · · · f(a1 , as )
 f(a2 , a1 ) f(a2 , a2 ) · · · f(a2 , as ) 
fS =  .. .. . ..
 
 . . . . .


f(as , a1 ) f(as , a2 ) · · · f(as , as )
Proposición 10.1.8 Sean (V, f) un espacio euclídeo y S = [a1 , a2 , . . . , as ]

un sistema de V. Se verifican
1. fS es una matriz simétrica.

10. Métricas 427
2. fS es la única matriz tal que ∀ x, y ∈ hSi y ∀ α1 , α2 , . . . , αs , β1 , β2 , . . . , βs ∈

R con x = α1 a1 + α2 a2 + · · · + αs as y y = β1 a1 + β2 a2 + · · · + βs as ,
se tiene que
 
α1
  α2 

f(x, y) = β1 β2 . . . βs fS  ..  .
 . 
αs
3. fS es inversible si y solo si S es libre.
4. rg S = rg fS .
10.1.2 Norma
Definición 10.1.9 Sea (V, f) un espacio euclídeo. Llamaremos norma a la
aplicación
||·|| : V −→ R p
x 7−→ ||x|| := f(x, x)
⋄
Proposición 10.1.10 Sea (V, f) un espacio euclídeo. La norma verifica las

1. ||x|| ≥ 0, ∀ x ∈ V.
2. ||x|| = 0 ⇐⇒ x = 0.
3. ||αx|| = |α| ||x|| , ∀ α ∈ R, ∀ x ∈ V.
4. ||x + y|| ≤ ||x|| + ||y|| , ∀ x, y ∈ V.
10.2 Ortogonalidad
10.2.1 Vectores y sistemas ortogonales
Definición 10.2.1 Sean (V, f) un espacio euclídeo y S un sistema de V.

428 10.2. Ortogonalidad
1. Diremos que dos vectores x, y ∈ V son ortogonales si f(x, y) = 0 y lo

denotaremos por x ⊥ y.
2. Diremos que x ∈ V es ortogonal al sistema S y lo denotaremos por
x ⊥ S si x y cada vector de S son ortogonales.
3. Diremos dos sistemas S y T son ortogonales S ⊥ T si cada par de
vectores formado por un vector de S y un vector de T , son ortogonales.
⋄
Teorema 10.2.2 [Teorema de Pitágoras]
Sean (V, f) un espacio euclídeo y x, y ∈ V con x ⊥ y. Entonces
||x + y||2 = ||x||2 + ||y||2 .
⋄
Definición 10.2.3 Sea (V, f) un espacio euclídeo. Diremos que un sistema
S = [a1 , a2 , . . . , an ] de V es ortogonal si
1. ai 6= 0, i = 1, . . . , n y
2. ai ⊥ aj , i, j = 1, . . . , n, i 6= j.
⋄
Proposición 10.2.4 Sea (V, f) un espacio euclídeo. Todo sistema ortogonal
de V es libre. ⋄
Definición 10.2.5 Sea (V, f) un espacio euclídeo. Diremos que un sistema
S = [a1 , a2 , . . . , an ] de V es ortonormal si
1. es ortogonal y
2. ||ai || = 1, i = 1, . . . , n.
⋄
Proposición 10.2.6 Sea (V, f) un espacio euclídeo. Todo sistema ortonor-
mal de V es libre. ⋄
Lema 10.2.7 Sean (V, f) un espacio euclídeo y S = [a1 , a2 , . . . , an ] un
sistema ortogonal de V. Entonces el sistema
a1 an
[ ,..., ],
||a1 || ||an ||
es ortonormal. ⋄

10. Métricas 429
Definición 10.2.8 Sean (V, f) un espacio euclídeo, S = [a1 , a2 , . . . , an ] un

sistema ortonormal de V y x ∈ V. Llamaremos coeficientes de Fourier de x
en S a
f(a1 , x), . . . , f(an , x).
⋄
10.2.2 Subespacios ortogonales

Definición 10.2.9 Sean (V, f) un espacio euclídeo, S un sistema de V y F,
G subespacios de V.
1. Diremos que x ∈ V es ortogonal al subespacio F y lo denotaremos por

x ⊥ F si x y cada vector de F son ortogonales.
2. Diremos que el sistema S es ortogonal al subespacio F y lo denotaremos

por S ⊥ F si cada vector de S es ortogonal a F.
3. Diremos que F y G son ortogonales si x ⊥ y, ∀ x ∈ F, ∀ y ∈ G.
4. Llamaremos el ortogonal de F, y lo denotaremos por F⊥ a
F⊥ = {x ∈ V / x ⊥ F} = {x ∈ V / f(x, y) = 0, ∀ y ∈ F}.
5. Llamaremos el doble ortogonal de F, y lo denotaremos por F⊥⊥ a
F⊥⊥ = (F⊥ )⊥ .
Lema 10.2.10 Sean (V, f) un espacio euclídeo, S = [a1 , a2 , . . . , as ] un sis-

tema ortogonal de V y x ∈ V. Entonces son equivalentes
(i) [a1 , . . . , as , x] es un sistema ortogonal.
(ii) x ∈ hSi⊥ − {0}.
Proposición 10.2.11 Sean (V, f) un espacio euclídeo y F, G dos subespa-

cios de V.
1. F⊥ es un subespacio de V.
2. F + F⊥ = F ⊕ F⊥ .

430 10.3. La proyección ortogonal
3. F ⊆ F⊥⊥ .
4. F ⊥ G ⇐⇒ F ⊆ G⊥ ⇐⇒ G ⊆ F⊥
5. Si F es finito generado y S es un sistema generador de F, entonces
x ∈ F⊥ ⇐⇒ x ⊥ S.
6. Si F es finito generado y S es un sistema generador de F, entonces
F ⊥ G ⇐⇒ S ⊥ G.
7. Si F y G son finito generados, S es un sistema generador de F y T es

un sistema generador de G, entonces
F ⊥ G ⇐⇒ S ⊥ T .
10.3 La proyección ortogonal

Corolario 10.3.1 Sean (V, f) un espacio euclídeo, F un subespacio de V y
x ∈ F ⊕ F⊥ . Entonces existe un único y ∈ F tal que x − y ∈ F⊥ .
Demostración:
Es una consecuencia inmediata de que la suma de F y F⊥ sea directa, como
se establece en 10.2.11. ⋄
Definición 10.3.2 Sean (V, f) un espacio euclídeo, F un subespacio de V

y x ∈ F ⊕ F⊥ . Llamaremos la proyección ortogonal de x sobre F al único
vector y ∈ F con x − y ∈ F⊥ . ⋄
Teorema 10.3.3 [Caracterización de la proyección ortogonal]

Sean (V, f) un espacio euclídeo, F un subespacio de V y x ∈ F ⊕ F⊥ . Para
un vector y ∈ F son equivalentes
(i) y es la proyección ortogonal de x sobre F.
(ii) ||x − y|| < ||x − z|| , ∀ z ∈ F − {y}.
(iii) ||x − y||2 < ||x − z||2 , ∀ z ∈ F − {y}.

10. Métricas 431
Lema 10.3.4 Sean (V, f) un espacio euclídeo, S = [a1 , a2 , . . . , as ] un siste-

ma ortonormal de V y x ∈ V. Entonces
s
X
x− f(ai , x)ai ∈ hSi⊥
i=1
Nota 10.3.5 Una de las cosas que quiere decir el lema 10.3.4 es que todo
subespacio que admita una base ortonormal admite proyección ortogonal
para cualquier vector. Veamos ahora que cualquier espacio finito generado
admite una base ortonormal. ⋄
Algoritmo 10.3.6 [Método de Gram-Schmidt]
Entrada: S = [b1 , b2 , . . . , bs ] sistema de V.

Salida: T sistema ortonormal de V con hSi = hT i.
i := 1;
t := 0;
S ′ = [ ];
T = [ ];
while bi = 0 {
i := i + 1;
}
if i ≤ s {
t := t + 1;
at = bi / ||bi ||;
}
if i < s {
S ′ := [bi+1 , . . . , bs ];
}
foreach x ∈ S ′ {
X t
y =x− f(ak , x)ak ;
k=1
if y 6= 0 {
t := t + 1;
at := y/ ||y||;
}
}
if t > 0 {

T := [a1 , a2 , . . . , at ];
}
La validez de este algoritmo se establece de manera inmediata a partir de

10.3.4 y de 10.2.10. ⋄
Teorema 10.3.7 Sean (V, f) un espacio euclídeo y F un subespacio finito

generado. Se verifican
1. Existe alguna base ortonormal de F.
2. Existe la proyección ortogonal de x sobre F, ∀ x ∈ V.
3. V = F ⊕ F⊥ .
4. F = F⊥⊥ .
Demostración:
⋄
Teorema 10.3.8 Sean (V, f) un espacio euclídeo con V de dimensión finita,

F un subespacio.
1. Existe alguna base ortonormal de V.
2. Existe la proyección ortogonal de x sobre F, ∀ x ∈ V.
3. V = F ⊕ F⊥ .
4. F = F⊥⊥ .
Demostración:
Es consecuencia inmediata de 10.3.7 ⋄
Nota 10.3.9 Si el sistema S = [b1 , b2 , . . . , bs ] de entrada en el algoritmo

10.3.6 es libre entonces se tiene que ninguno de los bi es cero, que
ha1 , . . . , aj i = hb1 , . . . , bj i , j = 1, . . . , s,
y además todos los vectores y intermedios calculados en 10.3.6 son distintos

de cero, por lo que se podría simplificar el algoritmo y dejarlo en la forma
que escribiremos a continuación. ⋄

10. Métricas 433
Algoritmo 10.3.10 [Método de Gram-Schmidt II]
Entrada: S = [b1 , b2 , . . . , bs ] sistema libre de V.

Salida: T = [a1 , a2 , . . . , as ] sistema ortonormal de V con ha1 , . . . , aj i =
hb1 , . . . , bj i , j = 1, . . . , s.
t := 1;
S ′ = [ ];
T = [ ];
a1 = b1 / ||b1 ||;
if s > 1 {
S ′ := [b2 , . . . , bs ];
}
foreach x ∈ S ′ {
X t
y =x− f(ak , x)ak ;
k=1
t := t + 1;
at := y/ ||y||;
}
T := [a1 , a2 , . . . , at ];
⋄
Nota 10.3.11 Por lo tanto para calcular la proyeccción ortogonal de un vec-

tor sobre un subespacio finito generado, basta construir una base ortonormal
de dicho subespacio por alguno de los algoritmos de Gram-Schmidt y tomar
el vector del subespacio cuyas coordenadas en dicha base son los coeficientes
de Fourier del vector que se quiere proyectar.
Veremos a continuación una forma alternativa para calcular la proyección
ortogonal sobre un subespacio finito generado para la que no es necesaria
calcular una base ortonormal, sino resolver un sistema de ecuaciones lineales
basado en la matriz de Gram de un sistema generador. ⋄
Definición 10.3.12 Sean (V, f) un espacio euclídeo, S = [a1 , a2 , . . . , as ]

un sistema de V y x ∈ V. Llamaremos sistema de Gram de S y x al sistema
de ecuaciones lineales cuya matriz ampliada es
 
f(a1 , x)
..
 fS .
 

f(as , x)
⋄

Proposición 10.3.13 Sean (V, f) un espacio euclídeo, S = [a1 , a2 , . . . , as ]

un sistema de V y x ∈ V. Se tiene
1. El sistema de Gram de S y x es compatible.
2. Si (α1 , α2 , . . . , αs ) es una solución del sistema de Gram de S y x, en-

tonces α1 a1 + α2 a2 + · · · + αs as es la proyección ortogonal de x sobre
hSi.
10.3.1 Mejor solución aproximada de un sistema lineal

Sean n, m ∈ N. Consideremos un sistema de ecuaciones lineales con n ecua-
ciones y m incógnitas con matriz ampliada
A′ = A b .

Sea F el subespacio de Rn generado por las columnas de A. Es sencillo

comprobar que el sistema es compatible si y sólo si b ∈ F.
Por ello, si el sistema es incompatible, tiene sentido lo siguiente,podríamos
tomar como una especie de aproximación a lo que sería una solución los
coeficientes de la proyección ortogonal de b sobre F como combinación lineal
de las columnas de A para el producto escalar habitual sobre Rn .
Definición 10.3.14 Sean n, m ∈ N y un sistema de ecuaciones lineales con

n ecuaciones y m incógnitas con matriz ampliada
A′ = A b .

Sea F el subespacio de Rn generado por las columnas de A. Llamaremos

mejor solución aproximada del sistema a los coeficientes de la proyección
ortogonal de b sobre F como combinación lineal de las columnas de A para
el producto escalar habitual sobre Rn . ⋄
En la práctica, el método más cómodo para realizar el cálculo de la mejor

solución aproximada es el que utiliza el sistema de Gram, porque es inmediato
ver que, con las notaciones de 10.3.14, el sistema de Gram para la proyección
ortogonal que se menciona, tiene por matriz ampliada
At A′ = At A At b ,

cuyas soluciones son directamente las mejores soluciones aproximadas.

10. Métricas 435
10.3.2 Aproximación por mínimos cuadrados

Sean n, s ∈ N f : Rn −→ R una función y S = [a1 , a2 , . . . , as ] un sistema
de Rn . Tratamos de hallar una función de la forma
l: Rn −→ R
,
(x1 , x2 , . . . , xn ) 7−→ α0 + α1 x1 + · · · + αn xn
tal que
s
X
(f (ai ) − l(ai ))2
i=1
sea mínima.
Lo que hay que hacer es determinar los valores de α0 , α1 , . . . , αn y es un
sencillo ejercicio comprobar que han de ser precisamente la mejor solución
aproximada del sistema cuya matriz ampliada es
 
1 f (a1 )
 .. ..
 . SF .


1 f (as )
10.4 Espacios euclídeos de dimensión finita

10.4.1 Representación matricial de un producto escalar
Definición 10.4.1 Sean (V, f) un espacio euclídeo de dimensión finita y B
una base de V. Llamaremos matriz de f en la base B a la matriz de Gram
fB . ⋄
Corolario 10.4.2 Sean (V, f) un espacio euclídeo de dimensión finita y B =
[a1 , a2 , . . . , an ] una base de V. Se verifican
1. fB es una matriz simétrica e inversible.
2. fB es la única matriz tal que ∀ x, y ∈ V, se tiene que
f(x, y) = y B fB xB .
⋄
Proposición 10.4.3 Sean (V, f) un espacio euclídeo de dimensión finita y
B, B ′ bases de V. Se verifica
t
fB ′ = B ′ B fB B ′ B .
⋄

436 10.5. Espacios euclídeos de dimensión finita
Proposición 10.4.4 Sean (V, f) un espacio euclídeo de dimensión finita con

dim V = n ∈ N y B una base de V. Son equivalentes
(i) B es una base ortonormal.
(ii) fB = In .
⋄
Definición 10.4.5 Diremos que una matriz cuadrada A es ortogonal si es

inversible y además A−1 = At . ⋄
Lema 10.4.6 Si A es ortogonal, entonces también lo son A−1 y At . ⋄
Proposición 10.4.7 Sean (V, f) un espacio euclídeo de dimensión finita, B

una base ortonormal de V y B ′ otra base de V. Son equivalentes
(i) B ′ es una base ortonormal.
(ii) B ′ B es una matriz ortogonal.
(iii) B B ′ es una matriz ortogonal.

⋄
Definición 10.4.8 Sean n ∈ N y A una matriz n × n. Diremos que A es

definida positiva, si la aplicación
: Rn × Rn −→ R
x 7−→ xAx
es un producto escalar sobre Rn . ⋄
Teorema 10.4.9 Sean n ∈ N y A una matriz n × n. Son equivalentes

1. A es definida positiva.
2. A es simétrica y todos sus menores principales son estrictamente ma-

yores que cero.
3. A es simétrica y todos sus valores propios son estrictamente mayores

que cero.
⋄
Proposición 10.4.10 Sean (V, f) un espacio euclídeo de dimensión finita y

B una base de V. Entonces fB es definida positiva. ⋄

10. Métricas 437
10.5 Ejercicios
Ejercicio 10.1 Sean a, b ∈ R con a < b y
p : C0 ([a, b]) × C0 ([a, b]) −→ R

Z b
(f, g) 7−→ f (t)g(t) dt
a
1. Probar que p es un producto escalar.
2. Sean n, m ∈ N y supongamos que a = 0 y b = 2π. Calcular p(sen(nt), cos(nt)).
Ejercicio 10.2 Sean V y V′ dos R-espacios vectoriales. Sean f un producto

escalar sobre V′ y u : V −→ V′ una aplicación lineal. Consideramos la
aplicación
g : V × V −→ R
(x, y) 7−→ f(u(x), u(y))
1. Probar que si u es inyectiva, entonces g es un producto escalar sobre
V.
2. ¿Es cierto el recíproco?.
Ejercicio 10.3 Calcular una base de R3 , [a1 , a2 , a3 ] ortonormal para el pro-

ducto escalar habitual de R3 y tal que a1 ∈ h(1, 1, 1)i.
Ejercicio 10.4 Se considera el producto escalar
f : R2 [x] × R2 [x] −→ R
Z 1
(p, q) 7−→ p(t)q(t) dt
−1
Encontrar una base ortonormal del espacio euclídeo (R2 [x], f).
Ejercicio 10.5 Se considera
f: R3 × R3 −→ R
2x1 x2 + 9y1 y2 + 5z1 z2 − 4x1 y2 − 4y1x2 + 2x1 z2
((x1 , y1 , z1 ), (x2 , y2, z2 )) 7−→
+2z1 x2 − 5y1z2 − 5z1 y2
1. Probar que f es un producto escalar.
2. Calcular una base ortonormal del espacio euclídeo (R3 , f).
3. Calcular una base de h(0, 1, 0)i⊥ .

Ejercicio 10.6 Sea α ∈ R. Se considera
f: R3 × R3 −→ R
x1 x2 + y1 y2 + z1 z2 − αx1 y2 − αy1 x2
((x1 , y1 , z1 ), (x2 , y2, z2 )) 7−→
+x1 z2 + z1 x2 − 3y1 z2 − 3z1 y2
¿Para que valores de α es f un producto escalar?
Ejercicio 10.7 Sean α ∈ R,

 
1 0 0
A = 0 1 α
0 α 1
y la aplicación
f: R3 × R3 −→ R  
x2
((x1 , y1, z1 ), (x2 , y2 , z2 )) 7−→ x1 x2 x3 A  y2 
z2
Obtener los valores de α para que f sea un producto escalar
Ejercicio 10.8 Sea M el R-espacio vectorial de las matrices reales cuadra-

das de orden 2. Consideramos la aplicación
g: M× M −→ R
x1 y1 x2 y2
( , ) 7−→ x1 x2 + y1 y2 + z1 z2
z1 t1 z2 t2
1. Estudiar si g es un producto escalar.
2. Sea
x y
F= ∈ M/x + t = 0 .
z t
probar que F es un subespacio de M y que la restricción f = g|F es un
producto escalar sobre F.
3. Encontrar una base ortonormal del espacio euclídeo (F, f).
4. Obtener, si es posible, una base ortonormal de M a partir del sistema

−1 0 0 1 1 2
[ , , ].
0 1 1 −1 2 1

10. Métricas 439
Ejercicio 10.9 Sea α ∈ R con α > 0. Se considera

f: R4 × R4 −→ R
((x1 , y1 , z1 , t1 ), (x2 , y2 , z2 , t2 )) 7−→ αx1 x2 + αy1 y2 + αz1 z2 + αt1 t2
1. Probar que f es un producto escalar.
2. Calcular una base ortonormal de (R4 , f).
3. Calcular una base ortonormal para f del subespacio de R4
F = {(x, y, z, t) ∈ R4 / 2x − z = t = 0}.
4. Calcular una base de F⊥ .

Ejercicio 10.10 Sea α ∈ R. Se considera el sistema de R4
S = [a1 , a2 , a3 , a4 ],
donde
a1 = (1, α, 0, 0),a2 = (α, −1, 0, 0),
a3 = (0, 0, 1, α),a4 = (0, 0, α, −1).
Probar que S es una base ortogonal de R4 para el producto escalar ordinario
de R4 y para cada valor de α.
Ejercicio 10.11 Se considera el espacio euclídeo (R2 [x], f) con
f : R2 [x] × R2 [x] −→ R
Z 1
(p, q) 7−→ p(t)q(t) dt
0
• Calcular la matriz de Gram del sistema [1, x, x2 ].

• Para la norma asociada a f, calcular ||1||, ||x|| y ||x2 ||.
• Calcular una base de h1i⊥ .
• Encontrar dos polinomios p(x) y q(x) co p(x) de grado 1, tales que el
sistema [1, p(x), q(x)] sea ortonormal.
Ejercicio 10.12 Se considera el sistema de R3 con su estructura de espacio
euclídeo habitual,
S = [a1 , a2 , a3 ],
donde
a1 = (1, 0, 2), a2 = (2, 0, 1), a3 = (1, 1, 1).

1. Calcular una base ortonormal, [c1 , c2 ] del subespacio ha1 , a2 i.
2. Encontrar un vector c3 ∈ R3 de modo que [c1 , c2 , c3 ] sea una base

ortonormal de R3 .
3. Calcular bases para ha1 , a2 i⊥ y para ha1 , a2 i⊥⊥ .

√
4. Calcular la proyección ortogonal de (1, 3, −4) sobre 5c1 + c3 .
Ejercicio 10.13 Sean la aplicación
g : R4 × R4 −→ R
tal que
g((x1 , y1 , z1 , t1 ), (x2 , y2 , z2 , t2 )) =
  
0 1 −3 0 x2
 1 0 0 −3   y2 
= x1 y1 z1 t1   −3
 ,
0 0 1   z2 
0 −3 1 0 t2
el subespacio de R4
F = {(x, y, z, t) ∈ R4 / x + z = y + t = 0}.
y g = f|F .
• Probar que (F, g) es un espacio eucídeo.
• Calcular una base ortonormal de F.
Ejercicio 10.14 Sobre C0 ([0, 2π]), se considera el producto escalar
p : C0 ([0, 2π]) × C0 ([0, 2π]) −→ R

Z b
(f, g) 7−→ f (t)g(t) dt
a
1. Hallar una base ortonormal del subespacio F = h1, sen t, cos ti.
2. Calcular los coeficientes de Fourier de f (t) = t respecto del sistema

ortonormal obtenido.
3. La función f (t) = t, ¿pertenece a F?

10. Métricas 441
Ejercicio 10.15 Se considera el sistema


 2x −z = 1
x +y = 0
3x −y −2z = 1

1. Demostrar que es incompatible.

2. Encontrar las mejores soluciones aproximadas.
Ejercicio 10.16 Dado el sistema lineal con matriz ampliada

 
1 0√ 0 1 0
 0 2/ 5 0 0 3
 √ 
 0 1/ 5 0 0 −1 
0 0 1 1 0
encontrar sus mejores soluciones aproximadas.
Ejercicio 10.17 Los beneficios de una empresa fueron

Año Beneficios
1997 120
1998 90
2000 170
Sea t el tiempo transcurrido en años con t = 0 en el año 1997. A partir de los
datos de la tabla, encontrar una función lineal l(t) que ajuste según el criterio
de aproximación por mínimos cuadrados a la función beneficios. Utilizar l(t)
para estimar que beneficios tuvo la empresa en el año 2002.
Ejercicio 10.18 Sea a ∈ R y f un producto escalar sobre R3 del cual se

sabe que la base de R3
[(1, 0, 0), (0, 1, 0), (a, −a, 1)]
es ortonormal. Calcular la matriz de Gram para f de la base canónica de R3 .
Ejercicio 10.19 Sea M el espacio de matrices reales 2 × 2. Se considera la

aplicación
f : M × M −→ R
(A, B) 7−→ det A + det B − det(A − B)
Encontrar un subespacio F de M de dimensión máxima, tal que la restricción
f|F sea un producto escalar.

Ejercicio 10.20 Sean n ∈ N A una matriz simétrica de orden n. Probar que

existe α ∈ R tal que la aplicación
f : Rn × Rn −→ R
x 7−→ xAx
es un producto escalar.
Ejercicio 10.21 Sea E = [e1 , e2 , e3 ], la base canónica de R3 . De un pro-

ducto escalar f sobre R3 , sabemos que
√ √ √
1. ||e1 || = 2, ||e2 || = 3, ||e3 || = 7, para la norma asociada a f.
2. Los subespacios F = {(x, y, z) ∈ R3 / x + y + z = 0} y G = he1 i son

ortogonales
3. La proyección ortogonal de (1, 1, 1) sobre H = he2 i es (0, 3, 0).
Calcular lo siguiente
1. La matriz de Gram respecto de f de [E].
2. una base ortonormal del espacio euclídeo (R3 , f).
Ejercicio 10.22 Sea la aplicación
f : R2 [x] × R2 [x] −→ R
(p, q) 7−→ p(−1)q(−1) + p(1)q(1) + p(0)q(0)
1. Probar que es un producto escalar sobre R2 [x].
2. Calcular la proyección ortogonal de 3 − 2x + x2 sobre hx, x2 i.

Matematicas I PDF

Cargado por

Copyright:

Formatos disponibles

Matematicas I 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

Matematicas I PDF

Cargado por

Copyright:

Formatos disponibles

Matemáticas I 2012-2013

por José Miguel Farto Álvarez

Permission is granted to copy, distribute and/or modify this doc-

Se garantiza el permiso para copiar, distribuir y/o modiﬁcar este

GNU Free Documentation License v

0.2.2 Operaciones externas . . . . . . . . . . . . . . . . . . . 8

Build 908 Timestamp 201210051031

PSM Sucesiones de números reales . . . . . . . . . . . . . . . . . . 39

Timestamp 201210051031 Build 908

3.4 Propiedades de la derivada . . . . . . . . . . . . . . . . . . . . 70

Build 908 Timestamp 201210051031

4.4 Aplicaciones geométricas . . . . . . . . . . . . . . . . . . . . . 123

II Álgebra lineal 147

Timestamp 201210051031 Build 908

5.6 Forma escalonada . . . . . . . . . . . . . . . . . . . . . . . . . 193

6 Sistemas de ecuaciones lineales 253

Build 908 Timestamp 201210051031

7.3.2 Bases y dimensión . . . . . . . . . . . . . . . . . . . . 293

8 Aplicaciones lineales 325

9 Espacios vectoriales 399

Timestamp 201210051031 Build 908

PSM Suma directa general . . . . . . . . . . . . 403

Build 908 Timestamp 201210051031

Version 1.3, 3 November 2008

Everyone is permitted to copy and distribute verbatim copies of this license

1. APPLICABILITY AND DEFINITIONS

Build 908 Timestamp 201210051031

using a publicly available DTD, and standard-conforming simple HTML,

Timestamp 201210051031 Build 908

Build 908 Timestamp 201210051031

B. List on the Title Page, as authors, one or more persons or entities

D. Preserve all the copyright notices of the Document.

E. Add an appropriate copyright notice for your modiﬁcations adjacent to

F. Include, immediately after the copyright notices, a license notice giving

H. Include an unaltered copy of this License.

Timestamp 201210051031 Build 908

K. For any section Entitled “Acknowledgements” or “Dedications”, Pre-

L. Preserve all the Invariant Sections of the Document, unaltered in their

M. Delete any section Entitled “Endorsements”. Such a section may not

N. Do not retitle any existing section to be Entitled “Endorsements” or to

O. Preserve any Warranty Disclaimers.

If the Modiﬁed Version includes new front-matter sections or appendices

7. AGGREGATION WITH INDEPENDENT

Timestamp 201210051031 Build 908

Build 908 Timestamp 201210051031

10. FUTURE REVISIONS OF THIS LICENSE

Timestamp 201210051031 Build 908

An MMC is “eligible for relicensing” if it is licensed under this License, and

ADDENDUM: How to use this License for your

Copyright c YEAR YOUR NAME. Permission is granted to

If you have Invariant Sections, Front-Cover Texts and Back-Cover Texts,

Build 908 Timestamp 201210051031

El contenido de este capítulo se supone ya conocido. Su contenido no trata

Para saber más

La pertenencia de un elemento x a un conjunto A se denotará por x ∈ A,

Definición 0.1.2 Llamaremos conjunto vacío, y lo denotaremos por ∅, al

Definición 0.1.3 Sea A un conjunto. Llamaremos partes de A, y lo deno-

0.1.1 Operaciones sobre conjuntos

0.1.1.1 Unión de conjuntos