MATEMÁTICAS

(ALGEBRA LINEAL)
Licenciatura en Administración y
Dirección de Empresas
Curso 2005-2006

UNIVERSIDAD REY JUAN CARLOS

Facultad de Ciencias Jurídicas y Sociales
Departamento de Economía Financiera y Contabilidad
TEMA 1.
ESTRUCTURA DE ESPACIO VECTORIAL

1.Definición: Espacio Vectorial.

Sean los conjuntos:

- K, con estructura de cuerpo: A sus elementos los llamaremos escalares y
denotaremos con las letras: a, b, a, ß,…
- V, cuyos elementos llamaremos vectores y denotaremos como: u, v, w...
Se dice que V tiene estructura de espacio vectorial sobre el cuerpo K, escrito {V, K}, si
en él se definen las dos operaciones siguientes y se cumplen una serie de propiedades:

§ Ley de composición u operación interna

Interna significa que asigna a cada par de vectores de V otro vector de V.
La operación se denota (+) y se denomina “suma de vectores”.
V ×V → V
(u , v ) → u + v
El Conjunto V con la operación interna suma, {V, +}, debe verificar las siguientes
propiedades:
a- Propiedad asociativa: (u + v ) + w = u + ( v + w)
b- Propiedad conmutativa: u + v = v + u
c- Elemento neutro: ∃0 ∈V / ∀u ∈V : 0 + u = u
d- Elemento opuesto: ∀u ∈ V / ∃ − u ∈ V / u + (−u ) = 0
Nota: las propiedades a, c y d caracterizan la estructura de Grupo, si además se verifica
la propiedad “b”, se dice que es Grupo Abeliano.

§ Operación externa
Externa significa que asigna a cada elemento de V y otro de K (conjunto con
estructura de cuerpo), un vector de V.
La operación se denota por “ • ”y la denominaremos “producto (de vector) por
escalar”
V ×K →V
(u , λ ) → λ • u = λ u

Además, los conjuntos V y K con las operaciones de “suma de vectores” y “producto

por escalar” deben verificar las siguientes propiedades:
a- Distributiva respecto de la suma de vectores: λ (u + w) = λ u + λ w
b- Distributiva respecto a la suma de escalares: ( λ + µ )u = λ u + µ u
c- Pseudo asociativa o asociativa mixta: ( λµ )u = λ ( µ u )
d- El elemento neutro del cuerpo K es también el elemento neutro de la
operación externa: 1u = u

1
2. El espacio vectorial{ℜn ,ℜ}, n∈N

ℜ2 = {(a,b)/a, b∈ℜ } ⇒ pares de números reales: ℜxℜ

ℜ3 = {(a, b, c) / a, b, c ∈ℜ} ⇒ ternas de números reales: ℜxℜxℜ
ℜn = { ( a1,..., an ) / ai ∈ ℜ, i = 1,2,..., n } ⇒ n-tuplas o n-adas de números reales:
ℜ × ℜ × ...× ℜ

Con la “suma de vectores” definida como: ( a1 ,..., an ) + (b1 ,..., bn ) = (c1 ,..., c n ) y el
“producto por escalar” como: λ ( a1 ,..., an ) = (λa1 ,..., λa n )

3. Propiedades inmediatas

Se deduce de los axiomas anteriores:

1. λ 0 = 0 ∀λ ∈ ℜ, 0 ∈ V
2. 0v = 0
3. ( −λ )v = λ ( −v) = −(λ v )
λ = 0, ó
4. λ v = 0 ⇒  r r
v = 0

§ Ejemplo
Estudiar si ℜ2 tiene estructura de espacio vectorial sobre el cuerpo ℜ , con las dos
operaciones siguientes:
1. Operación interna: ( a1 , a2 ) + (b1 , b2 ) = ( a1 + b1 , a 2 + b2 )
2. Operación externa: ( a1 , a2 ) = (λ2 a1 , λa 2 )

4. Definición: Combinación lineal de vectores (C.L.)

{
x ∈V es C.L de v1, v2 ,..., v p }⇔
p
∃ λ1 ,..., λ p ∈ ℜ tal que x = ∑ λi vi = λ1 v1 + λ2 v 2 + ... + λ p v p
i =1
§ Observaciones:
r
1. A los escalares λ1 , λ2 ,..., λ p se les denomina coordenadas de x respecto de
{vr1 , vr2 , K, vr p }.
2. 0 es C.L de cualquier conjunto de vectores basta tomar λ1 = ... = λ p = 0 e
incluso del propio vector 0 , tomando cualquier valor λ .
3. Todo vector x es C.L de él mismo, basta tomar λ = 1 . Por tanto, dado un
conjunto de vectores, cualquiera de ellos es C.L del conjunto.

§ Ejemplo:
Definidos en ℜ2 las operaciones de suma de vectores y producto por escalar de la forma
habitual:
(1,2) + 2(−2,3) = ( −3,8)

2
5. Definición: Dependencia e independencia lineal de vectores

{ }
Sea S = v1 , v 2 ,..., v p ∈V
- S es un conjunto de vectores linealmente independientes si
λ1 v1 + ... + λ p v p = 0 ⇒ λ1 = ... = λ p = 0
- S es un conjunto de vectores linealmente dependiente o conjunto ligado ⇔
∃∗λi ≠ 0 / λ1 v1 + ... + λ p v p = 0

§ Observaciones:

1. Relación D.L y C.L:

{
v1,..., v p } son L.I ⇔ Ningún vi es C.L del resto.
{v ,..., v }
1 p son L.D ⇔ Algún vi es C.L del resto.
2. Cualquier conjunto de vectores que contenga al 0 será L.D. ya que 0 es C.L. de
cualquier conjunto de vectores.
3. Cualquier conjunto de vectores que contenga dos vectores iguales o
proporcionales será L.D.

§ Interpretación geométrica.

- En ℜ2 para que un par de vectores sea L.I. basta que no sean proporcionales.
Tres o más vectores en ℜ2 serán necesariamente linealmente dependientes.
-
En ℜ3 para que una terna de vectores sea L.I, basta con que no sean coplanarios.
Cuatro o más vectores en ℜ3 serán necesariamente linealmente dependientes.

6. Teorema de unicidad de coordenadas

{ }
Si v1,..., v p es un conjunto de vectores L.I. y el vector x es combinación lineal de los
{ }
vectores v1,..., v p entonces sus coordenadas λ1 ,..., λ p ∈ℜ son únicas.

§ Demostración:
Supongamos que ∃ λi ∈ ℜ, i = 1, 2,... p tal que x = λ1 v1 + ... + λ p v p y que
∃ β i ∈ ℜ, i = 1, 2,... p tal que x = β1 v1 + ... + β p v p .
Restando las dos igualdades tenemos:
0 = (λ1 − β 1 ) v1 + ... + ( λ p − β p )v p = γ 1 v1 + ... + γ p v p ,
Es decir, una combinación lineal de vectores igualada al vector nulo. Cómo los vectores
son L.I. todos los coeficientes de la combinación lineal deben ser iguales a cero y en
consecuencia: λk − β k = 0 ⇒ λk = β k con k = 1,...., p de manera que λ1 , λ2 ,..., λ p son
únicas.

3
7. Definición: Sistema Generador (S.G.)

{v , v ,..., v } es un sistema generador de un espacio vectorial V ⇔ ∀u ∈ V :

1 2 n

∃ λ1 ,.....λ n ∈ K tal que u = λ1 v1 + λ2 v 2 + ... + λ n v n .

8. Definición: Base de un espacio vectorial

{ (1) son S.G

B = v1 ,..., v n } ⊂ V es una BASE del espacio vectorial V ⇔ 
(2) son L.I

§ Observaciones:
Puesto que una base es un sistema generador, todo vector del espacio queda precisado
mediante sus coordenadas en relación a la base, al ser tal especificación única puesto
que los vectores de la base son linealmente independientes.
La elección de una base equivale entonces a escoger un sistema de referencia con
respecto al cual situar los elementos de dicho espacio. En definitiva: Base = Sistema de
referencia del espacio vectorial.

9. Teoremas relativos a las bases

Teorema 1. Todo sistema generador contiene una base:

Observación: De todo sistema generador se va a poder extraer una base: bastará

eliminar los vectores que sean combinación lineal de otros, de modo que sólo queden
los linealmente independientes.

Teorema 2. Supongamos un espacio vectorial en el que existe una base formada por
“n” vectores, entonces cualquier conjunto de “n” vectores linealmente independientes
que podamos encontrar constituirá una base.

Teorema 3. Supongamos un espacio vectorial en el que existe una base formada por
“n” vectores, entonces el máximo número de vectores linealmente independientes que
pueden encontrarse en ese espacio es “n”.

Observación: Supongamos un espacio vectorial en el que existe una base formada por
“n” vectores, entonces todas las bases tienen “n” vectores.

Observación: Una BASE es un SISTEMA GENERADOR MÍNIMO (que contiene el

menor número posible de vectores capaces de generar todo el espacio).
Simultáneamente, una BASE es un conjunto L.I. máximo (que contiene el mayor
número posible de vectores L.I.).

10. Definición: Dimensión de un espacio vectorial: Dim (V ) = n ∈ N

Mínimo número de escalares necesarios para determinar a cualquier vector del espacio
o, lo que es lo mismo, número de vectores que componen una base cualquiera del
espacio.

4
§ Observaciones:

1. Dim (V )= n ⇒ n = número de componentes fijadas libremente para determinar a

cualquier vector del espacio.

{ }
2. Si B = v1 ,..., v n ⊂ V es una base de V , entonces ∀ x ∈ V , ∃ x1, x2 ,...xn ∈ ℜ tal que
x = x1 v1 + ... + xn v n con x1, x2 ... xn únicas, lo que nos permite escribir x = ( x1 , x 2 ... xn ) B .
14243
"n "componentes

§ Ejemplos:

1. Un vector de ℜ3 : ( a, b, c) ⇒ 3 componentes libremente especificadas: Dim (ℜ3 ) = 3

2. Un vector de ℜ 3 con la condición de que sus dos últimas componentes sean iguales:
{
S = ( a, b, c ) ∈ ℜ 3 / b = c , a, b ∈ ℜ} ⇒ 1 componente no es especificada libremente, de
modo que Dim ( S ) = 2 .

11. Definición: Base canónica y dimensión de ℜ n

Se define como:
r r r
E = {e1 , e 2 ,K , e n } = {(1,0,...,0), (0,1,0,...,0),K , (0,...,0,1)} ⊂ ℜ n

a) Se integra de vectores linealmente independientes:

λ = 0
λ1 e1 + ... + λn e n = (λ1 ,..., λn ) = 0 ⇒  1
λ n = 0

b) Forman un sistema generador en ℜ n

λ1 = x1
( x1 ,..., x n ) = λ1 e1 + ... + λn e n ⇒ 
λ n = xn
como consecuencia inmediata, si E es una base de ℜ n , entonces Dim (ℜ n ) = n .

12. Matrices y espacios vectoriales

§ Rango de una matriz: es el mayor orden de los menores no nulos de la matriz

(determinante de submatrices cuadradas).

§ Teorema: El rango de una matriz coincide con el máximo numero de líneas

(vectores fila o vectores columna) linealmente independientes (que no son
combinación lineal de otros) que hay en la matriz.

5
§ Ejemplo:
1 2 5 6
 
2 4 7 9
Calcular el rango de A =  Nota: Rg ( A) = Rg ( At )
3 6 4 7
 
4 8 2 6 
1 ≠ 0 ⇒ Rg ( A) ≥ 1

1 2
 
2 4 1 2 1 2 1 2
3 =0 =0 =0
6 2 4 3 6 4 8
 
4 8 
c1 c 2

c 2 es combinació n lineal de c1 : se elimina c 2 y se sustituye por c 3 (puede

comprobarse que c 2 = 2 c1 ).

1 5
 
2 7 1 5
3 ≠ 0 ⇒ Rg ( A) ≥ 2 c1 y c 3 son linealmente independientes
4 2 7
 
4 2 
c1 c 3

1 5 6
  1 5 6 1 5 6
2 7 9
3 2 7 9 =0 2 7 9 =0
4 7
  3 4 7 4 2 6
4 2 6 
c1 c 3 c 4

c 4 es combinación lineal de c1 y c 3 (puede comprobarse que c 4 = c1 + c 3 ). De

1 5
manera que: Rg ( A) = Rg ( c1 , c3 ) = Rg  = 2
2 7 

§ Aplicaciones vectoriales del cálculo del rango

1. Conocer el máximo número de vectores linealmente independientes de entre un

conjunto de ellos.

2. Saber si un vector es, o no, combinación lineal de un conjunto de vectores

dados.

6
13. Cambio de base en un espacio vectorial

{
Sea V en un espacio vectorial tal que Dim (V ) = n con B = u1 ,..., un } y B′ = v1 ,..., vn }. {
Buscamos la relación entre las coordenadas de un vector x en la base B y B′ ,
conociendo las coordenadas de ui en términos de los vi

→ B′ ⊂ Vn
B ⊂ Vn 
{
B = u1 , u 2 ,..., u n } B′ = {v1 , v 2 ,..., v n }
x = x1u1 + ... + x n un = ( x1,..., xn ) B x = x1′ v1 + ... + x′n vn = ( x1′ ,..., x ′n ) B'

u1 = a11v1 + ... + a n1v n = ( a11 , a 21,..., a n1 ) B′


 KKKKK
u = a v + ... + a v = (a , a ,..., a )
 n 1n 1 nn n 1n 2n nn B′

§ Ecuación matricial de cambio de base: B → B′

X ′ = PBB′ X , PBB′ = Matriz del cambio de base B → B′

 x1′   a11 ... a1n   x1   x1′ = a11x1 + ... + a1n xn

     
 ...  =  ... ... ...   ...  ⇒ ...
 x′   a a nn   xn   x ′ = a x + ... + a x
 n   n1 ...  n n1 1 nn n

u1 u
14243n
B

§ Propiedades

1. PBB′ es una matriz regular: Rg ( PBB′ ) = n y en consecuencia ∃ PBB′ −1

2. PB′B = PBB′ − 1

3. PBB′′ = PB′B′′ ⋅ PBB′

4. PBB′ = PB′E −1 ⋅ PBE , E = base canónica

B P→
BE
E P→

EB′
B′

7
§ Ejercicio

Calcular las componentes del vector x = ( 2,1) , expresado en la base canónica de ℜ 2 ,

{ }
con respecto a una nueva base B = v1 , v2 cuyas coordenadas con respecto a la base
canónica son v1 = (3,1) y v 2 = ( −1,1)

- Solución-
{ }
E = e1 , e 2 = {(1,0), (0,1)}

x = ( 2,1) = 2e1 + 1e 2 }
v1 = (3,1) = 3e1 + 1e2

v 2 = ( −1,1) = −e1 + e2

E P→
EB
B
x = 2e1 + e2 x = x1′ v1 + x ′2 v 2
↓
−1
X ′ = PEB ⋅ X = PBE ⋅ X
↓
−1
 x1′   3 − 1  2   1 1  2   3 / 4 
  =     = 1 / 4   =   ⇒
 x′2   1 1   1   − 1 3 1  1 / 4 

⇒ X ′ = ( 3 / 4, 1 / 4) = (3 / 4) v1 + (1 / 4)v 2

−1  1/ 4 1/ 4  e1 = (1 / 4)v1 − (1 / 4) v2
PBE = PEB =   ⇒
 −1/ 4 3 / 4 e 2 = (1 / 4)v1 + (3 / 4) v2

8
TEMA 2.
SUBESPACIO VECTORIAL

1. Definición: Subespacio vectorial (S.V)

Sea V un espacio vectorial sobre el cuerpo K y sea S un subconjunto de V . S ⊂ V es

subespacio vectorial de V si es un espacio vectorial sobre K con las mismas
operaciones definidas en V.

§ Observaciones
De las propiedades de espacio vectorial se deduce que han de cumplirse estos cuatros
requisitos:

1. ∀ u, v ∈ S : u + v ∈ S (suma cerrada en S )
2. ∀λ ∈ K , ∀u ∈ V , λ u ∈ S (producto por escalar cerrado en S )
3. ∃ 0 ∈ S ⊂ V / ∀u ∈ S : u + 0 = u ( ∃ elemento neutro en S )
4. ∀u ∈ S ⊂ V / ∃ − u ∈ S / u + (−u ) = 0 ∈ S ( ∃ elemento opuesto en S )

2. Condicion necesaria y suficiente de subespacio vectorial

Dados dos vectores cualesquiera de S , su combinación lineal da lugar a otro vector de

S:
∀u, v ∈ S ⊂ V , ∀λ , µ ∈ K : S es S.V. de {V , K } ⇔ λ u + µ v ∈ S

§ Ejemplo

{
S = ( a, a , a ) ∈ ℜ3 / a ∈ ℜ} = { (1,1,1), ( 2, 2, 2),...}

3. Definición: Variedad lineal

{ }
Dado el conjunto de vectores v1,..., v p ⊂ V , se denomina variedad lineal engendrada
{ } }
por v1,..., v p y se denota por L (v1, v2 ,..., v p al conjunto de todos los vectores que son
{
combinación lineal de v1,..., v p . }
§ Observaciones

}
1.- S = L (v1 , v2 ,..., v p es un subespacio vectorial de V cuya dimensión es:
Dim ( S ) = v ≤ p ≤ Dim (V )

9
 { } } { }
p
2.- v1 ,..., v p es un sistema generador de S . S = L(v1 ,..., v p = x ∈ V / x = ∑ λi vi y
l =1

{ }
en consecuencia v1 ,..., v p no puede ser sino un sistema generador de S .

§ Ejemplo

{
L {(1,1,1, ), ( 2,2, 2)} = x = ( x1 , x2 , x3 ) ⊂ ℜ3 / x = λ (1,1,1) + µ ( 2, 2, 2), λ , µ ∈ ℜ} =

{( x1 = λ + 2µ , x 2 = λ + 2µ , x3 = λ + 2 µ , λ , µ ∈ ℜ} =  (10,20,3 0), (1
12
,13 −4
,1) , (1 −1,4
1,2 −31), ...}
 λ = µ =0 λ =1, µ =0 λ =−1, µ =0

{
S = L {(1,1,1), ( 2,2,2) } = ( a, a, a) ∈ ℜ3 / a ∈ ℜ}

§ Observación
Todos los conceptos ya vistos en relación con los espacios vectoriales: bases,
coordenadas, etc., son inmediatamente extensibles a los subespacios vectoriales ya que
un subespacio vectorial no deja de ser un espacio vectorial.

En particular, una base de un subespacio vectorial S será cualquier sistema generador de

S ⊂ V , formado exclusivamente por vectores linealmente independientes. (Basta
considerar que S es un espacio vectorial y los resultados ya conocidos sobre bases de
espacios vectoriales)

§ Ejemplo

{(1,1,1), (2,2,2) } es sistema generador de S pero no es base.

4. Definición: Dimensión de un subespacio vectorial S ⊂ V

Dim (S ) puede ser definida de las siguientes formas equivalentes:

a) máximo número de vectores linealmente independientes que pueden
encontrarse en S .
b) número de vectores de una base cualquiera de S
c) grados de libertad al establecer las coordenadas (componentes) de un vector
cualquiera de S .

§ Valores de Dim (S )
S ⊂V
↓
0 ≤ Dim ( S ) ≤ Dim (V )
↓ ↓
S= 0 {} S ≡V

10
§ (
Determinación de Dim (S ) , S = L v1 ,..., v p )
{ }
Al ser v1, v2 ,..., v p un sistema generador de S , se verificará: Dim ( S ) = Rg (v1 , v2 ,...v p )

5. Teorema : Relación entre subespacio vectorial y sistema homogéneo

{
El conjunto de soluciones S = x = ( x1 ,..., x n ) = X t ∈ ℜ n } de un sistema homogéneo:
AX = 0 , A ∈ M m×n , X ∈ M n×1 , 0 ∈ M m×1 es un subespacio vectorial de ℜ n .

§ {
Determinación de Dim ( S ), S = x ∈ ℜ n / AX = 0}

Rg ( A) = número de ecuaciones no redundantes en el sistema homogéneo AX = 0 , o

equivalentemente, número de columnas en A que son linealmente independientes. En
definitiva, el número de variables no libres.

Por otro lado, puesto que Dim (S ) = número de componentes libres de un vector
cualquiera de S , y puesto que cada componente no libre o restringida requiere una
ecuación se tiene que:
Dim ( S ) = n − Rg ( A)

§ Casos posibles:

AX = 0 , con Rg ( A) = r

{}
- Si r = n ⇒ SCD ⇒ x = 0 ∈ ℜn ⇒ S = 0 ⇒ Dim ( S ) = n − n = 0
- Si r < n ⇒ SCI ⇒ S = { infinitos vectores} ⇒ Dim ( S ) = n − r > 0

§ Ejemplo

{
S = L {(1,1,1), ( 2,2,2)} = L {(1,1,1)} = x ∈ ℜ 3 / x = λ (1,1,1) = (λ , λ , λ ), λ ∈ ℜ} , donde
1 2  1
   
Dim ( S ) = Rg 1 2  = Rg 1 = 1
1 2  1
   

Por otro lado,

{
v Puesto que S = ( a, a , a) ∈ ℜ 3 / a ∈ ℜ }, el número de componentes libres es de
una, en consecuencia Dim ( S ) = 1 .

11
  x2 − x1 = 0
v Escribiendo S como: S = x ∈ ℜ 3 /  {  se tiene que:
 x3 − x1 = 0
 −1 1 0  1 0 
Dim ( S ) = n − rg ( A) = 3 − rg   = 3 − rg   = 3 − 2 = 1
 −1 0 1  0 1 

6. Ecuaciones paramétricas y ecuaciones cartesianas de un subespacio vectorial

1. Ecuaciones paramétricas → Ecuaciones cartesianas

{
S = L (v1 ,..., v p ) = L( v1 ,..., v r ) = x ∈ ℜ n / 1
x =4λ4
1v
4 1 + ... + λr vr , λi ∈ ℜ}
2444 3
ECUACIONES PARAMÉTRICAS
(una por componentte )

Dim ( S ) = Rg ( v1 ,..., v p ) = r ≤ p

Se verifica que ∀ x ∈ S , x es combinación lineal de la base ( v1 ,..., v r ) con lo que

Rg (v1 ,..., vr , x) = Rg (v1,..., vr ) = r . En tal caso, forzando a que todos los menores
de orden " r + 1" sean nulos, se obtienen las ecuaciones cartesianas de S , esto es,
el sistema homogéneo que caracteriza a S .

2. Ecuaciones cartesianas → Ecuaciones paramétricas

{
S = x ∈ℜn / 1
AX2=30 , A ∈ M m×n , X ∈ M n×1 , 0 ∈ M m×1 }
ECUACIONES
CARTESIANAS

Dim ( S ) = n − rg ( A) = n − h = r

Resolviendo el sistema homogéneo que caracteriza a S quedan las "h" variables

no libres en función de las " r" variables libres:

( x1 ,..., x h , xh+1 ,..., x h+ r =n ) ∈ℜn

1424 3 1 44244 3
Rg ( A)= h r = Dim( S )
= n ºVARIABLES =VARIABLES LIBRES
NO LIBRES ( parámetros en el término independiente)

Dando a las " r" variables libres, valores de la forma:

( x1 ,..., x h ,1,0,...,0), ( x1 ,..., x h ,0,1,0,...,0), ..., ( x1 ,..., x h ,0,...,0,1) ,

se obtienen " r" vectores linealmente independientes que forman una base de S.
Conocida la base, se conoce la variedad lineal que genera al subespacio S , con
lo que el paso a las ecuaciones paramétricas es inmediato.

12
TEMA 3.
APLICACIONES LINEALES

1. Definición: Aplicación lineal

Sean V y V ′ dos espacios vectoriales sobre el mismo cuerpo K . La aplicación

f : V → V ′ se llama aplicación lineal o transformación lineal si satisface los dos
requisitos siguientes:

1. ∀ v1 , v 2 ∈ V : f (v1 + v2 ) = f ( v1 ) + f ( v2 )
2. ∀k ∈ K , ∀v ∈ V : f ( k ⋅ v) = k ⋅ f ( v)

o equivalentemente:
∀ a, b ∈ K , ∀ u, v∈ V : f (a u + b v) = f (a u) + f ( bv) = a ⋅ f (u ) + b ⋅ f (v )

§ Ejemplo

f :ℜ2 → ℜ2, f ( x1 , x 2 ) = ( x1 + x 2 ,2) no es aplicación lineal ya que, por ejemplo, para

a = b = 1 , u = (1, 0) y v = (0,1) :

f [(1, 0) + (0,1)] = f (1,1) = (2,2)

f (1,0) + f ( 0,1) = (1, 2) + (1,2) = ( 2, 4)

2. Propiedades

1. Toda aplicación lineal transforma el vector nulo de V en el vector nulo de V ′ :

f (0V ) = 0V ′
2. La imagen del opuesto de un vector es el opuesto de la imagen:
f (−v ) = − f ( v), ∀v ∈ V
3. Las aplicaciones lineales transforman los subespacios vectoriales de V en
subespacios vectoriales de V ′ .

3. Definición: Núcleo de una aplicación lineal f : V → V ′

{
Ker f = v ∈V / f ( v) = 0V ′ }

4. Definición: Imagen de la aplicación lineal f : V → V ′

{
f (V ) = Img f = v ′ ∈ V ′ / ∃ v ∈ V , f ( v) = v′ }

13
5. Propiedades

1. Im ( f ) es un subespacio vectorial de V ′ . Su dimensión se denomina dimensión

de la aplicación lineal f y se denota por dim (Im f ) o dim ( f ) .
2. Además las imágenes de una base de V constituyen un sistema generador del
subespacio vectorial Im ( f ) :

→ V ′
V
{
B = u1 ,..., u n }→
144244 3
f
{
f (u ),..., f ( u )} = G
1414244n3
Base de V Sistema generador de V ′

3. Ker f ≠ Ø ya que al menos f (0V ) = 0V ′ .

4. Ker f es subespacio vectorial de V .
5. Se verifica que dim (V ) = dim( Ker f ) + dim(Im f ) .

§ Ejemplo

Dada la aplicación lineal:

f : ℜ3 
→ ℜ 2
( x, y , z ) 
→ f ( x , y , z ) = ( x − y − 5 z , 2 x − 3 y + 5 z )

{
a) Ker f = x ∈ ℜ3 / f ( x) = 0 ∈ ℜ2 }⇒ ( x − y − 5 z , 2 x − 3 y + 5 z ) = (0, 0) ⇒
x − y − 5 z = 0 x − y = 5z
⇒  ⇒ , con lo que:
2 x − 3 y + 5 z = 0 2 x − 3 y = −5z

{
Ker f = ( x, y , z ) ∈ ℜ3 / ( x = 20 z, y = 15 z , z{ )}
LIBRE

1 −1 − 5 
Dim ( Ker f ) = n − rg ( A) = 3 − rg  
2 −3 5 
= 3 − 2 = 1 = número de var iables libres

Tomando z = 1 , obtenemos una base de Ker f : B = {( 20, 15,1)}

{
b) Im f = x ∈ ℜ2 / ∃ x ∈ ℜ3 , f ( x) = x ′ }
 x1′ = x − y − 5 z

 x ′2 = 2 x − 3 y + 5z

Tomando la base canónica del espacio inicial C = {(1,0,0), ( 0,1,0), ( 0,0,1)} sus
imágenes formarán un sistema generador del subespacio vectorial Im f de ℜ 2 :
f (1,0,0) = (1,2)
f (0,1,0) = ( −1,−3)
f (0,0,1) = ( −5,5)

14
 1 − 1 − 5  1 − 1 
Como rg   = rg   = 2 , una base de Im f será, por ejemplo,
2 −3 5   2 − 3
B′ = {(1, 2), (−1, − 3)}. Por tanto, Dim (Im f ) = 2 , siendo sus ecuaciones
{
paramétricas: Im f = x′ ∈ ℜ 2 / x′ = λ1 (1, 2) + λ2 (−1, − 3), λ1 , λ2 ∈ ℜ}.

Puede comprobarse cómo efectivamente se cumple que:

Dim (ℜ3 ) = Dim ( Ker f ) + Dim (Im f )

6. Expresión matricial

Dada la aplicación lineal f : R n → R m , donde en ambos espacios suponemos que los

vectores están referidos a la base canónica, f queda perfectamente determinada por
una matriz A ∈ M m× n .

Ecuación matricial de f respecto de las bases consideradas: Y = AX , A ∈ M m×n :

 y1   a11 a12 a1n   x1 
     
 y2  a a22 a 2n   x2 
 ...  =  21
... ... ...   ... 
     
y  a a mn  x 
1 2m
3  m1 a m 2 { n
COORDENADAS COORDENADAS
r r m r
DE y = f ( x ) EN R DE x EN R n

§ Observaciones

1. A ∈ M m×n es la matriz asociada a f respecto de las bases consideradas (bases

canónicas)
2. Las columnas de A son las imágenes de los vectores de la base canónica del
espacio inicial: f (e1 ),..., f (e n ) . En consecuencia, puesto que la imagen de
cualquier vector es única, A es única.
3. Podemos reducir el análisis de las propiedades de f al estudio de su matriz
asociada A.

§ Ejemplo

Dada la aplicación lineal f : ℜ 3 → ℜ 2 , tal que f ( x1, x 2 , x3 ) = ( x1 − x2 , x1 + x3 ) , su

expresión matricial es de la forma:

y = ( y1, y 2 ) = f ( x1 , x 2 , x3 ) = ( x1 − x2 , x1 + x3 ) ⇒
 x1 
 y1 = x1 − x2 1 − 1 0     y1 
 ⇒  ⋅ x  =  
 y 2 = x1 + x3 1 0 1   2   y 2 
14243  x 3  {
A2 × 3 { Y
X

15
7. Proposición : Dim (Im f ) = Rg ( A)

Al ser Im f = AX el subespacio vectorial de ℜ m , generado por las columnas de A .

§ Ejemplo

Sea f : ℜ 2 → ℜ3 definida por las ecuaciones:

 y1 = x1

 y 2 = x1 + x2 .
y = x
 3 2

 y1  1 0  1   0
     x1     
En tal caso, podemos escribir  y 2  = 1 1    =  1  ⋅ x1 + 1  ⋅ x 2
 y   0 1  { x2    1 
{ 3 123 X {0 {
Y A f (u 1 ) f ( u2 )

?----- S.G----?
donde {(1, 1, 0), ( 0, 1, 0)} (columnas de A ), generan Im f , y puesto que éste es un
subespacio vectorial, para conocer Dim ( f ) , basta con saber el número de vectores
(columnas de A ) linealmente independientes, esto es, el Rg ( A) :

1 0 
 
Rg ( A) = Rg 1 1  = 2 = Dim (Im f )
0 1
 

Y en consecuencia, en este caso, el sistema generador {(1, 1, 0), (0, 1, 0)} resulta ser una
base de Im f .

§ Ejercicio

Expresar en forma matricial, determinar el núcleo y el conjunto imagen de la aplicación

lineal:
f (e1 ) = e 2 + e3
f : ℜ3 → ℜ3 / f (e 2 ) = 2e 2
f (e3 ) = e1 + e3

- Solución -

a) Ecuación matricial:

f :ℜ3 
→ ℜ3
x
→ y = f ( x) = AX

16
  y1   0 0 1   x1   y1 = x3
      
 y 2  = 1 2 0  ⋅  x2  ⇒  y 2 = x1 + 2 x2
 y  1 0 1   x  y = x + x
 3    3  3 1 3

b) Im f
 y1   0  0 1 
       
Im f = y ∈ ℜ{ 3
{
/ y = f ( x)} = y ∈ ℜ /  y2  = 1  x1 +  2  x2 +  0  x3 }
3

 y  1  0 1 
 3      
0 0 1
 
Rg ( A) = Rg 1 2 0  = 3 ⇒ Dim (Im f ) = 3 = Dim (ℜ 3 ) ⇒ Im f = ℜ 3
1 0 1 


Con lo que {( 0, 1, 1), ( 0, 2, 0), (1, 0, 1)} es base de Im f .

c) Ker f

0 = x3
{ 
Ker f = x ∈ ℜ / AX = 0} ⇒ 0 = x1 + 2 x 2
3
⇒ Rg ( A) = 3 ⇒ S .C.D ⇒ x = ( 0, 0, 0)
0 = x + x
 1 3

{}
En consecuencia, Ker f = 0 , y Dim ( Ker f ) = n − rg ( A) = 3 − 3 = 0 .

17
TEMA 4.
DIAGONALIZACIÓN DE MATRICES

1.Definición: Matrices Semejantes

Se dice que dos matrices cuadradas A y B son semejantes, si existe una matriz regular
P que verifica: B = PAP −1

2. Definición: Matriz Diagonal

Una matriz cuadrada se dice que es una matriz diagonal si todos los términos fuera de la
diagonal principal son cero. (Algunos de los elementos de la diagonal principal podrían
eventualmente ser cero tambié n)

El problema de la diagonalización de una matriz A consiste en determinar si existe una

matriz semejante B = Λ que sea diagonal.

3. Definición: Autovector y Autovalor

Dada la matriz cuadrada A de orden n, el vector x ∈ R n , x ≠ 0, es autovector (o vector

r
propio) de A ⇔ ∃λ ∈ R / Ax = λ x .
Al escalar λ se le denomina Autovalor (o valor propio ) asociado.

4. Cálculo de autovalores y Autovectores

La matriz ( A − λI n ) se denomina matriz característica y su determinante:

a11 − λ a12 ... a1n
a 21 a 22 − λ ... a2 n
P( λ ) = A − λ I n =
... ... ... ...
a n1 an 2 ... ann − λ
es el denominado polinomio característico, cuyas raíces son los autovalores. En
consecuencia, los autovalores serán las soluciones de la ecuación:
P(λ ) = det( A − λI n ) = 0 .

r
El conjunto de autovectores x = X asociados a cada autovalor λi , obtenido de la
ecuación anterior, vendrá dado por el conjunto:
L( λi ) = { x ∈ ℜn /( A − λi I n ) X = 0}

§ Demostración:

x ∈ R n , x ≠ 0, es autovector ⇔ AX = λX = λI n X ⇒ ( A − λi I n ) X = 0 , con
det( A − λI n ) = 0 , de modo que el sistema homogéneo anterior admita solución x ≠ 0 .

18
5. Propiedades

1. {L(λi )} es un subespacio vectorial de dimensión: n − rg ( A − λI n )

2. Autovectores asociados a autovalores distintos son linealmente independientes
3. Dada A∈ M n no podrán existir más de n autovalores reales distintos.
4. ∑ λi = Tr ( A)
n
5. ∏ λi = A
i =1
6. Si A es triangular los autovalores serán los elementos de la diagonal principal:

 a11 a12 ... a1n 

 
 0 a22 ... a2n 
A = ⇒ λi = aii , i = 1,2,..., n
... ... ... ... 
 
0 ann 
 0 ...
7. Si λi es autovalor de A, λ2 es autovalor de A2 . Además todos los
autovectores de A también lo serán de A2 .
8. Los autovalores de A y de At son los mismos.

§ Ejemplo

2 1 0 
 
Sea A =  0 1 − 1 ,
0 2 4 
 
los autovalores resultan de la ecuación:
2 −λ 1 0
P( λ ) = A − λI = 0 1 − λ − 1 = ( 2 − λ )(1 − λ )( 4 − λ ) + 2(2 − λ ) =
0 2 4−λ

λ1 = 2 ( doble )
= ( 2 − λ )[(1 − λ )( 4 − λ ) + 2] = 0 ⇒ 
λ2 = 3 ( simple )

{
El conjunto de autovectores asociados a λ = 2 es S ( λ = 2) = x ∈ ℜ 3 / x = ( X 1 ,0,0)}, ya
que:
{
S ( λ = 2) = x ∈ ℜ 3 /( A − 2 I ) X = 0}
 0 1 0  x1   0 
    
{
= x ∈ ℜ /  0 − 1 − 1 x2  =  0 
3

 0 2 2  x   0 
  3   
 x2 = 0
 x = 0
⇒ − x2 − x 3 = 0 ⇒  2
2 x + 2 x = 0  x 3 = − x 2 = 0
 2 3

19
donde Dim S (λ1 = 2) = n − rg ( A − 2 I ) = 3 − 2 = 1 = 1 var iable libre ( x1 ) y siendo, por
ejemplo, una base Bλ =2 = {(1,0,0)}.

{
El conjunto de autovectores asociados a λ = 3 es S ( λ = 3) = x ∈ ℜ 3 / x = ( x 2 , x2 ,−2 x 2 )}
ya que:

{
S ( λ2 = 3) = x ∈ ℜ3 /( A − 3I ) X = 0} =
 − 1 1 0  x1   0  − x1 + x 2 = 0
    
{ {
3 
= x ∈ ℜ /  0 − 2 −1 x2  =  0  = x ∈ ℜ / − 2 x2 − x3 = 0
3

 0 2 1  x   0  2 x + x = 0
  3     2 3

x1 = x 2 
{
= x ∈ℜ /
3

x 3 = − 2 x 2 

con Dim S (λ = 3) = n − rg ( A − 3I ) = 3 − 2 = 1 = 1 var iable libre ( x 2 ) y siendo, por

ejemplo, una base Bλ =3 = {(1,1,−2)}

6. Propiedades de las matrices semejantes

1. Si A y B son matrices semejantes ( ∃P / B = PAP −1 ) , entonces tienen el mismo

polinomio característico, por tanto coinciden sus raíces o autovalores y coeficientes
(traza y determinante), y rango.

2. Si A y B son semejantes, también lo son sus potencias de igual exponente:

∃P / B = PAP −1 ⇒ B k = PA k P −1

§ Demostración:

B = PAP −1 ⇒ BP = PA ⇒ B 2 P = BPA = ( PAP −1 ) PA = PA2 ⇒ B 3P = BPA 2 =

= ( PAP−1 ) PA2 = PA3... ⇒ B k P = PAk ⇒ B k = PAk P −1

7. Teorema : Existencia de matriz diagonal semejante

A es diagonalizable ⇔ existe una base formada por autovectores, en tal caso, la matriz
diagonal B = Λ estará formada por los autovalores.

§ En la práctica:

1. Cálculo de los autovalores de A.

2. Cálculo de las dimensiones de cada sistema vectorial de autovectores:

§ si ∑ Dim (S (λ )) = n ⇒ ∃ Base de autovectores ⇒ Existe Λ

i
∀i

§ si ∑ Dim ( S (λ )) < n ⇒ No existe Λ

i
∀i

20
 3. Si A es diagonalizable, su matriz diagonal semejante es:

 λ1 0 ... 0 
 
 0 λ2 ... 0 
Λ=
... ... ... ... 
 
 0 ... 0 λ 
 n

4. Las columnas de la matriz P son los autovectores de una base.

8. Definición: Matriz Simétrica

A∈ M n es simétrica ⇔ A = At , o equivalentemente si a ij = a ji i , j = 1, 2,..., n .

§ Ejemplo

1 2 6 
 
A =2 0 − 3
 6 − 3 −1 
 

9.Teorema : Diagonalización de matrices simétricas

Toda matriz simétrica es diagonalizable.

10. Aplicación: Procesos Secuenciales Lineales

Dado un cierto sistema o proceso, cuyo estado o fase inicial puede ser expresado
 x10   x1h 
   
mediante el vector x 0 =  ...  , buscamos conocer su estado x h =  ...  en la fase o
x  x 
 n0   nh 
momento h, conocido x 0 y la matriz de transición A∈ M n , la cual permite pasar de un
estado al inmediatamente siguiente de forma lineal:

X h = AX h−1 = A( AX h− 2 ) = A2 X h− 2 = ... = Ah X 0 .

Si A es diagonalizable, ∃P ∈ M n y Λ ∈ M n tal que Λ = P −1 AP ⇒ Λk = P −1 Ak P y

por tanto:
Ak = PΛk P −1 .

En tal caso resulta que X h = A h X 0 = PΛh P −1 X 0 , donde Λh = diag (λ1 ,..., λ n ) y

h h

P = (c1 ,..., cn ) la matriz cuyas columnas son una base de autovectores.

21
§ Ejercicio

Una agencia de transportes tiene su flota de camiones repartidos en dos ciudades A y B.

De los camiones que hay en A, al principio de cada mes, los 2/3 vuelven a A al final del
mismo mes y el resto a B. De los que hay en B las ¾ partes vuelven a B y el resto a A.
a) Si la flota permanece constante e inicialmente hay la mitad en cada ciudad,
hállense los porcentajes que hay en cada ciudad al final del tercer mes.
b) Hállese el porcentaje de camiones en cada ciudad al cabo de infinitos meses.

22
TEMA 5.
FORMAS CUADRÁTICAS

1. Definición: Forma Cuadrática

Dada una matriz simétrica A , se denomina forma cuadrática (F.C.) a la aplicación

Q : Rn 
→ ℜ que asigna a cada vector de ℜ n un número real de la forma :
α 11 α12 ... α 1N 
  x1 
α 12 α 22 ... α 2N   n n
Q( x ) = 1
X4⋅2 ⋅3X = ( x1 ,..., x n )    ∑∑ aij xi x j
=
t
A4 ...
 x n  1
... ... ... ...
FORMA
 i =1 j =1
42
4 43 4
MATRICIAL
α α α 
DE Q
14 1N
44 42N ...
2444NN 3
4
FORMA POLINÓMICA
DE Q
A = A t∈M n

§ Observación:

El cambio de la forma polinómica a la forma matricial, o viceversa, es inmediato si se

tiene en cuenta que los términos de la diagonal principal de A son los coeficientes de
los términos cuadráticos del polinomio y los restantes, la mitad de los términos cruzados
en la expresión polinómica.

§ Ejemplo

 1 4 − 1
 
a) Dada Q : ℜ → ℜ, con A =  4
3
0 0  , su expresión polinómica resulta ser:
 −1 0 2 
 
 1 4 − 1 x1 
  
Q( x ) = ( x1 , x 2 , x 3 ) 4 0 0  x 2  = x1 + 2 x3 + 8 x1 x 2 − 2 x1x 3
2 2

 − 1 0 2  x 
  3 

b) La expresión matricial de Q( x ) = x1 − 5x3 − x1 x2 + 4 x2 x3 , Q : ℜ3 → ℜ, es:

2 2

1 − 1 / 2 0  x1 
  
Q( x ) = ( x1 , x2 , x3 ) − 1/ 2 0 2  x2  = X t AX
0
 2 − 5  x3 

2. Propiedad

Es trivial verificar que Q ( λ x) = λ2Q ( x) .

23
3. Clasificación de una F.C.

Q (x ) es DEFINIDA POSITIVA ⇔ ∀ x ∈ ℜn , x ≠ 0 : Q ( x) > 0

Q (x ) es SEMIDEFINIDA POSITIVA ⇔ ∀ x ∈ ℜn , x ≠ 0 : Q ( x) ≥ 0
Q (x ) es DEFINIDA NEGATIVA ⇔ ∀ x ∈ ℜ , n
x ≠ 0 : Q ( x) < 0
Q (x ) es SEMIDEFINIDA POSITIVA ⇔ ∀ x ∈ ℜn , x ≠ 0 : Q ( x) ≤ 0
∃ x ∈ ℜ n , x ≠ 0 / Q( x ) > 0 y
Q (x ) es INDEFINIDA ⇔ 
∃ x′ ∈ ℜ n , x ′ ≠ 0 / Q( x ′) < 0

§ Ejemplo:

Q ( x , y ) = x 2 + y 2 + 2 xy = ( x + y ) 2 ≥ 0, ∀( x , y) ≠ 0 ⇒ Q es S .D.P

§ Observación:

Cuando la matriz asociada A es diagonal, el estudio y clasificación de la forma

cuadrática es inmediato, ya que en este caso:
 a11 0 0 ... 0 
 
t 0 a 22 0 ... 0 
Q( x ) = X  X = a11x1 + a22 x2 + ... + a nn xnn y, obviamente:
2 2 2

... ... ... ... ... 

 
 0 ... 0 ... a 
 nn 

Q (x ) es DEFINIDA POSITIVA ⇔ aii > 0 ∀ i = 1,2,...n

Q (x ) es SEMIDEFINIDA POSITIVA ⇔ aii > 0 con algún a ii = 0
Q (x ) es DEFINIDA NEGATIVA ⇔ aii < 0 ∀i = 1,2,...n
Q (x ) es SEMIDEFINIDA NEGATIVA ⇔ aii < 0 con algún a ii = 0
Q (x ) es INDEFINIDA ⇔ ∃ aii > 0 y aii < 0

§ Ejemplo:

1 0  y1 
a) Q( x ) = ( x1 , x 2 )   = x12 + x 22 ⇒ Q es D .P
 0 1  y 2 
 1 0 0  x 
  
b) Q( x , y , z ) = x + y = ( x, y, z ) 0 1 0  y  ⇒ Q es S .D.P
2 2

 0 0 0  z 
  

4. Estudio del signo de una F.C: Método de la matriz diagonal semejante

Como la matriz asociada a una forma cuadrática es simétrica siempre existe una matriz
semejante que es diagonal. El signo de una forma cuadrática es el que se deduce del
estudio de su matriz semejante diagonal.

24
§ Ejemplo:
 1 1 1
 
Sea Q ( x ) = X t AX , con A =  1 1 1 . Los autovalores se obtienen de la ecuación:
 1 1 1
 
λ = 0( doble )
P( λ ) = A − λ I = 0 ⇒  1 , con los que una matriz diagonal semejante es:
λ2 = 3( simple )
 0 0 0
−1
 
P AP = Λ =  0 0 0 
 0 0 3
 
y por tanto Q (x ) es SDP.

5. Estudio del signo de una F.C: Método de los menores principales

Sea la forma cuadrática Q ( x ) = X t AX con A = At ∈ M n y sean los menores principales

a11 a12 ... a1n
a11 a12 a12 a 22 ... a2 n
de A: A1 = a11 = a11 , A2 = ,…, y An = A = . Se
a 21 a22 ... ... ... ...
a1n a 2n ... ann
demuestra que:

a) Q( x ) es D.P ⇔ Ai > 0, ∀i = 1, 2,..., n

b) Q( x ) es D.N ⇔ A1 < 0, A2 > 0, A3 < 0, ...
c) Si Ai > 0, ∀ i = 1, 2,..., n − 1 y An = 0 ⇒ Q( x) es S.D.P
d) Si A1 < 0, A2 > 0, A3 < 0, ..., y An = 0 ⇒ Q( x ) es S .D.N
e) Si An ≠ 0 y Q no es definida ⇒ Q es INDEFINIDA
f) Si An = 0 , con Ai ≠ 0, ∀i = 1,.., n − 1 y Q no es S .D ⇒ Q es INDEFINIDA

En cualquier otro caso no es posible decir nada del signo de Q por este método.

§ Ejemplos:

 3 2 4   A1 = 3 > 0
  
a) A =  2 0 2  ⇒  A2 = −4 < 0 , Q es INDEFNIDA.
4 2 3 
   A3 = A = 8 > 0

25
 0 2 0   A1 = 0
  
b) A =  2 0 − 3 ⇒  A2 = −4 < 0 . El método de los M. P no da información.
0 −3 0  
   A3 = A = 0
 0 0   A1 = 0
c) A =   ⇒ 
 0 − 2   A2 = 0
Aunque el método de los M. P no proporciona información sobre el signo de Q, es
claro que Q ( x, y ) es S.D.N. ( a11 = 0, a22 = −2 < 0) .

6. Definición: Forma Cuadrática Restringida a un Subespacio Vectorial (FCRS)

Es la forma cuadrática definida como Q : L ⊂ ℜ n → ℜ , donde L es el subespacio

vectorial de ℜ n , dado por el sistema homogéneo:
{
L = x ∈ ℜ n / BX = 0}, B ∈ M m× n .

§ Observación:

- Si Q ( x ) es D.P ∀ x ∈ ℜ n ⇒ Q ( x) es D.P en L ⊂ ℜ n
- Si Q ( x ) es D.N ∀ x ∈ ℜn ⇒ Q ( x ) es D. N. en L ⊂ ℜn
- Si Q ( x ) no es INDEFINIDA ∀ x ∈ ℜ n ⇒ Q ( x ) no será INDEFINIDA en L .

§ Ejemplo:

Q( x , y , z ) = x 2 + 2 y 2 + z 2 − 2 xy + yz es D.P en ℜ 3 , ya que : :

 A1 = 1 > 0
1 −1 0  
   1 −1
A =  −1 2 1 / 2  ⇒  A2 = =1 > 0
0 1/ 2 − 1 2
 1  
 1 3
 A3 = 2 − − 1 = > 0
 4 4
y en consecuencia Q restringida a cualquier subconjunto H (no necesariamente un
subespacio vectorial) de ℜ 3 , será también DEFINIDA POSITIVA.
{
Por ejemplo, H = x ∈ ℜ3 / x1 = 3}.

7. Estudio del signo de una FCRS: Método de reducción

Se resuelve el sistema homogéneo L ⊂ ℜ n , con lo que quedan las variables no libres en

función de las variables libres, y se sustituyen en Q. La nueva forma cuadrática así
obtenida contiene sólo variables libres, sin restricciones, que puede estudiarse por los
métodos antes señalados.

26
§ Ejemplo:
1 1 0 
 
Para Q( x , y , z ) = x − 3 y − 2 z + 2 xy se tiene que: A =  1 − 3 0  y al ser
2 2 2

 0 0 − 2
 
 A1 = 1 > 0

 A2 = −4 < 0 resulta que Q (x ) es indefinida en ℜ 3 .

 A3 = 6 + 2 = 8 > 0

{
Pero Q restringida a S = x ∈ ℜ 3 / x + y − z = 0} resulta ser definida negativa, ya que
Q( x , y , z = x + y ) = Q′( x, y ) = x 2 − 3 y 2 − 2( x + y ) 2 + 2 xy = − x 2 − 5 y 2 − 2 xy cuya
matriz asociada es:
 −1 −1   A1 = −1 < 0 
A′ =   ⇒  .
 −1 − 5  A2 = 5 − 1 = 4 > 0 

8. Estudio del signo de una FCRS: Método de la Matriz Orlada

{
→ ℜ , restringida a L = x ∈ ℜ n / BX = 0, B ∈ M m× n }, y sea la matriz
Sea Q : ℜ n 
A ∈ M m× n constituida de la siguiente forma:
 0 LLL0 b11 LL b1n 
 
M M M M 
0 
B   0LLL 0 bm1 LL bmn 
A =  t = 
B A   b11 LLbm1 a11 LL a1n 
 
M M M M 
 b LLb a1n LLa nn 
 1n mn

(i) Si los “n- m” últimos menores principales de A tienen el signo de (-1) m ,

entonces Q ( x) = XAt X restringida a L es definida positiva.
(ii) Si los “n- m” últimos menores principales de A alternan el signo comenzando
por el de ( −1) m+1 entonces Q ( x) = XAt X restringida a L es definida negativa.

§ Ejemplo:

{
Para Q( x , y , z ) = x 2 − 3 y 2 − 2 z 2 + 2 xy , restringida a S = x ∈ ℜ 3 / x + y − z = 0} la
matriz anterior A ∈ M 1×3 toma la forma:
 0 M 1 1 −1 
 
 L ML L L L 
A = 1 M 1 1 0
 
 1 M 1 −3 0
 −1 M 0 0 − 2
 

27
Puesto que n − m = 3 − 1 = 2 y que:

0 1 1
A3 = 1 1 1 = 4 > 0
1 1 −3

0 1 1 −1 0 1 1 −1
1 1 1
1 1 1 0 1 1 1 0 1+ 4
An = = = ( −1)( −1) 1 1 − 3 = −4 < 0
1 1 −3 0 1 1 −3 0
−1 − 2 − 2
−1 0 0 − 2 −1 − 2 − 2 − 2

resulta que Q , restringida a S , es DEFINIDA NEGATIVA al ser sgn( −1) m+1 = 1 > 0 .

28
TEMA 6.
ESPACIO VECTORIAL EUCLÍDEO

1. Definición: Producto Escalar de Vectores

Es la aplicación 〈 〉 : ℜ n × ℜn  → ℜ definida como:

 y1 
 
〈 x, y 〉 = x1 y1 + ... + x n y n = ( x1 ,..., xn ) ...  = X tY
y 
 n

§ Propiedades:

1. 〈 x, y〉 = 〈 y , x〉 , (simetría).
2. 〈 x, x〉 ≥ 0; 〈 x, x 〉 = 0 ⇔ x = 0
3. 〈 k x, y 〉 = k 〈 x, y 〉
4. 〈 x + x ′, y 〉 = 〈 x, y〉 + 〈 x ′, y〉

2. Definición: Espacio Vectorial Euclídeo

Un espacio vectorial ℜ n sobre el que se ha definido el producto escalar anterior.

3 Definición: Norma o Módulo de un Vector

x = + 〈 x, x〉 = + x12 + x2 2 + ... + x n 2

§ Propiedades:

1. x ≥ 0 ∀ x ∈ ℜn , x =0⇔ x=0

2. λ x = λ ⋅ x , ∀λ ∈ ℜ, ∀ x ∈ ℜ n

3. x + y ≤ x + y (Desigualdad Triangular)

4. < x , y > ≤ x ⋅ y (Desigualdad de Schwartz)

5. ∀ x ∈ ℜn − 0 : {} x
= 1 . Esto es,
x
es un vector unitario (de norma igual a 1)
x x

§ Observaciones:

1. La interpretación gráfica de x es la de longitud del vector x .

29
2. De (5) se deduce que la regla para normalizar un vector consiste en dividirlo por su
módulo.

§ Ejemplo:

Para los vectores x = (1,0,1) e y = (2,1,1) de ℜ 3 , se tendrá que:

o < x y >= 3 ∈ ℜ
o x = + < x x > = + 12 + 02 + 12 = + 2

o y = + < y y > = + 4 +1 +1 = + 6
r r
o x + y = + < x + y, x + y > = + 3 2 + 12 + 2 2 = + 14 < + 2 + 6 = x + y

o − 3x = + (−3) 2 + 02 + 32 = + 18 = 3 2 = − 3 ⋅ x

x (1,0,1) 1 1 1
o = = ,0, = + 2 ⋅ ( ) 2 = +1
x 2 2 2 2

4. Definición: Distancia entre dos vectores

→ ℜ + , tal que:
Se define como la aplicación d : ℜ n × ℜ n 
∀( x, y ) 
→ d ( x, y ) = x − y = + ( x1 − y1 ) 2 + ... + ( x n − y n ) 2 .

§ Observación:

Dado el isomorfismo existente entre punto del espacio y un vector de posición en ℜ n ,

d ( x, y ) puede interpretarse como la distancia entre los puntos x e y .

§ Ejemplo:

u = (1,2), v = (3,−2)
d (u , v ) = u − v = (−2,4) = + (−2) 2 + 4 2 = 20

§ Propiedades:

1) ∀ x , y ∈ ℜ n , d ( x, y ) ≥ 0, d ( x , y ) = 0 ⇔ x=y
2) ∀ x , y ∈ ℜ , n
d ( x, y ) = d ( y , x )
3) ∀ x , y, z ∈ ℜ , n
d ( x, z ) ≤ d ( x, y ) + d ( y, z ) (Desigualdad Triangular)

30
5. Definición: Ángulo entre dos vectores

Los vectores x, y ∈ ℜ n , x ≠ 0, y ≠ 0, forman un ángulo α , 0 ≤ α ≤ π , determinado

< x, y >
por cos α = cos ( x , y ) = .
x⋅ y

§ Observación:

Si y es vector de una base de ℜ n , entonces cos α = cos ( x, y ) se denomina coseno

director de x respecto de y en dicha base.

§ Ejemplo

< x, y > 1
Para x = (1,0) e y = (1,1) , se tiene que cos α = cos ( x, y) = = ⇒ α = 45º ó
x ⋅ y 2
π 1
radianes. Por otro lado, al ser x = e1 , cos α = es también el primer coseno
4 2
director del vector (1,1) en la base canónica.

6. Definición: Vectores Ortogonales y Ortonormales

Los vectores no nulos x, y ∈ ℜ n , son ortogonales (o perpendiculares), x ⊥ y , si

x, y = 0 .

§ Observación

x, y π
x ⊥ y ⇒ cos α = = 0 ⇒ α = 90º = radianes.
x⋅ y 2

7. Definición: Bases Ortogonales y Ortonormales

{ }
Dado el conjunto de vectores x1,..., x p se dice que son un sistema ortogonal si
∀ i ≠ j : x i , x j = 0, x i ≠ 0 . Si además xi , x j = 1 ∀ i = j , ( x = 1), el sistema se
denomina Ortonormal.

31
§ Propiedades:

{ } { }
1. Si x1,..., x p son ortogonales ⇒ x1,..., x p son linealmente independientes. En
{ }
consecuencia, el sistema x1 ,..., x p ⊂ ℜ n formará una base ortogonal de ℜ n si p = n y
son ortogonales. Si además x1 = ... = x p = 1, la base será ortonormal.

{ }
2. Si x es ortogonal a x1,..., xh , también lo es a cualquier combinación lineal de éstos.

§ Ejemplo:

B = {(1,1), (1,−1)} es una base ortogonal de ℜ 2 , pero no ortonormal ya que

(1,1) ≠ 1, (1,−1) ≠ 1 .
Sin embargo, C = {(1,0,0), ( 0,1,0), ( 0,0,1)} es una base ortonormal de ℜ 3 ya que
ei , e j = 0 ∀ i ≠ j y ei , ei = ei = 1 . En general, la base canónica de ℜ n ,
r r r
C = {e1 , e 2 ,K , e n }, es una base ortonormal.

32
 CUADERNO DE EJERCICIOS
MATEMÁTICAS 1º LADE
CURSO 2005/2006

ESPACIOS VECTORIALES

1. Dado el conjunto de vectores {(−1,2), (1,1), ( 3,5)}

a) Compruebe que es un sistema generador de ℜ 2 y halle las coordenadas del vector (0,1)

b) Demuestre que {(−1,2), (1,1)} es base de ℜ 2 y halle las coordenadas del vector (0,1)

2. Dados los vectores v1 =(1,1,0); v2 =(1,1,2); v3 =(0,1,2), exprese el vector w=(2,4,6) como
combinación lineal de los anteriores.

3. ¿Qué pasaría en el problema anterior si w =(0,0,0)?

4. Dados los vectores de ℜ 3 : (1,−1,0), (1,3,−1), ( 5,3,−2) exprese cada uno de ellos como
combinación lineal de los otros dos.

5. Calcule el valor de a para que el vector ( 2,3,0) sea combinación lineal de los vectores
(a,1,0), ( 0,1,1) .

6. Averigüe si son base de ℜ4 los cuatro vectores siguientes:

{(1,−1,0,0), (0,1,1,0), (0,0,1,1), (2,−3,−2,−1)} .

7. En ℜ 3 se consideran los vectores v1 = ( a,−6, b), v 2 = (1,0,6), v3 = (0,−3, 2) . Encuentre la

relación que debe existir entre a y b para que los tres vectores sean linealmente dependientes.
8. Halle los valores de a y b para que sean linealmente dependientes los vectores
(3,0, a,−1), (1,1,0, b ), (2,5, b,−4) de ℜ 4 .

9. En un espacio vectorial de dimensión 4, ¿cuándo 5 vectores son sistema generador del espacio?,
¿cuándo son base?.

10. Calcule b para que los vectores (b, −3,2), ( 2,3, b), ( 4,6,4) no sean base de ℜ 3 .

11. Dados v1 =(1,0,1), v2 =(2,1,0), v3 =(3,1,1) y v4 =(2,2,2), ¿forman un sistema generador? ¿y una
base?

33
12. Sean v1, v2, v3 vectores de ℜ2 . ¿Es {v1, v2, v3} un sistema generador de ℜ2 ?

13. ¿Existe algún valor de m para el que sean linealmente dependientes los siguientes conjuntos de
vectores de ℜ4 ?
(a) {(2,1,0,3), (1,0,−1,5), (3, m,1,1)}

(b) {(2,1,3,1), (1,0,1,0), (3, m,0,1)}

14. Dadas las bases B1 = {u1 , u 2 , u 3 } y B2 = {v1 , v2 , v3 } y sabiendo que

v1 = 3u1 + 4u 2 + 5u 3

v 2 = u1 + 2u2 + 3u 3

v 3 = 2u1 + 2u 2 + 3u 3
se pide:
a) Ecuación del cambio de base de B1 a B2 y de B2 a B1 .

b) Coordenadas respecto de B1 del vector x = v1 + v 2 + v3 .

c) Idem respecto de B2 del vector y = u1 + u 2 + u 3 .

15. Dadas las bases B = {u1 , u 2 } y B' = {v1 , v2 } de ℜ 2 , siendo las coordenadas de dichos vectores
en la base canónica: u1 = (1, 2), u 2 = ( 4,3), v1 = (−1,1), v 2 = ( 2,3) ,

a) Calcule la matriz de cambio de base de B a B' y la matriz de cambio de base de B' a

B.
b) Halle las coordenadas del vector w = ( 2,3) en las bases B y B' .

c) Dado un vector x = u1 − 2u 2 en la base B , encuentre sus coordenadas en la base B' .

d) Dado un vector y cuyas coordenadas en la base B' son (−2,1) , encuentre sus
coordenadas en la base B .

16. En ℜ 3 se consideran los vectores u1 = (1,1,0), u 2 = ( 0,2,1), u 3 = (1,0,1), u 4 = ( 2,−3,1) :

a) ¿Son linealmente independientes?

b) ¿Son un sistema generador?
c) ¿Forman base?
d) Seleccione entre ellos una base y calcule las coordenadas respecto de ella del vector
( 2,−1,−3)
e) Determine la ecuación del cambio de la base canónica a la base seleccionada en d)

34
 SUBESPACIOS VECTORIALES

17. Sean v1, v2, v3 vectores de un espacio vectorial V y L1 = L(v1 , v2 ) , L2 = L( v1 , v 2 , v 3 ) dos

subespacios vectoriales de V. Si dim( L1 ) =1 y v3 no es combinación lineal de v1 y v2 , ¿Cual es
la dimensión de L2 ?

18. Averigüe si los vectores {(1,1,1,1), (1,1,1,0), (1,1,0,0)}son base de un subespacio vectorial L de ℜ4 .
En caso afirmativo, encuentre las ecuaciones del subespacio.

19. Dados los siguientes vectores de ℜ3 :

v1 = (1, −2,3) , v2 = (5,0,1) , v3 = (4,1,0) , v4 = (2,1,−1)

(a) Determine razonadamente si son sistema generador y base de ℜ3

(b) Encuentre las ecuaciones del subespacio vectorial generado por v1 y v2

20.Estudie si el conjunto V= {(A, B, A-B, A+3) / ∀A, B∈R} es subespacio vectorial de R 4.

21. Sean v1, v2, v3 vectores de ℜ3 tales que v2 ≠ v3 y sean L1 = L (v1 , v 2 ) , L2 = L( v1 , v 3 ) los
subespacios vectoriales generados por {v1, v2} y {v1, v3} . ¿Se puede asegurar que L1 ≠ L2 ?

22. En ℜ 4 se consideran los siguientes subespacios:

S1 = L{(1,0,1,2), ( 0,1, −1,1)}
{
S 2 = ( x , y , z , t ) ∈ ℜ 4 / x + y + z + t = 0; y − z − t = 0; x + 4 y − 2 z − 2t = 0 }
a) Obtenga las ecuaciones cartesianas de S1 .

b) Obtenga una base de S 2 y las ecuaciones paramétricas

23. Sea el subespacio

{ }
S = ( x1 , x 2 , x 3 , x 4 ) ∈ ℜ 4 / x1 + x 2 = 0; x 2 + x4 = 0; x1 + x 2 + x 3 + x 4 = 0 .
a) Halle la dimensión de S.
b) Encuentre las ecuaciones paramétricas de S.

24. Sea S el subespacio generado por los vectores {(1,1,1), (1,1,2), ( 0,0,1)} .

a) Halle una base de S.

b) Halle las ecuaciones paramétricas y cartesianas de S.

35
25. Encuentrer α y β para que los vectores {(1,− 1, α ,0), (β ,− 1,0,1), (0, −1, 2,− 1)} sean linealmente
dependientes. Obtenga una base, la dimensión y las ecuaciones del subespacio vectorial que
generan.

26. Dados los vectores v1 = (3,−1,5,0) , v2 = (6,−2,9,−1) , v3 = (3,−1,6,1) y v4 = (−3,1, −2,3) ,

determine la dimensión, una base y las ecuaciones del subespacio vectorial generado por ellos.
Halle a y b para que el vector (0, a,1, b) pertenezca a dicho subespacio.

27. Sean v1 = (k,0,1) , v2 = (0,−1 − 1) , v3 = (0,1, k ) , v4 = (1,0,0)

(a) ¿Podrían formar {v1, v2, v3, v4} una base de ℜ3 ?. ¿Y un sistema de generadores de ℜ3 ?

(b) Calcule k para que {v1, v2, v3}sean base de ℜ3 .

(c) Calcule k para que {v1, v2, v3} generen un subespacio vectorial de ℜ3

de dimensión 2.

28. Calcule una base y las ecuaciones del subespacio de ℜ4 generado por los vectores
v1 = (1,0,1,−1) , v 2 = (0,11,2) , v3 = (−1,1,0,1) , v4 = (3,−1,2,−1) .

29. Sea S = {(x, y, z) / x + 2 y − z = 0} un subespacio vectorial de ℜ3 .

(a) Encuentre una base de dicho subespacio.

(b) Complete la base obtenida para formar una base de ℜ3 .

30. Averigüe si los siguientes subconjuntos de ℜ3 son subespacios, y, en caso afirmativo, calcule la
dimensión y una base de los mismos.

{
(a) S1 = (x, y, z ) ∈ ℜ3 / x + z = 2 }
(b) S2 = {(x, y, z) ∈ ℜ 3
/ x + y = z}

31. Dados los vectores de ℜ3 :

v1 = (1,1,−1) , v 2 = (2,1,0) , v3 = (3,2,−1) , v4 = (0,1,−2)

(a) Calcule las ecuaciones del subespacio vectorial de ℜ3 que generan.

(b) ¿Pertenece el vector (3,0,3) a dicho subespacio?

{ }
32. Determine si el subconjunto S = ( x, y , z ) ∈ ℜ3 / x = 1 es un subespacio de ℜ 3 .

{ }
33. Dado el subconjunto S = ( x , y, z ) ∈ ℜ3 / x = 2 y , determine si es un subespacio y en caso

afirmativo calcule la dimensión y una base de S .

36
 { }
34. Dado el subespacio vectorial S = ( x , y, z ) ∈ ℜ3 / x + 2 y = 0, z − 3 y = 0 , determine la

dimensión y una base del mismo.

35. Calcule la dimensión y ecuaciones del subespacio de ℜ 3 generado por los vectores
(1,2,3), ( 4,5,6), (7,8,9) .

36. Halle el valor de a para que la dimensión del subespacio vectorial generado por los vectores
( a,−5,3), (3,5, a ), (6,10, −6) de ℜ 3 sea igual a 1.

37
 APLICACIONES LINEALES

37. Estudie cuáles de las siguientes aplicaciones entre espacios vectoriales son lineales:
a) f ( x, y ) = ( 2 x − y, 3 y, x )
b) g ( x) = e x
c) h ( x, y, z ) = 3 x + 2 y − z
d) l ( x, y, z , t ) = ( x + y − z , 5t , 2 y + z, xy)

38. Sea f : ℜ 3 → ℜ3 una aplicación lineal expresada por:

f (1,0,0) = (1,1,0)
f (0,1,0) = ( 2, 2,1)
f (0,0,1) = (0,4,1)
Calcule f (2,−1,1)

39. Dadas las aplicaciones lineales siguientes:

f ( x, y ) = ( x − 2 y, 2 x + y, x + 3 y )
g ( x, y ) = ( 2 x − y + z ,3x + y)
a) Calcule su núcleo y su imagen
b) Dé una base de cada uno

40. Sea la aplicación lineal f ( x, y , z ) = (2 x + y, − x + z , 3x + 2 y + z )

a) Calcule la matriz de f respecto de la base canónica
b) Calcule la dimensión y una base de Im( f ) y Ker ( f )

41. Sea f ( x1 , x2 , x3 , x 4 ) = ( 2 x1 + x 2 , x1 + 2 x3 , x 2 + x 4 ) una aplicación lineal.

a) Encuentre una base del núcleo de f

42. Dadas las siguientes aplicaciones lineales, determine su núcleo e imagen, indicando
una base de cada uno de ellos y razonando si son inyectivas, sobreyectivas o
biyectivas.

a) f ( x, y, z ) = ( x − y, 0 )
b) f ( x, y, z ) = ( x + y , y − z, x + 2 y − z )
c) f ( x, y, z ) = ( x, − y, z , x + y + z )
d) f ( x, y, z ) = ( x − y, 2 x , 3 x + y + z )

43. Sea f ( x1 , x2 , x3 ) = ( − x1 + x3 , 2 x1 + x2 + x 3 , − 2 x 2 + x3 ) una aplicación lineal.

Clasifíquela y averigüe si el vector (−2,1,3) pertenece al núcleo o a la imagen de f .

44. Sea S = {( x1 , x 2 , x 3 ) ∈ ℜ3 / x1 + 2 x 2 + 3x 3 = 0; x1 − x 3 = 0} un subespacio vectorial de

ℜ3 .
a) Calcule una aplicación lineal cuyo núcleo sea S.
b) Calcule una base de su imagen.
c) Calcule una base del núcleo de f . ¿(1,0,1) ∈ Ker( f ) ? .

38
 DIAGONALIZACIÓN DE MATRICES

 2 − 1 3
 
45. Dada la matriz A =  0 1 2 
 
 0 0 3
a) Pruebe si es diagonalizable.
b) Busque una base de autovectores
c) Compruebe que A= M Λ M -1.
d) Calcule los autovalores para A -1.

 3 −1 0 
 
46. Calcule A , siendo A =  − 1 2 − 1
100

 
 0 −1 3 

 1 1 0  1 0 0
   
47. Compruebe si las matrices A=  0 1 0  e I =  0 1 0  son semejantes.
   
 0 0 1  0 0 1

 − 1 1 − 2
 
48. Compruebe si la matriz H =  − 1 2 − 1  es diagonalizable.
 
 2 −1 3 

1 − 3
49. ¿Es diagonalizable la matriz T=  ?

1 1 

 3 0 1
 
50. Calcule A , siendo A=  0 2 0 
5

 
 1 0 3
α 0 0
 
51. Dada la matriz A=  β 3 0  se pide estudiar para qué valores de α y β puede
 
α 0 1 
diagonalizarse.

 1 1 − 1
 
52. Sea la matriz A=  2 2 1  . Estudie si es diagonalizable
 
0 0 1 

39
  1 0 2
 
53. Calcule la matriz A siendo A=  0 − 1 1 
n

 
 0 0 2

54. Diagonalice, cuando sea posible, las siguientes matrices:

 2 0 2 

a)  0 1 0 .
 
1 
 2 0

1 0 4 
 
b)  0 2 0  .
 2 0 −1
 
 −1 2 − 2
 
c)  0 2 0  .
 0 3 − 2
 
1 1 1
 
d) 1 1 1
1 1 1
 

55. Calcule A 20 en los siguientes casos :

 − 7 − 6
a) A =   .
 12 10 
 −1 0 0 
 
b) A=  3 2 0 .
 1 4 − 1
 
 −1 0 1 
 
c) A=  0 2 0 
 1 4 − 1
 
1 0 0
 
d) A = 0 2 2
0 2 3
 

40
 2 0 1 
 
56. Estudie si es diagonalizable la matriz A =  0 2 − 1
0 0 3 
 
57. Dos empresas A y B se reparten el mercado de un producto. El 70% de los clientes de A
vuelve a comprar al año siguiente, y el 30% se pasa a la competencia. El 60% de los clientes
de B vuelven a comprar al año siguiente a B y el 40% se pasa a A. El año pasado, la empresa
B tuvo 1200 clientes.
Hállese cuántos clientes tuvo la empresa A el año pasado, si en este año (ya concluso) ambas
empresas tuvieron el mismo número de clientes que el año pasado.
58. Una agencia de transportes tiene su flota de camiones repartida en dos ciudades A y B. De las
camiones que hay en A al principio de cada mes los 2 3 vuelven a A al final del mismo mes y
el resto a B. De los que hay en B las 3 4 partes vuelven a B y el resto a A.

a) Si la flota permanece constante e inicialmente hay la mitad en cada ciudad, hállense los
porcentajes que hay en cada ciudad al final del tercer mes.
b) Hállese el porcentaje de camiones en cada ciudad al cabo de infinitos años.

41
 FORMAS CUADRÁTICAS

59. Exprese en forma polinómica la forma cuadrática

5 2 1   x1 
  
Q (x1, x2 , x3 ) = (x1 x2 x3 ) 2 1 − 1  x2  .
  
1 −1 11   x3 


60. Exprese en forma matricial la forma cuadrática:

Q (x1, x2 , x3 ) = − x12 − 5 x22 − x32 + 4 x1x2 .

61. Estudie el signo de la forma cuadrática

Q (x1, x2 , x3 ) = − x12 − 2 x 22 − x32 + 2x1x2 + 2 x2 x3 .

62. Estudie el signo de la forma cuadrática

5 2 1   x1 
  
Q (x1, x2 , x3 ) = (x1 x2 x3 )  2 1 1   x2  .
  
1 −1 11  x3 


63. Estudie el signo de la forma cuadrática

− 1 2 0   x1 
  
Q (x1, x2 , x3 ) = (x1 x2 x3 ) 2 −5 0   x2  .
  
 0 − 1  x3 
 0

64. Estudie el signo de la forma cuadrática

1 1 1   x1 
  
Q (x1, x2 , x3 ) = (x1 x2 x3 )1 0 0   x2  .
  
1 3   x3 
 0

65. Estudie el signo de la forma cuadrática Q (x1, x2 , x3 ) = 2 x1x2 + 2 x1 x3 + 2 x2 x3 .

66. Estudie el signo de la forma cuadrática Q (x1, x2 , x3 ) = x12 − x22 + 2x32 + 2 x1x2 , restringida
al subespacio de R3 generado por los vectores {(3,2,1) (1,1,0)}.

67. Dada la forma cuadrática: Q(x,y,z) = x2 + y2 + (λ+1) z 2 + 2λyz + 2zx

a) Exprésela en forma matricial.
b) Clasifíquela según los distintos valores del parámetro λ.

42
68. Exprese en forma polinómica la forma cuadrática cuya matriz asociada es
 1 1 − 2
 
A=  1 0 − 1 .
 − 2 −1 3 
 

69. Diagonalice las matrices asociadas a las siguientes formas cuadráticas. Utilice los resultados
para clasificarlas:

a) Q( x1 , x 2 ) = 2 x12 + 3 x1 x2 + 6 x 22

b) Q ( x1 , x 2 , x 3 ) = x12 + 4 x 3 x 2 + 2 x 22 + 2 x 32

c) Q ( x1 , x 2 , x3 ) = 3x12 − 2 x1 x2 − 2 x 2 x3 + 2 x 22 + 2 x32

d) Q ( x1 , x 2 , x3 ) = x12 + 2 x1 x2 + 2 x2 x3 + 2 x1 x3 + x 22 + x32

e) Q ( x1 , x 2 , x3 ) = 3x12 + 2 x1 x 2 + 4 x2 x 3 + 2 x1 x 3 .

70. Clasifique las formas cuadráticas anteriores por el método de los menores principales.

71. Estudie el signo de las siguientes formas cuadráticas restringidas:

a) Q( x , y , z ) = 3 x 2 − y 2 + 2 z 2 − 4 xz + 2 yz restringida al subespacio
L = {( x , y , z ) / x − y + z = 0}
b) Q( x , y , z ) = x 2 − 3 y 2 − 2 z 2 + 2 xy restringida al subespacio
L = {( x , y , z ) / x + y − z = 0}

c) Q( x , y , z ) = − x 2 − y 2 − z 2 + 2 xy restringida al subespacio generado por los vectores

(1,0, −1) y ( 0, −1,−2) .

72. Estudie el signo de las siguientes formas cuadráticas según los valores del parámetro a :

a) Q( x , y ) = x 2 − 2axy + 4 y 2

b) Q( x , y , z ) = x 2 + 2 xy + ay 2 + 2 xz + 2ayz + 3z 2

c) Q( x , y , z ) = x 2 + y 2 + xz + 2 ayz + (a + 1) z 2

73. Estudie el signo en todo el espacio según los valores del parámetro a de la forma cuadrática
Q( x , y , z ) = x 2 + 2 xy + ay 2 + 2 xz + 2 yz + 3 z 2

74. Estudie el signo de Q( x , y , z ) = x 2 + 2 y 2 + z 2 − 2 xy + yz restringida a

L = {( x , y , z ) / x + y − z = 0; − x + z = 0}.

43
75. Sea la forma cuadrática Q ( x , y , z ) = − x 2 − y 2 − z 2 + 2 xy . Estudie su signo en el subespacio
generado por los vectores (1,0,−1), ( 0,−1,−2) .

44