Resumen Álgebra Lineal 2021A EPN

E SCUELA P OLITÉCNICA N ACIONAL
Á LGEBRA L INEAL • S EMANA 01 C LASE 01
Semestre 2021-A Departamento de Formación Básica
En este curso, tomaremos:
• m, n ∈ N con m > 0 y n > 0;
• I = {1, 2, . . . , m} y J = {1, 2, . . . , n}; y
• K un cuerpo o campo (es decir, cualquier conjunto que cumpla con los axio-
mas de cuerpo), puede ser R o C.
1. M ATRICES
1.1 Definiciones y conceptos fundamentales
D EFINICIÓN 1: Matriz
Una matriz sobre un cuerpo K es una función
A : I × J −→ K
(i, j) 7−→ aij ,
la cual se representa por

 
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A=
 .. .. .. .
.. 
 . . . . 
am1 am2 ··· amn
Con esto, se dice que A es de orden m × n y que tiene m filas y n columnas.

Al conjunto de todas las matrices de orden m × n sobre el campo K se
denota por K m×n .
O BSERVACIÓN 1. A aij se lo denomina elemento o componente ij de A, el número

que aparece en la fila i y la columna j.

Dada una matriz A, esta se la representa también por A = aij .
Otras notaciones usuales para el conjunto de las matrices, que se puede en-
contrar en la literatura, son Mm×n o Mmn .
1
Departamento de Formación Básica Semana 01 Clase 01
E JEMPLO 1. Considere las matrices

 
1 0 !
  8 1 5
A =  −2 −5 y B= .
5 7 −8
0 3
La matriz A es de orden 3 × 2 y la matriz B es de orden 2 × 3. El elemento en la

fila 1 y columna 2 de A es, a12 = 0 y el elemento de la fila 2 y columna 3 de B es,
b23 = −8.

E JERCICIO 1. Dada la matriz A = aij ∈ R2×3 donde
aij = 2i − j
para cada i ∈ {1, 2} y j ∈ {1, 2, 3}. Escriba a la matriz con todos sus elementos.
D EFINICIÓN 2: Filas y columnas

Sean A ∈ K m×n , i ∈ I y j ∈ J. A la matriz
 
a1j
 
 a2j 
 . 
 . 
 . 
amj
se la llama la j-ésima columna de A que notaremos A j y a la matriz

ai1 ai2 · · · ain
se la llama la i-ésima fila de A que notaremos Ai .
E JEMPLO 2. Considere la matriz

 
1 0 6
 
A =  −2 −5 3 .
0 3 0
La 3-ésima columna de A, es  
6
 
3 .
0
2
Semana 01 Clase 01 Departamento de Formación Básica
La 1-ésima fila de A es
1 0 6 .
 
1 2 −1 0 3
E JERCICIO 2. Dada la matriz A = 1 2
 
0 1 3. Indique a su 2-ésima fila,
3 3 3 3 3
3-ésima columna y 5-ésima columna.
D EFINICIÓN 3: Igualdad de matrices

Sean A ∈ K m×n y B ∈ K p×q . Se dice que las matrices A y B son iguales, y se
representa por A = B, si:
a) m = p y n = q; y
b) aij = bij para todo i ∈ I y j ∈ J.
E JEMPLO 3. Dados x, y, z ∈ R, considere las matrices A y B,

   
1 6 x 6
   
A =  −8 3 y B = y 3 .
0 7 0 z
Notando que A y B tienen el mismo orden, para que sean iguales los valores de x,
y y z deben ser 1, −8 y 7, respectivamente.
E JERCICIO 3. Dadas las matrices A, B, C ∈ R2×2 donde
aij = máx{i, j}, bij = mı́n{i, j} y cij = − máx{−i, − j}
para cada i, j ∈ {1, 2}. Indique cuáles matrices son iguales y cuáles no lo son.
D EFINICIÓN 4: Vectores
El conjunto K n es:
K n = K × K × · · · × K,
| {z }
n veces
es decir,
K n = {( a1 , a2 , . . . , an ) : ai ∈ K para todo i ∈ J }.
Por notación, si a ∈ K n , se asumirá a = ( a1 , a2 , . . . , an ).
3
Podemos identificar cada elemento de K n con una matriz de K n×1 de la

siguiente manera: si
a = ( a1 , a2 , . . . , a n ) ∈ K n ,
entonces, visto como matriz es


a1
 
 a2  n ×1
 ..  ∈ K
a=  .
.
an
E JEMPLO 4. El vector u = (1, 2, y) donde y ∈ R, visto como matriz es

 
1
u =  2  ∈ K 3×1 .
 
y

1 3
E JERCICIO 4. Dada la matriz A = 2 2, escriba a sus columnas cómo elemen-
 
2 1
tos de R y sus filas como elementos de R2×1 y de R2 .
3
1.2 Operaciones entre matrices
En esta sección consideramos p, q ∈ N con p > 0 y q > 0.
D EFINICIÓN 5: Suma de matrices

Sean A, B ∈ K m×n . La suma de las matrices A y B es la matriz C ∈ K m×n tal
que:
cij = aij + bij
para todo i ∈ I y j ∈ J. A esta matriz se la denota por A + B.

Con esto, tenemos que aij + bij = aij + bij .
E JEMPLO 5. Considere las matrices

   
1 1 1 1
1 8 − − 

 2 4

 2 4
A =  −2 −5 6  y B= 5 7 −8  .
 7   1 
0 20 −1 − 2
3 3
4
La suma de las matrices A y B se calcula sumando los elementos que ocupan la

misma posición, es decir, si C = A + B para calcular al elemento c12 se tiene que

1 1
c12 = a12 + b12 = + − = 0.
2 2
Finalmente  
9 0 0
 
A+B =  3 2 −2 .
−1 2 22
E JERCICIO 5. Considere a la matriz A del ejemplo 5, calcular A + A.
T EOREMA 1
Sean A, B, C ∈ K m×n . Se tiene que:
a) A + B = B + A.
b) A + ( B + C ) = ( A + B) + C.
c) Existe una única matriz 0 de orden m × n tal que
A+0 = A
para cualquier matriz A de orden m × n. La matriz 0 se denomina neu-

tro aditivo de orden m × n, también llamada la matriz nula.
d) Para cada matriz A de orden m × n, existe una única matriz, denotada

por − A, de orden m × n tal que:
A + (− A) = 0.
A la matriz − A se la denomina el inverso aditivo de A.
D EFINICIÓN 6: Multiplicación por un escalar

Sean A ∈ K m×n y α ∈ K. El producto del escalar α por la matriz A es la
matriz B ∈ K m×n tal que:
bij = αaij
para todo i ∈ I y j ∈ J. A esta matriz se la denota por αA.

Con esto, tenemos que α aij = αaij .
5
E JEMPLO 6. Multiplicación de un escalar con una matriz. Se tiene que

   
9 0 0 81 0 0
 
9· 3 2 −2 = 
 27 18

−18 .
 7 
−1 22 −9 21 198
3
Notemos que 9 multiplica a cada elemento de A.
E JERCICIO 6. Considere a la matriz A del ejemplo 5 calcular 2A y compare con

A + A, el resultado del ejercicio 5.
T EOREMA 2: Propiedades de la multiplicación por un escalar

Sean α, β ∈ K y A, B ∈ K m×n . Se tiene que
a) α( βA) = (αβ) A;
b) (α + β) A = αA + βA; y
c) α( A + B) = αA + αB.
6
1. M ATRICES
1.2 Operaciones entre matrices
D EFINICIÓN 1: Multiplicación de matrices

Sean A ∈ K m× p y B ∈ K p×n , el producto de las matrices A y B es la matriz
C ∈ K m×n tal que
cij = ai1 b1j + ai2 b2j + · · · + aip b pj

p
= ∑ aik bkj
k =1
para todo i ∈ I y j ∈ J. A esta matriz se la denota por AB.
E JEMPLO 1. Considere las matrices A, B ∈ K3×3 :

   
1 0 −1 −1 2 1
A= 0 2 3  y B= 5 −2 1 .
   
−5 0 3 −1 2 −2
Notemos que el número de columnas de A es el número de filas de B, luego, su

multiplicación existe y la denominaremos por C = AB. Para ilustrar la multipli-
cación de matrices, obtengamos al elemento c12 de C, para esto, consideramos la
fila 1 de A y la columna 2 de B y realizamos lo indicado en la definición 1.
3
c12 = ∑ a1k bk2
k =1
= a11 b12 + a12 b22 + a13 b32
= (1)(2) + (0)(−2) + (−1)(2)
= 0.
Calculemos también, al elemento c33 de C, en este caso consideramos la fila 3 de

A y la columna 3 de B, y utilizamos la definición 1.
3
c33 = ∑ a3k bk3
k =1
1
= a31 b13 + a32 b23 + a33 b33

= (−5)(1) + (0)(1) + (3)(−2)
= −11.
Finalmente, la multiplicación de las matrices A y B está dada por:

 
0 0 3
AB = 7 2 −4  ,
 
2 −4 −11
donde AB ∈ K3×3 .
E JERCICIO 1. Considere las siguientes matrices A ∈ K2×3 y B ∈ K3×2 :

 
! 3 0
1 5 8
A= y B =  −1 5 .
 
−1 0 −2
2 −1
Obtenga a la matriz AB.
T EOREMA 1
Sean A, B ∈ K m×n , C, D ∈ K n× p , E ∈ K p×q y α ∈ K. Se tiene que
a) A( DE) = ( AD ) E;
b) A(C + D ) = AC + AD;
c) ( A + B)C = AC + BC;
d) A(αC ) = α( AC ) = (αA)C.
En general, AB 6= BA.
O BSERVACIÓN 1. Dadas dos matrices A y B si AB = BA, entonces diremos que

A y B conmutan.
E JEMPLO 2. Considere a las matrices A y B del ejercicio 1, tenemos que

 
! 3 15 24
14 17
AB = y BA = −6 −5 −18 .
 
−7 2
3 10 18
Notemos que AB ∈ K2×2 y que BA ∈ K3×3 con AB 6= BA, es decir, A y B no
2
conmutan.
E JERCICIO 2. Dadas las matrices

   
1 0 1 1 !
1
A =  −1 1 , B= 0 −1 y x= .
   
1
0 1 −1 1
Verificar que se cumple que ( A + B) x = Ax + Bx.
D EFINICIÓN 2: Transpuesta de una matriz

Sea A ∈ K m×n . La matriz transpuesta de A es la matriz B ∈ K n×m tal que:

bij = a ji
para todo i ∈ I y j ∈ J. A esta matriz se la denota por A⊺ .
Con esto, tenemos que si A ∈ K m×n , entonces A⊺ ∈ K n×m y aij

⊺
= a ji .
E JEMPLO 3. Considere la matriz

 
1 4 −2
A = 3 7 9 
 
0 −3 5
su transpuesta es  
1 3 0
A⊺ =  4 7 −3 .
 
−2 9 5

 
! ! 1 0 1
2 3 −2 4 7 0 1 1
A= , B= y C= .
 
1 4 −1 0 1 0 0 1
1 1 1
Calcular su transpuesta.
3
T EOREMA 2: Propiedades de la transpuesta

Sean α ∈ K, A, B ∈ K m×n y C ∈ K n× p . Se tiene que
a) ( A⊺ )⊺ = A;
b ) ( A + B )⊺ = A⊺ + B⊺ ;
c) ( AC )⊺ = C⊺ A⊺ ;
d) (αA)⊺ = αA⊺ .
Un error común es el siguiente:
( AB)⊺ = A⊺ B⊺
Notemos que lo anterior es verdad, solamente cuando A y B conmutan.
E JEMPLO 4. Dada la matriz A ∈ K n×n . En este ejemplo vamos a ilustrar a las

propiedades de la transpuesta. Notemos que
( A⊺ A )⊺ = A⊺ ( A⊺ )⊺ , Teorema 2, literal c
= A⊺ A, Teorema 2, literal a
y que
( A⊺ − A )⊺ = ( A⊺ )⊺ + (− A)⊺ , Teorema 2, literal b

= A−A , ⊺
Teorema 2, literales a y d.
E JERCICIO 4. Sean A, B, C ∈ K n×n . Justificando cada paso demostrar que
( A( B + C ))⊺ = B⊺ A⊺ + C⊺ A⊺ .
D EFINICIÓN 3: Traza de una matriz

Sea A ∈ K n×n . La traza de una matriz A es un escalar que notaremos como
Tr( A) tal que:
n
Tr( A) = ∑ a jj .
j =1
4
E JEMPLO 5. Dada la matriz:

 
1 −1 2
A= 0 −3 −1 .
 
−2 −3 8
De la definición de traza se tiene que:
Tr( A) = a11 + a22 + a33 = (1) + (−3) + (8) = 6.
E JERCICIO 5. Dada la matriz:

 
1 0 2
B= 0 0 −1 .
 
−2 −3 −3
Determine la Tr( B) y la Tr( B⊺ ).
T EOREMA 3: Propiedades de la traza

Sea A, B ∈ K n×n y α ∈ K. Se tiene que:
• Tr(αA) = α Tr( A);
• Tr( A + B) = Tr( A) + Tr( B);
• Tr( A⊺ ) = Tr( A); y
• Tr( AB) = Tr( BA).
D EFINICIÓN 4: Matriz cuadrada

Si A es un elemento de K n×n , se dice que A es una matriz cuadrada de orden
n.
D EFINICIÓN 5: Matriz identidad de orden n

Se define la matriz identidad de orden n al elemento A de K n×n tal que

1 si i = j,
aij =
0 si i 6= j,
para todo i, j ∈ J. A esta matriz se la denota por In .
5
P ROPOSICIÓN 4. Sea A ∈ K m×n se tiene que
Im A = AIn = A.
O BSERVACIÓN 2. La matriz In conmuta con toda matriz de K n×n .
D EFINICIÓN 6
Sean A ∈ K n×n y r ∈ N. Se define A a la potencia r por
a) A0 = In ; y
b) Ar+1 = Ar A.
T EOREMA 5
Sean A ∈ K n×n y r, s ∈ N. Se tiene que
a ) Ar A s = Ar +s ; y
b) ( Ar )s = Ars .
Note que en general ( AB)r 6= Ar Br .
6
1. M ATRICES
1.3 Tipos de matrices
D EFINICIÓN 1: Matriz triangular

Sea A ∈ K n×n . Se dice que A es
• una matriz triangular superior si aij = 0 para todo i > j con i, j ∈ J; y
• una matriz triangular inferior si aij = 0 para todo i < j con i, j ∈ J.
E JEMPLO 1. A continuación, un ejemplo de una matriz triangular superior

!
3 2
0 1
y de una matriz triangular inferior:

 
1 0 0
 −8 2 0 .
 
0 −6 3
D EFINICIÓN 2: Matriz diagonal

Sea A ∈ K n×n . Se dice que A es una matriz diagonal si verifica que:
aij = 0
para todo i ∈ J y j ∈ J con i 6= j.
E JEMPLO 2. Vemos algunos ejemplos de matrices diagonales:

 
  −3 0 0 0
! 1 0 0
−2 0  0 −3 0 0 
, 0 1 0 , .
   

0 5  0 0 −3 0 
0 0 1
0 0 0 −3
1
Notemos que en todos los casos los términos fuera de la diagonal principal son
todos iguales a cero.
D EFINICIÓN 3: Matriz escalar

Sea A ∈ K n×n . Se dice que A es una matriz escalar si es una matriz diagonal
que verifica:
aii = α
para todo i ∈ J, con α ∈ K, es decir, todos los elementos de la diagonal son

iguales.
E JEMPLO 3. Vemos algunos ejemplos de matrices diagonales:

 
! 5 0 0 0
−2 0 0 5 0 0
, .
 

0 −2 0 0 5 0
0 0 0 5
Note que una matriz identidad es un tipo de matriz escalar. Además, la

matriz escalar se puede expresar como la multiplicación de un escalar por
la matriz identidad.
E JEMPLO 4. Considere a la siguiente matriz diagonal

! !
3 0 1 0
A= =3 = 3I2 .
0 3 0 1
Note que la matriz escalar dada se escribe como el producto del escalar 3 con la
matriz identidad.
E JERCICIO 1. Demuestre que la suma de dos matrices escalares es una matriz

escalar. ¿Qué se puede decir sobre la resta?
D EFINICIÓN 4: Matriz simétrica

Sea A ∈ K n×n . Se dice que A es simétrica si A⊺ = A.
2
E JEMPLO 5. La matriz  
0 1 2 2
1 −8 2 3
A= ,
 
2 2 5 4
2 3 4 1
es simétrica, en efecto, tenemos que
A⊺ = A.
E JERCICIO 2. Dada la matriz A ∈ K n×n , muestre que A⊺ + A es simétrica.
D EFINICIÓN 5: Matriz antisimétrica

Sea A ∈ K n×n . Se dice que A es antisimétrica si A⊺ = − A.
E JEMPLO 6. La matriz  
0 1 −8
A =  −1 0 3 ,
 
8 −3 0
es antisimétrica, en efecto, tenemos que
A⊺ = − A.
E JERCICIO 3. Dada la matriz A ∈ K n×n , muestre que A⊺ − A es antisimétrica.
D EFINICIÓN 6: Matriz nilpotente

Sea A ∈ K n×n y r ∈ N. Se dice que A es nilpotente de orden r si r es el menor
entero positivo tal que
Ar = 0.
E JEMPLO 7. La siguiente matriz es nilpotente de orden 2:

!
1 1
A=
−1 −1
En efecto, determinemos a A2 ,
! ! !
2 1 1 1 1 0 0
A = A·A = · = .
−1 −1 −1 −1 0 0
Luego, la matriz A es nilpotente de orden 2.
3
D EFINICIÓN 7: Matriz idempotente

Sea A ∈ K n×n . Se dice que A es una matriz idempotente si A2 = A.
E JEMPLO 8. La matriz !
1 0
A=
3 0
es idempotente, en efecto, calculemos a A2 ,

! ! !
2 1 0 1 0 1 0
A = · = = A.
3 0 3 0 3 0
Note que si la matriz A es idempotente entonces se puede concluir que An =

A, para todo n ∈ N ∗ .
D EFINICIÓN 8: Matriz escalonada reducida por filas

Se dice que una matriz está en forma escalonada reducida por filas cuando
satisface las siguientes propiedades:
1. Todas las filas que constan de ceros, si las hay, están en la parte inferior
de la matriz.
2. La primera entrada distinta de cero de la fila, al leer de izquierda a

derecha, es un 1. Esta entrada se denomina entrada principal o uno
principal de su fila.
3. Para cada fila que no consta sólo de ceros, el uno principal aparece a la
derecha y abajo de cualquier uno principal en las filas que le preceden.
4. Si una columna contiene un uno principal, el resto de las entradas de

dicha columna son iguales a cero.
Se dice que una matriz está en forma escalonada por filas si satisface las pri-
meras tres propiedades.
4
E JEMPLO 9. Considere a las matrices siguientes:

 
1 0 0 2  
! 1 0 0 0 −1
0 1 0 −2 1 6
, y 0 0 1 0 −2 .
   

0 0 1 0  0 0
0 0 0 1 2
0 0 0 0
Estas matrices son escalonadas reducidas por filas.
E JEMPLO 10. Considere a las matrices siguientes:

 
! 1 0 1 −2 −1
1 6
y 0 0 1 4 −2 .
 
0 1
0 0 0 1 2
Estas matrices son escalonadas por filas.
O BSERVACIÓN 1. Note que toda matriz escalonada reducida por filas es también
escalonada por filas.
5
1. M ATRICES
1.4 Equivalencia por filas
D EFINICIÓN 1: Operaciones elementales de fila

Dada una matriz A ∈ K m×n , una operación elemental por filas sobre A es
una de las siguientes:
• Intercambio de filas: dados i, j ∈ I, intercambiar la fila i por la fila j,

denotado por
Fi ↔ Fj ,
es reemplazar la fila
ai1 ai2 ... ain
por la fila
a j1 a j2 ... a jn
y viceversa.
• Multiplicar una fila por un escalar: dados i ∈ I y α ∈ K, con α 6= 0 y

α 6= 1, multiplicar la fila i por α, denotado por
αFi → Fi ,
ai1 ai2 ... ain
por
αai1 αai2 ... αain .
• Sumar un múltiplo de una fila con otra: dados i, j ∈ I y α ∈ K, multi-

plicar la fila i por α y sumarlo a la fila j, denotado por
αFi + Fj → Fj ,
a j1 a j2 ... a jn
1
por
αai1 + a j1 αai2 + a j2 ... αain + a jn .
E JEMPLO 1. Intercambio de filas. Dada la matriz:

 
1 2 3
A= 0 −1 2 
 
−1 2 −3
Al aplicar la operación de fila F2 ↔ F3 , se tiene la siguiente matriz:

 
1 2 3
B =  −1 2 −3
 
0 −1 2
E JEMPLO 2. Multiplicar una fila por un escalar. Considerando a la matriz A del

ejemplo 1, si se aplica la operación de fila 3F1 → F1 se tiene la siguiente matriz:
 
3 6 9
C= 0 −1 2 
 
−1 2 −3
E JEMPLO 3. Sumar un múltiplo de una fila con otra. Considere a la matriz A del
ejemplo 1, si se aplica la operación de fila 3F1 + F3 → F3 se tiene la siguiente
matriz:  
1 2 3
D = 0 −1 2
 
2 8 6
E JERCICIO 1. Dada la matriz
0 −4 −4
 
1 −1 0 
A= .
 
0 0 1 
0 0 5
Sobre la matriz A, en cada ocasión realice la operación elemental por fila indicada.
1. F1 ↔ F2 .
1
2. − F2 → F2 .
4
3. −5F3 + F4 → F4 .
2
¿Qué matriz se ha obtenido?
T EOREMA 1
Dada una matriz A ∈ K m×n , a cada operación elemental de filas e, le co-
rresponde una operación elemental de filas e−1 , del mismo tipo de e, tal que,
e(e−1 ( A)) = e−1 (e( A)) = A.
Notemos que si e1 , e2 , e3 son operaciones de fila tal que:
e1 : Fi ↔ Fj ,
e2 : α · Fi → Fi ,
y
e3 : α · Fi + Fj → Fj .
Entonces existen las operaciones elementales de fila e1−1 ,e2−1 ,e3−1 donde:
e1−1 : Fi ↔ Fj ,
1
e2−1 : · F → Fi ,
α i
y
e3−1 : −α · Fi + Fj → Fj .
A la operación elemental e−1 se le llama operación elemental inversa de e.
D EFINICIÓN 2: Equivalente por filas

Sean A, B ∈ K m×n , se dice que la matriz A es equivalente por filas a una
matriz B, denotado por A ∼ B, si B se puede obtener al aplicar a la matriz A
una sucesión de operaciones elementales por fila.
Si A es equivalente por filas a B, entonces es B equivalente por filas a A.
E JEMPLO 4. Considere a las matrices A y D del ejemplo 3, se tiene que A es equi-

valente por filas a D, es decir:
   
1 2 3 1 2 3
A= 0 −1 2  ∼ D = 0 −1 2 .
   
−1 2 −3 2 8 6
3
En efecto, a la matriz A se le aplicó la operación elemental de fila e : 3F1 + F3 → F3 ,

note que e( A) = D.
Además, la operación elemental de fila inversa es e−1 : −3F1 + F3 → F3 y es tal
que e−1 ( D ) = A.
E JERCICIO 2. Considere a la matriz A y a las operaciones elementales de fila del

ejercicio 1, escriba a las correspondientes operaciones elementales de fila inversas.
T EOREMA 2
Toda matriz A ∈ K m×n es equivalente por filas a una única matriz en forma
escalonada reducida por filas.
Pasos para transformar una matriz a una matriz escalonada por filas. Dada
una matriz A.
1. Determinar la primera columna (contando de izquierda a derecha), tal que

no todos sus elementos sean cero. Ésta es la columna pivote.
2. En la columna pivote, identificar al primer elemento (contando de arriba

hacia abajo) distinto de cero. A este elemento lo denominaremos pivote.
3. Intercambiar, en caso necesario, la primera fila por aquella fila donde apare-
ce el pivote, de modo que éste se encuentre ahora en la primera fila.
4. Multiplicar a la primera fila por el recíproco del pivote. Así, el primer ele-
mento de la columna pivote es ahora un 1.
5. Realizar las operaciones elementales de fila necesarias para que los elemen-
tos debajo del pivote, dentro de la columna pivote, sean cero.
6. Identificar a la primera columna (después de la columna pivote) cuyos ele-

mentos sean no todos cero y repetir los pasos anteriores hasta obtener a la
matriz escalonada por filas.
E JEMPLO 5. Dada la matriz

 
1 5 −4
A = 1 −2 1 .
 
3 1 −2
Obtengamos a la correspondiente matriz escalonada por filas, para esto, notemos

que la columna pivote es la primera columna de A y que en la posición 11 ya se
4
encuentra el pivote, entonces

   
1 5 −4 1 5 −4
− F1 + F2 → F2
A = 1 −2 1  0
∼ −7 5 
   
−3F1 + F3 → F3
3 1 −2 0 −14 10
 
1 5 −4
∼ 0 −7 5  − 2F2 + F3 → F3
 
0 0 0
 
1 5 −4
1
∼ 0 1 − 57  − F2 → F2
 
7
0 0 0
Luego, la correspondiente matriz escalonada por filas obtenida a partir de A es

 
1 5 −4
0 1 − 57  .
 
0 0 0

 
1 5 −4 0
A = 1 −2 1 2 .
 
0 1 −1 1
Obtenga a su correspondiente matriz escalonada por filas.
5
1. M ATRICES
1.4 Equivalencia por filas
Pasos para transformar una matriz a una matriz escalonada reducida por fi-
las. Dada una matriz A.
1. Determinar la primera columna (contando de izquierda a derecha), tal que
no todos sus elementos sean cero. Ésta es la columna pivote.
2. En la columna pivote, identificar al primer elemento (contando de arriba

hacia abajo) distinto de cero. A este elemento lo denominaremos pivote.
3. Intercambiar, en caso necesario, la primera fila por aquella fila donde apare-
ce el pivote, de modo que éste se encuentre ahora en la primera fila.
4. Multiplicar a la primera fila por el recíproco del pivote. Así, el primer ele-
mento de la columna pivote es ahora un 1.
5. Realizar las operaciones elementales de fila necesarias para que los elemen-
tos de la columna pivote sean cero, excepto el pivote.
6. Identificar a la primera columna (después de la columna pivote) cuyos ele-

mentos sean no todos cero y repetir los pasos anteriores de tal manera que
ahora solamente, en la nueva columna pivote, su elemento pivote sea dife-
rente de cero. Continuar con el proceso indicado hasta obtener a la matriz
escalonada reducida por filas.
E JEMPLO 1. Dada la matriz

 
1 5 −4
A = 1 −2 1 .
 
3 1 −2
Obtengamos a la correspondiente matriz escalonada reducida por filas, para esto,

notemos que de acuerdo con el ejemplo 1, tenemos que
   
1 5 −4 1 5 −4
− F1 + F2 → F2
A = 1 −2 1  ∼ 0 −7 5 
   
−3F1 + F3 → F3
3 1 −2 0 −14 10
1
 
1 5 −4
∼ 0 −7 5  − 2F2 + F3 → F3
 
0 0 0
 
1 5 −4
1
∼ 0 1 − 57  − F2 → F2
 
7
0 0 0
− 37
 
1 0
∼ 0 1 − 57  − 5F2 + F1 → F1
 
0 0 0
Luego, la correspondiente matriz escalonada por filas obtenida a partir de A es
− 37
 
1 0
0 1 − 57  .
 
0 0 0
E JERCICIO 1. Dada la matriz:

 
1 5 −4 0
A = 1 −2 1 2
 
0 1 −1 1
Obtenga a su correspondiente matriz escalonada reducida por filas.
D EFINICIÓN 1
Sean A, B ∈ K m×n , donde B es la matriz escalonada por filas equivalente a
A. El rango de A, denotado por rang( A), es el número de filas no nulas que
tiene la matriz B.
P ROPOSICIÓN 1. Sean A, B ∈ K m×n . Se tiene que si A ∼ B, entonces
rang( A) = rang( B).
P ROPOSICIÓN 2. Sea A ∈ K m×n . Se tiene que si A es una matriz escalonada,

entonces rang( A) es el número de filas no nulas que tiene A.
E JEMPLO 2. Considere a la matriz A y a su correspondiente matriz escalonada

por filas del ejemplo 1, concluimos que rang( A) = 2.
2
E JERCICIO 2. Calcular el rango de la matriz

 
1 0 −2 0
B= 1 −2 1 −1 .
 
−2 1 3 4
D EFINICIÓN 2: Matriz elemental

Dada una operación elemental por fila, se llama matriz elemental al resultado
de aplicar dicha operación a la matriz identidad.
E JEMPLO 3. Considerando a la matriz identidad I3 , para la operación elemental

por fila F3 + F2 → F2 , tenemos que le corresponde la matriz elemental:
 
1 0 0
E = 0 1 1 .
 
0 0 1
E JERCICIO 3. Considere a las operaciones del ejercicio 2, escriba las correspon-

dientes matrices elementales.
T EOREMA 3
Sean E ∈ K m×m una matriz elemental y A ∈ K m×n , el resultado de aplicar la
operación por filas correspondiente a E a la matriz A es EA.
E JEMPLO 4. Considere a la matriz

 
0 2 5
A =  −4 −1 0
 
3 2 1
y a la operación elemental por fila F3 + F2 → F2 , notemos que se verifica la equi-

valencia
   
0 2 5 0 2 5
A =  −4 −1 0 ∼  −1 1 1 = B F3 + F2 → F2 .
   
3 2 1 3 2 1
3
Además, gracias al ejemplo 3 tenemos que

    
1 0 0 0 2 5 0 2 5
EA = 0 1 1  −4 −1 0  −1 1
= 1 = B.
    
0 0 1 3 2 1 3 2 1
!
2 −3
E JERCICIO 4. Dada la matriz A = considere a las matrices elementales
2 1
1
! !
1 0 2 0
E1 = y E2 =
−1 1 0 1
y sea la matriz D = E2 E1 A.
a) Encuentre a la matriz D.
b) Identifique las operaciones elementales por filas asociadas a las matrices ele-
mentales E1 y E2 .
c) Utilice las operaciones elementales por fila determinadas en el literal ante-

rior para mostrar que A ∼ B.
4
2. S ISTEMAS DE ECUACIONES
D EFINICIÓN 1: Sistema de ecuaciones

Un sistema de ecuaciones lineales es un conjunto de m ecuaciones lineales
en las cuales figuran n incógnitas a las que notaremos por: x1 , x2 , . . . , xn . Así,
dados aij ∈ R y bi ∈ R con i ∈ I y j ∈ J, fijos, un sistema de ecuaciones es:


 a11 x1 + a12 x2 + ··· + a1n xn = b1 ,

 a21 x1

+ a22 x2 + ··· + a2n xn = b2 ,
..


 .

am1 x1 + am2 x2 + · · · + amn xn = bm .

E JEMPLO 1. El siguiente sistema de ecuaciones:


x + x2 + 5x3 − 4x4 = 3
 1


x1 − 2x2 + x3 − 2x4 = 1


3x1 + x2 − 2x3 − 4x4 = −3.

Es un sistema de ecuaciones lineales de 3 ecuaciones con 4 incógnitas x1 , x2 , x3 y

x4 .
2.1 Representación matricial de un sistema de ecuaciones
D EFINICIÓN 2: Representación matricial

Dado un sistema de ecuaciones lineales de m ecuaciones lineales en las cuales
figuran n incógnitas:


 a11 x1 + a12 x2 + ··· + a1n xn = b1 ,

 a21 x1

+ a22 x2 + ··· + a2n xn = b2 ,
..


 .

am1 x1 + am2 x2 + · · · + amn xn = bm .

1
donde aij ∈ R y bi ∈ R con i ∈ I y j ∈ J. A la matriz

 
a11 a12 ··· a1n
 a21

a22 ··· a2n 

A=
 .. .. .. .. 
 . . . . 

am1 am2 ··· amn
se la llama matriz de coeficientes del sistema y a

   
b1 x1
 b2   x2 
   
b=
 .. 
 y x=
 .. 

 .   . 
bm xn
se las llama columnas de constantes y de incógnitas, respectivamente. Ade-

más, se dice que
Ax = b
es la representación matricial del sistema de ecuaciones.
E JEMPLO 2. Dado el siguiente sistema de ecuaciones lineales:


x + 5x2 − 4x3 = 3,
 1


x1 − 2x2 + x3 = 1,


3x1 + x2 − 2x3 = −3.

Su representación matricial es
Ax = b
siendo  
1 5 −4
A = 1 −2 1 
 
3 1 −2
su matriz de coeficientes y

  
3 x1
b= 1  y x =  x2 
   
−3 x3
sus matrices columna y de incógnitas, respectivamente.
E JERCICIO 1. Dada la representación matricial de un sistema de ecuaciones linea-
2
les:
Ax = b
siendo
   
1 5 −4   1
x1
2 −2 3   2 
A= , x =  x2  y b =  .
     
3 7 0   −1
x3
0 1 1 3
Escriba el sistema de ecuaciones lineales correspondiente.
D EFINICIÓN 3: Matriz ampliada

Sean A ∈ K m×n y B ∈ K m× p , se define la matriz ampliada de A y B al
elemento de K m×(n+ p) dado por:
 
a11 a12 ··· a1n b11 b12 ··· b1p

a
 21 a22 ··· a2n b21 b22 ··· b2p 

.
 . .. .. .. .. .. 
 . .. ..
 . . . . . . . . 
am1 am2 ··· amn bm1 bm2 ··· bmp
y se la denota por ( A| B).
E JEMPLO 3. Dadas las siguientes matrices:

! !
1 3 1 0
A= y B= .
1 2 0 1
Su matriz ampliada es: !

1 3 1 0
( A| B) = .
1 2 0 1
D EFINICIÓN 4
Dado el sistema de ecuaciones lineales en forma matricial
Ax = b
con A ∈ K m×n y b ∈ K m×1 , se dice que
( A|b)
3
es la matriz ampliada asociada al sistema.
E JEMPLO 4. Considere el sistema de ecuaciones lineales del ejemplo 2, se tiene

que su matriz ampliada es:
 
1 5 −4 3
1 −2 1 1 .
 
3 1 −2 −3
E JERCICIO 2. Dados los siguientes sistemas de ecuaciones lineales:


x + 5x2 − 4x3 = 3
 1
 (
x1 + x2 + x3 = 0

x1 − 2x2 + x3 = 1 y

 x1 − 6x2 + 2x3 = −1.
3x1 + x2 − 2x3 = −3

Determinar sus matrices asociadas.
2.2 Resolución de sistemas lineales
D EFINICIÓN 5: Solución de un sistema

Dados A ∈ K m×n , b ∈ K m×1 y x ∈ K n×1 , considere la representación ma-
tricial Ax = b de un sistema de ecuaciones lineales con m ecuaciones y n
incógnitas. Se dice que una solución de este sistema es todo z ∈ K n×1 tal que
Az = b.
T EOREMA 1
Sean A, C ∈ K m×n y b, d ∈ K m×1 , se tiene que los sistemas de ecuaciones
lineales
Ax = b y Cx = d
tienen las mismas soluciones si y solo si
( A | b ) ∼ ( C | d ),
es decir, si las matrices aumentadas de los sistemas son equivalentes por filas.
El procedimiento de reducción de Gauss-Jordan para resolver el sistema lineal

Ax = b es el siguiente.
Paso 1. Formar la matriz aumentada ( A|b).
4
Paso 2. Transformar la matriz aumentada ( A|b) a su forma escalonada reducida

por filas (C |d) mediante operaciones elementales por fila.
Paso 3. Para cada fila distinta de cero de la matriz (C |d), se despeja la incógnita
correspondiente a la entrada principal de cada fila asociada con la entrada
principal de esa fila. Las filas constan completamente de ceros se pueden
ignorar, pues la ecuación correspondiente será satisfecha por cualesquiera
valores de las incógnitas.
El procedimiento de eliminación de Gauss para resolver el sistema lineal Ax = b

es el siguiente.
Paso 1. Formar la matriz aumentada ( A|b).
Paso 2. Transformar la matriz aumentada ( A|b) a su forma escalonada por filas

(C |d) mediante operaciones elementales por fila.
Paso 3. Resolver el sistema lineal correspondiente a (C |d). Las filas constan com-
pletamente de ceros se pueden ignorar, pues la ecuación correspondiente
será satisfecha por cualesquiera valores de las incógnitas.
E JEMPLO 5. Los sistemas de ecuaciones lineales siguientes

( (
2x1 + x2 = 2 4x1 + 2x2 = 4
y
x1 − 2x2 = 1 7x1 + x2 = 7
!
1
tienen la misma solución, esta es . En efecto, observemos que las matrices
0
ampliadas de los sistemas son
! !
2 1 2 4 2 4
y
1 −2 1 7 1 7
respectivamente, notemos también que

! !
2 1 2 2 1 2
∼ 3F1 + F2 → F2
1 −2 1 7 1 7
!
4 2 4
∼ 2F1 → F1 ,
7 1 7
es decir, las matrices ampliadas son equivalentes por filas, para obtener la solución
del sistema utilizamos el procedimiento de reducción de Gauss-Jordan desde el
5
paso 2, dado que ya obtuvimos a la matriz ampliada,

! !
2 1 2 1 −2 1
∼ F1 ↔ F2
1 −2 1 2 1 2
!
1 −2 1
∼ − 2F1 + F2 → F2
0 5 0
!
1 −2 1 1
∼ F2 → F2
0 1 0 5
!
1 0 1
∼ 2F2 + F1 → F1 ,
0 1 0
!
1
lo que implica que la solución de los dos sistemas es .
0
E JERCICIO 3. Considere a los sistemas de ecuaciones lineales siguientes:

( (
x1 + x2 = 2 2x1 − x2 = 1
y
3x1 − 5x2 = −2 x1 − 2x2 = −1.
Muestre que son sistemas equivalentes y obtenga la solución de estos.
6
2.2 Resolución de sistemas lineales
D EFINICIÓN 1
Sean A ∈ K m×n y b ∈ K m×1 , dado el sistema de ecuaciones lineales
Ax = b,
se dice que
• el sistema es inconsistente si no tiene solución;
• el sistema es consistente si tiene al menos una solución.
E JEMPLO 1. El sistema de ecuaciones lineales

(
x1 − x2 = 3
2x1 − 2x2 = 4
no tiene solución, es decir, es un sistema inconsistente. Analicemos la matriz am-

pliada del sistema
! !
1 −1 3 1 −1 3
∼ − 2F1 + F2 → F2
2 −2 4 0 0 −2
Notemos que la segunda fila de la matriz equivalente implica que
0x1 + 0x2 = −2
lo cual es falso, lo que nos permite concluir que el sistema no posee solución, es
decir, es inconsistente para cualquier valor de x1 y x2 .
E JEMPLO 2. El sistema de ecuaciones lineales

(
x1 − x2 = 3
2x1 − 2x2 = 6
1
tiene al menos una solución, es decir, es un sistema consistente. Analicemos la

matriz ampliada del sistema
! !
1 −1 3 1 −1 3
∼ − 2F1 + F2 → F2
2 −2 6 0 0 0
Notemos que la segunda fila de la matriz equivalente implica que
0x1 + 0x2 = 0
lo cual es verdadero para cualquier valor de x1 y x2 , mientras que la primera fila

implica que
x1 − x2 = 3
que se verifica para todos los valores de x1 = 3 + x2 con x2 ∈ R. Por tanto, el

sistema es consistente.
E JERCICIO 1. Dado el sistema de ecuaciones lineales

(
2x1 − x2 = 3
x1 + x2 = 0.
Muestre que es un sistema consistente.
T EOREMA 1
Ax = b,
se tiene una y solo una de las siguientes
• el sistema es inconsistente;
• el sistema es consistente y tiene una única solución; o
• el sistema es consistente y tiene infinitas soluciones.
T EOREMA 2: Teorema de Rouché–Frobenius

Ax = b,
2
se tiene que
• el sistema es consistente si y solo si rang( A) = rang( A|b);
• en caso de que el sistema sea consistente, la solución es única si y solo

si rang( A) = n.
E JEMPLO 3. Considere el sistema de ecuaciones lineales


− x + x2 + x3 = 1
 1


2x1 + 3x2 − 2x3 = 1


x1 + x2 − x3 = 0

es un sistema inconsistente. En efecto, se tiene que
rang( A) = 2 6= rang( A|b) = 3.
O BSERVACIÓN 1. Notemos que podemos determinar el tipo de solución, lo cual

lo hacemos analizando el rango de las matrices de coeficientes y ampliada, sin
embargo, no hemos determinado la solución como tal.
3
2.3 Matriz Inversa
D EFINICIÓN 1
Sea A ∈ K n×n . Se dice que A es no singular o invertible si existe una matriz
B ∈ K n×n tal que
AB = BA = In
la matriz B se denomina inversa de A y se la denota por A−1 .

Si no existe tal matriz, entonces se dice que A es singular o no invertible.
P ROPOSICIÓN 1. Si una matriz tiene inversa, la inversa es única.
E JEMPLO 1. Sean A ∈ K n×n una matriz no singular y sean x, b ∈ K n×1 . Si Ax = b,

entonces x = A−1 b.
Solución. Por hipótesis sobre A se tiene que A−1 existe, entonces
Ax = b ⇐⇒ A−1 ( Ax ) = A−1 b Multiplicando A−1 en ambos lados

⇐⇒ ( A−1 A) x = A−1 b Propiedad asociativa
−1
⇐⇒ In x = A b Definición de matriz inversa
−1
⇐⇒ x = A b Multiplicación por la matriz identidad
E JERCICIO 1. Sean A ∈ K n×n una matriz no singular y sean x, b ∈ K n×1 . Si

x⊺ A2 + b⊺ A = 0, entonces x⊺ = −b⊺ A−1 .
T EOREMA 2
Sea A, B ∈ K n×n .
a) Si A es una matriz no singular, entonces A−1 es no singular y
( A−1 )−1 = A.
1
b) Si A y B son matrices no singulares, entonces AB es no singular y
( AB)−1 = B−1 A−1 .
c) Si A es una matriz no singular, entonces
( A ⊺ ) −1 = ( A −1 ) .
⊺
E JEMPLO 2. Sean A, X ∈ K n×n matrices no singulares. Si AA⊺ X −1 = A entonces

X = A⊺ .
Solución. Supongamos que A y X son matrices no singulares y que AA⊺ X −1 = A,

vamos a mostrar que X = A⊺ . Se tiene que
AA⊺ X −1 = A ⇒ A−1 ( AA⊺ X −1 ) = A−1 A Multiplicando por A−1 en

ambos lados
−1 −1 −1
⇒ (A A)( A X
⊺
)=A A Propiedad asociativa
⇒ A⊺ X −1 = In Definición de matriz inversa
⊺ −1 −1 ⊺ −1
⇒ (( A ) A )X
⊺
= (A ) In Multiplicando por ( A⊺ )−1 en
ambos lados y propiedad asociativa
⇒ X −1 = ( A ⊺ ) −1 Definición de matriz inversa
⇒X=A ⊺
Teorema 2
E JERCICIO 2. Sean A, X ∈ K n×n matrices no singulares tales que ( A⊺ )−1 + X −1

es no singular. Si 2(( A⊺ )−1 + X −1 )−1 = A⊺ , entonces X = A⊺ .
T EOREMA 3
Sean p ∈ N ∗ y A1 , A2 , . . . , A p ∈ K n×n matrices no singulares. Se tiene que
A1 A2 · · · A p es no singular y
( A 1 A 2 · · · A p ) −1 = A − 1 −1 −1
p A p −1 · · · A 1 .
T EOREMA 4
Sean A, B ∈ K n×n . Se tiene que si AB = In , entonces BA = In .
E JEMPLO 3. Sean A, B ∈ K n×n tales que AB = In , entonces B2 A2 = In .
2
Solución. Supongamos que A, B ∈ K n×n son tales que AB = In , se tiene que
B2 A2 = ( BB)( AA) Definición de A a la r

= B(( BA) A) Propiedad asociativa
= B( In A) Hipótesis sobre AB y teorema 4
= BA Multiplicar por In
= In Hipótesis sobre AB y teorema 4
E JERCICIO 3. Sean A, B ∈ K n×n tales que AB = In , entonces B3 A3 = In .
T EOREMA 5
Sea A ∈ K n×n , se tiene que A es no singular si y solo si es equivalente por
filas a In . Además,
( A| In ) ∼ ( In | A−1 ).
! !
2 1 1 −1
E JEMPLO 4. Dada la matriz A = , su inversa es A−1 = .
1 1 −1 2
Solución. Supongamos que A−1 existe, escribamos A seguido de I2 en la forma

de matriz aumentada !
2 1 1 0
( A| I2 ) =
1 1 0 1
y después realizamos operaciones elementales por fila.

! !
2 1 1 0 1 1 0 1
∼ F1 ↔ F2
1 1 0 1 2 1 1 0
!
1 1 0 1
∼ − 2F1 + F2 → F2
0 −1 1 −2
!
1 1 0 1
∼ − F2 → F2
0 1 −1 2
!
1 0 1 −1
∼ − F2 + F1 → F1
0 1 −1 2
Dado que A se redujo a I2 se tiene que

!
−1 1 −1
A = .
−1 2
3
 
1 2 0
E JERCICIO 4. Dada la matriz A = 0 1 2. Calcule A−1 si existe.
 
0 0 1
2.4 Sistemas homogéneos
T EOREMA 6
Sea A ∈ K n×n , el sistema homogéneo
Ax = 0
tiene una solución no trivial si y solo si A es singular.
T EOREMA 7
Sea A ∈ K n×n . Se tiene que A es no singular si y solo si el sistema lineal
Ax = b tiene una solución única para cada b ∈ K n×1 .
E JEMPLO 5. Dado el sistema de ecuaciones lineales

(
2x1 + x2 = b1
x1 + x2 = b2
! !
b1 2 1
que tiene solución única para todo ∈ R2×1 , se tiene que A = es no
b2 1 1
singular. En efecto, notemos que
! !
2 1 b1 1 1 b2
∼
1 1 b2 0 −1 b1 − 2b2
luego, rang( A) = rang( A|b) = 2, y, por tanto, el sistema Ax = b posee solución

única, que junto con el teorema 7 implica que A es no singular.
E JERCICIO 5. Considere al sistema de ecuaciones lineales


x + 2x2 =1
 1


x2 + 2x3 = 1


x3 = 1

Utilizando la inversa de la matriz de coeficientes muestre que el sistema posee

solución única y encuéntrela.
4
P ROPOSICIÓN 8. Sea A ∈ K n×n , se tienen que las siguientes proposiciones

son equivalentes:
a) A es no singular;
b) el sistema Ax = 0 solamente tiene la solución trivial;
c) A es equivalente por filas a In ;
d) rang( A) = n; y
e) el sistema lineal Ax = b tiene una solución única para cada b ∈ K n×1 .

!
a b
E JERCICIO 6. Dada la matriz A = , verificar que su inversa es
c d
!
−1 1 d −b
A = siempre que ad − bc 6= 0.
ad − bc −c a
5
3. D ETERMINANTES
En esta sección tomaremos n ∈ N, con n > 0, e I = {1, 2, . . . , n}.
3.1 Definiciones fundamentales
D EFINICIÓN 1: Menor
Sea A ∈ K n×n e i, j ∈ I. A la matriz de K (n−1)×(n−1) que se obtiene luego de
eliminar la fila i y la columna j de A se la llama el menor ij de A, y se denota
por Aij .
En la literatura se puede encontrar la notación de Mij para el menor de ij de

A.
E JEMPLO 1.
!
1 5
• Sea A = , se tiene que:
2 3

A21 = 5 y A22 = 1
 
−1 4 0
• Sea A =  2 1 −2, se tiene que:
 
0 3 5
! ! !
2 −2 −1 4 4 0
A12 = , A23 = y A31 =
0 5 0 3 1 −2
E JERCICIO 1.
 
1 −3 −1
Sea B = 0 1 −5. Determine los menores B11 , B32 y B21 .
 
4 2 0
1
D EFINICIÓN 2: Determinante
Sea A ∈ K n×n se define el determinante de A, denotado por det( A) (o por
| A|), de manera inductiva, como sigue:
• Si n = 1 y A = ( a11 ), entonces det( A) = a11 .
• Si n > 1, entonces
n
det( A) = ∑ a1k (−1)1+k det( A1k )
k =1
= a11 det( A11 ) − a12 det( A12 ) + . . . + (−1)1+n a1n det( A1n ).
E JEMPLO 2.
• Sea A una matriz de orden 2 × 2 de la forma

!
a11 a12
A= ,
a21 a22
se tiene que
A11 = ( a22 ) y A12 = ( a21 ),
por lo tanto
det( A11 ) = a22 y det( A12 ) = a21 ,
de esta forma,
2
det( A) = ∑ a1k (−1)1+k det( A1k )
k =1
= (−1)1+1 a11 det( A11 ) + (−1)1+2 a12 det( A12 )
= a11 a22 − a12 a21
es decir,
a a12
det( A) = 11 = a11 a22 − a12 a21 .

a21 a22
!
1 5
• Sea B = , se tiene que det( B) = 6 − 10 = −4
2 6
2
• Sea C una matriz de orden 3 × 3 de la forma

 
c11 c12 c13
C = c21 c22 c23 
 
c31 c32 c33
el determinante de la matriz C está dado por:
3
det(C ) = ∑ (−1)1+k c1k det(C1k )
k =1
= (−1)1+1 c11 det(C11 ) + (−1)1+2 c12 det(C12 ) + (−1)1+3 c13 det(C13 )

c
22 c23
c
21 c23
c
21 c22

= c11 − c12 + c13 .
c32 c33 c31 c33 c31 c32
 
−1 1 0
• Sea D =  0 1 −2, se tiene que:
 
2 2 1

1 −2 0 −2 0 1
det( D ) = −1 −1 +0 = −1(5) − 1(4) = −9.

2 1 2 1 2 2
E JERCICIO 2. Calcular el determinante de las siguientes matrices:

!
−4 2
a) A =
−1 3
 
1 −3 −1
b ) B =  −2 1 −2
 
0 5 0
D EFINICIÓN 3: Cofactor
Sea A ∈ K n×n e i, j ∈ I. El cofactor ij de A denotado Cij , está dado por
Cij = (−1)i+ j det( Aij )
donde Aij es el menor ij de A.

 
−2 −1 −3
E JEMPLO 3. Dada la matriz A =  0 1 −1, se tiene que:
 
3 3 2
3
• El cofactor 32 de A es:

−2 −3
5
C32 = (−1) = −1(2) = −2

0 −1
• El cofactor 13 de A es:

0 1
4
C13 = (−1) = 1(−3) = −3

3 3

 
−1 1 0
A =  0 2 −1 .
 
3 2 5
Determinar los cofactores C23 , C13 , C21 y C32 .
T EOREMA 1: Generalización cálculo del determinante

Sea A ∈ K n×n . Se tiene que para todo i ∈ I,
n
det( A) = ∑ aik Cik = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin
k =1
y
n
det( A) = ∑ aki Cki = a1i C1i + a2i C2i + . . . + ani Cni .
k =1
El lado derecho de las igualdades toma el nombre de expansión por cofacto-

res del determinante de A, con respecto a la fila i y con respecto a la columna
i.
 
−2 −1 −3
E JEMPLO 4. Sea A =  0 1 −1. Calculemos el determinante de A me-
 
3 3 2
diante la expansión por cofactores de A, con respecto a la fila 1. Se tiene

1 −1 0 −1 0 1
det( A) = −2 +1 −3 =2

3 2 3 2 3 3
ahora, calculemos el determinante de A mediante la expansión por cofactores
4
de A, con respecto a la columna 2:

0 −1 −2 −3 −2 −3
det( A) = 1 +1 −3 =2

3 2 3 2 0 −1
E JERCICIO 4. Considere a la matriz del ejemplo 4, calcule su determinante me-

diante la expansión por cofactores de A, con respecto a la columna 3.
5
3. D ETERMINANTES
3.2 Propiedades fundamentales
T EOREMA 1: Determinante de una matriz triangular

Sea A ∈ K n×n una matriz triangular superior o triangular inferior, entonces
det( A) = a11 a22 · · · ann ,
es decir, el determinante de una matriz triangular es el producto de los ele-

mentos de su diagonal principal.
 
2 0 0 0 0 0
 8 −1 0 0 0 0
 
 
 −7 6 2 0 0 0
E JEMPLO 1. Consideremos la matriz A =  .
 4
 0 3 −2 0 0
 −5 2 3 5 1 0
 
1 −3 7 −6 2 3
Se sigue que det( A) = (2)(−1)(2)(−2)(1)(3) = 24
E JERCICIO 1. Calcular el determinante de la siguiente matriz

 
−2 0 3 5 −1
 0 5 −1 4 0 
 
 
B=  0 0 −1 7 −2 .

 0 0 0 3 −1
 
0 0 0 0 1
P ROPOSICIÓN 2. Sea A ∈ K n×n . El determinante de la matriz A y de su

transpuesta son iguales, es decir,
det( A⊺ ) = det( A).
O BSERVACIÓN 1. Por esta proposición, cuando se calcula el valor de un determi-

nante, da lo mismo trabajar por filas que trabajar por columnas.
1
T EOREMA 3: Determinante del producto de matrices

Sean A, B ∈ K n×n , se tiene que:
det( AB) = det( A) det( B).
es decir, el determinante de un producto de matrices es igual al producto de

los determinantes de las matrices.
E JEMPLO 2. Dadas las matrices

! !
−2 3 1 −1
A= y B= .
1 1 2 4
!
4 14
Se sigue que AB = y ya que det( A) = −5, det( B) = 6 y det( AB) = −30,
3 3
la igualdad del teorema 3 se verifica.

   
3 0 3 −2 0 −2
A = 0 3 0 y B =  0 −2 0  .
   
3 0 3 2 0 2
Calcular AB, det( AB), det( A), det( B) y compruebe la igualdad del teorema 3.
P ROPOSICIÓN 4. Sea A ∈ K n×n . Si una fila o columna de A contiene solo

ceros, entonces det( A) = 0.
 
3 −1 11 0
 9 7 −5 0
E JEMPLO 3. Sea A =  . Realizamos el cálculo del determinan-
 
 −2 −6 −8 0
4 1 −5 0
te de A mediante la expansión por cofactores de A, con respecto a la columna 4.
Obtenemos,
4
det( A) = ∑ ak4 Ck4
k =1
4
= ∑ 0 · Ck4
k =1
=0
2
P ROPOSICIÓN 5. Sea A ∈ K n×n . Si dos filas o columnas de A son iguales,

entonces
det( A) = 0
 
1 3 1 2
 −1 1 −1 3
E JEMPLO 4. Sea A =  , calculemos su determinante mediante
 
 2 3 2 1
−2 1 −2 3
la expansión por cofactores con respecto a la primera columna.

1 −1 3 3 1 2 3 1 2 3 1 2

det( A) =1 3 2 1 + 1 3 2 1 + 2 1 −1 3 + 2 1 −1 3

1 −2 3 1 −2 3 1 −2 3 3 2 1
= − 8 + 0 + 2(7) + 2(−3)
= 0.
 
1 −1 1
E JERCICIO 3. Calcular el determinante de la matriz B = 0 5 0.
 
2 3 2
P ROPOSICIÓN 6. Sea A ∈ K n×n . Si una fila o columna de A es múltiplo de

otra, entonces
det( A) = 0
 
1 2 −1
E JEMPLO 5. El determinante de la matriz A = −2 5 −2 es nulo. Pues la fila
 
3 6 −3
3 es múltiplo de la fila 1. Por tanto, det( A) = 0
 
2 −6 4
E JERCICIO 4. Calcular el determinante de la matriz B = −1 3 1.
 
3 −9 3
P ROPOSICIÓN 7. Sean A, B ∈ K n×n . Si la matriz B se obtiene intercambiando

dos filas o columnas de A entonces
det( B) = − det( A).
3
E JEMPLO 6. Dadas las matrices

   
1 0 0 1 0 0
A = 3 −1 0  y B = 3 3 −2 .
   
3 3 −2 3 −1 0
Notemos que la matriz B se obtiene al intercambiar las filas 2 y 3 de la matriz A.

Además, det( A) = 2 y det( B) = −2, es decir, la igualdad de la proposición 7 se
verifica.

   
1 0 0 −1 3 0
A = 3 −1 0  y B =  0 1 0 .
   
3 3 −2 3 3 −2
Comparar a sus determinantes.
P ROPOSICIÓN 8. Sean A, B ∈ K n×n . Si B se obtiene al multiplicar una fila o

columna de A por un escalar α ∈ K, entonces
det( B) = α det( A).

 
1 −1 −1
E JEMPLO 7. Dada la matriz A = −2 1 −2 cuyo determinante es 8. Con-
 
0 2 0
 
1 2 −1
sidere a la matriz B = −2 −2 −2. Notemos que B se obtiene al multiplicar
 
0 −4 0
la segunda columna de la matriz A por −2.
Luego, det( B) = −2(8) = −16.
P ROPOSICIÓN 9. Sea A ∈ K n×n y α ∈ K. Se tiene que
det(αA) = αn det( A).

 
−2 −3 6 4
 0 2 6 −9
E JEMPLO 8. Sea A =  . Notemos que al ser A una matriz
 
 0 0 −1 8 
0 0 0 2
triangular superior, det( A) = 8.
4
 
4 6 −12 −8
0 −4 −12 18 
Consideremos la matriz −2A =   y calculemos su deter-
 
0 0 2 −16
0 0 0 −4
minante. Puesto que está también es una matriz triangular superior, se sigue que
det(−2A) = 128 = (−2)4 8.
!
1 −2
E JERCICIO 6. Sea A = . ¿Cuál es el valor de det(−4A)?
−1 3
P ROPOSICIÓN 10. Sean A, B ∈ K n×n , α ∈ K e i, j ∈ I, con i 6= j. Si B se

obtiene al aplicar una operación de fila αFi + Fj → Fj , entonces
det( B) = det( A).

 
x y z
E JERCICIO 7. Si det  3 0 2 = 1, calcular el determinante de la matriz:
 
1 1 1
 
x y z
3x + 3 3y 3z + 2 .
 
2 2 2
P ROPOSICIÓN 11. Sean A, B, C ∈ K n×n y j ∈ I tales que A, B y C difieran

únicamente en la columna j. Si la columna j de C es el resultado de sumar las
columnas j de A y B, entonces
det(C ) = det( A) + det( B).

   
−2 −3 1 −2 6 1
E JEMPLO 9. Si det  0 2 x  = 8 y det  0 4 x  = 5.
   
1 1 y 1 −3 y
Entonces,
     
−2 3 1 −2 −3 1 −2 −3 1
det  0 6 x  = det  0 2 x  + det  0 2 x
     
1 −2 y 1 1 y 1 1 y
= 8+5
= 13
5
3. D ETERMINANTES
3.2 Resolución de sistemas de ecuaciones
D EFINICIÓN 1: Matriz de cofactores

Sea A ∈ K n×n . La matriz de cofactores de A, que se denota por cof( A), es la
matriz de orden n × n que está formada por los cofactores de A, es decir:
 
C11 C12 ... C1n
 C21 C22 ... C2n 
 
cof( A) = (Cij ) = 
 .. .. .. .
.. 
 . . . . 
Cn1 Cn2 ... Cnn
donde, Cij = (−1)i+ j det( Aij ).

 
0 1 3
E JEMPLO 1. Sea A =  2 −1 0 , determinemos sus cofactores correspon-
 
−1 2 −1
dientes a la primera columna.

−1 0
2
• C11 = (−1) = 1.

2 −1

1 3
• C21 = (−1)3 = 7.

2 −1

1 3
• C31 = (−1)4 = 3.

−1 0
E JERCICIO 1. Verifique que la matriz de los cofactores de la matriz A del ejemplo

1 es:  
1 2 3
cof( A) = 7 3 −1
 
3 6 −2
1
D EFINICIÓN 2: Matriz adjunta

Sea A ∈ K n×n . La matriz adjunta de A, que se denota por adj( A), es la matriz
de orden n × n igual a la transpuesta de la matriz de cofactores de A, es decir:
adj( A) = cof( A) T .
E JEMPLO 2. Consideramos la matriz A, planteada en el ejemplo 1. Se tiene:

 
1 7 3
adj( A) = cof( A) T = 2 3 6 
 
3 −1 −2
!
3 −2
E JERCICIO 2. Sea B = , calcular adj( B).
−1 2
T EOREMA 1
Sea A ∈ K n×n , entonces
A adj( A) = adj( A) A = det( A) In .
E JEMPLO 3. Consideremos la matriz A del ejemplo 1, se tiene

    
0 1 3 1 7 3 11 0 0
A adj( A) =  2 −1 0  2 3 6 =0 11 0  = 11I3
    
−1 2 −1 3 −1 −2 0 0 11
    
1 7 3 0 1 3 11 0 0
adj( A) A = 2 3 6  2 −1 0 =0 11 0  = 11I3
    
3 −1 −2 −1 2 −1 0 0 11
Como el det( A) = 11 (verifique), entonces A adj( A) = adj( A) A = det( A) I3 .
E JERCICIO 3. Dada la matriz B del ejercicio 2, compruebe que:
B adj( B) = adj( B) B = det( B) I2 .
2
C OROLARIO 2. Sea A ∈ K n×n . Si det( A) 6= 0, entonces A es invertible y
1
A −1 = adj( A).
det( A)
E JEMPLO 4. Consideremos nuevamente la matriz A del ejemplo 1.

Como el det( A) 6= 0, entonces se tiene:
1 7 3
 
 
1 7 3  11 11 11 
1   2 3 6 
A −1 = 2 3 6 = 
11  11 11 11 
3 −1 −2 3 1 2
− −
11 11 11
E JERCICIO 4. Dada la matriz B del ejemplo 2, calcule su matriz inversa.
T EOREMA 3
Sea A ∈ K n×n . Si A es no singular, entonces det( A) 6= 0 y
1
det( A−1 ) = .
det( A)
E JEMPLO 5. Sea A la matriz del ejemplo 1. Se tiene que:
1 1
det( A−1 ) = =
11 det( A)
E JERCICIO 5. Compruebe la igualdad del teorema 3 para la matriz del ejemplo 2.
P ROPOSICIÓN 4. Sea A ∈ K n×n . Una matriz A es no singular si y sólo si

det( A) 6= 0.
E JERCICIO 6. Hacer la demostración de la proposición 4.
P ROPOSICIÓN 5. Sea A ∈ K n×n . El sistema homogéneo Ax = 0 tiene solu-

ción no trivial si y sólo si det( A) = 0.
P ROPOSICIÓN 6. Sean A ∈ K n×n y b ∈ K n×1 . El sistema Ax = b tiene solu-
3
ción única si y sólo si det( A) 6= 0 y su solución es
A−1 b.
T EOREMA 7: Equivalencias no singulares

Sea A ∈ K n×n , los siguientes enunciados son equivalentes.
1. A es no singular;
2. el sistema Ax = 0 tiene solamente la solución trivial;
3. A es equivalente por filas a In ;
4. rang( A) = n;
5. el sistema lineal Ax = b tiene una solución única para cada b ∈ K n×1 ;

y
6. det( A) 6= 0.
3.3 Regla de Cramer
T EOREMA 8: Regla de Cramer

Sean A ∈ K n×n y b ∈ K n×1 . Consideremos el sistema de ecuaciones


 a11 x1 + a12 x2 + · · · + a1n xn = b1 ,

 a21 x1 + a22 x2 + · · · + a2n xn = b2 ,

.. .. .. ..


 . . . .

an1 x1 + an2 x2 + · · · + ann xn = bn ,

y denotemos por A a su matriz de coeficientes y b a su matriz de constantes.

Si det( A) 6= 0, el sistema tiene solución única y está dada por:
det( A j )
xj = ,
det( A)
para j ∈ I y donde A j es la matriz que se obtiene reemplazando la j-ésima

columna de A por b.
4
E JEMPLO 6. Consideremos el sistema de ecuaciones:


 2x1 + x2 − x3 = 3

x1 + x2 + x3 = 1

x1 − 2x2 − 3x3 = 4

En donde:    
2 1 −1 3
A = 1 1 1  y b = 1
   
1 −2 −3 4
Se sigue que det( A) = 5. Puesto que det( A) 6= 0, el sistema tiene solución única,
la cual está determinada por:

3 1 −1

1 1 1

4 −2 −3
x1 = =2
5

2 3 −1

1 1 1

1 4 −3
x2 = = −1
5

2 1 3

1 1 1

1 −2 4
x3 = =0
5
⊺
Así, la solución única del sistema es x = 2 −1 0 .
E JERCICIO 7. Resuelva el sistema de ecuaciones:

(
− ax1 + 2bx2 = c
2ax1 − 5bx2 = 3c
donde a, b y c son números reales, con ab 6= 0
5
4. E SPACIOS V ECTORIALES
4.1 Espacio Vectorial
D EFINICIÓN 1: Espacio Vectorial

Dados un campo K, un conjunto no vacío E y dos operaciones:
⊕ : E × E −→ E ⊙ : K × E −→ E
y
( x, y) 7−→ x ⊕ y, (α, x ) 7−→ α ⊙ x
llamadas suma y producto, respectivamente; se dice que ( E, ⊕, ⊙, K ) es un

espacio vectorial si cumplen las siguientes propiedades:
1. Asociativa de la suma: para todo x, y, z ∈ E se tiene que
( x ⊕ y ) ⊕ z = x ⊕ ( y ⊕ z );
2. Conmutativa de la suma: para todo x, y ∈ E se tiene que
x ⊕ y = y ⊕ x;
3. Elemento neutro de la suma: existe un elemento de E, denotado por 0E

o simplemente 0, tal que para todo x ∈ E se tiene que
x ⊕ 0E = 0E ⊕ x = x;
4. Inverso de la suma: para todo x ∈ E, existe un elemento de E, denotado

por − x, tal que
x ⊕ (− x ) = 0E ;
5. Distributiva del producto I: para todo x, y ∈ E y todo α ∈ K se tiene

que
α ⊙ ( x ⊕ y) = α ⊙ x ⊕ α ⊙ y
6. Distributiva del producto II: para todo x ∈ E y todo α, β ∈ K se tiene
1
que
(α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x;
7. Asociativa del producto: para todo x ∈ E y todo α, β ∈ K se tiene que
( α · β ) ⊙ x = α ⊙ ( β ⊙ x );
8. Elemento neutro del producto: para todo x ∈ E se tiene que
1 ⊙ x = x,
donde 1 ∈ K es el elemento neutro multiplicativo de K
A los elementos del espacio vectorial E se les denomina vectores y a los ele-
mentos del campo K se les denomina escalares.
E JEMPLO 1. Verifique si el conjunto de ternas ordenadas de números reales
R3 = {( x1 , x2 , x3 ) : x1 ∈ R ∧ x2 ∈ R ∧ x3 ∈ R }
es un espacio vectorial sobre el campo R si se definen las operaciones ⊕ y ⊙ de

la siguiente manera: dados a = ( a1 , a2 , a3 ) ∈ R3 y b = (b1 , b2 , b3 ) ∈ R3 , y dado
λ ∈ R, se define:
a ⊕ b = ( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 ) = ( a1 + b1 , a2 + b2 , a3 + b3 )
λ ⊙ a = λ ⊙ ( a1 , a2 , a3 ) = ( λ · a1 , λ · a2 , λ · a3 )
a continuación, ilustraremos la demostración de cada una de las propiedades:
1. Asociativa de la suma
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 , b = (b1 , b2 , b3 ) ∈ R3 y c = (c1 , c2 , c3 ) ∈
R3 . Entonces:
( a ⊕ b) ⊕ c
= [( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 )] ⊕ (c1 , c2 , c3 ) Definiciones de a, b y c

= ( a1 + b1 , a2 + b2 , a3 + b3 ) ⊕ (c1 , c2 , c3 ) Definición de ⊕ en R3
= ([ a1 + b1 ] + c1 , [ a2 + b2 ] + c2 , [ a3 + b3 ] + c3 ) Definición de ⊕ en R3
= ( a1 + [b1 + c1 ], a2 + [b2 + c2 ], a3 + [b3 + c3 ]) Propiedad asociativa en R
= ( a1 , a2 , a3 ) ⊕ (b1 + c1 , b2 + c2 , b3 + c3 ) Definición de ⊕ en R3
= ( a1 , a2 , a3 ) ⊕ [(b1 , b2 , b3 ) ⊕ (c1 , c2 , c3 )] Definición de ⊕ en R3
2
= a ⊕ (b ⊕ c) Definiciones de a, b y c
2. Conmutativa de la suma
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y b = (b1 , b2 , b3 ) ∈ R3 . Entonces:
a ⊕ b = ( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 ) Definiciones de a y b
= ( a1 + b1 , a2 + b2 , a3 + b3 ) Definición de ⊕ en R3
= (b1 + a1 , b2 + a2 , b3 + a3 ) Conmutativa de + en R
= (b1 , b2 , b3 ) ⊕ ( a1 , a2 , a3 ) Definición de ⊕ en R3
= b⊕a Definiciones de a y b
3. Elemento neutro de la suma

Se debe probar que la siguiente proposición es verdadera:
(∃0E ∈ R3 )(∀ a ∈ R3 )( a ⊕ 0E = 0E ⊕ a = a)
Esta demostración es de existencia, por lo que se debe exhibir un elemento

0E ∈ R3 que satisfaga la definición de elemento neutro.
Sea 0E = (0, 0, 0). Se debe probar que para todo a = ( a1 , a2 , a3 ) ∈ R3 se

cumpla que:
a ⊕ 0E = 0E ⊕ a = a
En efecto:
a ⊕ 0E = ( a1 , a2 , a3 ) ⊕ (0, 0, 0) Definiciones de a y 0E
= ( a1 + 0, a2 + 0, a3 + 0) Definición de ⊕ en R3
= ( a1 , a2 , a3 ) Neutro aditivo en R
=a Definición de a
por la propiedad conmutativa, se tiene que a ⊕ 0E = 0E ⊕ a. Por tanto, se ha

demostrado también que:
0E ⊕ a = a
4. Inverso de la suma
(∀ a ∈ R3 )(∃ â ∈ R3 )( â ⊕ a = a ⊕ â = 0E )
3
Esta también es una demostración de existencia, en este caso, por el orden

de los cuantificadores, el elemento â depende de a.
Sea a = ( a1 , a2 , a3 ) ∈ R3 . Se prueba que el vector buscado â se define del

siguiente modo:
â = (− a1 , − a2 , − a3 )
donde cada − ai es el inverso aditivo de ai ∈ R, para i = 1, 2, 3.

Entonces, tenemos que:
a ⊕ â = ( a1 , a2 , a3 ) ⊕ (− a1 , − a2 , − a3 ) Definiciones de a y â
= ( a1 + (− a1 ), a2 + (− a2 ), a3 + (− a3 )) Definición de ⊕ en R3
= (0, 0, 0) Inverso aditivo en R
= 0E Definición de 0E
por la propiedad conmutativa de ⊕, se tiene también que:
â ⊕ a = 0E
5. Distributiva del producto I

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 , b = (b1 , b2 , b3 ) ∈ R3 y λ ∈ R. Entonces:
λ ⊙ ( a ⊕ b)
= λ ⊙ (( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 )) Definiciones de a y b
= λ ⊙ ( a1 + b1 , a2 + b2 , a3 + b3 ) Definición de ⊕ en R3
= (λ · [ a1 + b1 ], λ · [ a2 + b2 ], λ · [ a3 + b3 ]) Definición de ⊙ en R3
= (λ · a1 , λ · a2 , λ · a3 ) ⊕ (λ · b1 , λ · b2 , λ · b3 ) Definición de ⊕ en R3
= λ ⊙ ( a1 , a2 , a3 ) ⊕ λ ⊙ (b1 , b2 , b3 ) Definición de ⊙ en R3
= λ⊙a⊕λ⊙b Definiciones de a y b
6. Distributiva del producto II

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y λ, β ∈ R. Entonces:
(λ + β) ⊙ a
= ( λ + β ) ⊙ ( a1 , a2 , a3 ) Definición de a
= ((λ + β) · a1 , (λ + β) · a2 , (λ + β) · a3 ) Definición de ⊙ en R3
= (λa1 + βa1 , λa2 + βa2 , λa3 + βa3 ) Distributiva del producto en R
4
= (λa1 , λa2 , λa3 ) ⊕ ( βa1 , βa2 , βa3 ) Definición de ⊕ en R3

= λ ⊙ ( a1 , a2 , a3 ) ⊕ β ⊙ ( a1 , a2 , a3 ) Definición de ⊙ en R3
= λ⊙a⊕β⊙a Definición de a
7. Asociativa del producto

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y λ, β ∈ R. Entonces:
( λ · β ) ⊙ a = ( λ · β ) ⊙ ( a1 , a2 , a3 ) Definición de a
= ((λ · β) · a1 , (λ · β) · a2 , (λ · β) · a3 ) Definición de ⊙ en R3
= (λ · ( β · a1 ), λ · ( β · a2 ), λ · ( β · a3 )) Asociativa · en R
= λ ⊙ ( β · a1 , β · a2 , β · a3 ) Definición de ⊙ en R3
= λ ⊙ ( β ⊙ ( a1 , a2 , a3 )) Definición de ⊙ en R3
= λ ⊙ ( β ⊙ a) Definición de a
8. Elemento neutro del producto

(∀ a ∈ R3 )(1 ⊙ a = a), donde 1 ∈ R
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 . Entonces:
1 ⊙ a = 1 ⊙ ( a1 , a2 , a3 ) Definición de a
= (1 · a1 , 1 · a2 , 1 · a3 ) Definición de ⊙ en R3
= ( a1 , a2 , a3 ) Neutro multiplicativo en R
=a Definición de a
En vista que se satisfacen todas las propiedades de la definición 1, se concluye

que (R3 , ⊕, ⊙, R ) es un espacio vectorial.
E JERCICIO 1. Verifique si el conjunto de polinomios con coeficientes reales de

grado menor o igual que 2
R2 [ x ] = { p( x ) = a0 + a1 x + a2 x2 : ai ∈ R, 0 ≤ i ≤ 2}
es un espacio vectorial sobre R si la operación ⊕ es la suma usual entre polinomios

y ⊙ es el producto usual entre un número real y un polinomio.
Es decir: si p ∈ R2 [ x ] y q ∈ R2 [ x ], y α ∈ R, entonces:
p( x ) ⊕ q( x ) = ( p + q)( x )
5
α ⊙ p( x ) = (αp)( x )
para todo x ∈ R.
E JERCICIO 2. Verifique si el conjunto V definido por:

( ! )
a b 2×2
V= ∈R : ad − cb = 0,
c d
junto a las operaciones usuales de suma de matrices y producto de un escalar por

matriz es un espacio vectorial real.
O BSERVACIÓN 1. Utilizamos los símbolos ⊕ y ⊙ para enfatizar el hecho de que,

en general, las operaciones definidas no son la suma y el producto estándar que
utilizamos. Si no existe riesgo de confusión, utilizaremos la notación
x⊕y = x+y y α ⊙ x = αx
y diremos que el espacio vectorial es ( E, +, ·, K ). En caso de que no exista ambi-

güedad en las operaciones utilizadas se dirá que E es un espacio vectorial sobre K.
Además, si el campo está sobre entendido diremos que E es un espacio vectorial.
Un error común es pensar que el elemento neutro es siempre el cero, ya

que, dependiendo del espacio vectorial, se tiene un determinado elemento
neutro. Por ejemplo:
• Para el espacio vectorial (R, +, ·, R ) tenemos que su elemento neutro

es justamente el 0.
• Para el espacio (R + , ⊕, ⊙, R ) donde
x ⊕ y = xy y α ⊙ x = xα
para todo x, y ∈ R + y todo α ∈ R, el elemento neutro es 1, esto es,

0E = 1. Notemos que 0 ∈/ R+ .
6
4.2 Propiedades
P ROPOSICIÓN 1. Los siguientes conjuntos con sus operaciones usuales de

suma y producto son espacios vectoriales:
• (R n , +, ·, R), con n ∈ N ∗ .
• (R m×n , +, ·, R ), con m, n ∈ N ∗ .
• (F ( I ), +, ·, R )
• (C( I ), +, ·, R )
• (R n [ x ], +, ·, R )
O BSERVACIÓN 1. Es importante mencionar respecto a esta proposición que:
• R n = {( x1 , ..., xn ) : xi ∈ R para i = 1, ..., n} y sus operaciones están defini-

dos mediante
( x1 , x2 , . . . , x n ) + ( y1 , y2 , . . . , y n ) = ( x1 + y1 , x2 + y2 , . . . , x n + y n )
α · ( x1 , x2 , . . . , x n ) = ( α · x1 , α · x2 , . . . , α · x n ).
• F ( I ) = { f : I → R : f es una función}, siendo I un intervalo de R.

+ es la suma usual de dos funciones y · es la multiplicación de un número
real por una función.
• C( I ) = { f : I → R : f es una función continua}, siendo I un intervalo de R.

+ es la suma usual de dos funciones y · es la multiplicación de un número
real por una función.
• R n [ x ] = { p : p( x ) = a0 + a1 x + · · · + an x n , ai ∈ R para i = 0, 1, · · · , n}.
+ representa la suma usual de dos polinomios de grado menor o igual a n y
· representa el producto de un número real por un polinomio.
1
P ROPOSICIÓN 2. Sea ( E, +, ·, K ) un espacio vectorial, el elemento neutro es

único.
E JEMPLO 1. Para cada espacio de la observación anterior su elemento neutro es:
• 0Rn = (0, 0, . . . , 0).
• 0Rm×n = 0m×n .
• 0F ( I ) = 0C( I ) = 0 f , donde
0 f : I −→ R
x 7−→ 0
con I ⊆ R.
• 0Rn [ x] = 0 + 0x + · · · + 0x n−1 + 0x n para todo x ∈ R.
P ROPOSICIÓN 3. Sea ( E, +, ·, K ) un espacio vectorial, para todo u ∈ E su

inverso es único.
E JERCICIO 1. Sea E el conjunto de todos los números reales positivos. Considere

a las operaciones:
⊕ : E × E −→ E ⊙ : R × E −→ E
y
( x, y) 7−→ xy (α, x ) 7−→ x α .
Muestre que con las operaciones definidas sobre E es un espacio vectorial real
cuyo elemento neutro es 1 y tal que si u ∈ E su inverso está dado por u−1 .
T EOREMA 4
Sea ( E, +, ·, K ) un espacio vectorial, para todo u ∈ E y todo α ∈ K, se tiene
que:
1. 0 · u = 0E ;
2. α · 0E = 0E ;
3. Si α · u = 0E , entonces α = 0 o u = 0E ;
4. (−1) · u = −u.
2
P ROPOSICIÓN 5. Sea ( E, +, ·, K ) un espacio vectorial, para todo u, v, w ∈ E y

todo α, β ∈ K, se tiene que:
1. −(−u) = u;
2. Si u + v = u + w, entonces v = w;
3. Si u 6= 0 y αu = βu, entonces α = β;
E JERCICIO 2. Dado el conjunto E = {( x1 , x2 ) ∈ R2 : x1 > 0, x2 > 0}. Considere

a la operación
( x1 , x2 ) ⊕ ( y1 , y2 ) = ( x1 + y1 , x2 + y2 ).
Dotando a E de está operación, verifique qué no existe el elemento neutro.
E JEMPLO 2. Sea E el conjunto formado solamente por el elemento 1. Sean 1 ⊕ 1 =

1 y α ⊙ 1 = 1 para todo α ∈ R. Con estás operaciones E es un espacio vectorial
real.
4.3 Subespacios
D EFINICIÓN 1: Subespacio Vectorial

Sea ( E, +, ·, K ) un espacio vectorial y W un subconjunto no vacío de E. Se dice
que W es un subespacio vectorial del espacio vectorial E si (W, +|W , ·|W , K )
es un espacio vectorial.
T EOREMA 6
Sean ( E, +, ·, K ) un espacio vectorial y W un subconjunto no vacío de E. Se
tiene que W es un subespacio vectorial de E si y sólo si se cumplen las si-
guientes condiciones:
• si u, v ∈ W, entonces u + v ∈ W; y
• si α ∈ K y u ∈ W, entonces αu ∈ W.
O BSERVACIÓN 2. Notemos que dados E un espacio vectorial sobre el cuerpo K y

W ⊆ E mostrar las condiciones del teorema anterior es equivalente a mostrar que
αu + v ∈ W
para todo u, v ∈ W y todo α ∈ K.
3
Si vamos a mostrar que W es un subespacio del espacio vectorial E, una de

las condiciones a ser verificada es que W 6= ∅, para lo cual es suficiente
mostrar que 0E ∈ W.
E JEMPLO 3. El subespacio trivial. Para cualquier espacio vectorial E, el subcon-

junto {0E } que consiste únicamente en el vector neutro es un subespacio vectorial
ya que:
0E + 0E = 0E y α0E = 0E
para todo α ∈ K. Luego, a {0E } se lo denomina como el subespacio trivial de E.
E JEMPLO 4. Un espacio vectorial es un subespacio en sí mismo. En efecto, para

cada espacio vectorial E, E es un subespacio en sí mismo.
O BSERVACIÓN 3. Los subespacios de E distintos a {0E } y E se denominan subes-

pacios propios.
E JEMPLO 5. Un subespacio propio de R2 . Consideremos al espacio vectorial R2

con sus operaciones usuales de suma y producto por un escalar. Considere el con-
junto:
W = {( x, y) ∈ R2 : y = 2x }.
Se tiene que W es un subespacio vectorial de R2 . Para mostrarlo utilizamos al

teorema 6.
i ) Notemos que 0 = 2(0), lo que implica que (0, 0) ∈ W, luego, W 6= ∅.
ii ) Sean ( x1 , x2 ), (y1 , y2 ) ∈ W, vamos a mostrar que ( x1 , x2 ) + (y1 , y2 ) ∈ W.

Por hipótesis tenemos que:
x2 = 2x1 y y2 = 2y1 .
Además, notemos que:
( x1 , x2 ) + ( y1 , y2 ) = ( x1 + y1 , x2 + y2 ).
Luego,
x2 + y2 = 2x1 + 2y1 = 2( x1 + y1 )
lo que implica que ( x1 , x2 ) + (y1 , y2 ) ∈ W.
iii ) Sean α ∈ R y ( x1 , x2 ) ∈ W, vamos a mostrar que α( x1 , x2 ) ∈ W.

Por hipótesis tenemos que:
x2 = 2x1 .
4
Además, notemos que:
α( x1 , x2 ) = (αx1 , αx2 ).
Luego,
αx2 = α(2x1 ) = 2(αx1 )
lo que implica que α( x1 , x2 ) ∈ W.
Por i ), ii ) y iii ) junto con el teorema 6 se concluye que W es un subespacio vectorial

de R2 . Finalmente, notemos que (1, 1) ∈ / W y que (1, 1) ∈ R2 , lo que implica que
W es un subespacio vectorial propio de R2 .
E JEMPLO 6. Sean E = R2 y W = {( x, 1) ∈ R2 : x ∈ R }, considerando a las

operaciones usuales para la suma y producto con un escalar en E, tenemos que W
no es un subespacio vectorial de E. En efecto, notemos que (5, 1) ∈ W y (2, 1) ∈ W
y que su suma
(5, 1) + (2, 1) = (7, 2) ∈
/ W,
por lo tanto, W no es un subespacio vectorial de R2 , dado que no cumple la pri-

mera propiedad del teorema 6.
E JEMPLO 7. Sean E = R2 y W = {( x, y) ∈ R2 : x > 0}, considerando a las

operaciones usuales para la suma y producto con un escalar en E, tenemos que W
no es un subespacio vectorial de E. En efecto, notemos que (3, 1) ∈ W y que:
−2(3, 1) = (−6, −2) ∈

/W
por lo tanto, W no es un subespacio vectorial de R2 , dado que no cumple la se-

gunda propiedad del teorema 6.
T EOREMA 7
Sea ( E, +, ·, K ) un espacio vectorial. Si W1 y W2 son subespacios vectoriales
de E, entonces W1 ∩ W2 es un subespacio vectorial de E.
E JEMPLO 8. En el espacio vectorial R3 consideremos los subespacios:
W1 = {( x, y, z) : x − y = 0} y W2 = {( x, y, z) : y − z = 0} .
Se tiene que W1 ∩ W2 es un subespacio vectorial de R3 . En efecto, por la definición
5
de intersección de conjuntos tenemos que:
W1 ∩ W2 = {( x, y, z) ∈ R3 : x − y = 0, y − z = 0}.
Ahora, si ( x, y, z) ∈ W1 ∩ W2 se tiene que se verifica al sistema de ecuaciones

lineales: (
x−y =0
y−z = 0
a partir de lo cual se tiene que:
x=z y y=z
con z ∈ R. Luego,
n o
W1 ∩ W2 = ( x, y, z) ∈ R3 : x = z, y = z .
Finalmente, se tiene que W1 ∩ W2 es un subespacio vectorial de R3 , para mostrarlo

considere el ejemplo 5, además, muestre que se tiene a un subespacio vectorial
propio.
C OROLARIO 8. Sea ( E, +, ·, K ) un espacio vectorial. Si W1 , W2 , · · · , Wn son

subespacios vectoriales de E, entonces W1 ∩ W2 ∩ · · · ∩ Wn es un subespacio
vectorial de E.
La unión de dos subespacios vectoriales NO necesariamente es un subespa-

cio vectorial.
E JEMPLO 9. En el espacio vectorial R2 con las operaciones usuales de suma y

producto con un escalar, sean los subespacios vectoriales:
W1 = {( x, y) ∈ R2 : x = y} y W2 = {( x, y) ∈ R2 : x + 2y = 0}.
Se tiene que W1 ∪ W2 no es un subespacio vectorial de R2 . En efecto, notemos que

(1, 1) ∈ W1 ⊆ W1 ∪ W2 y que (2, −1) ∈ W2 ⊆ W1 ∪ W2 , sin embargo, (1, 1) +
(2, −1) = (3, 0) ∈/ W1 ∪ W2 , lo que implica que W1 ∪ W2 no es un subespacio
vectorial de R2 dado que no se cumple la primera propiedad del teorema 6.
6
4.4 Combinación lineal y cápsula
D EFINICIÓN 1: Combinación lineal

Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y v1 , v2 , . . . , vk ∈ E. Se dice que
un vector v ∈ E es una combinación lineal de v1 , v2 , . . . , vk si
v = α1 v1 + α2 v2 + · · · + α k v k
para algunos α1 , α2 , . . . , αk ∈ K.
E JEMPLO 1. En el espacio vectorial (R2 , +, ·, R ) con las operaciones usuales, sean

u, v, w ∈ R2 donde u = (1, 2), v = (2, 4) y w = (0, 0), se tiene que
1
u= v + 5w, (1)
2
esto implica que u es combinación lineal de v y de w donde se han utilizado los
1
escalares α1 = y α2 = 5.
2
Además,
w = 2u − v, (2)
entonces w es combinación lineal de u y de v donde se han utilizado los escalares

α1 = 2 y α2 = −1.
E JERCICIO 1. En el espacio vectorial (R3 , +, ·, R ) con las operaciones usuales,

sean v1 = (3, 0, −2), v2 = (2, −1, −5)} y v = (1, −2, −5).
1. ¿Para qué valores de k el vector (1, −2, k ), se expresa como combinación

lineal de v1 y v2 ?
2. ¿Se puede expresar v como combinación lineal de v1 y v2 ?
1
D EFINICIÓN 2
Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S = {v1 , v2 , . . . , vk } ⊆ E. Al
conjunto de todos los vectores en E que son combinaciones lineales de los
vectores de S se lo llama cápsula de S y se denota por span(S), es decir
span(S) = {α1 v1 + α2 v2 + · · · + αk vk : α1 , α2 , . . . , αk ∈ K }.
A este conjunto también se lo conoce como cápsula lineal y su notación viene

de su nombre en inglés, linear span. También se utiliza la notación hSi.
E JEMPLO 2. En el espacio vectorial (R2 , +, ·, R ) con las operaciones usuales, sean

v1 , v2 ∈ R2 donde v1 = (2, 3) y v2 = (4, 6). Se define el conjunto S = {v1 , v2 } su
cápsula lineal está dada por:
span(S) = {( x, y) ∈ R2 : ( x, y) = α1 v1 + α2 v2 , α1 , α2 ∈ R }
= {( x, y) ∈ R2 : ( x, y) = α1 (2, 3) + α2 (4, 6), α1 , α2 ∈ R }
= {( x, y) ∈ R2 : ( x, y) = (2α1 , 3α1 ) + (4α2 , 6α2 ), α1 , α2 ∈ R }
= {( x, y) ∈ R2 : ( x, y) = (2α1 + 4α2 , 3α1 + 6α2 ), α1 , α2 ∈ R }
= {( x, y) ∈ R2 : 2α1 + 4α2 = x, 3α1 + 6α2 = y, α1 , α2 ∈ R }
= {( x, y) ∈ R2 : 3x − 2y = 0}.
En efecto, sea ( x, y) ∈ R2 se tiene que ( x, y) ∈ span(S) si y solo si se verifica el

sistema de ecuaciones lineales
(
2α1 + 4α2 = x
3α1 + 6α2 = y
donde α1 , α2 ∈ R. La matriz ampliada del sistema verifica la equivalencia siguien-

te: ! !
2 4 x 2 4 x
∼ .
3 6 y 0 0 −3x + 2y
Luego, para que el sistema tenga solución se debe tener que −3x + 2y = 0, lo que
implica que:
span(S) = {( x, y) ∈ R2 : 3x − 2y = 0}.
E JERCICIO 2. En el espacio vectorial (R3 , +, ·, R ) encontrar la cápsula del conjun-

to
S = {(1, −1, 0), (−2, 3, −1), (2, 1, −3)}.
2
T EOREMA 1
Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Se tiene que span(S) es un
subespacio vectorial de E.
4.5 Conjunto generador
D EFINICIÓN 3
Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Al subespacio vectorial más
pequeño que contiene a S (es decir, la intersección de todos los subespacios
que contienen a S) se lo denomina espacio generado por S y se denota por
gen(S).
O BSERVACIÓN 1. Si S = ∅, definimos gen(∅) = {0E }.
P ROPOSICIÓN 2. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Se tiene que

span(S) = gen(S).
O BSERVACIÓN 2. Si S = ∅, entonces span(∅) = gen(∅) = {0E }.
D EFINICIÓN 4
Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que S genera el espacio vectorial E si cada vector en E es una com-
binación lineal de los elementos de S, es decir, si para todo v ∈ E, existen
α1 , α2 , . . . , αk ∈ K tales que
v = α1 v1 + α2 v2 + · · · + α k v k .
E JEMPLO 3. En el espacio vectorial (R2 , +, ·, R ) con las operaciones usuales, con-

sidere el conjunto S = {(1, 0), (0, 2)}. Tenemos que S genera el espacio vectorial
R2 . En efecto, sean ( x, y) ∈ R2 y α1 , α2 ∈ R tal que ( x, y) es combinación lineal de
los elementos de S, es decir:
α1 (1, 0) + α2 (0, 2) = ( x, y)
o equivalentemente
(α1 , 2α2 ) = ( x, y).
3
Igualando ambos vectores se obtiene el siguiente sistema de ecuaciones:

(
α1 =x
2α2 = y
y
este sistema tiene solución única α1 = x y α2 = . Por lo tanto, cada vector de R2
2
se puede escribir como combinación lineal de los elementos de S. Por ejemplo, el
vector v = (−1, 4) ∈ R2 se puede escribir como:
4
(−1, 4) = (−1)(1, 0) + (0, 2).
2
Finalmente, notemos que gen(S) = R2 .
E JERCICIO 3. En el espacio vectorial (R1 [t], +, ·, R ) con las operaciones usuales,

considere el subconjunto S = {1, −t} verifique que S genera R1 [t].
P ROPOSICIÓN 3. Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y
S = {v1 , v2 , . . . , vk } ⊆ E.
Se tiene que S genera el espacio vectorial E si y solo si
E = gen(S) = span(S).
E JEMPLO 4. En el espacio vectorial (R2 , +, ·, R ) con las operaciones usuales, dado

el conjunto S = {u1 } = {(2, 3)} se tiene que el espacio generado por S está dada
por gen(S) = span(S) = {( x, y) ∈ R2 : 3x − 2y = 0}, además, el espacio genera-
do se representa gráficamente como una recta en el plano, en la figura 1 se puede
observar a dicho espacio.
E JEMPLO 5. En el espacio vectorial (R3 , +, ·, R ) con las operaciones usuales, dado

el conjunto S = {v1 , v2 } = {(0, 2, 2), (0, 1, −2)} se tiene que el espacio generado
por S está dado por gen(S) = span(S) = {( x, y, z) ∈ R3 : x = 0}, además, el
espacio generado se representa gráficamente como un plano en el espacio, en la
figura 2 se puede observar a dicho espacio.
O BSERVACIÓN 3. Un espacio vectorial puede ser generado por distintos conjun-

tos. Por ejemplo, el espacio R2 está generado por los conjuntos {(1, 0), (0, 1)},
{(1, 1), (1, −1)}, {(1, 2), (2, −1), (4, 3)} y {(0, 0), (1, 2), (4, 5), (5, 7), (−3, −3)}, en-
tre otros.
4
Figura 1: Espacio generado por S = {u1 }.
Figura 2: Espacio generado por S = {v1 , v2 }.
5

S = {v1 , v2 , . . . , vk } ⊆ E. Si algún v j es combinación lineal de los demás
elementos de S, entonces
span(S) = span{v1 , v2 , . . . , v j−1 , v j+1 , . . . , vk }.
E JEMPLO 6. En el espacio vectorial (R2 , +, ·, R ) con las operaciones usuales, con-

sidere el subconjunto:
S = {(2, −2), (1, 0), (3, 2), (0, 2)}.
Notemos que se tiene la siguiente combinación lineal:
(3, 2) = 0(2, −2) + 3(1, 0) + (0, 2),
lo que junto con la proposición 4 implica que:
span(S) = span{(2, −2), (1, 0)(0, 2)}.
Además, notemos que dado que se tiene a la combinación lineal:
(2, −2) = 2(1, 0) − (0, 2),
por la proposición 4 se tiene que:
span(S) = span{(1, 0)(0, 2)}.
Considerando al ejemplo 3 y a la proposición 2 se concluye que:
span(S) = R2 .
E JERCICIO 4. En el espacio vectorial (R2 [t], +, ·, R ) con las operaciones usuales,

considere el subconjunto:
S = {1, t, t2 , 1 − 2t}.
Verifique que existe algún v j combinación lineal de los demás elementos de S tal
que:
span(S) = span({vk ∈ S : k 6= j}).
6
4.6 Independencia lineal
D EFINICIÓN 1
Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S = {v1 , v2 , . . . , vk } ⊆ E. Se
dice que S es un conjunto linealmente dependiente si existen α1 , α2 , . . . , αk ∈
K, no todos iguales a cero, tales que:
α1 v1 + α2 v2 + · · · + α k v k = 0
en caso contrario, se dice que S es un conjunto linealmente independiente.
De esta definición, se tiene que {v1 , v2 , . . . , vk } es linealmente independiente

si y solo si
α1 v1 + α2 v2 + · · · + α k v k = 0
implica que
α1 = α2 = · · · = αk = 0.
es solución única.
E JEMPLO 1. En el espacio vectorial (R2 , +, ·, R ), sean v1 = (1, 2) y v2 = (2, 4). El

conjunto S = {v1 , v2 } es linealmente dependiente.
En efecto, sean α1 , α2 ∈ R, formemos a la combinación lineal nula:
α1 (1, 2) + α2 (2, 4) = (0, 0).
o equivalentemente,
(α1 + 2α2 , 2α1 + 4α2 ) = (0, 0). (1)
A partir de la igualdad de pares ordenados en (1), se obtiene el siguiente sistema

de ecuaciones lineales: (
α1 + 2α2 = 0
2α1 + 4α2 = 0.
Este sistema tiene infinitas soluciones donde α1 = −2α2 con α2 ∈ R. Por lo tanto,
el conjunto S es linealmente dependiente.
1
E JEMPLO 2. En el espacio vectorial (R1 [ x ], +, ·, R ), sean v1 ( x ) = 1 + 3x y v2 ( x ) =

−2 + 4x para todo x ∈ R. Se define el conjunto S = {v1 , v2 }. Muestre que el
conjunto S es linealmente independiente.
E JERCICIO 1. Considerando el Ejemplo 2, sea T = {2v1 + v2 , 4v1 − 3v2 }, ¿es T un

conjunto linealmente independiente? Justifique su respuesta.
Se puede extender esta definición para conjuntos infinitos diciendo que S

es linealmente independiente si todo subconjunto finito de S es linealmente
independiente.
P ROPOSICIÓN 1. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Si 0E ∈ S,

entonces S es linealmente dependiente.

S = {v1 , v2 , . . . , vk } ⊆ E. Se tiene que S es un conjunto linealmente depen-
diente si y sólo si alguno de los vectores v j ∈ S es una combinación lineal de
otros elementos de S.
E JEMPLO 3. En el espacio vectorial (R2 , +, ·, R ) considere el conjunto

S = {(1, 2), (2, −1), (4, 3)}, se tiene que S es linealmente dependiente. En efecto,
notemos que el vector (4, 3) se puede escribir como combinación lineal de los vec-
tores (1, 2) y (2, −1), lo que junto con la proposición 2 implica que S es linealmente
dependiente.
E JERCICIO 2. En el espacio vectorial (R2 [ x ], +, ·, R ), ¿es el conjunto { x, − x2 , 4x2 −

x } linealmente dependiente o independiente? Justifique su respuesta.
P ROPOSICIÓN 3. Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S un con-

junto de E con k elementos. Si S es un conjunto linealmente independiente,
entonces todo conjunto de k + 1 elementos de gen(S) es linealmente depen-
diente.
E JEMPLO 4. En el espacio vectorial (R2 [ x ], +, ·, R ) el conjunto S = {1 − x2 , 1 + x2 }

es linealmente independiente, mientras que el conjunto {1 − x2 , 1 + x2 , 3 + x2 } es
linealmente dependiente.
E JERCICIO 3. En el espacio vectorial (R3 , +, ·, R ) considere el conjunto lineal-

mente independiente S = {(1, 0, 2), (0, 0, 1)}. Determine gen(S) y un conjunto
2
linealmente dependiente a partir de S.

S = {v1 , v2 , · · · , vk } ⊆ E. Si S es linealmente dependiente, entonces
gen(S) = gen(S r {v j })
donde v j es combinación lineal de los demás elementos de S.
E JEMPLO 5. En el espacio vectorial (R2 , +, ·, R ), considere el conjunto

S = {(1, 0), (0, 1), (4, −3)}, se tiene que S es linealmente dependiente y que
gen(S) = gen(S r {(4, 3)}).
E JERCICIO 4. En el espacio vectorial (R2 [ x ], +, ·, R ), sean v1 ( x ) = 1, v2 ( x ) =

x − x2 , v3 ( x ) = 2 − x + x2 para todo x ∈ R. Muestre que S = {v1 , v2 , v3 } es
linealmente dependiente y encuentre gen(S).
P ROPOSICIÓN 5. Sean ( E, +, ·, K ) un espacio vectorial, S ⊆ E y v ∈ E. Si S

es linealmente independiente y gen(S) 6= E, entonces S ∪ {v} es linealmente
independiente, siempre y cuando v 6∈ gen(S)
E JEMPLO 6. En el espacio vectorial (R2 [ x ], +, ·, R ), el conjunto S = {1 − x2 , 2 +

x2 } es linealmente independiente y gen(S) 6= R2 [ x ]. Notemos que x ∈ R2 [ x ], y
que x ∈/ gen(S). Por lo tanto S1 = {1 − x2 , 2 + x2 , x } es linealmente independiente.
E JERCICIO 5. En el espacio vectorial (R2×2 , +, ·, R ), considere el conjunto:

( ! ! !)
1 0 0 1 2 0
S= , , .
2 −1 −1 3 3 1
Determine gen(S) y un conjunto linealmente independiente con 4 elementos a

partir de S.
Un error común cuando se trabaja la independencia lineal en el espacio de

polinomios, por ejemplo en R2 [ x ], consiste en que si se desea mostrar que
el conjunto S = {1 + x, 2x + x2 } ⊆ R2 [ x ] es linealmente independiente, al
formar la combinación lineal nula con estos elementos tomando α1 , α2 ∈ R
3
se escribe que:
α1 (1 + x ) + α2 (2x + x2 ) = (0, 0x, 0x2 ).
Como se puede apreciar se confunde entre el elemento neutro de R2 [ x ] con

(0, 0, 0) el neutro de R3 , lo correcto es
α1 (1 + x ) + α2 (2x + x2 ) = 0 + 0x + 0x2 .
Otro error que se comete es asegurar que:
1 + x = (1, x, 0)
en donde nuevamente se confunden a los espacios con los que se trabaja.
4
4.7 Base y dimensión
D EFINICIÓN 1
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E. Se dice que B es una base de E
si
1. B genera a E; y
2. B es linealmente independiente.
E JEMPLO 1. Dado el subespacio vectorial

 
 ! a b 0 
 a b 
2×2
W= ∈R : 2 0 1 = 0 : a, b, c ∈ R

 b c

1 3

0

Hallar una base B para el conjunto W. Primero hallamos la restricción del con-
junto

a b 0

2 0 1 = −3a + b = 0

1 3 0
Entonces, tenemos que:
( ! )
a b 2×2
W= ∈R : −3a + b = 0 : a, b, c ∈ R
b c
( ! )
a b 2×2
= ∈R : b = 3a : a, c ∈ R
b c
( ! )
a 3a 2×2
= ∈R : a, c ∈ R
3a c
( ! ! )
a 3a 0 0 2×2
= + ∈R : a, c ∈ R
3a 0 0 c
1
( ! ! )
1 3 0 0 2×2
= a +c ∈R : a, c ∈ R
3 0 0 1
( ! !)
1 3 0 0
= gen ,
3 0 0 1
(! !)
1 3 0 0
Luego, tomamos B = , se tiene que W = gen( B) = h Bi.
3 0 0 1
Entonces, B genera a W. Ahora, verificamos si B es LI. Hacemos la combinación
lineal nula. Supongamos que existe α1 , α2 ∈ K tales que:
! ! !
0 0 1 3 0 0
= α1 + α2
0 0 3 0 0 1
! !
α1 3α1 0 0
= +
3α1 0 0 α2
!
α1 3α1
=
3α1 α2
A partir de lo cual se obtiene el siguiente sistema de ecuaciones:



 α1 =0


3α1 =0



 3α1 =0


α2 = 0

Como α1 = α2 = 0. Entonces B es LI.
Por lo tanto, B es base de W.
T EOREMA 1: Base canónica de R n

En R n , el conjunto {e1 , e2 , . . . , en } ⊆ R n , definidos por

0 si i 6= j,
eij =
1 si i = j,
para todo i, j ∈ {1, 2, . . . , n}, es una base de R n , conocida como la base canó-
nica de R n .
E JEMPLO 2. Para el espacio vectorial R3 se tiene que su base canónica está dada
2
por:
B = {e1 , e2 , e3 } = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
E JERCICIO 1. Considere el espacio vectorial R4 , identifique a los vectores de su

base canónica:
B = { e1 , e2 , e3 , e4 }.
T EOREMA 2: Base canónica de R n [ x ]

En R n [ x ], el conjunto {1, x, . . . , x n−1 , x n } es una base de R n [ x ]. A esta base se
la denomina la base canónica de R n [ x ].
E JEMPLO 3. Para el espacio vectorial R2 [ x ] se tiene que su base canónica es {1, x, x2 }.
E JERCICIO 2. Identifique a la base canónica del espacio vectorial R4 [ x ].
T EOREMA 3
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de E. Se tiene que
todo elemento de E se puede escribir, de manera única, como combinación
lineal de elementos de B.
E JEMPLO 4. En el espacio vectorial R2×2 tenemos que su base canónica está dada
por: ( ! ! ! !)
1 0 0 1 0 0 0 0
B= , , , .
0 0 0 0 1 0 0 1
Además, se tiene que:

! ! ! ! !
a b 1 0 0 1 0 0 0 0
=a +b +c +d
c d 0 0 0 0 1 0 0 1
!
a b
para todo ∈ R2×2 es única, ya que una base es un conjunto linealmente
c d
independiente.
E JERCICIO 3. Para el espacio vectorial R2 [ x ] se tiene que el conjunto

n o
B = 1 + x + x2 , 1 + x, 1
es una base. Verifique que la combinación lineal
a + bx + cx2 = c(1 + x + x )2 + (b − c)(1 + x ) + ( a − b)
3
es única, para todo a + bx + cx2 ∈ R2 [ x ].
T EOREMA 4
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E. Si todo elemento de E se pue-
de escribir, de manera única, como combinación lineal de elementos de B,
entonces B es una base de E.
E JEMPLO 5. En el espacio vectorial R1 [t] considere el conjunto
B = {1 − t, 1 + t}.
Notemos que todo elemento de R1 [t] se escribe como combinación lineal de los
elementos de B y esta combinación es única. En efecto, sean a0 + a1 t ∈ R1 [t],
α1 , α2 ∈ K tales que
α1 (1 − t ) + α2 (1 + t ) = a0 + a1 t
o equivalentemente
(α1 + α2 ) + (−α1 + α2 )t = a0 + a1 t
para todo t ∈ R. Igualando polinomios se obtiene al sistema de ecuaciones linea-

les: (
α1 + α2 = a0
− α1 + α2 = a1
la matriz ampliada asociada a este sistema verifica la siguiente equivalencia por
filas: ! !
1 1 a0 1 1 a0
( A|b) = ∼
−1 1 a1 0 2 a0 + a1
Dado que ran( A) = ran( A|b)=2 es igual al número de incógnitas, por el Teorema
de Rouché Frobenius, el sistema tiene solución única, y en virtud del teorema
anterior, concluimos que B es una base de R1 [t].
E JERCICIO 4. En el espacio vectorial R3 determine si el conjunto
B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}
forma una base de R3 .
P ROPOSICIÓN 5. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E un conjunto
4
que genera a E. Se tiene que algún subconjunto de S es base de E.
E JEMPLO 6. En el espacio vectorial R2×2 , considere al conjunto

( ! ! ! ! !)
1 0 0 1 0 −1 0 0 1 0
S= , , , , .
0 1 1 0 0 0 1 1 1 −1
Notemos que gen(S) = R2×2 y que el subconjunto B de S es una base de R2×2 ,

donde ( ! ! ! !)
1 0 0 1 0 −1 0 0
B= , , , .
0 1 1 0 0 0 1 1
E JERCICIO 5. En el espacio vectorial R2 [ x ], sean los vectores v1 ( x ) = −5 + 4x,

v2 ( x ) = 5 − 2x − x2 , v3 ( x ) = 2 − x + 2x2 , v4 ( x ) = 6 − 2x − 6x2 . Suponga que
W = gen({v1 ( x ), v2 ( x ), v3 ( x ), v4 ( x )}).
Encuentre una base de W.
T EOREMA 6
Todo espacio vectorial tiene una base.
E JEMPLO 7. En el espacio vectorial R3 , consideremos al subespacio vectorial
W = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 }.
El conjunto B = {(1, 0, 1), (0, 1, 1)} es una base de W. En efecto:
1. Sean α1 , α2 ∈ R tales que:
α1 (1, 0, 1) + α2 (0, 1, 1) = (0, 0, 0)
o equivalentemente
(α1 , α2 , α1 + α2 ) = (0, 0, 0).
Igualando vectores obtenemos que α1 = α2 = 0. Por lo tanto, B es un con-

junto linealmente independiente.
2. Sean α1 , α2 ∈ R y ( x1 , x2 , x3 ) ∈ R3 tales que
α1 (1, 0, 1) + α2 (0, 1, 1) = ( x1 , x2 , x3 )
5
o equivalentemente
( α1 , α2 , α1 + α2 ) = ( x1 , x2 , x3 ).
Igualando vectores se obtiene al sistema de ecuaciones:


α = x1
 1


α2 = x2


α1 + α2 = x3

La matriz ampliada ( A|b) asociada a este sistema verifica la siguiente equi-

valencia por filas:
   
1 0 x1 1 0 x1
( A | b ) = 0 1 x2  ∼ 0 1 x2
   

1 1 x3 0 0 x3 − x1 − x2 .
Luego, el sistema tiene solución si x3 − x1 − x2 = 0. Por lo tanto,
gen( B) = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 } = W.
De 1. y 2. se sigue que B es una base para W.
E JERCICIO 6. En el espacio vectorial R2 [ x ], considere al subespacio vectorial
W = { p ( x ) ∈ R 2 [ x ] : p (0) + p ′ (0) = 0}.
Determine una base para W.
O BSERVACIÓN 1. Si {v1 , v2 , . . . , vn } es una base de un espacio vectorial E, enton-

ces para todo c 6= 0, se tiene que {cv1 , v2 , . . . , vn } también es una base de E, es
decir, un espacio vectorial no nulo tiene muchas bases.
6
4.7 Base y dimensión
P ROPOSICIÓN 1. Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de

E. Si S ⊆ E es un conjunto linealmente independiente, entonces
card(S) ≤ card( B).
E JEMPLO 1. En el espacio vectorial R3 , el conjunto B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)}
es una de sus bases. Considere al conjunto S dado por:
S = {(1, 0, 0), (0, 1, 0)}.
Notemos que S es un conjunto linealmente independiente con card(S) = 2, ade-

más, card( B) = 3, luego,
2 = card(S) ≤ card( B) = 3.
E JERCICIO 1. En el espacio vectorial (R2 [ x ], +, ·, R ), el conjunto B = {1 − x, x +

2x2 , 3 − 5x2 } forma una base. A partir de B obtenga un conjunto C linealmente
independiente tal que: card(C ) < card( B).
P ROPOSICIÓN 2. Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de

E. Si S ⊆ E es un conjunto que genera a E, entonces
card( B) ≤ card(S).
E JEMPLO 2. Sea el espacio vectorial R2 , y B = {(1, −2), (2, 1)} ⊆ R2 es una base
de R2 . Donde:
S = {(1, 0), (0, 1), (1, 1)} ⊆ R2 .
Tal que S es genera a R2 . Entonces:
card( B) = 2 ≤ card(S) = 3.
1
E JERCICIO 2. En el espacio vectorial (R1 [ x ], +, ·, R ), el conjunto B = {3, 1 − 2x }

forma una base. A partir de B obtenga un conjunto D que genere a R1 [ x ] y además
verifique que card( D ) > card( B):
O BSERVACIÓN 1. De acuerdo con las proposiciones anteriores, en un espacio vec-

torial, una base es el conjunto linealmente independiente con el mayor número de
elementos, además, es el conjunto generador del espacio vectorial con el menor
número de elementos.
P ROPOSICIÓN 3. Sean ( E, +, ·, K ) un espacio vectorial y B, T ⊆ E bases de E.

Se tiene que
card( B) = card( T ).
E JEMPLO 3. En el espacio vectorial R1 [t], notemos que
B = {1 + t, 1 − t} y T = {1, t}
son bases de R1 [t], con:

card( B) = card( T ) = 2.
E JERCICIO 3. Considere el subespacio vectorial:

( ! )
a b
W= ∈ R2×2 : a − 2b − c = 0, a + 3d = 0
c d
Obtenga dos bases distintas para W y verifique la proposición 3.
O BSERVACIÓN 2. La observación 1 establece que un espacio vectorial no nulo tie-

ne muchas bases, pero la proposición anterior indica que todas las bases del mis-
mo espacio vectorial tienen el mismo número de elementos.
D EFINICIÓN 1: Dimensión
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de E. Se define la
dimensión de E, denotado por dim( E), como la cardinalidad de B. Es decir,
dim( E) = card( B).
E JEMPLO 4. En el espacio vectorial R2 , se tiene que B = {(1, 0), (0, 1)} es una
base de R2 . Entonces:
dim(R2 ) = card( B) = 2,
2
es decir, la dimensión de R2 es 2.
O BSERVACIÓN 3. Para el espacio vectorial {0} se define su dimensión como 0.
E JEMPLO 5. Sean m, n ∈ N ∗ , se tiene que:

• dim(R n ) = n;
• dim(R m×n ) = mn;
• dim(R n [ x ]) = n + 1;
E JEMPLO 6. En el espacio vectorial R3 , para el subespacio vectorial
W = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 }
una base es
B = {(1, 0, 1), (0, 1, 1)}
Luego,
dim(W ) = card( B) = 2,
es decir, la dimensión de W es 2.
E JERCICIO 4. Considere el subespacio vectorial:

n o
W = a + bt + ct2 + dt3 ∈ R3 [t] : a + 2b = 0, c − d = 0
Calcule la dimensión de W.
P ROPOSICIÓN 4. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E un conjunto

linealmente independiente. Se tiene que existe una base B de E que contiene
a S.
T EOREMA 5
Sean ( E, +, ·, K ) un espacio vectorial, B ⊆ E y n ∈ N ∗ tal que dim( E) = n y
card( B) = n. Se tiene que:
• Si B es linealmente independiente, entonces B es una base de E.
• Si B genera a E, entonces B es una base de E.
E JEMPLO 7. En el espacio vectorial R3 , considere al conjunto S dado por:
S = {(1, 0, 1), (0, 1, 1), (0, 0, 1)}.
3
Se tiene que dim(R3 ) = 3 y que la card(S) = 3. Dado que S es un conjunto

linealmente independiente, por el teorema anterior, concluimos que S es una base
de R3 .
E JERCICIO 5. En el espacio vectorial (R2×2 , +, ., R ), verifique si el conjunto:

( ! ! ! !)
1 2 0 −1 1 0 1 −2
B= , , ,
0 1 1 2 −1 1 1 0
forma una base para el espacio.
T EOREMA 6
Sean ( E, +, ·, K ) un espacio vectorial con dim( E) = n y sea m < n. Sean
B = {v1 , v2 , v3 , v4 , . . . , vm } ⊆ E un conjunto linealmente independiente y
u 6∈ span( B), entonces el conjunto B ∪ {u} es linealmente independiente.
E JEMPLO 8. En el espacio vectorial R3 , considere al conjunto B, dado por:
B = {(1, 0, 1), (1, −1, 0)}.
Obtengamos un conjunto B′ de tal forma que B ⊆ B′ y que B′ sea una base para
R3 .
Calculemos la cápsula de B, tenemos que:
span( B) = {( a, b, c) ∈ R3 : ( a, b, c) = α(1, 0, 1) + β(1, −1, 0), α, β ∈ R }

= {( a, b, c) ∈ R3 : ( a, b, c) = (α, 0, α) + ( β, − β, 0), α, β ∈ R }
= {( a, b, c) ∈ R3 : ( a, b, c) = (α + β, − β, α), α, β ∈ R }
= {( a, b, c) ∈ R3 : α + β = a, − β = b, α = c}.
Ahora, si ( a, b, c) ∈ R3 , se tiene que ( a, b, c) ∈ span( B) si y solo si se verifica el

sistema de ecuaciones: 

 α + β = a,

− β = b,


α =c

con α, β ∈ R. La matriz ampliada asociada al sistema verifica la siguiente equiva-

lencia por filas:    
1 1 a 1 0 c
0 −1 b  ∼ 0 1 −b 
   
1 0 c 0 0 a+b−c
4
Luego, para que el sistema tenga solución se debe tener que a + b − c = 0, entonces
span( B) = {( a, b, c) ∈ R3 : a + b − c = 0}.
Ahora, notemos que (1, 0, 0) ∈

/ span( B), por tanto,
B′ = B ∪ {(1, 0, 0)}
es un conjunto linealmente independiente tal que B ⊆ B′ , además, ya que card( B′ ) =

3 = dim( R3 ), se concluye que B′ también es base de R3 .
E JERCICIO 6.
Sea W = { p( x ) ∈ R4 [ x ] : p′′ (−1) = 0}
1. Calcule una base para W
2. Completar la base del literal anterior a una base para R4 [ x ]
5
4.8 Suma de espacios vectoriales
D EFINICIÓN 1: Suma de subespacios

Sea ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subespacios vectoriales de
E. Se define la suma W1 + W2 por:
W1 + W2 = {v ∈ E : v = w1 + w2 , con w1 ∈ W1 , w2 ∈ W2 } .
P ROPOSICIÓN 1. Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subes-

pacios vectoriales de E. Se tiene que W1 + W2 es un subespacio vectorial de
E.
Demostración. De forma inmediata se tiene que W1 + W2 es diferente del vacío,

pues 0E ∈ W1 + W2 , dado que:
0E = 0E + 0E
donde 0E ∈ W1 y 0E ∈ W2 (por ser subespacios vectoriales de E).
Por otro lado, para λ ∈ K, a ∈ W1 + W2 y b ∈ W1 + W2 existen a1 ∈ W1 ,

a2 ∈ W2 , b1 ∈ W1 , b2 ∈ W2 tales que:
a = a1 + a2 y b = b1 + b2
entonces,
λa + b = λ( a1 + a2 ) + (b1 + b2 )
= (λa1 + b1 ) + (λa2 + b2 )
Lo que muestra la proposición.
1
P ROPOSICIÓN 2. Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E dos

subespacios vectoriales de E. Sean B1 y B2 bases de W1 y W2 , respectivamente,
se tiene que:
W1 + W2 = span( B1 ∪ B2 ).
E JEMPLO 1. Considere el espacio vectorial R3 , donde:
W1 = {( x, 0, 0) ∈ R3 : x ∈ R } y W2 = {(0, y, 0) ∈ R3 : y ∈ R }
son subespacios vectoriales, se tiene que:
B1 = {(1, 0, 0)} y B2 = {(0, 1, 0)}
son bases de W1 y W2 , respectivamente. Entonces:
W1 + W2 = span( B1 ∪ B2 )
= span({(1, 0, 0), (0, 1, 0)})
= {( x, y, z) ∈ R3 : ( x, y, z) = α1 (1, 0, 0) + α2 (0, 1, 0), α1 , α2 ∈ R }
= {( x, y, z) ∈ R3 : ( x, y, z) = (α1 , α2 , 0), α1 , α2 ∈ R }
= {( x, y, z) ∈ R3 : α1 = x, α2 = y, z = 0, α1 , α2 ∈ R }
= {( x, y, z) ∈ R3 : z = 0}
= {( x, y, 0) ∈ R3 : x, y ∈ R }
E JERCICIO 1. Considere el espacio vectorial R2 [t] y los subespacios vectoriales:

n o
S = p(t) = a + bt + ct2 : a + 2c = 0
n o
T = q(t) = c + dt + et2 : d − e = 0
Halle S + T y su dimensión.
T EOREMA 3: Teorema de Grassmann

Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita y W1 , W2 ⊆ E dos
subespacios vectoriales de E. Se tiene que
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) − dim(W1 ∩ W2 ).
O BSERVACIÓN 1. De acuerdo con el teorema anterior concluimos que en un espa-
2
cio vectorial E de dimensión finita, cualquier subespacio W verifica que
dim(W ) ≤ dim( E).
E JEMPLO 2. Considere los subespacios vectoriales:
W1 = {( x, 0, 0) ∈ R3 : x ∈ R } y W2 = {(0, y, 0) ∈ R3 : y ∈ R }.
Se tiene que dim( E) = dim(R3 ) = 3 y que dim(W1 ) = dim(W2 ) = 1 con

dim(W1 + W2 ) = 2, por el teorema anterior, concluimos que dim(W1 ∩ W2 ) = 0,
lo que implica que W1 ∩ W2 = {0R3 }.
E JERCICIO 2. Para el Ejercicio 1, obtenga la dim(S ∩ T ).
D EFINICIÓN 2: Suma directa

Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subespacios vectoriales
de E. La suma directa de W1 y W2 , denotada por W1 ⊕ W2 se define por:
W1 ⊕ W2 = {v ∈ E : (∃!w1 ∈ W1 )(∃!w2 ∈ W2 ) v = w1 + w2 }
Se dice que un espacio vectorial E está en suma directa de dos subespacios

W1 y W2 si cualquier elemento de E se puede escribir de manera única como
la suma de elementos de W1 y W2 .
T EOREMA 4
Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subespacios vectoriales
de E, se tiene que:
E = W1 ⊕ W2
si y sólo si:
E = W1 + W2 y W1 ∩ W2 = {0E }.
E JEMPLO 3. En el espacio vectorial R3 considere los subespacios vectoriales:
W1 = {( x, y, z) ∈ R3 : x + y + z = 0} y W2 = {( x, y, z) ∈ R3 : x = z = 0}.
Se tiene que:
W1 = {( x, y, − x − y) : x, y ∈ R }
= { x (1, 0, −1) + y(0, 1, −1) : x, y ∈ R }
3
= h{(1, 0, −1), (0, 1, −1)}i

| {z }
:= B1
con B1 un conjunto linealmente independiente, es decir, B1 = {(1, 0, −1), (0, 1, −1)}

es una base de W1 . Además,
W2 = {(0, y, 0) : y ∈ R }
= {y(0, 1, 0) : y ∈ R }
= h{(0, 1, 0)}i
| {z }
:= B2
con B2 un conjunto linealmente independiente, es decir, B2 = {(0, 1, 0)} es una

base de W2 . Por tanto:
W1 + W2 = span( B1 ∪ B2 )
= {( x, y, z) ∈ R3 : ( x, y, z) = λ1 (1, 0, −1) + λ2 (0, 1, −1) + λ3 (0, 1, 0)}
= {( x, y, z) ∈ R3 : (λ1 , λ2 + λ3 , −λ1 − λ2 ) = ( x, y, z)}
= R3
además,
W1 ∩ W2 = {( x, y, z) ∈ R3 : x + y + z = 0, x = z = 0}
= {( x, y, z) ∈ R3 : x = y = z = 0}
= (0, 0, 0)
de lo anterior se concluye:
R3 = W1 ⊕ W2 .
E JERCICIO 3. En el espacio vectorial R2×2 considere los subespacios vectoriales:

n o
W1 = A ∈ R2×2 : A = A T
n o
W2 = A ∈ R 2×2 : A = − A T
Verifique que: R2×2 = W1 ⊕ W2 .
T EOREMA 5
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita. Para todo S subes-
4
pacio vectorial de E, existe un subespacio vectorial T de E tal que
E = S ⊕ T.
Se dice que T es el subespacio complementario de S en E.
E JEMPLO 4. En el espacio vectorial R3 considere los subespacios vectoriales
W1 = {( x, y, 0) ∈ R3 : x, y ∈ R } y W2 = {(0, 0, z) ∈ R3 : z ∈ R }.
Se tiene que W2 , es el subespacio vectorial complementario de W1 en R3 .

E JERCICIO 4. Sea W = ( a, b, c, d) ∈ R4 : a + b + c = 0 un subespacio vectorial
de R4 . Encuentre un subespacio vectorial U tal que:
R4 = W ⊕ U
T EOREMA 6
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita y S, T ⊆ E subespa-
cios vectoriales de E. Si E es la suma directa de S y T, entonces
dim( E) = dim(S) + dim( T ).
E JEMPLO 5. Considere el ejemplo 4, de acuerdo con el teorema anterior se verifica

que:
dim(R3 ) = dim(W1 ) + dim(W2 ).
En efecto, se puede verificar que:
dim(W1 ) = 2 y dim(W2 ) = 1.
Notemos además que W1 ∩ W2 = {0R3 }.
5
5. E SPACIOS CON PRODUCTO INTERNO
5.1 Producto interno
D EFINICIÓN 1: Producto interno

Sea ( E, +, ·, K ) un espacio vectorial. Un producto interno sobre E es una fun-
ción
h·, ·i : E × E −→ K
(u, v) 7−→ hu, vi
tal que cumple:
1. hv, vi ≥ 0 para todo v ∈ E;
2. hv, vi = 0 si y solo si v = 0;
3. hu + v, wi = hu, wi + hv, wi para todo u, v, w ∈ E;
4. hαv, wi = α hv, wi para todo v, w ∈ E y α ∈ K.
5. hv, wi = hw, vi para todo v, w ∈ E.
En caso de tratarse de un espacio vectorial sobre el campo de los números

reales, la propiedad 5 equivale a
5. hv, wi = hw, vi para todo v, w ∈ E.
Se puede demostrar utilizando la propiedad 4 que
• si v = 0, entonces hv, vi = 0;
por lo cual, podríamos cambiar la propiedad 2 por
2. si hv, vi = 0, entonces v = 0
Si se define un producto interno sobre un espacio vectorial E, a este se lo

denomina espacio con producto interno o prehilbertiano.
1
E JEMPLO 1. En el espacio vectorial R1 [ x ] definimos la función
h·, ·i : R1 [ x ] × R1 [ x ] → R
por
h p, qi = a0 b0 + 2a1 b1
para todo p( x ) = a0 + a1 x ∈ R1 [ x ] y todo q( x ) = b0 + b1 x ∈ R1 [ x ]. La función

h·, ·i es un producto interno.
Demostración. Sean p, q, r ∈ R1 [ x ] y sea α ∈ R.

1. Tenemos que p( x ) = a0 + a1 x, y que
h p, pi = a20 + 2a21 ≥ 0.
2. Se tiene que
h p, pi = 0 ⇐⇒ a20 + 2a21 = 0.
Lo cual se verifica si y solo si a0 = a1 = 0, o equivalentemente p( x ) = 0 + 0x.
3. Notemos que q( x ) = b0 + b1 x y r ( x ) = c0 + c1 x, entonces
h p + q, r i = ( a0 + b0 )c0 + 2( a1 + b1 )c1
= ( a0 c0 + 2a1 c1 ) + (b0 c0 + 2b1 c1 )
= h p, r i + hq, r i .
4. Tenemos que
hαp, qi = (αa0 )b0 + 2(αa1 )b1 = α( a0 b0 + 2a1 b1 ) = α h p, qi .
5. Se tiene que
h p, qi = a0 b0 + 2a1 b1 = b0 a0 + 2b1 a1 = hq, pi .
Por 1, 2, 3, 4 y 5 concluimos que h·, ·i es un producto interno.
E JERCICIO 1. En el espacio vectorial R2×2 se define a la función
h·, ·i : R2×2 × R2×2 → R
por
h A, Bi = a11 b11 + 2a12 b12 + 2a21 b21 + a22 b22
2
! !
a11 a12 b11 b12
para toda A = ∈ R2×2 y todo B = ∈ R2×2 . Determine si
a21 a22 b21 b22
h·, ·i es un producto interno.
A continuación, se indican los productos internos usuales en los espacios vec-

toriales que hemos trabajado durante el curso.
1. En (R n , +, ·, R ), para x, y ∈ R n :
n
h x, yi = ∑ xk yk .
k =1
2. En (C n , +, ·, C ), para x, y ∈ C n :
n
h x, yi = ∑ xk yk .
k =1
3. En (R n [ x ], +, ·, R ), para p( x ), q( x ) ∈ R n [ x ], si
p ( x ) = a0 + a1 x + · · · + a n x n y q( x ) = b0 + b1 x + · · · + bn x n
entonces
n
h p( x ), q( x )i = ∑ a k bk .
k =0
4. En (R n×n , +, ·, R ), para A, B ∈ R n×n :
h A, Bi = Tr( AB T ).
5. En (C([ a, b]), +, ·, R ), para f , g ∈ C([ a, b]):

Z b
h f , gi = f ( x ) g( x ) dx.
a
T EOREMA 1
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno, entonces:
1. Para todo u, v, w ∈ E se verifica que:
hu, v + wi = hu, vi + hu, wi .
3
2. Para todo u, v ∈ E y α ∈ K se verifica que:
hu, αvi = α hu, vi .
3. Para todo u ∈ E se cumple que:
hu, 0i = h0, ui = 0.
En caso de tratarse de un espacio vectorial sobre el campo de los números

reales, la propiedad 2 del Teorema 1 implica
2. Para todo u, v ∈ E y α ∈ R
hu, αvi = α hu, vi
Demostración de la propiedad 2 del Teorema 1. Sean u, v ∈ E y α ∈ K, tenemos que
hu, αvi = hαv, ui

= α hv, ui
= αhv, ui
= α hu, vi .
Lo que muestra al enunciado.
E JERCICIO 2. Sea ( E, +, ·, R ) un espacio vectorial provisto de producto interno,

sean u, v, w ∈ E, demuestre que hu − v, v − wi = hv, u − vi + hw, v − ui .
D EFINICIÓN 2: Vectores ortogonales

Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y u, v ∈ E.
Se dice que u y v son ortogonales si hu, vi = 0.
E JEMPLO 2. En el espacio vectorial R3 con el producto interno usual, los vectores

u = (1, 1, 2) y v = (2, 0, −1) son ortogonales. En efecto, notemos que
hu, vi = h(1, 1, 2), (2, 0, −1)i = (1)(2) + (1)(0) + (2)(−1) = 0.
E JERCICIO 3. En el espacio!vectorial R2×2!con producto interno usual, considere

−1 0 0 1
a los vectores A = yB= . Determine si A y B son ortogonales.
−1 0 1 1
4
D EFINICIÓN 3: Norma
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno. Sea u ∈ E,
la norma de u, denotada por kuk, está definida por:
q
kuk = hu, ui .
E JEMPLO 3. En el espacio vectorial R3 considere el vector u = (2, 3, −4) y halle

su norma.
Considerando el producto interno se tiene que:

q √
kuk = h(2, 3, −4), (2, 3, −4)i = 29
!
0 2
E JERCICIO 4. En el espacio vectorial R 2×2 considere la matriz v = y
1 −1
halle su norma.
5
5. E SPACIOS CON PRODUCTO INTERNO
5.1 Producto interno
D EFINICIÓN 1: Distancia
Sea ( E, +, ·, K ) un espacio vectorial con producto interno. La distancia en el
espacio se define por
d : E × E −→ R
(u, v) 7−→ ku − vk.
E JEMPLO 1. En el espacio vectorial R3 con el producto interno usual se tiene que

la distancia en R3 es:
q
d(u, v) = ku − vk = (u1 − v1 )2 + (u2 − v2 )2 + (u3 − v3 )2
para todo u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) ∈ R3 .
E JERCICIO 1. En el espacio vectorial R2 [t] considere los vectores:
p(t) = 2 + t + 3t2
q(t) = t − 2t2
obtenga la distancia entre p y q.
T EOREMA 1: Teorema de Pitágoras

Sea ( E, +, ·, K ) un espacio vectorial con producto interno. Si u, v son vectores
ortogonales de E, entonces
k u + v k2 = k u k2 + k v k2 .
E JEMPLO 2. En el espacio vectorial R3 con el producto interno usual, los vectores

u = (1, 1, 2) y v = (2, 0, −1) son ortogonales y son tales que
k u + v k2 = k u k2 + k v k2 .
1
En efecto, por el ejemplo de vectores ortogonales, u y v son ortogonales y por el

ejemplo de norma, sus normas son tales que kuk2 = 6 y kvk2 = 5, además,
ku + vk2 = k(3, 1, 1)k2 = (3)2 + (1)2 + (1)2 = 11.
Lo que verifica el resultado.
T EOREMA 2: Desigualdad de Cauchy-Schwartz

Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno. Para todo
u, v ∈ E se cumple que
| hu, vi | ≤ kukkvk.
Esta desigualdad es una igualdad si y solo si u es un múltiplo escalar de v.
D EFINICIÓN 2: Conjunto ortogonal

Sean ( E, +, ·, K ) un espacio vectorial con producto interno y
C = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que C es un conjunto ortogonal en E si

vi , v j = 0
para todo i 6= j.
E JEMPLO 3. En el espacio vectorial R3 con el producto interno usual, el conjunto
C = {(1, 1, 1), (1, 0, −1), (−1, 2, −1)}
es un conjunto ortogonal. En efecto, notemos que
h(1, 1, 1), (1, 0, −1)i = (1)(1) + (1)(0) + (1)(−1) = 0,

h(1, 1, 1), (−1, 2, −1)i = (1)(−1) + (1)(2) + (1)(−1) = 0,
h(1, 0, −1), (−1, 2, −1)i = (1)(−1) + (0)(2) + (−1)(−1) = 0.
Luego, C es un conjunto ortogonal.
E JERCICIO 2. En el espacio vectorial R4 con el producto interno usual, demuestre

que el conjunto
C = {(1, 1, −2, 2), (0, 2, 2, 1), (0, −2, 1, 2)}
2
es ortogonal.
D EFINICIÓN 3: Conjunto ortonormal

Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y
C = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que C es un conjunto ortonormal en E si es ortogonal y
k vi k = 1
para todo i ∈ {1, . . . , k }.
E JEMPLO 4. En el espacio vectorial R3 con el producto interno usual, a partir del

conjunto ortogonal del ejemplo 3
C = {(1, 1, 1), (1, 0, −1), (−1, 2, −1)}
determinamos a un conjunto ortonormal. Para esto, calculamos las normas de los

vectores: p √
k(1, 1, 1)k = h(1, 1, 1), (1, 1, 1)i = 3
p √
k(1, 0, −1)k = h(1, 0, −1), (1, 0, −1)i = 2
p √
k(−1, 2, −1)k = h(−1, 2, −1), (−1, 2, −1)i = 6.
Luego, el conjunto ortonormal es

1 1 1
D = √ (1, 1, 1), √ (1, 0, −1), √ (−1, 2, −1) .
3 2 6
E JERCICIO 3. En el espacio vectorial R4 con el producto interno usual, dado el

conjunto ortogonal
C = {(1, 1, −2, 2), (0, 2, 2, 1), (0, −2, 1, 2)}
obtenga un conjunto ortonormal.
P ROPOSICIÓN 3. Sea ( E, +, ·, K ) un espacio vectorial provisto de producto

interno. Si {v1 , v2 , . . . , vk } es un conjunto ortonormal entonces
k α1 v1 + α2 v2 + . . . + α n v k k2 = | α1 |2 + | α2 |2 + . . . + | α k |2
3
donde α1 , α2 , . . . , αk ∈ K.
E JEMPLO 5. Considere el espacio y el conjunto ortonormal D del ejemplo 4, te-

√ √ √
nemos que si α1 = −2 3, α2 = 2, α3 = − 6, v1 = (1, 1, 1), v2 = (1, 0, −1) y
v3 = (−1, 2, −1), entonces
α1 v1 + α2 v2 + α3 v3 = (0, −4, −2).
Aplicando la definición de norma:
kα1 v1 + α2 v2 + α3 v3 k2 = k (0, −4, −2) k2 = 20. (1)
Además, se tiene que:

√ √ √
|α1 |2 + |α2 |2 + |α3 |2 = (−2 3)2 + ( 2)2 + (− 6)2 = 20. (2)
Finalmente, a partir de (1) y de (2) se comprueba la Proposición 3.
C OROLARIO 4. Sea ( E, +, ·, K ) un espacio vectorial provisto de producto in-

terno. Si C ⊆ E es un conjunto ortogonal de vectores no nulos, entonces C es
linealmente independiente.
5.2 Bases ortogonales y ortonormales
D EFINICIÓN 4: Base ortogonal (ortonormal)

En un espacio vectorial con producto interno, una base ortogonal (ortonor-
mal) es una base cuyos vectores forman un conjunto ortogonal (ortonormal).
T EOREMA 5
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno y sea
{u1 , u2 , . . . , un } una base ortogonal para E; entonces, para todo v ∈ E :
v = α1 u1 + α2 u2 + · · · + α n u n
donde:
hv, uk i
αk =
huk , uk i
para todo k ∈ {1, 2, . . . , n}.
E JEMPLO 6. En el espacio vectorial R2 con el producto interno usual, conside-
4

1 1
ramos la base ortogonal {u1 , u2 } = (1, 1), ,− . Sea v = (1, 2), tenemos
2 2
que
hv, u1 i 3 hv, u2 i
α1 = = y α2 = = −1
h u1 , u1 i 2 h u2 , u2 i
de lo cual
3 1 1
v= (1, 1) − ,− .
2 2 2
T EOREMA 6
{u1 , u2 , . . . , un } una base ortonormal para E; entonces, para todo v ∈ E :
v = α1 u1 + α2 u2 + · · · + α n u n
donde:
αk = hv, uk i
para todo k ∈ {1, 2, . . . , n}.
T EOREMA 7: Proceso de Gram-Schmidt

S = {u1 , u2 , . . . , un } un conjunto linealmente independiente que genera a un
subespacio W, es decir, W = gen(S). Entonces, los vectores:
1. v1 = u1 , y
k −1
h u k , vi i
2. vk = uk − ∑ h vi , vi i i
v , para k = 2, . . . , n
i =1
forman una base ortogonal {v1 , v2 , . . . , vn } de W.

Además, los vectores:
v
wk = k
kvk k
para k = 1, . . . , n forman una base ortonormal {w1 , w2 , . . . , wn } de W.
E JEMPLO 7. En el espacio vectorial R4 consideremos al conjunto linealmente in-

dependiente
S = {u1 , u2 , u3 } = {(1, 0, 0, 0), (0, 2, 2, 0), (0, 3, 3, −3)}
y el subespacio W = gen(S). Utilizando el Proceso de Gram-Schmidt, obtenemos
5
una base ortogonal de W:
{v1 , v2 , v3 } = {(1, 0, 0, 0), (0, 2, 2, 0), (0, 0, 0, −3)}
Además, al dividir estos vectores para sus respectivas normas, obtenemos una
base ortonormal de W:
( √ √ ! )
2 2
{w1 , w2 , w3 } = (1, 0, 0, 0), 0, , , 0 , (0, 0, 0, −1) .
2 2
T EOREMA 8
Todo espacio vectorial de dimensión finita tiene una base ortogonal y una
base ortonormal.
E JEMPLO 8. Considere la base S = {u1 , u2 , u3 } de R3 , donde
u1 = (1, 1, 0), u2 = (0, 1, 1), u3 = (1, 0, 1)
mediante el proceso de Gram-Schmidt, se obtiene la base ortonormal T = {w1 , w2 , w2 }

para R3 donde
√ √ ! √ √ √ ! √ √ √ !
2 2 6 6 6 3 3 3
w1 = , ,0 , w2 = − , , , w3 = ,− , .
2 2 6 6 3 3 3 3
6
4.3 Complemento ortogonal
D EFINICIÓN 1: Complemento ortogonal

Sean ( E, +, ·, K) un espacio vectorial provisto de producto interno y W un
subespacio de E. El complemento ortogonal de W, denotado por W ⊥ , se de-
fine por:
W ⊥ = { x ∈ E : h x, wi = 0, para todo w ∈ W }.
E JEMPLO 1. En el espacio vectorial R1 [ x ] con el producto interno usual, considere

el subespacio W = gen({1 + 2x }), su complemento ortogonal es
W ⊥ = { a0 + a1 x ∈ R1 [ x ] : a0 + 2a1 = 0} = span({−2 + x }).
E JEMPLO 2. En el espacio vectorial R2×2 con el producto interno usual, conside-

remos al subespacio vectorial
( ! )
a −a
W= : a, b ∈ R ,
a b
su complemento ortogonal es
( ! )
⊥ a a+c
W = : a, c ∈ R .
c 0
P ROPOSICIÓN 1. Sean ( E, +, ·, K) un espacio vectorial provisto de producto

interno , W ⊆ E un subespacio vectorial de E de dimensión finita y B una
base de W, se tiene que
W ⊥ = { x ∈ E : h x, wi i = 0, para todo wi ∈ B}.
E JEMPLO 3. Considere el ejemplo 2, tenemos que el conjunto:

( ! !)
1 −1 0 0
B= ,
1 0 0 1
1
es una base de W, por lo tanto:

( ! * ! !+ * ! !+ )
⊥ a b 2×2 a b 1 −1 a b 0 0
W = ∈R : , = 0, , =0
c d c d 1 0 c d 0 1
( ! ! ! )
a b a + c −a 0 c
= ∈ R2×2 : Tr = 0, Tr =0
c d b + d −b 0 d
( ! )
a b 2×2
= ∈R : a − b + c = 0, d = 0
c d
( ! )
a b 2×2
= ∈R : b = a + c, d = 0
c d
( ! )
a a+c
= ∈ R2×2 : a, c ∈ R .
c 0
T EOREMA 2
Sean ( E, +, ·, K) un espacio vectorial provisto de producto interno y W subes-
pacio vectorial de E, entonces:
1. W ⊥ es un subespacio vectorial de E.
2. W ∩ W ⊥ = {0E }.
T EOREMA 3
Sean ( E, +, ·, K) un espacio vectorial de dimensión finita con producto in-
terno y W un subespacio vectorial de E, entonces:
1. dim( E) = dim(W ) + dim(W ⊥ ).
2. E = W ⊕ W ⊥ .
E JEMPLO 4. En el espacio vectorial R1 [ x ] se define al subespacio vectorial W =

gen({1 + 2x }), se tiene que una base de W es B1 = {1 + 2x }, y una base de su
complemento ortogonal W ⊥ está dada por B2 = {−2 + x }, entonces:
dim(R1 [ x ]) = dim(W ) + dim(W ⊥ ) y R1 [ x ] = W ⊕ W ⊥ .
E JEMPLO 5. Considere el ejemplo 3, al aplicar el teorema 13 se concluye que:
R2×2 = W ⊕ W ⊥ .
2
T EOREMA 4
Sean ( E, +, ·, K) un espacio vectorial de dimensión finita provisto de produc-
to interno y W un subespacio vectorial de E, entonces
⊥
W⊥ = W.
D EFINICIÓN 2: Proyección ortogonal

Sean ( E, +, ·, K) un espacio vectorial con producto interno, W un subespacio
vectorial de E y {u1 , u2 , . . . , uk } una base ortogonal de W. Para v ∈ E, la
proyección ortogonal de v sobre W, denotado por proyW (v), se define por:
hv, u1 i hv, u2 i hv, uk i

proyW (v) = u + u2 + · · · + u ,
h u1 , u1 i 1 h u2 , u2 i huk , uk i k
donde proyW (v) ∈ W.
E JEMPLO 6. En el espacio vectorial R3 considere a B = {u1 , u2 } una base ortonor-

mal de un subespacio W de R3 , donde
√ √ ! √ √ √ !
2 2 6 6 6
u1 = , ,0 y u2 = − , ,
2 2 6 6 3
y sea v = (1, 1, 1), entonces
proyW (v) = hv, u1 i u1 + hv, u2 i u2

* √ √ !+ √ √ !
2 2 2 2
= (1, 1, 1), , ,0 , ,0 +
2 2 2 2
* √ √ √ !+ √ √ √ !
6 6 6 6 6 6
(1, 1, 1), − , , − , ,
6 6 3 6 6 3
√ √ ! √ √ √ √ !
√ 2 2 6 6 6 6
= 2 , ,0 + − , ,
2 2 3 6 6 3

1 1 2
= (1, 1, 0) + − , ,
3 3 3

2 4 2
= , ,
3 3 3
donde proyW (v) ∈ W = {( x1 , x2 , x3 ) ∈ R3 : x1 − x2 + x3 = 0}.
3
T EOREMA 5: Teorema de la proyección

to interno, W un subespacio vectorial de E y v ∈ E. Se tiene que
v = proyW (v) + proyW ⊥ (v).
E JEMPLO 7. Considere el ejemplo 6, se puede encontrar directamente la proyec-

ción ortogonal de v sobre W ⊥ , aplicando el teorema 5:
proyW ⊥ (v) = v − proyW (v)

2 4 2
= (1, 1, 1) − , ,
3 3 3

1 1 1
= ,− ,
3 3 3
sin necesidad de determinar previamente que:
W ⊥ = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = 0, x2 + x3 = 0}.
T EOREMA 6
to interno, W un subespacio vectorial de E y v ∈ E. Se tiene que el vector en
W más cercano a v es proyW (v), es decir,
kv − wk es mínima cuando w = proyW (v).
Equivale a afirmar que, para todo w ∈ W se verifica la desigualdad:
kv − proyW (v)k ≤ kv − wk,
y se cumple la igualdad solo en el caso en que w = proyW (v).
E JEMPLO 8. Considere el ejemplo 6, donde B = {u1 , u2 } es una base ortonormal

de un subespacio W de R3 , con
√ √ ! √ √ √ !
2 2 6 6 6
u1 = , ,0 y u2 = − , , .
2 2 6 6 3
4
y sea v = (1, 1, 1), entonces se tiene que tomando w = proyW (v):

2 4 2
kv − wk = k(1, 1, 1) − , , k
3 3 3

1 1 1
=k ,− , k
3 3 3
√
3
= .
3
√
3
Y por el Teorema 6, kv − wk = es la distancia mínima de v = (1, 1, 1) a
3
W = {( x1 , x2 , x3 ) ∈ R : x1 − x2 + x3 = 0}.
3
E JERCICIO 1. En R3 , sea
W = span({(1, 0, 1), (0, 2, 0)}).
Encuentre w ∈ W, tal que la norma kw − (2, −6, 2)k sea la más pequeña posible.
5
Á LGEBRA L INEAL • SEMANA 11 CLASE 02
5. A PLICACIONES LINEALES
5.1 Definición de Aplicación lineal
D EFINICIÓN 1: Aplicación lineal

Sean ( E, +1 , ·1 , K) y ( F, +2 , ·2 , K) espacios vectoriales. A una función
T : E → F se le llama aplicación lineal (transformación lineal) si para todo
α ∈ K, y todo u, v ∈ E se cumple:
1. T (u +1 v) = T (u) +2 T (v) y
2. T (α ·1 v) = α ·2 T (v).
O BSERVACIÓN 1. En adelante, consideraremos ( E, +, ·, K) y ( F, +, ·, K) espacios

vectoriales, ya que, si bien se están notando de la misma manera las operacio-
nes suma y producto de los dos espacios vectoriales, estamos claros que no tiene
por qué ser así. Con esto conseguimos simplificar la escritura de la definición de
aplicación lineal.
Se denotará:
1. T (u + v) = T (u) + T (v) y
2. T (αv) = αT (v),
para α ∈ K y u, v ∈ E.
O BSERVACIÓN 2. Al conjunto de todas las aplicaciones lineales del espacio vecto-

rial E en el espacio vectorial F, lo designaremos por L( E, F ).
E JEMPLO 1. Las siguientes funciones, son ejemplos de transformaciones lineales.
1. Aplicación lineal nula.

T : E −→ E
v 7−→ 0E
1
Departamento de Formación Básica SEMANA 11 CLASE 02
2. Aplicación lineal identidad.
T : E −→ E
v 7−→ v
3.
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
4.
T : R2 −→ R3
( x, y) 7−→ ( x − y, 2y, x + y)
5.
T: R3 −→ R3
( x, y, z) 7−→ ( x + y, y + z, x )
6.
T : R2 −→ R2×2 !
x + 2y 2x
( x, y) 7−→
0 x−y
7.
T: R3 −→ R2 [t]
( a, b, c) 7−→ a + ( a − b)t + ct2
8.
D : C 1 ([0, 1]) −→ C([0, 1])
f 7−→ D f
9.
I : C([0, 1]) −→ R
Z 1
f 7−→ f ( x ) dx
0
E JEMPLO 2. En la aplicación lineal
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
se tiene que:
T (0, 0, 0) = (0, 0) y T (−1, 2, 3) = (−7, −1).
2
SEMANA 11 CLASE 02 Departamento de Formación Básica
E JERCICIO 1. Dada la aplicación lineal:
T: R3 −→ R2 [t]
( a, b, c) 7−→ a + ( a − b)t + ct2
Hallar T (0, 0, 0), T (1, −2, 3) y T (0, −6, 1).
E JEMPLO 3. Demostremos que la aplicación definida en el Ejemplo 1 literal 1, es

lineal. En efecto:
1. Sean u, v ∈ E, de la definición de T, se sigue que:
T (u + v) = 0E
= 0E + 0E , propiedad del elemento neutro
= T (u) + T (v)
2. Sea u ∈ E y α ∈ K, de la definición de T, se sigue que:
T (αu) = 0E
= α · 0E , propiedad: α · 0E = 0E
= αT (u).
De 1 y 2 se tiene que T es una aplicación lineal.
E JEMPLO 4. Demostremos que la función definida en el Ejercicio 1 es una aplica-

ción lineal.
T : R3 −→ R2 [t]
( a, b, c) 7−→ a + ( a − b)t + ct2
1. Para todo u, v ∈ R3 , vamos a demostrar que T (u + v) = T (u) + T (v).

Sean u = ( a, b, c), v = (d, e, f ) ∈ R3 , tenemos:
T (u) = a + ( a − b)t + ct2

T (v) = d + (d − e)t + f t2 , luego
T (u) + T (v) = [ a + ( a − b)t + ct2 ] + [d + (d − e)t + f t2 ].
Por otra parte, u + v = ( a + d, b + e, c + f ), se sigue que:
T (u + v) = ( a + d) + [( a + d) − (b + e)]t + (c + f )t2
= [ a + ( a − b)t + ct2 ] + [d + (d − e)t + f t2 ].
3
Por lo tanto:
T (u + v) = T (u) + T (v)
2. Para todo α ∈ R y para todo u ∈ R3 , vamos a demostrar que T (αu) = αT (u).

Sean α ∈ R y u = ( a, b, c) ∈ R3 . Tenemos que αu = (αa, αb, αc), luego
T (αu) = αa + (αa − αb)t + αct2

= α( a + ( a − b)t + ct2 )
Por otra parte

αT (u) = α( a + ( a − b)t + ct2 )
Por lo tanto:
T (αu) = αT (u)
De 1. y 2. se sigue que T es una aplicación lineal.
E JERCICIO 2. Demuestre que la siguiente función es una aplicación lineal:
T: R3 −→ R2
.
( x, y, z) 7−→ ( x − 2z, y − z)
T EOREMA 1
Sea T ∈ L( E, F ). Para todo u, v, v1 , v2 , . . . , vn ∈ E y α1 , α2 , . . . , αn ∈ K, se tiene
que:
1. T (0E ) = 0F .
2. T (u − v) = T (u) − T (v).
!
n n
3. T ∑ αk vk = ∑ α k T ( v k ).
k =1 k =1
T EOREMA 2
(L( E, F ), +, ·, K) es un espacio vectorial. Siendo + la suma usual entre fun-
ciones y · la multiplicación de un elemento del campo por una función.
5.2 Propiedades de las aplicaciones lineales
4
P ROPOSICIÓN 3. Sean T1 , T2 ∈ L( E, F ) y B = {v1 , v2 , . . . , vn } una base para

E. Si
T1 (vi ) = T2 (vi )
para todo i ∈ {1, 2, . . . , n}, entonces T1 (v) = T2 (v), para todo v ∈ E, es decir,
T1 = T2 .
P ROPOSICIÓN 4. Si {v1 , v2 , . . . , vn } es una base del espacio vectorial E y

{ w1 , w2 , . . . , wn } ⊆ F, entonces existe una única transformación lineal
T ∈ L( E, F ), tal que:
T ( v i ) = wi
para todo i ∈ {1, 2, . . . , n}.
P ROPOSICIÓN 5. Sean T ∈ L( E, F ) y {u1 , u2 , . . . , un } una base del espacio

vectorial E. Si T (u1 ), T (u2 ), . . . , T (un ) se conocen, entonces T está determina-
da.
O BSERVACIÓN 3. Una aplicación lineal está determinada cuando se conocen las

imágenes de los vectores de una base del espacio vectorial de salida. Para encon-
trar la aplicación lineal de manera explícita, se debe hallar la imagen del elemento
genérico del espacio vectorial de salida.
Pasos para obtener una Transformación Lineal de forma explícita:
1. Demostrar que T está determinada. Es decir, comprobar que se tiene una

base del espacio vectorial de salida y la imagen de cada vector de dicha
base.
2. Escribir la ecuación generadora. Es decir, expresar el vector genérico del es-

pacio vectorial de salida como combinación lineal de los vectores de su base.
3. Obtener y resolver el sistema de Ecuaciones Lineales (obtener los escalares).
4. Reemplazar los escalares en la ecuación generadora.
5. Aplicar la Transformación Lineal en la ecuación generadora.
6. Obtener la Transformación Lineal.
E JEMPLO 5. Sean T ∈ L(R2 , R3 ), B = {(1, −1), (−3, 2)} una base de R2 , T (1, −1) =
(0, 2, 0) y T (−3, 2) = (−3, 2, 0).
5
1. ¿La aplicación lineal, T está determinada?.

Dado que B es una base del espacio vectorial de salida R2 y se conocen las
imágenes de los vectores de la base, entonces T está determinada.
2. La aplicación lineal de manera explícta es
T ( x, y) = (3x + 3y, −6x − 8y, 0), para todo( x, y) ∈ R2 .
En efecto, sean ( x, y) ∈ R2 y α1 , α2 ∈ K. Como B es una base de R2 se tiene

que:
( x, y) = α1 (1, −1) + α2 (−3, 2)

= (α1 − 3α2 , −α1 + 2α2 ).
Al igualar ambos vectores, se obtiene el siguiente sistema de ecuaciones li-

neales, en las incógnitas α1 y α2 :
α1 − 3α2 = x
−α1 + 2α2 = y.
La matriz ampliada de este sistema es:

! !
1 −3 | x 1 −3 | x
( A|b) = ∼ , F2 → F1 + F2 .
−1 2 | y 0 −1 | x+y
Como rang( A|b) = rang( A) = 2 es igual número de incógnitas, por el Teo-

rema de Rouché-Frobenius, el sistema tiene solución única dada por α2 =
−( x + y) y α1 = x + 3α2 = x − 3( x + y) = −2x − 3y.
De donde
( x, y) = α1 (1, −1) + α2 (−3, 2)

= (−2x − 3y)(1, −1) − ( x + y)(−3, 2). (1)
Al aplicar la transformación T a la ecuación (1) y de la definición de aplica-

ción lineal, se sigue que:
T ( x, y) = (−2x − 3y) T (1, −1) − ( x + y) T (−3, 2)

= (−2x − 3y)(0, 2, 0) − ( x + y)(−3, 2, 0)
= (0, −4x − 6y, 0) + (3x + 3y, −2x − 2y, 0)
= (3x + 3y, −6x − 8y, 0)
6
para todo ( x, y) ∈ R2 .
E JERCICIO 3. Determine de manera explícita T ∈ L(R2×2 , R3 ), tal que:

! !
1 0 0 1
T = (1, 0, 0), T = (1, 0, 0),
0 0 0 0
! !
0 0 0 0
T = (0, 0, 0), T = (1, −1, 1).
1 0 0 1
E JERCICIO 4. Determine de manera explícita f ∈ L(R3 , R2 [t]), tal que:
f (1, 0, 0) = −t + t2 , f (1, 1, 0) = 1 − 3t2 , f (1, 1, 1) = −t2 .
7
6.3 Núcleo e imagen
D EFINICIÓN 1: Núcleo e imagen de una aplicación lineal

Sea T ∈ L ( E, F ).
1. El núcleo de T, denotado por ker( T ), está definido por:
ker( T ) = {v ∈ E : T (v) = 0F }.
2. La imagen de T, denotada por img( T ), está definida por:
img( T ) = {w ∈ F : w = T (v) para algún v ∈ E}.
P ROPOSICIÓN 1. Sea T ∈ L ( E, F ), entonces
1. ker( T ) es un subespacio vectorial del espacio vectorial E.
2. img( T ) es un subespacio vectorial del espacio vectorial F.
E JEMPLO 1. Sea:
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
una aplicación lineal de R3 en R2 .
• Cálculo del núcleo de T.

n o
ker( T ) = ( x, y, z) ∈ R3 : T ( x, y, z) = (0, 0)
n o
= ( x, y, z) ∈ R3 : ( x − 2z, y − z) = (0, 0)
n o
= ( x, y, z) ∈ R3 : x = 2z, y = z
n o
= (2z, z, z) ∈ R3 : z ∈ R
1
• Cálculo de la imagen de T.
n o
img( T ) = (u, v) ∈ R2 : T ( x, y, z) = (u, v), para algún ( x, y, z) ∈ R3
n o
= (u, v) ∈ R2 : ( x − 2z, y − z) = (u, v), con x, y, z ∈ R
n o
= (u, v) ∈ R2 : x − 2z = u, y − z = v, con x, y, z ∈ R .
Sea (u, v) ∈ R2 , tenemos que (u, v) ∈ img( T ) si y solo si se verifica el sistema

ecuaciones lineales en las incógnitas x, y y z:
(
x − 2z = u
y − z = v.
con x, y, z ∈ R, cuya matriz ampliada es:

!
1 0 −2 u
( A|b) = .
0 1 −1 v
Como rang( A|b) = rang( A) = 2 por el Teorema de Rouché-Frobenius el

sistema es consistente para todo u y v ∈ R. Por lo tanto:
img( T ) = R2 .
E JERCICIO 1. Sea:
T : R2×2! −→ R2
a b
7−→ ( a + b, −d)
c d
una aplicación lineal de R2×2 en R2 . Determine el núcleo y la imagen de T.
P ROPOSICIÓN 2. Sea T ∈ L ( E, F ).
1. T es inyectiva si y solo si ker( T ) = {0E }.
2. T es sobreyectiva si y solo si img( T ) = F.
O BSERVACIÓN 1. Dado que la img( T ) es un subespacio de F si dim(img( T )) =

dim( F ), se concluye que img( T ) = F.
E JEMPLO 2. Sea:
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
2
una aplicación lineal de R3 en R2 . Considerando el ejemplo 1 se tiene que ker( T ) 6=

{(0, 0, 0)} junto con la proposición 2 se concluye que T no es inyectiva. Además,
dado que img( T ) = R2 junto con la proposición 2 se concluye que T es sobreyec-
tiva.
E JERCICIO 2. Sea:
T : R2 −→ R3
( x, y) 7−→ ( x − y, 2x, x + y)
una aplicación lineal de R2 en R3 .
a) Determine si la aplicación es inyectiva.
b) Determine si la aplicación es sobreyectiva.
D EFINICIÓN 2: Nulidad y rango de una aplicación lineal

Sea T ∈ L ( E, F ).
1. Se llama nulidad de T a la dim(ker( T )).
2. Se llama rango de T a la dim(img( T )).
E JEMPLO 3. Sea:
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
una aplicación lineal de R3 en R2 . Considerando el ejemplo 1 se puede comprobar

que una base del núcleo de T es B = {(2, 1, 1)}, lo que implica que la nulidad de
T es dim(ker( T )) = 1. Además, como img( T ) = R2 se tiene que el rango de T es
dim(img( T )) = dim(R2 ) = 2.
E JERCICIO 3. Para cada aplicación lineal de los ejercicios 1 y 2 determine a la nu-

lidad y al rango.
3
6.3 Núcleo e imagen
T EOREMA 1
Si T ∈ L ( E, F ) y la dimensión del espacio vectorial E es finita, entonces
dim( E) = dim(ker( T )) + dim(img( T )).
E JEMPLO 1. Sea:
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
una aplicación lineal de R3 en R2 . Se puede comprobar que dim(ker( T )) = 1

y dim(img( T )) = 2, lo que implica que dim(ker( T )) + dim(img( T )) = 3 =
dim(R3 ).
P ROPOSICIÓN 2. Sean T ∈ L ( E, F ) y E un espacio vectorial de dimensión

finita. Si dim( E) = dim( F ), entonces los siguientes enunciados son equiva-
lentes
• T es inyectiva,
• T es sobreyectiva.
E JEMPLO 2. Sea:
T : R2 −→ R1 [t]
( x, y) 7−→ x + ( x + y)t
una aplicación lineal de R2 en R1 [t]. Se tiene que ker( T ) = {(0, 0)}, lo que implica
que T es inyectiva. Además, dado que dim(R2 ) = dim(R1 [t]) y que T es inyectiva,
por la proposición 2 se concluye que T es sobreyectiva.
E JERCICIO 1. Sea:
T : R2×2! −→ R4
a b
7−→ ( a + b, −d, 0, c)
c d
1
una aplicación lineal de R2×2 en R4 . Verifique que T no es inyectiva ni sobreyec-

tiva.
T EOREMA 3
Sean T ∈ L ( E, F ), dim( E) = n y dim( F ) = m. Si:
1. n > m, entonces T no es inyectiva.
2. m > n, entonces T no es sobreyectiva.
E JEMPLO 3. Sea:
T: R3 −→ R2
( x, y, z) 7−→ ( x, y)
una aplicación lineal de R3 en R2 . Dado que dim(R3 ) > dim(R2 ) por el teorema
3 se concluye que T no es inyectiva.
E JEMPLO 4. Sea:
T : R2 −→ R2×2 !
x 0
( x, y) 7−→
0 y
una aplicación lineal de R2 en R2×2 . Dado que dim(R2×2 ) > dim(R2 ) por el
teorema 3 se concluye que T no es sobreyectiva.
6.4 Isomorfismos
D EFINICIÓN 1: Isomorfismo
Sea T ∈ L ( E, F ). Se dice que T es un isomorfismo de E en F si T es biyectiva.
E JEMPLO 5. Sea:
T : R2 −→ R1 [t]
( x, y) 7−→ x + ( x + y)t
una aplicación lineal de R2 en R1 [t]. Considerando al ejemplo 2 se tiene que T es

inyectiva y sobreyectiva, lo que implica que T es biyectiva y junto con la definición
1 se concluye que T es un isomorfismo de R2 en R1 [t].
E JERCICIO 2. Sean:
T1 : R2 −→ R2 T2 : R2 −→ R2
y
( x, y) 7−→ ( x − y, 2x − y) ( x, y) 7−→ ( x + y, 2x + 2y)
2
dos aplicaciones lineales de R2 en R2 . Determine si T1 y T2 son isomorfismos de

R2 en R2 .
D EFINICIÓN 2: Espacios isomorfos

Los espacios vectoriales ( E, +, ·, K ) y ( F, +, ·, K ) se dicen isomorfos si existe
un isomorfismo T de E en F; se lo denota por E ∼ = F.
T EOREMA 4
Si T ∈ L ( E, F ) es un isomorfismo y:
1. {v1 , v2 , . . . , vn } genera a E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
genera a F;
2. {v1 , v2 , . . . , vn } es linealmente independiente en E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
es linealmente independientes en F;
3. {v1 , v2 , . . . , vn } es una base de E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
es una base de F;
4. E es de dimensión finita, entonces F es de dimensión finita y
dim( E) = dim( F ).
E JEMPLO 6. Sea:
T : R2 −→ R1 [t]
( x, y) 7−→ x + ( x + y)t
una aplicación lineal de R2 en R1 [t]. Considerando al ejemplo 5 se tiene que T es

un isomorfismo de R2 en R1 [t]. Adicionalmente, sea {(1, 1), (1, 0)} una base de
R2 , dado que T (1, 1) = 1 + 2t y T (1, 0) = 1 + t, por el teorema 4 se concluye que
{1 + 2t, 1 + t} es una base de R1 [t].
3
T EOREMA 5
Si ( E, +, ·, R ) y ( F, +, ·, R ) son espacios vectoriales de dimensión finita n, en-
tonces E ∼ = F.
E JEMPLO 7.
1. R m×n ∼
= R mn , con m, n ∈ N ∗ .
2. R n [ x ] ∼
= R n+1 , con n ∈ N ∗ .
4
6.5 Vector de coordenadas
D EFINICIÓN 1: Base ordenada

Sean ( E, +, ·, K ) un espacio vectorial y B una base del espacio vectorial E. Si
B es una sucesión, es decir,
B = { v1 , v2 , . . . , v n },
se la llama base ordenada.
D EFINICIÓN 2: Vector de coordenadas

Sean ( E, +, ·, K ) un espacio vectorial, B = {v1 , v2 , . . . , vn } una base ordenada
del espacio vectorial E y u ∈ E. El vector de componentes de u en la base B
es:  
α1
 α2 
 
[u] B =  .. 

 . 
αn
donde
u = α1 v1 + α2 v2 + . . . + α n v n
con αi ∈ K para todo i ∈ {1, . . . , n}.
En la literatura, también se puede encontrar la definición anterior bajo el

nombre de vector de componentes.
E JEMPLO 1. Considere el espacio vectorial R3 . Sea B1 = {(2, 0, 1), (1, 2, 0), (1, 1, 1)}
una base ordenada de R3 , para hallar las coordenadas del vector v = (4, −9, 5) en
la base B1 , realizamos la combinación lineal
v = (4, −9, 5) = α(2, 0, 1) + β(1, 2, 0) + γ(1, 1, 1)
1
de donde α = 4, β = −5 y γ = 1, entonces las coordenadas del vector v =

(4, −9, 5) en la base B1 es  
4
[v] B1 = −5
 
1
puesto que
v = (4, −9, 5) = 4(2, 0, 1) − 5(1, 2, 0) + (1, 1, 1)
E JEMPLO 2. Considere el espacio vectorial R1 [ x ], sea C = {1, x } la base canónica

de R1 [ x ], entonces las coordenadas del vector p( x ) = −3 + 2x en la base C son
!
−3
[ p( x )]C =
2
puesto que p( x ) = −3 + 2x = −3(1) + 2( x )
E JERCICIO 1. Considere el espacio vectorial R3 hallar el vector de coordenadas

u = (−6, 2, 4):
1. En la base canónica C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
2. En la base B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
6.6 Matriz asociada
En adelante, consideraremos que la dimensión del espacio vectorial E es n y la

dimensión del espacio vectorial F es m. Además, cuando se haga referencia a una
base, ésta se asumirá que es ordenada.
T EOREMA 1
Si ( E, +, ·, K ) y ( F, +, ·, K ) son espacios vectoriales, entonces L ( E, F ) es iso-
morfo a K m×n .
D EFINICIÓN 3
Sean T ∈ L ( E, F ), B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um } bases de los es-
pacios vectoriales E y F respectivamente. La matriz asociada a la aplicación
B
lineal T en las bases B1 y B2 , que se denota por [ T ] B12 , es aquella cuya j− ésima
columna es [ T (v j )] B2 . Es decir,

[ T ] BB12 = [ T (v1 )] B2 · · · [ T (vn )] B2
2
E JEMPLO 3. Dada la aplicación lineal:
T: R3 −→ R2
( x, y, z) 7−→ ( x + y, y − z)
Sean B1 = {(1, 0, 1), (0, 1, 1), (1, 1, 1)} y B2 = {(1, 2), (−1, 1)} bases de los espacios
B
vectoriales R3 y R2 ; vamos a calcular a [ T ] B12 .

B
Como [ T ] B12 = [ T (1, 0, 1)] B2 [ T (0, 1, 1)] B2 [ T (1, 1, 1)] B2 primero calcularemos
las imágenes de la base de salida y luego los vectores de coordenadas en la base
de llegada.
Las imágenes de los elementos de la base de salida son:
T (1, 0, 1) = (1, −1), T (0, 1, 1) = (1, 0) y T (1, 1, 1) = (2, 0).
Ahora, a estas imágenes las expresamos como combinación lineal de los elementos
de la base de llegada, tenemos:
(1, −1) = 0(1, 2) + (−1)(−1, 1),

1 2
(1, 0) = (1, 2) + − (−1, 1) y
3 3

2 4
(2, 0) = (1, 2) + − (−1, 1).
3 3
Entonces los vectores de coordenadas son:

2
   
! 1
0
[ T (1, 0, 1)] B2 = , [ T (0, 1, 1)] B2 =  32  y [ T (1, 1, 1)] B2 =  34  .
   
−1 − −
3 3
Por la definición, estos vectores son las columnas de la matriz asociada. Es decir,
 
1 2
0
[ T ] BB12 =  3 3 
4 .

2
−1 − −
3 3
O BSERVACIÓN 1. Otra posibilidad en el cálculo de los vectores de coordenadas de
las imágenes consiste en encontrar el vector de coordenadas del vector genérico
del espacio vectorial de llegada (en el ejemplo anterior R2 ) y luego reemplazar las
imágenes de la base de salida.
El vector genérico expresado como combinación lineal de los elementos de una
base se llama ecuación generadora.
3
En caso de no existir riesgo de confusión en las bases que se utiliza, se nota

simplemente por [ T ] a la matriz asociada a la aplicación lineal T.
P ROPOSICIÓN 2. Sean T ∈ L ( E, F ), v ∈ E, B1 = {v1 , v2 , . . . , vn } y B2 =

{u1 , u2 , . . . , um } bases de los espacios vectoriales E y F, respectivamente, en-
tonces
[ T (v)] B2 = [ T ] BB12 [v] B1 .
E JEMPLO 4. Considerando el ejemplo 3, sea (−2, 2, 8) ∈ R3 , se tiene que:

   
−2 6
 2  =  10  .
   
8 B
−8
1
Además, se tiene que T (−2, 2, 8) = (0, −6), de lo cual:

" !# !
0 −2
[ T (−2, 2, 8)] B2 = = .
−6 −2
B2
Notemos que verifica que:
[ T (−2, 2, 8)] B2 = [ T ] BB12 [(−2, 2, 8)] B1 .
P ROPOSICIÓN 3. Sean T ∈ L ( E, F ), B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um }

bases de los espacios vectoriales E y F, respectivamente. T es biyectiva si y
B
solo si [ T ] B12 es invertible.
E JEMPLO 5. Considerando el ejemplo 3 notemos que ya que dim(R3 ) 6= dim(R2 )

B
la aplicación lineal no será biyectiva, además, la matriz [ T ] B12 no es invertible.
T: R4 −→ R2×2 !
x1 − x2 x2 − x1
( x1 , x2 , x3 , x4 ) 7−→ .
x3 − x4 x4 − x3
Sean
B1 = {(1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)}
4
y ( ! ! ! !)
1 0 1 1 1 1 1 1
B2 = , , ,
0 0 0 0 1 0 1 1
bases de los espacios vectoriales R4 y R2×2 .

B
1. Determine a [ T ] B12 .
2. Sea (0, 1, 1, 0) ∈ R4 verifique que se cumple que:
[ T (0, 1, 1, 0)] B2 = [ T ] BB12 [(0, 1, 1, 0)] B1 .
B
3. Calcule el determinante de [ T ] B12 .
4. Utilizando a la proposición 3 indique si la aplicación lineal T es biyectiva.
T EOREMA 4
Si E, F y G son espacios vectoriales de dimensión finita sobre el mismo campo
K; B1 , B2 y B3 son bases de los espacios vectoriales E, F y G respectivamente;
T1 ∈ L( E, F ) y T2 ∈ L( F, G ), entonces
[ T2 ◦ T1 ] BB13 = [ T2 ] BB23 [ T1 ] BB12 .
T EOREMA 5
Si E y F son espacios vectoriales sobre el mismo campo K, B1 y B2 son bases
de los espacios vectoriales E y F respectivamente y T ∈ L( E, F ) es biyectiva,
entonces −1
[ T ] BB12 = [ T −1 ] BB21 .
E JERCICIO 3. Dada la aplicación lineal biyectiva:
T : R2 −→ R1 [t]
( x, y) 7−→ (2x + y) + (3x + 2y)t
Sean B y C las bases canónicas de R2 y R1 [t], respectivamente.

Determinar la matriz asociada a la aplicación T −1 respecto a las bases C y B;
es decir, [ T −1 ]CB .
5
6.7 Matriz de cambio de base
D EFINICIÓN 1: Matriz de cambio de base

Sean E un espacio vectorial sobre el cuerpo K, B1 y B2 bases del espacio vec-
torial E. A la matriz asociada a la aplicación lineal identidad en las bases B1
de salida y B2 de llegada se le llama matriz de cambio de base de la base B1 a
la base B2 .
P ROPOSICIÓN 1. Sean E un espacio vectorial de dimensión finita, B1 y B2

bases del espacio vectorial E. Si v ∈ E, entonces
[v] B2 = [ I ] BB12 [v] B1 .
En la literatura, también se puede encontrar la definición anterior bajo el

nombre de matriz de transición y se utiliza también la notación PB2 ← B1 .
E JEMPLO 1. Una matriz de cambio de base en el espacio vectorial R1 [t].

B
Para obtener a la matriz de cambio de base [ I ] B12 , sean
B1 = {1 + t, 2 − t} y B2 = {t, 1 − t}
dos bases para el espacio vectorial R1 [t].

Primero, calculemos las imágenes de la base de salida, tenemos:
I (1 + t ) = 1 + t y I (2 − t) = 2 − t.
Segundo, encontremos los respectivos vectores de coordenadas en la base B2 de

estas imágenes. Para no resolver dos sistemas de ecuaciones ”muy parecidos”,
vamos a expresar al vector genérico de R1 [t] como una combinación lineal de los
elementos de la base B2 . Es decir, hay que calcular los valores de α y β tales que
a + bt = α(t) + β(1 − t).
1
Resolviendo el sistema de ecuaciones se tiene que
α = a+b y β = a.
Por ende
a + bt = ( a + b)t + a(1 − t)
o lo que es lo mismo !
a+b
[ a + bt] B2 = .
a
Para determinar los vectores de coordenadas de las imágenes de la base de salida,

reemplazamos los valores de a y b, tenemos:
! !
2 1
[1 + t] B2 = y [2 − t] B2 = .
1 2
Finalmente !
2 1
[ I ] BB12 = .
1 2
T EOREMA 2
Si B1 y B2 son bases del espacio vectorial E, entonces
−1
[ I ] BB21 = [ I ] BB12 .
E JEMPLO 2. Usando las mismas bases del ejemplo 1, calcular la [ I ] BB21 .

B
Como ya conocemos a [ I ] B12 , usamos el teorema.
!
−1 1 2 −1
[ I ] BB21 = [ I ] BB12 = .
3 −1 2
T EOREMA 3
Si B1 y B2 son bases del espacio vectorial E; D1 y D2 bases del espacio vecto-
rial F y T ∈ L ( E, F ), entonces
[ T ] BD22 = [ I ] D1 B1 B2
D2 [ T ] D1 [ I ] B1 .
2
C OROLARIO 4. Si B1 y B2 son bases del espacio vectorial E y T ∈ L ( E, E),

entonces
[ T ] BB22 = [ I ] BB12 [ T ] BB11 [ I ] BB21 .
E JERCICIO 1. Sea f : R2 → R3 una aplicación lineal de R2 en R3 , sean
B1 = {(1, 0), (0, 1)} y B2 = {(1, −1), (0, 1)}
bases de R2 ,
D1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y D2 = {(1, 1, 0), (0, 1, 1), (1, −1, 1)}
bases de R3 y sea  
1 1
[ f ] BD11 = 1 −1 .
 
1 2
Obtenga a [ f ] BD22 .
Sean B1 , B2 y C bases de E, donde C es la base canónica de E. Entonces:
[ I ] BB21 = [ I ]CB1 [ I ]CC [ I ]CB2

= [ I ]CB1 [ I ]CB2
−1
= [ I ]CB1 [ I ]CB2 .
3
7. VALORES Y VECTORES PROPIOS

En esta sección consideramos que E es un espacio vectorial sobre el campo K.
7.1 Valores y vectores propios
D EFINICIÓN 1
Sean T ∈ L ( E, E) y λ ∈ K. Se dice que λ es un valor propio de T si existe
v ∈ E, con v 6= 0E , tal que
T (v) = λv.
A este vector v se lo llama vector propio de T asociado al valor propio λ.
E JEMPLO 1. Dada la aplicación lineal
T : R2 −→ R2
( x, y) 7−→ (10x − 18y, 6x − 11y).
Notemos que:
T (2, 1) = (10(2) − 18(1), 6(2) − 11(1)) = (20 − 18, 12 − 11) = (2, 1) = 1(2, 1)
por lo tanto, λ1 = 1 es un valor propio de T y v = (2, 1) es un vector propio de T

asociado a λ1 . Por otro lado,
T (3, 2) = (10(3) − 18(2), 6(3) − 11(2)) = (30 − 36, 18 − 22) = (−6, −4) = −2(3, 2)
por lo tanto, λ2 = −2 es un valor propio de T y v = (3, 2) es un vector propio de

T asociado a λ2 .
Se puede demostrar que un vector propio se asocia con un único valor pro-
pio, además, el vector 0E puede ser asociado a cualquier valor propio, por
tanto, el vector 0E no puede ser considerado como un vector propio.
1
P ROPOSICIÓN 1. Sean T ∈ L ( E, E) y λ ∈ K un valor propio de T. Se tiene

que el conjunto
Eλ = {v ∈ E : T (v) = λv}
es un subespacio vectorial de E. A Eλ se lo denomina el espacio propio de T

asociado al valor propio λ.
E JEMPLO 2. Dada la aplicación lineal
T : R2 −→ R2
( x, y) 7−→ ( x + 2y, 4x + 3y).
Notemos que:
T (1, 2) = (1 + 2(2), 4(1) + 3(2)) = (1 + 4, 4 + 6) = (5, 10) = 5(1, 2)
Lo que nos permite concluir que 5 es un valor propio de T y que (1, 2) es un vector
propio asociado a 5, además, el espacio propio asociado a 5 es:
n o
E5 = ( x, y) ∈ R2 : y = 2x .
E JERCICIO 1. Considere a la aplicación lineal del ejemplo 2, verifique que para el

valor propio −1 un vector propio asociado es (−1, 1), ¿cuál será el espacio propio
asociado a −1?
D EFINICIÓN 2
Supongamos que dim( E) = n y que T ∈ L ( E, E). El espectro de T es el
conjunto de todos sus valores propios.
E JEMPLO 3. Considere a la aplicación lineal del ejemplo 2, su espectro es igual a

{−1, 5}.
En adelante, consideraremos a E como un espacio vectorial de dimensión finita

igual a n.
T EOREMA 2
Sean T ∈ L ( E, E) y λ1 , λ2 , . . . , λn valores propios de T distintos entre sí.
Si tomamos v1 , v2 , . . . , vn vectores propios asociados a los valores propios
λ1 , λ2 , . . . , λn , respectivamente, entonces el conjunto {v1 , v2 , . . . , vn } es lineal-
mente independiente.
2
E JEMPLO 4. Considerando a la aplicación lineal del ejemplo 2 tenemos que si

λ1 = −1 y λ2 = 5 con v1 = (−1, 1) y v2 = (1, 2), entonces el conjunto {v1 , v2 } es
linealmente independiente.
D EFINICIÓN 3
Sea A ∈ K n×n , se define la aplicación lineal
TA : K n×1 −→ K n×1
u 7−→ Au.
A los valores propios de TA se los denomina valores propios de A, a los vec-

tores propios de TA se los denomina vectores propios de A y a los espacios
propios de TA se los denomina espacios propios de A. Además, se denomina
espectro de A al espectro de TA .
!
1 2
E JEMPLO 5. Dada la matriz A = , se tiene que TA está dada por:
4 3
TA : R2×!1 −→ R2×1 !
x x + 2y
7−→ .
y 4x + 3y
Se tiene que los valores propios

! de TA !son λ1 = −1 y λ2 = 5 con vectores pro-
−1 1
pios asociados u1 = y u2 = , respectivamente. Además, los espacios
1 2
propios de TA son:
( ! )
v1
E−1 = ∈ R 2×1 : v 1 + v 2 = 0
v2
y ( ! )
v1 2×1
E5 = ∈R : −2v1 + v2 = 0 .
v2
P ROPOSICIÓN 3. Sean T ∈ L ( E, E) y B una base de E. Se tiene que
1. λ ∈ K es un valor propio de T si y solo si es un valor propio de [ T ] BB ; y,
2. v ∈ E es un vector propio de T si y solo si [v] B ∈ K n×1 es un vector

propio de [ T ] BB .
3
E JEMPLO 6. Considere a la aplicación lineal del ejemplo 2 y la matriz del ejemplo

5. Tomando a B como la base canónica de R2 se tiene que A = [ T ] BB , notemos que:
1. Tanto −1 como 5 son valores propios de T y de A.

!
−1
2. El vector v1 = (−1, 1) es un vector propio de T y que u1 = es un
1
vector propio de A, siendo u1 = [v1 ] B .
!
1
3. El vector v2 = (1, 2) es un vector propio de T y que u2 = es un vector
2
propio de A, siendo u2 = [v2 ] B .
O BSERVACIÓN 1. Si consideramos una aplicación lineal T ∈ L ( E, E), con dim( E) =

n. De este resultado, se sigue que, para determinar los valores, vectores y espacios
propios de T, basta determinar los valores, vectores y espacios propios de una
matriz de representación de esta.
P ROPOSICIÓN 4. Sea A ∈ K n×n , se tiene que λ ∈ K es un valor propio de A

si y solo si existe v ∈ K n×1 , con v 6= 0, tal que
Av = λv,
además, a v se lo denomina como vector propio de A asociado al valor propio

λ.
4
7.2 Polinomio característico
D EFINICIÓN 1
Sea A ∈ K n×n . Al polinomio
p(λ) = det( A − λIn )
se lo denomina polinomio característico de A, donde In es la matriz identi-

dad.
!
1 2
E JEMPLO 1. Dada la matriz A = , su polinomio característico es:
4 3
p(λ) = det( A − λI2 )

! !!
1 2 1 0
= det −λ
4 3 0 1
!
1−λ 2
= det
4 3−λ
= λ2 − 4λ − 5.
Por lo tanto, p(λ) = λ2 − 4λ − 5 es el polinomio característico de A.
P ROPOSICIÓN 1. Sean A ∈ K n×n y λ ∈ K. Se tiene que λ es un valor propio

de A si y solo si
det( A − λIn ) = 0,
donde In es la matriz identidad.
Notemos que todo valor propio de A ∈ K n×n , es raíz del polinomio carac-
terístico de A.
1
!
1 2
E JEMPLO 2. Dada la matriz A = , del ejemplo anterior su polinomio
4 3
característico es:
p(λ) = det( A − λI2 )

= λ2 − 4λ − 5
= (λ + 1)(λ − 5).
Por lo tanto, λ1 = −1 y λ2 = 5 son los valores propios de A.
P ROPOSICIÓN 2. Los valores propios de una matriz triangular son los ele-
mentos de la diagonal principal de la matriz.
T EOREMA 3: Teorema de Cayley–Hamilton

Sea A ∈ K n×n y p(λ) su polinomio característico. Se tiene que
p( A) = 0.
Es decir, toda matriz es un cero de su polinomio característico, esto es, si

A ∈ K n×n y si su polinomio característico es
p ( λ ) = λ n + c n −1 λ n −1 + · · · + c 1 λ + c 0
entonces,
p( A) = An + cn−1 An−1 + · · · + c1 A + c0 In = 0.
!
1 2
E JEMPLO 3. Para la matriz A = , sabemos que su polinomio característico
4 3
es:
p(λ) = λ2 − 4λ − 5.
Luego, se tiene que:

! ! ! !
2 9 8 1 2 1 0 0 0
p( A) = A − 4A − 5I2 = −4 −5 = .
16 17 4 3 0 1 0 0
Algoritmo para encontrar los valores y vectores propios de una matriz.

Sea A ∈ K n×n .
Paso 1. Hallar el polinomio característico p(λ) de A.
2
Paso 2. Hallar las raíces de p(λ).
Paso 3. Repetir los pasos a) y b) para cada valor propio λ de A:
a) Construir M = A − λIn restando λ a los elementos diagonales de

A.
b) Encontrar una base para el espacio solución de Mv = 0. Los vec-
tores de la base son vectores propios linealmente independientes
de A asociados a λ.
 
1 −1 4
E JEMPLO 4. Dada la matriz A = 3 2 −1.
 
2 1 −1
Paso 1. Su polinomio característico es:
p(λ) = det( A − λI3 )

   
1 −1 4 1 0 0
= det 3 2 −1 − λ 0 1 0 
   
2 1 −1 0 0 1
 
1−λ −1 4
= det  3 2−λ −1 
 
2 1 −1 − λ
= −λ3 + 2λ2 + 5λ − 6.
Por lo tanto, p(λ) = −λ3 + 2λ2 + 5λ − 6.

Paso 2. Las raíces de p(λ) son:
p(λ) = 0
3 2
−λ + 2λ + 5λ − 6 = 0
−(λ − 1)(λ + 2)(λ − 3) = 0.
por lo tanto las raíces de p(λ) son λ1 = 1, λ2 = −2 y λ3 = 3.

Paso 3.
Para λ1 = 1.
3
     
1 −1 4 1 0 0 0 −1 4
A − λ1 I3 = 3 2 −1 − 0 1 0 = 3 1 −1 .
     
2 1 −1 0 0 1 2 1 −2
Encontremos la solución de ( A − λ1 I3 )v = 0
    
0 −1 4 x1 0
( A − λ1 I3 )v = 3 1 −1  x2  = 0
    
2 1 −2 x3 0
por lo que la matriz ampliada del sistema es
   
0 −1 4 | 0 0 −1 4 | 0
F1 + F2 → F2
3 1 −1 | 0 ∼ 3 0 3 | 0
   
F1 + F3 → F3
2 1 −2 | 0 2 0 2 | 0
 
0 −1 4 | 0
1
∼ 1 0 1 | 0 F2 → F2
 
3
2 0 2 | 0
 
0 −1 4 | 0
∼ 1 0 1 | 0 − 2F2 + F3 → F3
 
0 0 0 | 0
de donde se tiene que x1 = − x3 ; x2 = 4x3 y
E1 = h(−1, 4, 1)i .
Verifique que E−2 = h(1, −1, −1)i y E3 = h(1, 2, 1)i .

En conclusión λ1 = 1, λ2 = −2 y λ3 = 3 son los valores propios de A y
(−1, 4, 1), (1, −1, −1), (1, 2, 1) son vectores propios de λ1 , λ2 y λ3 , respectivamen-
te.
T : R1 [t] −→ R1 [t]
a + bt 7−→ (6a − b) + (3a + 2b)t.
Hallar los valores y vectores propios de T.
4
T EOREMA 4
Cualquier polinomio de grado n tiene exactamente n raíces (contando con las
veces que una determinada raíz se repite) en los complejos.
D EFINICIÓN 2
Sea λ un valor propio de la matriz A, el número de veces que un valor propio
λ se repite como raíz del polinomio característico ρ(λ) se llama multiplicidad
algebraica, notada m a (λ).
D EFINICIÓN 3
Sea λ un valor propio de la matriz A, entonces la multiplicidad geométrica
de λ, notada m g (λ) está dada por
m g (λ) = dim( Eλ )
T EOREMA 5
Sea λ valor propio de la matriz A, entonces
m g (λ) ≤ m a (λ)
T EOREMA 6
Contando multiplicidades, toda matriz A ∈ K n×n tiene exactamente n valo-
res propios en los complejos.
 
1 0 0 1
0 2 0 0
E JEMPLO 5. La matriz A =   tiene como valores propios a λ1 = 0
 
0 0 2 0
1 0 0 1
y λ2 = 2 con m a (λ1 ) = 1, m a (λ2 ) = 3, m g (λ1 ) = 1 y m g (λ2 ) = 3.
5
7.3 Diagonalización
D EFINICIÓN 1
Sean A, B ∈ K n×n . Se dice que A es semejante o similar a B si existe una
matriz no singular C ∈ K n×n tal que
CB = AC
o equivalentemente
B = C −1 AC.
! !
1 −1 2 −1
E JEMPLO 1. Sean las matrices A = yC = . Encontrar una
0 2 1 0
matriz B ∈ R2×2 tal que A sea semejante a la matriz B, a través de la matriz
invertible C. !
a b
En efecto, sea B = ∈ R2×2 tal que CB = AC, es decir:
c d
! ! ! !
2 −1 a b 1 −1 2 −1
=
1 0 c d 0 2 1 0
! !
2a − c 2b − d 1 −1
= .
a b 2 0
!
2 0
De donde, a = 2, b = 0, c = 3 y d = 1. Así, B = . Por lo tanto, A y B son
3 1
semejantes.
Otra manera de encontrar B es utilizando la expresión B = C −1 AC, es decir:
! ! !
0 1 1 −1 2 −1
B =
−1 2 0 2 1 0
!
2 0
= .
3 1
1
! !
1 1 −1 1
E JERCICIO 1. Sean las matrices E = y F = . Encontrar una
1 1 1 1
matriz D ∈ R2×2 tal que E sea semejante a D, a través de la matriz invertible F.
T EOREMA 1
Sean A, B, C ∈ K n×n .
1. Si A es semejante a B entonces B es semejante a A.
2. A es semejante a sí mismo.
3. Si A es semejante a B y B es semejante a C entonces A es semejante a C.
D EFINICIÓN 2
Una matriz A ∈ K n×n se dice diagonalizable si es semejante a una matriz
diagonal. En este caso, también diremos que A puede diagonalizarse.
E JEMPLO 2. Del ejercicio 1, se tiene que!E es diagonalizable, puesto que es seme-

0 0
jante a una matriz diagonal D = .
0 2
E JERCICIO 2. Determine si la matriz E del Ejemplo 1 es diagonalizable.
T EOREMA 2
Sean A, B ∈ K n×n matrices semejantes. Entonces
1. p A (λ) = pB (λ).
2. A y B tienen los mismos valores propios.
3. Tr( A) = Tr( B).
E JEMPLO 3. En el ejemplo 1, las matrices A y B tienen el mismo polinomio carac-

terístico, los mismos valores propios y la misma traza. Del mismo modo sucede
con las matrices E y D del ejercicio 1.
E JERCICIO 3. ¿El recíproco del Teorema 2 es verdadero?. Justifique su respuesta.
Si A, B ∈ K n×n son matrices semejantes, los vectores propios son distintos

generalmente.
2
T EOREMA 3
Una matriz A ∈ K n×n es diagonalizable si y solo si tiene n vectores propios
linealmente independientes.
Si A ∈ K n×n una matriz diagonalizable, entonces existe C ∈ K n×n no sin-

gular tal que C −1 AC = D, donde D ∈ K n×n está dada por:
 
λ1 0 0 ··· 0
 
 0 λ2 0 · · · 0 
 
D=0 0 λ3 · · · 0 


 . .. .. .. .. 
 .. . . . . 
 
0 0 0 · · · λn
donde λ1 , λ2 , · · · , λn son los valores propios de A. Además, C es una matriz

cuyas columnas son, respectivamente, los n vectores propios linealmente
independientes de A.
!
1 2
E JEMPLO 4. Considere a la matriz A = , se tiene que:
4 3
!
−1 0
1. La matriz A es semejante a la matriz D = , para esto consideramos
0 5
!
−1 1
a la matriz no singular C = .
1 2
2. La matriz A es diagonalizable.
3. Las matrices A y D tienen los mismos valores propios.
4. Los vectores propios de A forman un conjunto linealmente independiente.
T EOREMA 4
Si la matriz A ∈ K n×n tiene n valores propios diferentes, entonces A es dia-
gonalizable.
!
1 2
E JERCICIO 4. ¿ La matriz A = es diagonalizable?
2 −1
3
T EOREMA 5
Sea A ∈ K n×n . A tiene n vectores propios linealmente independientes si y
sólo si la multiplicidad geométrica de cada valor propio es igual a la multi-
plicidad algebraica.
E JEMPLO 5. Considere a la matriz diagonalizable

 
1 1 −2
A = 4 0 4 ,
 
1 −1 4
 
0 0 0
con matriz diagonal semejante D = 0 2 0.
 
0 0 3
En efecto, para cada valor propio se tiene que la multiplicidad algebraica es igual
a la geométrica, lo que implica que A tiene 3 vectores propios linealmente inde-
pendientes, por tanto, A es diagonalizable, es decir, es semejante a una matriz
diagonal D cuyos elementos en la diagonal principal son los valores propios de la
matriz A.
T EOREMA 6
B
Sea T ∈ L ( E, E) y sean B1 y B2 dos bases de E, entonces [ T ] B11 y [ T ] BB22 son
semejantes.
E JEMPLO 6. Sea T ∈ L (R2 , R2 ) y sean B1 y B2 bases de R2 , se tiene que:
[ T ] BB22 = [ I ] BB12 [ T ] BB11 [ I ] BB21 = ([ I ] BB21 )−1 [ T ] BB11 [ I ] BB21 .
B
Lo que implica que [ T ] B11 y [ T ] BB22 son semejantes.
Proceso para diagonalizar una matriz A ∈ K n×n .
Paso 3. Para cada valor propio λ j de A con multiplicidad algebraica k j , de-

terminamos una base para el espacio solución de ( A − λ j In )v = 0 (el
espacio propio asociado con λ j ).
4
Si la dimensión del espacio del espacio propio es menor que k j , en-

tonces A no es diagonalizable. De acuerdo con ello, determinamos n
vectores propios linealmente independientes de A.
Paso 4. Sea C la matriz cuyas columnas son los n vectores propios lineal-
mente independientes determinados en el paso 3. Entonces,
C −1 AC = D,
es una matriz diagonal cuyos elementos de la diagonal son los valores

propios de A correspondientes a las columnas de C.
 
1 0 0
E JEMPLO 7. La matriz A = 1 1 0 no es diagonalizable ya que tiene a 1 co-
 
0 1 1
mo valor propio con multiplicidad algebraica igual a 3 y multiplicidad geométrica
igual a 1, es decir, solamente tiene un vector propio asociado a 1.
E JERCICIO 5. Diagonalice la matriz del Ejercicio 4.
5
7.4 Diagonalización de matrices simétricas
T EOREMA 1
Todos los valores propios de una matriz simétrica son números reales.
T EOREMA 2
Si A ∈ R n×n es una matriz simétrica, los vectores propios correspondientes a
valores propios distintos de A son ortogonales.
!
2 2
E JEMPLO 1. Considere a la matriz simétrica A = , el valor propio λ1 = 0
2 2
!
−1
tiene a u1 = como vector propio asociado mientras que el valor propio
1
!
1
λ2 = 4 tiene a u2 = como vector propio asociado. Notemos que con el
1
producto interno usual se tiene que hu1 , u2 i = 0.
P ROPOSICIÓN 3. Una matriz A ∈ R n×n es ortogonal (A T = A−1 ) si y solo si

las columnas (y las filas) de A forman un conjunto ortonormal de vectores en
Rn .
T EOREMA 4
Si A ∈ R n×n una matriz simétrica, entonces existe una matriz ortogonal P
tal que P−1 AP = D, es una matriz diagonal. Los valores propios de A están
sobre la diagonal principal de D.
E JEMPLO 2. Considere a la matriz A del ejemplo 1 y a sus vectores propios asocia-

dos dados. Considerando el conjunto {u1 ,u2 }, formado porlos vectores propios
1 1
de A, obtenemos al conjunto ortonormal u , u , luego, la matriz P
k u1 k 1 k u2 k 2
1
está dada por: √ √ !

−√ 22 √2
2
P= 2 2
2 2
que verifica ser ortogonal y que P−1 AP = D, es decir:

√ √ ! ! √ √ ! !
−√ 22 √2
2
2 2 −√ 22 √2
2
0 0
2 2 2 2
= .
2 2
2 2 2 2
0 4
T EOREMA 5
Una matriz A ∈ R n×n es ortogonalmente diagonalizable si y solo si A es
simétrica.
O BSERVACIÓN 1. Notemos que una matriz simétrica siempre es diagonalizable,

además, lo es por medio de una matriz ortogonal, es decir, P−1 = P T . En tal caso,
decimos que A es ortogonalmente diagonalizable.
O BSERVACIÓN 2. Si una matriz simétrica A tiene un valor propio λ j con multipli-

cidad k j , el espacio propio asociado tiene dimensión k j . Esto es, existen k j vectores
propios de A linealmente independientes , asociados al valor propio λ j . Con el
proceso de Gram-Schmidt, podemos construir una base ortonormal para el espa-
cio propio asociado a λ j .
Proceso para diagonalizar una matriz simétrica A ∈ K n×n mediante una

matriz ortogonal P.
Paso 3. Para cada valor propio λ j de A, con multiplicidad algebraica k j , de-

terminar una base de k j vectores propios para el espacio solución de
( A − λ j In )v = 0 (el espacio propio asociado con λ j ).
Paso 4. Para cada espacio propio, transformamos la base obtenida en el pa-

so 3 en una base ortonormal mediante el proceso de Gram-Schmidt.
Paso 5. Sea P la matriz cuyas columnas son los n vectores propios lineal-
mente independientes determinados en el paso 4. Entonces P es una
matriz ortogonal, y
P T AP = D,
2
es una matriz diagonal cuyos elementos de la diagonal son los valores

propios de A correspondientes a las columnas de P.
 
1 0 1
E JERCICIO 1. Diagonalizar ortogonalmente a la matriz A = 0 2 0.
 
1 0 1

Resumen Álgebra Lineal 2021A EPN

Cargado por

Copyright:

Formatos disponibles

Resumen Álgebra Lineal 2021A EPN

Cargado por

Información del documento

Descripción 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

Resumen Álgebra Lineal 2021A EPN

Cargado por

Copyright:

Formatos disponibles

E SCUELA P OLITÉCNICA N ACIONAL

Á LGEBRA L INEAL • S EMANA 01 C LASE 01

Semestre 2021-A Departamento de Formación Básica

En este curso, tomaremos:

• m, n ∈ N con m > 0 y n > 0;

• I = {1, 2, . . . , m} y J = {1, 2, . . . , n}; y

1.1 Definiciones y conceptos fundamentales

la cual se representa por

Con esto, se dice que A es de orden m × n y que tiene m filas y n columnas.

O BSERVACIÓN 1. A aij se lo denomina elemento o componente ij de A, el número

E JEMPLO 1. Considere las matrices

La matriz A es de orden 3 × 2 y la matriz B es de orden 2 × 3. El elemento en la

D EFINICIÓN 2: Filas y columnas

se la llama la j-ésima columna de A que notaremos A j y a la matriz

se la llama la i-ésima fila de A que notaremos Ai .

E JEMPLO 2. Considere la matriz

D EFINICIÓN 3: Igualdad de matrices

b) aij = bij para todo i ∈ I y j ∈ J.

E JEMPLO 3. Dados x, y, z ∈ R, considere las matrices A y B,

E JERCICIO 3. Dadas las matrices A, B, C ∈ R2×2 donde

aij = máx{i, j}, bij = mı́n{i, j} y cij = − máx{−i, − j}

Por notación, si a ∈ K n , se asumirá a = ( a1 , a2 , . . . , an ).

Podemos identificar cada elemento de K n con una matriz de K n×1 de la

entonces, visto como matriz es

E JEMPLO 4. El vector u = (1, 2, y) donde y ∈ R, visto como matriz es

1.2 Operaciones entre matrices

En esta sección consideramos p, q ∈ N con p > 0 y q > 0.

D EFINICIÓN 5: Suma de matrices

para todo i ∈ I y j ∈ J. A esta matriz se la denota por A + B.

E JEMPLO 5. Considere las matrices

La suma de las matrices A y B se calcula sumando los elementos que ocupan la

E JERCICIO 5. Considere a la matriz A del ejemplo 5, calcular A + A.

c) Existe una única matriz 0 de orden m × n tal que

para cualquier matriz A de orden m × n. La matriz 0 se denomina neu-

d) Para cada matriz A de orden m × n, existe una única matriz, denotada

A la matriz − A se la denomina el inverso aditivo de A.

D EFINICIÓN 6: Multiplicación por un escalar

para todo i ∈ I y j ∈ J. A esta matriz se la denota por αA.

E JEMPLO 6. Multiplicación de un escalar con una matriz. Se tiene que

E JERCICIO 6. Considere a la matriz A del ejemplo 5 calcular 2A y compare con

T EOREMA 2: Propiedades de la multiplicación por un escalar

1.2 Operaciones entre matrices

D EFINICIÓN 1: Multiplicación de matrices

cij = ai1 b1j + ai2 b2j + · · · + aip b pj

para todo i ∈ I y j ∈ J. A esta matriz se la denota por AB.

E JEMPLO 1. Considere las matrices A, B ∈ K3×3 :

Notemos que el número de columnas de A es el número de filas de B, luego, su

Calculemos también, al elemento c33 de C, en este caso consideramos la fila 3 de

= a31 b13 + a32 b23 + a33 b33

Finalmente, la multiplicación de las matrices A y B está dada por:

E JERCICIO 1. Considere las siguientes matrices A ∈ K2×3 y B ∈ K3×2 :

Obtenga a la matriz AB.

O BSERVACIÓN 1. Dadas dos matrices A y B si AB = BA, entonces diremos que

E JEMPLO 2. Considere a las matrices A y B del ejercicio 1, tenemos que

Notemos que AB ∈ K2×2 y que BA ∈ K3×3 con AB 6= BA, es decir, A y B no

E JERCICIO 2. Dadas las matrices

Verificar que se cumple que ( A + B) x = Ax + Bx.

D EFINICIÓN 2: Transpuesta de una matriz

para todo i ∈ I y j ∈ J. A esta matriz se la denota por A⊺ .