Algebra Matricial

UNIVERSIDAD AUTONMA DE SANTO DOMINGO
(UASD)
FACULTAD DE CIENCIAS
ESCUELA DE MATEMATICA
CENTRO UNIVERSITARIO REGIONAL DE SANTIAGO
(CURSA)
APUNTES SOBRE ALGEBRA LINEAL
ELABORADO POR
GENARO VIAS
PARA LA ASIGNATURA:
ALGEBRA MATRICIAL (MAT-239)
CONTIENE:
UNIDAD 1: ESPACIOS VECTORIALES REALES
UNIDAD 2: TRANSFORMACIONES LINEALES
UNIDAD 3: POLINOMIOS CARACTERISTICOS, VECTORES Y VALORES
PROPIO.
Alfabeto Griego
Maysculas
Minsculas
Pgina 1
Nombre
alfa
beta
gama
delta
epsiln
zita
ita
thita
iota
kapa
lamda
mi
ni
xi
omicrn
pi
ro
sigma
tau
ipsilon
fi
khi
psi
omega
Contenido
Unidad 1: Espacios Vectoriales
1. Definicin de espacio vectorial
2. Subespacios
3. Combinacin lineal
4. Conjunto generador y espacio generado
5. Dependencia e independencia lineal de vectores
6. Base de un espacio vectorial
7. Dimensin de un espacio vectorial
8. Espacios Vectoriales asociados a una matriz A
8.1. Espacio Nulo de una matriz A
8.2. Espacio Fila de una matriz A
8.3. Espacio Columna de una matriz A
8.4. Rango y singularidad de una matriz
9. Coordenadas y Cambio de Base
9.1. Coordenadas de un vector con respecto a una base S
9.2. Matriz de transicin o de cambio de base
10. Bases ortonormales en
10. 1. Proceso de ortogonalizacin de Gram-Schmidt

11. Complementos ortogonales
11.1. Proyeccin Ortogonal
Unidad 2: Transformaciones lineales

1. Transformacin Lineal
1.2. Ejemplos de transformaciones lineales
2. Propiedades de las transformaciones lineales
Pgina 2
3. Ncleo (kernel) e imagen de una transformacin lineal

4. Nulidad y rango de una transformacin lineal
5. Representacin matricial de una transformacin lineal
6. Operaciones con Transformaciones Lineales
6.1. Suma
6.2. Multiplicacion por un escalar
6.3. Composicin
6.4. El espacio Vectorial de las Transformaciones Lineales
7. Tipos de Transformaciones Lineales
7.1. Transformacin lineal inyectiva
7.2. Transformacin lineal sobreyectiva
7.3. Transformacin lineal biyectiva
7.4. Isomorfismo
7.5. Espacios Vectoriales Isomorfos
8. Transformacin Lineal Inversa
Unidad 3: Polinomios Caractersticos, vectores y valores propios.

1. Valores caractersticos y vectores caractersticos
2. Polinomio caracterstico y ecuacin caracterstica
3. Espacio caractersticos
4. Multiplicidad algebraica de un valor caracterstico ()
5. Multiplicidad geomtrica de un valor caracterstico ()
6. Matrices semejantes
3.6.1. Propiedades de las matrices semejantes
7. Matriz diagonalizable
8. Matrices simtricas y diagonalizacin ortogonal
Pgina 3
UNIDAD 1: ESPACIOS VECTORIALES

1. Definicin de Espacio Vectorial
Definicin: Sea V un conjunto no vaco en el que se han definido dos operaciones ( ,
),
suma entre vectores y multiplicacin por escalar respectivamente, y sea K un campo

numrico, el conjunto V sobre el campo K forma un espacio vectorial si se cumplen las
siguientes propiedades:
1) u, v V, u v V . La suma vectorial es cerrada o interna en V.
2) u, v V, u v v u . La suma vectorial es conmutativa en V.
3) u, v, w V, u (v w) (u v) w . La suma vectorial es asociativa en V.
4) 0V V tal que u V, u 0V 0V u u . Existencia del elemento neutro o
identidad para la suma vectorial en V.
5) (u) V tal que u V, u (u) (u) u 0V . Existencia del elemento simtrico
u opuesto para la suma vectorial en V.
6) u V t K, t
u V . La multiplicacin por un escalar
7) u V t , r K, (t.r )
u t
(r
es cerrada en V.
u) . Propiedad asociativa de la multiplicacin de
dos escalares por un vector.

8)
u, v V t K, t
(u v) t
u t
v.
Propiedad
distributiva
de
la
distributiva
de
la
multiplicacin por un escalar con respecto a la suma de dos vectores.

9)
u V t , r K, (t r )
u t
ur
u.
Propiedad
multiplicacin de una suma de dos escalares por un vector.

10) e K tal que u V, e
u u . Existencia de la unidad escalar.
Pgina 4
Si se cumplen estas 10 propiedades, a la estructura (V, K, ,
) se le llama espacio
vectorial V sobre el campo K y a los elementos de V se les llama vectores.

Ejemplos:
1) Sean V R K R , entonces R con sus operaciones usuales forman un espacio
n
v1 , v2 R n donde
v2 ( y1, y2 ,..., yn ) y
r R la suma vectorial se define como
vectorial. Las operaciones usuales en R son: para dos vectores
v1 ( x1, x2 ,..., xn ) y
v1 v2 ( x1, x2 ,..., xn ) ( y1, y2 ,..., yn ) ( x1 y1, x2 y2 , ..., xn yn ) y la multiplicacin por

escalar t
v1 t
( x1, x2 ,..., xn ) (tx1, tx2 ,..., txn ) .
2
3
4
n
Como n es cualquier nmero natural podemos concluir que: R, R , R , R , ..., R con
sus operaciones usuales forman, cada uno, un espacio vectorial sobre el campo de los
nmeros reales.
2) Sea M m x n el conjunto de todas las matrices de orden m x n, si V M m x n y K R,
entonces M m x n con sus operaciones usuales forman un espacio vectorial. Las operaciones
usuales en M m x n son la suma de matrices y la multiplicacin de un nmero por una matriz.
3) Sea Pn el conjunto de todos los polinomios de grado menor o igual que n, si
V Pn K R , entonces Pn con sus operaciones usuales forman un espacio vectorial.

Las operaciones usuales en Pn
son la suma de polinomios y la multiplicacin de un
nmero por un polinomio.

4) Sea F[ a , b ] el conjunto de todas las funciones reales continuas definidas en el intervalo
[a, b], si V F[ a , b ] K R , entonces F[ a , b ] con las operaciones usuales de suma de
funciones y multiplicacin de un nmero por una funcin forman un espacio vectorial.
Pgina 5
5) Sea V 0V K R ; es decir, el conjunto V solo contiene al vector nulo. Como
0V 0V 0V y r
0V 0V , r R
podemos afirmar que se cumplen todas las
propiedades requeridas y que V constituye un espacio vectorial el cual es denominado

Espacio Vectorial Trivial.
Para demostrar que un conjunto V con dos operaciones ,
es un espacio vectorial,
debemos probar que se cumplen las 10 propiedades descritas en la definicin. Debemos

probarlas todas, pero podemos iniciar con las dos de cerradura (1) y (6), a continuacin la
del neutro (4) porque si alguna de estas falla ya no hay que seguir probando.
Ejemplos: Demostrar si el conjunto y las operaciones dadas constituye un espacio
vectorial real.
1) El conjunto V ( x, y) tal que x, y R , x 0 y 0 ; es decir. V es el conjunto de
todos los pares ordenados de nmeros reales ( x, y) donde x y son nmeros positivos,
la suma y multiplicacin por escalar
son las usuales de R 2 .
Demostracin:
Primero probamos si se cumplen las propiedades de cerradura (1) y (6):
Propiedad 1: Sean u ( x1, y1 ) v ( x2 , y2 ) elementos de V, entonces
u v ( x1, y1 ) ( x2 , y2 ) ( x1 x2 , y1 y2 ) . Como la suma de dos nmeros positivos es
otro nmero positivo podemos afirmar que ( x1 x2 , y1 y2 ) u v V y que la suma es

cerrada en V.
Propiedad 6: Sean u ( x1, y1 ) V r R , entonces r
ur
( x1, y1 ) (rx1, ry1 ) . Pero
como r puede ser cualquier nmero real, si r es negativo (rx1, ry1 ) V y la multiplicacin
por escalar
no es cerrada en V.
Pgina 6
Por lo tanto el conjunto V ( x, y) tal que x R , x 0 y 0 con las operaciones

indicadas no constituye un espacio vectorial.
2) El conjunto V ( x, y, z ) tal que x, y, z R , z 0 ; es decir, V es el conjunto de todas

las ternas ordenadas de nmeros reales ( x, y, z ) donde z 0 , la suma y multiplicacin
por escalar
son las usuales de R 3 .
Demostracin:
Primero probamos si se cumplen las propiedades de cerradura (1) y (6)
Propiedad 1: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V, entonces
u v ( x1, y1,0) ( x2 , y2 ,0) ( x1 x2 , y1 y2 ,0 0) ( x1 x2 , y1 y2 ,0) .
Como el resultado de la suma tiene la misma forma de los elementos de V podemos

afirmar que u v ( x1, y1,0) ( x2 , y2 ,0) ( x1 x2 , y1 y2 ,0) V y que la suma es cerrada
en V.
Propiedad 6: Sean u ( x1, y1,0) V r R , entonces r
ur
( x1, y1,0) (rx1, ry1,0) .
Este resultado tiene la misma forma de los elementos de V por lo que (rx1, ry1,0) V y la
multiplicacin por escalar
es cerrada en V.
Propiedad 4: Siendo u ( x1, y1,0) V debemos probar que existe 0V V tal que
u 0V u . Sea 0V (a, b,0) .
Entonces u 0V ( x1, y1,0) (a, b,0) ( x1 a, y1 b,0 0) ( x1, y1,0) .

Esto implica que x1 a x1, y1 b y1 0 0 0 y que a 0, b 0 .
Por lo que existe 0V V y es 0V (0,0,0) .
Como se han cumplido las tres propiedades debemos seguir probando las dems.
Pgina 7
Propiedad 2: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V, entonces

u v ( x1, y1,0) ( x2 , y2 ,0) ( x1 x2 , y1 y2 ,0 0) ( x2 x1, y2 y1,0 0) v u .
Como u v v u se cumple la propiedad conmutativa de la suma.

Propiedad 3: Sean u ( x1, y1,0), v ( x2 , y2 ,0) w ( x3 , y3 ,0) elementos de V, entonces
u v w ( x1, y1,0) ( x2 , y2 ,0) ( x3 , y3 ,0)

( x1 x2 , y1 y2 ,0 0) ( x3 , y3 ,0)
( x1 x2 ) x3 ,( y1 y2 ) y3 ,(0 0) 0
x1 ( x2 x3 ), y1 ( y2 y3 ), 0 (0 0
( x1 , y1 ,0) x2 x3 , y2 y3 , 0 0
u v w
Como u v w u v w se cumple la propiedad asociativa de la suma.
Propiedad 5: Siendo u ( x1, y1,0) V debemos probar que existe u V tal que
u u 0V (0,0,0) . Sea u (c, d ,0) .
Entonces u u ( x1, y1,0) (c, d ,0) ( x1 c, y1 d ,0 0) (0,0,0) .

Esto implica que x1 c 0, y1 d 0 y que c x1 d y1 . Por lo que existe
u V y es u ( x1, y1,0) .
Propiedad 7: Sean u ( x1, y1,0) V r , t R , entonces (rt )
(rt )
u (rt )
u.
x1, y1,0 (rt ) x1,(rt ) y1,0 r (tx1 ), r (ty1 ),0 r tx1, ty1,0
t x1, y1,0
Como (rt )
ur
ur
u se cumple la propiedad asociativa de la multiplicacin de dos
escalares por un vector.

Pgina 8
Propiedad 8: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V r R , entonces
u v r
debemos probar que r

r
u v r
u r
v .
( x1 x2 , y1 y2 ,0 0) (r ( x1 x2 ), r ( y1 y2 ),0)
(rx1 rx2 , ry1 ry2 ,0) (rx1 , ry1 ,0) (rx2 , ry2 ,0)
r ( x1 , y1 ,0) r ( x2 , y2 ,0) r
r
u r
u v r
Como r
( x1 , y1 ,0) r
.
( x2 , y2 ,0)
u r
v se cumple la propiedad distributiva de la
multiplicacin de un escalar por una suma de vectores.

Propiedad 9: Sean u ( x1, y1,0) V r , t R , entonces (r t )
(r t )
u (r t )
ur
u t
u.
x1, y1,0 (r t ) x1,(r t ) y1,0 rx1 tx1, ry1 ty1,0
rx1 , ry1 ,0 tx1 , ty1 ,0 r ( x1 , y1,0) t ( x1, y1,0)

r
x1, y1,0 t
u t
Como (r t )
ur
( x1 , y1 ,0)
u t
u se cumple la propiedad distributiva de la suma de dos
escalares por un vector.

Propiedad 10: Sean u ( x1, y1,0) V , entonces
1
u 1
( x1, y1,0) (1x1,1y1,0) ( x1, y1,0) . Por lo que existe la unidad escalar 1 R tal
que u V , 1 u u .
Como
se
cumplen
las
10
propiedades
podemos
afirmar
que
el
conjunto
V ( x, y, z ) tal que x, y, z R , z 0 con la suma y multiplicacin por escalar usuales

de R 3 constituye un espacio vectorial real.
Pgina 9
Teorema 1.1: (Propiedades de los espacios Vectoriales)

Si V es un espacio vectorial sobre un campo K, entonces:
i) 0
u 0V , u V .
ii) t
0V 0V , t K
iii) Si t
u 0V implica que t 0 u 0V .
iv) u V, (1)
u u
Demostracin:
u (0 0)
i ) Hagamos 0
u 0
0
u 0
u0
u 0
Sumemos 0
u.
u 0
u0
u a ambos lados
Si aplicamos la propiedad asociativa y la suma de opuesto obtenemos
0V 0
u 0
0V 0
u 0V
0V 0
0V t
ii ) Hagamos t
0V t
0V t
Queda demostrado
0V 0V y apliquemos la propiedad distributiva
0V 0V t
u 0
0V t
0V t
0V t
0V Sumemos t
0V t
0V a ambos lados
0V
Si aplicamos la propiedad asociativa y la suma de opuesto obtenemos
0V t
0V t
0V t
0V 0V
0V t
0V
0V t
0V
Queda demostrado
Pgina 10
iii ) Sea t 0, entonces multiplicamos ambos lados de t

para obtener
1
t
u 1
t
0V 1t t
Ahora sea u 0V , entonces sumemos t

para obtener
u t
t (t )
u t
(1 1)
u 0V
u
Queda demostrado
u 0V y que
u 1 u 1 u,entonces
1 u u 0V
u a ambos lados de t
u como u 0V , entonces 0 t t 0
iv) Sabemos que (1 1)
u 0V 1 u 0V u 0V
u 0V t
u t
u 0V por 1
sumando u a ambos lados
u u (u ) 0V (u ) por asociativa y suma del neutro
1 u u (u ) u obtenemos
1 u 0V u
1 u u
Queda demostrado
Observaciones importantes:
Si V es un espacio vectorial sobre un campo K y u, v, w V , entonces se verifica que:
i)
El elemento neutro o vector nulo ( 0V ) es nico.
ii)
El elemento simtrico o vector opuesto ( u ) es nico.
iii) u v u w v w .
iv) (u) u .
v)
Si r , t K , entonces r
u t
u r t . Siendo u 0v
Pgina 11
EJERCICIOS PROPUESTOS
I- Determine si el conjunto V dado es cerrado bajo las operaciones ,
definidas.
1) V es el conjunto de todos los pares ordenados de nmeros reales ( x, y) , donde
x 0 y y 0 . se define como ( x1, y1 ) ( x2 , y2 ) ( x1 x2 , y1 y2 ) y

como c ( x1, y1 ) (cx1, cy1 ) .
se define
2) V es el conjunto de todas las ternas ordenadas de nmeros reales de la forma (0, y, z ) .
se define como (0, y1, z1 ) (0, y2 , z2 ) (0, y1 y2 , z1 z2 ) y

c
se define como
(0, y1, z1 ) (0,0, cz1 ) .
3) V es el conjunto de todos los polinomios de la forma at 2 bt c , donde son a, b, c

nmeros reales y b a 1 .
se define como (a1t 2 b1t c1 ) (a2t 2 b2t c2 ) (a1 a2 )t 2 (b1 b2 )t (c1 c2 ) y

se define como r
(a1t 2 b1t c1 ) (ra1 )t 2 (rb1 )t rc1 .
a b
4) V es el conjunto de todas las matrices 2 x 2,
, donde son a d .
c
d
se define como la suma usual de matrices y

matriz por un escalar.
se define como la multiplicacin de una
II- Determine si el conjunto dado con las operaciones dadas en cada caso constituye un
espacio vectorial en el campo de los nmeros reales.
1) R 2 con sus operaciones usuales.
2) El conjunto de todas las ternas ordenadas de nmeros reales. se define como
se define como
( x1, y1, z1 ) ( x2 , y2 , z2 ) ( x2 , y1 y2 , z2 ) y
c
( x1, y1, z1 ) (cx1, cy1, cz1 ) .
3) El conjunto de todas las ternas ordenadas de nmeros reales. se define como

se define como
( x1, y1, z1 ) ( x2 , y2 , z2 ) ( x1 x2 , y1 y2 , z1 z2 ) y
c
( x1, y1, z1 ) ( x1, 1, z1 ) .

Pgina 12
4) El conjunto de todos los pares ordenados de nmeros reales ( x, y) .
se define como ( x1, y1 ) ( x2 , y2 ) ( x1 x2 , y1 y2 ) y

c
se define como
( x1, y1 ) (0, 0) .
5) El conjunto de todos los pares ordenados de nmeros reales ( x, y) , donde x 0 , con las
operaciones usuales de R 2 .
6) El conjunto de todos los nmeros reales positivos u .
se define como u v uv y
se define como c
u uc .
III- Demuestre que:

1) Si u v u w , entonces v w .
2) (u) u
3) El vector cero (0V ) de un espacio vectorial V es nico.
2. Subespacios
Definicin: Sea V un espacio vectorial sobre un campo K y W un subconjunto no vaco de
V. Si W es un espacio vectorial sobre K con las mismas operaciones definidas en V,
entonces W es un subespacio de V.
Teorema 2.1: Sea V un espacio vectorial sobre un campo K con las operaciones ,
sea W un subconjunto no vaco de V. Entonces W es un subespacio de V si, y solo s se

cumplen las siguientes condiciones:
i) u, v W, u v W . La suma vectorial es cerrada o interna en W.
ii) u W t K, t
u W . La multiplicacin por un escalar
Pgina 13
es cerrada en W.
Ejemplo: Sea V = R2 y W={(x, y)/ y 2 x} ; es decir, los elementos de W son de la forma

(x, 2x). Probemos que W es un subespacio de R2.
Todos los elementos de W son vectores de R2 por lo tanto W V=R 2 . Probemos
entonces si se cumplen las dos propiedades de cerradura.
Sean v1, v2 W tales que v1 ( x1,2 x1 ) v2 ( x2 ,2 x2 ) y t R , entonces:
v1 v2 ( x1,2 x1 ) ( x2 ,2 x2 ) ( x1 x2 , 2 x1 2 x2 ) [ x1 x2 , 2( x1 x2 )] ,
i)
haciendo
x1 x2 x se obtiene v1 v2 [ x1 x2 , 2( x1 x2 )] ( x,2 x) W , por lo que la suma

vectorial es cerrada en W.
ii)
v1 t
( x1,2 x1 ) [t x1, t (2 x1 )] [t x1, 2(t x1 )] ,
haciendo
t x1 x
se
obtiene
v1 [t x1, 2(t x1 )] ( x, 2 x) W por lo que la multiplicacin por escalar es cerrada en W.
Como se cumplen las dos condiciones necesarias W es un subespacio de R2.
i) Todo espacio V es subespacio de s mismo.
ii) El subconjunto de un espacio vectorial V que solo contiene al vector 0V es un
subespacio de V (subespacio trivial).
iii) Si un subconjunto W no contiene al 0V , entonces W no es un subespacio de V.
iv) Los subespacios no triviales de R2 son las rectas que pasan por el origen. Los
subespacios no triviales de R3 son las rectas y los planos que pasan por el origen.
Nota: De aqu en adelante utilizaremos siempre los signos + y . en lugar de y
facilitar la escritura.
Pgina 14
para
I- Determine:
2
1) Si el conjunto W ( x, y) / y x es un subespacio de R .
3
2) Si el conjunto W ( x, y, z ) / z 0 es un subespacio de R .
3) Si el conjunto W ( x, y) / y x 1 es un subespacio de R 2 .
3
3
5) Si el conjunto W ( x, y, z ) / z x y es un subespacio de R .
3
7) Si el conjunto W de todos los polinomios de la forma a2t 2 a1t a0 donde a0 0 es un

subespacio de P2 .
8) Si el conjunto W de todos los polinomios de la forma a2t 2 a1t a0 donde a0 a1 1 es
un subespacio de P2 .
9) Si el conjunto W de todos los polinomios de la forma a3t 3 a2t 2 a1t a0 donde
a2 2a1 a0 a3 es un subespacio de P2 .
a b c
10) Si el conjunto W de todas las matrices de la forma
donde a b c es un
d
0
0
subespacio de M 2x3 .
a b c
donde b c 1 es un
d
e
f
subespacio de M 2x3 .
a b
donde b c 0 es un
c d
subespacio de M 2x 2 .
13) Si el conjunto W de las matrices simtricas es un subespacio del conjunto de todas las
matrices M n x n .
Pgina 15
3. Combinacin Lineal:
Definicin: sean v1, v2 ,..., vn vectores de un espacio vectorial V. Un vector v de V es una
combinacin lineal de v1, v2 ,..., vn
si
existen escalares
c1, c2 ,..., cn tales que
v c1v1 c2v2 ... cnvn

Ejemplo: Sean v1 (1,3,2), v2 (4, 2,1), v3 (5, 2,0) v (6,8,7) . Observe que
v 2v1 3v2 4v3 2(1,3,2) 3(4, 2,1) 4(5, 2,0)

(2,6,4) (12, 6,3) (20,8,0) (6,8,7) v
por lo que v es combinacin lineal de v1, v2 v3 .
3. Conjunto Generador y Espacio Generado:

Definicin: Sea S {v1, v2 ,..., vn } un conjunto de vectores de un espacio vectorial V.
Entonces S es un conjunto generador de V si todo vector v de V se puede escribir como
combinacin lineal de los vectores de S. Es decir, v V, v c1v1 c2v2 ... cnvn para
ciertos valores c1, c2 ,..., cn . Podemos decir entonces que S es generador de V o V es un
espacio generado por S.
Si S no genera a todo V, entonces genera un subespacio propio W de V, denotado
W gen S gen {v1, v2 ,..., vn} .
Procedimiento para determinar si S {v1, v2 ,..., vn } genera el espacio vectorial V.

Paso 1. Seleccione un vector arbitrario v de V.
Paso 2. Determine si v es una combinacin lineal de los vectores de S. Si lo es, los
vectores de S generan a V, de lo contrario no lo generan y de acuerdo a las condiciones
presentadas en la solucin del sistema que se plantea podemos determinar el subespacio
W gen S gen {v1, v2 ,..., vn} .

Pgina 16
Ejemplos:
1) Sea S {v1, v2} tal que v1 (1, 3); v2 (2, 5) . Determine si S genera a R2.
Definamos v ( x, y) R 2 y hagamos la combinacin lineal
v c1v1 c2v2 c1 (1, 3) c2 (2, 5) ( x, y) .

Esta combinacin lineal nos lleva al sistema de ecuaciones:
c1 2c2 x
3c1 5c2 y
1
La matriz ampliada del sistema es
3
2 : x 1
5 : y 0
0 : 2 y 5x
1 : 3x y
Analizando la forma escalonada de la matriz ampliada vemos que el sistema tiene solucin
c1 2 y 5x c2 3x y sin importar los valores de x e y. Por lo tanto el conjunto S
genera a R2.
2) Sea S {v1, v2 , v3} tal que v1 (1, 2,3); v2 (3, 5,8); v3 (2, 1, 1) . Determine si S
genera a R3. Definimos v ( x, y, z ) R 3 y hacemos la combinacin lineal
v c1v1 c2v2 c3v3 c1 (1, 2,3) c2 (3, 5,8) c3 (2, 1, 1) ( x, y, z) .

Esta combinacin lineal nos lleva al sistema de ecuaciones
c1 3c2 2c3 x
2c1 5c2 c3 y
3c1 8c2 c3 z
La forma escalonada de la matriz ampliada del sistema es:
1 3 2 x
1 3 2
1 3 2
x
x
0 1 5 2 x y
2 5 1 y f 2 2 f1 f 2 0 1 5 2 x y
3 8 1 z f f 3 f 0 1 5 z 3x f f f 0 0 0 z x y
3
1
3
2
Pgina 17
Analizando la forma escalonada de la matriz ampliada vemos que el sistema tiene

solucin solo si z x y 0 z x y . Por lo tanto el conjunto S no genera a R3, sino
al subespacio de R3
W { x( y, z, ) z/
yy }sus elementos son de la forma
( x, y, x y) R 3 .
Un vector de W {( x, y, z ) / z x y} es: (1, 1, 2) W , pero (1, 2, 5) W .
3) Sea S {v1 , v2 , v3 , v4 } tal que v1 (1, 1, 1); v2 (2, 5,1); v3 (0, 3,3); v4 (4, 2,10) .
Determine si S genera a R3.
Definamos v ( x, y, z ) y hagamos la combinacin lineal:
v c1v1 c2v2 c3v3 c4v4 c1 (1, 1, 1) c2 (2, 5,1) c3 (0, 3,3) c4 (4, 2,10) ( x, y, z ) .
Esta combinacin lineal nos lleva al sistema de ecuaciones
c1 2c2
4c4 x
c1 5c2 3 c3 2c4 y
c1 c2 3 c3 10c4 z
La matriz ampliada del sistema es
1 2 0 4
1 5 3 2
1 1 3 10
x 1 2 0 4
x
y 0 3 3 6
y x
z 0 0 0 0 2 x y z
Analizando la forma escalonada de la matriz ampliada vemos que el sistema tiene

solucin solo si 2 x y z 0 z y 2 x . Por lo tanto S no genera a R3 sino al
subespacio W {( x, y, z) / z y 2 x} .
Los vectores de W son de la forma ( x, y, y 2 x) . Un vector de esta forma es
(1, 1, 1) W . Pero (1, 1, 1) W .
Pgina 18
I- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
v1 (1,0,1, 1), v2 (1, 1,3, 1) y v3 (1, 2, 1,3) :
1) v (1, 2,0, 2)
2) v (2, 2,1,0)
3) v (3, 2, 2, 4)
4) v (0, 1,0, 2)
II- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
1 1
A1
,
0
3
1 1
A2
,
0
2
2 2
A3
:
1
1
3 1
3 2
5 1
1 9
2) A
3 2
3 2
4) A
1) A
3) A
1 0
2 1
III- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
P1 (t ) t 2 t , P2 (t ) t 2 2t 1,
P3 (t ) t 2 1:
1) P(t ) 3t 2 3t 1
2) P(t ) t 2 3t 2
3) P(t ) t 1
4) P(t ) 2t 2 t 1
IV- Determine en cada caso si el conjunto de vectores dado genera al espacio indicado. En
caso que no lo genere indique el subespacio generado y escriba dos vectores que
pertenezcan a l y dos que no pertenezcan.
2
1) Cul de los siguientes conjuntos de vectores generan a R ?

(a) v1 (1,2), v2 (1,1)
(b) v1 (0, 0), v2 (1, 1), v3 (2, 2)
(c) v1 (2, 4), v2 (1, 2)
(d) v1 (1, 3), v2 (2, 3), v3 (0, 2)
Pgina 19
2) Cul de los siguientes conjuntos de vectores generan a R 3 ?

(a) v1 (1, 1, 2), v2 (0,1,1)
(b) v1 (1, 2, 1), v2 (6, 3, 0), v3 (4, 1, 2),
v4 (2, 5, 4)
(c) v1 (2,2, 3), v2 (1, 2,1), v3 (0, 1, 0)

(d) v1 (1,0,0), v2 (0, 1, 0), v3 (0, 0, 1), v4 (1, 1, 1)
3) Cul de los siguientes conjuntos de vectores generan a P2 ?
(a) P1 (t ) t 1, P2 (t ) t t , P3 (t ) t 1
2
(b) P1 (t ) t 1, P2 (t ) t t , P3 (t ) t 1
2
(c) P1 (t ) t 2, P2 (t ) 2t t 1, P3 (t ) t t 4
2
(d) P1 (t ) t 2t 1, P2 (t ) t 1
2
5. Dependencia e Independencia Lineal de Vectores

Definicin: Los vectores v1 , v2 ,..., vn en un espacio vectorial V son linealmente
dependientes (LD) si existen constantes c1 , c2 ,..., cn no todas iguales a cero, tales que
c1v1 c2v2 ... cn vn 0V .

Si los vectores v1 , v2 ,..., vn no son linealmente dependientes, entonces son linealmente
independientes (LI).
Esto es si c1v1 c2v2 ... cn vn 0V se cumple solo si
c1 c2 ... ck 0 .
Procedimiento para determinar si un conjunto de vectores v1 , v2 ,..., vn es Linealmente
Dependiente (LD) o Linealmente Independiente (LI).
Paso 1.
Plantee la ecuacin c1v1 c2v2 ... cn vn 0V que nos lleva a un sistema
homogneo.
Pgina 20
Paso 2. Resuelva el sistema planteado, si este tiene solo la solucin trivial, entonces los
vectores son linealmente independientes, en caso contrario, si tiene una solucin no
trivial, entonces los vectores son linealmente dependientes.
Ejemplos:
1) Determine si el conjunto v1 (1, 1,3), v2 (2, 1,5), v3 (0,1, 2) son vectores
3
LD o LI en R .
Solucin
Paso 1. Planteamos la ecuacin c1v1 c2v2 c3v3 0R3 . Esto es:
c1 (1, 1,3) c2 (2, 1,5) c3 (0,1, 2) (0,0,0)

(c1 , c1 ,3c1 ) (2c2 , c2 ,5c2 ) (0, c3 , 2c3 ) (0,0,0)
(c1 , 2c2 , c1 c2 c3 , 3c1 5c2 2c3 ) (0,0,0)
Esto nos lleva al sistema homogneo siguiente
c1 2c2
c1 c2 c3 0
3c1 5c2 2c3 0
Cuya matriz ampliada y su forma escalonada reducida es:
1 2 0 : 0 1 0
1 1 1 : 0 0 1

3 5 2 : 0 0 0
0 : 0
0 : 0
1 : 0
Lo que nos indica que el sistema tiene solo la solucin trivial c1 c2 c3 0 y que los
vectores dados son linealmente independientes.
2) Determine si el conjunto v1 (1, 1,2), v2 (2, 3,1), v3 (3, 5,0) son vectores
3
LD o LI en R .
Pgina 21
Solucin
Paso 1. Planteamos la ecuacin c1v1 c2v2 c3v3 0R3 . Esto es:
c1 (1, 1, 2) c2 (2, 3,1) c3 (3, 5,0) (0,0,0)

(c1 , c1 , 2c1 ) (2c2 , 3c2 , c2 ) (3c3 , 5c3 ,0) (0,0,0)
(c1 , 2c2 3c3 , c1 3c2 5c3 , 2c1 c2 ) (0,0,0)
Esto nos lleva al sistema homogneo siguiente
c1 2c2 3c3 0
c1 3c2 5c3 0
2c1 c2
Cuya matriz ampliada y su forma escalonada reducida es:
3 : 0 1 0 1 : 0
1 2
1 3 5 : 0 0 1 2 : 0

2 1
0 : 0 0 0 0 : 0
Este sistema tiene infinitas soluciones ( c1 c3 , c2 2c3 y c3 es una variable libre) por
lo que los vectores dados son linealmente dependientes.
Teorema 5.1: Dos vectores en un espacio vectorial V son linealmente dependientes si y

solo si uno de ellos es un mltiplo escalar del otro.
Demostracin:
Sean v1 , v2 vectores de un espacio vectorial V donde uno de ellos es mltiplo escalar del
otro; es decir, v1 hv2 para h R, h 0 .
Entonces si en v1 hv2 sumamos el opuesto de h v2 a ambos lados obtenemos:
Pgina 22
v1 h v2 h v2 h v2
v1 h v2 0V
v1 h v2 0V
Como h 0 , entonces tenemos la combinacin lineal v1 hv2 0V donde por lo menos
uno de los escalares
no es cero lo que indica que v1 y v2 son linealmente
dependientes.
Asumamos ahora que los vectores v1 y v2 son linealmente dependientes, entonces
existen escalares c1 y c2 , no todos cero, tales que c1v1 c2 v2 0V .
Si c1 0 podemos dividir cada trmino de c1v1 c2 v2 0V entre c1 para obtener:
c1
c2
c2
v
1 2 1 v2 0V .
c1
c1
c1
c2
v2 . Esto nos indica que v2 es un mltiplo escalar
c
1
Despejando v1 se obtiene: v1
de v1 .
Ejemplo:
Sean
v1 (1,3, 4) v2 (2,6, 8)
v2 2v1 2(1,3, 4) (2,6, 8)
podemos
afirmar
vectores
que
v1 v2
dependientes. Comprobemos:
Si hacemos la combinacin lineal:
c1v1 c2 v2 0V
c1 (1,3, 4) c2 (2,6, 8) (0,0,0)
Que nos lleva al sistema lineal:
c1 2c2 0
3c1 6c2 0
4c1 8c2 0
1 2 :
3 6 :
4 8 :
Pgina 23
0 1
0 0

0 0
2 : 0
0 : 0
0 : 0
de
son
R3,
como
linealmente
Al resolver el sistema planteado vemos que tiene infinitas soluciones por lo que los
vectores dados son linealmente dependientes.
Teorema 5.2: El conjunto de vectores no nulos S {v1 , v2 ,..., vn } de un espacio vectorial
V son Linealmente Dependientes si, y solo si uno de los vectores v j , siendo j 2 es
combinacin lineal de los vectores que le preceden v1 , v2 ,..., v j 1 .
Demostracin:
Si v j es combinacin lineal de los vectores que le preceden v1 , v2 ,..., v j 1 entonces
v j c1v1 c2v2 ... c j 1 v j 1 .

Sumando v j a ambos lados de la expresin anterior obtenemos:
v j (v j ) c1v1 c2v2 ... c j 1 v j 1 (v j ) 0V

Asumiendo que c j 1 , ... , cn son todos cero, entonces:
c1v1 c2v2 ... c j 1 v j 1 (1)v j 0 v j 1... 0vn 0V

Como por lo menos uno de los coeficientes (1) es diferente de cero podemos afirmar que
el conjunto de vectores S {v1 , v2 ,..., vn } es linealmente dependiente.
Ahora asumiendo que los vectores S {v1 , v2 ,..., vn } son linealmente dependientes
demostraremos que uno de los vectores v j es combinacin lineal de los vectores que lo
preceden v1 , v2 ,..., v j 1 .
Como los vectores de S son linealmente dependientes se verifica que existen escalares
c1 , c2 , ..., cn no todos ceros tales que c1v1 c2v2 ... cn vn 0V .

Sea j el mayor subndice para el cual c j 0 . Si j 1 , entonces c1v1 0V lo que implica
que v1 0V , pero esto contradice la hiptesis de que ninguno de los vectores de S es el
vector cero.
Pgina 24
Si j 1 se obtiene c1v1 c2v2 ... c j 1v j 1 c j v j 0V . Como c j 0 podemos dividir

cada trmino de c1v1 c2v2 ... c j 1v j 1 c j v j 0V entre c j para obtener:
c1
c
j
c2
c j 1
cj
v
...
1 c 2
c j 1 c
j
j
j
c1
c
j
c2
c j 1
v
...
1 c 2
c v j 1 v j 0V
j
j
v j 0V
c j 1
Despejando v j obtenemos v j 1 v1 2 v2 ...

v j 1 .
c
c
c
j
j
j
Se concluye que uno de los vectores v j es combinacin lineal de los vectores que le
preceden v1 , v2 ,..., v j 1 .
Ejemplo: Sea
S {v1 , v2 , v3 , v4 } un conjunto de vectores de R3
tales que
v1 (1,0,3), v2 (2,4, 1), v3 (4,4,5), v4 (2,0,6) . Los vectores en S son linealmente

dependientes ya que si hacemos la combinacin lineal:
c1v1 c2v2 c3v3 c4v4 c1 (1,0,3) c2 (2,4, 1) c3 (4,4,5) c4 (2,0,6) (0,0,0) 0V

obtenemos el sistema lineal:
c1 2c2 4 c3 2 c4 0 1
4c2 4 c3
0 0 4
3c1 c2 5 c3 6 c4 0
3 1
4 2 : 0 1
4 0 : 0 0

5 6 : 0 0
0
1
0
2 2 : 0
1 0 : 0
0 0 : 0
El cual tiene infinitas soluciones, por lo que los vectores de S son linealmente
dependientes.
Si tomamos v j v2 se puede ver que v2 no es combinacin lineal de v1 porque ninguno
de ellos es mltiplo escalar del otro. Es decir, no existe un valor real c1 tal que v2 c1v1
Si tomamos v j v3 se puede ver que v3 s es combinacin lineal de v1 v2 , ya que
v3 c1v1 c2v2 para c1 2 c2 1.

Pgina 25
Es decir, 2v1 v2 2(1,0,3) (2,4, 1) (2,0,6) (2,4, 1) (4,4,5) v3, por lo tanto v3
es combinacin lineal de los vectores que le preceden.
Teorema 5.3: El conjunto de vectores no nulos S {v1 , v2 ,..., vn } de un espacio vectorial

V es linealmente dependiente si, y solo s uno de los vectores v j S es una combinacin
lineal de todos los dems vectores de S.
Demostracin:
Sea
vj
combinacin
lineal
de
los
vectores
v1 , v2 ,..., v j 1 , v j 1 ,..., vn
entonces
v j c1v1 c2v2 ... c j 1 v j 1 c j 1 v j 1 ... cn vn . Si sumamos el opuesto de v j a ambos

lados obtenemos:
v j v j c1v1 c2 v2 ... c j 1 v j 1 c j 1 v j 1 ... cn vn v j

0V c1v1 c2 v2 ... c j 1 v j 1 c j 1 v j 1 ... cn vn (1)v j
As obtenemos c j 1 0 por lo que los vectores de S son linealmente dependientes.
Asumimos ahora que los vectores de S son linealmente dependientes lo que implica que
existen escalares c1 , c2 , ..., c j ,
, cn no todos ceros, tales que:
c1v1 c2v2 ... c j v j ... cn vn 0V .

Sea c j 0 para 1 j n , entonces dividiendo cada trmino de
c1v1 c2v2 ... c j v j ... cn vn 0V entre c j obtenemos:
c1
c2
cj
cn
v1 v2 ... v j ... vn 0V
cj
cj
cj
cj
c1
c2
cn
v1 v2 ... v j ... vn 0V
cj
cj
cj
Pgina 26
Despejando v j obtenemos v j 1 v1 2 v2 ... n vn

cj
cj
cj
Se concluye que v j es combinacin lineal de los dems vectores de S.
Ejemplo: Como ya vimos en el ejemplo anterior, el conjunto S {v1, v2 , v3 , v4} de vectores
de
R3
donde
v1 (1,0,3), v2 (2,4, 1), v3 (4,4,5), v4 (2,0,6)
es
linealmente
dependiente. Si tomamos uno de los vectores de S, v4 por ejemplo, y hacemos la

combinacin lineal:
v4 c1v1 c2v2 c3v3 c1 (1,0,3) c2 (2,4, 1) c3 (4,4,5) (2,0,6)

Esto nos lleva al sistema de ecuaciones:
c1 2 c2 4c3 2
4c2 4c3 0
3c1 c2 5c3 6
1 2
0 4
3 1
4 : 2 1
4 : 0 0

5 : 6 0
0
1
0
2 : 2
1 : 0
0 : 0
Este sistema tiene infinitas soluciones, una de ellas es c1 6, c2 2 y c3 2 .

As que
v4 6(1,0,3) 2(2,4, 1) 2(4,4,5)

(6,0,18) (4,8, 2) (8, 8, 10)
6 4 8, 0 8 8, 18 2 10
(2,0,6) v4
Teorema 5.4: Si S {v1 , v2 ,..., vn } genera un espacio vectorial V y v j S
combinacin lineal de los vectores que le preceden en S, entonces
es
el conjunto
S1 S {v j } {v1 , v2 ,..., v j 1 , v j 1 ,..., vn } que consta de los vectores de S, con excepcin

de v j tambin genera a V.
Pgina 27
Demostracin:
Si S {v1 , v2 ,..., vn } genera V, entonces todo vector v de V se puede escribir como:
v a1v1 a2 v2 ... a j 1v j 1 a j v j a j 1 v j 1 ... an vn
(1) .
Si v j es combinacin lineal de los vectores que le preceden entonces:
v j b1v1 b2 v2 ... b j 1v j 1
(2)
Si en la expresin (1) sustituimos a v j por (2) obtenemos el siguiente resultado:
v a1v1 a2 v2 ... a j 1v j 1 a j v j a j 1 v j 1 ... an vn

a1v1 a2 v2 ... a j 1v j 1 a j b1v1 b2 v2 ... b j 1v j 1 a j 1 v j 1 ... an vn
a1 a j b1 v1 a2 a j b2 v2 ... a j 1 a j b j 1 v j 1 a j 1 v j 1 ... an vn
Haciendo a1 a j b1 c1 , a2 a j b2 c2 ,..., a j 1 a j b j 1 c j 1 , a j 1 c j 1 ,..., an cn
se obtiene v c1v1 c2v2 ... c j 1v j 1 c j 1v j 1 ... cnvn
Se concluye as que S1 S {v j } {v1 , v2 ,..., v j 1 , v j 1 ,..., vn } genera a V.
Ejemplo: Sea
S {v1 , v2 , v3 , v4 } un conjunto de vectores de R3
tales que
v1 (1,0,3), v2 (2,4, 1), v3 (4,4,5), v4 (2,0,6) .

El conjunto S genera el subespacio de R3: W {( x, y, z) / z 3x 7 4 y} , es decir, los vectores
de W son de la forma ( x, y,3x 74 y) . Esto lo podemos comprobar si hacemos la
combinacin lineal de los vectores de S para obtener un vector genrico ( x, y, z ) W . Esto
es:
v c1v1 c2v2 c3v3 c4v4 c1 (1,0,3) c2 (2,4, 1) c3 (4,4,5) c4 (2,0,6) ( x, y, z )

que nos lleva al sistema de ecuaciones:
Pgina 28
c1 2 c2 4c3 2c4 x
4c2 4c3
3c1 c2 5c3 6c4 z

Si hacemos la forma escalonada reducida de la matriz ampliada obtenemos:
1 2 4 2
0 4 4 0
3 1 5 6
0
1
2
2
2
x
y 0 1 1 0
7
z 0 0 0 0 z 3x 4 y
Al analizar el sistema podemos darnos cuenta que este solo tiene solucin si
7
z 3x y 0 .
4
Esto implica que
z 3x
7
y, por lo tanto los vectores de W = gen S son de la forma
4
( x, y,3x 74 y) .
Como ya vimos en un ejemplo anterior, los vectores de S son linealmente dependientes y
v3 es combinacin lineal de v1 v2 que son los vectores que les preceden.

v3 2v1 v2 2(1,0,3) (2,4, 1) (2,0,6) (2,4, 1) (4,4,5) .
Si hacemos S1 S {v3} {v1 , v2 , v4 } podemos comprobar, siguiendo los mismos pasos,
que S1 tambin genera a W.
Hagamos la combinacin lineal
v c1v1 c2v2 c4v4 c1 (1,0,3) c2 (2,4, 1) c4 (2,0,6) ( x, y, z) . Que nos lleva al sistema
de ecuaciones:
c1 2 c2 2c4 x
4c2
3c1 c2 6c4 z
Si hacemos la forma escalonada reducida de la matriz ampliada obtenemos:
Pgina 29
1 2 2
0 4 0
3 1 6
0
1
2
2
x
y 0 1 0
7
z 0 0 0 z 3x 4 y
7
Al igual que en el caso anterior este sistema solo tiene solucin si z 3x 4 y 0 .
Esto implica que z 3x 74 y , por lo tanto W = gen S1= gen S, es decir, tanto S como S1
generan a W.
i) Todo conjunto de vectores que contiene a dos vectores iguales o asociados es
linealmente dependiente.
ii) Todo conjunto de vectores que contiene al vector nulo ( 0V ) es linealmente dependiente.
Procedimiento alternativo para determinar la dependencia o independencia lineal de
n vectores en Rn.
Si queremos determinar la dependencia o independencia lineal de n vectores en Rn
procedemos de la siguiente manera:
Paso 1. Formamos una matriz cuadrada cuyas filas sern los vectores dados.
Paso 2. Calculamos el determinante de esa matriz, si este es igual a cero los vectores son
linealmente dependientes, en caso contrario son linealmente independientes.
Ejemplos:
1) Sea S {v1, v2 , v3} vectores de R3 tales que v1 (1,1,3), v2 (3,2,1), v3 (2, 1, 2) .
Determinar si los vectores de S son LD o LI.
1 1 3
Formemos la matriz con los vectores dados 3 2 1 .
2 1 2
Pgina 30
1 1 3
Calculamos el determinante 3 2 1 4 2 9 12 1 6 10 0 .
2 1 2
Como el determinante es diferente de cero los vectores de S son LI.
2) Sea S {v1, v2 , v3} vectores de R3 tales que v1 (1,5,2), v2 (2, 8, 5), v3 (0,2, 1) .
1 5 2
Formemos la matriz con los vectores dados 2 8 5 .
0 2 1
Calculamos
1 5 2
2 8 5 8 0 8 0 10 10 0 .
0 2 1
Como el determinante es igual a cero los vectores de S son LD.
Nota: Este procedimiento tambin se puede aplicar en el espacio de los polinomios

siempre que tengamos n + 1 vectores en Pn. Basta con escribir cada polinomio en su forma
vectorial.
Ejemplo:
Sea
S {v1, v2 , v3} vectores de P2 tales que
v1 t 2 2, v2 2t 2 t 1, v3 t 2

En forma vectorial los vectores de S se pueden escribir as:
v1 (2,0,1), v2 (1, 1,2), v3 (2,1,0)
2 0 1
Formemos la matriz con los vectores dados 1 1 2

2 1 0
Pgina 31
2 0 1
Calculamos 1 1 2 0 0 1 2 4 0 1 0 .
2 1 0
Como el determinante es diferente de cero los vectores de S son LI
5. 1. Dependencia o independencia lineal en un espacio de funciones continuas.
Sea S { f1, f 2 ,..., f n}/ f1, f 2 ,..., f n Fa,b} (recuerde que F[a,b] es el espacio de las funciones
continuas con valores reales en [a,b]) si todas las funciones de S tienen n1 derivadas
continuas entonces la dependencia o independencia lineal de los vectores de S se puede
determinar aplicando lo que se denomina Wronskiano, que es el determinante de la matriz
de orden n en la cual, los elementos de la primera fila sern las funciones dadas, los de la
segunda sern la primera derivada y as sucesivamente hasta la n1 derivada.
Esto es:
f1
f2
fn
'
'
fn
f1
f1
n 1
f2
f2
n 1
fn
'
n 1
Si el Wronskiano es igual a la funcin nula o cero el conjunto S es Linealmente

Dependiente, en caso contrario es Linealmente Independiente.
Ejemplo:
Sea S { f1, f 2 , f3} tal que f1 f1(t ) t 2 , f 2 f 2 (t ) t f3 f 3 (t ) et Determinar si
los vectores de S son LD o LI.
t 2 t et
W 2t 1 et t 2et 2t et 0 2et 0 2t 2et
2 0 et et (t 2 2t 2) 0
para todos los valores de t R.
Como el Wronskiano es diferente de la funcin nula o cero, los vectores de S son LI.
Pgina 32
I-Determine si los siguientes conjuntos de vectores son linealmente dependientes en el
espacio al que pertenecen. Cuando lo sean exprese uno de ellos como combinacin lineal
de los dems.
1) v1 (1,2, 1), v2 (3,2,5)
2) v1 (4,2,1), v2 (2,6, 5), v3 (1, 2,3)
3) v1 (1,1,0), v2 (0,2,3), v3 (1,2,3), v4 (3,6,6)
4) v1 (1,2,3), v2 (1,1,1), v3 (1,0,1)
5) v1 (1,1,2,1), v2 (1,0,0,2), v3 (4,6,8,6), v4 (0,3,2,1)
6) v1 (1, 2,3, 1), v2 (2,4, 6, 2)
7) v1 (1,1,1,1), v2 (2,3,1, 2), v3 (3,1,2,1), v4 (2,2,1,1)
8) v1 (4,2, 1,3), v2 (6,5, 5,1), v3 (2, 1,3,5)
9) v1 (1, 2, 3), v2 (0,0,0), v3 (1,3, 2)
10) P1 (t ) t 1, P2 (t ) t 2, P3 (t ) t 3
2
11) P1 (t ) 2t 1, P2 (t ) t 3, P3 (t ) t
2
12) P1 (t ) 3t 1, P2 (t ) 3t 1, P3 (t ) 2t t 1
2
13) P1 (t ) t 4, P2 (t ) 5t 5t 6, P3 (t ) 3t 5t 2
2
1 1
,
1
2
1 0
A2
,
0
2
0 3
A3
,
1
2
1 1
,
1
1
1 0
A2
,
0
2
0 1
A3
0 2
14) A1
15) A1
Pgina 33
2
A4
4
6
6
1 1
,
1
1
16) A1
2 3
A2
,
1
2
3 1
A3
,
2
1
17) f1 (t ) cos(t ), f 2 (t ) sen (t ), f3 (t ) e
2 2
A4
1 1
18) f1 (t ) t , f 2 (t ) e , f3 (t ) sen (t )
t
II-Determine para que valores de k el conjunto de

dependiente en el espacio al que pertenecen.
vectores dado es linealmente
1) v1 (1,0, 1), v2 (2,1,2), v3 (1,1, k )

2) P1 (t ) t 3, P2 (t ) t k , P3 (t ) t t 1
2
6. Base de un espacio vectorial

Definicin: Un conjunto de vectores S {v1, v2 ,..., vn } de un espacio vectorial V forma una
base para V si cumple las dos condiciones siguientes:
i) El conjunto S {v1, v2 ,..., vn } genera a V.
ii) El conjunto S {v1 , v2 ,..., vn } es linealmente independiente.
Ejemplo:
Determinar si el conjunto S {v1, v2} tal que v1 (1,3), v2 (0,1) forma una base para R2.
Debemos verificar que S {v1, v2} genera a R2 y que es linealmente independiente.
Como v1 v2 no son mltiplos uno de otro, S {v1, v2} es LI.
Verificamos entonces si S {v1, v2} genera a R2.
Tomamos un vector genrico de R2, v ( x, y) y lo expresamos como combinacin lineal
de v1 v2 , esto es: v c1v1 c2v2 c1 (1,3) c2 (0,1) ( x, y) obtenindose el sistema de
Pgina 34
x
c1
ecuaciones siguiente
3c1 c2 y
1 0 : x 1 0 : x
0 1 : y 3 x
3
1
:
y

Este tiene solucin c1 x c2 y 3x . Por lo que S {v1, v2} genera a R2.

Como se cumplen las dos condiciones el conjunto S {v1, v2} es una base de R2.
Base cannica, estndar o natural para el espacio Rn.
Sean los vectores e1, e2 , e3 , ..., en las columnas de la matriz identidad de orden n.
1
0
0
0
0
1
0
0
Es decir, e1 0 , e2 0 , e3 1 , ..., en 0

0
0
0
1

Los vectores e1 , e2 , e3 , ..., en constituyen la base cannica, estndar o natural para Rn.
En particular: e1 (1,0), e2 (0,1) es la base cannica, estndar o natural para R2.
e1 (1,0,0), e2 (0,1,0), e3 (0,0,1) es la base cannica, estndar o natural para R3.

e1 (1,0,0,0), e2 (0,1,0,0), e4 (0,0,1,0), e3 (0,0,0,1) es la base cannica, estndar o
natural para R4.
Base cannica, estndar o natural para el espacio Pn .
La base cannica o natural para Pn es {1, t , t 2 , t 3 ,..., t n} . En particular:
{1, t} es la base cannica o natural de P1.

{1, t , t 2} es la base cannica o natural de P2.
{1, t , t 2 , t 3} es la base cannica o natural de P3.
Base cannica, estndar o natural para el espacio M2x2.
1 0 0 1 0 0 0 0
La base cannica o natural para M2x2 es:
, 0 0 , 1 0 , 0 1
0
0

Pgina 35
Teorema 6.1: Si S {v1, v2 ,..., vn } es una base para un espacio vectorial V, entonces cada
vector de V se puede escribir de una y solo una forma como combinacin lineal de los
vectores de S.
Esto significa que si S {v1, v2 ,..., vn } es una base para un espacio vectorial V, entonces
para todo vector v de V se cumple que el sistema de ecuaciones que se genera con la
combinacin lineal v c1v1 c2v2 ... cnvn tiene solucin nica.
Demostracin:
Como S es una base para V, todo vector de v de V se puede escribir como combinacin
lineal de los vectores de S porque S genera a V.
Supongamos
que
v c1v1 c2v2 ... cnvn y v d1v1 d2v2 ... dnvn .
Son
dos
combinaciones lineales para el vector v.

Si restamos una de la otra obtenemos el siguiente resultado:
v c1v1 c2v2 ... cnvn

v d1v1 d 2v2 ... d nvn
0V c1 d1 v1 c2 d 2 v2 ... cn d n vn
Esto solo es posible si c1 d1 0, c2 d2 0, ..., cn dn 0 ya que los vectores de S son
linealmente independientes.
Si c1 d1 0, c2 d2 0, ..., cn dn 0 necesariamente c1 d1, c2 d2 , ..., cn dn y
por lo tanto existe una nica forma de expresar v como combinacin lineal de los vectores
de S.
Teorema 6.2: Sea S {v1, v2 ,..., vn } un conjunto de vectores no nulos en un espacio
vectorial V y sea W = gen S. Entonces, algn subconjunto de S es una base para W.
Pgina 36
Demostracin:
Si el conjunto S es linealmente independiente entonces l mismo constituye la base para W
al cumplir las dos condiciones necesarias para ser una base.
Si el conjunto S es linealmente dependiente aplicando el Teorema 5.3 podemos ir
eliminando los vectores que son combinacin lineal de los vectores que le preceden hasta
llegar a un subconjunto Si de S que sea linealmente independiente.
Procedimiento para determinar un subconjunto de S {v1, v2 ,..., vn } que sea una base
para W = gen S.
Paso 1: Formamos la combinacin lineal c1v1 c2v2 ... cnvn 0V y resolvemos para
c1, c2 ,..., cn y as determinar la dependencia o independencia lineal de los vectores de S. Al

resolver para c1 , c2 ,..., cn .
Si c1 c2 cn 0 los vectores de S son linealmente
independientes y constituyen una base para W.

Paso 2: Si c1 , c2 ,..., cn no son todos cero los vectores de S son linealmente dependientes,
lo que significa que alguno de ellos v j
es combinacin lineal de los vectores que le
de S, obtenindose un subconjunto S
preceden. Procedemos a eliminar v j
que tambin
genera a W.
Paso 3: Repetimos el paso 1 para S1.
La eliminacin repetida nos conducir a un subconjunto T de S que es linealmente
independiente y que ser una base para W.
Ejemplo: Determine el subconjunto de
S {v1, v2 , v3 , v4 , v5} donde
v2 (1,0, 2), v3 (3,1,0), v4 (2,1, 2), v5 (1,1,0)

W = gen S.
Pgina 37
v1 (1,0,2),
que constituya una base para
Paso 1: Formamos la combinacin lineal
c1v1 c2v2 c3v3 c4v4 c5v5 0V para
determinar si los vectores son LD o LI.
c1 (1,0,2) c2 (1,0, 2) c3 (3,1,0) c4 (2,1, 2) c5 (1,1,0) (0,0,0) .

De esta combinacin lineal se genera el sistema homogneo siguiente:
c1 c2 3c3 2c4 c5 0
c3 c4 c5 0
2c1 2c2
2c4
1 1 3 2 1 : 0 1 1 0 1 0 : 0
0 0 1 1 1 : 0 0 0 1 1 0 : 0
2 2 0 2 0 : 0 0 0 0 0 1 : 0

Este sistema tiene infinitas soluciones
c1 , c2 , c3 , c4 , c5 no son todos cero, esto
significa que los vectores de S son LD.
Paso 2: Procedemos a determinar un vector v j , j 1 que sea combinacin lineal de los
vectores que le preceden para eliminarlo de S y formar un nuevo conjunto S1 S v j .

Tomemos a v2 y probemos si es combinacin lineal de v1 .
Como v2 v1 podemos concluir que v2 s es combinacin lineal de v1 .
Procedemos a eliminar a v2 para obtener S1 S v2 {v1 , v3 , v4 , v5 }
Repitamos los pasos anteriores ahora con S1 .
Hacemos la combinacin lineal c1v1 c3v3 c4v4 c5v5 0V .
c1 (1,0,2) c3 (3,1,0) c4 (2,1, 2) c5 (1,1,0) (0,0,0) .

3 2 1 : 0 1 0 1 0 : 0
c3 c4 c5 0 0 1
1 1 : 0 0 1 1 0 : 0
2c1
2c4
0
2 0 2 0 : 0 0 0 0 1 : 0
c1 3c3 2c4 c5 0 1
Este sistema tiene infinitas soluciones y c1 , c3 , c4 , c5 no son todos cero, esto significa
que los vectores de S1 son LD.
Pgina 38
Procedemos a determinar un vector
vk
que sea combinacin lineal de los que le
preceden para eliminarlo de S1 y formar un nuevo conjunto S2 S1 vk .

Tomemos a v3 y probemos si es combinacin lineal de v1 .
Como v3 no es mltiplo de v1 se concluye que v3 no es combinacin lineal de v1 .
Tomemos a v4 y probemos si es combinacin lineal de v1 y v3 .
Hacemos la combinacin lineal v4 c1v1 c3v3 c1 (1,0,2) c3 (3,1,0) (2,1, 2) .
De esta combinacin lineal se genera el sistema siguiente:
c1 3c3 2
c3 1
2c1
1 1 : 2 1 0 : 1
0 1 : 1 0 1 : 1
2 0 : 2 0 0 : 0

Que tiene por solucin c1 1, c3 1. Lo que nos indica que v4 es combinacin lineal de
v1 y v3 .
Procedemos a eliminar v4 y formar un nuevo conjunto S2 S1 vk {v1 , v3 , v5 } .
Repitamos los pasos anteriores ahora con S 2 .
Hacemos la combinacin lineal c1v1 c3v3 c5v5 0V .
c1 (1,0,2) c3 (3,1,0) c5 (1,1,0) (0,0,0) .

c1 3c3 c5 0 1 3 1 : 0 1 0 0 : 0
c3 c5 0 0 1 1 : 0 0 1 0 : 0
2c1
0 2 0 0 : 0 0 0
1 : 0
Este sistema tiene solucin nica c1 c3 c5 0 , esto significa que los vectores
S2 {v1 , v3 , v5 } son LI y constituyen una base para W = gen S.
Pgina 39
Procedimiento alternativo para determinar un subconjunto de S {v1, v2 ,..., vn } que

sea una base para W = gen S cuando V=Rn.
Si V=Rn el procedimiento anterior puede simplificarse de la siguiente manera:
Paso 1: Formamos la combinacin lineal
c1v1 c2v2 ... cnvn 0V y planteamos el
sistema homogneo correspondiente.

Paso 2: Construir la matriz ampliada asociada con el sistema homogneo que resulta del
paso 1 y llevarla a la forma escalonada reducida por filas.
Paso 3: Los vectores de S que corresponden a las columnas que contienen los unos (1s)
principales constituyen una base para W = gen S.
Ejemplo: Resolver el ejemplo anterior aplicando este procedimiento.

Paso 1: Formamos la combinacin lineal c1v1 c2v2 c3v3 c4v4 c5v5 0V
c1 (1,0,2) c2 (1,0, 2) c3 (3,1,0) c4 (2,1, 2) c5 (1,1,0) (0,0,0) y planteamos el sistema

homogneo correspondiente.
c1 c2 3c3 2c4 c5 0
c3 c4 c5 0
2c1 2c2
2c4
Paso 2: Construimos la matriz ampliada asociada con el sistema homogneo:
1 1
0 0
2 2
3 2
1 1
0 2
1: 0
1 : 0
0 : 0
1 1 0 1 0 : 0
Su forma escalonada reducida es 0 0 1 1 0 : 0

0 0 0 0 1 : 0
Pgina 40
Paso 3: Se forma la base para W = gen S con los vectores de S que corresponden a las
columnas que contienen los unos (1s) principales que son v1 , v3 y v5 .
Es decir, una base para W = gen S es: (1,0,2),(3,1,0),(1,1,0) .
Observacin importante: El orden de los vectores en el conjunto S original determina la
base para W. Esto significa que si cambiamos el orden de los vectores en S podran
cambiar los elementos de la base.
Ejercicio: Resuelva el ejercicio anterior haciendo
S {u1 , u2 , u3 , u4 , u5 / u1 v4 , u2 v2 , u3 v5 , u4 v1 , u5 , v3 }
Teorema 6.3: Si S {v1, v2 ,..., vn } es una base para un espacio vectorial V y
T {u1, u2 ,..., um} es un conjunto de vectores de V que es linealmente independiente,

entonces
m n.
Corolario 6.3.1: Si S {v1, v2 ,..., vn } y T {u1 , u2 ,..., um } son bases para un espacio
vectorial V, entonces
m n . Esto significa que dos bases en un espacio vectorial V
tienen el mismo nmero de vectores.

Observacin importante: Un espacio vectorial real diferente de {0v} siempre tiene
infinitas bases, pero todas tienen la misma cantidad de vectores.
7. Dimensin de un espacio vectorial

Definicin: Se denomina dimensin de un espacio vectorial V [dim (V)] al nmero de
vectores que tiene una base para V.
Si existe un subconjunto finito de V que sea una base para V, entonces V es un espacio
vectorial de dimensin finita, en caso contrario V es de dimensin infinita.
Pgina 41
Ejemplos: 1) El espacio R n es de dimensin finita n.

2) Los espacios P de todos los polinomios y F[-,
de todas las funciones
continuas f: RR son de dimensin infinita.

3) La dimensin del espacio vectorial {0v} es cero.
Dimensin de los espacios de dimensin finita ms usuales:

1) dim (R) = 1, dim (R2) = 2,
dim (R3) = 3, en general: dim (Rn) = n
2) dim (P1) = 2, dim (P2) = 3, dim (P3) = 4, en general: dim (Pn) = n + 1

3) dim (M2x2) = 2x2=4, dim (M3x5) = 3x5=15, en general: dim (Mmxn) = mn
i) Todos los espacios de dimensin finita que tienen igual dimensin difieren slo en la
naturaleza de sus elementos, pero sus propiedades algebraicas son idnticas.
ii) Si V es un espacio de dimensin finita, entonces todo subespacio W de V tiene una base
finita y la dim (W) dim (V).
Teorema 7.2: Sea V un espacio vectorial de dimensin n y sea
S {v1, v2 ,..., vn} un
conjunto de vectores de V.
i) Si S es linealmente independiente, entonces S es una base para V.
ii) Si S genera a V, entonces es una base para V.
Esto significa que para probar si un conjunto con n vectores forma una base para un
espacio de dimensin n slo hay que probar una de las dos condiciones.
Pgina 42
Ejemplo:
Probar si S {v1, v2 , v3} tal que v1 (1,2,3), v2 (1,1,2), v3 (2,0, 1) es una base para
R3.
Aplicando el Teorema 7.2 solo debemos probar una de las dos condiciones. Probemos si S
n
es linealmente independiente. Como son n vectores de R calculemos el determinante de
la matriz cuyas filas son los vectores dados:

1 2 3
det 1 1 2 1 8 0 6 0 2 1 0 . Como el determinante es diferente de cero
2 0 1
los vectores de S son linealmente independientes y forman una base para R3.
I-Cules de los siguientes conjuntos de vectores son una base para R2?
1) v1 (1,3), v2 (1,1)
2) v1 (0,0), v2 (1,2), v3 (2,4)
3) v1 (1,2), v2 (2, 3), v3 (3,2)
4) v1 (1,3), v2 (2,6)
II-Cules de los siguientes conjuntos de vectores son una base para R3?
1) v1 (1,2,0), v2 (0, 1,1)
2) v1 (1,1, 1), v2 (2,3,4), v3 (0, 2,1)
3) v1 (1,2,1,0), v2 (2, 1,0,1), v3 (0,1,3,2)
4) v1 (1,0, 2), v2 (2, 2, 2), v3 (1,2,0)
Pgina 43
III-Cules de los siguientes conjuntos de vectores son una base para R4?
1) v1 (1,0,0,1), v2 (0,1,0,0), v3 (1,1,1,1), v4 (0,1,1,1)
2) v1 (1,2,1,0), v2 (2, 1,0,1), v3 (0,1,3,2)
3) v1 (1, 1,1,0), v2 (0,1,0, 1), v3 (0,1,0,1), v4 (0,0,0,1), v5 (0,1,0,0)
4) v1 (1,1, 1,1), v2 (2,0, 2,0), v3 (1,2, 1,1), v4 (1, 1,0,1)
IV-Cules de los siguientes conjuntos de vectores son una base para P2?
2
2
1) P1 (t ) t t 2, P2 (t ) 2t 2t 3,
P3 (t ) 4t 2 1
2
2
2
2) P1 (t ) t 2t 1, P2 (t ) 3t 5t 3, P3 (t ) 2t 3t 2
2
2
3) P1 (t ) t 1, P2 (t ) 3t 2t ,
P3 (t ) 3t 2 2t 1,
2
2
4) P1 (t ) 3t 2t 1, P2 (t ) t t 1,
P4 (t ) 6t 2 6t 3
P3 (t ) t 2 1
V-Cules de los siguientes conjuntos de vectores son una base para M2x2?
1 1
0 0
1 0
0 1
,
A
,
A
,
A
2 1 1 3 0 1 4 1 1
0 0
1) A1
1 0
0 1
1 1
1 1
,
A
,
A
,
A
2 1 0 3 1 1 4 1 1
0 1
2) A1
VI- En cada caso determine una base para W=gen S y diga cul es su dimensin?
1) v1 (1,2,2), v2 (3,2,1), v3 (11, 10, 7), v4 (7,6,4)
2) v1 (1,1,0, 1), v2 (0,1,2,1), v3 (1,0,1, 1), v4 (1,1, 6, 3)
3
2
2
3) P1 (t ) t t 2t 1, P2 (t ) t 1,
2
4) P1 (t ) t 3, P2 (t ) 2t 5,
P3 (t ) t 3 2t ,
P3 (t ) 2t 2 6,
P4 (t ) t 2 2t 2
1 0
0 1
1 1
1 1
,
A
,
A
,
A
2 1 0 3 1 1 4 1 1
0 1
5) A1
Pgina 44
P4 (t ) 2t 3 3t 2 4t 3
VII- Determine una base y la dimensin para:

1) El subespacio de R2 de todos los vectores de la forma ( x, y) donde y 2 x .
2) El subespacio de R3 de todos los vectores de la forma ( x, y, z ) donde z y .
3) El subespacio de R3 de todos los vectores de la forma ( x, y, z ) donde z 2 x 3 y.
4) El subespacio de P3 de todos los vectores de la forma a3t 3 a2t 2 a1t a0 donde
a3 a1 a0 y
a2 a1
a
5) El subespacio de M2x2 de todos los vectores de la forma
c
b
donde b c
d
8. Espacio Vectoriales asociados a una matriz A

8.1. Espacio Nulo de una matriz A
Recordemos que:
a11x1 a12 x2 ... a1n xn 0

a21x1 a22 x2 ... a2 n xn 0
am1x1 am 2 x2 ... amn xn 0
representa un sistema homogneo de m ecuaciones lineales con n incgnitas. Este sistema
en forma vectorial se escribe AX = 0.
Donde A es la matriz de los coeficientes y X es la matriz de las incgnitas (un vector de
n
R )
A
a11
a21
a
m1
a12 ... a1n
a22 ... a2n

am2 ...
amn
Pgina 45
x1

x2

x
n
0

0

0
Un sistema homogneo siempre tiene solucin, que si es nica se denomina solucin

trivial x1 x2 ... xn 0 . Esto ocurre si el rango de A es igual a n, si el rango de A es
menor que n, entonces el sistema tiene infinitas soluciones.
Definicin: Se llama espacio nulo de una matriz A y se denota como N(A) al conjunto
de todas las soluciones de AX = 0.
n
El espacio nulo de A es un subespacio de R .

Para comprobarlo supongamos que X e Y pertenecen al espacio nulo, lo cual significa que
AX = 0 y AY = 0. Esto implica que AX + AY = 0 + 0.
Segn las propiedades de la multiplicacin de matrices se verifica que:
AX + AY = A(X + Y) = A(0 + 0) =A(0)= 0.
De igual manera, si c es un nmero real diferente de cero se verifica que:
A(cX) = c(AX) = c(0) = 0. Por lo tanto, X + Y y cX pertenecen tambin al espacio nulo
N(A); es decir, que se cumplen las dos propiedades de cerradura, por lo que se puede
n
concluir que N(A) es un subespacio de R .
Definicin: Se llama nulidad de A a la dimensin de N(A).
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
determine el conjunto solucin de AX = 0.
4 3 3 3
0 1 1 1
1
0
La forma escalonada de la matriz ampliada [A:0] es:
0
0
El sistema equivalente es:
Pgina 46
2 1 2 1 : 0
0 1 1 1 : 0
0 0 0 1 :0
0 0 0 0 :0
x1 2 x2 x3 2 x4 x5 0
x3 x4 x5 0
x5 0
Este sistema tiene infinitas soluciones, el conjunto de todas las soluciones es:
x1 3r 2 s
x s
2
siendo r y s nmeros reales cualesquiera.
x3 r
x r
4
x5 0
Cada solucin o vector del espacio nulo se puede expresar como una combinacin lineal
de dos vectores, esto es:
3r 2 s
3
2
s
0
1

r
r 1 s 0 . Esto significa que los vectores

r
1

0
0
0
0
3
2
0
1

1 y 0

1

0
0
0

constituyen una base para N(A).

3 2

0 1
Adems podemos afirmar que N ( A) gen 1 , 0
1 0

0 0
Como la base de N(A) tiene dos vectores entonces la nulidad de A es 2.
Procedimiento para determinar una base para el espacio nulo de A:

Paso 1: Se resuelve el sistema homogneo dado por Gauss- Jordan. Si en la solucin no
hay variables libres (constantes arbitrarias); es decir, el rango de A es igual a n, el espacio
solucin es 0 Rn . No existe una base y su dimensin y nulidad es cero.
Pgina 47
Paso 2: Si en la solucin hay variables libres, se escribe X como combinacin lineal de los
vectores
X1, X 2 , ..., X p
con
s1 , s2 , ..., s p
como
coeficientes.
Es
decir,
X s1 X1 s2 X 2 ... s p X p .
Paso 3: El conjunto de vectores { X1, X 2 , ..., X p } es una base para el espacio nulo de A y
su dimensin (nulidad) es p.
i) La nulidad de A se corresponde con el nmero de variables libres del sistema.
ii) Si la forma escalonada reducida por filas obtenida, a partir [A:0], tiene r filas no nulas,
entonces la dimensin p = n r. Esto es, la dimensin del Espacio Nulo es igual al
nmero de variables del sistema homogneo menos la cantidad de filas que no se anulan
en la forma escalonada reducida.
8.2. Espacio Fila de una matriz A. [F(A)]
a11 a12 ... a1n

a a ... a
21
22
2n
Sea A
una matriz de m x n.
a
a
...
a
mn
m1 m 2
v1 (a11 a12 ... a1n )
v (a a ... a )
n
2
21
22
2n
Las filas de A,
que son vectores de R , generan un subespacio de
vm (am1 am 2 ... amn )

n
R que se denominado Espacio Fila de A que representaremos F(A).
Pgina 48
Teorema 8.1: Si A y B son dos matrices m x n equivalente por filas, entonces los
Espacios Fila de A y B son iguales. Esto significa que si tomamos una matriz A y
encontramos su forma escalonada reducida por filas, los Espacios Filas de ambas son
iguales.
Observacin importante:
Como las filas no nulas de una matriz escalonada reducidas son linealmente
independientes, estas forman una base para el Espacio Fila. Por lo tanto podemos utilizar
este mtodo para determinar una base para bicho espacio y en general para el espacio
n
generado por un conjunto de vectores de R .
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
, determinar una base para el Espacio Fila de A
4 3 3 3
0 1 1 1
1
0
Su forma escalonada reducida es B
0
2 0 3 0
0 1 1 0
0 0 0 1
0 0 0 0
El Espacio Fila de A es igual al Espacio Fila de B. (comprubelo)

El conjunto de vectores formado por las filas no nulas de la matriz B {(1, 2, 0, 3, 0);
(0, 0, 1, -1, 0); (0, 0, 0, 0, 1)} constituyen una base para el Espacio Fila de A.
n
En general, para determinar una base para el subespacio W de R dado por

n
V = gen S, siendo S un conjunto de vectores de R se procede de la siguiente manera:

v1

v2
Paso 1: Formar la matriz A cuyas filas son los vectores de S.

vn
Paso 2: Determinar la forma escalonada reducida por filas de A.
Pgina 49
Paso 3: Formar la base con las filas que no se anulan en la forma escalonada reducida.
Observacin importante:
La base obtenida mediante este procedimiento no es un subconjunto del conjunto
n
generador S, pero es anloga, en trminos de sencillez, a la base cannica de R .

Si queremos que la base para el Espacio Fila de A contenga slo vectores de A, entonces
hacemos AT (la matriz transpuesta de A) y a esta nueva matriz le aplicamos el
procedimiento anterior. Los vectores que correspondan a las columnas donde estn los
unos (1s) principales sern la base para el Espacio Fila de A.
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
4 3 3 3
0 1 1 1
Encontrar una base para el Espacio Fila de A que contenga slo vectores de A.
1
2
Entonces AT 1
2
1
1 2 0
2 4 0
1
0
2 3 1 y su forma escalonada reducida es B 0
1 3 1
0
0
2 3 1
0 1 0
1 1 0
0 0 1
0 0 0
0 0 0
Los unos principales aparecen en las columnas 1, 2 y 4 de AT que corresponden a las filas
1, 2 y 4 de A el conjunto {(1, 2, 1, 2, 1); (1, 2, 2, 1, 2); (0, 0, 1, -1, -1)} forma una base
para el Espacio Fila de A.
8.3. Espacio Columna de una matriz A. [C(A)]
a11

a21
Las columnas de A, w1 ,

am1
a1n
a12
m
a22
a2 n
w2
, .... , wn
que son vectores de R
am 2
amn
Pgina 50
generan un subespacio de R , denominado Espacio Columna de A y lo representaremos

por C(A).
Base para el Espacio Columna de A
Todo lo que se aplica para el Espacio Fila de AT es aplicable al Espacio Columna de A.
Por lo tanto si queremos hallar una base para el Espacio Columna de A que contenga slo
vectores de A hacemos la forma escalonada reducida de A y los vectores que correspondan
a las columnas que contengan los unos principales sern la base buscada.
Si queremos una base para el Espacio Columna de A con vectores que no estn en A,
pero que sea semejante, en sencillez, a la base cannica hallamos AT y hacemos su forma
escalonada reducida, las filas no nulas formarn la base buscada.
1
2
Ejemplo: Sea A 0
3
4
2 1
0 . Determinar una base para el Espacio Columna de A
3 3
que contenga slo vectores de A.
0
La forma escalonada reducida de A es B 0
0
0
0 0
1
0 1
0 0
0 0
0
0
11
24
49
26
7
3
Como los unos principales estn en las columnas 1, 2 y 3 podemos concluir que el
conjunto {(1, -2, 0, 3, -4); (3, 2, 8, 1, 4); (2, 3, 7, 2, 3)} es una base para el Espacio
Columna de A.
Ahora encontrar una base para el Espacio Columna de A que contenga vectores que no
estn en A y que sea semejante, en sencillez, a la base cannica.
Pgina 51
1 2
3 2
T
La transpuesta de A es A
2 3
1 2
0 3 4
8 1
7 2
0 4 3
1
0
Su forma escalonada reducida es B
0
0 2 0
1 1
0 0 1 1
0 0 0
Las filas no nulas forman una base para el Espacio Columna de A. Es decir, el conjunto
{(1, 0, 2, 0, 1); (0, 1, 1, 0, 1); (0, 0, 0, 1, -1)}
Definicin: La dimensin del Espacio Fila de A se denomina rango fila de A y la
dimensin del Espacio columna de A se denomina rango columna de A.
Teorema 8.2: El rango fila y el rango columna de la matriz Am x n= [aij] son iguales.
Ejemplo:
1 2
2 4
Sea A 1 2
3 6
1 2
1
0
4 0 2
6 0 2
1 2 0 0 . Determine:
0 9
5 8
1) Una base para el Espacio Fila de A. 2) Una base para el Espacio Columna de A.
Solucin:
1
0
La forma escalonada reducida de A es B 0
0
0
2 0 3 0 1
0 1 1 0 1
0 0 0 1 1.
0 0 0 0 0
0 0 0 0 0
Entonces el conjunto de vectores {(1, 2, 0, 3, 0, 1); (0, 0, 1, 1, 0, 1); (0, 0, 0, 1, 1)}

formado por las filas no nulas de B son una base para F(A).
Pgina 52
El conjunto {(1, 2, -1, 3, 1); (1, 0, 1, 0, 5); (0, 0, 0, 1, 1)} que corresponden a las columnas
donde estn los unos principales son una base para C(A).
Se concluye que la dimensin del Espacio Fila de A es igual a la dimensin del Espacio
Columna de A, igual a 3. Entonces el rango de A, h(A) es 3.
h(A) = dim F(A) = dim C(A) = 3

Observe que la base para el Espacio Fila de A no contiene los vectores filas de A y la base
del espacio Columna de A si contiene los vectores columnas de A.
Si queremos obtener una base para el Espacio Fila de A que contenga los vectores filas de
A y una base para el Espacio Columna con vectores que no sean vectores columnas de A
hacemos el procedimiento anterior con AT.
1
2
1
T
A
4
0
2 1
4 2
0 1
6 2
0 0
2 0
3
6
0
9
1
4
1
1
0
2
5
0
y su forma escalonada es: B
8
0
0
1
7
0
0 1 0 5
1 1 0 72
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
El conjunto {(1, 2, 1, 4, 0, 2); (2, 4, 0, 6, 0,2); (3, 6, 0, 9, 1, 4)} que corresponden a las
columnas donde estn los unos principales es una base para el Espacio Fila de A.
El conjunto {(1, 0, 1, 0, 5); (0, 1, -1, 0, 7 2 ); (0, 0, 0, 1, 1)} que corresponden a las filas no
nulas de la forma escalonada reducida de AT es una base para el Espacio Columna de A.
Observe que como A es una matriz 5 x 6 el Espacio Fila de A es un subespacio de R5 y el
Espacio Columna de A es un subespacio de R6.
Definicin: Al rango fila de A = rango columna de A se le denomina rango de la matriz

Am x n .
Pgina 53
El procedimiento para calcular el rango de una matriz A, es el siguiente:

Paso 1: Llevar A a la forma escalonada reducida por filas, B.
Paso 2: El rango de A es igual al nmero de filas no nulas de B.
Teorema 8.3: Si A es una matriz m x n, entonces rango de A + nulidad de A = n

Ejemplo:
1 1
0 1
Sea A 0 0
1 1
2 1
4
2
0
0
6
1
1
1
0
0
2
1
2 la matriz de coeficientes de un sistema homogneo AX = 0

2
1
1
0
Su forma escalonada reducida es B 0

0
0
x1
Si se resuelve el sistema resultante
La solucin general es:
x1 2 x3 x5 2s r
x 2 x x 2s r
3
5
2
. Es decir,
x3 s
x 2 x 2 r
5
4
x5 r
2

2
Los vectores 1 ,

0
0
1

1
0

2

1
0
1
0
0
0
2
2
0
0
0
0
0
1
0
0
1
1
2 .
0
0
2 x3
x5 0
x2 2 x3
x5 0
x4 2 x5 0
2 s r 2
1

2 s r 2
1
s s 1 r 0 .

2r 0
2

r 0
1
constituyen una base para N A el espacio nulo de A ,

por lo que la nulidad de A es 2.
El rango de A es 3 y n = 5. Entonces h(A) + nulidad de A = 3 + 2 = 5 = n.

Pgina 54
8.4. Rango y singularidad de una matriz

Definicin: Una matriz cuadrada A n x n es singular si no tiene inversa, en caso contrario
es no singular.
Teorema 8.4: Una matriz cuadrada A n x n es no singular si y slo si rango de A = n
Corolario 8.1: Si A es una matriz n x n, entonces rango de A = n si y slo si
det (A) 0.
Corolario 8.2: Sea A es una matriz n x n. El sistema lineal AX = B tiene solucin nica
para toda matriz B de n x 1 si y slo si rango de A = n.
Corolario 8.3: Sea S {v1 , v2 ,..., vn } un conjunto de n vectores de R y sea A la matriz
n
cuyas filas o columnas son los vectores de S. Entonces los vectores de S son linealmente
independientes si y solo si det (A) 0.
Este corolario, que ya hemos aplicado anteriormente, nos da otro mtodo para decidir si n
n
vectores de R son LD o LI.

Corolario 8.4: El sistema homogneo AX = 0 de n ecuaciones lineales con n incgnitas
tiene una solucin no trivial si y slo si h(A) < n.
Teorema 8.5: El sistema lineal AX = B tiene solucin si y slo si h(A) = h(A:B).
Es decir, si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada.
Equivalencias no singulares:
Todas las expresiones siguientes son equivalentes para una matriz A n x n .
1) A es no singular; es decir, A
existe.
2) X = 0 Rn es la nica solucin de AX = 0.
3) A es equivalente por fila a In.
Pgina 55
4) det (A) 0.
5) n es el rango de A.
6) A tiene nulidad 0.
7) El sistema lineal AX = B tiene una solucin nica para cada matriz Bn x1 .
8) Las filas de A forman un conjunto linealmente independiente de n vectores de Rn.
9) Las columnas de A forman un conjunto linealmente independiente de n vectores de
n
R .
I- Determine el espacio solucin de los siguientes sistemas homogneos.
1)
x1 2 x2 x3 3x4 0
x1 x2 x3 x4 0
2) 2 x1 2 x2 x3 2 x4 0
2 x1 x2 x3 x4 0
x1
x1 x2 2 x3 3x4 4 x5 0
3)
3x3 3x4 0
x1 2 x2 2 x3 x4 x5 0
x1 2 x2 3x3 4 x4 5 x5 0
4)
x1 x2 3x3 5 x4 6 x5 0
2 x2 2 x3 2 x4 x5 0
2 x1 6 x2 2 x3 4 x4 x5 0
3 x1 4 x2 x3 2 x4 3x5 0
x1 4 x2
3x4
II- Determine una base y la nulidad del espacio nulo de las siguientes matrices.
2 1 2
1) A 4 2 4
8 4 8
1
2
2) B
3
2
3
4
1
3 1
2 0
1 1
1 1
Pgina 56
1 1 2 1
2 0 1 1
3) C 5 1 3 0
4 2 5 1
2 3 4 5
0
3
3
3
6
III- Para cada una de las siguientes matrices determine:

a) Una base para el espacio fila con vectores que pertenezcan a ella
b) Una base para el espacio fila con vectores que no pertenezcan a ella
c) Una base para el espacio columna con vectores que pertenezcan a ella
d) Una base para el espacio columna con vectores que no pertenezcan a ella
1)
1
1
A
3
2 1
9 1
8 3
3 2
1 2 7
1 1 4
3) C
3 2 3
2 1 1
1
1
IV- Dada la matriz A 1
1
2
2 2
2 2
2) B
3 3
4 2
0
0
5
1
3
4) D
0
1 2 1
2 1 2
0 5 4 determine:
1 1 3
3 1 1
1) Una base para el espacio nulo de A

2) Una base para el espacio fila de A
3) Una base para el espacio columna de A
4) La nulidad de A
5) El rango de A
Pgina 57
3 7 1
4 8 0
2 8 4
1 5 7
2 1
5 2
1 4
0 7
3
0
5
9. Coordenadas y Cambio de Base

Si S {v1, v2 , ..., vn} es una base para un espacio vectorial V de dimensin n
S1 {v2 , v1,..., vn} es otra base para V, se podra decir que S y S1 son iguales. Sin
embargo, aqu vamos a tratar algunos conceptos donde el orden de los vectores en una
base es de mucha importancia y desde ese punto de vista S y S1 no son iguales.
9.1. Coordenadas de un vector v en V con respecto a una base S

Definicion: Sea S una base ordenada para un espacio vectorial V de dimensin n, entonces
cada vector v en V se puede expresar de forma nica como
v c1v1 c2v2 ... cnvn ,
c1
c
n
donde c1, c2 , ... , cn son nmeros reales. Entonces al vector 2 de R se le llama vector

c
n
c1

c2
de coordenadas de v con respecto a la base ordenada S y se escribe v S .

cn
Si cambiamos el orden de los vectores de la base S el vector de coordenadas v S puede
cambiar.
Ejemplo:
Sea
S {v1, v2 , v3 , v4}
una
base
para
R4 ,
tal
que
v1 (1,1,0,0), v2 (2,0,1,0),
v3 (0,1,2, 1), v4 (0,1, 1,0) v (1,2, 6,2) . Determinar v S
Solucin: Para determinar v S se deben encontrar los escalares c1 , c2 , ... , cn tales que
c1v1 c2v2 c3v3 c4 v4 v . Esto es:

c1 (1,1,0,0) c2 (2,0,1,0) c3 (0,1,2, 1) c4 (0,1, 1,0) (1,2, 6,2) .
Pgina 58
Esto nos genera un sistema de ecuaciones cuya matriz ampliada es:

1
1
0
: 1
1 1 : 2 y su forma escalonada reducida nos queda

1 2 1 : 6
0 1 0 : 2
2
0
0
0
0 0
1 0
0 1
0 0
0 : 3
0 : 1
.
0 : 2
1 : 1
3
1
Por lo que las coordenadas del vector v en la base S es v S .
2

1
Propiedades:
1) u v S u S v S . Es decir, el vector de coordenadas de la suma de vectores es
igual a la suma de los vectores de coordenadas.
2) kv S k v S . Siendo k un escalar.
3) Resumiendo las dos propiedades anteriores:
k1v1 k2v2 ... knvn k1 v1 S k2 v2 S ... kn vn S . Es decir, el vector de

S
coordenadas de una combinacin lineal es igual a la combinacin lineal de los vectores de
coordenadas individuales.
9.2. Matriz de Transicin o de Cambio de Base

Sean S {v1, v2 , ..., vn} y T {w1, w2 , ..., wn } bases para un espacio vectorial V de
dimensin n, entonces para todo vector v V se verifica que:
v c1w1 c2 w2 ... cn wn
(1)
Donde el vector de coordenadas del vector v respecto a la base T es v T
Pgina 59
c1
c
2 .

c
n
Si expresamos cada uno de los vectores de T en trminos de la base S obtenemos:
w1 a11v1 a21v2 ... an1vn

w2 a12v1 a22v2 ... an 2vn
(2)
wn a1nv1 a2 nv2 ... annvn

a11
a
Siendo 21 ,

a
n1
a1n
a12
a
a
22
, ... , 2 n los vectores de coordenadas respecto a la base S de los

a
a
n2
nn
vectores w1, w2 , ..., wn respectivamente.

Si sustituimos en (1) con los valores de (2) obtenemos:
c1 a11v1 a21v2 ... an1vn c2 a12v1 a22v2 ... an 2vn ... cn a1nv1 a2 nv2 ... annvn
Multiplicando y sacando factor comn v1, v2 , ..., vn se obtiene:
c1a11 c2 a12 ... cn a1n v1 c1a21 c2 a22 ... cn a2 n v2 ... c1an1 c2an 2 ... cnann vn
c1a11 c2 a12 ... cn a1n
c1a21 c2 a22 ... cn a2 n
Donde
es el vector de coordenadas de v respecto a la base S.
c1an1 c2 an 2 ... cn ann
Es decir, v S
c1a11 c2 a12 ... cn a1n a11 a12 ... a1n
c
a
c
a
...
c
a
a
a
...
a
1
21
2
22
n
2
n
21
22
2
n
c
a
c
a
...
c
a
a
a
...
a
n nn
nn
1 n1 2 n 2
n1 n 2
Pgina 60
c1

c2 P v .
S T T

cn
Siendo PS T
a11 a12 ... a1n
a
a
...
a
21
22
2
n
w
la matriz
1S
a
a
...
a
nn
n1 n 2
w2 S
... wn S .
Es decir, que las columnas de la matriz PS T son las coordenadas de los vectores de T
respecto a la base S.
A la matriz PS T
a11 a12 ... a1n
a21 a22 ... a2 n
se le llama matriz de transicin o de cambio de base
an1 an 2 ... ann
de la base T a la base S denotndose PS T y se concluye que v S PS T v T .
Procedimiento para calcular la matriz de transicin o de cambio de base de una base T

a una base S (PS T ) :
Paso 1. Se calcula el vector de coordenadas de cada uno de los vectores v j de T en la base
S.
Esto es: w1 S
a1n
a11
a12

a21
a22
a
, w2 S
, ... , wn S 2 n .

an1
an 2
ann
Estos resultados salen de las combinaciones lineales
w1 a11v1 a21v2 ... an1vn

w2 a12v1 a22v2 ... an 2vn
wn a1nv1 a2 nv2 ... annvn
Pgina 61
Los valores a11, a21,..., an1, a1,2 , a22 ,..., an 2 , ..., a1n , a2 n ,..., ann se determinan con reduccin
de Gauss-Jordan, transformando la matriz aumentada de este sistema a la forma escalonada
reducida por filas.
Paso 2. La matriz de transicin (PS T ) de la base T a la base S se forma tomando como
columna cada uno de los vectores de coordenadas encontrados en el paso anterior.
Ejemplo:
Sean
S {v1, v2}
tal
que
v1 (1,1) v2 (2,3)
T {w1, w2}
tal
que
w1 (1, 2) w2 (3,1) bases de R2. Determine la matriz de transicin de la base T a la

base S y pruebe para v (4,6) que v S PS T v T
Solucin:
1ro. Determinamos los vectores de coordenadas de cada uno de los vectores de T en la
base S. Es decir, calculamos w1 S (1, 2)S , w2 S (3,1)S . Para lo cual establecemos
las combinaciones lineales siguientes:
w1 a11v1 a21v2
w2 a12v1 a22v2
w1 a11 (1,1) a21 (2,3) (1, 2)

Al sustituir obtenemos
w2 a21 (1,1) a22 (2,3) (3,1)
Esto nos lleva a dos sistemas de ecuaciones:
a11 2a21 1
a11 3a21 2
Al
resolver
ambos
sistemas
obtenemos
a12 2a22 3
a12 3a22 1
a11 7, a21 3, a12 7, a22 2 .
7
7
Entonces, w1 S (1, 2)S , w2 S (3,1) S y la matriz de transicin o de
3
2
7 7
P
cambio de base de la base T a la base S es: S T

.
Pgina 62
Ahora probaremos que para v (4,6) se cumple que v S PS T v T .

Determinemos v T v S .
c1
tal que v c1w1 c2 w2 c1 (1, 2) c2 (3,1) (4,6) .
c2
vT (4,6)T
c1 3c2 4
Esto nos lleva al sistema de ecuaciones
2c1 c2 6
2
Al resolver obtenemos v T
2
d1
tal que v d1v1 d 2v2 d1 (1,1) d 2 (2,3) (4,6) .
d2
vS (4,6)S
c1 2c2 4
Esto nos lleva al sistema de ecuaciones
c1 3c2 6
0
Al resolver obtenemos v S
2
Entonces,
7 7 2 7(2 7(2) 0
2 3(2) 2(2) 2 v S
vS PS T vT
queda
comprobado.
a11 2a21 1
a12 2a22 3
Al resolver los dos sistemas planteados anteriormente
y
,
a11 3a21 2
a12 3a22 1
como la matriz de coeficientes es la misma para ambos se pueden
transformar
simultneamente las dos matrices aumentadas para hacer la forma escalonada reducida.
1 2 : 1 : 3
Esto es:
, y su forma escalonada reducida queda
1 3 : 2 : 1
1 0 : 7 : 7
0 1 : 3 : 2 .
Ejemplo:
Sean S {v1 , v2 , v3} tal que v1 (1,0,2), v2 (0,1, 2) v3 (1, 1, 2) y T {w1 , w2 , w2 }
Pgina 63
tal que w1 (1,2,3), w2 (2,3,4) w2 (1, 1,1) bases para R3. Determine la matriz de
transicin de la base T a la base S y v S tal que v (1,5,3) .
Solucin:
Determinamos los vectores de coordenadas de cada uno de los vectores de T en la base S.
Para ello podemos expresar la matriz aumentada donde las columnas son
11
1
1 0 1 : 1 : 2 : 1 1 0 0 : 6 : 3 : 2
7
1

:
:

:
2
:
3
:
2
v
v
v
:
w
:
w
:
w
0
:
0
0
6
1
1
1
2
1 2 3 1 2 3

2 2 2 : 3 : 4 : 1 0 0 : 5 : 1 : 1
6
1
2
Por lo que la matriz de transicin de la base T a la base S es:
PS T
116
76
5
6
3
2
1
1
2
1
2
1
2
Determinamos vS (1,5,3)S sabiendo que v S PS T v T .
Entonces
v S
116
PS T v T = 76
5
6
Determinamos v T
3
2
1
1
2
1
2
1
2
c1
c
2
c3
c1
c2 . Para lo que establecemos:
c3
v c1w1 c2 w2 c3w3 c1 (1,2,3) c2 (2,3,4) c3 (1, 1,1) (1,5,3),

c1 2c2 c3 1
que nos lleva a al sistema lineal 2c1 3c2 c3 5
3c1 4c2 c3 3
Pgina 64
1 2 1 : 1 1 0 0 :
2
3
1
:
5
0 1 0 :
La matriz ampliada es

3 4 1 : 3 0 0 1 :
Por lo que v T
v S
Entonces
3
2
3

2
1
2
1
c1 2

c2 32
c 3
3 2
116
PS T v T = 76
5
6
3
2
1
1
2
1
2
1
2
17
1
11 9
3
2 12 2 4 6
19
3 7
3
2 12 3 4 6 .
3 5 3 3 11
2 12 2 4 6
Teorema 9.1: Sean S {v1 , v2 ,..., vn } y T {w1 , w2 ,..., wn } bases para el espacio
vectorial V, de dimensin n. Sea PS T la matriz de transicin de la base T a la base S.
Entonces PS T es no singular y su inversa P 1S T es la matriz de transicin de la base S a
la base T ( PT S ).
Ejemplo:
Sean
S {v1, v2}
tal
que
v1 (1,2) v2 (0,1) y
T {w1, w2}
tal
que
w1 (2,3) w2 (1, 1) bases de R2. Determine la matriz de transicin de la base T a la

base S ( PS T ). Luego la matriz de transicin de la base S a la base T ( PT S ) y compruebe
que PS T y PT S son inversas.
Solucin:
1ro. Determinamos los vectores de coordenadas de cada uno de los vectores de T en la
base S. Para ellos podemos expresar la matriz aumentada donde las columnas son:
1 0 : 2 : 1 1 0 : 2 : 1
v
v
:
w
:
w
1 2 1 2
0 1: 1: 3 .
2
1:
3
:
Pgina 65
2 1
Por lo que la matriz de transicin de la base T a la base S es PS T
1 3
2do. Determinamos los vectores de coordenadas de cada uno de los vectores de S en la
base T. Para ello podemos expresar la matriz aumentada donde las columnas son:
2 1: 1: 0 1 0
w1 w2 : v1 : v2
0 1
3
1:
2
:
1
3
5
1
5
.
2

5
1
5
Por lo que la matriz de transicin de la base S a la base T es PT S
3
5
1
5
2

5
3ro. Comprobamos que PS T y PT S son inversas haciendo el producto:

3
2 1 5
( PS T ) ( PT S )
1 3 1
1 6 1
2 2
5 5 5
5 5 1 0 .
2 3 3
1 6 0 1

5 5 5
5 5
Esto significa que PT S P 1S T
I-En cada caso calcule el vector de coordenadas de v respecto a la base ordenada S.
1) S {v1 (1,0), v2 (3, 2)}, v (3, 2)
2) S {v1 (2,1), v2 (1,1)}, v (1,2)
3) S {v1 (1, 1,0), v2 (0,1,0), v3 (1,0,2)}, v (2, 1, 2)
4) S {v1 (1, 2,0,0), v2 (1,1,0,2)}, v3 (2,2,0,2), v4 (2,3, 1,0)}, v (1, 5, 2,4)
2
5) S {t t 1,
t 1,
t 2 1 }, v 4t 2 2t 3
Pgina 66
1 1 0 1 1 0 1 0
, 1 0 , 0 1 , 1 0 ,
0
0
6) S
1 3
v
2 2
II- Sean S {v1 (1,2), v2 (0, 1)}, T {w1 (1,1), w2 (2, 3)} bases ordenadas para R2.
Sean v (3, 2) y w (5,4) , determine:
1) Los vectores de coordenadas de v y w respecto a la base T.
2) La matriz da transicin de la base T a la base S ( PS T ) .
3) Los vectores de coordenadas de v y w respecto a la base S.
4) Compruebe que v S PS T v T
wS PS T wT .
5) La matriz da transicin de la base S a la base T (QT S ) .

6) Compruebe que PS T y QT S son inversas.
2
2
2
III- Sean S {t 1, t 2, t 3}, T {2t t , t 3, t} bases ordenadas para P2. Sean
v 8t 2 4t 6 y w 7t 2 t 9 . Siga las indicaciones del ejercicio II:
1 1 1 0 0 1 1
S
IV- Sean
, 0 1 , 0 0 , 1
0
1

1 1 1 0 1
T
, 1 1 , 0
0
0
0 0
,
0 0
0
,
0
1
bases ordenadas para M2x2. Determine la
1
matriz de transicin de la base T a la base S.

V- Sean S {v1, v2}, T {w1, w2} bases ordenadas para R2, donde v1 (1,2) y v2 (0,1) .
2 1
determine los vectores
1
1
Si la matriz de transicin de la base T a la base S es PS T

de la base T.
Pgina 67
VI-
Sean
S {v1, v2 , v3}, T {w1, w2 , w3}
bases
ordenadas
para
R3,
donde
v1 (1,0,1), v2 (1,1,0) y v3 (0,0,1) . Si la matriz de transicin de la base T a la base S
es PS T
1 1 2
2 1 1 determine los vectores de la base T.
1 1 1
10. Bases Ortonormales en Rn

n
Definicin: Un conjunto S {u1 , u2 ,..., uk } en R es ortogonal si cada par de vectores
distintos en S son ortogonales; es decir, si ui .u j 0 para i j .

n
Definicin: Un conjunto S {u1, u2 ,..., uk } en R es ortonormal si adems de ser
ortogonal cada uno de los vectores de S es unitario. Esto es, si ui .u j 0 para i j y
ui .ui 1 para i 1,2,..., k .

Ejemplo: S {u1 , u2 , u3} tal que u1 (1,0,2); u2 (2,0 1) y u3 (0,1,0)
conjunto
ortogonal
en
R3
ya
que
es un
u1.u2 (1,0,2)(2,0 1) 2 0 2 0 ,
u1.u3 (1,0,2)(0,1,0) 0 0 0 0 y u2 .u3 (2,0,1)(0,1,0) 0 0 0 0 .

Si hacemos v1
v2
1
1
1
2
1
u1
(1,0,2)
(1,0,2)
, 0,
,
2
2
2
u1
5
5
5
1 0 2
1
1
1
1
2
u2
(2,0,1)
(2,0,1)
, 0,
.
u2
5
5
5
(2)2 02 12
v1 y v2 son vectores unitarios en la misma direccin de u1 y u2 . El vector u3 es tambin

unitario, por lo que {v1 , v2 , u3} es un conjunto ortonormal.
Pgina 68
Ejemplo: La base cannica de R4 {(1,0,0,0), (0,1,0,0), (0,0,1,0),(0,0,0,1)} es un

n
conjunto ortonormal en R4. En general la base cannica para R es un conjunto
ortonormal.
n
Teorema 10.1: Si S {u1, u2 ,.., uk } es un conjunto ortogonal de vectores no nulos en R ,
entonces S es linealmente independiente.

Demostracin:
Sea c1u1 c2u2 ... ck uk 0Rn .
(1) .
Multipliquemos a ambos lados de (1) por ui , 1 i k para obtener
c1u1 c2u2 ... ck uk ui 0R
ui
c1u1 ui c2u2 ui ... ci ui ui ... ck uk ui 0
(2)
En el lado izquierdo tenemos c j u j ui 0 siempre que i j , por lo que (2) se reduce a

ci ui ui ci ui ui ci ui
0 . Como ui 0Rn se puede garantizar que
ui 0 y
necesariamente ci 0 , por lo que se puede concluir que los vectores de S son linealmente
independientes.
n
Corolario 10.1: Un conjunto ortonormal de vectores en R es linealmente independiente.
Definicin: Del Teorema 10.1 y el Corolario 10.1 se deduce que todo conjunto
n
n
ortonormal u ortogonal de n vectores en R es una base para R . Entonces,
1) Una base ortogonal para un espacio vectorial es una base cuyos vectores forman un
conjunto ortogonal.
2) Una base ortonormal para un espacio vectorial es una base cuyos vectores forman
un conjunto ortonormal.
Pgina 69
Como ya hemos visto si S {u1, u2 ,.., un } es una base para R n y v es un vector de R n

podemos expresar a v como una combinacin lineal de los vectores de S donde
v c1u1 c2 u2 ... cn un . Para determinar los valores de c1 , c2 ,... cn debemos resolver

un sistema lineal de n ecuaciones con n incgnitas .Sin embargo cuando S es una base
ortonormal podemos obtener estos valores de una manera mucho ms fcil, como lo
establece el siguiente teorema.
n
Teorema 10.2: Sea S {u1, u2 ,.., un } una base ortonormal para R y v es un vector en
R n , entonces v c1u1 c2 u2 ... cn un donde ci v.ui para 1 i n .

Demostracin:
n
Como S {u1, u2 ,.., un } es una base para R , entonces para cualquier vector v R n
podemos establecer v c1u1 c2u2 ... cn un .
(1) .
Multiplicando a ambos lados de (1) por ui , 1 i n para obtener
v ui c1u1 c2u2 ... cn un ui

v ui c1u1 ui c2u2 ui ... ci ui ui ... cn un ui
(2)
En el lado derecho de (2) tenemos c j u j ui 0 siempre que i j y ci ui ui ci . 1 , por

ser S una base ortonormal, por lo que (2) se reduce a v ui ci . Se concluye que ci v.ui .
Ejemplo:
Sean
S {u1, u2 , u3}
tal
que
2 2 1
2 1 2
u1 , , ; u2 , , ,
3 3 3
3 3 3
1 2 2
u3 , , una base ortonormal para R3 y v (3,4,5) un vector de R3.
3 3 3
Entonces si hacemos la combinacin lineal:
2 2 1
2 1 2
1 2 2
v c1u1 c2 u2 c3 u3 c1 , , c2 , , + c3 , , podemos
3 3 3
3 3 3
3 3 3
Pgina 70
calcular directamente los valores de c1 , c2 , c3 aplicando el teorema anterior. Siendo:
8 5
2 2 1
c1 v.u1 (3,4,5) , , 2 1 ,
3 3
3 3 3
4 10
2 1 2
c2 v.u2 (3,4,5) , , 2 0
3 3
3 3 3
8 10
1 2 2
c3 v.u3 (3,4,5) , , 1 7 .
3 3
3 3 3
As que:
2 2 1 1 2 2
v u1 0u2 7 u3 , , 7 , ,
3 3 3 3 3 3
2 2 1 7 14 14
, , , ,
.
3 3 3 3 3 3
3, 4, 5
n
Corolario 10.2: Sea S {u1, u2 ,.., un } una base ortogonal para R y v es un vector en
R n , entonces v c1u1 c2 u2 ... cn un donde ci
v.ui
para 1 i n .
ui .ui
Ejemplo: Sea S {u1 , u2 , u3} tal que u1 1,2, 2 ; u2 2,4,5 y u3 6,3,0 una
base ortogonal para R3
combinacin lineal
v (2,1,4) un vector de R3. Entonces si hacemos la
v c1u1 c2 u2 c3 u3 c1 1, 2, 2 c2 2, 4, 5 + c3 6, 3, 0
podemos calcular directamente los valores de c1 , c2 , c3 aplicando el corolario anterior:
c1
v.u1
(2,1,4)(1,2, 2) 2 2 8 4
,
u1.u1 (1,2, 2)(1,2, 2) 1 4 4 9
c2
v.u2 (2,1,4)(2,4,5) 4 4 20 28
u2 .u2 (2,4,5)(2,4,5) 4 16 25 45
Pgina 71
c3
v.u3
(2,1,4)(6,3,0) 12 3 0 9 1
.
u3.u3 (6,3,0)(6,3,0) 36 9 0 45 5
As se obtiene:
4
28
1
4
28
1
v u1 u2 u3 1,2, 2 2,4,5 6,3,0 (2,1,4) v .
9
45
15
9
45
5
10. 1 Proceso de ortogonalizacin de Gram-Schmidt

n
Teorema 10.3: Sea W un subespacio no nulo de R con base S {u1, u2 ,.., um} , entonces
existe una base ortonormal T {w1, w2 ,.., wm} para W.

El proceso de ortogonalizacin de GramSchmidt nos permite calcular una base
ortonormal T {w1, w2 ,.., wm} para un subespacio no nulo de
R n , dada una base
S {u1, u2 ,.., um} para W dando los siguientes pasos:

Paso 1: Haga u1 v1 .
Paso 2: Calcule los vectores v2 , v3 , ..., vm de manera progresiva, uno a la vez, por medio
de la frmula
u .v
v2 u2 2 1 v1
v1.v1 ;
u .v
u .v
v3 u3 3 1 v1 3 2 v2
v1.v1
v2 .v2 ;
u .v
u .v
u .v
v4 u4 4 1 v1 4 2 v2 4 3 v3
v1.v1
v2 .v2
v3 .v3
u .v
u .v
vi ui i 1 v1 i 2 v2
v1.v1
v2 .v2
u .v
i i 1 vi 1
vi 1.vi 1
Pgina 72
*
El conjunto de vectores T v1, v2 ,.., vm es ortogonal.
1
1
1
1
v1; w2
v2 ; w3
v3 ... wi
vi ; i 1,2,3,..., m
v1
v2
v3
vi
w1
Paso 3: Haga
Entonces T {w1, w2 ,.., wm} es una base ortonormal para W.

n
Nota: Si u y v son dos vectores de R tales que u.v = 0, es decir, son ortogonales,
entonces para cualquier escalar c diferente de cero se verifica que u.(cv) = 0. Este
resultado se puede utilizar para simplificar los clculos en el Proceso de Gram- Schmidt
ya que en el resultado del paso 2 se puede multiplicar por un escalar para eliminar las
fracciones.
Cuando se eliminan las fracciones la base que se obtiene es ortogonal aunque difiere de la
que se obtendra si no las eliminramos. Cuando los clculos se hacen en computadora con
programas como MATLAB, por ejemplo, estos no eliminan las fracciones.
Ejemplo:
Sea S {u1, u2 , u3} una base para R3, donde u1 (1,1,1); u2 (1,0, 1) y u3 (1,2,3).
Transforme la base S en una base ortonormal para R3.
Solucin:
Paso 1: Hacemos u1 v1 (1,1,1) .
Paso 2: Calculamos
u .v
(1,0, 1)(1,1,1)
2
v2 u2 2 1 v1 (1,0, 1)
(1,1,1)
1,0,
1)
(1,1,1)
3
(1,1,1)(1,1,1)
v1.v1
2 2 2 1 2 1
(1,0, 1) , , , ,
3 3 3 3 3 3
Multiplicando por 3, para eliminar las fracciones, obtenemos

Pgina 73
v2 1,2, 1
u .v
u .v
v3 u3 3 1 v1 3 2 v2
v1.v1
v2 .v2
(1, 2,3)(1,1,1)
( 1, 2,3)( 1, 2, 1)
( 1, 2,3)
(1,1,1)
(1,2, 1)
(1,1,1)(1,1,1)
(
1,
2,
1)(
1,
2,
1)
4
1
4 4 4 1 2 1
(1, 2,3) (1,1,1) (1,2, 1) ( 1, 2,3) , , , ,
3
3
3 3 3 3 3 3
(2,0,2)
Entonces
T * v1, v2 , v3 (1,1,1); (1,2, 1); 2,0,2
es una base ortogonal
Paso 3: Hacemos
w1
1
1
1
1 1 1
v1
(1,1,1)
(1,1,1)
,
,
v1
(1,1,1)
3
3 3 3
w2
1
1
1
1
1 2
v
(1,2, 1)
(1,2, 1)
,
,
v2
(1,2, 1)
6
6 6
6
w3
1
1
1
1
1
1
v3
(2,0,2)
(2,0,2)
(1,0,1)
,0,
v3
(2,0,2)
2 2
2
2
2
Entonces
1 1 1 1 2
1 1
1
,
,
,
,
,0,
;
;
6 6
6
2
2
3 3 3
T {w1, w2 ,.., wm}
una base ortonormal para R3.
I- Cules de los siguientes son conjuntos ortogonales de vectores?
1) (1, 1,2), (0,2, 1), (1,1,1)
2) (1,2, 1,1), (0, 1, 2,0), (1,0,0, 1)
Pgina 74
es
3) (2,3, 4), (1, 2, 2), (14, 8, 1)

4) (0,1,0, 1), (1,0,1,1), (1,1, 1,2)
II- Cules de los siguientes son conjuntos ortonormales de vectores?
1 2 2 2 1 2 2 2 1
, , , , , , ,
3 3 3 3 3 3 3 3 3
1) ,
1 1 1 1
, 0,
,
,
,
, 0,1,0
2 3 3 3
2
2)
3) (0,2,2,1), (1, 1, 2,2), (0, 2, 1,2)
1 2
1 1
,
,
,
,
7 7
7 7
4)
1
2
1
1
0,
,
0
,
,0,
0,
5
5 2
2
III- Determine los valores de las variables en cada caso.

1)
Sean u (1,1, 2), v (a, 1,2) . Cul es el valor de a para que u y v sean
ortogonales?
1
1
1
, 0,
, b . Cul es el valor de a y b para que el
, v a,
2
2
2
conjunto u, v sea ortonormal?

2) Sean u
IV- Utilice el Proceso de Gram-Schmidt para determinar:

1) Una base ortonormal para el subespacio de R3 con base (1, 1,0), (2,0,1)
2) Una base ortonormal para el subespacio de R3 con base (1,0,2), (1,1,0)
Pgina 75
3) Una base ortonormal para el subespacio de R4 con base
(1, 1,0,1), (2,0,0, 1), (0,0,1,0)
4) Una base ortonormal para el subespacio de R4 con base
(1, 1, 1,0), (0,2,0,1), (1,0,0,1)
5) Una base ortonormal para R2 a partir de la base (1,2), (3,4

6) Una base ortonormal para R3 a partir de la base (1, 1, 1), (0,1,1), (1,2,3)
7) Una base ortonormal para el subespacio de R3 constituido por los vectores de la forma
(a, a b, b)
2 2
1
, 0,
,
,
0,
,
0,1,0
una base ortonormal para

5
5
5
5

V- Siendo S
utilice el Teorema 10.2 para escribir el vector (2, 3,1) como combinacin lineal de los
vectores de S.
11. Complementos ortogonales

n
Definicin: Sea W un subespacio de R n . Un vector u en R es ortogonal a W si es
ortogonal a cada uno de los vectores de W. El conjunto de vectores en
R n que son
n
ortogonales a todos los vectores de W se le llama complemento ortogonal de W en R y
se denota por W (se lee complemento ortogonal de W)

n
Recuerde que: dos vectores u y v de R son ortogonales si su producto escalar es cero.
Es decir, u.v = 0
Ejemplos: 1) Sea W el subespacio de R3 constituido por los mltiplos del vector
w (2, 3, 4) ; es decir, W genw de modo que W es un subespacio de dimensin 1 de

Pgina 76
R3. Entonces un vector u en R3 pertenece a W si y solo si u es ortogonal a cw,

cualquiera que sea el valor de c.
Para
determinar
definimos
un
vector
genrico
u ( x, y, z ) ,
tal
que
(2, 3,4).( x, y, z) 0 .
Entonces al resolver (2, 3, 4).( x, y, z) 0 se obtiene 2 x 3 y 4 z 0 .
Es decir,
x 32 r 2s, y r z s . Esto es
32 2

3
r
2
s
,
r
,
s
r
1 s 0 por lo que
2
0 1

32 2

una base para W es T u1 , u2 1 ; 0

0 1

32 2

W gen 1 ; 0 ( x, y, z ) / 2 x 3 y 4 z 0 es un plano que tiene como vector

0 1

normal w (2, 3,4) .
2) Sea W un subespacio de R4
con base S w1, w2 ,
donde w1 (1,1,0,1) y
w2 (0, 1,1,1) . Determine una base para W .
Solucin:
Sea u = (a, b, c, d) un vector en W . Entonces u . w1 0 u . w2 0
u . w1 (a, b, c, d ).(1,1,0,1) a b d 0 u . w2 (a, b, c, d ).(0, 1,1,1) b c d 0
De donde se obteniene el sistema

ab d 0
bc d 0
1 1 0 1 :
0 1 1 1 :
0 1 0 1 2 : 0
0 0 1 1 1 : 0
Al resolver obtenemos:
Pgina 77
a r 2s
r 2s 1 2
rs 1 1
b r s
r s , por lo que
c r
r
1 0

d s
s
0 1
1 2
1 1
T u1 , u2 ;
1 0
0 1
constituye una base para W .
1 2
1 1
Entonces podemos afirmar que W gen T gen ;
1 0
0 1
Teorema 11.1: Sean W1 , W2 subespacios de un espacio V, entonces W1 W2 es un
subespacio de V. Es decir, la suma de dos subespacios de V es un subespacio de V.
W1 W2 v V / v w1 w2 ; w1 W1 w2 W2 .
Si V W1 W2 y adems W1
W2 0V , entonces V es la suma directa de W1 y W2
lo que se denota como V W1 W2 . En este caso cada vector v de V se puede escribir de

forma nica como v w1 w2 donde w1 W1 w2 W2
n
Teorema 11.2: Sea W un subespacio R , entonces
n
a) W es un subespacio R .
b) W
W 0Rn
n
Teorema 11.3: Sea W un subespacio R , entonces
Rn W W
n
Esto es, todo vector v de R es el resultado de la suma de un vector w de W y un vector u
de W .
Pgina 78
Demostracin:
Sean
un
vector
de
w (v . w1 )w1 (v . w2 )w2 ... (v . wm )wm
Rn ,
donde
S w1, w2 ,..., wm es una base ortonormal para W y u v w .

Como w es combinacin lineal de los vectores de S, w pertenece a W. Mostraremos que
u pertenece a W comprobando que u es ortogonal a todo vector de S.
Para cada vector wi (i = 1, 2, , n) en S se tiene que u . wi (v w). wi al sustituir
u v w . Entonces calculando el producto escalar se obtiene:
u . wi (v w). wi v . wi w .wi
v . wi [(v . w1 ) w1 (v . w2 ) w2 ... (v . wi ) wi ... (v . wm ) wm ]. wi
v . wi {[(v . w1 ) w1 ] . wi [(v . w2 ) w2 ] . wi ... (v . wi ) wi . wi ... [(v . wm ) wm ]. wi }
v . wi {(v . w1 )( w1 . wi ) (v . w2 )( w2 . wi ) ... (v . wi ) wi . wi ... (v . wm )( wm . wi )}
v . wi {(v . w1 )(0) (v . w2 )(0) ... (v . wi ) 1 ... (v . wm )(0)}
v . wi {0 0 ... (v . wi ) 1 ... 0}
v . wi (v . wi )(1) v . wi v . wi 0
Porque wi . w j 0 si i j y wi . wi 1 para i 1, 2, ..., m
Por lo tanto u es ortogonal a todo vector de W y pertenece W . Como
u v w v u w queda probado que Rn W W . Adems como W
W 0Rn se
concluye que Rn W W .
Ejemplo:
En el ejemplo anterior se determin, dada la base S w1 , w2 para W subespacio de R4
donde
w1 (1,1,0,1) w2 (0, 1,1,1) , una
u1 1, 1, 1, 0 u2 2, 1, 0, 1 .
base T u1 , u2 para W donde
Dado v (1,1, 4,3) determine un vector w en W y un vector u en W , tales que
v = w + u.
Pgina 79
Solucin:
El proceso de Gram-Schmidt nos permite calcular una base ortonormal para W a partir de
S w1, w2 (1,1, 0,1); (0, 1,1,1) . Esto es:

u1
u2
w1
1
w2
w1
w2
1
1
(1,1,0,1)
(1,1,0,1)
(1,1,0,1)
3
1
1
(0, 1,1,1)
(0, 1,1,1)
(0, 1,1,1)
3
Siguiendo el proceso de la demostracin del teorema 11.3, podemos calcular w y u
w (v .u1 )u1 (v .u2 )u2
1 1 1
1
1 1 1
1 1 1
1 1
, 0,
,
, 0,
,
,
,
,

1,1, 4, 3 (0,
(0,
3 3 3
3
3 3 3
3 3 3
3 3
1,1, 4, 3
1
3 1 1
1
1
4
3
1
1
1
1

, , 0, (0
(0, , ,
3
3
3 3 3
3
3
3
3
3
3
3
3 1 1
1
6
1
1
1
, , 0,
(0, , , (1,1, 01) (0, 2, 2, 2) (1, 1, 2,3)
3 3 3
3
3
3
3
3
Ya que se conoce w podemos calcular u sabiendo que
u v w (1,1,4,3) (1, 1,2,3) (2,2,2,0) .

En conclusin:
u (2,2,2,0); w (1, 1,2,3) v w u (1, 1,2,3) (2,2,2,0) (1,1,4,3)

n
Teorema 11.4: Sea W un subespacio R , entonces W W .
Teorema 11.5: Si A es una matriz de m x n, entonces:

(a) El Espacio Nulo de A es el complemento ortogonal del Espacio Fila de A.
(b) El Espacio Nulo de AT es el complemento ortogonal del Espacio Columna de A.
Pgina 80
1 2
1 1
Ejemplos: 1) Sea A
1 3
2 3
1
4
2
5
0 2
1 3
1 1
1 5
Calcular el Espacio Nulo de A, el Espacio Nulo de AT, el espacio Fila de A, el Espacio

Columna de A y comprobar que se cumple el teorema anterior.
La forma escalonada reducida de A es B
7
3

Al resolver BX = 0 se tiene que S 1 ;
0
0

Nulo de A.
1
0
0
0
0
1
0
0
7
3
0
0
2
1
0
0
4
1
2 4
1 1
0 ; 0
es una base para el Espacio
1 0
0 1

1
0
De B se obtiene adems, que una base para el Espacio Fila de A es: T 7 ;

2
4

0
1
3 .

1
1

Hallamos la forma escalonada reducida de AT.
AT
1 1 1 2
2 1 3 3
1 4 2 5 , su forma escalonada reducida es C

0 1 1 1
2 3 1 5
2
1
Al resolver AT X = 0 se tiene que S 1 ;

0
AT .
1
0
0
0
0
0 2
1 1
0 0
0 0
0 0
1
1
0
0
0
1
1
0 es una base para el Espacio Nulo de
1

Pgina 81
De C se obtiene adems, que una base para el Espacio Columna de A es:

1
0
T ;
2

1
0
1
1

1
Como los vectores en S son ortogonales a los de T se concluye que el Espacio Nulo de A
es el complemento ortogonal del Espacio Fila de A.
Como los vectores en S son ortogonales a los de T se concluye que el Espacio Nulo de
AT es el complemento ortogonal del Espacio Columna de A.
2) Determine una base para el
R5
W gen w1 , w2 , w3 , w4 , w5 de
complemento ortogonal del subespacio

donde w1 (2, 1,0,1, 2); w2 (1,3,1, 2, 4);
w3 (3, 2,1, 1, 2); w4 (7,7,3, 4, 8); w5 (1, 4, 1, 1, 2) .

Solucin:
Sea u (a, b, c, d , e) un vector arbitrario que pertenece a W . Como u es ortogonal a cada
uno de los vectores que generan a W podemos obtener las siguientes igualdades:
(2, 1,0,1, 2)( a, b, c, d , e) 0
2a b
d 2e 0
(1,3,1, 2, 4)( a, b, c, d , e) 0 a 3b c 2d 4e 0
(3, 2,1, 1, 2)( a, b, c, d , e) 0 3a 2b c d 2e 0
(7,7,3, 4, 8)( a, b, c, d , e) 0 7 a 7b 3c 4 d 8e 0
(1, 4, 1, 1, 2)( a, b, c, d , e) 0 a 4b c d 2e 0
La matriz de coeficientes de este sistema de ecuaciones es:
2 1 0 1
1 3 1 2
A 3 2 1 1
7 7 3 4
1 4 1 1
1
2
4
0
2 B 0
8
0
2
0 0
1 72 0 0
0 0 1 2
0 0 0 0
0 0 0 0
0
1
7
Pgina 82
1
72
7
Al resolver B X = 0 se tiene que S 1 ;

0
0

0
0

1 es una base para W .

0
0

Observe que W se corresponde con el Espacio Fila de A y W con el espacio Nulo de A y

como habamos visto antes estos espacios son complementos ortogonales uno del otro.
11.1 Proyeccin Ortogonal

Definicin: Si v w u siendo w W y u W , entonces al vector w se le denomina
proyeccin ortogonal de v sobre W y se denota por Pr oyW v .
Si W tiene una base ortogonal
w , w ,
1
, wm la proyeccin ortogonal de v sobre W se
puede calcular mediante la siguiente frmula:
w Pr oyW v
v.w1
v.w2
w1
w2
w1.w1
w2 .w2
v.wm
wm
wm .wm
Ejemplo:
Sea
W gen(1,2, 1,1), (0, 1, 2,0), (1,0,0, 1)
un
subespacio
de
R4
v (3, 2,0, 1) determine w Pr oyW v
Solucin:
Como (1,2, 1,1), (0, 1, 2,0), (1,0,0, 1) es un conjunto ortogonal, este constituye una
base ortogonal para W, por lo tanto podemos utilizar la frmula anterior para calcular
w Pr oyW v .
Pgina 83
w Pr oyW v
w
v.w3
v.w1
v.w2
w1
w2
w3
w1.w1
w2 .w2
w3 .w3
(3, 2,0, 1).(1,2, 1,1)

(3, 2,0, 1).(0, 1, 2,0)
(1,2, 1,1)
(0, 1, 2,0)
(1,2, 1,1).(1,2, 1,1)
(0, 1, 2,0).(0, 1, 2,0)
(3, 2,0, 1).(1,0,0, 1)
(1,0,0, 1)
(1,0,0, 1).(1,0,0, 1)
3 4 0 1
0200
3 0 0 1
(1,2, 1,1)
(0, 1, 2,0)
(1,0,0, 1)
1 4 11
0 1 4 0
1 0 0 1
2
2
4
(1,2, 1,1) (0, 1, 2,0) (1,0,0, 1)
7
5
2
72,74, 72,72 0, 52 , 54 ,0 (2,0,0, 2) 1235,3435,1835,1635
n
Teorema 11.5: Sea W un subespacio de R , entonces dado el vector v de R n , el vector
ms cercano a v es Pr oyW v . Esto significa que para w en W, v w es mnima cuando

w Pr oyW v .
I- En cada caso determine W
3
1) W el subespacio de R generado por el vector w (2, 3, 1)
2) W gen(1,2, 1), (1, 3, 2)

3) W gen(2,5,1,3,0), (1, 2,0, 1, 2), (4,3,1,5, 4), (3,1, 1,4, 2),(2, 2, 0,2, 4)
Pgina 84
II- En cada caso exprese el vector dado v como suma directa de un vector w de W y un
vector u de W
1) W gen(1,0,1), (1, 1, 1) y v (2, 2, 0)
2) W gen(1,1,1,0), (1, 0, 0,0) y v (1, 1, 0,0)
III- En cada caso calcule los cuatro espacios vectoriales asociados a la matriz A y
compruebe que se cumple el teorema 11.5.
1 5 3 7
1) A 2 0 4 6
4 7 1 2
4
2 1 3
0 3 7 2
2) A
1 1 2 3
1 4 9 5
IV- En cada caso determine w Pr oyW v para el vector v y el subespacio W dados.
1
2 2
1
3
0,
0,
1) W el subespacio de R con base
,
, v (3,4, 1)
5
5
5
5
1
1 1 1 1
, 0,
,
,
,
, v 2,1, 1 .
2 3 3 3
2
3
4
3) W el subespacio de R con base (1,1,0,1), (0, 1,1, 0), (1,0,0,1) , v (2,1,3,0)
4
(1, 1, 1,0), (0,2,0,1), (1,0,0,1), v (1,0,4,2)
4
VI- Sean W el subespacio de R con base
1
1
1
1
, 0,0,
,
0,
0,
1,0
,
,
0,0
,
y v (1,2, 1,0) . Determine la

2
2
2
2
distancia de v a W.
Pgina 85
UNIDAD 2: TRANSFORMACIONES LINEALES

1. Aplicacin o Transformacin Lineal
Definicin de aplicacin: Sean S y S dos conjuntos, una aplicacin de S en S es
una asociacin que adjunta, mediante una regla de correspondencia, a todo elemento de S
un elemento de S . En lugar de decir que F es una aplicacin de S en S se acostumbra
a escribir simblicamente F : S S .
Definicin de funcin: Una funcin es un tipo especial de aplicacin F : S S que
asigna a cada elemento de S un nico elemento de S .
Definicin de aplicacin o transformacin lineal: Sean V y W espacios vectoriales
reales, una transformacin lineal T de V en W es una funcin que asigna a cada vector v
de V un nico vector T(v) en W y que para todo par de vectores u y v en V y todo escalar
satisface las siguientes condiciones:
T(u + v) = T(u) + T(v)
T(v) = T(v)
Notacin: Se escribe T :V W para indicar que T toma el espacio vectorial V y lo lleva
al espacio vectorial W; esto es, T es una funcin con V como su dominio y un subconjunto
de W como su imagen.
La expresin T(v) o Tv que se lee T de v denota lo mismo que f(x), que se lee f de x.
x
x z
Ejemplo 1.1 Sea T : R R definida por a T y
. Si tomamos
z y z

3
1
3 R 3 , por
2

1
1 (2) 3
ejemplo, y le aplicamos esta transformacin obtenemos T 3

2 3 (2) 1

Pgina 86
Comprobemos ahora si la transformacin que hemos definido es lineal o no.

Para probar si una transformacin es lineal debemos definir dos vectores genricos del
espacio de donde se va a transformar, R3 en este caso, y un escalar .
a1
a2
Sean u b1 y v b2 dos vectores genricos de R3 y un nmero real, entonces:

c
c
1
2
a1 a2
a1 a2
(a a ) (c1 c2 ) (a1 c1 ) (a2 c2 )
T (u v) T b1 b2 T b1 b2 1 2
(b1 b2 ) (c1 c2 ) (b1 c1 ) (b2 c2 )

c1 c2
c1 c2
(a c ) (a c )
T (u v) 1 1 2 2 T (u ) T (v)
(b1 c1 ) (b2 c2 )
a2
a2
(a2 c2 )

a c2 (a2 c2 )
T ( v) T b2 T b2 2
T (v )
(
b
c
)
(
b
c
)
2 2
2
2
2
c 2
c2
2
Como se cumplen las dos condiciones se concluye que T es una transformacin lineal de
R3 a R 2 .
Ejemplo 1.2: Una transformacin de reflexin
2
2
Sea T : R R definida por
x x
T = . Probemos que T es una transformacin
y y
lineal:
x1
x2
Sean u , v y R , entonces:
y1
y2
x x
x x x x x x x x
T (u v) T 1 2 T 1 2 1 2 1 2 1 2 T (u ) T (v)
y1 y2
y1 y2 ( y1 y2 ) y1 y2 y1 y2
x
x x x1
x1
T ( v) T 1 T 1 1
T (u )
y
y
)
y
1
1
1
1
1
Pgina 87
T es una transformacin lineal que geomtricamente toma un

vector de R 2 y lo refleja respecto al eje x. Observe la grfica.
Ejemplo 1.3: La transformacin cero

Sean V y W espacios vectoriales y definimos T : V W por T(v) 0W para todo v en V.
Entonces T(v1 v2 ) 0W 0W 0W T(v1 ) T (v2 ) y T( v) 0W 0W =T( v) . Esta
funcin transforma a todo vector de V en el vector nulo de W.
Ejemplo 1.4: La transformacin identidad
Sea V un espacio vectorial y definimos I : V V por I(v) v para todo v en V. I es la
transformacin identidad conocida tambin como operador lineal.
I- Determine si la transformacin indicada en cada caso es lineal o no.
x x
x 1
1) T : R 2 R 2 :T
y
0
2) T : R 2 R 2 :T
y
y
x 0
3) T : R R :T
y x
x
x
4) T : R R :T y
z y

x
0
5) T : R R :T y
z y

x
z
6) T : R R :T y
z x

x
1
3
2
7) T : R R :T y
z z

2
x x
8) T : R R :T 2
y y
x x2
9) T : R R :T
y y
10) T : R 2 R 2 :T
y
x
x y

Pgina 88
x x y
11) T : R 2 R 2 :T
y
x y
12) T : R 2 R :T xy
y
13) T : P2 P1 :T a0 a1x a2 x a0 a1x
14) T : P2 P3 :T P( x) P( x) P( x)
15) T : P2 P4 :T P( x) P( x)
16) T : P2 P3 :T P( x) P( x) P( x)
17) T : M m p M mn :T ( A) AB siendo B una matriz fija de orden p x n.

18) T : M m p M mn :T ( A) AB siendo B una matriz fija de orden p x q, siendo q n. 19)
20) T : R3 P2 :T a, b, c (a b) (b c) x2
T : M nn M nn :T ( A) AT A
2. Propiedades de las transformaciones lineales:

Teorema 2.1: Sea T : V W una trasformacin lineal, entonces se cumple que:
i) T(0v ) 0w
ii) T(u v) T(u) T(v) para todo u, v V .
iii) T(1v1 2v2 ... nvn ) 1T(v1 ) 2T(v2 ) ... nT(vn ) para todo
v1, v2 ,..., vn V y 1, 2 ,..., n escalares.

Teorema 2.2: Sea V un espacio vectorial de dimensin finita con base B {v1, v2 ,..., vn }
sean w1, w2 ,..., wn vectores de W. Si T1 y T2 son dos trasformaciones lineales de V tales
que T1 (v1 ) T2 (v1 ) w1, T1 (v2 ) T2 (v2 ) w2 , ... , T1 (vn ) T2 (vn ) wn , esto significa que
T1 (vi ) T2 (vi ) wi para i = 1, 2, 3, , n. Entonces para cualquier vector v de V se verifica

que T1 (v) T2 (v) , es decir, T1 T2
A partir de este teorema se puede concluir que, si V es un espacio de dimensin finita,
para determinar una transformacin T: V W slo necesitamos conocer el efecto que
tiene T sobre los vectores de la base en V.
Pgina 89
Ejemplo 2.1:
1
3
1
2
Sea T : R R tal que T 2 , T 1 .
2 2
3 1

2
1
Calcular T
5
Lo primero que debemos hacer es determinar la regla de transformacin de T.

1 2
El conjunto , constituye una base para R 2 y podemos expresar cualquier vector
2 3
a
2
b de R con la combinacin lineal,

a
1
2
c
b 1 2 2 3 .

Para determinar los valores de c1 y c2 establecemos el sistema lineal
c1 2c2 a
2c1 3c2 b
cuya
1 2 : a 1 0 : 2b 3a
matriz ampliada es
.
2 3 : b 0 1 : 2a b
a
La solucin es c1 2b 3a y c2 2a b , entonces cualquier vector de R 2 se
b
a
1
2
1
2
puede escribir c1 c2 (2b 3a) (2a b) .
b
2
3
2
3
Ahora podemos calcular:
a
1
2
1
2
T c1T c2T (2b 3a)T (2a b)T
b
2
3
2
3
1
3 2b 3a 3b 6a 5b 9a
(2b 3a) 2 (2a b) 1 4b 6a 2a b 3b 4a
2
1 6a 4b b 2a 4a 3b

5b 9a
a
Por lo que la regla de transformacin es T 3b 4a

b
4a 3b
Pgina 90
5(5) 9(1) 25 9 34
1

Ahora podemos calcular T 3(5) 4(1) 15 4 19

5

4(1) 3(5) 4 15 19
Ejemplo 2.2:
2
0
3
1
0
Sea T : R R tal que T 0 , T 1 . Calcular T
0 1
1 0
2

2
a
1 0
Como , es la base cannica de R 2 podemos expresar cualquier vector de
0 1
b
a
1
0
R 2 con la combinacin lineal, c1 c2 donde los valores de c1 y c2 se
b
0
1
pueden calcular directamente c1 a y c2 b .
a
1 0
Entonces a b y
b
0 1
2 0 2a 0 2 a
a
1
0
T aT bT a 0 b 1 0 b b
b
0
1
1 0 a 0 a

2a
a
Por lo que la regla de transformacin es T b
b
a
2(3) 6
3

Ahora podemos calcular T 2 2
2

3 3
Cuando trabajamos con la base cannica los clculos resultan ms sencillos. En el caso
anterior se pudo hacer directamente
2 0 6 0 6
3
1
0
T 3T 2T 3 0 2 1 0 2 2
2
0
1
1 0 3 0 3
Pgina 91
Teorema 2.3: Sea V un espacio vectorial de dimensin finita con base B {v1, v2 ,..., vn } .
Sea W un espacio vectorial que contiene los vectores w1, w2 ,..., wn , entonces existe una
transformacin lineal nica T :V W tal que T (vi ) wi para i = 1, 2, 3, , n.
2
3
Ejemplo 2.2: Encuentre una transformacin de R en el subespacio de R tal que
W y : 2 x 3 y z 0 .
z
Solucin:
De 2 x 3 y z 0 podemos determinar que z 2 x 3 y . Por lo que los vectores
x
1 0
x 0 y 1 . Entonces
y
y
de W son de la forma
que es equivalente a
2x 3y 2 3
2x 3y
1
0
w1 0 ; w2 1 es una base para W. Utilizando la base cannica o estndar de R 2 ,

2
3
1
0
1
0
1
0
v1 ; v2 definimos la transformacin lineal T por T 0 y T 1 .

0 2
1 3
0
1

Entonces T queda determinada como se vio en el ejemplo anterior.
5
Si queremos determinar la transformacin de un vector en particular, v , por
7
1 0 5 0 5
5
1
0
ejemplo, procedemos as: T 5T 7T 5 0 7 1 0 7 7
7
0
1 2 3 10 21 11

y
De manera general T
y
2x 3y
Pgina 92
3. Ncleo (kernel) e imagen de una transformacin lineal

Definicin: Sean V y W dos espacios vectoriales y sea T :V W una transformacin
lineal de V a W, entonces:
1) El ncleo o kernel de T, denotado por ker(T), es el subconjunto de V formado por
todos los vectores v de V tales que T (v) 0W . Es decir, los vectores de V que al
aplicar la transformacin el resultado es el vector nulo o cero de W. Esto es:
ker(T ) v V / T (v) 0W .
2) La imagen de T, denotado por Im(T), es el subconjunto de W formado por todos
los vectores w de W que son el resultado de aplicar la transformacin a los vectores

de V. Esto es: Im(T) w W / w T (v) para alguna v V .
i) ker(T) es no vaco porque por lo menos contiene el vector nulo de V, ya que
T(0V) = 0W.
ii) La imagen de T es simplemente el conjunto de imgenes de los vectores en V
bajo la transformacin T. Si w = T(v), se dice que w es la imagen de v bajo T.
Teorema 3.1: Si T : V W es una transformacin lineal, entonces:

1) ker(T) es un subespacio de V.
2) Im(T) es un subespacio de W.
Demostracin:
1) Sean u y v vectores que pertenecen a ker(T), entonces T(u + v) = T(u) + T(v)
T(u) + T(v) = 0W + 0W = 0W y T(u) = T(u) = (0W) = 0W.

Pgina 93
2) Sean w1 y w2 vectores que pertenecen a Im(T), entonces w1 = T(u) y w2 = T(v)

para dos vectores u y v de V. Esto significa que T(u + v) = T(u) +T(v) = w1 + w2
T(u) = T(u) = w1 . Por lo tanto w1 + w2 y w1 pertenecen a Im (T).
Ejemplos:
3.1. Ncleo e imagen de la transformacin cero
Sea T(v) = 0W para todo v en V, entonces ker(T) = V e Im (T)= 0W
3.2. Ncleo e imagen de la transformacin identidad
Sea T(v) = v para todo v en V, entonces ker(T) = 0V e Im (T)= V.
x
x
3.3. Determine el Ncleo y la imagen de T : R R tal que T y x .
y 2x y
Solucin:
Un vector v = ( a, b ) de R2 est en el ker(T) si T(v) = 0 R 3 .
a 0
a
Entonces, T b a 0 , eso equivale a resolver el sistema
b 2a b 0

que tiene como solucin a b 0 , por lo que ker(T)= {(0, 0)}.
0
a
a b 0
2a b 0
Un vector w = ( a, b, c ) de R3 est en Im(T) si T(v) = w para algn vector v de R2 . Esto

x a
x
es T y x b w lo que nos conduce al sistema lineal
y 2x y c
tiene solucin solo si c 3a b 0 c 3a b .

Es decir, los vectores de Im(T) tienen la forma:
1 0
a
1 0
b a 0 b 1 , por lo que Im(T ) gen

0 ; 1 .
3a b
3 1
3 1
Pgina 94
x a
x y b que
2x y c
x
1
x
Una manera ms fcil de determinar Im (T) es tomar T y x x 1

y 2 x y
0
y 1

1
1 0
por lo que Im(T ) gen 1 ; 1 .

2 1
1 0
1 0

Se puede comprobar que gen 1 ; 1 gen 0 ; 1 .

2 1
3 1
3.4.
x
y x 2y
4
3
Determine el Ncleo y la imagen de T : R R tal que T y z .
z 2 x 4w
Procediendo como en el caso anterior definamos v = ( a, b, c, d ) de R 4
tal que
a
b a 2b 0
T(v) = 0 R 3 . Entonces T b c 0 .
c 2a 4d 0

d

0
a 2b
bc
0
Esto equivale a resolver el sistema
2a
4d 0
a 2r
b r
Este sistema tiene infinitas soluciones de la forma
siendo r R .
c
d r
2
2r 2
1
r 1
Por lo que r lo que significa que ker(T ) gen .
r 1
1
r 1
1

Para determinar
Im(T) definimos un vector
transformacin e igualamos a w. Esto es:

Pgina 95
w = ( a, b, c ) de R 3 , aplicamos la
x
y x 2y a
T y z b .
z 2 x 4w c

w

a
x 2 y
y z
b
Establecemos el sistema
2 x
4w c
que tiene solucin sin importar los valores de
a, b, c por lo que Im(T) = R 3 .
4. Nulidad y rango de una transformacin lineal

Definicin: Sean T una transformacin lineal de V en W, entonces se define:
1) Nulidad de T = Nu (T) = dim [ker (T)]. Es decir, la nulidad de una transformacin
lineal T es la dimensin del ncleo de T.
2) Rango de T = R (T) = dim [Im (T)]. Es decir, el rango de una transformacin lineal
T es la dimensin de la imagen de T.
Ejemplo 4.1: Para el ejemplo anterior (3.3) Nu (T) = 0 y R (T) = 2 y para el ejemplo
(3.4) Nu (T) = 1 y R (T) = 3
Teorema 4.1: Sea T : V W una transformacin lineal donde V es un espacio de

dimensin finita, entonces se cumple que:
Nu (T) + R (T) = dim (V ).
Ejemplo 4.2: Para el ejemplo 3.4 Nu (T) = 1, R (T) = 3 y dim (V ) = 4, por lo tanto se
verifica que Nu (T) + R (T) = 1 + 3 = 4 = dim (V )
Pgina 96
I- Encuentre el ncleo, la imagen, la nulidad y el rango de las transformaciones
siguientes:
x x
3x
1) T : R 2 R 2 ; T
2) T : R R 2 ; T x
2 x
y 0
3) T : M nn M nn ; T A AT A
x
4) T : R 2 R; T x y
y
x
5) T : R 4 R 2 ; T y x z
z y w
xz
x
6) T : R3 R 4 ; T y y 2 z
z x y z

2x
x
xz
7) T : R 4 R3 ; T y y w z
z x y w
a
8) T : R P3 ; T b (c d ) x 3 (a b)

c
3
x
z
a
3
2
2
3
9) T : R P3 ; T a bx (a b) x (a b) x 10) T : R R ; T y
y
b
z
2
5. Representacin matricial de una transformacin lineal

Teorema 5.1: Sea T : R n R m una transformacin lineal, entonces existe una matriz
nica de m x n, AT tal que T(v) = AT v , para todo vector v de R n .
Demostracin:
Sea
e1, e2 ,...,
T (e2 ) w2 ,
en la base cannica o estndar de R n , tal que T (e1 ) w ,

1
, T (en ) wn . Sea AT la matriz cuyas columnas son
w1, w2 ,..., wn .
Hagamos AT que denote a la transformacin de R n R m , que multiplique un vector de
R n por AT .
Pgina 97
i-sima posicin
a1i
a11 a12
a
a a
21
22
2i
Si wi
, entonces AT ei
a
m1 am 2
mi
a1i
a2i
ami
0
a1n 0 a1i
a2 n a2 i
1 wi .
0
amn am i
0

De esta forma AT ei wi , para i = 1, 2, , n. Entonces podemos concluir, de acuerdo

con el Teorema 2.2, que la transformacin T y la transformacin AT son la misma porque
coinciden con los vectores de la base estndar de R n .
x
y x 2y
4
3
Ejemplo 5.1: Sea T : R R tal que T y z
z 2 x 4w
1
1
1
4
4
4
Determine AT y T . Luego compruebe que T AT .
2
2
2

0
0
0
1
0
0
0 1
1 2
0 0
Las columnas de AT son T 0 , T 1 , T 1
0
0
1
2
0
0
0
0
0
0
0 0
y T 0
0
4
1
1 2 0 0
O sea que AT 0 1 1 0
2 0 0 4
1
1
1
4 1 2(4) 7
4 1 2 0 0 4 1 8 0 0 7
T 4 2 2 AT 0 1 1 0 0 4 2 0 2
2 2(1) 4(0) 2
2 2 0 0 4 2 2 0 0 0 2

0

0
0

Queda comprobado.
Pgina 98
Definicin: La matriz del Teorema 5.1 se denomina matriz de transformacin

correspondiente a la transformacin T o representacin matricial de T.
Nota: La matriz de transformacin AT est definida usando las bases cannicas o
estndares de R n y R m . Si se utilizan otras bases, se obtendr una matriz de
transformacin diferente.
Teorema 5.2: Sea AT la matriz de transformacin correspondiente a la transformacin

lineal T, entonces:
1) La imagen de T es igual al Espacio Columna de AT . Esto es Im (T) = C ( AT ) .
2) El rango de T (dimensin de Im(T)) es igual al rango de AT . Esto es
R (T) = R ( AT ) = dim [C ( AT ) ]
3) El ncleo o kernel de T es igual al Espacio Nulo de AT . Esto es ker(T) = N ( AT )
4) La Nulidad de T (dimensin del ker(T)) es igual a la nulidad de AT (dimensin
del Espacio Nulo de AT ). Esto es Nu (T) = dim [N( AT )]
x y
yz
Ejemplo 5.2: Sea T : R3 R4 tal que T y
2x y z
z x y 2z
Determine AT , ker(T), Nu(T) ), Im(T), y R(T).

Solucin: Sean e1 , e2 , e3 la base cannica o estndar de R 3 , entonces
1
1
0
1
0
0
0
1
1
T (e1 ) T 0 ; T (e2 ) T 1 ; T (e3 ) T 0 .
0 2
0 1
1 1
1

1
2
Pgina 99
1 1 0
0 1 1
Por lo que AT
. Su forma escalonada reducida es
2 1 1
1 1 2
1 0
0 1
0 0
0 0
0
0
.
1
Esto nos indica que la nica solucin al sistema AT X 0 es 0, por lo que el Espacio Nulo
de AT es
0 . Esto significa que ker(T ) 0

R3
R3
y Nu(T) = 0.
1 1 0
0 1 1
La imagen de T: Im(T) = gen , , . El rango de T: R(T ) R( AT ) 3 .
2
1 1

1 1 2
Teorema 5.3: Sean V un espacio vectorial de dimensin n, W un espacio vectorial de

dimensin m y T : V W una transformacin lineal. Sea B1 v1 , v2 ,..., vn una base
para V y B2 w1 , w2 ,..., wm una base para W. Entonces existe una matriz nica AT de
m x n tal que T ( v ) B2
AT v B .
1
La matriz AT estar formada por T (vi ) B i = 1, 2, , n como columnas. Es decir, sus

2
columnas van a ser los vectores de coordenadas de T (v1 ), T (v2 ), ...,T (vn ) en la base B2 .
3x y
1 3
x
Ejemplo 5.3: Sea T : R R tal que T x 3 y . Sean B1 , y
y x y
2 1
1 0 2
B2 0 , 2 , 5 bases para R 2 y R3 respectivamente. Hallar AT respecto de las

1 1 0
2
1
bases B1 B2 . Compruebe que se cumple el teorema para v .
2
5
1
Solucin: Hallamos T 5 ,
2 3

8
3
T 6
1 2

Pgina 100
Determinamos las coordenadas de cada vector resultado de la transformacin en la base

B2 . Esto nos conduce a dos sistemas de ecuaciones que podemos resolver de manera
simultnea puesto la matriz de coeficientes es la misma para ambos.
1 0
Esto produce la matriz aumentada siguiente 0 2
1 1
1 0 0 : 47
Su forma escalonada reducida es 0 1 0 : 50

0 0 1 : 21
2 : 5 : 8
5 : 5 : 6
0 : 3 : 2
: 36
: 38
: 14
36
47
38
Esto nos indica que AT 50
21 14
1
Ahora comprobamos que para v se cumple que T (v ) B AT v B
2
2
1
1
Calculemos T 7 y
2 1

1
como matriz aumentada 0
para obtener
0
2
1
T (v)B
planteamos el sistema que tiene
2 : 1
5 : 7
0 : 1
13
1 0 0 :13

Su forma escalonada reducida es 0 1 0 :14 , entonces T ( v ) B 14 .

0 0 1 : 7
7
2
Para obtener
v B planteamos el sistema que tiene como matriz aumentada 12
1 0 7
y su forma escalonada reducida es
, entonces
0 1 4
T (v) AT v
B2
B1
Pgina 101
v B
3 : 1
1 : 2
5
74 . Luego calculamos

7
47 5 36 4 235 144 91
7
47 36 5 7
7
7
7
13
152
987 14
T (v ) B AT v B 50 38 74 50 75 38 74 250
7
7
105 56 49
7
21
14
21 75 14 74 7 7 7 7

2
Queda comprobado.
Teorema 5.4: Sean V un espacio vectorial de dimensin n, W un espacio vectorial de
dimensin m y T : V W una transformacin lineal. Sea B1 v1 , v2 ,..., vn una base
para V y B2 w1 , w2 ,..., wm una base para W y sea AT una representacin matricial
de T respecto a las bases B1 y B2 , entonces:
1) Rango de T = Rango de AT .
2) Nulidad de T = Nulidad ( AT )
3) La Nulidad de T + Rango de T = n
3x y
x
Ejemplo 5.4: En el ejemplo 5.3 vimos que para T : R R tal que T x 3 y con
y x y
1 0 2
1 3
bases B1 , y B2 0 , 2 , 5 respectivamente se obtuvo

2 1
1 1 0
36
47
AT 50
38 .
21 14
2
1
La forma escalonada reducida de AT es 0
0
1 , esto significa que el rango de AT es 2.
Como Nulidad de T + Rango de T = n y para este caso n = 2 se concluye que la nulidad

de T = 0, ya que 2 + 0 = 2.
Pgina 102
Teorema 5.5: Sea T : R n R m una transformacin lineal. Suponga que C es una matriz de
transformacin de T respecto a las bases cannicas o estndares Sn de R n y Sm de R m .
Sea A1 la matriz de transicin de la base B1 a la base Sn de R n y A2 la matriz de
transicin de la base B2 a la base Sm de R m . Si AT es la matriz de transformacin de T
1
respecto a las bases B1 y B2 , entonces AT A2 CA1
1 0 0
x
x y
Ejemplo 5.5: Sea T : R R tal que T y

, B1 1 , 1 1 y
yz

z
0 2 1
3
1 1
B2 , . Determine A1 PS B , A2 PS B , la matriz de transformacin C
3
1
2
2
1 3
de T respecto a la base cannica y compruebe que se cumple el teorema anterior.
Solucin:
A1 PS3 B1
1 0 0
1 1
1 1 0
, C
1 1 1 , A2 PS B
,
2
2
3
0
1
0 2 1
3
AT A2 CA1 21
2
1
1
1
2
1
0
2
1 0 0 3 2
1 0
1 1 1 2
1
1 1
0 2 1 2 1
1 1
2
1
1
2
0
A2
32
1
2
0 0 1
3
1 1 2
1
2 1 2 2
Ahora calculamos AT y comprobamos que es igual al resultado ya obtenido.

Recordemos que AT est formada por los vectores de coordenadas T (vi )B .
2
1
0
0
0
1
1
T 1 , T 1 , T 1 .
1
3
0
0
2
1
32
12 1
0
1
3
1 1 , 3 2 y 0 1 .
B2 2 B2
B2 2
Pgina 103
1
2
1
3
2
1
1
2
Por lo que AT
1
2
3
2
2
.
1
2
Esta coincide con la calculada anteriormente y as queda comprobado que AT A2 1CA1 .
I- Encuentre la representacin matricial AT de la transformacin lineal dada, el ncleo, la
imagen, la nulidad y el rango de T. Si no se indica lo contrario considere que las bases
B1 y B2 son las bases cannicas.
x x 2y
1) T : R 2 R 2 ; T
y x y
x y
x
2) T : R 2 R3 ; T x y
y
2x 3y
2x
3) T : R R 3 ; T x x
x

x
x yz
4) T : R 3 R 2 ; T y
z 2 x 2 y 2 z

x x y
5) T : R 2 R 2 ; T
y x y
x x y
6) T : R 2 R 2 ; T
y x y
x x y 2z
7) T : R R ; T y 2 x y 4 z
z 5x y 8z

x x 2 y z
8) T : R R ; T y 2 x 4 y 2 z
z 3x 6 y 3z

x
x x y 2z w
y x y 2 z 3w
y x z 2w
4
3
4
4
9) T : R R ; T y 4 z 3w 10) T : R R ; T
z
z
x
2
y
5
z
4
w
6
z
6
w

w
w 2x y z w
Pgina 104
1 1 1
x
1 2
2x y z

11) T : R R ; T y
;
B
0
,
1
,
1
;
B
1 2 1 , 3 .
y
3
z

z
1 0 1

3
1 3
x x 2y
12) T : R 2 R 2 ; T
;
B
,
2
1
y 2x y
2 2
1 4
x 4x y
13) T : R 2 R 2 ; T
; B1 B2 ,
y 3x 2 y
1 3
2
3
14) T : P3 P1; T a0 a1x a2 x a3 x (a1 a3 ) x a2 .
2
3
4
4
2
15) T : P4 P4 ; T a0 a1x a2 x a3 x a4 x a4 x a2 x a0
a b a b c d a b c
16) T : M 22 M 22 ; T
ab
c
d
a
a b a b 2c d
17) T : M 22 M 22 ; T
a 2b 5c 4d
c
d
a 2c 2d
2a b c d
6. Operaciones con Transformaciones Lineales

6.1. Suma: Sean T1 :V W y T2 :V W dos transformaciones lineales. La suma entre
T1 y T2 , denotada por T1 T2 :V W , se define como:

(T1 T2 )(v) T1 (v) T2 (v) para todo v V
6.2. Multiplicacion por un escalar: Sean T :V W una transformacin lineal y R .
La multiplicacin de por T denotada T :V W , se define como:
( T)(v) T(v) para todo v V
Pgina 105
2x
x
Ejemplo 6.1: Sean T1 : R R tal que T1 x y , T2 : R2 R3 tal que

y
x y
2
x
x
2
T2 2 y x y v . Determine: (T1 T2 )(v) y 3T1 (v)
y
1
y
2(2) 2
4 2 2
2
2
2
1) (T1 T2 )(v) (T1 T2 ) T1 T2 2 ( 1) 2( 1) 2 3 4 1

1
1
1 2 (1) (1) 1 1 2
2(2) 4 12
2

2) 3T1 (v) 3T1 3 2 (1) 3 3 9
1

2 (1) 1 3
6.3. Composicin: Sean T1 :V U y T2 :U W dos transformaciones lineales. La

composicin entre T2 y T1, denotada por T2 T1 :V W , se define como:
(T2 T1 )(v) T2 (T1 (v)) para todo v V

Grficamente la composicin de transformaciones lineales se puede ver as:
V
W
T2 T1 : V W
T1 : V U
T1 (v)
Pgina 106
T2 T1 (v)
T2 : U W
T1 toma un vector v de V y lo transforma en un vector T1 (v) de U, entonces T2 toma el

vector transformado T1 (v) de U (la imagen de v bajo T1 ) y lo transforma en un vector
T2 T1 (v) de W
2x
x
Ejemplo 6.2: Sean T1 : R2 R3 tal que T1 x y , T2 : R3 R4 tal que

y
x y
z x
x
2y z
1
T2 y
y v . Determine (T2 T1 )(v) .
x y z
2
z x 2z
3 2
1
2(1)
2
2(1) 3 5
1
(T2 T1 )(v) T2 T1 T2 1 2 T2 1

2
2
1)
6
1
2
3
2 2(3) 8

Si hacemos la composicin para un vector genrico podemos deducir la regla que hace la
transformacin
directamente
de
(T2 T1 ) : R2 R4 .
Es
decir,
calculamos
x y 2x
yx
2x
2( x y ) ( x y ) x 3 y
x
x
(T2 T1 ) T2 T1 T2 x y
2x 2 y
y
2
x
(
x
y
)
(
x
y
)
y
x y

2 x 2( x y )
4x 2 y
yx
x x 3y
2
4
Por lo que (T2 T1 ) : R R tal que (T2 T1 )
es la regla de composicin
y
2
x
2
y

4x 2 y
2 1 1

1 1 3(2) 5
y podemos comprobar que (T1 T2 )

como habamos calculado.
2 2(1) 2(2) 6

4(1) 2(2) 8
Pgina 107
Ejemplo 6.3: Sean T1 : R M 2 x 2

3
x
y x y
T
tal que 1 2 z
z

y z
5
T
:
M
2
2
x
2
tal
x z ,
x
yz
x y
T
w
2
. Determine T2 T1 .
que z w
x w
2 w
T2
x
x
x y
T1 y T2 T1 y T2

2z
z

z
Por lo que T2 T1 : R3 R5 es T2
( x y)
yx
( y z ) 2 z y 3z
y z

2 z ( x z) x z
xz
( x y) ( x z) z y
2( x z )
2z 2x
yx
x y 3z
T1 y x z
z z y

2z 2x
6.4. El espacio Vectorial de las Transformaciones Lineales

Sean V y W espacios vectoriales, consideremos el conjunto de todas las transfomaciones
lineales de V en W. Llamemos L V ,W a dicho conjunto.
El conjunto L V ,W con las operaciones de suma de transformaciones y multiplicacin
por escalar que hemos definido cosntituyen un espacio vectorial ya que se cumplen todas
las propiedades requeridas.
La verificacin de dichas propiedades se deja como ejercicio.
Pgina 108
x
x y
I- Sean T1 : R3 R 2 tal que T1 y
,
z y z

x
2y x
T2 : R R tal que T2 y
,
z
3
y
z

3
2y x
x x y
2
4
,
T3 : R R tal que T3
y x
3x 2 y
T4 : R2 P2 tal que T5 P(t ) (a b)t 2 (2b a)t a ,

b
a
T5 : R2 P2 tal que T5 P(t ) 2at 2 (b a)t (a b)

b
a b
b
2
4
T6 : P2 R tal que T6 P(t ) at bt c

a 2c
ca
Deternmine:
1) T1 T2
2) T4 T5
3) 3T1 2 T2
4) T3 T1
5) T6 T5
7. Tipos de Transformaciones Lineales
Pgina 109
7.1. Transformacin lineal inyectiva

Definicin: Sea T :V W una transformacin lineal de V a W, se dice que T es
inyectiva si para todo par de vectores v, u V , T (v) T (u) implica que v u . Esto
significa que vectores diferentes en el dominio tienen imgenes diferentes.
Teorema 7.1: Una transformacin lineal T :V W
es inyectiva, si y solo si
Ker (T ) 0V .
Demostracin:
Primero demostraremos que si T :V W es inyectiva, entonces Ker (T ) 0V .
Recordemos que si T es inyectiva entonces T (v) T (u) implica que v u .
Sea v Ker (T ), lo que implica que T (v) 0W . pero T (0V ) 0W , entonces necesariamente
v 0V y se concluye que Ker (T ) 0V .

Ahora demostraremos que si Ker (T ) 0V , entonces T :V W es inyectiva.
Sea Ker (T ) 0V y sea T (v) T (u) .
Si
T (v) T (u) , entonces T (v) T (u) T (v u) 0W . Esto implica que v u 0V y
v u . Por lo tanto T es inyectiva y queda demostrado el teorema.
7.2. Transformacin lineal sobreyectiva

sobreyectiva si todo vector de W es imagen de por lo menos un vector de V. es decir, para
todo w W , existe v V tal que w T (v) .
En otras palabras, T es sobreyectiva si Im (T) = W
7.3. Transformacin lineal biyectiva
Pgina 110

biyectiva si es inyectiva y sobreyectiva a la vez.
7.4. Isomorfismo
Definicin: Sea T :V W una transformacin lineal de V a W, se dice que T es un
isomorfismo si T es biyectiva. Es decir, si es inyectiva y sobreyectiva a la vez.
x x

Ejemplo 7.1: Sea T : R3 R3 un atransformacion lineal tal que T y y z ,

z xz

determine si T es un isomorfismo.
Solucin: Debemos determinar si T es biyectiva, es decir si es inyectiva y sobreyectiva.
Para determinar si es inyectiva basta con comprobar si Ker (T ) 0R3 (0,0,0) y para
determinar si es sobreyetiva comprobamos si Im (T) = R3.
*Comprobar si Ker (T ) 0R3 (0,0,0)
x x 0
T y y z 0
z x z 0

0 1 0 0 : 0 1 0 0 : 0
x
y z 0 0 1 1 : 0 0 1 0 : 0
x z 0 1 0 1 : 0 0 0 1 : 0
Este sistema tiene solo la solucin trivial x y z 0 , por lo tanto Ker (T ) 0R3
*Comprobar si Im (T) = R3
Como ya vimos en el Teorema 5.4 Nu (T) + R (T) = n, entonces como Ker (T ) 0R3
la nulidad de T [Nu (T)] = 0 lo que implica que R(T) = n = 3, esto nos que garantiza que
Im (T) = R3 .
Como Ker (T ) 0R3 (0,0,0) y Im (T) = R3 concluimos que T es un isomorfismo.
Pgina 111
Teorema 7.2: Sea T :V W una transformacin lineal dodede V y W son espacios

vectoriales de dimensin finita. Sea AT la matriz de transformacin de T respecto a las
bases B1 y B2 de V y W respectivamente. T es un isomorfismo si y solo si det AT 0 .
Ejemplo 7.2: Resolver el ejemplo anterior (7.1) aplicando el teorema 7.2

1 0 0
Asumimos que B1 = B2 es la base cannica de R . Entonces AT 0 1 1 .
1 0 1
1 0 0
Al calcular det AT det 0 1 1 1 0 . Y se concluye que T es un iomorfismo.
1 0 1
7.5. Espacios Vectoriales Isomorfos

Definicin: Sea V y W dos espacios vectoriales. Se dice que V y W son espacios
vectoriales isomorfos si existe un isomorfismo T :V W o T :W V entre ellos. Esto
se denota por V W .
Teorema 7.2: Sea T :V W una transformacin lineal, siendo V y W espacios de
dimensin finita y dim (V) = dim (W), entonces:
1) Si T es inyectiva, T es sobreyectiva
2) Si T es sobreyectiva , T es inyectiva
De acuerdo con este teorema si dim (V) = dim (W), entonces podra establecerse un
isomorfismo T :V W .
dimensin finita, entonces:
3) Si dim (V) > dim (W), T no es inyectiva
4) Si dim (V) < dim (W), T no es sobreyectiva
Pgina 112
De acuerdo con este teorema si dim (V) dim (W), entonces T :V W no es un

isomorfismo.
dimensin finita, entonces se cumple que:
1) Si T es inyectiva y S {v1, v2 , , vn } es linealmente independiente en V, entonces
S {T (v1 ),T (v2 ), ,T (vn )} es linealmente independiente en W.

2) Si T es sobreyectiva y S {v1, v2 , , vn } genera a V, entonces
S {T (v1 ),T (v2 ), ,T (vn )} genera a W.

3) Si T es un isomorfismo y S {v1, v2 , , vn } es una base para V, entonces
S {T (v1 ),T (v2 ), ,T (vn )} es una base para W.
I- Determine en cada caso si la transformacin dada es un isomorfismo.
x x 2y
1) T : R 2 R 2 tal que T
y x y
x x yz
2) T : R R tal que T y 2 y z

z 3 y x 2z
3
a

3) T : R3 P2 tal que T b P(t ) at 2 (c b)t (a c)
c

x w
x y yz
4) T : M 2x2 R4 tal que T
z w z x
w y
a b c
5) T : P2 R3 tal que T P(t ) at 2 bt c b c

c 2a
Pgina 113
8. Transformacin Lineal Inversa

Definicin: Sea T :V W una transformacin lineal. Se dice que T es invertible si existe
una transformacin lineal T :W V , tal que
1) T T : V V IdW (IdV es la transformacin identidad en V)
2) T T : W W IdV (IdW es la transformacin identidad en W)
En este caso se dice que T es la inversa de T y se escribre T T1 .
x x 3y
Ejemplo 8.1: Sean T : R 2 R 2 tal que T
y T : R2 R2 tal que
y 2 x 7 y
x 7x 3y
T
. Determine si T T son inversas.
y 2x y
Solucin
Debemos comprobar si T T : R2 R2 Id R2 y T T : R2 R2 Id R2
Calculamos
x
x
7 x 3 y 7 x 3 y ) 3(2 x y )
T
T
2 x y 2(7 x 3 y ) 7(2 x y )
y
y
T T
7x 3y 6x 3y x
y Id R2
14
x
6
y
14
x
7
y

x
x
x 3 y 7( x 3 y ) 3(2 x 7 y )
T T T
2( x 3 y ) 2 x 7 y
y
y
2
x
7
y

T T
7 x 21y 6 x 21y x
Id R2
2x 6 y 2x 7 y y
Como T T T T Id R2 podemos concluir que T T son inversas.

Teorema 8.1: La transformacin lineal T :V W es invertible, si y solo si, T es un
isomorfismo.
Pgina 114
Procedimiento para determinar la inversa T 1 de una transformacin T si esta existe.

Vamos a ilustrar con un ejemplo el procedimiento para hallar T 1 , si existe.
xz
x
1
Ejemplo 8.2: Sea T : R3 R3 tal que T y 2 x y
, determine T si existe.
z x 2 y 2z

Lo primero que debemos determinar es si T es un isomorfismo, pues de no serlo T no sera

invertible. Como V = W = R3 basta con probar una de las dos condiciones, si T es
inyectiva o si es sobreyectiva.
Probemos si T es inyectiva determinando si Ker (T ) 0R3 . Para ello resolvemos el
x z 0
1 0 1 : 0 1 0 0 : 0
2 1 0 : 0 0 1 0 : 0
sistema: 2 x y 0
1 2 2 : 0 0 0 1 : 0
x 2 y 2z 0
La solucin del sistema es x y z 0 lo que significa que Ker (T ) 0R3 , que T es un

isomorfismo y es invertible. Procedemos ahora a determinar T 1
xz
x
a
a
a x

b

1
Definimos un vector b R 3 tal que T y 2 x y
y T b y .
z x 2 y 2z c
c
c z

A partir de esto establecemos el sistema:
x z a
1 0 1 : a 1 0 0 : c 2b 2a
2 1 0 : b 0 1 0 : 2c 3b 4a
2x y b
1 2 2 : c 0 0 1 : c 2b 3a
x 2 y 2z c
x c 2b 2a
La solucin de este sistema es y 2c 3b 4a .

z c 2b 3a
x
c 2b 2a a

Entonces sustituyendo los valores de x, y z se obtiene T y T 2c 3b 4a b
z
c 2b 3a c

Pgina 115
Si aplicamos T-1 a ambos lados de la igualdad anterior obtenemos:
c 2b 2a
a c 2b 2a
a
T 1 T 2c 3b 4a T 1 b . Esto implica que T 1 b 2c 3b 4a .

c c 2b 3a
c
c 2b 3a

xz
x z 2 y 2x
x
En conclusin T 1 y 2 z 3 y 4 x es la inversa de T y 2 x y
z z 2 y 3x
z x 2 y 2z

x x

Confirmemoslo comprobando que T T 1 y y Id R3
z z

( z 2 y 2 x) ( z 2 y 3 x)
x
x
z 2 y 2x
2( z 2 y 2 x) (2 z 3 y 4 x)
T T 1 y T T 1 y T 2 z 3 y 4 x
z
z
2
y
3
x
(
z
2
y
2
x
)
2(2
z
3
y
4
x
)
2(
z
2
y
3
x
)
z
z 2 y 2 x z 2 y 3x
2z 4 y 4x 2z 3y 4x
y Id R3

z 2 y 2 x 4 z 6 y 8 x 2 z 4 y 6 x) z
Comprobemos este resultado para un caso particular. Siendo v 1, 3,2 determine T(v) y
luego compruebe que T-1 (T(v)) = v.
1 2
1
1
1
1
T(v) T 3
2(1) 3
3

2 1 2(3) 2(2) 1 6 4 1

1 1 2(1) 2(1) 1 2 2 1
T T(v) T 1 2(1) 3(1) 4(1) 2 3 4 3 v
1 1 2(1) 3(1) 1 2 3 2

1
Queda comprobado que T-1 (T(v)) = v, esto ocurre porque T-1 es la inversa de T.
Pgina 116
I- Determine en cada caso si la transformacin lineal dada es invertible, si lo es encuentre
la transformacin inversa.
x x 2y
1) T : R 2 R 2 tal que T
y y
a

2) T : R P2 tal que T b P(t ) at 2 (c b)t (a c)
c

3
x
yx
3) T : R3 R2 tal que T y
z z 2y

x yw
x y z yw
4
4) T : M 2x2 R tal que T
y 2x z
z
w
3x 2 y w
a
5) T : R2 P2 tal que T P(t ) at 2 (b a)t a
b
a bc
6) T : P2 R tal que T P(t ) at bt c 2a b 5c

6c a 2b
x x

7) T : R3 R3 tal que T y y z
z zx

8) T : R4 M 2x2
x
y
x yz
tal que T
z x y 2w

w
y z w
x z w
Pgina 117
UNIDAD 3: POLINOMIOS CARACTERSTICOS, VECTORES Y VALORES

PROPIOS.
1. Valores Caractersticos y Vectores Caractersticos

Definicin: Sea A una matriz cuadrada de orden n x n con componentes reales. Un
nmero , que puede ser real o complejo, se denomina valor caracterstico o propio de A
si existe un vector diferente de cero v C tal que
n
Av = v
El vector v 0C n se denomina vector caracterstico o propio de A correspondiente al
valor caracterstico o propio . El vector v puede tener componentes reales o complejas.
Nota: las palabras caracterstico, propio o eigen valor tiene el mismo significado, en esta
unidad sern utilizadas indistintamente las dos primeras.
2 2
Ejemplo 1.1: Sea A
, entonces = 3 es un valor propio de A ya que existe un
5
1
2 0
2 2 2 4 10 6 2
vector v tal que Av =v. Esto es
5 10 5 15 3 5
5
1
5
0

2
Para este caso v es un vector propio de A correspondiente al valor propio = 3.
5
3 0
Adems = 4 es otro valor propio de A ya que existe un vector v tal que
3 0
2 2 3 6 6 12
3
4
Av = v. Esto es

.

5 1 3 15 3 12
3
3
Para este caso v es un vector propio de A correspondiente al valor propio = 4.
3
Pgina 118
2. Polinomio Caracterstico y Ecuacin Caracterstica

Asumiendo que es un valor propio de una matriz A, entonces existe un vector diferente
x1 0
x 0
de cero v 2 tal que Av = v, siendo x1, x2 ,..., xn nmeros reales o complejos.

x 0
n
La ecuacin Av = v se puede escribir Av = Inv ya que al multiplicar la matriz identidad
por v no se altera el resultado. Si en esta ultima ecuacin Av = Inv restamos a ambos
lados Inv obtenemos Av Inv = 0C n . Luego sacando factor comn v obtenemos
(A In) v =
0C n
Esta ltima ecuacin nos da una estrategia til para calcular los valores propios de una
matriz A ya que representa un sistema homogneo de n ecuaciones con n incgnitas donde
x1
x
la matriz (AIn) es la matriz de los coeficientes y v 2 es la matriz de las incgnitas.

x
n
Como v tiene que ser diferente del vector cero este sistema debe tener solucin diferente a
la solucin trivial y para eso el determinante de (A In) tiene que ser igual a cero.
As que haciendo det (A In) = 0 podemos determinar los valores propios de A.
Cuando se evala este determinante obtenemos un polinomio de grado n que est en
funcin de , es decir, P() = det (A In) que se denomina polinomio caracterstico de
A y a la ecuacin P() = det (A In) = 0 se le llama ecuacin caracterstica de A.
Entonces el clculo de los valores caractersticos de una matriz se reduce a resolver la
ecuacin caracterstica de A.
Pgina 119
4 2
Ejemplo 2.1: Sea A
, determinar el polinomio caracterstico, la ecuacin
3
3
caracterstica y los valores caracterstico de A.

Solucin:
Hallamos P() = det (A - In)
2
4 2
4 2 0
1 0
4
P( ) det
det
det
0 1
3
3
3 3
3 3 0
P( ) (4 )(3 ) 6 12 7 2 6 2 7 6
El polinomio caracterstico de A es P( ) 2 7 6
La ecuacin caracterstica de A es P( ) 2 7 6 0
Los valores caractersticos de A se obtienen al resolver P() 2 7 6 0
2
P() 7 6 ( 1)( 6) 0 1 6 por lo que los valores propios de A
son 1 y 6.
2 3
I- Sea A
verifique que:
4 1
3
a) 1 = 2 es un valor propio de A y que v1 es un vector propio asociado a 1 = 2.
4
1
b) 2 = 5 es un valor propio de A y que v2 es un vector propio asociado a 2 = 5.
1
Pgina 120
II- Determine el polinomio y los valores caractersticos de cada matriz.
2 1
1)
4 1
2 2 3
5) 1 2 1
2 2 1
3 3
2)
1 5
2
6) 2
3
1 2
3)
1 3
1 2
2 2
1 1
4 1 3
4) 0 2 1
0 0 3
1 0 1
7) 0 1 2
1 3 2
3. Espacio Caractersticos
Definicin: sea un valor caracterstico de A, el subespacio
E de
C n tal que
E {v / Av v} {0C n } se denomina espacio caracterstico de A.

Es decir, el espacio caracterstico de A es el espacio que contiene a todos los vectores
caractersticos de A que corresponden a un valor caracterstico de A.
El espacio caracterstico de A no es ms que el espacio nulo de (A - In) y nos permite
determinar los vectores caractersticos de A.
Procedimiento para calcular los vectores caractersticos de A:

1) Se encuentra P() = det (A In).
2) Se encuentran las races 1, 2 ,..., m de P() = 0.
3) Se resuelve el sistema homogneo (A In)v = 0, correspondiente a cada valor
caracterstico i para obtener cada uno de los espacios
E i . Los vectores de E i
son los vectores caractersticos de A que corresponden al valor caracterstico i
Pgina 121
4 2
Ejemplo 3.1: Determinar los espacios y los vectores caractersticos de A
.
3
3
Ya en el ejemplo 2.1 habamos calculado los valores caractersticos de A que eran 1 y 6.

Entonces vamos a tener dos espacios caractersticos: E1 y E6
E1 se obtiene al encontrar el espacio nulo de (A - In) cuando se sustituye = 1.

4 2 1 0 x 4 2 1 0 x 3 2 x 0
Esto es: (A -1In) v =
1 0 1 y 3 3 0 1 y 3 2 y 0
3
3
3 2 x 0
Ahora resolvemos (A 1In) v =
y 0 .
3
2

3 2
3 2
La forma escalonada de
es
0 0 lo que significa que 3x + 2y = 0, de donde

3
2
x
1
1
3
y x . Por lo que la solucin general es 3 x 3 . Entonces E1 gen 3 .
2
2 x
2
2
Todos los vectores de E1 son vectores caractersticos de A correspondiente al valor
caracterstico = 1

4 2
1 0 x 4 2 6 0 x
Esto es: (A- 6In) v =

6 0 1 y 3 3 0 6 y 3

3 3
2 x 0
3 y 0
2 2 x 0
Ahora resolvemos (A 6In) v =
y 0
3

1 1
2 2
La forma escalonada de
es
0 0 lo que significa que x y = 0, de donde
3 3
x
1
1
y x . Por lo que la solucin general es x . Entonces E6 gen
x
1
1

Pgina 122
Todos los vectores de E6 son vectores caractersticos de A correspondiente al valor

caracterstico = 6.
4. Multiplicidad algebraica de un valor caracterstico ()

La ecuacin caracterstica de A es una ecuacin polinmica que de acuerdo al teorema
fundamental del lgebra tiene n races, no necesariamente distintas; es decir, contando las
multiplicidades. Entonces si 1, 2 ,..., m son las races de dicha ecuacin esta se puede
r
r
expresar de la forma P( ) (1)n[( 1) 1 ( 2 ) 2 ...( m )rm ] donde los valores
r1, r2 ,..., rm nos indican respectivamente las veces que 1 , 2 ,..., m es raz de la ecuacin.
A estos nmeros r1, r2 ,..., rm se les denominan multiplicidades algebraicas de los valores
caractersticos 1, 2 ,..., m respectivamente.
3 2 4
Ejemplo 4.1: Sea A 2 0 2 , determine la multiplicidad algebraica de los valores
4 2 3
caractersticos de A.
3 2 4
1 0 0
3

det( A I n ) det 2 0 2 0 1 0 det 2
0 0 1
4
4 2 3
2
0
2
2 0
3
4
det( A I n ) (3 )( )(3 ) 16 16 16 4(3 ) 4(3 ) 0

det( A I n ) 3 6 2 15 8 ( 3 6 2 15 8) 0.
3
2
2
Al resolver esta ecuacin se obtiene que ( 6 15 8) ( 1) ( 8) 0 . Lo
que significa que = 1 es un valor caracterstico de A de multiplicidad 2 y = 8 es un

valor caracterstico de A de multiplicidad 1.
Pgina 123
5. Multiplicidad geomtrica de un valor caracterstico ()

Definicin: Sea un valor caracterstico de la matriz A, entonces se llama multiplicidad
geomtrica de a la dimensin del espacio caracterstico correspondiente a . Esto es la
nulidad de la matriz A I.
Multiplicidad geomtrica de = dim E = N(A I).
Ejemplo 5.1: En el ejemplo 4.1 vimos que = 1 y = 8 son valores propios de
3 2 4
A 2 0 2 . Determinemos la multiplicidad geomtrica de = 1 y = 8.
4 2 3
Para determinar la multiplicidad geomtrica de = 1 debemos hallar dim E1

3 2 4
1 0 0 x 3 2 4 1 0 0 x 0
A (1) I3 v 2 0 2 (1) 0 1 0 y 2 0 2 0 1 0 y 0

4 2 3

0 0 1
z 4 2 3 0 0 1 z 0
4 x 4 2 4 x 0
3 1 2
A (1) I3 v 2 0 1 2 y 2 1 2 y 0
4
z 0
2 3 1 z 4 2 4
4 2 4
2 1 2
La forma escalonada de 2 1 2 es 0 0 0 .
4 2 4
0 0 0
Esto significa que 2x + y + 2z = 0. Despejando y obtenemos y = 2x 2z y la solucin
1 0
x
1 0
2
es 2 x 2 z x 2 z 2 , entonces una base para E1 es 2

0 1
0 1
Por lo que dim E1 2 y la multiplicidad geomtrica de = 1 es 2
Pgina 124
Para determinar la multiplicidad geomtrica de = 8 debemos hallar dim E8

Esto es:
3 2 4
1 0 0 x 3 2 4 8 0 0 x

( A 8 I 3 )v 2 0 2 8 0 1 0 y 2 0 2 0 8 0 y
0 0 1 z 4 2 3 0 0 8 z

4 2 3
4 x 5 2 4 x 0
3 8 2

( A 8 I 3 )v 2 0 8 2 y 2 8 2 y 0
4
z 0
2 3 8 z 4 2 5

1 0 1
5 2 4
1
La forma escalonada reducida de 2 8 2 es 0 1 2 .
0 0 0
4 2 5
x z 0
1
Esto significa que
, despejando x e y obtenemos x z , y z
1
2
y 2 z 0
1
z
1

1

La solucin es 2 z z 1 , entonces una base para E8 es 12
2

z
1
1

Por lo que dim E8 1 y la multiplicidad geomtrica de = 8 es 1.
Teorema 5.1: Los vectores caractersticos correspondientes a valores caractersticos

distintos son linealmente independientes.
Ejemplo 5.2: Compruebe para los valores = 1 y = 8 del ejemplo 5.1 que se cumple
el teorema anterior (5.1).
Pgina 125
Solucin: Observe que 0, 2, 1 es un vector caracterstico correspondiente a = 1 y
1,
1
,
2
es un vector caracterstico correspondiente a
= 8. Estos dos vectores
corresponden a valores propios diferentes y son linealmente independientes ya que

ninguno es mltiplo del otro.
Teorema 5.2: Los valores caractersticos de una matriz triangular son las componentes de
la diagonal principal de la matriz.
a11 a12
0 a
22
Si A
0 0
a1n
a2 n
, entonces los valores propios de A son a11 a22
ann
ann .
1 4 1
Ejemplo 5.3: Sea A 0 3 5 determine los valores caractersticos de A y compruebe
0 0 2
que de acuerdo al teorema 5.2 estos son las componentes de la diagonal principal de A, es
decir, 1 1, 2 3 y 3 2
Solucin: Calculamos P() = det (A In) = 0
1 4 1
1 0 0
1

P( ) det( A I n ) det 0 3 5 0 1 0 det 0
0
0
0
2
0
0
1

4
3
0
5 0
2
1
Como el determinante de una matriz triangular es el producto de su diagonal principal el

polinomio caracterstico de A es P( ) det( A I n ) (1 )(3 )(2 ) 0. De aqu
podemos obtener directamente los valores caractersticos 1 1, 2 3 y 3 2 .
Teorema 5.3: La multiplicidad geomtrica de un valor caracterstico es menor o igual
que su multiplicidad algebraica.
Pgina 126
Teorema 5.4: Si la multiplicidad geomtrica de cada valor caracterstico de A es igual a su

multiplicidad algebraica entonces A tiene n vectores linealmente independientes.
En particular A tiene n vectores linealmente independientes si todos los valores
caractersticos son distintos.
I- Determine los espacios caractersticos, la multiplicidad algebraica y la multiplicidad
geomtrica de cada uno de los valores caractersticos de cada matriz.
Nota: En un ejercicio anterior ya se haba calculado el polinomio y los valores
caractersticos de estas matrices, utilice esa informacin.
2 1
1)
4 1
3 3
2)
1 5
2 2 3
5) 1 2 1
2 2 1
2
6) 2
3
1 2
3)
1 3
1 2
2 2
1 1
4 1 3
4) 0 2 1
0 0 3
1 0 1
7) 0 1 2
1 3 2
II- Determine el polinomio caracterstico, los valores y vectores propios, los espacios
caractersticos, la multiplicidad algebraica y la multiplicidad geomtrica de cada uno
de los valores caractersticos de cada matriz.
1 1
1)
1 1
1 2
0 1
4)
0 0
0 0
3
3
3
0
4
2
3
1 1
2)
2 4
0
3) 0
0
1
0
0
1
5) 1
3
2
6) 0
0
2 3
3 2
1 2
0 0
3 1
2 2
Pgina 127
2
3
6. Matrices semejantes
Definicin: Dos matrices A y B de n x n son semejantes si existe una matriz no singular
(invertible) C de n x n tal que
B = C-1 AC
1 1
1
C
Ejemplo 6.1: Sean A

,
1
2 4
1
2 1
1
C
y
1 1 .
2
Haciendo B C 1 AC podemos obtener una matriz semejante a A. Esto es:

2 1 1 1 1
B C 1 AC
1 1 2 4 1
4 2 4 4 2
1 2 2 2 4 1 1 4 2 1 1
2 1 2 1 4 1 2 3 3 1 2
.
0
3
2
Entonces podemos afirmar que B
0
0
1 1
A
y
2 4 son matrices semejantes.
3
La funcin definida por B = C-1 AC que lleva la matriz A en la matriz B se denomina

transformacin de semejanza que se puede escribir como T(A) = C-1 AC.
Si en B = C-1 AC multiplicamos por la izquierda por C, se obtiene CB = CC-1 AC, como
CC-1 = I, entonces CB = AC. Esta expresin se toma como una definicin alternativa de
semejanza. A y B son semejantes si y solo si existe una matriz invertible C tal que
CB = AC.
2 1
4 2
2 1
B
Ejemplo 6.2: Sean A

,
y
5 3
1 1 .
0 1
2 1 4 2 8 5 4 3 3 1
Al calcular CB
5 3 4 5 2 3 1 1 .
1
1
2 1 2 1 4 1 2 1 3 1
AC
.
0 1 1 1 0 1 0 1 1 1
Vemos que CB = AC, entonces A y B son semejantes.

Pgina 128
6.1. Propiedades de las matrices semejantes

1) A es semejante a A. (Propiedad reflexiva)
2) Si B es semejante a A, entonces A es semejante a B. (Propiedad simtrica)
3) Si A es semejante a B y B es semejante a C, entonces A es semejante a C.
(Propiedad transitiva)
Teorema 6.1: Si A y B son matrices semejantes de m x n, entonces, tienen el mismo
polinomio caracterstico y, por consiguiente, tienen los mismos valores propios.
Demostracin:
Como A y B son semejantes se cumple que
B = C-1 AC y det( B I ) det[C 1 AC I ] .
det( B I ) det[C 1 AC I ] det[C 1 AC C 1C I ] ya que C 1C I

det[C 1 AC C 1 ( I )C ] .
det[C 1 ( A I )C] . Sacando factor comn C y C-1
det(C 1 ) det( A I ) det(C)
det(C 1 ) det(C )det( A I ) det(C 1C) det( A I )
det( I )det( A I ) det( A I )
Esto significa que A y B tienen la misma ecuacin caracterstica, y como los valores
propios son las races de la ecuacin caracterstica, tienen los mismos valores propios.
2 1
4 2
B
Ejemplo 6.3: Sean A

,
5 3 . Como ya vimos en el ejmplo 6.2 A y B

0 1
son semejantes. Comprobemos ahora que tienen el mismo polinomio caracterstico y los
mismos valores propios.
Esto es: det( A I ) det( B I ) .
Pgina 129
2 1
det( A I ) det
(2 )(1 )
0 1
P( ) 2 2 0 1 2 y 2 1
4 2
det( B I ) det
(4 )(3 ) 10
5 3
P( ) 2 2 0 1 2 y 2 1
Los polinomios caractersticos y los valores propios de A y B son iguales.
7. Matriz diagonalizable
Definicin: Una matriz A de n x n es diagonalizable si existe una matriz diagonal D tal
que A es semejante a D. En este caso, tambin decimos que A puede diagonalizarse.
Observacin: Si D es una matriz diagonal, entonces sus valores propios son las
componentes de la diagonal. Si A es semejante a D, entonces A y D tienen los mismos
valores propios, en consecuencia A es diagonalizable, entonces A es semejante a una
matriz diagonal cuyos valores propios son las componentes de la diagonal.
1 0 0
6 3 25
2
Ejemplo 7.1: Sean D 0 1 0 , A 2 1 8 y C 0

0 0 2
2 2 7
3
4 3
1 1 .
5 7
C es invertible porque det(C) = 3 0. Calculemos CA y DC

2
CA 0
4 3 6 3 25 12 8 6 6 4 6 50 32 21 2 4 3
0 1 1
1 1 2 1 8 0 2 2
0 1 2
087
5 7 2 2 7 18 10 14 9 5 14 75 40 49 6 10 14
1 0 0 2
DC 0 1 0 0
0 0 2 3
4 3 2 0 0
1 1 0 0 0

5 7 0 0 6
4 0 0 3 0 0 2 4 3
0 1 0 0 1 0 0 1 1 .

0 0 10 0 0 14 6 10 14
Pgina 130
Como CA = DC se verifica que A es semejante a D que es una matriz diagonal, entonces A

es diagonalizable y sus valores propios son iguales que los de D: 1 1, 2 1 y 3 2 .
Teorema 7.1: Una matriz A de n x n es diagonalizable si y solo s A tiene n vectores
propios linealmente independientes.
1 0 0
0 0
2
En tal caso la matriz diagonal D 0 0 3
0 0 0
1, 2 , 3 ,
0
0
0 es semejante a A, siendo
, n los valores propios de A.
Si C es una matriz cuyas columnas son vectores propios linealmente independientes de A,

entonces
D = C-1AC. Para indicar que D es la matriz diagonal con componentes
diagonales 1, 2 , 3 ,
, n se escribe D = diag ( 1, 2 , 3 ,
, n ).
Corolario 7.1: Si la matriz A de n x n tiene n valores caractersticos diferentes, entonces

A es diagonalizable.
Procedimiento para diagonalizar una matriz A

Paso 1: Formamos el polinomio caracterstico f ( ) det( A I ) de A.
Paso 2: Determinamos las races del polinomio caracterstico de A.
Paso 3: Para cada valor propio j de A, de multiplicidad k j , determinamos una base para
el espacio solucin de ( A j I n )v 0 (el espacio asociado con j ). Si la dimensin del
espacio j (multiplicidad geomtrica) es menor que k j (multiplicidad algebraica), la
matriz no es diagonalizable. En caso contrario, determinamos n vectores linealmente
independientes de A.
Pgina 131
Paso 4: Sea C la matriz cuyas columnas son los n vectores linealmente independientes
determinados en el paso 3, entonces D = C-1AC es una matriz diagonal cuyos elementos
de la diagonal son los valores propios de A correspondientes a las columnas de C.
0 0 1
Ejemplo 7.2: Sean A 0 1 2 , determine si A es diagonalizable.
0 0 1
El polinomio caracterstico de A es:
0 1

P( ) det( A I ) 0 1 2 (1 )(1 ) 0
0 0
1
Los valores propios son 1 0, 2 1 y 3 1. En consecuencia, 2 1 es un valor
propio de multiplicidad 2. Consideremos los vectores propios asociados a los valores
propios 2 3 1, los cuales se obtienen al resolver el sistema ( A 1I3 )v 0
0 0 1 1 0 0 x1 0
( A 1I 3 )v 0 1 2 0 1 0 x2 0

0 0 1 0 0 1 x3 0
1 0 1 x1 0
0 0 2 x 0
2
0 0 0 x3 0
0
0
La solucin general de este sistema es r r 1 , donde r es cualquier nmero.

0
0
Entonces la dimensin del espacio solucin del sistema lineal ( A 1I3 )v 0 es 1; es decir,
la multiplicidad geomtrica es menor que la multiplicidad algebraica por lo que no existen
dos vectores linealmente independientes asociados con 2 1. Por lo tanto A no puede
diagonalizarse.
0 0 0
Ejemplo 7.3: Sean A 0 1 0 , determine si A es diagonalizable.
1 0 1
Pgina 132
0 0

El polinomio caracterstico es: P( ) det( A I ) 0 1 0 (1 )(1 ) y

1 0
1
los valores propios son 1 0, 2 1 y 3 1. En consecuencia, 2 1 es un valor
propio de multiplicidad 2.
Calculemos los vectores propios asociados a los valores propios 2 3 1, los cuales se
obtienen al resolver el sistema:
0 0 0 1 0 0 x1 0

( A 1I3 )v 0 ( A 1I 3 )v 0 1 0 0 1 0 x2 0
1 0 1 0 0 1 x3 0
1
0
0
0
0
0 x1 0
0 x2 0

0 x3 0
0
0
0
La solucin general de este sistema es r r 1 s 0 , para cualesquiera nmeros r y s.

s
0
1
Entonces la dimensin del espacio solucin del sistema lineal ( A 1I3 )v 0 o

multiplicidad geomtrica de 2 1 es 2 que es igual a su multiplicidad algebraica.
0
0
Tomemos dos vectores propios v2 1 y v3 0 .

0
1
Busquemos ahora los vectores propios asociados a 1 0 . Para ello resolvemos el sistema
lineal
0 0 0 x1 0
t 1
( A 0 I 3 )v 0 1 0 x2 0 . La solucin general es 0 t 0 para
1 0 1 x3 0
t 1
cualquier valor t.
1
As que v1 0 es un vector propio asociado a 1 0 . Como v1 , v2 , v3 son linealmente
1
independientes, A puede diagonalizarse.
Pgina 133
Si hacemos la matriz C con los vectores v1 , v2 , v3 como columnas podemos comprobar que
D = C-1AC es una matriz diagonal semejante a A. esto es:
1 0 0
C 0 1 0,
1 0 1
1 0 0
C 1 0 1 0 ,
1 0 1
0 0 0
A 0 1 0 .
1 0 1
1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0
D C 1 AC 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
1 0 1 1 0 1 1 0 1 1 0 1 1 0 1 0 0 1
Como se puede observar D es una matriz diagonal y los elementos de la diagonal son los
valores propios de A que ya habamos calculado.
Nota: Existen infinitas posibilidades de tomar los vectores propios linealmente

independientes, entonces existen infinitas formas de elegir la matriz de diagonalizacin
C. Lo ms recomendable es tomar los vectores de manejo aritmtico ms sencillo; es
decir, con la mayor cantidad de ceros y unos posible.
Teorema 7.2: Sea V un espacio vectorial de dimensin finita con base B1 v1 , v2 ,..., vn
y B2 w1 , w2 ,..., wn . Sea T : V V una transformacin lineal. Si
AT
es la
representacin matricial de T respecto a la base B1 y si CT es la representacin matricial

de T respecto a la base B2 , entonces AT y CT son semejantes.
1
1
x x y
Ejemplo 7.4: Sea T : R 2 R 2 tal que T
, B1 v1 , v2 y
1
2
y 2y
1
1
B2 w1 , w2 . Determine lo que se indica en cada caso:
2
3
Pgina 134
a) La representacin matricial AT de T respecto a la base B1

Las columnas de AT son los vectores de coordenadas de los vectores T vi B .
1
1 1 1 0
1 1 2 1
Calculamos T (v1 ) T
T (v2 ) T

1 2(1) 2
2 2(2) 4
Ahora calculamos T v1 B T v2 B . Para esto establecemos las combinaciones

1
1
lineales: T v1 c1v1 c2v2 T v2 d1v1 d2v2 .
Esto nos genera dos sistemas de ecuaciones que al resolver de manera simultnea se
1 1 : 0 : 1
obtiene la matriz ampliada siguiente:
, su forma escalonada reducida es
1 2 : 2 : 4
2
1 0 : 2 : 6
0 1 : 2 : 5 . Por lo que AT
6
.
5
b) La representacin matricial CT de T respecto a la base B2

Las columnas de CT son los vectores de coordenadas de los vectores T vi B .
2
1 1 2 1
1 1 3 2
Calculamos T ( w1 ) T
T ( w2 ) T
6
2
2(2)
4
3
2(
3)

Ahora calculamos T w1 B T w2 B . Para esto establecemos las combinaciones

2
2
lineales: T w1 c1w1 c2 w2 T w2 d1w1 d 2w2 .
Esto nos genera dos sistemas de ecuaciones que al resolver de manera simultnea se
1 1 : 1 : 2
obtiene la matriz ampliada siguiente:
, su forma escalonada reducida
2 3 : 4 : 6
es
7 12
1 0 : 7 : 12
0 1 : 6 : 10 . Por lo que CT
.
6
10
Pgina 135
c) Compruebe ahora que AT y CT son semejantes.

Para esto basta con comprobar que ambas tienen el mismo polinomio caracterstico y los
mismos valores propios.
Entonces calculamos los polinomios caractersticos de AT y CT .
P() = det ( AT In)
2 6
2 6 0
6
1 0
2
P( ) det
det
det
2
2 5
2 5 0
5
0 1
P( ) (2 )(5 ) 12 10 2 5 2 12 2 3 2
P( ) 2 3 2 ( 2)( 1) 0 1 2 2 1
P() = det ( CT In)
7 12
7 12 0
12
1 0
7
P( ) det
det
det
6
6 10
6 10 0
10
0 1
P( ) (7 )(10 ) 72 70 7 10 2 72 2 3 2
P( ) 2 3 2 ( 2)( 1) 0 1 2 2 1
Queda comprobado que AT y CT tienen los mismos polinomios y valores caractersticos y
por lo tanto son semejantes.
I- Determine si la matriz dada A es diagonalizable. De ser as encuentre una matriz C tal
que D = C-1 AC. Verifique que AC = CD y que los elementos distintos de cero de D son
los valores caractersticos o propios de A.
2
1)
5
2
1
3 1
2)
2 4
3 1
3)
4 4
Pgina 136
2
4)
5
1
2
3
5)
1
5
1
0 1 1
9) 1 0 1
1 1 0
1 1
6)
1 2
1
7) 1
0
2 1 0
10) 0 0 0
0 0 0
3
11) 1
1
1 2
2
1
1 1
1 1
1 1
1 1
1 1 0
8) 1 2 1
0 1 1
6
12) 0
0
3 3
3 1
1 3
8. Matrices simtricas y diagonalizacin ortogonal

Definicin: Una matriz A de n x n es simtrica si A=AT. Es decir, una matriz es simtrica
si es igual a su transpuesta.
Teorema 8.1: Todas las races del polinomio caracterstico de una matriz simtrica son
nmeros reales.
Teorema 8.2: Si A es una matriz simtrica real, los vectores propios correspondientes a
valores propios distintos de A son ortogonales.
0 0 2
Ejemplo 8.1: Sea la matriz simtrica A 0 2 0 , compruebe que los vectores
2 0 3
propios correspondientes a valores propios distintos son ortogonales.
El polinomio caracterstico de A es:
0 2

det( A I ) 0 2 0 (2 )(3 ) 4(2 ) ( 3 2 10 8) 0
2
0 3
P( ) ( 3 2 10 8) 0
Los valores propios de A son 1 2, 2 4 y 3 1.
Pgina 137
En consecuencia, para 1 2 resolvemos el sistema ( A (2) I3 )v ( A 2I 3 )v 0
0 0 2 2 0
( A 2 I 3 )v 0 2 0 0 2

2 0 3 0 0
0 x1 0 2
0 x2 0 0

2 x3 0 2
0
0
0
2 x1 0
0 x2 0

5 x3 0
0
0
La solucin es un vector de la forma r r 1 para cualquier nmero r.

0
0
0
Un vector propio es v1 1 .

0
De igual manera, para 2 4 resolvemos el sistema ( A 4I3 )v 0
0 0 2 4
( A 4 I 3 )v 0 2 0 0

2 0 3 0
0
4
0
0 x1 0 4 0 2 x1 0
0 x2 0 0 6 0 x2 0

4 x3 0 2 0 1 x3 0
r
1
La solucin es un vector de la forma 0 r 0 para cualquier nmero r.

2r
2
1
Un vector propio es v2 0

2
Para 3 1 resolvemos el sistema ( A (1) I3 )v ( A 1I3 )v=0
0 0 2 1 0
( A 1I 3 )v 0 2 0 0 1

2 0 3 0 0
0 x1 0 1 0 2 x1 0
0 x2 0 0 1 0 x2 0

1 x3 0 2 0 4 x3 0
2r
2
La solucin es un vector de la forma 0 r 0 para cualquier nmero r.

r
1
Pgina 138
2
Un vector propio es v3 0
1
Ahora comprobamos que los vectores propios obtenidos son ortogonales.
Esto es v1. v2 0, v1. v3 0 y v2 .v3 0 .
v1. v2 (0,1,0) (1,0, 2) 0 0 0 0

v1. v3 (0,1,0) (2,0,1) 0 0 0 0
v2 .v3 (1,0, 2) (2,0,1) 2 0 2 0
Entonces {v1 , v2 , v3 } es un conjunto ortogonal de vectores de R3. En consecuencia A es
diagonalizable.
Para hallar la matriz D semejante a A formamos la matriz C con los vectores propios
0 1 2
v1 , v2 , v3 obtenidos anteriormente como columnas C 1 0 0
0 2 1
Luego calculamos C 1 15
2
5
0
D C 1 AC 15
2
5
0 52 , y hacemos D C 1 AC .
0 15
1
0 0 0 2 0 1 2 0 2 0 0 1 2 2 0 0
0 52 0 2 0 1 0 0 54 0 85 1 0 0 0 4 0
2
1 2
1 0 2
0
3
0
2
1
1
0
0
1
0 5
5 0 5

2 0 0
Entonces la matriz diagonal D semejante a A es D 0 4 0
0 0 1
1
Teorema 8.3: Si A es una matriz simtrica real de n x n, entonces A tiene n vectores

propios reales ortonormales.
Pgina 139
2
0
1
Ejemplo 8.2: En el ejemplo 8.1 vimos que v1 1 , v2 0 y v3 0 son vectores

1
0
2
propios ortogonales basta con normalizarlos; es decir, hacer u1
u3
1
1
v1 , u2
v2 ,
v1
v2
1
v3 para obtener un conjunto ortonormal de vectores.
v3
1
1
v2
Esto es: u1 v1 1 , u2

v1
v2
1
5
0 ,
2
1
u3
v3
v3
2
5
0 .
1
Entonces {u1, u2 , u3} es un conjunto ortonormal de vectores propios de A.

Definicin: Una matriz A de n x n es diagonalizable ortogonalmente si existe una matriz
ortogonal Q tal que QTAQ = D. Siendo D = diag ( 1, 2 , 3 ,
, n ) y 1, 2 , 3 ,
, n
son valores propios de A.

Recuerde que una matriz es ortogonal si su transpuesta es igual a la inversa; es decir, Q es
ortogonal si QT = Q-1. Entonces QTAQ = D puede expresarse as: Q-1AQ = D.
Teorema 8.4: Sea A una matriz de n x n. Entonces A es diagonalizable ortogonalmente si
y solo si A es simtrica
Procedimiento para diagonalizar una matriz simtrica A mediante

una matriz ortogonal Q.
Paso 1: Formamos el polinomio caracterstico f ( ) det( A I ) de A.
Paso 2: Determinamos las races del polinomio caracterstico de A. estas sern todas
reales.
Pgina 140
Paso 3: Para cada valor propio j de A, de multiplicidad k j , determinamos una base para
el espacio propio espacio solucin de ( A j I n )v 0 (el espacio asociado con j ).
Paso 4: Para cada espacio propio, transformamos la base obtenida en el paso 3 en una base
ortonormal mediante el proceso de Gram-Smidt. La totalidad de estas bases ortonormales
determina un conjunto ortonormal de n vectores propios de A, que son linealmente
independientes.
Paso 5: Sea Q la matriz cuyas columnas son los n vectores linealmente independientes
determinados en el paso 4. Entonces Q es una matriz ortogonal y D = Q-1AQ = QTAQ es
una matriz diagonal cuyos elementos de la diagonal son los valores propios de A
correspondientes a las columnas de Q.
1
Ejemplo 8.3: Sea A
2
2
, encontrar una matriz ortogonal Q que diagonalice a A.
4
Solucin:
1 2
Paso 1: Formamos el polinomio caracterstico f ( ) det( A I ) det
,
2
4
2
f ( ) (1 )(4 ) 4 0 , entonces f ( ) 5 0 .
Paso 2: Determinamos las races del polinomio caracterstico f ( ) 2 5 0 .
Las races de este polinomio son 1 0, y 2 5 .
Paso 3: Determinamos una base para E0 , el espacio propio de ( A 0I )v 0 (el espacio
1 2 x1
asociado con 1 0 ). Para ello resolvemos ( A 0 I )v
0.
2 4 x2
2r
2
r
La solucin es un vector de la forma
1 para cualquier nmero r.

r

Pgina 141
2
2
2
Un vector propio es v1 . Entonces E0 gen y es una base para E0 .
1
1
1
Ahora determinamos una base para E5 , el espacio propio de ( A 5I )v 0 (el espacio
asociado con 2 5 ). Para ello resolvemos
1 2 5 0 x1 4 2 x1
( A 5 I )v
0 5 x 2 1 x 0 .
2
4

2
2
r
1
La solucin es un vector de la forma r para cualquier nmero r.
2r
2
1 1
1
Un vector propio es v2 . Entonces E5 gen y es una base para E5 .
2
2 2
Paso 4: Transformamos la base obtenida en el paso 3 en una base ortonormal. Para esto
calculamos u1
u2
1
1
1
2 1
v1
(2, 1)
(2, 1)
,
.
v1
5
5 5
(2)2 12
1
1
1
1 2
v2
(1, 2)
(1, 2)
,
.
2
2
v2
5
5
5
1 2
Paso 5: Hacemos Q la matriz cuyas columnas son los n vectores linealmente

independientes determinados en el paso 4.
2
5
Entonces, Q
1
1
2
5
5
1
T
y Q Q
2
1
5
5
Ahora podemos calcular D = Q-1AQ = QTAQ
Pgina 142
1
5
.
2
2
5
T
Q AQ
1
5
0
T
D Q AQ 5
1
5 1
2 2
2
5
4 1
2
0
5
10
1
5
5
1 2
2
5
5
5
2 1
4

5 5
5
4
4
5
5
2
8
5
5
2
5
2
5
1
5 0 0 0 0 0 0
2 2 2 1 4 0 5
Resultando la matriz diagonal cuyos elementos diagonales son los valores propios de A.
Encuentre una matriz ortogonal Q que diagonalice la matriz simtrica dada. Luego
verifique que D = Q-1AQ = QTAQ es una matriz diagonal cuyas componentes diagonales
son los valores propios de la matriz dada.
3 4
1)
4 3
1
4) 1
1
1 1
1 1
1 1
3 1
2)
1 3
1 2
5) 2 1
2 2
1 1
3)
1 1
2
2
Pgina 143
3 2 2
6) 2 2 0
2 0 4
PROGRAMA DE LA ASIGNATURA
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO
FACULTAD DE CUIENCIAS
Oficina de Planificacin Universitaria (OPLAU)
Oficina de Planificacin Sectorial (OPLASE)
Escuela:
Ctedra:
Matemtica
lgebra Superior
Nombre de la Asignatura: lgebra Lineal y Matricial

Clave: Mat-239
Prerrequisito:
Mat- 239
Fecha de Elaboracin: Julio 1994

Fecha de Actualizacin: Julio del 2006
Coordinadora: Francisca A. Medrano
Descripcin de la Asignatura:
Comprende los espacios vectoriales, diferentes operaciones definidas e
un espacio
vectorial, dependencia e independencia lineal, bases. Tambin aplicaciones lineales, e
espacio dual, formas bilineales y cuadrticas, vectores, valores propios y polinomios
caractersticos.
Objetivos Generales:
Completar el desarrollo de los conceptos bsicos del lgebra que se iniciaron con la Mat230 que sirven de base en las ingenieras, matemtica, fsica, economa y estadstica.
Poblacin Destinataria:
Estudiantes de matemtica, ingeniera, fsica, qumica, biologa, economa, estadstica y
educacin.
Criterio de Evaluacin:
Talleres para trabajar en el aula, prcticas para hacerlas en sus casas, pruebas escritas
(parciales, pruebines y examen general) y algunos trabajos de investigacin.
Pgina 144
Unidad: 1
Nombre de la Unidad: Espacios Vectoriales
Objetivo General:
Introducir el concepto de espacio vectorial, sus caractersticas y
aplicaciones.
HT: 12
Objetivos
Especficos
(terminales)
Establecer y
generar los
espacios
vectoriales y
las
operaciones
en ellos.
Conocer
combinacin
lineal y
diferenciar
independencia
lineal, as
como
dependencia
lineal.
Verificar
cuando un
conjunto de
vectores
forman una
base y
cuando
generan un
espacio
vectorial.
HP: 04
Contenidos
Concepto de
espacio vectorial.
Sub-espacio
vectorial.
Producto escalar
y producto
vectorial.
Combinacin
lineal.
Vectores
linealmente
dependientes y
linealmente
independientes.
Concepto de
base. Bases
ortogonales y
ortonormales.
Generadores de
un espacio
vectorial.
Estrategias de
Aprendizaje
Preparar guas
de estudios de
los conceptos
nuevos.
Aclaraciones y
profundizacin
por el/la
profesor/a.
Hacer las
demostraciones
que sean
necesarias.
Uso de la
calculadora para
comprobar y/o
conseguir
algunas
soluciones .
Realizar talleres
en el aula,
trabajando en
pequeos
grupos.
Asignar
prcticas para
hacerlas en la
casa.
Revisar dudas
de la prctica
con su
monitor/a y/o
profesor/a.
Pgina 145
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 2
Nombre de la Unidad: Aplicaciones Lineales
Objetivo General:
HT:
12
Objetivos
Especficos
(terminales)
Conocer que
es una
aplicacin
lineal, el
ncleo, la
imagen y la
composicin de
aplicaciones.
Verificar
cuando una
aplicacin es
lineal.
Determinar
ncleo e
imagen de una
aplicacin
lineal.
Establecer la
relacin entre
aplicacin lineal
y una matriz;
as como la
relacin entre
una matriz y
una aplicacin
lineal.
Conocer y verificar las aplicaciones lineales.

HP:
04
Contenidos
Conceptos de
funcin y de
aplicacin.
Aplicacin lineal.
Ncleo, imagen
y bases de una
aplicacin lineal.
Aplicacin
inversa.
Aplicacin lineal
asociada a una
matriz. Una
matriz asociada
a una aplicacin
lineal.
Composicin de
aplicaciones
lineales.
Estrategias de
Aprendizaje
Preparar guas de
estudios de los
conceptos nuevos.
Demostraciones
modelos hecha por
el/la profesor/a.
Taller (individual)
para verificar si es
una aplicacin
lineal.
Trabajo en grupo
para encontrar
ncleo, imagen y
base de una
aplicacin lineal.
Comparar sus
demostraciones
con las realizados
en diferentes
textos.
Asignar prcticas
para hacerlas en la
casa.
Revisar dudas de
la prctica con su
monitor/a y/o
profesor/a.
Pgina 146
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 3
Nombre de la Unidad: Formas bilineales y cuadrticas.
Objetivo General:
HT:
Analizar formas bilineales y cuadrticas.
09
Objetivos Especficos
(terminales)
Definir formas
bilineales ,
cuadrticas,
simtricas y
hermticas.
Emplear las formas

bilineales y
cuadrticas
(operadores) en
aplicaciones
concretas.
Analizar y conocer el
Teorema de Silvestre
y sus consecuencias.
HP: 03
Contenidos
Formas
bilineales .
Formas
cuadrticas.
Formas
simtricas.
Formas
hermticas.
Operadores
unitarios.
Teorema de
Silvestre.
Estrategias de
Aprendizaje
Preparar guas
de estudios de
los conceptos
nuevos.
Aclaraciones y
profundizacin
por el/la
profesor/a.
Hacer las
demostraciones
que sean
necesarias.
Realizar
talleres en el
aula,
trabajando en
pequeos
grupos.
Resolver
problemas
donde apliquen
los diversos
operadores.
Asignar
prcticas para
hacerlas en la
casa.
Revisar dudas
de la prctica
con su
monitor/a y/o
profesor/a.
Pgina 147
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 4
Nombre de la Unidad: Polinomios Caractersticos, vectores propios y valores propios.
Objetivo General:
HT:
15
Objetivos Especficos
(terminales)
Establecer el
polinomio
caracterstico.
Analizar las
propiedades de los
valores y vectores
propios o
caractersticos.
Diagonalizar
matrices usando
los vectores
propios.
Analizar y establecer los vectores propios y sus propiedades.

HP:
05
Contenidos
Estrategias de
Aprendizaje
Polinomios de
matrices y de
aplicaciones
lineales.
Polinomios
caractersticos.
Valores propios
y vectores
propios.
Diagonalizacin
de matrices
simtricas.
Diagonalizacin
de matrices
usando los
vectores
propios.
Preparar guas de
estudios de los
conceptos nuevos.
Demostraciones
modelos hecha por
el/la profesor/a.
Taller (individual)
para verificar si es
una aplicacin
lineal.
Uso de la
calculadora.
Trabajo en grupo
para encontrar
ncleo, imagen y
base de una
aplicacin lineal.
Comparar sus
demostraciones
con las realizados
en diferentes
textos.
Asignar prcticas
para hacerlas en la
casa.
Revisar dudas de
la prctica con su
monitor/a y/o
profesor/a.
Pgina 148
Forma de
Evaluacin
Talleres en
el aula
Pruebines
Prctica.
Referencias Bibliogrficas
lgebra Y Anlisis Matricial.

Autor: Rubn Flix Lebreault.
Editorial: Editora Universitaria. UASD. 2007
lgebra Lineal.
Autor: Quilvio Manuel Cabral Achcar
Editorial: Editora Universitaria. UASD.1992
lgebra Lineal y Sus Aplicaciones.
Autor: David C. Lay
Editorial: Pearson Addison Wesley . 2007
lgebra Lineal
Autores: Kolman, Bernard y Hill, David
Editorial: Pearson Education. Prentice Hall. 2005
lgebra Lineal
Autores : Stanley I. Grossman
Editorial: Mc Graw Hill. 1996
Matrices
Autor: Frank Ayres.
Editorial: McGraw-Hill/Interamericana .1992
Pgina 149

Algebra Matricial

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Algebra Matricial

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD AUTONMA DE SANTO DOMINGO

APUNTES SOBRE ALGEBRA LINEAL

10. 1. Proceso de ortogonalizacin de Gram-Schmidt

Unidad 2: Transformaciones lineales

3. Ncleo (kernel) e imagen de una transformacin lineal

Unidad 3: Polinomios Caractersticos, vectores y valores propios.

UNIDAD 1: ESPACIOS VECTORIALES

suma entre vectores y multiplicacin por escalar respectivamente, y sea K un campo

u V . La multiplicacin por un escalar

u) . Propiedad asociativa de la multiplicacin de

dos escalares por un vector.

multiplicacin por un escalar con respecto a la suma de dos vectores.

multiplicacin de una suma de dos escalares por un vector.

u u . Existencia de la unidad escalar.

Si se cumplen estas 10 propiedades, a la estructura (V, K, ,

vectorial V sobre el campo K y a los elementos de V se les llama vectores.

r R la suma vectorial se define como

vectorial. Las operaciones usuales en R son: para dos vectores

v1 v2 ( x1, x2 ,..., xn ) ( y1, y2 ,..., yn ) ( x1 y1, x2 y2 , ..., xn yn ) y la multiplicacin por

( x1, x2 ,..., xn ) (tx1, tx2 ,..., txn ) .

3) Sea Pn el conjunto de todos los polinomios de grado menor o igual que n, si

V Pn K R , entonces Pn con sus operaciones usuales forman un espacio vectorial.

son la suma de polinomios y la multiplicacin de un

nmero por un polinomio.

5) Sea V 0V K R ; es decir, el conjunto V solo contiene al vector nulo. Como

podemos afirmar que se cumplen todas las

propiedades requeridas y que V constituye un espacio vectorial el cual es denominado

debemos probar que se cumplen las 10 propiedades descritas en la definicin. Debemos

son las usuales de R 2 .

otro nmero positivo podemos afirmar que ( x1 x2 , y1 y2 ) u v V y que la suma es

( x1, y1 ) (rx1, ry1 ) . Pero

Por lo tanto el conjunto V ( x, y) tal que x R , x 0 y 0 con las operaciones

2) El conjunto V ( x, y, z ) tal que x, y, z R , z 0 ; es decir, V es el conjunto de todas

son las usuales de R 3 .

Como el resultado de la suma tiene la misma forma de los elementos de V podemos

( x1, y1,0) (rx1, ry1,0) .

Entonces u 0V ( x1, y1,0) (a, b,0) ( x1 a, y1 b,0 0) ( x1, y1,0) .

Propiedad 2: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V, entonces

Como u v v u se cumple la propiedad conmutativa de la suma.

u v w ( x1, y1,0) ( x2 , y2 ,0) ( x3 , y3 ,0)

u u 0V (0,0,0) . Sea u (c, d ,0) .

Entonces u u ( x1, y1,0) (c, d ,0) ( x1 c, y1 d ,0 0) (0,0,0) .

u se cumple la propiedad asociativa de la multiplicacin de dos

escalares por un vector.

Propiedad 8: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V r R , entonces

debemos probar que r

v se cumple la propiedad distributiva de la

multiplicacin de un escalar por una suma de vectores.

x1, y1,0 (r t ) x1,(r t ) y1,0 rx1 tx1, ry1 ty1,0

rx1 , ry1 ,0 tx1 , ty1 ,0 r ( x1 , y1,0) t ( x1, y1,0)

u se cumple la propiedad distributiva de la suma de dos

escalares por un vector.

V ( x, y, z ) tal que x, y, z R , z 0 con la suma y multiplicacin por escalar usuales

Teorema 1.1: (Propiedades de los espacios Vectoriales)

Si aplicamos la propiedad asociativa y la suma de opuesto obtenemos

0V 0V y apliquemos la propiedad distributiva

Si aplicamos la propiedad asociativa y la suma de opuesto obtenemos

iii ) Sea t 0, entonces multiplicamos ambos lados de t

Ahora sea u 0V , entonces sumemos t

iv) Sabemos que (1 1)

sumando u a ambos lados

u u (u ) 0V (u ) por asociativa y suma del neutro

El elemento neutro o vector nulo ( 0V ) es nico.