Alg 02

Apuntes de
Algebra.
Ingeniera Industrial
Encarnacion Algaba Duran
Fernando Mayoral Masa
Alejandro J. Rodrguez Luis
Dpto. Matematica Aplicada II
E.T.S. Ingenieros
Universidad de Sevilla
Introduccion.
Con las siguientes notas se pretende facilitar a los alumnos de la asignatura de

Algebra la tarea
de trabajar y asimilar sus contenidos.
Referente a algunos contenidos, y sin pretender ser exhaustivos, es conveniente rese nar lo siguiente:
Las conicas y las cuadricas. El estudio de las conicas (parabolas, elipses e hiperbolas en el
plano) y de las cuadricas (elipsoides, paraboloides, ... en el espacio) aparece separado en dos bloques.
Por una parte en el Tema 1 se estudian, desde un punto de vista elemental, aquellos aspectos que no
requieren tecnicas adicionales a las conocidas en Bachillerato. Esto permite el estudio y manipulacion
de las conicas y cuadricas cuyos ejes y planos (en el caso de las cuadricas) de simetra son paralelos
a los coordenados. Por otra parte, en el Tema 11 se hace el estudio de las conicas y las cuadricas con
elementos de simetra girados respecto al sistema de coordenadas. Las razones para no concentrar
todo su analisis al nal de la asignatura son varias. Quiza la mas importante sea que constituyen un
catalogo basico de ejemplos en el estudio del calculo diferencial e integral de una y varias variables y
no tiene sentido considerar la parte elemental al nal del temario cuando ya haya sido usada en las
asignaturas de Calculo y Fundamentos Fsicos.
Las formas cuadraticas. Referente a las formas cuadraticas puede decirse algo similar a lo
comentado para las conicas y las cuadricas. Su estudio esta dividido en dos partes. Por una, la
que puede ser estudiada con tecnicas elementales (Tema 2) y por otra (Tema 11) la que requiere
del estudio de autovalores y autovectores. Las formas cuadraticas son polinomios homogeneos de
segundo grado en varias variables. En la optimizacion de funciones de varias variables (calculo de
maximos y mnimos) juegan el mismo papel que tiene la derivada segunda en el calculo de extremos
de funciones de una variable.
N umeros complejos. El estudio de un tema dedicado a los n umeros complejos obedece a dos
motivos fundamentales. Por un lado, aunque solo se consideraran matrices reales, pueden aparecer en
el calculo de autovalores y autovectores (Tema 10). Por otro, cabe citar el fuerte contenido geometrico
que tienen sus operaciones en relacion con las transformaciones en el plano.
Vectores y matrices reales. Consideramos casi exclusivamente vectores y matrices reales,
aunque conceptualmente, en lo relativo a manipulacion algebraica, no hay diferencias esenciales entre
trabajar con vectores y matrices con entradas reales o hacerlo con entradas complejas. No obstante,
en los problemas de autovalores y autovectores (Tema 10) apareceran no solo n umeros sino tambien
vectores y matrices complejos. Haremos uso de los conceptos de independencia lineal, subespacio
vectorial generado por ciertos vectores, inversa de una matriz, ..., sin tener en cuenta si se trata o
no de coordenadas reales o complejas y aunque, de manera explcita, en los temas anteriores solo
se hayan considerado algunos conceptos en el caso real. Por otra parte, en los conceptos y tecnicas
relacionados con cuestiones metricas (ortogonalidad, distancias, ...), que estan basados en el producto
escalar, la consideracion del caso complejo conllevara el cambio de la denicion de producto escalar.
Por ello, no citaremos nada relativo a cuestiones metricas para vectores complejos.
Geometra. La geometra puede considerarse el nexo com un a todos los conceptos y tecnicas de
la asignatura. Aunque, en lo relativo a conceptos lineales, se trabaje habitualmente con vectores y
matrices en dimension arbitraria, la visualizacion de los conceptos, tecnicas,... en el plano y el espacio
(de dimension tres) constituye una herramienta esencial.
Determinantes. Normalmente los estudiantes los conocen para orden peque no (dos y tres), y los
manejan en el estudio y resolucion de sistemas de ecuaciones lineales con pocas incognitas. Desde el
punto de vista de los sistemas grandes de ecuaciones lineales constituyen una herramienta teorica y
3
poco mas. Para dimensiones grandes, su calculo requiere del metodo de eliminacion de Gauss, que
utilizaremos para el estudio y resolucion de un sistema lineal con un n umero generico de ecuaciones e
incognitas y que los alumnos conocen, en su version elemental, desde los ultimos cursos de Primaria
y primeros de Secundaria. Por ello, el estudio que se hace de los determinantes se retrasa hasta el
Tema 5 en el que de forma somera se consideran sus propiedades.
Como debe usarse este texto? En general suele ser difcil explicitar lo que se debe hacer
respecto a algo, puesto que suele depender de la persona a la que va dirigido. Sin embargo, en
la cuestion que nos ocupa, s puede decirse lo que no se debe hacer. No debe considerarse que
este texto sirve como sustituto de las clases o del trabajo adecuado por parte de los estudiantes
(y en particular de la consulta de algunos textos de los que hay en la Biblioteca de la Escuela).
En lo que respecta a los ejercicios resueltos incluidos en el texto, no es aconsejable memorizarlos
presumiendo que los del examen sean muy parecidos. Suele ser recomendable pelearse con ellos antes
de ver la resolucion completa e incluso intentar resoluciones distintas de las planteadas en el texto.
Los ejercicios que tienen cierto caracter geometrico suelen ser abordables de muchas formas distintas
y, ademas de las planteadas en el texto, pueden existir otras igualmente razonables. La mayor parte
de los ejercicios resueltos que aparecen a lo largo del texto corresponden a ejercicios de examenes de
cursos anteriores. Al nal de estos apuntes estan incluidos los enunciados de todos los examenes de
la asignatura correspondientes a los tres ultimos cursos.
Division por temas. En lo que se reere a como estan repartidos por temas los distintos con-
tenidos de la asignatura cabe hacer los siguientes comentarios:
La separacion de los Temas 6 y 7 obedece a que en el primer cuatrimestre de la asignatura no
suelen tener cabida los epgrafes contemplados en el Tema 7. Lo habitual, en los ultimos a nos,
es que la materia del primer cuatrimestre (Primer Parcial) corresponda a los temas 1 a 6 y que
del 7 en adelante sea la materia del Segundo Parcial.
En el estudio de cuestiones metricas se han considerado por un lado los conceptos y tecnicas
fundamentales (Tema 8) y por otro sus aplicaciones a problemas de mnimos cuadrados (Tema
9). Hubiera sido igualmente razonable incluir el Tema 9 como una seccion del 8.
La redaccion de estas notas ha sido un trabajo acumulativo en el que, en uno u otro momento,
y en mayor o menor medida, han participado todos los profesores del Departamento de Matematica
Aplicada II en la Escuela Superior de Ingenieros de Sevilla que, en los ultimos a nos, han impartido
la asignatura de

Algebra de Ingeniera Industrial o Qumica: Jose Miguel Daz Ba nez, Fernando
Fernandez Sanchez, Estanislao Gamero Gutierrez, Juan Manuel Virues Gavira, ...
Sevilla, Septiembre de 2008.
En esta segunda edicion se han corregido algunas erratas y se han incluido los examenes del ultimo
curso.
Sevilla, Septiembre de 2009.
4
INDICE
Tema 1.- Elementos de geometra en el plano y el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. Vectores en R
2
y R
3
. Rectas en el plano. Rectas y planos en el espacio . . . . . . . . . . . . . 7
2. Conicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
3. Cuadricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Tema 2.- Formas Cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1. Denicion y representacion matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2. Clasicacion de las formas cuadraticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3. Reduccion a suma de cuadrados: metodo de Lagrange. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Tema 3.- N umeros Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1. Los n umeros complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2. Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3. Las races de un polinomio real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4. Aplicaciones geometricas de los n umeros complejos:
transformaciones en el plano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Tema 4.- Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
1. Sistemas de ecuaciones lineales. Notacion matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2. Reduccion por las y formas escalonadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3. Vectores en R
n
: Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4. El conjunto solucion de un sistema de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . 70
5. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6. Transformaciones lineales: matriz asociada, ejemplos geometricos
en el plano y en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Tema 5.-

Algebra de Matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
1. Operaciones con matrices. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2. Matriz inversa de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3. Matrices elementales. Metodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4. Factorizacion A = LU o PA = LU de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5. Determinantes: Denicion y propiedades. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . .106
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
Tema 6.- El espacio R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
1. Subespacios vectoriales de R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
Tema 7.- Bases de un subespacio vectorial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
1. Bases de un subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
2. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3. Suma e Interseccion de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4. Bases de R
n
. Cambios de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .138
5
Tema 8.- Ortogonalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
1. Producto escalar. Norma, distancia, angulos y ortogonalidad . . . . . . . . . . . . . . . . . . . . . 141
2. El complemento ortogonal de un subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3. Bases ortonormales de un subespacio. Matrices ortogonales . . . . . . . . . . . . . . . . . . . . . . 144
4. Proyeccion ortogonal sobre un subespacio. El teorema de la
mejor aproximacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5. El metodo de Gram-Schmidt. Factorizaciones QR de una matriz . . . . . . . . . . . . . . . . . 146
6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .161
Tema 9.- Mnimos cuadrados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
1. Problemas de mnimos cuadrados. Ecuaciones normales de Gauss. . . . . . . . . . . . . . . . 164
2. Ajuste de curvas, regresion lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .171
Tema 10.- Autovalores y autovectores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
1. Denicion y propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
2. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
3. Matrices semejantes y aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
4. Autovalores y autovectores complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .194
Tema 11.- Matrices simetricas reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
1. Propiedades. Diagonalizacion ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
2. Aplicacion a las formas cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
3. Aplicacion a las conicas y cuadricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .239
Tema 12.- Matrices no diagonalizables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
1. Autovectores generalizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
2. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .256
Enunciados de examenes de cursos anteriores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Examenes del curso 200809 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
6
Tema 7.- Bases de un subespacio vectorial.
1. Bases de un subespacio.
2. Rango de una matriz.
3. Suma e Interseccion de subespacios.
4. Bases de R
n
. Cambios de base.
5. Ejercicios.
En el Tema 6 ya hemos hecho referencia al concepto de base de un subespacio vectorial. En esta lecci on daremos
la denicion formal de base y consideraremos los resultados fundamentales asociados a dicho concepto.
1. Bases de un subespacio.
Denicion. Dado un subespacio S de R
n
distinto del subespacio nulo S = {0}, se dice que un conjunto de vectores
{v
1
, v
2
, . . . , v
r
}
de S es una base de S si:
(a) {v
1
, v
2
, . . . , v
r
} es linealmente independiente,
(b) {v
1
, v
2
, . . . , v
r
} genera S,
S = Gen {v
1
, v
2
, . . . , v
r
} .
Las anteriores condiciones se pueden expresar de forma matricial: Si denotamos por A a la matriz cuyas columnas
son los vectores dados
A =
_
_
.
.
.
.
.
.
.
.
.
v
1
v
2
.
.
. v
r
.
.
.
.
.
.
.
.
.
_
_
las columnas de A forman una base de un subespacio vectorial S si:
(a) El sistema homogeneo Ax = 0 tiene solucion unica (condici on equivalente a que los vectores sean linealmente
independientes) y
(b) S = Col (A), es decir S est a formado por los vectores y R
m
para los que el sistema de ecuaciones Ax = y es
compatible.
Ejemplo. Los vectores canonicos de R
n
,
_
_
e
1
=
_
_
1
0
.
.
.
0
_
_
, e
2
=
_
_
0
1
.
.
.
0
_
_
, . . . , e
n
=
_
_
0
.
.
.
0
1
_
_
_
_
forman una base de R
n
. Los vectores
{e
1
, e
1
+e
2
, , e
1
+e
2
+ +e
n
}
tambien forman una base de R
n
.
Denicion/Teorema. (Coordenadas respecto de una base) Dada una base {v
1
, v
2
, . . . , v
r
} de un subespacio vectorial
S, cada vector v de S se puede expresar de forma unica como combinaci on lineal de los vectores de la base dada,
v = c
1
v
1
+c
2
v
2
+ +c
r
v
r
.
125
Los coecientes que aparecen en dicha expresion (c
1
, . . . , c
r
) se denominan coordenadas de v respecto a la base dada
B = {v
1
, v
2
, . . . , v
r
} y se suelen denotar por
[v]
B
=
_
_
c
1
.
.
.
c
r
_
_.
Denicion/Teorema. Consideremos un subespacio vectorial S de R
m
distinto del subespacio nulo S = {0}. Se
verican:
(a) S tiene base.
(b) Todas las bases de S tienen el mismo n umero de elementos.
Al n umero de elementos de una base de S se le denomina dimensi on de S. Por denicion, la dimensi on del
subespacio formado por el vector nulo es cero.
Si, al igual que antes, denotamos por A a la matriz cuyas columnas son los vectores dados
A =
_
_
.
.
.
.
.
.
.
.
.
v
1
v
2
.
.
. v
r
.
.
.
.
.
.
.
.
.
_
_
,
para cada vector v (vector columna) de S se verica que
v = Ac
para alg un vector de coecientes c.
Teorema (El Teorema de la Base). Consideremos un subespacio vectorial S de R
m
de dimensi on p (p m) y un
conjunto de vectores {u
1
, . . . , u
q
} S.
(a) Si {u
1
, . . . , u
q
} generan S, entonces q p. Ademas, q = p {u
1
, . . . , u
q
} es una base de S.
(b) Si {u
1
, . . . , u
q
} es linealmente independiente, entonces q p. Ademas, q = p {u
1
, . . . , u
q
} es una base de S.
En particular, si tenemos un conjunto de n vectores de R
m
:
Si n > m, los n vectores no pueden ser linealmente independientes,
Si m > n, los n vectores no pueden generar R
m
.
2. Rango de una matriz.
Denicion. Dada una matriz A, m n, se llama rango de A a la dimensi on de su espacio columna, es decir, a la
dimensi on del subespacio vectorial (de R
m
)
Col (A) = {combinaciones lineales de las columnas de A}
= {Ax : x R
n
} = {y R
m
: Ax = y es compatible} .
Teniendo en cuenta la relacion entre la dimensi on del espacio columna de A y la reduccion de A a forma escalonada
tenemos que
rango(A) = n umero de pivotes de A.
Para una matriz cuadrada A de orden n, teniendo en cuenta los resultados sobre la existencia de la inversa
obtenemos que:
A tiene inversa rango(A) = n.
Teorema. Consideremos una matriz A, mn. Se verican:
126
(a) rango(A) = rango(A
T
). Es decir, la dimensi on del subespacio vectorial (de R
n
) generado por las m las de A
coincide con la dimensi on del espacio columna de A (subespacio vectorial de R
m
generado por las n columnas
de A):
dim(Col (A)) = dim
_
Col (A
T
)
_
.
Es decir, si por un lado reducimos la matriz A a forma escalonada por las (mediante operaciones la) y por
otro reducimos a forma escalonada por columnas (mediante operaciones columna), el n umero de pivotes que se
tienen en ambas reducciones es el mismo.
(b) Teorema del rango.
dim(Col (A)) + dim(Nul (A)) = n.
(c) En terminos de la reduccion por las de A a forma escalonada, el Teorema del rango se puede expresar mediante:
(n umero de pivotes) + (n umero de variables libres) = n.
Si consideramos la transformaci on lineal T : R
n
R
m
, asociada a una matriz real A, m n, el espacio imagen
de la transformaci on es el espacio columna de la matriz A,
Imagen(T) = T(R
n
) = {T(x) R
m
: x R
n
} =
= {y R
m
: y = T(x) para alg un x R
n
} = Col (A).
Se trata, por tanto, de un subespacio vectorial de R
m
cuya dimensi on es rango(A).
La imagen, mediante T, de cualquier subespacio vectorial S de R
n
sera un subespacio vectorial T(S) de R
m
contenido en el espacio imagen (columna) y por tanto la dimensi on de dicho subespacio T(S) sera menor o igual que
el rango de A (y menor o igual que la dimensi on del subespacio S original).
Por otra parte, si consideramos un subespacio vectorial H de R
m
, el conjunto de los vectores x R
n
cuyos
transformados T(x) = Ax pertenecen a H forman un subespacio vectorial de R
n
. En particular, si H es el subespacio
nulo de R
m
, es decir, H = {0} R
m
entonces, obtenemos el n ucleo de la transformaci on T o lo que es lo mismo, el
espacio nulo de A,
ker(T) = {x R
n
: T(x) = 0} = {x R
n
: Ax = 0} = Nul (A).
Ejercicio resuelto
Considera la transformaci on lineal T que verica
T
_
_
_
_
1
2
0
_
_
_
_
=
_
_
1
1
1
2
_
_
, T
_
_
_
_
1
1
0
_
_
_
_
=
_
_
0
3
0
3
_
_
, T
_
_
_
_
1
0
1
_
_
_
_
=
_
_
1
4
1
5
_
_
.
(a) Calcula la matriz A tal que T(x) = Ax para todo x R
3
.
(b) Calcula unas ecuaciones implcitas del espacio columna de A.
(c) Calcula un conjunto linealmente independiente de vectores S que genere el subespacio nulo de A.
(a) La aplicacion lineal T : R
3
R
4
tiene asociada, respecto de las bases canonicas, la matriz A en cuyas columnas
aparecen los transformados de la base canonica del espacio de partida, es decir, A = [T(e
1
)|T(e
2
)|T(e
3
)].
Una posibilidad es plantear el sistema de ecuaciones vectoriales, donde, por comodidad llamamos a = (1, 1, 1, 2)
T
,
b = (0, 3, 0, 3)
T
, c = (1, 4, 1, 5)
T
,
T([1, 2, 0]
T
) = T(e
1
+ 2e
2
) = T(e
1
) + 2T(e
2
) = a
T([1, 1, 0]
T
) = T(e
1
+e
2
) = T(e
1
) +T(e
2
) = b
T([1, 0, 1]
T
) = T(e
1
+e
3
) = T(e
1
) +T(e
3
) = c
_
_
_
T(e
2
) = a b = (1, 2, 1, 1)
T
T(e
1
) = b T(e
2
) = (1, 5, 1, 4)
T
T(e
3
) = c T(e
1
) = (2, 1, 2, 1)
T
_
_
_
que en este caso se resuelve trivialmente (en general, lo resolveremos mediante eliminacion de Gauss).
Por tanto,
A = [T(e
1
)|T(e
2
)|T(e
3
)] =
_
_
1 1 2
5 2 1
1 1 2
4 1 1
_
_
.
127
Antes de seguir, podemos asegurarnos de que la matriz encontrada es la correcta comprobando que
A[1, 2, 0]
T
= (1, 1, 1, 2)
T
, A[1, 1, 0]
T
= (0, 3, 0, 3)
T
A[1, 0, 1]
T
= (1, 4, 1, 5)
T
.
Otra forma de encontrar A es escribir matricialmente las igualdades que nos dan:
A
_
_
1
2
0
_
_
=
_
_
1
1
1
2
_
_
, A
_
_
1
1
0
_
_
=
_
_
0
3
0
3
_
_
, A
_
_
1
0
1
_
_
=
_
_
1
4
1
5
_
_
A
_
_
1 1 1
2 1 0
0 0 1
_
_
=
_
_
1 0 1
1 3 4
1 0 1
2 3 5
_
_
,
de donde deducimos
A =
_
_
1 0 1
1 3 4
1 0 1
2 3 5
_
_
_
_
1 1 1
2 1 0
0 0 1
_
_
1
=
_
_
1 0 1
1 3 4
1 0 1
2 3 5
_
_
_
_
1 1 1
2 1 2
0 0 1
_
_
=
_
_
1 1 2
5 2 1
1 1 2
4 1 1
_
_
.
La matriz inversa que aparece la hemos calculado aplicando el metodo de GaussJordan:
_
_
1 1 1 1 0 0
2 1 0 0 1 0
0 0 1 0 0 1
_
_

_
_
1 1 1 1 0 0
0 1 2 2 1 0
0 0 1 0 0 1
_
_
_
_
1 1 0 1 0 1
0 1 0 2 1 2
0 0 1 0 0 1
_
_
_
_
1 0 0 1 1 1
0 1 0 2 1 2
0 0 1 0 0 1
_
_
_
_
1 0 0 1 1 1
0 1 0 2 1 2
0 0 1 0 0 1
_
_
.
(b) Puesto que
Col(A) = Gen
_
_
_
_
_
_
1
5
1
4
_
_
_
_
,
_
_
_
_
1
2
1
1
_
_
_
_
,
_
_
_
_
2
1
2
1
_
_
_
_
_
_
,
dado un conjunto generador {v
1
, v
2
, v
3
} del subespacio Col(A) R
4
, encontrar las ecuaciones implcitas de Col(A) es
hallar las condiciones que deben vericar las componentes de un vector de R
4
, x = (x
1
, x
2
, x
3
, x
4
)
T
, para que pertenezca
a Col(A), es decir, para que se pueda escribir como combinaci on lineal del conjunto generador x = c
1
v
1
+c
2
v
2
+c
3
v
3
,
es decir, para que existan esos escalares c
i
, o lo que es equivalente, para que el sistema
(v
1
|v
2
|v
3
)c = x, con c = (c
1
, c
2
, c
3
)
T
sea compatible. Para exigir esto construimos la matriz ampliada (v
1
|v
2
|v
3
|x):
_
_
1 1 2 x
1
5 2 1 x
2
1 1 2 x
3
4 1 1 x
4
_
_
1 1 2 x
1
0 3 9 x
2
5x
1
0 0 0 x
3
+x
1
0 3 9 x
4
+ 4x
1
_
_
1 1 2 x
1
0 3 9 x
2
5x
1
0 0 0 x
3
+x
1
0 0 0 x
4
x
1
+x
2
_
_
,
es decir, las coordenadas de los vectores que pertenezcan a Col(A) deben vericar
x
1
+x
3
= 0, x
1
x
2
x
4
= 0.
Merece la pena emplear unos segundos, para estar seguros de que el resultado obtenido es correcto, en comprobar que
los tres vectores que generan el espacio columna verican todas (dos en nuestro caso) las ecuaciones obtenidas.
Observemos que dim(Col(A)) = 2 (pues la tercera columna de A es combinaci on lineal de las dos primeras) y al
estar ese subespacio en R
4
lo denen dos ecuaciones implcitas.
(c) El espacio nulo de A est a formado por los vectores x R
3
tales que Ax = 0. Al aplicar el metodo de eliminacion
para resolverlo vamos a obtener el mismo resultado (en las tres primeras columnas) que el conseguido al buscar las
ecuaciones implcitas en el apartado anterior:
_
_
1 1 2
5 2 1
1 1 2
4 1 1
_
_
1 1 2
0 3 9
0 0 0
0 3 9
_
_
1 1 2
0 3 9
0 0 0
0 0 0
_
_
x
1
= x
2
+ 2x
3
= 3x
3
+ 2x
3
= x
3
,
x
2
= 3x
3
,
128
con lo que Nul(A) = Gen {v = (1, 3, 1)
T
}, es decir, S =
_
_
_
_
_
1
3
1
_
_
_
_
_
. Es facil comprobar que v verica Av = 0,
es decir, que pertenece a Nul(A). Ademas, sabiendo que, en nuestro caso, T est a denida en R
3
, la igualdad
dim(Col(A)) +dim(Nul(A)) = 3
nos permita saber, antes de comenzar este apartado, que
dim(Nul(A)) = 3 dim(Col(A)) = 3 2 = 1.
3. Suma e Interseccion de subespacios.
3.1. Suma e Interseccion de subespacios.
Denicion. Consideremos dos subespacios vectoriales E y F de R
m
, se denen:
El subespacio suma, E +F como el conjunto de vectores w R
m
que pueden expresarse como suma w = u +v
de un vector u E y otro vector v F,
E +F = {w R
m
: existen u E y v F tales que w = u +v} ,
El subespacio interseccion, E F como el conjunto de vectores que pertenecen simult aneamente a ambos subes-
pacios
E F = {w R
m
: w E y w F } .
Propiedades.
1. E +F y E F son subespacios vectoriales.
2. E F E, F y E, F E +F.
3. Si E = Nul (A) y F = Nul (B), entonces
E F = Nul
_
A
B
_
.
Es decir, si los subespacios E y F vienen dados en forma implcita mediante Ax = 0 y Bx = 0 respectiva-
mente, es inmediato tener una descripcion implcita de E F, basta considerar todas las ecuaciones implcitas
simult aneamente.
4. Si E = Col (A) y F = Col (B), entonces
E +F = Col
_
A B
.
Si E = Gen {u
1
, u
2
, ..., u
p
} y F = Gen {v
1
, v
2
, ..., v
q
}, entonces
E +F = Gen {u
1
, u
2
, ..., u
p
, v
1
, v
2
, ..., v
q
}.
Teorema. Consideremos dos subespacios E y F de R
m
, se verica:
(a) dim(E F) dim(E), dim(F) dim(E +F) dim(E) + dim(F).
(b) dim(E +F) = dim(E) + dim(F) dim(E F).
(b) Si E F = {0} entonces dim(E +F) = dim(E) + dim(F).
129
Ejercicio resuelto
Sean los subespacios
E = Gen
_
_
_
_
_
1
2
5
_
_
,
_
_
3
1
1
_
_
_
_
_
y F = Gen
_
_
_
_
_
1
1
1
_
_
,
_
_
1
0
a
_
_
_
_
_
, a R.
Encontrar, seg un los valores de a R, una base de E F.
Para trabajar con EF lo mas facil es unir unas ecuaciones implcitas de E y unas de F y obtener as un conjunto
de ecuaciones implcitas para E F.
Necesitamos pues calcular unas ecuaciones implcitas de E. Puesto que
E = Gen
_
_
_
_
_
1
2
5
_
_
,
_
_
3
1
1
_
_
_
_
_
,
1
, v
2
} del subespacio E R
3
, encontrar las ecuaciones implcitas de E es hallar las
condiciones que deben vericar las componentes de un vector de R
3
, x = (x
1
, x
2
, x
3
)
T
, para que pertenezca a E, es
decir, para que se pueda escribir como combinaci on lineal del conjunto generador x = c
1
v
1
+c
2
v
2
, es decir, para que
existan esos escalares c
i
(v
1
|v
2
)c = x, con c = (c
1
, c
2
)
T
1
|v
2
|x):
_
_
1 3 x
1
2 1 x
2
5 1 x
3
_
_
_
_
1 3 x
1
0 7 x
2
2x
1
0 14 x
3
+ 5x
1
_
_
_
_
1 3 x
1
0 7 x
2
2x
1
0 0 x
1
+ 2x
2
+ x
3
_
_
.
Por tanto, una ecuaci on implcita de E es x
1
+2x
2
+x
3
= 0. Nos aseguraremos de que no nos hemos equivocado en los
c alculos comprobando que los dos vectores v
1
y v
2
satisfacen las ecuaciones implcitas obtenidas (en este caso, como
esos dos vectores son linealmente independientes, dim(E) = 2, y como E R
3
, este subespacio viene denido por una
ecuaci on implcita).
De forma analoga calculamos unas ecuaciones implcitas de F. Puesto que
F = Gen
_
_
_
_
_
1
1
1
_
_
,
_
_
1
0
a
_
_
_
_
_
,
construimos la matriz ampliada:
_
_
1 1 x
1
1 0 x
2
1 a x
3
_
_
_
_
1 1 x
1
0 1 x
2
+x
1
0 a 1 x
3
x
1
_
_
_
_
1 1 x
1
0 1 x
2
+x
1
0 0 ax
1
+ (1 a)x
2
+x
3
_
_
.
Por tanto, una ecuaci on implcita de F es ax
1
+(1a)x
2
+x
3
= 0. Nos aseguraremos de que no nos hemos equivocado
en los c alculos comprobando que los dos vectores dados satisfacen las ecuaciones implcitas obtenidas (en este caso,
como esos dos vectores son linealmente independientes, dim(F) = 2, y como F R
3
, este subespacio viene denido
por una ecuaci on implcita).
De esta manera, uniendo las ecuaciones implcitas de E y de F obtenemos las de E F:
E F
_
x
1
+ 2x
2
+x
3
= 0,
ax
1
+ (1 a)x
2
+x
3
= 0.
Resolviendo este sistema homogeneo podremos encontrar una base de E F:
_
1 2 1
a 1 a 1
_
_
1 2 1
0 1 +a 1 +a
_
.
As, seg un los valores de a aparecen dos situaciones distintas
a = 1 :
_
_
x
1
x
2
x
3
_
_
= x
2
_
_
2
1
0
_
_
+x
3
_
_
1
0
1
_
_
; a = 1 :
_
_
x
1
x
2
x
3
_
_
= x
3
_
_
1
1
1
_
_
.
130
Es decir, si a = 1, una base de E F es {(2, 1, 0)
T
, (1, 0, 1)
T
}. Observemos que, para a = 1, E F EF, es
decir, el plano E y el F coinciden. Mientras que para a = 1 una base de EF es {(1, 1, 1)
T
}, es decir la interseccion
de los planos E y F es una recta.
Ejercicio resuelto
Consideremos los subespacios E y F de R
4
denidos por las siguientes ecuaciones implcitas:
E
_
_
_
x
1
x
3
= 0,
x
2
+x
4
= 0,
2x
1
+ 3x
2
2x
3
+ 3x
4
= 0,
F ax
1
+bx
2
+x
3
bx
4
= 0, a, b R.
(c) Hallar la dimensi on del subespacio E F, seg un los valores de a y b.
(d) Para a = 1, b = 0, hallar una base del subespacio E +F.
(c) Nos piden que estudiemos la dimensi on de E F seg un los valores de los par ametros. Puesto que E y F son
subespacios de R
4
, la dimensi on de E F sera cuatro menos su n umero de ecuaciones implcitas (linealmente inde-
pendientes). Sabemos que, para estudiar la interseccion de dos subespacios, al unir las ecuaciones implcitas de ambos
obtenemos un conjunto de ecuaciones implcitas del subespacio interseccion. As,
E F
_
_
_
x
1
x
3
= 0,
x
2
+x
4
= 0,
ax
1
+bx
2
+x
3
bx
4
= 0.
Se trata de ver cuando E F tiene dos y cuando tres ecuaciones implcitas linealmente independientes:
_
_
1 0 1 0
0 1 0 1
a b 1 b
_
_
F
3
aF
1
-
_
_
1 0 1 0
0 1 0 1
0 b 1 +a b
_
_
F
3
bF
2
-
_
_
1 0 1 0
0 1 0 1
0 0 1 +a 2b
_
_
.
Vemos que si, simult aneamente, a = 1 y b = 0 entonces solo hay dos ecuaciones linealmente independientes. En
todos los dem as casos habr a tres. Por tanto, la dimensi on de E F es siempre uno, excepto cuando a = 1 y b = 0
que entonces es dos (en este caso, E F).
(d) Tenemos que hallar una base del subespacio E +F cuando a = 1, b = 0. Sabemos que obtendremos un conjunto
generador de E +F uniendo una base de E con una de F.
Para calcular una base de E (resolvemos el sistema de sus ecuaciones implcitas) obteniendo
_
_
1 0 1 0
0 1 0 1
2 3 2 3
_
_
_
_
1 0 1 0
0 1 0 1
0 3 0 3
_
_
_
_
1 0 1 0
0 1 0 1
0 0 0 0
_
_
E = Gen
_
_
_
_
1
0
1
0
_
_
,
_
_
0
1
0
1
_
_
_
_
.
Encontremos ahora una base de F:
F x
1
+x
3
= 0 F = Gen
_
_
_
_
1
0
1
0
_
_
,
_
_
0
1
0
0
_
_
,
_
_
0
0
0
1
_
_
_
_
.
Por tanto,
E +F = Gen
_
_
_
_
1
0
1
0
_
_
,
_
_
0
1
0
1
_
_
,
_
_
1
0
1
0
_
_
,
_
_
0
1
0
0
_
_
,
_
_
0
0
0
1
_
_
_
_
= Gen
_
_
_
_
1
0
1
0
_
_
,
_
_
0
1
0
1
_
_
,
_
_
0
1
0
0
_
_
,
_
_
0
0
0
1
_
_
_
_
.
Vemos cuales son linealmente independientes (hemos quitado el tercer vector pues coincide con el primero):
_
_
1 0 0 0
0 1 1 0
1 0 0 0
0 1 0 1
_
_
1 0 0 0
0 1 1 0
0 0 0 0
0 1 0 1
_
_
1 0 0 0
0 1 1 0
0 0 1 1
0 0 0 0
_
_
131
con lo que las tres primeras columnas de la matriz son linealmente independientes, es decir, una base de E +F es
_
_
_
_
1
0
1
0
_
_
,
_
_
0
1
0
1
_
_
,
_
_
0
1
0
0
_
_
_
_
.
Ejercicio resuelto
Consideremos los siguientes subespacios de R
4
:
E = Gen
_
_
u
1
=
_
_
1
1
0
1
_
_
, u
2
=
_
_
2
3
3
1
_
_
, u
3
=
_
_
1
2
3
0
_
_
_
_
y F
_
_
_
2x
1
2x
2
+x
3
= 0,
4x
1
3x
2
+ 2x
3
+x
4
= 0,
x
2
+x
4
= 0.
Hallar una base y unas ecuaciones implcitas de E +F.
Dados dos subespacios E y F, un conjunto generador de E +F se consigue uniendo una base de E, B
E
, con una de
F, B
F
:
E +F = Gen {B
E
, B
F
}.
Calculamos primero una base de E:
[u
1
, u
2
, u
3
]
_
_
1 2 1
1 3 2
0 3 3
1 1 0
_
_
1 2 1
0 1 1
0 3 3
0 1 1
_
_
1 2 1
0 1 1
0 0 0
0 0 0
_
_
,
es decir, B
E
= {u
1
, u
2
}.
Hallamos ahora una base de F resolviendo sus ecuaciones implcitas (que es un sistema homogeneo):
F
_
_
_
2x
1
2x
2
+x
3
= 0,
4x
1
3x
2
+ 2x
3
+x
4
= 0,
x
2
+ x
4
= 0,
_
_
2 2 1 0
4 3 2 1
0 1 0 1
_
_
_
_
2 2 1 0
0 1 0 1
0 1 0 1
_
_
_
_
2 2 1 0
0 1 0 1
0 0 0 0
_
_
,
es decir, tomando como par ametros (variables libres) a x
3
y x
4
(al ser las columnas tercera y cuarta columnas no
pivote), la solucion del sistema puede escribirse como
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
x
3
/2 x
4
x
4
x
3
x
4
_
_
= x
3
_
_
1/2
0
1
0
_
_
+x
4
_
_
1
1
0
1
_
_
con lo que una base de F es (elegimos por comodidad m ultiplos de esos dos vectores)
B
F
= {v
1
= (1, 0, 2, 0)
T
, v
2
= (1, 1, 0, 1)
T
}
(conviene comprobar, para detectar posibles errores, que esos dos vectores verican todas las ecuaciones implcitas de
F que nos da el enunciado).
Por tanto, ya tenemos un conjunto generador de E +F:
E +F = Gen {u
1
, u
2
, v
1
, v
2
}.
Recordemos que dado un conjunto generador {u
1
, u
2
, v
1
, v
2
} de un subespacio E + F R
4
, encontrar las ecua-
ciones implcitas de E + F es hallar las condiciones que deben vericar las componentes de un vector de R
4
,
x = (x
1
, x
2
, x
3
, x
4
)
T
, para que pertenezca a E + F, es decir, para que se pueda escribir como combinaci on lineal
del conjunto generador x = c
1
u
1
+ c
2
u
2
+ c
3
v
1
+ c
4
v
2
, es decir, para que existan esos escalares c
i
, o lo que es equiva-
lente, para que el sistema
(u
1
|u
2
|v
1
|v
2
)c = x, con c = (c
1
, c
2
, c
3
, c
4
)
T
sea compatible. Para exigir esto construimos la matriz ampliada (u
1
|u
2
|v
1
|v
2
|x). Por otro lado, para encontrar una
base a partir de un conjunto generador, tenemos que quedarnos con los vectores que sean linealmente independientes,
y eso se puede ver construyendo la matriz (u
1
|u
2
|v
1
|v
2
).
132
Teniendo en cuenta lo anterior, podemos encontrar una base de E + F y unas ecuaciones implcitas mediante la
siguiente eliminacion
(u
1
|u
2
|v
1
|v
2
|x) =
_
_
1 2 1 1 x
1
1 3 0 1 x
2
0 3 2 0 x
3
1 1 0 1 x
4
_
_
1 2 1 1 x
1
0 1 1 0 x
2
x
1
0 3 2 0 x
3
0 1 1 0 x
4
+x
1
_
_
1 2 1 1 x
1
0 1 1 0 x
2
x
1
0 0 1 0 x
3
3x
2
+ 3x
1
0 0 2 0 x
4
+ 2x
1
x
2
_
_
1 2 1 1 x
1
0 1 1 0 x
2
x
1
0 0 1 0 x
3
3x
2
+ 3x
1
0 0 0 0 x
4
2x
3
+ 5x
2
4x
1
_
_
.
De aqu deducimos que una base de E +F est a formada por los tres primeros vectores (pues son linealmente indepen-
dientes)
B
E+F
=
_
_
_
_
1
1
0
1
_
_
,
_
_
2
3
3
1
_
_
,
_
_
1
0
2
0
_
_
_
_
y que unas ecuaciones implcitas son
4x
1
5x
2
+ 2x
3
x
4
= 0.
Comprobamos, para detectar posibles errores, que los tres vectores de la base verican esta ecuaci on implcita. Ob-
servamos que, como debe ser, al ser E +F R
4
un subespacio de dimensi on 3 (cualquier base suya est a formada por
tres vectores) viene denido por una ecuaci on implcita.
3.2. Extraccion/Ampliacion de una base.
Extracci on de una base.
Si tenemos un conjunto de vectores {u
1
, u
2
, . . . , u
n
} en R
m
y consideramos el subespacio que generan S =
Gen {u
1
, u
2
, . . . , u
n
}, quitando (de forma ordenada) vectores que sean combinaci on lineal de los restantes, hasta
quedarnos con un conjunto de vectores linealmente independiente, obtendremos una base del subespacio S extrada
del conjunto generador que tenamos. Matricialmente puede interpretarse en terminos de reduccion a forma escalonada
mediante operaciones la de la matriz
A =
_
_
.
.
.
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
.
.
.
.
.
.
.
.
.
.
.
.
_
_
.
Si mediante operaciones la reducimos a forma escalonada, las columnas de la matriz A correspondientes a las posiciones
pivote son linealmente independientes y las restantes son combinaci on lineal de las columnas que le preceden en la
matriz. Por tanto,
{columnas pivote de A}
es una base del subespacio Col (A). Notemos que el subespacio columna de la matriz U que se obtiene al reducir A a
forma escalonada no es lo mismo que el espacio columna de A. La matriz A y la matriz U comparten las relaciones
lineales entre sus columnas, no el subespacio que generan.
Ampliacion a una base.
Si tenemos un conjunto de vectores {u
1
, u
2
, . . . , u
n
} en R
m
que son linealmente independientes y est an en un
subespacio vectorial S Como podemos ampliar dicho conjunto hasta obtener una base de S? Para esto basta con tener
una base de S y de dicha base seleccionar algunos elementos de forma que con los que ya tenemos {u
1
, u
2
, . . . , u
n
}
formen una base de S. Matricialmente puede interpretarse en terminos de reduccion a forma escalonada mediante
operaciones la de la matriz formada por columnas con los vectores dados y los vectores de una base arbitraria
{v
1
, v
2
, . . . , v
p
} de S
_
A B
=
_
_
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
v
1
.
.
. v
p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
_
.
133
Puesto que el subespacio generado por las columnas de [A|B] coincide por el generado por las columnas de B, al reducir
la matriz [A|B] a forma escalonada las primeras n columnas seran todas columna-pivote (pues los n primeros vectores
son linealmente independientes) y entre las restantes aparecer an pn pivotes. Seleccionando todas las columnas pivote
de la matriz [A|B] tendremos una base de Col (B) = Col [A|B] que contiene a los vectores linealmente independientes
dados al principio.
Que sucede si aplicamos el procedimiento anterior con un conjunto de vectores que no sea linealmente indepen-
diente?
4. Bases de R
n
. Cambios de base.
4.1. Bases de R
n
.
Todas las bases de R
n
est an formadas por n vectores. Puesto que en ese caso tendremos n vectores linealmente
independientes con n coordenadas cada uno, la matriz cuadrada formada por dichos vectores como vectores columna
tiene inversa (y los vectores columna de dicha matriz inversa formaran otra base de R
n
). Por otra parte, tambien los
vectores la de las dos matrices citadas seran una base de R
n
. Para comprobar si n vectores forman una base de R
n
bastara con reducir a forma escalonada la matriz formada por dichos vectores como vectores columna y comprobar si
se obtienen n pivotes. Notemos que, el orden de los vectores no inuye en si estos forman base o no.
Ejemplo. Siendo e
1
, e
2
, . . . , e
n
los vectores de la base canonica de R
n
, los vectores
e
1
, e
1
+e
2
, e
1
+e
2
+e
3
, . . . , e
1
+e
2
+ +e
n
n
y para calcular las coordenadas de un vector generico x R
n
respecto de esta base basta con
resolver el sistema (con termino independiente x)
_
_
1 1 1
0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
_
_
_
2
.
.
.
n
_
_
=
_
_
x
1
x
2
.
.
.
x
n
_
_
.
Resolvemos el sistema
_
_
1 1 1 x
1
0 1 1 x
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 x
n
_
_
1 0 0 0 x
1
x
2
0 1 0 0 x
2
x
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 0 x
n1
x
n
0 0 0 1 x
n
_
_
.
Por tanto, las coordenadas de x respecto a la base dada son
_
2
.
.
.
n1
n
_
_
=
_
_
x
1
x
2
x
2
x
3
.
.
.
x
n1
x
n
x
n
_
_
.
4.2. Cambios de base.
Dada una base B = {v
1
, v
2
, . . . , v
n
} de R
n
, las coordenadas de un vector x R
n
respecto a dicha base son los
coecientes ( unicos)
1
,
2
, . . . ,
n
para los cuales se verica
1
v
1
+
2
v
2
+ +
n
v
n
= x
_
_
.
.
.
.
.
.
.
.
.
v
1
v
2
.
.
. v
n
.
.
.
.
.
.
.
.
.
_
_
_
2
.
.
.
n
_
_
= x =
_
_
x
1
x
2
.
.
.
x
n
_
_
134
con x =
_
_
x
1
x
2
.
.
.
x
n
_
_
las coordenadas de xrespecto de la base canonica.
Dadas dos bases
U = {u
1
, u
2
, . . . , u
n
} y B = {v
1
, v
2
, . . . , v
n
}
de R
n
se trata de hallar la relacion entre las coordenadas de un vector x R
n
respecto de ambas bases. Hallemos
primero, la relacion entre las coordenadas del vector x en la base U y la base canonica C. Las coordenadas de un vector
x R
n
respecto a U vienen dadas por un vector [x]
U
que verica que
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
, [x]
U
=
_
2
.
.
.
n
_
_
x =
1
u
1
+
2
u
2
+ +
n
u
n
_
x
1
x
2
.
.
.
x
n
_
_
=
_
_
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
.
.
.
.
.
.
.
.
.
_
_
_
2
.
.
.
n
_
_
. ()
La matriz
_
_
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
.
.
.
.
.
.
.
.
.
_
_
que relaciona las coordenadas de un mismo vector x respecto a la base canonica con las coordenadas del mismo vector
x respecto a la base U se denomina matriz del cambio de base U C de U a la base canonica C = {e
1
, e
2
, . . . , e
n
}
y se denota por
P
C U
=
_
_
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
.
.
.
.
.
.
.
.
.
_
_
, x = [x]
C
= P
C U
[x]
U
Puesto que la igualdad () es equivalente a
_
2
.
.
.
n
_
_
=
_
_
.
.
.
.
.
.
.
.
.
u
1
u
2
.
.
. u
n
.
.
.
.
.
.
.
.
.
_
_
1
_
_
x
1
x
2
.
.
.
x
n
_
_
[x]
U
=
_
P
C U
_
1
[x]
C
la matriz
_
P
C U
_
1
es la matriz del cambio de base C U con lo cual
P
U C
=
_
P
C U
_
1
.
De forma analoga, si consideramos ahora las bases de R
n
,
B = {v
1
, v
2
, . . . , v
n
} y U = {u
1
, u
2
, . . . , u
n
}
podramos obtener las matrices de cambio de base B U y U B de la misma forma que lo que acabamos de
hacer si conocieramos las coordenadas de los vectores de una base respecto a la otra. Si, en cambio, conocemos las
coordenadas de los vectores de ambas bases respecto, por ejemplo, a la base canonica, tenemos un planteamiento
similar.
Denotemos las coordenadas de un vector generico x R
n
respecto de ambas bases B y U mediante
[x]
B
=
_
1
.
.
.
n
_
_, [x]
U
=
_
1
.
.
.
n
_
_.
135
Tenemos entonces que x =
1
v
1
+ +
n
v
n
=
1
u
1
+ +
n
u
n
y expresando estas igualdades en forma matricial
tenemos que
x =
_
_
x
1
.
.
.
x
3
_
_ =
_
_
v
1
v
2
v
n
_
_
_
1
.
.
.
n
_
_ =
_
_
u
1
u
2
u
n
_
_
_
1
.
.
.
n
_
_
es decir, siendo B la matriz cuyas columnas son los vectores de la base B en la base canonica y siendo U la matriz
cuyas columnas son los vectores de la base U en la base canonica, se verica que
x = B[x]
B
= U[x]
U
.
Por tanto,
[x]
B
= B
1
U[x]
U
= P
B U
= B
1
U,
[x]
U
= U
1
B[x]
B
= P
U B
= U
1
B.
Ejemplos.
(1) Vamos a calcular las matrices de cambio de base entre la base canonica de R
3
y la base
B =
_
v
1
= [2 1 0]
T
, v
2
= [1 2 3]
T
, v
3
= [1 0 1]
T
_
.
Siendo las coordenadas de un vector generico x R
3
respecto a B y respecto a la base canonica
[x]
B
=
_
_
3
_
_
, x =
_
_
x
1
x
2
x
3
_
_
,
respectivamente, se verica que
x =
1
v
1
+
2
v
2
+
3
v
3

_
_
x
1
x
2
x
3
_
_
=
_
_
v
1
v
2
v
3
_
_
_
_
3
_
_
.
Por tanto, la matriz
P =
_
_
v
1
v
2
v
3
_
_
=
_
_
2 1 1
1 2 0
0 3 1
_
_
(cuyas columnas son las coordenadas de los vectores de la base B respecto a la base C es la matriz
P
C B
del
cambio de base B C puesto que
x = [x]
C
= P[x]
B
, x R
3
.
Puesto que la inversa P
1
verica
[x]
B
= P
1
[x]
C
, x R
3
dicha matriz es la del cambio de base C B. Resumiendo,
P
C B
= P =
_
_
2 1 1
1 2 0
0 3 1
_
_
, P
B C
= P
1
=
1
6
_
_
2 2 2
1 2 1
3 6 3
_
_
.
(2) Calculemos las matrices de cambio de base entre las bases
B =
_
_
_
v
1
=
_
_
2
1
0
_
_
, v
2
=
_
_
1
2
3
_
_
, v
3
=
_
_
1
0
1
_
_
_
_
_
y
U =
_
_
_
u
1
=
_
_
1
2
1
_
_
, u
2
=
_
_
1
2
2
_
_
, u
3
=
_
_
1
3
2
_
_
_
_
_
.
136
Denotemos las coordenadas de un vector generico x R
3
respecto de ambas bases B y U mediante
[x]
B
=
_
_
3
_
_
, [x]
U
=
_
_
3
_
_
.
Tenemos entonces que x =
1
v
1
+
2
v
2
+
3
v
3
=
1
u
1
+
2
u
2
+
3
u
3
. Escribiendo estas igualdades en forma
matricial
_
_
x
1
x
2
x
3
_
_
=
_
_
2 1 1
1 2 0
0 3 1
_
_
_
_
3
_
_
=
_
_
1 1 1
2 2 3
1 2 2
_
_
_
_
3
_
_
obtenemos
_
_
3
_
_
=
_
_
2 1 1
1 2 0
0 3 1
_
_
1
_
_
1 1 1
2 2 3
1 2 2
_
_
_
_
3
_
_
y, por tanto,
P
B U
=
_
_
2 1 1
1 2 0
0 3 1
_
_
1
_
_
1 1 1
2 2 3
1 2 2
_
_
=
1
6
_
_
2 2 2
1 2 1
3 6 3
_
_
_
_
1 1 1
2 2 3
1 2 2
_
_
=
1
6
_
_
4 2 12
4 7 3
18 9 21
_
_
.
Analogamente podramos obtener
P
U B
=
_
_
P
B U
_
_
1
=
1
15
_
_
20 25 15
5 22 6
15 12 6
_
_
.
Ejercicio resuelto
Dadas las bases de R
2
, B
1
=
__
5
2
_
,
_
2
1
__
y B
2
=
__
3
1
_
,
_
4
1
__
, encontrar, con la ayuda
de la matriz correspondiente, las coordenadas en la base B
2
del vector v cuyas coordenadas en la base B
1
son
[v]
B1
= (2, 1)
B1
.
Sabemos que dada una base de R
2
, B
1
= {v
1
, v
2
}, la matriz P
B1
= [v
1
|v
2
] relaciona las coordenadas que un vector v
tiene en la base canonica, [v]
BC
, y las que tiene en la base B
1
, [v]
B1
, de forma que
[v]
BC
= P
B1
[v]
B1
.
Analogamente, dada una base B
2
= {u
1
, u
2
}, la matriz P
B2
= [u
1
|u
2
] relaciona las coordenadas que un vector v tiene
en la base canonica, [v]
BC
, y las que tiene en la base B
2
, [v]
B2
, de forma que
[v]
BC
= P
B2
[v]
B2
.
Combinando ambas expresiones obtenemos
P
B1
[v]
B1
= P
B2
[v]
B2

_
[v]
B2
= P
1
B2
P
B1
[v]
B1
= P
B2B1
[v]
B1
,
[v]
B1
= P
1
B1
P
B2
[v]
B2
= P
B1B2
[v]
B2
.
Como el enunciado nos da [v]
B1
, usaremos [v]
B2
= P
1
B2
P
B1
[v]
B1
. Puesto que
P
B1
=
_
5 2
2 1
_
, P
B2
=
_
3 4
1 1
_
P
1
B2
P
B1
=
_
1 4
1 3
_ _
5 2
2 1
_
=
_
3 2
1 1
_
obtenemos [v]
B2
= P
1
B2
P
B1
[v]
B1
=
_
3 2
1 1
_ _
2
1
_
=
_
4
1
_
.
Es facil comprobar que el resultado es correcto. Teniendo en cuenta las coordenadas obtenidas en ambas bases
v = 2v
1
+v
2
= 4u
1
u
2
con lo que debe ser cierto
2
_
5
2
_
+
_
2
1
_
= 4
_
3
1
_
_
4
1
_
.
137
De aqu deducimos ademas (sin mas que sumar los vectores) que, en la base canonica, v = (8, 3)
T
.
Ejercicio resuelto
Consideremos una transformaci on lineal f : R
3
R
3
.
Hallar la matriz A que representa a f cuando se trabaja con la base canonica B = {e
1
, e
2
, e
3
}, sabiendo que A es
simetrica, que f(e
1
) = e
2
+e
3
, f(e
1
+e
2
+e
3
) = 2(e
1
+e
2
+e
3
) y que f(e
2
) pertenece al subespacio E de ecuaci on
x z = 0.
La aplicacion lineal dada f : R
3
R
3
tiene asociada, respecto de las bases canonicas, la matriz A en cuyas columnas
aparecen los transformados de la base canonica del espacio de partida, es decir,
A = [f(e
1
)|f(e
2
)|f(e
3
)] =
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
.
Al ser A simetrica, A
T
= A, debe ser b
1
= a
2
, c
1
= a
3
y c
2
= b
3
, con lo que A =
_
_
a
1
a
2
a
3
a
2
b
2
b
3
a
3
b
3
c
3
_
_
. Puesto que
f(e
1
) = Ae
1
= e
2
+e
3
= (0, 1, 1)
T
la matriz A sera
A =
_
_
0 1 1
1 b
2
b
3
1 b
3
c
3
_
_
.
Puesto que f(e
2
) pertenece al subespacio E de ecuaci on x z = 0, los elementos de la segunda columna de A deben
vericar dicha ecuaci on, es decir, 1 b
3
= 0, con lo que b
3
= 1 y tenemos
A =
_
_
0 1 1
1 b
2
1
1 1 c
3
_
_
.
Finalmente, usando f(e
1
+e
2
+e
3
) = f(e
1
) +f(e
2
) +f(e
3
) = (2, 2, 2)
T
, obtenemos que la tercera columna de A debe
vericar
f(e
3
) = (2, 2, 2)
T
f(e
1
) f(e
2
) = (2, 2, 2)
T
(0, 1, 1)
T
(1, b
2
, 1)
T
= (1, 1 b
2
, 0)
T
.
Por tanto, debe ser (1, 1, c
3
)
T
= (1, 1 b
2
, 0)
T
, con lo que b
2
= 0, c
3
= 0, y la matriz pedida es
A =
_
_
0 1 1
1 0 1
1 1 0
_
_
.
Es recomendable emplear un minuto en comprobar que la matriz calculada satisface todas las condiciones del enunciado,
es decir, que no nos hemos equivocado al calcularla.
5. Ejercicios.
Ejercicio 1. (a) Determinar el rango de las siguientes matrices:
A =
_
_
0 1 1 2 0
0 2 1 2 2
0 1 1 2 0
0 0 1 2 3
_
_
, B =
_
_
1 1 1 2
3 2 3 2
2 1 2 2
0 1 0 2
_
_
.
(b) Sea A una matriz 20 15 cuyo rango es 12. Determinar la dimensi on de los siguientes subespacios vectoriales,
Col (A), Nul (A), Col (A
T
) y Nul (A
T
).
Ejercicio 2. Siendo e
1
, e
2
, e
3
los vectores de la base canonica de R
3
y sabiendo que los vectores de la base B verican
e
1
= 2u
1
+ 2u
2
+ u
3
, e
2
= u
1
2u
2
+ 2u
3
, e
3
= 2u
1
+ u
2
+ 2u
3
, se nalar la relacion correcta entre las siguientes
138
(considerando a los vectores como vectores-columna)
(a) [e
1
e
2
e
3
] =
_
_
2 2 1
1 2 2
2 1 2
_
_
[u
1
u
2
u
3
] .
(b) [u
1
u
2
u
3
] =
_
_
_
_
2 2 1
1 2 2
2 1 2
_
_
_
_
1
=
1
9
_
_
2 1 2
2 2 1
1 2 2
_
_
.
(c) [u
1
u
2
u
3
] =
_
_
_
_
2 1 2
2 2 1
1 2 2
_
_
_
_
1
=
1
9
_
_
2 2 1
1 2 2
2 1 2
_
_
.
Ejercicio 3. Dados dos subespacios E y F de R
n
, hallar las ecuaciones implcitas, las parametricas y una base del
subespacio interseccion, E F:
(a) E x
1
+x
2
= 0, F x
1
+ 2x
2
= 0, en R
2
.
(b) E x
1
+x
2
= 0, F 2x
1
+ 2x
2
= 0, en R
2
.
(c) E x
1
+x
2
= 0, F x
1
+ 2x
2
= 0, en R
3
.
(d) E x
1
+x
2
+x
3
= 0, F x
1
x
2
+ 2x
3
= 0, en R
3
.
(e) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(0, 1, 0)
T
}, en R
3
.
(f ) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(2, 1, 2)
T
, (0, 1, 0)
T
}, en R
3
.
(g) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(2, 1, 3)
T
, (0, 1, 0)
T
}, en R
3
.
(h) E = Gen {(1, 1, 0, 1)
T
, (2, 1, 0, 3)
T
}, F = Gen {(0, 1, 1, 2)
T
, (1, 0, 2, 2)
T
}, en R
4
.
Ejercicio 4. Hallar las ecuaciones implcitas, las parametricas y una base del subespacio suma, E + F, para los
siguientes subespacios:
(a) E x
1
+x
2
= 0, F x
1
+ 2x
2
= 0, en R
2
.
(b) E x
1
+x
2
= 0, F 2x
1
+ 2x
2
= 0, en R
2
.
(c) E x
1
+x
2
= 0, F x
1
+ 2x
2
= 0, en R
3
.
(d) E x
1
+x
2
+x
3
= 0, F x
1
x
2
+ 2x
3
= 0, en R
3
.
(e) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(0, 1, 0)
T
}, en R
3
.
(f ) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(2, 1, 2)
T
, (0, 1, 0)
T
}, en R
3
.
(g) E = Gen {(1, 1, 1)
T
, (1, 0, 1)
T
}, F = Gen {(2, 1, 3)
T
, (0, 1, 0)
T
}, en R
3
.
(h) E = Gen {(1, 1, 0, 1)
T
, (2, 1, 0, 3)
T
}, F = Gen {(0, 1, 1, 2)
T
, (1, 0, 2, 2)
T
}, en R
4
.
(i) E = Gen {(1, 1, 1)
T
, (2, 2, 2)
T
}, F = Gen {(0, 1, 0)
T
}, en R
3
.
Ejercicio 5. Extender a una base de R
n
el conjunto linealmente independiente dado:
(a) {v
1
= (1, 1, 1)
T
} en R
3
.
(b) {v
1
= (1, 3, 4)
T
, v
2
= (1, 0, 2)
T
} en R
3
.
(c) {v
1
= (1, 1, 0)
T
, v
2
= (1, 3, 0)
T
} en R
3
.
(d) {v
1
= (1, 1, 0, 1)
T
, v
2
= (2, 1, 0, 3)
T
} en R
4
.
139
Ejercicio 6. Extender, a una base del subespacio que se indique, el conjunto linealmente independiente dado:
(a) {v
1
= (2, 1, 1, 0)
T
} al subespacio de R
4
denido por x
1
x
2
x
3
x
4
= 0.
(b) {v
1
= (2, 0, 3, 0)
T
, v
2
= (0, 1, 0, 1)
T
4
denido por 3x
1
x
2
+ 2x
3
x
4
= 0.
(c) {v
1
= (1, 0, 2, 0)
T
4
denido por 2x
1
x
3
+ 3x
4
= 0.
(d) {v
1
= (1, 0, 2, 0)
T
4
denido por 2x
1
x
3
+ 3x
4
= 0, 5x
2
+x
4
= 0.
Ejercicio 7. Extender {v
1
= (1, 1, 1, 2, 2)
T
, v
2
= (0, 1, 1, 1, 1)
T
} a una base del subespacio S de R
5
de ecuaciones
S
_
3x
1
2x
2
+x
3
x
4
= 0,
x
4
x
5
= 0.
Ejercicio 8. Sean los siguientes subespacios de R
4
:
E = Gen
_
_
_
_
1
1
0
1
_
_
,
_
_
1
1
1
2
_
_
,
_
_
1
1
1
0
_
_
_
_
y F x
1
+x
3
+x
4
= 0.
Calcular una base de S = E F.
Ejercicio 9. Consideremos la base B = {(2, 1)
T
, (3, 1)
T
} de R
2
. R
4
:
(a) Obtener, en dicha base, las ecuaciones implcitas y las parametricas de los subespacios que, en la base canonica,
vienen denidos mediante
E x
1
+x
2
= 0, F x
1
2x
2
= 0, G = Gen {(1, 1)
T
}, H = Gen {(3, 1)
T
}.
(b) Obtener, en la base canonica, las ecuaciones implcitas y las parametricas de los subespacios que, en la base B,
vienen denidos mediante
E y
1
+ 5y
2
= 0, F y
2
= 0, G = Gen {(1, 0)
T
B
}, H = Gen {(2, 4)
T
B
}.
140
Tema 8.- Ortogonalidad.
1. Producto escalar. Norma, distancia, angulos y ortogonalidad.
2. El complemento ortogonal de un subespacio.
3. Bases ortonormales de un subespacio. Matrices ortogonales.
4. Proyeccion ortogonal sobre un subespacio. El teorema de la mejor aproximacion.
5. El metodo de Gram-Schmidt. Factorizaciones QR de una matriz.
6. Ejercicios.
En este tema estudiamos la estructura metrica de los espacios R
n
, es decir, las cuestiones relacionadas con distancias
y angulos. Al contrario de lo que sucede con el estudio de la resolucion de sistemas de ecuaciones lineales, el algebra de
matrices, etc., el hecho de considerar aqu vectores reales es esencial. Para poder considerar conceptos metricos en C
n
,
es decir, con vectores de coordenadas complejas, habra que considerar la denicion apropiada (coherente) de producto
escalar de vectores complejos, que se suele denominar producto hermtico. Al aplicar dicha denicion a vectores reales
nos dara la denicion usual que vemos a continuacion y que los alumnos conocen en dimensi on 2 y en dimensi on 3.
1. Producto escalar. Norma, distancia, angulos y ortogonalidad.
Denicion. (Producto escalar, norma, ortogonalidad) Consideremos dos vectores x, y R
n
Se denomina Producto escalar de dos vectores x, y R
n
al n umero real
x y = x
T
y = y
T
x = x
1
y
1
+x
2
y
2
+ + x
n
y
n
R.
Se denomina Norma de un vector x R
n
al n umero real no-negativo
||x|| =
_
|x
1
|
2
+ +|x
n
|
2
=
x x 0.
Se denomina Distancia entre dos vectores x, y R
n
al n umero real no-negativo
d(x, y) = ||x y|| .
Ortogonalidad
(a) Se dice que dos vectores x, y R
n
son ortogonales (x y) si
x y = 0.
(b) Se dice que un conjunto de vectores {v
1
, . . . , v
m
} de R
n
es un conjunto ortogonal si cada uno de los
vectores v
k
es ortogonal a todos los dem as,
v
k
v
j
= 0, j = k.
(c) Se dice que un conjunto de vectores {v
1
, . . . , v
m
} de R
n
es un conjunto ortonormal si es un conjunto
ortogonal y cada uno de los vectores v
k
tiene norma igual a 1,
v
k
v
j
= 0, j = k; ||v
1
|| = = ||v
m
|| = 1.
Las propiedades del producto escalar, la norma, la distancia y la ortogonalidad son conocidas por el alumno
para vectores en R
2
y en R
3
. En los espacios R
n
, las propiedades son esencialmente las mismas. Notemos que si
consider asemos dichos conceptos de forma independiente de un sistema de referencia, en cada uno de ellos aparecen
involucrados uno o dos vectores. Algunas de las propiedades del producto escalar pueden obtenerse directamente
del hecho de que el producto escalar de dos vectores puede expresarse como un producto matricial, vector-la por
vector-columna
x y = [x
1
, x
2
, . . . , x
n
]
_
_
y
1
.
.
.
y
n
_
_ = x
T
y = y
T
x = [y
1
, y
2
, . . . , y
n
]
_
_
x
1
.
.
.
x
n
_
_ = y x.
141
Propiedades. Sean x, y R
n
, R.
(1) ||x|| = 0 x = 0.
(2) ||x|| = || ||x||.
(3) Desigualdad triangular: ||x +y|| ||x|| +||y|| , (||x y|| ||x|| +||y||).
(1) Desigualdad de Cauchy-Schwartz: |x y| ||x|| ||y||.
(4) Teorema de Pitagoras:
x y ||x +y||
2
= ||x||
2
+||y||
2
.
El angulo (los angulos) determinado por dos vectores no-nulos x, y R
n
puede caracterizarse (denirse) mediante
la igualdad
x y = ||x|| ||y|| cos().
2. El complemento ortogonal de un subespacio.
Denicion. (El complemento ortogonal de un subespacio) Dado un subespacio vectorial S de R
n
se denomina com-
plemento ortogonal de S al conjunto
S
= {v R
n
: v u , u S} .
Es decir, S
est a formado por todos los vectores que son ortogonales a todos los vectores de S. Por tanto, el com-
plemento ortogonal del subespacio nulo
_
0
_
es R
n
puesto que cualquier vector es ortogonal al vector nulo. Por otra
parte, el complemento ortogonal del espacio total R
n
es el subespacio nulo, puesto que el vector nulo (de R
n
) es el
unico que es ortogonal a todos los vectores de R
n
.
Ejemplos. A la hora de trabajar con el complemento ortogonal de un subespacio es conveniente tener presente c omo se
puede caracterizar, el complemento ortogonal de un subespacio, cuando el subespacio viene dado en forma parametrica
o cuando viene dado en forma implcita. En R
2
, un subespacio vectorial de dimensi on 1 es una recta que pasa por el
origen y su complemento ortogonal sera (como es natural) la recta que pasa por el origen (es un subespacio vectorial)
y es perpendicular a la recta dada. En R
3
, un subespacio vectorial de dimensi on 1 es una recta que pasa por el origen.
Su complemento ortogonal sera el plano que pasa por el origen (es un subespacio vectorial) y es perpendicular a la
recta dada. Un subespacio vectorial de dimensi on 2 es un plano que pasa por el origen. Su complemento ortogonal
sera la recta que pasa por el origen (es un subespacio vectorial) y es perpendicular al plano dado.
(1) Consideremos un subespacio de dimensi on 1 en R
2
, dado en forma parametrica, es decir, una recta que pasa por
el origen de coordenadas, dada por un vector direcci on v
1
. Por ejemplo, para v
1
= [2, 1]
T
S = Gen {v
1
} = {v
1
: R}
_
x
1
= 2
x
2
=
,
su complemento ortogonal estar a formado por los vectores v = [x
1
, x
2
]
T
R
2
que son ortogonales a todos los
vectores de la forma v
1
, R
v S
(v
1
) v = 0, R v
1
v = 0 2x
1
x
2
= 0.
Es decir, el complemento ortogonal S
est a formado por todos los vectores v = [x

1
, x
2
]
T
R
2
cuyas coordenadas
verican la ecuaci on
2x
1
x
2
= 0,
con lo cual S
es un subespacio vectorial (de dimensi on 1) que viene dado en forma implcita y los coecientes
de la ecuaci on implcita son las coordenadas del vector direcci on de S. Si hubieramos considerado otro vector
direcci on de S (que sera un m ultiplo no-nulo de v
1
), habramos obtenido una ecuaci on equivalente.
(2) Si consideramos un subespacio vectorial S de dimensi on 1 en R
n
, es decir una recta que pasa por el origen,
generada por un vector no-nulo v
1
R
n
S = Gen
_
_
v
1
=
_
_
a
1
.
.
.
a
n
_
_
_
_
,
142
su complemento ortogonal estar a formado por los vectores v = [x
1
, . . . , x
n
]
T
R
n
cuyas coordenadas verican
la ecuaci on
v
1
v = 0 a
1
x
1
+ + a
n
x
n
= 0,
con lo cual S
es un subespacio vectorial (de dimensi on n 1) que viene dado mediante una ecuaci on implcita
y los coecientes de dicha ecuaci on son las coordenadas del vector direcci on de S.
Teorema. Dado un subespacio vectorial S de R
n
se verica:
(1) S
es un subespacio vectorial de R
n
.
(2)
_
S
= S.
(3) Se verica la siguiente relacion entre S y S
.
(a) S S
= {0}.
(b) S +S
= R
n
.
Por tanto, todo vector v de R
n
se puede expresar de forma unica como suma
de un vector de S y un vector de S
. (Esto sera consecuencia del teorema de

la proyeccion ortogonal que veremos mas adelante).
(5) Si S = Gen {v
1
, . . . , v
p
}, entonces
v S
v v
1
, . . . , v v
p
.
Ejemplo. Antes hemos obtenido el complemento ortogonal de un subespacio de R
n
de dimensi on 1, que era un
subespacio vectorial de dimensi on n1 (estos subespacios se suelen denominar hiperplanos). Las propiedades anteriores
permiten obtener facilmente el complemento ortogonal de un subespacio, de dimensi on n 1, cuya ecuaci on implcita
es
W a
1
x
1
+ +a
n
x
n
= 0.
Como hemos visto antes,
W = S
, siendo S = Gen
_
_
_
_
a
1
.
.
.
a
n
_
_
_
_
,
tenemos que W
=
_
S
= S. Es decir, de manera inmediata obtenemos, W
, en forma parametrica.
El hecho de expresar el complemento ortogonal de una u otra forma parametrica/implcita dependiendo de como
venga expresado el subespacio vectorial:
S en forma parametrica S
en forma implcita
S en forma implcita S
en forma parametrica
queda reejado con el siguiente Teorema.
Teorema. (Los cuatro subespacios asociados a una matriz) Sea A una matriz real mn. Se verica:
[Col (A)]
= Nul (A
T
), [Nul (A)]
= Col (A
T
)
El espacio Col (A
T
) se suele denominar espacio la de la matriz A.
Notemos que en lo que se reere a las dimensiones de los complementos ortogonales tenemos
dim
_
[Col (A)]
_
= dim
_
Nul (A
T
)
_
= m pivotes de A
T
= mrango (A) = mdim (Col (A)) .
Puesto que cualquier subespacio vectorial se puede expresar como el espacio columna de una matriz tenemos que para
cualquier subespacio vectorial S de R
m
, se verica
dim
_
S
_
= mdim(S).
143
3. Bases ortonormales de un subespacio. Matrices ortogonales.
Proposici on. Si {u
1
, u
2
, . . . , u
r
} es un conjunto de vectores no-nulos ortogonales dos a dos, entonces son linealmente
independientes.
Demostracion.- Si tenemos una combinacion lineal de los vectores dados igual al vector nulo
1u1 + 2u2 + + pup =
0 ()
al multiplicar escalarmente por el vector u1 tenemos
(1u1 + 2u2 + + pup) u1 =
0 u1 = 0.
Desarrollando el primer miembro de la igualdad
1u1 u1 + 2u2 u1 + + pup u1 =
2
4
usando la
condicion de
ortogonalidad
3
5
=
= 1 ||u1||
2
+ 20 + + p0 = 0
puesto
que u1 = 0
= 1 = 0.
De manera analoga, al multiplicar escalarmente la igualdad () por un vector
u
k
, k = 1, 2, . . . , p,
se obtiene
10 + 20 + +
k
||u
k
||
2
+ + n0 = 0
puesto
que u
k
= 0

k
= 0.
Por tanto, la unica combinacion lineal que es igual al vector nulo es la combinacion lineal identicamente nula (todos los
coecientes son nulos). Es decir, los vectores dados son linealmente independientes.
Proposici on. Sea {u
1
, u
2
, . . . , u
r
} una base ortogonal de un subespacio S de R
n
. Entonces:
Las coordenadas de un vector u S respecto de dicha base vienen dadas por
u u
k
||u
k
||
2
, es decir, se verica que
u =
u u
1
||u
1
||
2
u
1
+ +
u u
r
||u
r
||
2
u
r
.
La expresion anterior se suele denominar desarrollo de Fourier de v respecto a la base {u
1
, u
2
, . . . , u
r
}.
Antes de pasar a estudiar la proyeccion ortogonal de un vector sobre un subespacio, vamos a considerar las
propiedades de las matrices cuyas columnas son ortonormales. En particular, vamos a considerar las matrices cuadradas
cuyas columnas son ortonormales. Cuando se tiene un conjunto ortogonal de vectores no-nulos y se normalizan (se
divide cada uno por su norma), obtenemos un conjunto ortonormal de vectores que formaran una base ortonormal del
subespacio vectorial que generan. En terminos de computacion numerica, las matrices cuyas columnas son ortonormales
juegan un papel importante por ser matrices que transmiten los errores de redondeo de manera controlada.
Proposici on. Sea U = [u
1
, . . . , u
n
] una matriz real mn.
(1) U tiene columnas ortonormales U
T
U = I.
(2) Si U tiene columnas ortonormales, la transformaci on lineal asociada
U : x R
n
y = Ux R
m
conserva angulos y distancias, es decir
(a) ||Ux|| = ||x|| , x R
n
.
(b) (Ux) (Uy) = x y, x, y R
n
y en particular,
(c) Ux Uy x y.
Un caso particularmente importante lo constituyen las matrices cuadradas con columnas ortonormales.
Denicion. (Matriz ortogonal) Se denomina matriz ortogonal a toda matriz Q real cuadrada no-singular cuya
inversa coincide con su traspuesta, Q
1
= Q
T
.
144
Proposici on. Se verica:
(1) Si Q es ortogonal =det(Q) = 1.
(2) Q es ortogonal Q
T
es ortogonal.
(3) Si Q
1
y Q
2
son ortogonales, entonces Q
1
Q
2
es ortogonal.
Proposici on. Sea Q una matriz real cuadrada n n. Son equivalentes:
(1) Q es una matriz ortogonal.
(2) Las n columnas de Q son ortonormales (y por tanto forman una base ortonormal de R
n
).
(3) Las n las de Q son ortonormales (y por tanto forman una base ortonormal de R
n
).
4. Proyeccion ortogonal sobre un subespacio. El teorema de la mejor
aproximacion.
Si consideramos el subespacio vectorial S, de dimensi on uno (una recta), generado por un vector, u
1
, no-nulo,
S = Gen {u
1
}, la proyeccion ortogonal de un vector v R
n
sobre S sera el vector u = u
1
S que verica que
v u = v u
1
es ortogonal a S, es decir, tenemos que determinar con la condicion que v u
1
sea ortogonal a u
1
,
(v u
1
) u
1
= v u
1
||u
1
||
2
= 0 =
vu1
||u1||
2

= u = proy
S
(v) =
vu1
||u1||
2
u
1
.
Para un subespacio de dimensi on arbitraria puede darse una expresion de la proyeccion ortogonal de un vector sobre
dicho subespacio cuando disponemos de una base ortogonal de dicho subespacio. Considerando una base ortonormal
puede darse una expresion c omoda de la matriz de la proyeccion ortogonal.
Teorema (de la descomposici on ortogonal). Sea S un subespacio vectorial de R
n
. Dado cualquier vector v
R
n
existe un unico vector u S (llamado proyeccion ortogonal de v sobre S) tal que v u S
. De hecho, si
{u
1
, u
2
, . . . , u
r
} es una base ortogonal de S, entonces la proyeccion ortogonal de v sobre S es
u := proy
S
(v) =
v u
1
||u
1
||
2
u
1
+ +
v u
r
||u
r
||
2
u
r
,
y la proyeccion ortogonal de v sobre S
es
w = v u.
Notemos que:
Cada sumando de la expresion
v u
1
||u
1
||
2
u
1
+ +
v u
r
||u
r
||
2
u
r
nos da la proyeccion ortogonal del vector v sobre el subespacio generado por el correspondiente vector u
k
.
El vector u = proy
S
(v) verica que ||u||
2
||v||
2
.
Corolario. (Matriz de una proyeccion ortogonal) Sea S un subespacio vectorial de R
n
.
(a) Si {u
1
, u
2
, . . . , u
r
} es una base ortonormal de S, la proyeci on ortogonal de un vector v R
n
sobre S es
u := proy
S
(v) = (v u
1
) u
1
+ + (v u
r
) u
r
.
145
(b) Siendo U una matriz cuyas columnas forman una base ortonormal de S, la matriz de la proyeccion ortogonal
sobre S es P
S
= UU
T
, es decir
proy
S
(v) = UU
T
v, v R
n
.
Aunque puedan considerarse distintas matrices U como en el enunciado, la matriz P
S
= UU
T
que representa
a la proyeccion ortogonal, respecto a la base canonica, es unica. Las propiedades caractersticas de las matrices de
proyeccion ortogonal son
P
2
S
= P
S
,
_
UU
T
_
2
= U(U
T
U)U
T
= UIU
T
= UU
T
, y
P
S
es simetrica,
_
UU
T
_
T
= (U
T
)
T
U
T
= UU
T
.
Teorema (de la mejor aproximaci on). Sea S un subespacio vectorial de R
n
y consideremos un vector x R
n
y
un vector y S. Son equivalentes:

O
x
y
w
S
S
(a) y es la proyeccion ortogonal de x sobre S,

es decir,
y S, x y S
.
(b) y es la mejor aproximacion de x desde S,
es decir,
y S, ||x y|| ||x w|| para todo w S.
Sea y = proy
S
(x) y sea w S. Puesto que
xw = (xy)+(yw), xy S
, yw S,
aplicando el Teorema de Pit agoras tenemos
||x w||
2
= ||x y||
2
+||y w||
2
||x y||
2
.
5. El metodo de Gram-Schmidt. Factorizaciones QR de una matriz.
5.1. El metodo de Gram-Schmidt.
En el Tema 7 hemos visto c omo obtener una base de un subespacio vectorial a partir de un conjunto de vectores
que genera el subespacio vectorial. En los epgrafes anteriores hemos visto que el c alculo de las coordenadas de un
vector respecto de una base ortogonal es muy simple (desarrollo de Fourier) y que estas permiten dar la expresion
de la proyeccion ortogonal sobre el subespacio que generan dichos vectores. El metodo de ortogonalizaci on de Gram-
Schmidt, que vamos a describir, permite construir de manera progresiva una base ortogonal de un subespacio vectorial
a partir de una base de dicho subespacio e incluso de un conjunto de vectores que genere el subespacio.
Partiendo de una base {v
1
, v
2
, . . . , v
p
} de un subespacio S, el metodo consiste en generar uno a uno vectores que
son ortogonales a los construidos. Denotamos por S
1
, S
2
, . . . , los subespacios vectoriales denidos por
S
1
= Gen {v
1
} , S
2
= Gen {v
1
, v
2
} , . . . , S
p
= Gen {v
1
, v
2
, . . . , v
p
} = S.
El metodo de Gram-Schmidt consiste en generar los vectores:
u
1
= v
1
S
1
,
u
2
= v
2
proy
S1
(v
2
) S
2
, es decir, u
2
es el unico vector de la forma u
2
= v
2
+u
1
que es ortogonal a u
1
,
u
3
= v
3
proy
S2
(v
3
) S
3
, es decir, u
3
es el unico vector de la forma u
3
= v
3
+ u
1
+ u
2
que es ortogonal a
u
1
y a u
2
,
. . .
Notemos que, puesto que los vectores {v
1
, v
2
, . . . , v
p
} son linealmente independientes, necesariamente los subespacios
S
1
S
2
S
p
= S
146
son todos distintos (dim(S
k
) = k, k = 1, 2, . . . , p), los vectores u
1
, u
2
, . . . , u
p
son todos no-nulos y linealmente inde-
pendientes y se verica que
S
1
= Gen {v
1
} = Gen {u
1
},
S
2
= Gen {v
1
, v
2
} = Gen {u
1
, u
2
} ,
S
3
= Gen {v
1
, v
2
, v
3
} = Gen {u
1
, u
2
, v
3
} = Gen {u
1
, u
2
, u
3
} ,
.
.
.
.
.
.
S
p
= Gen {v
1
, . . . , v
p
} = . . . = Gen {u
1
, , u
p
} .
Teorema (Metodo de ortogonalizacion de Gram-Schmidt). Consideremos una base {v
1
, v
2
, . . . , v
p
} de un
subespacio vectorial S de R
n
. Entonces, los siguientes vectores est an bien denidos
u
1
= v
1
u
2
= v
2
v
2
u
1
||u
1
||
2
u
1
u
3
= v
3
v
3
u
1
||u
1
||
2
u
1
v
3
u
2
||u
2
||
2
u
2
.
.
.
u
p
= v
p
v
p
u
1
||u
1
||
2
u
1

v
p
u
p1
||u
p1
||
2
u
p1
y son no-nulos y ortogonales dos a dos.
(a) {u
1
, u
2
, . . . , u
p
} es una base ortogonal de S = Gen {v
1
, v
2
, . . . , v
p
}.
(b) Para cada k = 1, . . . , p, {u
1
, u
2
, . . . , u
k
} es una base ortogonal de S
k
= Gen {v
1
, v
2
, . . . , v
k
}.
Observaciones.
(a) Si el objetivo es obtener una base ortonormal de S, una vez que se ha obtenido una base ortogonal basta normalizar
los vectores obtenidos.
(b) En cada paso del metodo de Gram-Schmidt que acabamos de describir podramos multiplicar (o dividir) el vector
obtenido por un coeciente no-nulo y seguir los c alculos con dicho vector.
(c) Si el vector v
k
es combinaci on lineal de los anteriores, v
1
, v
2
, ..., v
k1
, al aplicar el metodo de Gram-Schmidt
obtenemos u
k
= 0. Es decir, el metodo de Gram-Schmidt devuelve el vector nulo cuando se aplica a un conjunto
de vectores linealmente dependientes.
5.2. Factorizaciones QR de una matriz.
En terminos generales, con el nombre generico de factorizacion QR de una matriz se suele denominar a las fac-
torizaciones de una matriz A = QR en las que la matriz Q es una matriz con columnas ortogonales o con columnas
ortonormales (o incluso una matriz ortogonal) y la matriz R es una matriz triangular superior.
Teorema. Sea A una matriz m n tal que rango(A) = n (es decir, sus columnas son linealmente independientes).
Entonces A se puede factorizar como A = QR siendo:
Q una matriz mn con columnas ortonormales (que forman una base ortonormal del espacio Col (A)),
R es una matriz n n triangular superior no-singular con elementos diagonales positivos.
Al aplicar el metodo de Gram-Schmidt a los n vectores-columna {a
1
, . . . , a
n
} de la matriz A, que son linealmente
independientes, obtendremos n vectores {u
1
, . . . , u
n
} ortogonales dos a dos relacionados con los vectores columna de
A mediante las igualdades
147
u
1
= a
1
u
2
= a
2
a
2
u
1
||u
1
||
2
u
1
u
3
= a
3
a
3
u
1
||u
1
||
2
u
1
a
3
u
2
||u
2
||
2
u
2
.
.
.
u
p
= a
p
a
p
u
1
||u
1
||
2
u
1

a
p
u
p1
||u
p1
||
2
u
p1
a
1
= u
1
a
2
=
a
2
u
1
||u
1
||
2
u
1
+u
2
a
3
=
a
3
u
1
||u
1
||
2
u
1
+
a
3
u
2
||u
2
||
2
u
2
+u
3
.
.
.
a
p
=
a
p
u
1
||u
1
||
2
u
1
+ +
a
p
u
p1
||u
p1
||
2
u
p1
+u
p
y expresando estas igualdades en forma matricial tenemos
A =
_
_
a
1
a
2
. . . a
n
_
_
=
_
_
u
1
u
2
. . . u
n
_
_
_
_
1
0 1
0 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
= Q
1
R
1
.
Los vectores {u
1
, . . . , u
n
} son ortogonales dos a dos pero pueden ser no unitarios. Para tener una matriz con columnas
ortonormales basta dividir cada columna u
k
por su norma ||u
k
||. Para que la matriz producto no cambie habr a que
multiplicar por ||u
k
|| la la correspondiente de la matriz triangular. Matricialmente, siendo D la matriz diagonal
cuyos elementos diagonales son ||u
1
|| , . . . ||u
n
||, tenemos
A = Q
1
R
1
=
_
Q
1
D
1
_
(DR
1
) = QR.
La matriz Q = Q
1
D
1
es una matriz con las mismas dimensiones que A (m n) y con columnas ortonormales
Q
T
Q = I
n
y la matriz R = DR
1
es una matriz cuadrada n n triangular superior no-singular.
Ejercicio resuelto
Hallar la factorizacion QR de la matriz
A =
_
_
1 2
0 1
1 4
_
_
.
Queremos escribir la matriz A de dimensi on 32 como producto de dos matrices, una matriz Q de dimensi on 32 con
columnas ortonormales y una matriz R de dimensi on 22, triangular superior y con elementos diagonales estrictamente
positivos y tal que A = QR. Notar que se verican las hipotesis del Teorema que nos permite esta factorizacion ya que
las columnas de la matriz A son linealmente independientes. Para obtener dicha factorizacion, aplicaremos el metodo
de Gram-Schmidt a las columnas de la matriz A. Llamemos a las columnas de A, a
1
y a
2
respectivamente, es decir
a
1
=
_
_
1
0
1
_
_
y a
2
=
_
_
2
1
4
_
_
.
Aplicando Gram-Schmidt, obtendremos dos vectores ortogonales de la siguiente forma:
u
1
= a
1
=
_
_
1
0
1
_
_
,
u
2
= a
2
a
12
u
1
= a
2
a
2
.u
1
u
1
.u
1
u
1
=
_
_
2
1
4
_
_
3
_
_
1
0
1
_
_
=
_
_
1
1
1
_
_
.
(Antes de continuar, debemos comprobar que efectivamente son ortogonales, es decir que u
1
.u
2
= 0). De lo anterior,
obtenemos
a
1
= u
1
,
a
2
= u
2
+a
12
u
1
= u
2
+
a
2
.u
1
u
1
.u
1
u
1
,
148
que expresado en forma matricial
A = [ a
1
| a
2
] = [ u
1
| u
2
]
_
1 a
12
0 1
_
=
_
_
1 1
0 1
1 1
_
_
_
1 3
0 1
_
= Q
1
R
1
.
Puesto que buscamos una matriz Q con columnas ortonormales y Q
1
tiene columnas ortogonales, procedemos del
siguiente modo:
A = [ a
1
| a
2
] = [ u
1
| u
2
]
_
1 a
12
0 1
_
=
_
u
1
u
1
u
2
u
2
_ _
u
1
0
0 u
2
_ _
1 a
12
0 1
_
=
_
u
1
u
1
u
2
u
2
_ _
u
1
a
12
u
1
0 u
2
_
= QR.
Por tanto, normalizamos los vectores obtenidos por Gram-Schmidt, las columnas de la matriz Q seran
y
1
=
u
1
u
1
=
1
2
_
_
1
0
1
_
_
y y
2
=
u
2
u
2
=
1
3
_
_
1
1
1
_
_
.
Y teniendo en cuenta lo anterior, se obtiene que Q =
_
_
1/
2 1/
3
0 1/
3
1/
2 1/
3
_
_
y R =
_
2 3
2
0
3
_
.
Podemos vericar que efectivamente QR = A. Ademas, Q
T
A = R
Ejercicio resuelto
Consideremos la matriz
A =
_
_
1 0 b a
0 1 a b
1 0 b a
0 1 a b
_
_
, a, b R.
Si a = 0 y b = 1, la matriz B =
1
2
A es la matriz de la proyeccion ortogonal sobre un cierto subespacio S R
4
.
(a) Encontrar una base ortonormal del subespacio S.
(b) Calcular la proyeccion ortogonal del vector (1, 1, 1, 1)
T
sobre S
.
Si a = 0 y b = 1 la matriz B es
B =
1
2
A =
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
.
(a) Nos dicen que B es la matriz P
S
de la proyeccion ortogonal sobre un cierto subespacio S R
4
, es decir, que la
proyeccion ortogonal de cualquier vector x R
4
sobre S es Bx. Los vectores v que pertenecen a S son aquellos que
coinciden con su proyeccion ortogonal sobre S, es decir, los que verican Bv = v. Resolviendo este sistema
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
_
_
v
1
v
2
v
3
v
4
_
_
=
_
_
v
1
v
2
v
3
v
4
_
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
_
_
v
1
v
2
v
3
v
4
_
_
=
_
_
0
0
0
0
_
_
v
1
v
3
= 0,
v
2
v
4
= 0,
obtenemos
v =
_
_
1
0
1
0
_
_
+
_
_
0
1
0
1
_
_
, , R S = Gen
_
_
u
1
=
_
_
1
0
1
0
_
_
, u
2
=
_
_
0
1
0
1
_
_
_
_
.
Como la base encontrada ya es ortogonal (u
1
u
2
= 0), basta con dividir por la norma de cada vector para encontrar
una base ortonormal de S: _
_
1
2
_
_
1
0
1
0
_
_
,
1
2
_
_
0
1
0
1
_
_
_
_
.
149
(b) Para calcular la proyeccion ortogonal del vector w = (1, 1, 1, 1)
T
sobre S
, usamos que la matriz de la proyeccion

ortogonal sobre S
, P
S
, vale
P
S
= I P
S
=
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
=
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
con lo que
Proy
S
w = P
S
w =
1
2
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
_
_
1
1
1
1
_
_
=
_
_
0
0
0
0
_
_
,
resultado logico ya que w S, pues verica sus ecuaciones implcitas (halladas en el apartado anterior), x
1
x
3
= 0,
x
2
x
4
= 0 (en particular, podemos ver que w = u
1
+u
2
).
Ejercicio resuelto
Dados el subespacio E de R
4
y la matriz A
E = Gen
_
_
u
1
=
_
_
1
0
0
1
_
_
, u
2
=
_
_
0
1
0
2
_
_
, u
3
=
_
_
0
0
1
1
_
_
_
_
, A =
_
_
a
1
b
1
a
2
2
a
3
b
2
2 b
3
_
_
.
(a) Encontrar la matriz de la proyeccion ortogonal sobre E.
(b) Calcular A sabiendo que Col(A) est a contenido en E
.
(a) Para calcular la matriz de la proyeccion ortogonal P
E
sobre un subespacio E necesitamos una base ortonormal
de E. Pero teniendo en cuenta que P
E
+ P
E
= I, puede ser mas facil calcular primero P
E
a partir de una base
ortonormal de E
. Por tanto, lo mas conveniente es trabajar con el espacio que tenga menor dimensi on entre E y E
.
Por un lado, dim(E) = 3 pues los tres vectores que lo generan son linealmente independientes
_
_
1 0 0
0 1 0
0 0 1
1 2 1
_
_
1 0 0
0 1 0
0 0 1
0 2 1
_
_
1 0 0
0 1 0
0 0 1
0 0 1
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
.
De esta forma, al estar en R
4
, dim(E
) = 4dim(E) = 43 = 1, con lo que es trivial encontrar una base ortonormal

de E
y muy tedioso hallarla para E.

Para trabajar con E
podemos escribir sus ecuaciones implcitas (a partir de un conjunto generador de E; si se

trata de una base de E, entonces tenemos garanta de que no nos sobra ninguna ecuaci on en ese conjunto de ecuaciones
implcitas):
E

_
_
_
x
1
+x
4
= 0
x
2
+ 2x
4
= 0
x
3
+x
4
= 0
_
x
4
R
x
1
= x
4
x
2
= 2x
4
x
3
= x
4
E
= Gen
_
_
_
_
_
_
1
2
1
1
_
_
_
_
_
_
.
Otra forma de encontrar una base de E
es a partir de las ecuaciones implcitas de E, y estas son faciles de calcular

(repetimos la primera eliminacion que hicimos para ver la dimensi on de E, a nadiendo una cuarta columna):
_
_
1 0 0 x
1
0 1 0 x
2
0 0 1 x
3
1 2 1 x
4
_
_
1 0 0 x
1
0 1 0 x
2
0 0 1 x
3
0 2 1 x
4
x
1
_
_
1 0 0 x
1
0 1 0 x
2
0 0 1 x
3
0 0 1 x
4
x
1
2x
2
_
_
1 0 0 x
1
0 1 0 x
2
0 0 1 x
3
0 0 0 x
4
x
1
2x
2
x
3
_
_
,
de donde deducimos que x
1
+ 2x
2
+ x
3
x
4
= 0 es una ecuaci on implcita de E (es recomendable emplear unos
segundos en comprobar que todos los vectores que generan E satisfacen todas las ecuaciones implcitas obtenidas;
en nuestro caso, que los tres vectores verican la ecuaci on). Observemos que obtenemos una sola ecuaci on implcita
pues E tiene dimensi on 3 y es un subespacio de R
4
. A partir de dicha ecuaci on implcita de E deducimos que
E
= Gen{(1, 2, 1, 1)
T
}.
La ventaja de trabajar con E
es que la base obtenida ya es ortogonal (al tener un unico vector) y, por tanto, una
base ortonormal es B
E
= {v
1
=
1
7
(1, 2, 1, 1)
T
}. Construyendo la matriz U = [v
1
] podemos ya calcular la matriz
150
de la proyeccion ortogonal sobre E
que viene dada por

P
E
= UU
T
=
1
7
_
_
1
2
1
1
_
_
1
7
_
1 2 1 1
=
1
7
_
_
1 2 1 1
2 4 2 2
1 2 1 1
1 2 1 1
_
_
.
Es muy facil obtener entonces la matriz de la proyeccion ortogonal sobre E
P
E
= I P
E
=
1
7
_
_
6 2 1 1
2 3 2 2
1 2 6 1
1 2 1 6
_
_
.
Para estar seguros de que las matrices encontradas son las correctas es recomendable comprobar que, al proyectar cada
vector de la base de ese espacio obtenemos el mismo vector, y que, al proyectar cada vector de la base del subespacio
ortogonal obtenemos el vector nulo. Ademas, hay dos comprobaciones inmediatas que si no las satisface una matriz
de proyeccion seguro que est a mal calculada: es siempre una matriz cuadrada, en este caso al estar el subespacio en
R
4
es 4 4 y debe ser simetrica al ser (UU
T
)
T
= (U
T
)
T
U
T
= UU
T
.
Observemos que un camino no recomendable (pues nos puede llevar mucho tiempo y seguramente con errores en los
c alculos) para calcular P
E
consiste en buscar una base de E, {z
1
, z
2
, z
3
}, aplicarle el metodo de GramSchmidt para
conseguir una base ortogonal, {t
1
, t
2
, t
3
}, dividir por las normas de los vectores para conseguir una base ortonormal y
construir la matriz
U =
_
t
1
||t
1
||
t
2
||t
2
||
t
3
||t
3
||
_
,
con lo que, nalmente, P
E
= UU
T
.
(b) Si Col(A) est a contenido en E
, quiere decir que cada columna de A se puede escribir como combinaci on lineal
de los vectores de cualquier base de E
. Como una base de E
es {(1, 2, 1, 1)
T
}, debe vericarse
_
_
a
1
a
2
a
3
2
_
_
=
_
_
1
2
1
1
_
_
= 2,
a
1
= 2,
a
2
= 4,
a
3
= 2,
;
_
_
b
1
2
b
2
b
3
_
_
=
_
_
1
2
1
1
_
_
= 1,
b
1
= 1,
b
2
= 1,
b
3
= 1,
con lo que la matriz A buscada resulta ser A =
_
_
a
1
b
1
a
2
2
a
3
b
2
2 b
3
_
_
=
_
_
2 1
4 2
2 1
2 1
_
_
.
Un planteamiento equivalente consiste en exigir que la matriz siguiente tenga rango uno
r
_
_
1 a
1
b
1
2 a
2
2
1 a
3
b
2
1 2 b
3
_
_
= r
_
_
1 a
1
b
1
0 a
2
2a
1
2 2b
1
0 a
3
a
1
b
2
b
1
0 a
1
2 b
3
+b
1
_
_
= 1
_
_
a
2
2a
1
= 0,
a
3
a
1
= 0,
a
1
2 = 0,
2 2b
1
= 0,
b
2
b
1
= 0,
b
3
+b
1
= 0,
_
a
1
= 2,
a
2
= 4,
a
3
= 2,
b
1
= 1,
b
2
= 1,
b
3
= 1.
Otra posibilidad es exigir que las columnas de A veriquen las tres ecuaciones implcitas de E
obtenidas en el primer
apartado.
Ejercicio resuelto
Consideremos el subespacio E de R
3
denido mediante x z = 0 y la aplicacion lineal f : R
3
R
3
representada
(en la base canonica de R
3
) por la matriz
A =
_
_
3 2 1
0 1 2
2 1 0
_
_
.
(a) Hallar la proyeccion ortogonal del vector (1, 1, 1)
T
sobre el subespacio f(E).
(b) Encontrar la matriz de la proyeccion ortogonal sobre el subespacio [f(E)]
.
151
(a) A partir de las ecuaciones implcitas de E, x z = 0, es inmediato deducir (resolviendo la ecuaci on que dene a
E) que:
E = Gen
_
_
_
v
1
=
_
_
1
0
1
_
_
, v
2
=
_
_
0
1
0
_
_
_
_
_
.
Si x es un vector de E, x E, entonces se podra escribir como x =
1
v
1
+
2
v
2
y su transformado, mediante la
transformaci on lineal f, sera f(x) = f(
1
v
1
+
2
v
2
) =
1
f(v
1
) +
2
f(v
2
) es decir, que si E = Gen {v
1
, v
2
} entonces,
f(E) = Gen {f(v
1
), f(v
2
)}. Calculamos pues
f(v
1
) = Av
1
=
_
_
3 2 1
0 1 2
2 1 0
_
_
_
_
1
0
1
_
_
=
_
_
4
2
2
_
_
,
f(v
2
) = Av
2
=
_
_
3 2 1
0 1 2
2 1 0
_
_
_
_
0
1
0
_
_
=
_
_
2
1
1
_
_
,
con lo que f(E) = Gen {(4, 2, 2)
T
, (2, 1, 1)
T
} = Gen {w = (2, 1, 1)
T
}.
Puesto que dim(f(E)) = 1 y se trata de un subespacio de R
3
, entonces dim([f(E)]
) = 2, con lo que es mas facil

proyectar sobre f(E) que sobre [f(E)]
.
Cuidado, no hay que confundir [f(E)]
con f(E
). Este ultimo viene generado por f[(1, 0, 1)

T
] = (2, 2, 2)
T
, ya
que E
= Gen {(1, 0, 1)
T
}, mientras que una ecuaci on implcita que dene [f(E)]
es 2x + y + z = 0 y, por tanto,
resolviendo esta ecuaci on, [f(E)]
= Gen {u
1
= (1, 2, 0)
T
, u
2
= (0, 1, 1)
T
}.
Para proyectar sobre un subespacio necesitamos conocer una base ortogonal suya. Puesto que una base de f(E) es
w = (2, 1, 1)
T
(que es ortogonal al estar formada por un unico vector) ya podemos proyectar el vector u = (1, 1, 1)
T
sobre f(E)
Proy
f(E)
u =
u w
w w
w =
0
6
w =
_
_
0
0
0
_
_
.
Este resultado indica que el vector u que hemos proyectado sobre f(E) pertenece a [f(E)]
.
Si preferimos proyectar mediante la matriz de la proyeccion P
f(E)
, la calculamos construyendo U = (w/||w||) de
forma que
P
f(E)
= UU
T
=
6
6
_
_
2
1
1
_
_
6
6
_
2 1 1
_
=
1
6
_
_
4 2 2
2 1 1
2 1 1
_
_
.
Conviene emplear unos segundos en comprobar que la matriz P
f(E)
calculada es correcta (hay dos comprobaciones
inmediatas que si no las satisface seguro que est a mal: es siempre una matriz cuadrada, en este caso al estar el
subespacio en R
3
es 3 3; ademas debe ser simetrica al ser (UU
T
)
T
= (U
T
)
T
U
T
= UU
T
). Para tener garanta de que
est a bien calculada, vemos que P
f(E)
w = w (como la proyeccion de cualquier vector de f(E) sobre f(E) es el propio
vector, basta con comprobarlo con todos los vectores de su base) y que P
f(E)
u
1
= P
f(E)
u
2
= 0 (como la proyeccion de
cualquier vector de [f(E)]
sobre f(E) es el vector nulo, lo vericamos con todos los vectores de la base de [f(E)]
).
De esta forma
Proy
f(E)
u = P
f(E)
u =
1
6
_
_
4 2 2
2 1 1
2 1 1
_
_
_
_
1
1
1
_
_
=
_
_
0
0
0
_
_
.
(b) Por la consideracion de las dimensiones f(E) y de [f(E)]
, la manera mas facil de calcular P

[f(E)]
es teniendo
en cuenta que P
f(E)
+P
[f(E)]
= I. Puesto que ya hemos calculado P
f(E)
, es inmediato que
P
[f(E)]
= I P
f(E)
=
_
_
1 0 0
0 1 0
0 0 1
_
_
1
6
_
_
4 2 2
2 1 1
2 1 1
_
_
=
1
6
_
_
2 2 2
2 5 1
2 1 5
_
_
.
Veamos que si no recurrimos al subespacio ortogonal, es decir, si trabajamos directamente con [f(E)]
los c alculos
seran mas engorrosos. Para calcular la matriz de la proyeccion necesitamos una base ortonormal del subespacio. Como
una ecuaci on implcita de [f(E)]
es 2x +y +z = 0, resolviendo esta ecuaci on, obtenemos una base B

[f(E)]
= {u
1
=
(1, 2, 0)
T
, u
2
= (0, 1, 1)
T
}. Para obtener una base ortogonal vamos a aplicar el metodo de GramSchmidt a esos
dos vectores
w
1
= u
1
=
_
_
1
2
0
_
_
; w
2
= u
2
u
2
w
1
w
1
w
1
w
1
=
_
_
0
1
1
_
_
2
5
_
_
1
2
0
_
_
=
_
_
2/5
1/5
1
_
_
.
152
Conviene comprobar, para detectar posibles errores, que w
1
y w
2
son ortogonales, es decir, que w
1
w
2
= 0.
Por tanto, una base ortogonal de [f(E)]
viene dada por {w

1
, w
2
}. Por comodidad, en vez de w
2
podemos tomar
un m ultiplo suyo para evitar la aparici on de fracciones, obteniendo la base ortogonal
{w
1
= (1, 2, 0)
T
, w
2
= (2, 1, 5)
T
}.
Dividiendo por su norma conseguimos una base ortonormal de [f(E)]
, B
[f(E)]
=
_
w1
||w1||
,
w
2
||w
2
||
_
, a partir de la cual
construimos la matriz U =
_
w1
||w1||
2
||w
2
||
_
con lo que
P
[f(E)]
= UU
T
=
_
_
_
5
5
30
15
5
5
30
30
0
30
6
_
_
_
_

5
5

2
5
5
0
30
15
30
30

30
6
_
=
1
6
_
_
2 2 2
2 5 1
2 1 5
_
_
.
Observemos que una alternativa a aplicar el metodo de Gram-Schmidt es buscar con cuidado una base ortogonal
de [f(E)]
. Como su ecuaci on implcita es 2x +y +z = 0, elegimos un primer vector cualquiera (cuanto mas sencillo
mejor, pues en la solucion aparecen dos par ametros) que verique esa ecuaci on, por ejemplo, z
1
= (1, 2, 0)
T
. Ahora
un segundo vector, z
2
= (a, b, c)
T
, lo determinamos exigiendo que verique la ecuaci on anterior y que sea perpendicular
a z
1
, es decir, debe vericar 2a + b + c = 0, a 2b = 0. Elegimos un vector cualquiera (en la solucion aparece un
par ametro) que verique este sistema, por ejemplo, z
2
= (2, 1, 5)
T
. La base ortogonal encontrada es {z
1
, z
2
}.
Ejercicio resuelto
Hallar la proyeccion ortogonal del vector (3, 4, 5)
T
sobre el subespacio f(E) siendo f la aplicacion lineal dada
por la matriz
A =
_
_
1 0 1
1 1 0
0 1 1
_
_
y E el subespacio de R
3
dado por x y z = 0.
A partir de las ecuaciones implcitas de E, x y z = 0, es inmediato deducir (resolviendo la ecuaci on que dene a
E) que:
E = Gen
_
_
_
v
1
=
_
_
1
1
0
_
_
, v
2
=
_
_
1
0
1
_
_
_
_
_
.
Si x es un vector de E, x E, entonces se podra escribir como x =
1
v
1
+
2
v
2
y su transformado, mediante la
transformaci on lineal f, sera f(x) = f(
1
v
1
+
2
v
2
) =
1
f(v
1
) +
2
f(v
2
) es decir, que si E = Gen {v
1
, v
2
} entonces,
f(E) = Gen {f(v
1
), f(v
2
)}. Calculamos pues
f(v
1
) = Av
1
=
_
_
1 0 1
1 1 0
0 1 1
_
_
_
_
1
1
0
_
_
=
_
_
1
0
1
_
_
,
f(v
2
) = Av
2
=
_
_
1 0 1
1 1 0
0 1 1
_
_
_
_
1
0
1
_
_
=
_
_
2
1
1
_
_
.
Puesto que dim(f(E)) = 2 (pues f(v
1
) y f(v
2
) son linealmente independientes) y estamos en R
3
entonces dim([f(E)]
) =
1, con lo que es mas facil proyectar sobre [f(E)]
. Cuidado, no hay que confundir [f(E)]
con f(E
). Este ultimo
viene generado por f[(1, 1, 1)
T
] = (0, 2, 0)
T
, ya que E
= Gen {(1, 1, 1)
T
}.
Si hallamos las ecuaciones implcitas de f(E) (debe ser una ecuaci on, pues es un subespacio de dimensi on 2 en R
3
)
_
_
1 2 x
0 1 y
1 1 z
_
_
_
_
1 2 x
0 1 y
0 3 z x
_
_
_
_
1 2 x
0 1 y
0 0 z x 3y
_
_
f(E) x + 3y z = 0,
podemos deducir inmediatamente que [f(E)]
= Gen {w = (1, 3, 1)
T
}. Observemos que, por estar en R
3
, podemos
encontrar un vector de [f(E)]
calculando el producto vectorial de f(v

1
) con f(v
2
), f(v
1
) f(v
2
) = (1, 3 1)
T
.
Puesto que w es una base ortogonal de [f(E)]
, ya podemos proyectar ortogonalmente

Proy
[f(E)]
u =
u w
w w
w =
14
11
_
_
1
3
1
_
_
.
153
De esta forma,
Proy
f(E)
u = u Proy
[f(E)]
u =
_
_
3
4
5
_
_
+
14
11
_
_
1
3
1
_
_
=
1
11
_
_
47
2
41
_
_
.
Mencionemos otros caminos que podamos haber seguido, aunque sean menos aconsejables pues son mas largos.
Conocida una base ortogonal de f(E), {w
1
, w
2
} (para lo que tenemos que aplicar el metodo de GramSchmidt
a f(v
1
), f(v
2
) o bien, buscar con cuidado, a partir de la ecuaci on implcita de f(E), x + 3y z = 0, dos vectores
ortogonales) podemos aplicar
Proy
f(E)
u =
u w
1
w
1
w
1
w
1
+
u w
2
w
2
w
2
w
2
.
Si preferimos proyectar sobre f(E) usando la matriz de la proyeccion, lo mas facil es calcular mediante una base
ortonormal de [f(E)]
(como solo tiene un vector, w, basta con dividir por su norma, w/|w|) la matriz P
[f(E)]
y
luego P
f(E)
= I P
[f(E)]
con lo que Proy
f(E)
u = P
f(E)
u. Notemos que si pretendemos calcular la matriz P
f(E)
directamente, necesitamos una base ortonormal de f(E) por lo que tenemos que aplicar el metodo de GramSchmidt
a f(v
1
), f(v
2
) o bien, buscaremos con cuidado, a partir de la ecuaci on implcita de f(E), x + 3y z = 0, dos vectores
ortogonales.
Ejercicio resuelto
Considera los siguientes subespacios de R
4
:
E = Gen
_
_
_
_
1
1
0
1
_
_
,
_
_
1
1
1
2
_
_
,
_
_
1
1
1
0
_
_
_
_
y F x
1
+x
3
+x
4
= 0.
(a) Calcula una base ortogonal de S = E F.
(b) Determina las matrices de la proyeccion ortogonal sobre F y sobre F
.
(c) Sea v = [5 3 4 6]
T
. Halla unos vectores u
1
F y u
2
F
tales que v = u
1
+u
2
.
(a) Para trabajar con EF lo mas facil es unir unas ecuaciones implcitas de E y unas de F y obtener as un conjunto
de ecuaciones implcitas para E F.
Necesitamos pues calcular unas ecuaciones implcitas de E. Puesto que
E = Gen
_
_
_
_
1
1
0
1
_
_
,
_
_
1
1
1
2
_
_
,
_
_
1
1
1
0
_
_
_
_
,
1
, v
2
, v
3
} del subespacio E R
4
, encontrar las ecuaciones implcitas de E es hallar las
condiciones que deben vericar las componentes de un vector de R
4
, x = (x
1
, x
2
, x
3
, x
4
)
T
, para que pertenezca a E,
es decir, para que se pueda escribir como combinaci on lineal del conjunto generador x = c
1
v
1
+ c
2
v
2
+ c
3
v
3
, es decir,
para que existan esos escalares c
i
(v
1
|v
2
|v
3
)c = x, con c = (c
1
, c
2
, c
3
)
T
1
|v
2
|v
3
|x):
_
_
1 1 1 x
1
1 1 1 x
2
0 1 1 x
3
1 2 0 x
4
_
_
1 1 1 x
1
0 2 0 x
2
x
1
0 1 1 x
3
0 1 1 x
4
x
1
_
_
1 1 1 x
1
0 1 1 x
4
x
1
0 2 0 x
2
x
1
0 1 1 x
3
_
_
1 1 1 x
1
0 1 1 x
4
x
1
0 0 2 2x
4
3x
1
+x
2
0 0 2 x
3
+x
4
x
1
_
_
1 1 1 x
1
0 1 1 x
4
x
1
0 0 2 2x
4
3x
1
+x
2
0 0 0 2x
1
x
2
+x
3
x
4
_
_
.
Por tanto, una ecuaci on implcita de E es 2x
1
x
2
+x
3
x
4
= 0. Nos aseguraremos de que no nos hemos equivocado
en los c alculos comprobando que los tres vectores v
1
, v
2
y v
3
satisfacen las ecuaciones implcitas obtenidas (en este
caso, como esos tres vectores son linealmente independientes, dim(E) = 3, y como E R
4
, este subespacio viene
denido por una ecuaci on implcita).
De esta manera, uniendo las ecuaciones implcitas de E y de F:
E F
_
x
1
+x
3
+x
4
= 0,
2x
1
x
2
+x
3
x
4
= 0.
154
Resolviendo este sistema homogeneo podremos encontrar una base de E F:
_
1 0 1 1
2 1 1 1
_
_
1 0 1 1
0 1 1 3
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
= x
3
_
_
_
_
1
1
1
0
_
_
_
_
+x
4
_
_
_
_
1
3
0
1
_
_
_
_
.
Es decir, una base de E F es {u
1
= (1, 1, 1, 0)
T
, u
2
= (1, 3, 0, 1)
T
}. Para conseguir la base ortogonal que nos
piden aplicamos el metodo de GramSchmidt a esos vectores:
w
1
= u
1
=
_
_
_
_
1
1
1
0
_
_
_
_
; w
2
= u
2
u
2
w
1
w
1
w
1
w
1
=
_
_
_
_
1
3
0
1
_
_
_
_
4
3
_
_
_
_
1
1
1
0
_
_
_
_
=
_
_
_
_
1/3
5/3
4/3
1
_
_
_
_
.
Conviene comprobar, para detectar posibles errores, que w
1
y w
2
son ortogonales, es decir, que w
1
w
2
= 0.
Por tanto, una base ortogonal de E F viene dada por {w
1
, w
2
}. Por comodidad, en vez de w
2
podemos tomar un
m ultiplo suyo para evitar la aparici on de fracciones, obteniendo la base ortogonal
{(1, 1, 1, 0)
T
, (1, 5, 4, 3)
T
}.
(b) Para calcular las matrices de la proyeccion ortogonal sobre F, P
F
, y sobre F
, P
F
, lo mas conveniente es trabajar
con el espacio de menor dimensi on. Por un lado, dim(F) = 3 pues F R
4
y est a denido por una ecuaci on implcita.
De esta forma, dim(F
) = 4 dim(F) = 4 3 = 1. Con lo que es trivial encontrar una base ortonormal de F
y muy
muy tedioso hallarla para F.
Como F x
1
+x
2
+x
4
= 0 entonces
F
= Gen
_
_
_
_
_
_
1
0
1
1
_
_
_
_
_
_
= Gen
_
_
_
_
_
_
1/
3
0
1/
3
1/
3
_
_
_
_
_
_
.
Usando esta base ortonormal, la matriz de la proyeccion ortogonal sobre F
viene dada por

P
F
=
_
_
_
_
1/
3
0
1/
3
1/
3
_
_
_
_
_
1/
3 0 1/
3 1/
3
_
=
_
_
1/3 0 1/3 1/3
0 0 0 0
1/3 0 1/3 1/3
1/3 0 1/3 1/3
_
_
=
1
3
_
_
1 0 1 1
0 0 0 0
1 0 1 1
1 0 1 1
_
_
.
Es muy facil obtener entonces la matriz de la proyeccion ortogonal sobre F
P
F
= I P
F
=
_
_
2/3 0 1/3 1/3
0 1 0 0
1/3 0 2/3 1/3
1/3 0 1/3 2/3
_
_
=
1
3
_
_
2 0 1 1
0 3 0 0
1 0 2 1
1 0 1 2
_
_
.
Para estar seguros de que las matrices encontradas son correctas es recomendable comprobar que, al proyectar cada
vector de la base de ese espacio obtenemos el mismo vector, y que, al proyectar cada vector del subespacio ortogonal
obtenemos el vector nulo.
Observemos que un camino no recomendable (pues nos puede llevar mucho tiempo y seguramente con errores en los
c alculos) para calcular P
F
consiste en buscar una base de F, {z
1
, z
2
, z
3
}, aplicarle el metodo de GramSchmidt para
conseguir una base ortogonal, {t
1
, t
2
, t
3
}, dividir por las normas de los vectores para conseguir una base ortonormal y
construir la matriz
U =
_
t
1
||t
1
||
t
2
||t
2
||
t
3
||t
3
||
_
,
con lo que, nalmente, P
F
= UU
T
.
(c) Dado el vector v, pedirnos unos vectores u
1
F y u
2
F
tales que v = u
1
+u
2
, es demandarnos las proyecciones
ortogonales de v sobre F y F
:
v = u
1
+ u
2
= Proy
F
v +Proy
F
v.
Estas proyecciones las calculamos facilmente
u
1
= P
F
v =
1
3
_
_
2 0 1 1
0 3 0 0
1 0 2 1
1 0 1 2
_
_
_
_
_
_
5
3
4
6
_
_
_
_
=
_
_
_
_
4
3
3
7
_
_
_
_
; u
2
= Proy
F
v =
v s
1
s
1
s
1
s
1
=
3
3
s
1
=
_
_
_
_
1
0
1
1
_
_
_
_
.
155
Obviamente, podemos calcular primero Proy
F
v o Proy
F
v y despues encontrar el otro vector aplicando que v =
Proy
F
v +Proy
F
v.
Ejercicio resuelto
Siendo R, consideremos el subespacio H x
1
+x
2
+ 4 x
3
= 0 de R
3
y los vectores
v
1
=
_
_
1
1
2
_
_
y v
2
=
_
_
1
0
2
_
_
.
Determina para que la proyeccion ortogonal de v
1
sobre H sea perpendicular a v
2
.
Nos piden que hallemos exigiendo que Proy
H
v
1
v
2
= 0. Necesitamos pues calcular la proyeccion ortogonal de v
1
sobre el subespacio H, Proy
H
v
1
. Como dim(H) = 2 y H R
3
, entonces dim(H
) = 1, con lo que es mas sencillo

calcular la proyeccion sobre H
= Gen{u = (, 1, 4)
T
}:
Proy
H
v
1
=
v
1
u
u u
u =
9 + 1
17
2
+ 1
_
_
1
4
_
_
=
1
17
2
+ 1
_
_
9
2
+
9 + 1
36
2
+ 4
_
_
.
As,
Proy
H
v
1
= v
1
Proy
H
v
1
=
1
17
2
+ 1
_
_
8
2
+ 1
17
2
9
2
2
4 + 2
_
_
,
con lo que podemos hallar los valores de pedidos exigiendo
Proy
H
v
1
v
2
=
1
17
2
+ 1
_
_
8
2
+ 1
17
2
9
2
2
4 + 2
_
_
_
_
1
0
2
_
_
= 0 4
2
9 + 5 = 0 = 1,
5
4
.
Vamos a comentar un procedimiento alternativo y menos engorroso que el anterior. Como H
= Gen{u}, entonces
Proy
H
v
1
= ku siendo k un n umero que desconocemos. Con esto
Proy
H
v
1
= v
1
Proy
H
v
1
= v
1
ku =
_
_
1 k
1 k
2 4k
_
_
,
y como Proy
H
v
1
H debe vericar su ecuaci on implcita, lo que nos proporciona la siguiente condicion para k y :
(1 k) + (1 k) + 4(2 4k) = 0 17k
2
9 +k 1 = 0. (8)
Esta ecuaci on junto con la que obtenemos al exigir
Proy
H
v
1
v
2
= 0
_
_
1 k
1 k
2 4k
_
_
_
_
1
0
2
_
_
= 5 9k = 0,
forma un sistema de dos ecuaciones con dos inc ognitas
17k
2
9 +k 1 = 0
9k = 5
_
que podemos resolver despejando k de la segunda ecuaci on, k = 5/9 (notemos que no puede anularse porque la
segunda ecuaci on sera incompatible, 0 = 5) y sustituyendo en la primera con lo que llegamos a la misma ecuaci on de
segundo grado para
4
2
9 + 5 = 0 = 1,
5
4
.
Ejercicio resuelto
Dado el subespacio
E = Gen{(a, 0, 0, 0)
T
, (a, a, b, 0)
T
, (a, b, a, 1)
T
}, a, b R.
(a) Hallar una base ortonormal del subespacio E seg un los valores de los par ametros a y b.
(b) Para a = 0, hallar la matriz de la proyeccion ortogonal sobre E, seg un los valores de b.
(c) Dado el subespacio F
_
_
_
x
1
= 0,
5x
1
+x
2
+ 3x
3
= 0,
2x
1
+ 3x
2
x
3
+x
4
= 0,
determinar los valores de a y b para que F sea
ortogonal a E, F = E
.
156
(a) Como nos piden una base ortonormal, primero buscamos una base de E, luego encontramos una base ortogonal
aplicando el metodo de GramSchmidt y, nalmente, dividiendo por la norma de cada vector, una base ortonormal.
Al darnos un conjunto generador de E, para encontrar una base debemos estudiar que vectores son linealmente
independientes. As, para a = 0 obtenemos
_
_
_
_
a a a
0 a b
0 b a
0 0 1
_
_
_
_
F
3
b
a
F
2
-
_
_
_
_
a a a
0 a b
0 0 a
b
2
a
0 0 1
_
_
_
_
_
_
_
_
a a a
0 a b
0 0 1
0 0 0
_
_
_
_
es decir, los tres vectores son linealmente independientes para cualquier valor de b, con lo que una base de E, en este
caso, es {(a, 0, 0, 0)
T
, (a, a, b, 0)
T
, (a, b, a, 1)
T
}.
Observemos que si lo preferimos, en el primer paso del proceso de eliminacion podemos dividir por a = 0 las
tres primeras las y trabajar con la matriz
_
_
_
_
1 1 1
0 1 b/a
0 b/a 1
0 0 1
_
_
_
_
. Podemos entonces, si queremos, tomar como base
{(1, 0, 0, 0)
T
, (1, 1, b/a, 0)
T
, (1, b/a, 1, 1)
T
}.
Cuando a = 0, formamos, con los vectores que generan E, la siguiente matriz
_
_
_
_
0 0 0
0 0 b
0 b 0
0 0 1
_
_
_
_
, con lo que es inmediato
obtener que {(0, 0, b, 0)
T
, (0, b, 0, 1)
T
} es una base si b = 0 (las dos ultimas columnas son linealmente independientes)
y que {(0, 0, 0, 1)
T
} forma una base cuando b = 0 (el unico vector no nulo es el tercero).
Hemos visto pues que: si a = 0 la dimensi on de E es tres, independientemente del valor de b; si a = 0 y b = 0 E
tiene dimensi on dos; si a = b = 0, la dimensi on de E es uno.
Comenzamos con el caso mas sencillo. Si a = b = 0 la base {(0, 0, 0, 1)
T
} ya es ortogonal (pues solo tiene un vector)
y casualmente tambien es ortonormal (pues el vector tiene norma uno).
La segunda situaci on aparece cuando a = 0 y b = 0. La base encontrada, {(0, 0, b, 0)
T
, (0, b, 0, 1)
T
}, coincide
que es ortogonal (el producto escalar de sus dos vectores es nulo) pero no es ortonormal. Basta con dividir ca-
da vector por su norma. La del primero es |b| y la del segundo
b
2
+ 1. Una base ortonormal es, por ejemplo,
{(0, 0, 1, 0)
T
,
1
b
2
+1
(0, b, 0, 1)
T
}. Observemos, como anecdota, que para obtener el primer vector (0, 0, 1, 0)
T
tenemos
que dividir por |b| si b > 0 y por |b| si b < 0.
La ultima posibilidad aparece cuando a = 0 (y cualquier valor de b). En este caso la base obtenida, {v
1
=
(a, 0, 0, 0)
T
, v
2
= (a, a, b, 0)
T
, v
3
= (a, b, a, 1)
T
}, no es ortogonal. Aplicamos el metodo de GramSchmidt para en-
contrar una base ortogonal:
x
1
= v
1
=
_
_
_
_
a
0
0
0
_
_
_
_
, x
2
= v
2
v
2
x
1
x
1
x
1
x
1
=
_
_
_
_
a
a
b
0
_
_
_
_
a
2
a
2
_
_
_
_
a
0
0
0
_
_
_
_
=
_
_
_
_
0
a
b
0
_
_
_
_
,
x
3
= v
3
v
3
x
1
x
1
x
1
x
1
v
3
x
2
x
2
x
2
x
2
=
_
_
_
_
a
b
a
1
_
_
_
_
a
2
a
2
_
_
_
_
a
0
0
0
_
_
_
_
0
a
2
+b
2
_
_
_
_
0
a
b
0
_
_
_
_
=
_
_
_
_
0
b
a
1
_
_
_
_
.
Recordemos que siempre que se aplica el metodo de GramSchmidt conviene comprobar, en cada paso, que el vector
obtenido es ortogonal a todos los anteriores. As, tras el primer paso comprobamos que x
2
x
1
= 0 y tras el segundo
que x
3
x
1
= 0 y x
3
x
2
= 0. Hemos encontrado una base ortogonal de E cuando a = 0, {x
1
, x
2
, x
3
}. Normalizando
cada vector llegamos a la base ortonormal
{(1, 0, 0, 0)
T
,
1
a
2
+ b
2
(0, a, b, 0)
T
,
1
a
2
+b
2
+ 1
(0, b, a, 1)
T
}.
(b) Para calcular la matriz de la proyeccion sobre un subespacio necesitamos una base ortonormal suya (que hemos
calculado en el apartado anterior), formamos una matriz U colocando en sus columnas los vectores de dicha base y la
matriz de la proyeccion buscada se obtiene multiplicando UU
T
.
Nos piden en el caso a = 0, con lo que hay que distinguir entre b = 0 y b = 0. As, para b = 0 obtenemos
U =
_
_
_
_
0
0
0
1
_
_
_
_
P
E
= UU
T
=
_
_
_
_
0
0
0
1
_
_
_
_
_
0 0 0 1
_
=
_
_
_
_
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 1
_
_
_
_
,
157
mientras que para b = 0 llegamos a
U=
_
_
_
_
0 0
0
b
b
2
+1
1 0
0
1
b
2
+1
_
_
_
_
P
E
= UU
T
=
_
_
_
_
0 0
0
b
b
2
+1
1 0
0
1
b
2
+1
_
_
_
_
_
0 0 1 0
0
b
b
2
+1
0
1
b
2
+1
_
=
_
_
_
_
0 0 0 0
0
b
2
b
2
+1
0
b
b
2
+1
0 0 1 0
0
b
b
2
+1
0
1
b
2
+1
_
_
_
_
.
Una comprobaci on inmediata que permite detectar errores en los c alculos es vericar que la matriz de la proyeccion
ortogonal obtenida es simetrica, pues P
T
E
= (UU
T
)
T
= U
T
U = P
E
.
(c) Una forma de resolver este apartado es buscar una base de F y exigir que todos los vectores de dicha base sean
perpendiculares a todos los de cualquier base de E. Resolviendo el sistema de ecuaciones implcitas obtenemos
F
_
_
_
x
1
= 0,
5x
1
+x
2
+ 3x
3
= 0,
2x
1
+ 3x
2
x
3
+x
4
= 0,
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
= x
3
_
_
_
_
0
3
1
10
_
_
_
_
, x
3
R u
_
_
_
_
0
3
1
10
_
_
_
_
,
con lo que el vector u es una base de F, B
F
= {u}. Por tanto, exigiendo perpendicularidad entre todos los vectores
de las bases, B
F
y B
E
= {v
1
, v
2
, v
3
}, llegamos a
u v
1
= 0
u v
2
= 0
u v
3
= 0
_
_
_
u v
1
= 0
u v
2
= 0
u v
3
= 0
_
_
_
0 = 0
3a +b = 0
3b a + 10 = 0
_
_
_
_
a = 1,
b = 3.
Ejercicio resuelto
Sea V R
5
el subespacio formado por los vectores cuyas componentes suman cero. Encontrar el vector de V mas
proximo a w = (1, 2, 3, 4, 5)
T
.
Del enunciado deducimos que V viene denido por la ecuaci on implcita x
1
+x
2
+x
3
+x
4
+x
5
= 0. Sabemos que el
vector de V mas proximo a w es la proyeccion ortogonal de w sobre V , Proy
V
w. Como V R
5
y viene denido por
una ecuaci on implcita, deducimos que dim(V ) = 4 y que dim(V
) = 5 dim(V ) = 5 4 = 1. Ante esta diferencia

entre las dimensiones de V y V
, es obvio que resulta mucho mas facil proyectar ortogonalmente sobre V
que sobre
V .
Recordemos que para proyectar ortogonalmente sobre un subespacio necesitamos una base ortogonal suya. En
nuestro caso, de la ecuaci on implcita de V deducimos que
V
= Gen {u = (1, 1, 1, 1, 1)
T
},
es decir, ya tenemos una base ortogonal (pues solo tiene un vector) de V
, B
V
= {u}. Por tanto,
Proy
V
w =
w u
u u
u =
15
5
u = 3u = (3, 3, 3, 3, 3)
T
,
es decir, el vector que nos piden es
Proy
V
w = w Proy
V
w = (1, 2, 3, 4, 5)
T
(3, 3, 3, 3, 3)
T
= (2, 1, 0, 1, 2)
T
.
Conviene comprobar que el vector encontrado pertenece a V , es decir, que verica su ecuaci on implcita: 2 1 +0 +
1 + 2 = 0.
Si elegimos el camino de proyectar directamente sobre V (cosa totalmente desaconsejable, como podemos ver a
continuacion, por los c alculos tan tediosos que aparecen) procederemos de la siguiente forma. Primero encontramos
una base de V resolviendo su ecuaci on implcita, con lo que llegamos a
V = Gen {v
1
= (1, 1, 0, 0, 0)
T
, v
2
= (1, 0, 1, 0, 0)
T
, v
3
= (1, 0, 0, 1, 0)
T
, v
4
= (1, 0, 0, 0, 1)
T
}.
Como esta base no es ortogonal, aplicamos el metodo de GramSchmidt a esos cuatro vectores:
x
1
= v
1
=
_
_
1
1
0
0
0
_
_
,
158
x
2
= v
2
v
2
x
1
x
1
x
1
x
1
= v
2
1
2
x
1
=
_
_
1/2
1/2
1
0
0
_
_
x
2
=
_
_
1
1
2
0
0
_
_
,
x
3
= v
3
v
3
x
1
x
1
x
1
x
1
v
3
x
2
x
2
x
2
x
2
= v
3
1
2
x
1
1
6
x
2
=
_
_
1/3
1/3
1/3
1
0
_
_
x
3
=
_
_
1
1
1
3
0
_
_
,
x
4
= v
4
v
4
x
1
x
1
x
1
x
1
v
4
x
2
x
2
x
2
x
v
4
x
3
x
3
x
3
x
3
= v
4
1
2
x
1
1
6
x
1
12
x
3
=
_
_
1/4
1/4
1/4
1/4
1
_
_
x
4
=
_
_
1
1
1
1
4
_
_
.
N otese que hemos introducido el vector x
2
(m ultiplo de x
2
) para evitar la aparici on de fracciones en los c alculos
posteriores. El mismo comentario justica la introduccion de x
3
y x
4
.
Para detectar posibles errores, comprobamos: despues del primer paso que x
2
es perpendicular a x
1
(x
1
x
2
= 0)
y que pertenece a V (que verica su ecuaci on implcita, x
1
+ x
2
+ x
3
+ x
4
+ x
5
= 0); despues del segundo paso, que
x
3
1
y a x
2
y que pertenece a V ; despues del tercer y ultimo paso, que x
4
1
,
a x
2
y a x
3
y que pertenece a V .
Con la base ortogonal de V encontrada llegamos a
Proy
V
w =
w x
1
x
1
x
1
x
1
+
w x
2
x
2
x
2
x
2
+
w x
3
x
3
x
3
x
3
+
w x
4
x
4
x
4
x
4
=
1
2
x
1
+
3
6
x
2
+
6
12
x
3
+
10
20
x
4
= (2, 1, 0, 1, 2)
T
.
Observemos que una alternativa a aplicar el metodo de Gram-Schmidt es buscar con cuidado una base ortogonal de
V . Como su ecuaci on implcita es x
1
+x
2
+x
3
+x
4
+x
5
= 0, elegimos un primer vector cualquiera (cuanto mas sencillo
mejor, pues en la solucion aparecen cuatro par ametros) que verique esa ecuaci on, por ejemplo, w
1
= (1, 1, 0, 0, 0)
T
.
Ahora un segundo vector, w
2
= (a, b, c, d, e)
T
, lo determinamos exigiendo que verique la ecuaci on anterior y que
sea perpendicular a w
1
, es decir, debe vericar a + b + c + d + e = 0, a b = 0. Elegimos un vector cualquiera
(cuanto mas sencillo mejor, pues en la solucion aparecen tres par ametros) que verique este sistema, por ejemplo,
w
2
= (1, 1, 2, 0, 0)
T
. Un tercer vector, w
3
= (a, b, c, d, e)
T
, lo determinamos exigiendo que verique la ecuaci on de V
y que sea perpendicular a w
1
y a w
2
, es decir, debe vericar a+b+c+d+e = 0, ab = 0, a+b2c = 0. Elegimos un
vector cualquiera (cuanto mas sencillo mejor, pues en la solucion aparecen dos par ametros) que verique este sistema,
por ejemplo, w
3
= (1, 1, 1, 3, 0)
T
. Por ultimo, un cuarto vector, w
4
= (a, b, c, d, e)
T
, lo determinamos exigiendo que
verique la ecuaci on de V y que sea perpendicular a w
1
, a w
2
y a w
3
, es decir, debe vericar a + b + c + d + e =
0, a b = 0, a +b 2c = 0, a +b +c 3d = 0. Elegimos un vector cualquiera (en la solucion aparecen los m ultiplos
de (1, 1, 1, 1, 4)
T
) que verique este sistema, por ejemplo, w
4
= (1, 1, 1, 1, 4)
T
. De esta forma, una base ortogonal
de V sera {w
1
, w
2
, w
3
, w
4
}.
Notemos que si queremos calcular las matrices de la proyeccion ortogonal sobre V , P
V
, y sobre V
, P
V
, conviene
calcular primero P
V
(usando una base ortonormal de V
):
P
V
=
_
_
_
_
_
_
1/
5
1/
5
1/
5
1/
5
1/
5
_
_
_
_
_
_
_
1/
5 1/
5 1/
5 1/
5 1/
5
_
=
1
5
_
_
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
_
_
,
y luego, trivialmente que
P
V
= I P
V
=
1
5
_
_
4 1 1 1 1
1 4 1 1 1
1 1 4 1 1
1 1 1 4 1
1 1 1 1 4
_
_
.
Con P
V
ya podemos calcular Proy
V
w: Proy
V
w = P
V
w = (3, 3, 3, 3, 3)
T
y, por tanto, obtenemos Proy
V
w =
w Proy
V
w = (2, 1, 0, 1, 2)
T
.
Si trabajamos con P
V
, entonces Proy
V
w = P
V
w = (2, 1, 0, 1, 2)
T
.
159
Ejercicio resuelto
Consideremos la base B =
_
_
_
_
_
1
2
3
_
_
,
_
_
1
1
2
_
_
,
_
_
1
2
6
_
_
_
_
_
.
(a) Determinar las matrices de cambio de base entre B y la base canonica.
(b) Calcular todos los vectores de R
3
cuyas coordenadas son las mismas en la base B que en la base canonica.
(c) Calcular la proyeccion ortogonal del vector [3 0 1 2 1]
T
sobre el subespacio de R
5
cuyas ecuaciones implcitas
son
_
x
1
+x
2
+ x
4
x
5
=0,
2x
1
+x
3
+2x
4
=0.
(d) Demostrar que Nul (M) Nul (M
2
) para cualquier matriz cuadrada M.
(a) Tenemos que encontrar dos matrices. La primera de ellas, correspondiente al paso de la base B a la base canonica
(que denotaremos por E), no es mas que
P
B
= P
EB
=
_
_
1 1 1
2 1 2
3 2 6
_
_
,
donde hemos situado, por columnas, los vectores de la base B. La matriz de paso de la base canonica a la base B es
la inversa de la anterior, es decir,
P
BE
= P
1
EB
=
_
_
1 1 1
2 1 2
3 2 6
_
_
1
=
1
3
_
_
2 4 1
6 3 0
1 1 1
_
_
.
Esta inversa se puede calcular, por ejemplo, por el metodo de Gauss-Jordan:
_
_
1 1 1 1 0 0
2 1 2 0 1 0
3 2 6 0 0 1
_
_

_
_
1 1 1 1 0 0
0 1 0 2 1 0
0 1 3 3 0 1
_
_
_
_
1 1 1 1 0 0
0 1 0 2 1 0
0 0 3 1 1 1
_
_
_
_
1 1 1 1 0 0
0 1 0 2 1 0
0 0 1 1/3 1/3 1/3
_
_
_
_
1 1 0 4/3 1/3 1/3
0 1 0 2 1 0
0 0 1 1/3 1/3 1/3
_
_
_
_
1 0 0 2/3 4/3 1/3
0 1 0 2 1 0
0 0 1 1/3 1/3 1/3
_
_
.
(b) Queremos aquellos vectores de R
3
cuyas coordenadas coinciden en la base canonica y en B, es decir, aquellos
vectores v = [x y z]
T
, tales que P
B
v = v. Escrito en forma de sistema queda
_
_
1 1 1
2 1 2
3 2 6
_
_
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
,
o, equivalentemente,
_
_
0 1 1
2 0 2
3 2 5
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
,
ya que este ultimo sistema no es mas que (P
B
I)v = 0.
Una simple eliminacion de Gauss transforma este sistema en otro equivalente,
_
_
0 1 1
2 0 2
3 2 5
_
_
_
_
2 0 2
0 1 1
3 2 5
_
_
_
_
1 0 1
0 1 1
3 2 5
_
_
_
_
1 0 1
0 1 1
0 2 2
_
_
_
_
1 0 1
0 1 1
0 0 0
_
_
,
que, una vez resuelto, tiene como solucion
_
_
x
y
z
_
_
= z
_
_
1
1
1
_
_
, siendo z R, una variable libre.
160
(c) Para simplicar, llamemos S al subespacio y u al vector que nos dan. Ya que la dimensi on de S es 3 (viene denido
por dos ecuaciones implcitas independientes en R
5
) y estamos trabajando en R
5
, es conveniente calcular la proyeccion
ortogonal sobre S
, que tiene menor dimensi on (en concreto su dimensi on es 2).

Una base de S
se obtiene directamente de los coecientes de las ecuaciones implcitas de S, ya que dan lugar a
dos vectores linealmente independientes:
_
_
v
1
=
_
_
1
1
0
1
1
_
_
, v
2
=
_
_
2
0
1
2
0
_
_
_
_
.
Estos vectores no son ortogonales, as que vamos a aplicarles el metodo de Gram-Schmidt:
w
1
= v
1
=
_
_
1
1
0
1
1
_
_
; w
2
= v
2
v
2
w
1
w
1
w
1
w
1
=
_
_
2
0
1
2
0
_
_
1
_
_
1
1
0
1
1
_
_
=
_
_
1
1
1
1
1
_
_
.
De este modo, hemos obtenido una base ortogonal de S
:
B
S
=
_
_
w
1
=
_
_
1
1
0
1
1
_
_
, w
2
=
_
_
1
1
1
1
1
_
_
_
_
.
Si nos pidiesen la matriz de la proyeccion ortogonal, necesitaramos normalizar los vectores y despues multiplicar la
matriz que se obtuviese a partir de ellos, coloc andolos por columnas, por su traspuesta. Esto nos llevara a trabajar con
fracciones y radicales hasta llegar a una matriz 55, que en este caso, no es necesaria. Para proyectar ortogonalmente
un vector sobre un subespacio basta con tener una base ortogonal de este:
Proy
S
u =
u w
1
w
1
w
1
w
1
+
u w
2
w
2
w
2
w
2
= 1
_
_
1
1
0
1
1
_
_
+
7
5
_
_
1
1
1
1
1
_
_
=
_
_
12/5
2/5
7/5
12/5
2/5
_
_
.
Volviendo al subespacio original, S, el vector pedido no es mas que
Proy
S
u = u Proy
S
u =
_
_
3
0
1
2
1
_
_
12/5
2/5
7/5
12/5
2/5
_
_
=
_
_
3/5
2/5
2/5
2/5
3/5
_
_
.
(d) Si un vector v pertenece a Nul (M) signica que Mv = 0. Si multiplicamos esta expresion por M quedara M
2
v =
M0 = 0, por lo que v tambien pertenece a Nul (M
2
).
6. Ejercicios.
Ejercicio 1. Dados los subespacios
E = Gen
_
_
_
_
1
0
2
1
_
_
,
_
_
2
1
2
3
_
_
,
_
_
0
1
2
1
_
_
_
_
y F
_
_
_
2x +y + 3z t = 0,
3x + 2y 2t = 0,
3x +y + 9z t = 0,
obtener una base y unas ecuaciones implcitas de E
y de F
.
161
Ejercicio 2. Descomponer el vector (1, 3, 1, 4)
T
en suma de dos vectores u +v siendo u proporcional a (2, 1, 0, 1)
T
y v u.
Ejercicio 3. Hallar la proyeccion ortogonal de los siguientes vectores sobre los subespacios que se indican:
(a) (4, 1, 3, 2)
T
sobre el subespacio denido por x
1
+x
2
+x
3
+x
4
= 0.
(b) (1, 1, 1, 1)
T
sobre el subespacio de R
4
dado por:
E
_
x y +z 2t = 0,
y +z = 0.
(c) (3, 4, 5)
T
sobre el subespacio f(E) siendo f la aplicacion lineal dada por la matriz
A =
_
_
1 0 1
1 1 0
0 1 1
_
_
y E el subespacio de R
3
dado por x y z = 0.
Ejercicio 4. Dados los subespacios de R
3
,
E {3x +y 2z = 0} y F {x + 7y +z = 0, x y z = 0},
obtener una base de (E +F)
.
Ejercicio 5. Dadas las bases ortonormales de R
2
B
1
=
_
u
1
=
_
1/
2, 1/
2
_
T
, u
2
=
_
1/
2, 1/
2
_
T
_
y
B
2
=
_
w
1
=
_
1/2,
3/2
_
T
, w
2
=
_
3/2, 1/2
_
T
_
hallar la matriz correspondiente al cambio de una de esas bases a la otra. Comprobar que la matriz de paso es ortogonal.
Ejercicio 6. Hallar el vector perteneciente al subespacio de R
4
generado por los vectores
(2, 0, 1, 2)
T
, (1, 2, 2, 0)
T
y (1, 2, 0, 2)
T
que est a mas cerca del vector (1, 1, 1, 1)
T
.
Ejercicio 7. Hallar la matriz de la proyeccion ortogonal sobre cada uno de los siguientes subespacios de R
4
:
(a) el subespacio generado por (0, 2, 1, 0)
T
y (1, 1, 0, 1)
T
.
(b) el subespacio generado por (0, 0, 2, 1)
T
y (1, 1, 1, 0)
T
.
(c) Sobre E y E
, siendo E
_
x 3y +z +t = 0
2x 5y +z + 2t = 0
Comprobar que, como debe ser, la suma de ambas matrices
vale I.
Ejercicio 8. Dado el subespacio S R
3
denido por x
1
2x
2
+ 2x
3
= 0, se pide:
(a) Hallar la matriz de la proyeccion ortogonal sobre S. Cual es la matriz de la proyeccion ortogonal sobre S
?
(b) Obtener una base de S
.
(c) Demostrar que Col (A) = S, siendo
A =
_
_
2 0
0 1
1 1
_
_
.
162
(d) Dado el vector v = (1, 1, 1)
T
, calcular el vector de S que dista menos de v.
Ejercicio 9. Aplicar el metodo de Gram-Schmidt a la siguiente base de R
4
:
_
(1, 0, 1, 0)
T
, (1, 1, 0, 0)
T
, (0, 1, 1, 1)
T
, (0, 1, 1, 0)
T
_
.
Si denimos A = (v
1
|v
2
|v
3
|v
4
), encontrar una factorizacion QR de A.
Ejercicio 10. La proyeccion ortogonal del vector v = (5, 2, 3)
T
sobre la recta x = y, y = z es:
(1, 1, 1)
T
.
(3, 3, 3)
T
.
(2, 2, 2)
T
.
Ejercicio 11. Halla una base ortonormal de Col (A) y otra de Nul (A) siendo
A =
_
_
1 1 0
0 1 1
1 1 1
1 1 1
_
_
.
Ejercicio 12. Hallar la factorizacion QR de las matrices:
A =
_
_
1 1
0 1
1 0
_
_
, B =
_
_
1 1
1 2
2 1
_
_
.
Ejercicio 13. Dado el subespacio
E = Gen
_
(a, 0, 0, 0)
T
, (a, a, b, 0)
T
, (a, b, a, 1)
T
_
con a, b R.
(1) Hallar una base ortonormal del subespacio E seg un los valores de a y b.
(2) Hallar la matriz de la proyeccion ortogonal sobre E, cuando a = 0.
(3) Calcular los valores de los par ametros a y b tales que el subespacio dado por las ecuaciones
_
_
_
x
1
= 0
5x
1
+x
2
+ 3x
3
= 0
2x
1
+ 3x
2
x
3
+x
4
= 0
sea ortogonal a E.
Ejercicio 14. Sea A una matriz cuadrada de orden 25 cuyo rango es 21. Que sucede al aplicar el metodo de
Gram-Schmidt a los vectores columna de A? Cuantas veces? Por que?
163
Tema 9.- Mnimos cuadrados.
1. Problemas de mnimos cuadrados. Ecuaciones normales de Gauss.
2. Ajuste de curvas, regresion lineal.
3. Ejercicios.
1. Problemas de mnimos cuadrados. Ecuaciones normales de Gauss.
En terminos generales, resolver un problema en el sentido de los mnimos cuadrados es sustituir un problema en
el que hay que resolver un sistema de ecuaciones (que no tiene solucion) por el problema de minimizar una suma de
cuadrados.
Ejemplo. El problema de la regresion lineal. Si consideramos dos magnitudes, x e y, de las que suponemos
que est an relacionadas mediante una igualdad del tipo y = ax + b, donde tenemos que determinar a y b mediante la
obtencion de resultados experimentales, y dichos resultados son
x x
1
x
2
x
n
y y
1
y
2
y
n
los valores a y b los obtendremos de la resolucion del sistema de ecuaciones lineales
ax
1
+b = y
1
ax
2
+b = y
2

ax
n
+b = y
n
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
a
b
_
=
_
_
y
1
y
2
.
.
.
y
n
_
_
,
pero lo habitual es que un sistema de ecuaciones como el anterior no tenga solucion. Resolver el sistema anterior en el
sentido de los mnimos cuadrados consiste en determinar los valores a y b para los cuales la suma de cuadrados
(ax
1
+b y
1
)
2
+ (ax
2
+b y
2
)
2
+ + (ax
n
+b y
n
)
2
es mnima (si hubiera solucion, del sistema dado, dicho valor mnimo sera cero). Puesto que esta suma de cuadrados
es el cuadrado de la norma del vector
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
a
b
_
_
y
1
y
2
.
.
.
y
n
_
_
,
y los vectores de la forma
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
a
b
_
, a, b R,
forman el espacio columna S de la matriz considerada, resolver el sistema en mnimos cuadrados es determinar el
vector de S mas cercano al termino independiente considerado y resolver el sistema (que sera compatible) con ese
nuevo termino independiente.
Para un sistema generico de ecuaciones lineales Ax = b, resolverlo en el sentido de los mnimos cuadrados es
determinar el vector (o vectores) x R
n
para los cuales
||Ax b|| es mnima.
Puesto que los vectores Ax recorren el espacio columna de A (cuando x recorre R
n
), ||Ax b|| sera mnima para los
vectores x R
n
tales que Ax es igual a la proyeccion ortogonal de b sobre el espacio Col (A).
R
n
R
m
O
O
x
b
proy
S
(b)
A
Ax
Col (A)
164
Teorema. Consideremos un sistema de ecuaciones Ax = b, A matriz real mn, b R
m
, S = Col (A) y sea x R
n
.
Son equivalentes:
(a) x es solucion en mnimos cuadrados del sistema Ax = b, es decir,
||A x b|| ||Ax b|| , x R
n
.
(b) x verica A x = proy
S
(b).
(c) x verica las ecuaciones normales de Gauss: A
T
A x = A
T
b.
Observaciones.
(a) El sistema de ecuaciones Ax = proy
S
(b) (sistema mn) y el sistema A
T
Ax = A
T
b (sistema n n) son siempre
compatibles y tienen el mismo conjunto de soluciones.
(b) El sistema Ax = proy
S
(b) sera compatible determinado (es decir, el problema en mnimos cuadrados tendra solu-
cion unica) si y solo si el sistema homogeneo asociado Ax = 0 tiene solucion unica. Por tanto,
el sistema Ax = b tiene solucion unica
en mnimos cuadrados

las columnas de A son linealmente inde-
pendientes (rango(A) = n).
2. Ajuste de curvas, regresion lineal.
En el epgrafe anterior hemos planteado el problema de la regresion lineal. Resolviendo en mnimos cuadrados el
sistema planteado se obtiene la recta de regresion de y sobre x (en el planteamiento del sistema, la variable
y est a expresada en funci on de x) para la nube de puntos dada. Notemos que la resolucion en mnimos cuadrados
considerada consiste en determinar la recta que hace mnima la suma de cuadrados de las distancias sobre la vertical
de los puntos dados a la recta.
X
Y
x
k
y
k
ax
k
+b
y = ax +b
De forma similar (y resultado distinto, por lo general) podramos haber planteado el problema de determinar una
recta x = y + que pase por los puntos (x
k
, y
k
), k = 1, . . . , n dados. Por lo general, el sistema resultante
y
1
+ = x
1
y
2
+ = x
2

y
n
+ = x
n
_
_
y
1
1
y
2
1
.
.
.
.
.
.
y
n
1
_
_
_

_
=
_
_
x
1
x
2
.
.
.
x
n
_
_
no tiene solucion y su resolucion en el sentido de los mnimos cuadrados permite determinar la recta que hace mnima
la suma de cuadrados de las distancias sobre la horizontal de los puntos dados a la recta. La recta que se obtiene
mediante la resolucion en mnimos cuadrados del sistema anterior se denomina recta de regresion de x sobre y
para la nube de puntos dada. Notemos que cualquier recta que no sea paralela a ninguno de los ejes coordenados puede
expresarse mediante y = ax + b y mediante x = y + . Sin embargo, no es equivalente resolver en el sentido de los
mnimos cuadrados el sistema asociado a una u otra expresi on.
165
X
Y
x
k
y
k
y
k
+
x = y +
Desde un punto de vista mas generico que el de la regresion lineal (ajustar una recta a una nube de puntos), puede
considerarse el problema de ajustar, a una nube de puntos del plano (x
1
, y
1
), . . . , (x
n
, y
n
), una curva de un cierto tipo
(dada por un tipo de ecuaci on explcita y = f(x) o implcita F(x, y) = 0). As, podemos considerar el problema de
determinar
la par abola (de eje principal vertical) y = ax
2
+bx +c,
la circunferencia x
2
+ y
2
+ax +by +c = 0
. . .
que mejor se ajusta, en el sentido de los mnimos cuadrados, a una nube de puntos dada. En cualquier
caso, se trata de problemas que llevan a sistemas de ecuaciones lineales que no tienen solucion y se resuelven en el
sentido de los mnimos cuadrados.
Un planteamiento similar al de ajustar una curva a una nube de puntos es valido para ajustar una supercie en
R
3
de un tipo prejado a una determinada nube de puntos
(x
1
, y
1
, z
1
), . . . , (x
n
, y
n
, z
n
).
Por ejemplo, puede considerarse el problema de ajustar, en el sentido de los mnimos cuadrados,
un plano dado por la ecuaci on z = ax +by +c (regresion lineal z sobre (x, y)),
una esfera de ecuaci on x
2
+y
2
+z
2
+ ax +by +cz +d = 0,
. . .
a los puntos dados.
Ejercicio resuelto
Encontrar la recta y = x+ que mejor ajusta, en el sentido de los mnimos cuadrados, a la nube de puntos (0, 2),
(1, 6) y (3, 0).
Queremos ajustar la nube de puntos (0, 2), (1, 6) y (3, 0) por una recta del tipo y = x+. En primer lugar escribimos
el sistema correspondiente Ax = b, despues calculamos las ecuaciones normales de Gauss, A
T
Ax = A
T
b, y nalmente
las resolvemos.
As, cada punto da lugar a una ecuaci on, y podemos identicar A, x y b:
(0, 2) 2 = 0 +
(1, 6) 6 = 1 +
(3, 0) 0 = 3 +
_
_
_
_
_
0 1
1 1
3 1
_
_
_

_
=
_
_
2
6
0
_
_
A =
_
_
0 1
1 1
3 1
_
_
, x =
_

_
, b =
_
_
2
6
0
_
_
.
Las ecuaciones normales de Gauss, A
T
Ax = A
T
b, son pues
_
0 1 3
1 1 1
_
_
_
0 1
1 1
3 1
_
_
_

_
=
_
0 1 3
1 1 1
_
_
_
2
6
0
_
_
_
10 4
4 3
__

_
=
_
6
8
_
_
5 2
4 3
__

_
=
_
3
8
_
166
y resolviendolas obtenemos
_
5 2 3
4 3 8
_
_
20 8 12
20 15 40
_
_
20 8 12
0 7 28
_
_
5 2 3
0 1 4
_

_
= 1,
= 4,
con lo que la recta que mejor ajusta a la nube de puntos en el sentido de los mnimos cuadrados es
y = x + 4.
Ejercicio resuelto
Por el metodo de los mnimos cuadrados, ajustar una par abola y = ax
2
+ bx + c a los puntos (1, 3), (1, 1),
(1, 2), (1, 1).
Si exigimos que los puntos pertenezcan a la par abola, obtenemos el siguiente sistema (una ecuaci on por cada punto):
_
_
3 = 1
2
a + 1 b +c
1 = 1
2
a + 1 b +c
2 = (1)
2
a + (1)b +c
1 = (1)
2
a + (1)b +c
_
a +b +c = 3
a +b +c = 1
a b +c = 2
a b +c = 1
_
1 1 1 3
1 1 1 1
1 1 1 2
1 1 1 1
_
_
1 1 1 3
0 0 0 4
0 2 0 5
0 2 0 2
_
_
que obviamente es incompatible (comp arense, por ejemplo, las dos primeras ecuaciones). Escribimos y resolvemos las
ecuaciones normales de Gauss, A
T
Ax = A
T
b,
_
_
4 0 4
0 4 0
4 0 4
_
_
_
_
a
b
c
_
_
=
_
_
1
3
1
_
_
_
_
4 0 4 1
0 4 0 3
4 0 4 1
_
_
_
_
4 0 4 1
0 4 0 3
0 0 0 0
_
_
_
_
a
b
c
_
_
=
_
_
1
4
c
3
4
c
_
_
que resultan ser un sistema compatible indeterminado (c R). Es decir, las par abolas
y =
_
1
4
+c
_
x
2
3
4
x +c, c R
son la solucion al problema planteado.
Ejercicio resuelto
Encontrar la circunferencia de la familia
x
2
+y
2
+ax +by +c = 0
que mejor se ajuste, en el sentido de los mnimos cuadrados, a los puntos (0, 0), (1, 0), (0, 1) y (1, 1), indicando las
coordenadas del centro y el radio de la misma.
Exigimos que cada punto pertenezca a la circunferencia ax +by +c = x
2
y
2
, con lo que obtenemos el sistema, de
cuatro ecuaciones y tres inc ognitas,
(0, 0) : 0 a + 0 b + c = 0
2
0
2
= 0
(1, 0) : 1 a + 0 b + c = 1
2
0
2
= 1
(0, 1) : 0 a + 1 b + c = 0
2
1
2
= 1
(1, 1) : 1 a + 1 b + c = 1
2
1
2
= 2
que matricialmente se puede escribir como Ax = b
_
_
0 0 1
1 0 1
0 1 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
_
_
0
1
1
2
_
_
_
_
.
El sistema que debemos resolver para encontrar la solucion en el sentido de los mnimos cuadrados es el que nos
proporcionan las ecuaciones normales de Gauss, A
T
Ab = A
T
b,
_
_
0 1 0 1
0 0 1 1
1 1 1 1
_
_
_
_
0 0 1
1 0 1
0 1 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
0 1 0 1
0 0 1 1
1 1 1 1
_
_
_
_
_
_
0
1
1
2
_
_
_
_
_
_
2 1 2
1 2 2
2 2 4
_
_
_
_
a
b
c
_
_
=
_
_
3
3
4
_
_
167
que resolvemos facilmente
_
_
2 1 2 3
1 2 2 3
2 2 4 4
_
_
_
_
1 2 2 3
2 1 2 3
1 1 2 2
_
_
_
_
1 2 2 3
0 3 2 3
0 1 0 1
_
_
_
_
1 2 2 3
0 1 0 1
0 0 2 0
_
_
,
con lo que obtenemos c = 0, b = 1 y a = 1. Es decir, la circunferencia que mejor ajusta en el sentido de los mnimos
cuadrados es
x
2
+y
2
x y = 0
_
x
1
2
_
2
1
4
+
_
y
1
2
_
2
1
4
= 0
_
x
1
2
_
2
+
_
y
1
2
_
2
=
_
2
2
_
2
,
con centro en (
1
2
,
1
2
) y de radio
2
2
.
Observemos que, casualmente, el sistema Ax = b que obtenemos es compatible (ya que los cuatro puntos que nos
dan son los vertices de un cuadrado de lado unidad y con centro en (
1
2
,
1
2
)). Sabemos entonces que la solucion en el
sentido de los mnimos cuadrados coincide con la solucion del sistema original.
Ejercicio resuelto
Determinar la c onica de la familia
ax
2
+ 4axy +ay
2
+bx by + 1 = 0
que mejor se ajusta, en el sentido de los mnimos cuadrados, a los puntos (1, 0), (1, 0), (1, 1) y (0, 2).
Exigimos que cada punto pertenezca a la c onica a(x
2
+4xy +y
2
) +b(xy) +1 = 0, con lo que obtenemos el sistema,
de cuatro ecuaciones y dos inc ognitas,
(1, 0) : (1
2
+ 4 1 0 + 0
2
)a + (1 0)b + 1 = 0 a +b = 1,
(1, 0) : ((1)
2
+ 4(1) 0 + 0
2
)a + (1 0)b + 1 = 0 a b = 1,
(1, 1) : ((1)
2
+ 4(1) 1 + 1
2
)a + (1 1)b + 1 = 0 2a 2b = 1,
(0, 2) : (0
2
+ 4 0 2 + 2
2
)a + (0 2)b + 1 = 0 4a 2b = 1,
que matricialmente se puede escribir como Ax = b
_
_
1 1
1 1
2 2
4 2
_
_
_
a
b
_
=
_
_
1
1
1
1
_
_
.
El sistema que debemos resolver para encontrar la solucion en el sentido de los mnimos cuadrados es el que nos
proporcionan las ecuaciones normales de Gauss, A
T
Ab = A
T
b,
_
1 1 2 4
1 1 2 2
_
_
_
1 1
1 1
2 2
4 2
_
_
_
a
b
_
=
_
1 1 2 4
1 1 2 2
_
_
_
1
1
1
1
_
_
22 4
4 10
__
a
b
_
=
_
4
4
_
que resolvemos facilmente
_
22 4 4
4 10 4
_
_
22 4 4
22 55 22
_
_
22 4 4
0 51 18
_
,
con lo que obtenemos b =
6
17
y a =
2
17
. Es decir, la c onica que mejor ajusta, en el sentido de los mnimos cuadrados,
a la nube de puntos dada es
2
17
(x
2
+ 4xy +y
2
) +
6
17
(x y) + 1 = 0 2(x
2
+ 4xy +y
2
) 6(x y) = 17.
Ejercicio resuelto
Consideremos la matriz A =
_
_
2 2 0
2 2 0
2 0 2
_
_
.
(a) Determinar una base y unas ecuaciones implcitas de E = Col(A) (Nul(A))
y de E
.
(b) Obtener una base ortonormal de Col(A) y calcular la matriz de la proyeccion ortogonal sobre dicho subespacio.
(c) Siendo b = [0 2 2]
T
, encontrar las soluciones en el sentido de los mnimos cuadrados de Ax = b. Determinar,
entre ellas, las que tengan norma
_
5/4.
(d) Sea S = {v
1
, . . . , v
p
} un conjunto ortonormal en R
n
. Probar que S es linealmente independiente.
168
(a) Comentamos una de las diversas formas que hay para resolver este apartado.
Ecuaciones implcitas de Col(A): Como sabemos, para encontrar unas ecuaciones implcitas de un subespacio gene-
rado por varios vectores (en este caso los vectores columna de A) basta considerar un vector generico [x
1
x
2
x
3
]
T
e
imponer que sea combinaci on lineal de dichos vectores.
_
_
2 2 0 x
1
2 2 0 x
2
2 0 2 x
3
_
_
_
_
2 2 0 x
1
0 0 0 x
2
x
1
0 -2 2 x
3
x
1
_
_
.
Comprobamos que la ecuaci on implcita
x
2
= x
1
(9)
dene a Col(A).
Ecuaciones implcitas de (Nul(A))
: Comenzamos hallando una base de Nul(A), lo que se consigue sin mas que
resolver Ax = 0. De la eliminacion de Gauss anterior se desprende que unas ecuaciones equivalentes al sistema son
_
2x
1
+2x
2
=0,
2x
2
+2x
3
=0,
las cuales, una vez resueltas nos dan la siguiente base
B
Nul(A)
=
_
_
_
_
_
1
1
1
_
_
_
_
_
.
Para obtener unas ecuaciones implcitas de (Nul(A))
simplemente hemos de utilizar las componentes de los vectores

(solo uno en este caso) de la base como coecientes en dichas ecuaciones. As tenemos que
x
1
+x
2
+x
3
= 0 (10)
es una ecuaci on implcita de (Nul(A))
.
Ecuaciones implcitas y base de E: Uniendo las ecuaciones (9) y (10) tenemos unas ecuaciones implcitas de E:
Ecs. Impl. E
_
x
1
x
2
=0,
x
1
+x
2
+x
3
=0,
y resolviendolas hallamos una base de E:
B
E
=
_
_
_
_
_
1
1
0
_
_
_
_
_
.
Nota: Podemos sustituir la segunda ecuaci on implcita de E por x
3
= 0.
Ecuaciones implcitas y base de E
: Para obtener una base de E
basta tomar los vectores formados por los coe-

cientes de las ecuaciones implcitas de E, es decir
B
E
=
_
_
_
_
_
1
1
0
_
_
,
_
_
1
1
1
_
_
_
_
_
.
Por el proceso analogo podemos obtener unas ecuaciones implcitas de E
:
Ecs. Impl. E
x
1
+x
2
= 0.
Nota: Podemos sustituir el segundo vector de B
E
por [0 0 1]
T
.
(b) Como ya hemos hecho una eliminacion de Gauss con la matriz A, sabemos que una base del espacio Col(A) puede
estar formada por las dos primeras columnas de la matriz. Sin embargo, estos dos vectores no son ortogonales, as que
tendramos que ortogonalizar los vectores mediante el metodo de Gram-Schmidt.
Para evitar esos c alculos solo tenemos que darnos cuenta (por simple inspeccion) de que las dos ultimas columnas
de A tambien forman una base de Col(A) y, ademas, es ortogonal. Dividiendo los dos vectores por su norma tendremos
la base ortonormal que pide el enunciado:
B
Col(A)
=
_
_
_
_
_
1/
2
1/
2
0
_
_
,
_
_
0
0
1
_
_
_
_
_
.
169
Siendo ahora
Q =
_
_
1/
2 0
1/
2 0
0 1
_
_
,
la matriz de la proyeccion ortogonal sobre Col(A) se puede calcular como
P = QQ
T
=
_
_
1/
2 0
1/
2 0
0 1
_
_
_
1/
2 1/
2 0
0 0 1
_
=
_
_
1/2 1/2 0
1/2 1/2 0
0 0 1
_
_
.
Nota: Esta matriz es siempre la misma, independientemente de la base ortonormal escogida.
(c) Podemos resolver el problema usando las ecuaciones normales de Gauss, pero ya que tenemos, del apartado anterior,
la matriz P de la proyeccion ortogonal sobre Col(A), es mas corto calcular la proyeccion del vector b sobre Col(A) y
despues resolver
Ax = Proy
Col(A)
b.
Entonces, como
Proy
Col(A)
b = Pb =
_
_
1
1
2
_
_
,
el sistema que hemos de resolver es
_
_
2 2 0
2 2 0
2 0 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1
1
2
_
_
.
Realizamos ahora una eliminacion de Gauss, que es analoga a la que hicimos en el primer apartado,
_
_
2 2 0 1
2 2 0 1
2 0 2 2
_
_
_
_
2 2 0 1
0 0 0 0
0 2 2 1
_
_
_
_
2 2 0 1
0 -2 2 1
0 0 0 0
_
_
,
llegando a la forma escalonada reducida
_
_
1 1 0 1/2
0 1 1 1/2
0 0 0 0
_
_
_
_
1 0 1 1
0 1 1 1/2
0 0 0 0
_
_
.
Es inmediato, tomando como variable libre x
3
R, que la solucion del sistema es
_
_
x
1
x
2
x
3
_
_
=
_
_
1
1/2
0
_
_
+x
3
_
_
1
1
1
_
_
=
_
_
1 x
3
1/2 +x
3
x
3
_
_
.
Veamos ahora cual de esas soluciones verica que su norma es
_
5/4.
_
_
_
_
_
_
_
_
1 x
3
1/2 +x
3
x
3
_
_
_
_
_
_
_
_
=
_
(1 x
3
)
2
+ (1/2 +x
3
)
2
+x
2
3
=
_
3x
2
3
3x
3
+
5
4
.
Imponiendo que la norma sea
_
5/4 queda la condicion
3x
2
3
3x
3
= 0,
que nos da los valores x
3
= 0 y x
3
= 1. Sustituyendo en la solucion del sistema de mnimos cuadrados tenemos las dos
soluciones que pide el enunciado:
_
_
1
1/2
0
_
_
y
_
_
0
1/2
1
_
_
.
(d) Escribamos una combinaci on lineal de los vectores de S igualada a cero:
1
v
1
+. . . +
p
v
p
= 0.
En caso de que probemos que todos los coecientes han de ser nulos tendremos que S es linealmente independiente.
170
Multiplicando escalarmente la expresion anterior por cualquiera de los vectores de S (digamos v
i
) tendremos
1
(v
i
v
1
) +. . . +
i1
(v
i
v
i1
) +
i
(v
i
v
i
) +
i+1
(v
i
v
i+1
) +. . . +
p
(v
i
v
p
) = 0.
Por ser S ortonormal, v
i
v
j
= 0 siempre que j = i y ademas v
i
v
i
= 1. Llevando todo esto a la expresion anterior
tendremos
1
=0
..
(v
i
v
1
) +. . . +
i1
=0
..
(v
i
v
i1
) +
i
=1
..
(v
i
v
i
) +
i+1
=0
..
(v
i
v
i+1
) +. . . +
p
=0
..
(v
i
v
p
) = 0,
quedando, por tanto,
i
= 0.
Como el razonamiento no depende del subndice i escogido, acabamos de probar que todos los coecientes de la
combinaci on lineal son nulos y, de ese modo, S es linealmente independiente.
3. Ejercicios.
Ejercicio 1. Resolver en el sentido de los mnimos cuadrados los siguientes sistemas de ecuaciones
(a) x = 1, x = 7, x = 3, x = 12.
(b) x = a
1
, x = a
2
, ..., x = a
n
, siendo a
1
, a
2
, ..., a
n
n umeros reales. Que se obtiene cuando alguno de los valores a
k
aparece repetido?
(c) Ax = b siendo
A =
_
1 1
1 1
_
y b =
_
2
4
_
.
Ejercicio 2. Resuelve en el sentido de los mnimos cuadrados los dos sistemas equivalentes siguientes (que tendran
las mismas soluciones exactas si fueran compatibles)
_
x
1
+x
2
= 3
2x
1
+ 2x
2
= 4
_
x
1
+x
2
= 3
x
1
+x
2
= 1
Ejercicio 3. Dados el subespacio E = Gen
_
[1, 0, 0, 1]
T
, [0, 1, 0, 2]
T
, [0, 0, 1, 1]
T
_
y la matriz
A =
_
_
a
1
b
1
a
2
2
a
3
b
2
2 b
3
_
_
.
(a) Calcular una base de E
.
(b) Hallar la matriz de la proyeccion ortogonal sobre E.
(c) Calcular A sabiendo que Col (A)) est a contenido en E
.
(d) Resolver en el sentido de los mnimos cuadrados, el sistema Ax = b con b = (1, 1, 0, 0)
t
.
Ejercicio 4. Calcular las rectas de regresion y = ax +b y x = y + para los datos:
x 1 2 3 4 5 6 7
y 2 3 1 4 6 7 5
Ejercicio 5. Se supone que el n umero de horas de autonoma de un avi on est a relacionada con las cantidades de dos
tipos de combustible x
1
y x
2
(que se pueden utilizar de manera indistinta o mezclados) mediante y = c
1
x
1
+ c
2
x
2
.
Despues de realizar un experimento se obtienen los siguientes datos.
x
1
1 0 1 2 1
x
2
0 1 1 1 2
y 4 5 6 5 4
Cu ales son los mejores coecientes c
1
y c
2
en el sentido de los mnimos cuadrados?
171
Ejercicio 6. Consideremos el sistema
_
_
0 1
1 1
1 1
2 1
_
_
_
x
y
_
=
_
_
_
_
1
1
3
3
_
_
_
_
.
Sus ecuaciones normales de Gauss son:
_
6 1
1 4
__
x
y
_
=
_
4
8
_
.
_
6 2
2 4
__
x
y
_
=
_
2
4
_
.
_
6 2
2 4
__
x
y
_
=
_
4
8
_
.
Ejercicio 7. Consideremos los vectores v
1
, v
2
, v
3
y v
4
de R
4
y la matriz C dados por
v
1
=
_
_
1
1
2
0
_
_
, v
2
=
_
_
0
1
2
2
_
_
, v
3
=
_
_
1
1
2
3
_
_
, v
4
=
_
_
1
8
1
2
_
_
; C =
_
_
v
1
v
2
_
_
.
(a) Calcular la matriz de la proyeccion ortogonal sobre S = Gen {v
1
, v
2
, v
3
}, el vector de S mas cercano a v
4
y la
distancia de v
4
a S.
(b) Resolver, en el sentido de los mnimos cuadrados, el sistema Cx = v
3
.
172
Tema 10.- Autovalores y Autovectores.
1. Denicion y propiedades.
2. Matrices diagonalizables.
3. Matrices semejantes y aplicaciones lineales.
4. Autovalores y autovectores complejos.
5. Ejercicios.
A lo largo de todo el tema trataremos esencialmente con matrices cuadradas reales (aunque muchos de los resul-
tados que veamos tambien seran validos para el caso de matrices cuadradas complejas). De todos modos, aunque se
trabaje con matrices reales, sera imprescindible hacer referencia a los n umeros complejos puesto que un polinomio con
coecientes reales puede tener races complejas no reales.
Una matriz A cuadrada real mm dene una transformaci on lineal sobre R
m
,
x R
m
y = Ax R
m
.
La transformaci on de vectores que efect ua la matriz A puede ser mas o menos sencilla de describir dependiendo del
vector (o de la direcci on) sobre la que se efect ue. El problema fundamental que se aborda es el de la determinacion de
las llamadas direcciones principales: direcciones sobre las que la matriz A act ua como la multiplicacion por un n umero.
Consideremos algunos ejemplos geometricos en el plano y en el espacio.
Ejemplos.
(1) Consideremos la transformaci on lineal en el plano consistente en la simetra respecto de una recta r que pase por el
origen de coordenadas. Aplicando esta transformaci on sobre un vector de dicha recta se obtiene el mismo vector
y aplic andola sobre un vector de la recta s perpendicular a r que pasa por el origen de coordenadas se obtiene
el vector opuesto. Los vectores (no nulos) de las rectas r y s se denominan vectores propios o autovectores
de la transformaci on dada. Las rectas a veces se denominan direcciones principales de la transformaci on y los
coecientes
1
= 1 y
2
= 1, asociados a dichas direcciones, se suelen denominar valores propios o autovalores.
(2) Consideramos un plano que pase por el origen en el espacio R
3
y la transformaci on lineal T : R
3
R
3
que
asocia a cada vector v R
3
el vector T(v) R
3
que se obtiene al proyectar v (ortogonalmente) sobre el plano
considerado. Si {v
1
, v
2
} son dos vectores que generan el plano y v
3
es un vector (no nulo) perpendicular al plano
tenemos que
T(v
1
) = v
1
, T(v
2
) = v
2
, T(v
3
) = 0
con lo cual v
1
, v
2
y v
3
son autovectores y los coecientes respectivos 1, 1 y 0 son autovalores. Puesto que los
vectores v
1
, v
2
y v
3
3
, cualquier vector v R
3
puede expresarse como combinaci on de
ellos y teniendo dicha expresion v = v
1
+v
2
+v
3
es inmediato obtener T(v) como combinaci on lineal de los
vectores v
1
, v
2
y v
3
,
T(v) = T(v
1
) +T(v
2
) +T(v
3
) = v
1
+v
2
.
Por ejemplo, para el plano 2x 3y +z = 0 podemos tomar los vectores
v
1
=
_
_
3
2
0
_
_
, v
2
=
_
_
1
0
2
_
_
y v
3
=
_
_
2
3
1
_
_
(la transformaci on lineal no depende de c omo elijamos los vectores v
1
, v
2
y v
3
). Notemos que a partir de lo
anterior es facil obtener la matriz A de T respecto a la base canonica (puesto que tenemos los vectores v
1
, v
2
y
v
3
y sus transformados expresados respecto a la base canonica). La matriz A verica
A
_
_
v
1
v
2
v
3
_
_
=
_
_
Av
1
Av
2
Av
3
_
_
y puesto que la matriz
P =
_
_
v
1
v
2
v
3
_
_
tiene inversa (por ser sus vectores-columna linealmente independientes), podemos despejar la matriz A,
A =
_
_
Av
1
Av
2
Av
3
_
_
_
_
v
1
v
2
v
3
_
_
1
=
_
_
3 1 0
2 0 0
0 2 0
_
_
1
28
_
_
6 5 3
2 3 13
4 6 2
_
_
=
1
28
_
_
20 12 4
12 10 6
4 6 26
_
_
.
173
(3) Si A es una matriz diagonal con elementos diagonales d
1
, d
2
, . . . , d
m
, es claro que para los vectores canonicos
e
1
, e
2
, . . . , e
m
se verica Ae
k
= d
k
e
k
.
(4) Si tomamos dos vectores {v
1
, v
2
} linealmente ndependientes del plano, cualquier transformaci on lineal T : R
2
R
2
queda determinada si conocemos c omo act ua sobre estos vectores. Si A es la matriz asociada a T respecto a
la base canonica, podemos determinar dicha matriz a partir de Av
1
y Av
2
(si conocemos las coordenadas de los
vectores v
1
, v
2
, Av
1
y Av
2
respecto a la base canonica). Si tomamos por ejemplo los vectores
v
1
=
_
1
2
_
, v
2
=
_
2
1
_
, T(v
1
) = Av
1
= 3v
1
, T(v
2
) = Av
2
= 2v
2
(con lo cual tenemos una situaci on en la que conocemos las direcciones sobre las cuales la transformaci on act ua
multiplicando por un n umero), es facil determinar la matriz A teniendo en cuenta que, puesto que v
1
y v
2
son
linealmente independientes, la matriz cuyas columnas son v
1
y v
2
tiene inversa y
A
_
_
v
1
v
2
_
_
=
_
_
3v
1
2v
2
_
_
=A
_
_
v
1
v
2
_
_
=
_
_
v
1
v
2
_
_
_
3 0
0 2
_
=
=A =
_
_
v
1
v
2
_
_
_
3 0
0 2
_
_
_
v
1
v
2
_
_
1
Notemos que de esta ultima expresion es facil obtener las matrices A
n
, n = 1, 2, . . .
A
n
=
_
_
v
1
v
2
_
_
_
(3)
n
0
0 2
n
_
_
_
v
1
v
2
_
_
1
y, por tanto, los vectores que se obtienen al aplicar sucesivamente la matriz A sobre un vector dado
u, Au, A(Au) = A
2
u, . . . , A
n
u, . . .
1. Denicion y propiedades.
Denicion. Sea A una matriz cuadrada de orden m. Diremos que un escalar C es un autovalor de A si existe
un vector v C
m
, v = 0 tal que Av = v, en cuyo caso se dice que v es un autovector de A asociado al autovalor .
Obviamente, si tenemos un autovector v de A asociado a un autovalor , cualquier m ultiplo no nulo de v tambien es
un autovector de A asociado al mismo autovalor . Tambien, si tenemos dos autovectores v
1
y v
2
asociados a un mismo
autovalor , cualquier combinaci on lineal no nula de dichos autovectores tambien es un autovector de A asociado al
mismo autovalor .
Observacion. Al hacer transformaciones la (o columna) sobre una matriz A, los autovalores y los autovectores de la
matriz que se obtiene NO guardan relacion (en general) con los autovalores y autovectores de la matriz original. En ge-
neral, tampoco es cierto que los autovalores de una matriz suma/resta/producto de otras dos sean suma/resta/producto
de los autovalores de cada uno de los sumandos. Ejercicio.- Buscar ejemplos de todo lo anterior.
Proposici on. Dada una matriz cuadrada A y un n umero
0
C, son equivalentes:
(1)
0
es un autovalor de A.
(2) El sistema homogeneo (A
0
I)x = 0 es un sistema compatible indeterminado.
(3) dim[Nul (A
0
I)] 1. (3) El rango[A
0
I] no es maximo.
(4) La matriz (A
0
I) no tiene inversa.
(5) det[A
0
I] = 0.
Por tanto, los autovalores de A son las soluciones de la ecuaci on p() = det [A I] = 0. Esta ecuaci on se denomina
ecuacion caracterstica de la matriz A y p() = det [AI] se denomina polinomio caracterstico.
174
Siendo A = [a
ij
] una matriz mm,
p() = det [A I] =
a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mm
= (1)
m
m
+c
m1
m1
+. . . +c
0
es un polinomio de grado m y, por tanto, tiene m races (contando cada una seg un su multiplicidad) que pueden ser
reales o complejas no-reales (aun en el caso en que la matriz A sea real).
El subespacio vectorial Nul [A
0
I] se denomina espacio propio asociado al autovalor
0
(notemos que en
general estar a compuesto por vectores complejos, los autovectores de A asociados a
0
y el vector nulo),
Nul [A
0
I] = {0} {autovectores asociados a
0
} .
De manera habitual cuando hablemos de autovectores asociados a un autovalor nos referiremos a una base del espa-
cio propio asociado, es decir autovectores linealmente independientes de forma que cualquier autovector asociado al
autovalor en cuestion sea combinaci on lineal de ellos.
Ejemplos. Veamos algunos ejemplos en los que la matriz A viene dada.
(1) Consideremos la matriz A =
_
1 2
2 1
_
.
Autovalores: Para cualquier escalar tenemos que
A I =
_
1 2
2 1
_
=det(A I) = (1 )
2
4 =
2
2 3 = ( 3)( + 1).
Por tanto det(A I) = 0 = 3 o = 1.
Autovectores
asociados a
1
= 3 : son los vectores no-nulos que est an en el espacio nulo de A 3I,
(A 3I)x = 0
_
2 2 0
2 2 0
_
_
1 1 0
0 0 0
_
x = x
2
_
1
1
_
v
1
=
_
1
1
_
,
asociados a
2
= 1 : son los vectores no-nulos que est an en el espacio nulo de A +I,
(A +I)x = 0
_
2 2 0
2 2 0
_
_
1 1 0
0 0 0
_
x = x
2
_
1
1
_
v
2
=
_
1
1
_
.
(2) Consideremos la matriz asociada a un giro (en el plano) de centro el origen de coordenadas y angulo [0, 2).
En el caso = 0 se obtiene la identidad y en el caso = la simetra respecto al origen de coordenadas. Si
= 0, , al aplicar el giro sobre un vector (real) distinto de cero se obtiene otro vector que en ning un caso
sera un m ultiplo (real) del vector al que se aplica el giro. Esto quiere decir que la matriz del giro no tiene ning un
autovalor real (salvo en los casos = 0, ). Resolvamos la ecuaci on caracterstica
G =
_
cos() sen()
sen() cos()
_
p() = det(GI) =
cos() sen()
sen() cos()
= (cos() )
2
+ sen
2
() = 0 cos() = i sen() = cos() i sen() = e
i
.
Calculemos los autovectores asociados a cada uno de los autovalores.
1
= e
i
Tenemos que resolver el problema homogeneo (G
1
I)x = 0,
_
i sen() sen() 0
sen() i sen() 0
_
F
2
iF
1
_
i sen() sen() 0
0 0 0
_
sen() = 0
=
=
_
x
1
x
2
_
= x
1
_
1
i
_
Nul [G
1
I]Gen
_
v
1
=
_
1
i
__
.
2
= e
i
Es facil comprobar que
Nul [G
2
I] = Gen
_
v
2
=
_
1
i
__
.
175
Las propiedades referidas a autovalores las podemos agrupar dependiendo de si pueden obtenerse directamente de
la denicion (con lo cual estar an involucrados los autovectores) o si se obtienen a partir del polinomio caracterstico
(algunas de ellas pueden obtenerse de las dos formas).
Proposici on 1. Sea un autovalor de A y v un autovector asociado, entonces:
(1) es un autovalor de A y v es un autovector asociado.
(2) ( ) es un autovalor de AI y v es un autovector asociado.
(3)
k
es un autovalor de A
k
y v es un autovector asociado.
(4) Si q() es un polinomio, entonces q() es un autovalor de q(A) y v es un autovector asociado.
(Ejemplo: 3
3
+ 5
2
7 + 2 es un autovalor de la matriz 3A
3
+ 5A
2
7A+ 2I).
(5) Si A tiene inversa, entonces = 0,
1
1
y v es un autovector asociado.
(6) Sea A es una matriz real, = a + bi C, (a, b R) un autovalor de A y v = u + iw C
m
un autovector de A
asociado a . Entonces = a bi C tambien es autovalor de A y v = u iw C
m
es un autovector de A
asociado a .
Proposici on 2. Sea A una matriz mm. Se verica:
(a) A tiene a lo sumo m autovalores distintos.
(b) A y A
T
tienen los mismos autovalores (aunque los autovectores asociados pueden ser distintos).
Proposici on 3. Sea A una matriz mm y sea
p() = det [A I] = (1)
m
m
+c
m1
m1
+ +c
1
+c
0
= (1)
m
(
1
) (
m
)
su polinomio caracterstico (es decir
1
, ,
m
son los autovalores de A, iguales o distintos). Se verica:
(a) El determinante de A es igual al producto de sus autovalores (apareciendo cada uno, en dicho producto, tantas
veces como indique su multiplicidad como raz del polinomio caracterstico)
1

2
. . .
m
= det(A) = p(0) = c
0
.
(b) La traza de A (la suma de los elementos diagonales de A) es igual a la suma de sus autovalores (apareciendo cada
uno, en dicha suma, tantas veces como indique su multiplicidad como raz del polinomio caracterstico)
1
+
2
+. . . +
m
= (1)
m1
c
m1
= traza(A) := a
11
+a
22
+ +a
mm
.
Uno de los resultados mas importantes referidos a autovalores y autovectores es el siguiente.
Teorema. A autovalores distintos corresponden autovectores linealmente independientes. Es decir, si
1
, . . . ,
p
son autovalores de A distintos dos a dos y v
1
, . . . , v
p
son autovectores de A asociados respectivamente a
1
, . . . ,
p
,
entonces
v
1
, . . . , v
p
son linealmente independientes.
2. Matrices diagonalizables.
Denicion. Se dice que una matriz A mm es diagonalizable si existe alguna matriz P no singular tal que P
1
AP
es una matriz diagonal D. En este caso, se dice que P es una matriz de paso que diagonaliza A y que la expresion
A = PDP
1
es una diagonalizacion de A.
Notemos que si
P
1
AP = D =
_
_
d
1
0 0 . . . 0
0 d
2
0 . . . 0
0 0 d
3
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . d
m
_
_
176
entonces de la igualdad matricial AP = PD,
A
_
_
v
1
v
2
. . . v
m
_
_
=
_
_
v
1
v
2
. . . v
m
_
_
_
_
d
1
0 . . . 0
0 d
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . d
m
_
_
se obtiene que cada columna, Av
k
, de la matriz AP es igual a la correspondiente columna de PD. Es decir, cada
columna de P es un autovector de A asociado al correspondiente elemento diagonal de D, que sera un autovalor de A.
Por otra parte, el que la matriz P sea no-singular ( regular tiene inversa det(A) = 0) es equivalente a que
sus m columnas sean linealmente independientes.
Cuando sea posible, para construir una diagonalizacion de A bastara con obtener m autovectores linealmente
independientes. La matriz P de orden m que tenga a dichos autovectores linealmente independientes como columnas
(en un cierto orden) sera no-singular y vericar a AP = PD siendo D la matriz diagonal cuyos elementos diagonales
son los autovalores (en el mismo orden en el que hayamos puesto los autovectores en la matriz P). Por tanto tenemos
una diagonalizacion de A.
Notemos que si en una diagonalizacion A = PDP
1
cambiamos el orden en las columnas de P y de forma simult anea cambiamos el orden en los elementos diagonales
de D, de manera que se correspondan columnas de P-elementos diagonales de D, se obtiene otra diagonalizacion
de A;
sustituimos cada columna de P por un m ultiplo no-nulo de dicha columna obtenemos otra matriz de paso distinta
que tambien diagonaliza a A (la matriz D no cambia).
Proposici on 4. Sea A una matriz mm. Se verica:
(1) A es diagonalizable si y s olo si tiene m autovectores linealmente independientes.
(2) Si A es diagonalizable tambien lo es cualquier potencia A
k
, k = 1, 2,
(3) Si A es diagonalizable tambien lo es cualquier matriz de la forma A I.
(4) Si A es diagonalizable tambien lo es cualquier polinomio en A
q(A) = c
k
A
k
+ +c
1
A +c
0
I.
(5) Si A tiene inversa, A es diagonalizable si y s olo si lo es su inversa A
1
.
(6) A es diagonalizable si y s olo si lo es A
T
Si tenemos una diagonalizacion de A, P
1
AP = D A = PDP
1
se obtienen las siguientes diagonalizaciones de A
k
, AI, A
T
y A
1
(si existe)
A
k
= PD
k
P
1
, A I = P(DI)P
1
, A
T
= (P
T
)
1
D(P
T
), A
1
= PD
1
P
1
.
Teorema. Si todos los autovalores de A son simples (A tiene m autovalores distintos), entonces A es diagonalizable.
Para que una matriz sea diagonalizable no es imprescindible que todos sus autovalores sean simples. Por ejemplo
= 1 es un autovalor doble de la matriz
A =
_
_
2 1 0
1 2 0
0 0 1
_
_
y A es diagonalizable (compruebalo!). Aunque hay matrices que no son diagonalizables, como por ejemplo
B =
_
2 1
0 2
_
.
Para analizar de forma mas detallada cuando una matriz es diagonalizable consideramos los siguientes conceptos.
Denicion. Sea A una matriz mm y sea
0
un autovalor de A. Se llama:
177
(a) Multiplicidad algebraica de
0
, y se denota por m
a
(
0
), a la multiplicidad de
0
como raz del polinomio
caracterstico p() = det(A I) de A. Es decir, p() puede factorizarse como
p() = (
0
)
ma(0)
q(),
siendo q() un polinomio (de grado mm
a
(
0
)) que no se anula para
0
, q(
0
) = 0.
(b) Multiplicidad geometrica de
0
, y se denota por m
g
(
0
), a la dimensi on del espacio nulo de A
0
I,
dim[Nul (A
0
I)] = mrango[(A
0
I)].
Es decir, la multiplicidad geometrica coincide con el n umero (m aximo) de autovectores linealmente independientes
asociados al autovalor.
Lo unico que se puede armar en general sobre la relacion entre las multiplicidades algebraica y geometrica de un
autovalor de una matriz viene dado por el siguiente resultado.
Lema. Sea
0
un autovalor de una matriz A, entonces 1 m
g
(
0
) m
a
(
0
).
Teorema. A es diagonalizable si y solo si para cada autovalor se verica que
m
a
() = m
g
().
En ese caso, si
1
, . . . ,
p
son (todos) los autovalores distintos de A y tenemos una base B
k
de cada uno de los
subespacios Nul [A
k
I] (es decir, tenemos tantos autovectores linealmente independientes asociados a
k
como
indica su multiplicidad algebraica), entonces
B = B
1
. . . B
p
es una base de R
m
o de C
m
.
Por tanto:
Para determinar si una matriz es diagonalizable habr a que determinar si cada autovalor m ultiple tiene asociados
tantos autovectores linealmente independientes como indique su multiplicidad algebraica.
Para construir una diagonalizacion, cuando sea posible, habr a que obtener tanto autovectores linealmente inde-
pendientes, asociados a cada autovalor, como indique su multiplicidad algebraica;
Aplicaci on a recurrencias vectoriales.
Denicion. Sea A una matriz cuadrada de orden m y sea u
1
, u
2
, . . . , u
n
, . . . una sucesion de vectores en R
m
denidos
de manera recurrente por
u
n
= Au
n1
, n = 1, 2, . . .
a partir de un vector inicial u
0
R
m
. Una relacion de recurrencia vectorial de esta forma se llama sistema de ecuaciones
en diferencias lineal homogeneo de primer orden con coecientes constantes.
Si u
n
= Au
n1
es un sistema de ecuaciones en diferencias, se tiene, razonando por induccion, que u
n
= A
n
u
0
.
Con esta expresion podemos hallar u
n
para cualquier valor de n. Si A diagonaliza, podemos dar una expresion mas
simple para u
n
que nos permitira ahorrar tiempo de c alculo y tambien estudiar el comportamiento a largo plazo de la
sucesion u
n
.
Proposici on. Sea A una matriz cuadrada de orden m diagonalizable y u
0
R
m
. Entonces la solucion del sistema de
ecuaciones en diferencias u
n
= Au
n1
con vector inicial u
0
es
u
n
= A
n
u
0
= PD
n
P
1
u
0
, n = 1, 2, . . .
siendo P la matriz cuyas columnas forman una base de autovectores de A y D la matriz diagonal cuyos elementos
diagonales son los autovalores correspondientes.
Observaciones.
N otese que si A no es diagonalizable no es posible, en general, aplicar la tecnica anterior para calcular la solucion
del sistema de ecuaciones en diferencias asociado. Sin embargo, hay un caso especialmente facil de resolver; si
u
0
es combinaci on lineal de autovectores de A, podemos calcular u
n
= A
n
u
0
aunque no sepamos calcular A
n
: Si
u
0
=
1
v
1
+ +
k
v
k
y Av
j
=
j
v
j
para cada j = 1, . . . , k, entonces
A
n
u
0
=
1
n
1
v
1
+
k
n
k
v
k
.
178
3. Matrices semejantes y aplicaciones lineales.
Consideremos una aplicacion lineal T : R
m
R
m
. Fijada la base canonica C
m
= {e
1
, . . . , e
m
} de R
m
, esta aplicacion
lineal tiene asociada una matriz A, la matriz cuyas columnas son las coordenadas de los vectores T(e
1
), T(e
2
), . . . T(e
m
)
respecto a la base C
m
.
Si jamos otra base B = {v
1
, . . . , v
m
} de R
m
, la aplicacion lineal T tiene asociada una matriz B respecto a dicha
base, la matriz cuyas columnas son las coordenadas de los vectores T(v
1
), T(v
2
), . . . T(v
m
) respecto a la base B, es
decir,
[T(v
1
)]
B
, . . . , [T(v
m
)]
B
.
Las matrices A y B verican que B = P
1
AP siendo
P =
_
_
v
1
. . . v
m
_
_
.
En general, dicha relacion se formaliza mediante la siguiente denicion.
Denicion. Se dice que dos matrices mm A y B son semejantes si existe alguna matriz no singular P tal que
B = P
1
AP.
La matriz P se suele denominar matriz de paso.
A la vista de la denicion es obvio que una matriz es diagonalizable si es semejante a una matriz diagonal.
Proposici on. Si A y B son semejantes, entonces:
A y B tienen el mismo polinomio caracterstico y, por tanto, los mismos autovalores con las mismas multiplici-
dades algebraicas. Si v es un autovector de A asociado a un autovalor , entonces P
1
v es un autovector de B
asociado al mismo autovalor (siendo P la matriz no singular tal que B = P
1
AP).
det(A) = det(B) y tr(A)=tr(B).
Cada autovalor (de A y B) tiene la misma multiplicidad geometrica para ambas matrices, es decir,
dim [Nul (A I)] = dim [Nul (B I)] .
Para cada exponente k = 1, 2, . . . se verica que
dim
_
Nul
_
(A I)
k
_
= dim
_
Nul
_
(B I)
k
_
.
Notemos por otra parte que el que dos matrices tengan los mismos autovalores no conlleva, en general, el que sean
semejantes; por ejemplo, las matrices
A =
_
0 1
0 0
_
y B =
_
0 0
0 0
_
tienen como unico autovalor a = 0 pero no son semejantes.
4. Autovalores y autovectores complejos.
Antes hemos visto c omo, de manera natural, pueden aparecer autovalores y autovectores complejos (no reales)
asociados a una matriz real A. La interpretaci on geometrica del hecho de tener una pareja autovalor-autovector reales
para A la vimos antes:
en la direcci on del autovector (la recta generada por el) la matriz A act ua multiplicando por
el autovalor, es decir, si el autovalor es positivo act ua como una homotecia y si el autovalor
es negativo act ua como una homotecia y una simetra respecto al origen. Si el autovalor
es nulo, la matriz act ua aplastando sobre el vector nulo toda la recta generada por el
autovector.
179
En lo que sigue veremos la interpretaci on geometrica (en el espacio real R
m
) de la presencia de un autovalor
complejo = a + bi, b = 0 de una matriz real A de orden m. Veremos que dicha presencia indica que sobre un
determinado plano de R
m
la matriz A act ua como un giro, respecto a unas variables apropiadas, y una homotecia. La
raz on de la homotecia sera el modulo del autovalor || =
a
2
+b
2
y el angulo de giro sera argumento de .
De forma analoga a la terminologa usada para n umeros, si tenemos un vector complejo
v =
_
1
+i
1
.
.
.
n
+i
n
_
_ C
n
,
1
,
2
, . . . ,
n
;
1
,
2
, . . . ,
n
,
los vectores reales cuyas coordenadas son respectivamente las partes real e imaginaria de v se denominan vector parte
real y vector parte imaginaria de v, y el vector complejo cuyas coordenadas vienen dadas por los complejos conjugados
de las coordenadas de v se denomina vector conjugado de v,
u
1
= Re(v) =
_
1
.
.
.
n
_
_, u
2
= Im(v) =
_
1
.
.
.
n
_
_, v = u
1
+iu
2
; v = u
1
iu
2
.
Obviamente v y v pueden expresarse como combinaci on lineal con coecientes complejos de u
1
y u
2
. Por otra parte,
u
1
y u
2
tambien pueden expresarse como combinaci on lineal de v y v
u
1
=
1
2
(v +v) y u
2
=
1
2i
(v v).
Por tanto, los subespacios complejos que generan, por un lado v y v y por el otro u
1
y u
2
coinciden
{combinaciones lineales complejas de v, v} = {combinaciones lineales complejas de u
1
, u
2
} .
En esta secci on veremos el signicado geometrico de que una matriz real tenga un autovalor complejo no real y la
expresion real (con matrices reales) asociada a una diagonalizacion compleja de una matriz real. En la interpretaci on
geometrica juega un papel fundamental el subespacio vectorial real generado por las partes real e imaginaria u
1
y u
2
de un autovector complejo v
Gen {u
1
, u
2
} = {combinaciones lineales reales de u
1
, u
2
} .
Antes de pasar a una matriz de orden supeior, veamos un ejemplo con una matriz de orden 2.
Ejemplo.
real de orden 2 con autovalores complejos (no reales), por ejemplo
A =
_
2 1
2 0
_
p() = det(A I) =
2
2 + 2 = 0
1
= 1 +i,
2
=
1
= 1 i.
Asociado a cada uno de los autovalores obtendremos los correspondientes autovectores:
asociados a
1
= 1 +i : [A (1 +i)I]x = 0
_
1 i 1 0
2 1 i 0
_
x =
x
2
2
_
1 +i
2
_
, v
1
=
_
1 +i
2
_
=
_
1
2
_
+i
_
1
0
_
.
asociados a
1
= 1 +i : [A (1 +i)I]x = 0, es facil comprobar que las soluciones son los m ultiplos del vector
v
2
= v
1
=
_
1 i
2
_
=
_
1
2
_
i
_
1
0
_
.
Hay que destacar dos aspectos fundamentales que aparecen cuando se tienen autovalores complejos no-reales de una
matriz real,
Aritmetico: Si consideremos una pareja autovalor-autovector complejos (no-reales)
1
= a +bi, a, b R; v
1
= u
1
+iu
2
, u
1
, u
2
R
2
entonces los vectores parte real u
1
y parte imaginaria u
2
del autovector son linealmente independientes y los
conjugados
1
= a bi, v
1
= u
1
iu
2
tambien son una pareja autovalor-autovector.
180
Geometrico: Sobre el plano denido por los vectores parte real y parte imaginaria (en el ejemplo anterior todo
el plano R
2
pero si estuvieramos considerando una matriz de orden mayor se tratara de un plano en la di-
mension correspondiente) la matriz realiza una transformaci on que puede describirse como: un giro (con las
particularidades que veremos mas adelante) y una homotecia.
Para visualizar mejor la geometra de la transformaci on denida por la matriz anterior, vamos a considerar un
m ultiplo de dicha matriz de forma que podamos visualizar el efecto de la aplicacion sucesiva de la transformaci on
sobre un vector real.
Puesto que |
1
| = |
2
| =
2, vamos a considerar la matriz B =

1
2
A. Al aplicar la transformaci on denida por B
sobre un vector real, por ejemplo el primer vector canonico e
1
, tenemos
e
1
=
_
1
0
_
Be
1
=
2
_
1
1
_
B
2
e
1
=
_
1
2
_
B
3
e
1
=
2
_
0
1
_
B
4
e
1
=
_
1
0
_
= e
1
B
5
e
1
=
2
_
1
1
_
= Be
1
, . . .
Todos los puntos que se obtienen est an sobre la elipse de ecuaci on
2x
2
+y
2
2xy 2 = 0.
Si tomamos otro vector inicial w R
2
, la sucesion de
vectores que se genera de esta forma
w, Bw, B
2
w, . . .
estar an sobre una elipse homotetica con la anterior, es
decir su ecuaci on sera de la forma
2x
2
+y
2
2xy +d = 0
siendo d un valor que quedara determinado por el pun-
to w incicial. El comportamiento de los sucesivos pun-
tos que se van obteniendo podra describirse como el
de la aplicacion sucesiva de un giro elptico. De hecho,
si consideramos las variables adecuadas (que seran las
coordenadas respecto a la base, de R
2
, dada por los vec-
tores parte-real y parte-imaginaria de un autovector) la
transformaci on es un giro (respecto de ese sistema de
ejes no-perpendiculares).
1
2
3
4
5
6
7
8
2x
2
+y
2
2xy 2 = 0
X
Y
Teorema Consideremos una matriz real A de orden 2 con un autovalor complejo
1
= a + bi C(a, b R, b = 0) y
consideremos un autovector v
1
= u
1
+iu
2
C
2
(u
1
, u
2
R
2
) de A asociado a
1
. Entonces se verica:
(a) v
2
= v
1
= u
1
iu
2
es un autovector de A asociado al autovalor
2
=
1
= a bi.
(b) Los vectores parte real y parte imaginaria de v
1
son linealmente independientes,
{u
1
, u
2
} son linealmente independientes.
(c) Au
1
= au
1
bu
2
, Au
2
= bu
1
+au
2
y, por tanto,
P
1
AP = C =
_
a b
b a
_
siendo P =
_
_
u
1
u
2
_
_
.
Es decir, si consideramos la transformaci on lineal que dene A
x R
2
y = T(x) = Ax R
2
y la expresamos en coordenadas respecto a la base {u
1
, u
2
} de R
2
tenemos que
T(c
1
u
1
+c
2
u
2
) = A(c
1
u
1
+c
2
u
2
) = c
1
Au
1
+c
2
Au
2
= c
1
(au
1
bu
2
) +c
2
(bu
1
+au
2
) =
= (ac
1
+bc
2
)u
1
+ (bc
1
+ac
2
)u
2
.
Por tanto, la transformaci on T viene dada en coordenadas respecto a {u
1
, u
2
} mediante
_
c
1
c
2
_
_
ac
1
+bc
2
bc
1
+ac
2
_
=
_
a b
b a
__
c
1
c
2
_
.
181
Siendo
1
= a +bi = e
i
tenemos que
_
a b
b a
_
=
_
cos sen
sen cos
_
y por tanto la transformaci on T consiste en hacer un giro y una homotecia en las coordenadas respecto a U = {u
1
, u
2
}.
x
coordenadas
canonicas
-
y = Ax
coordenadas
canonicas
cambio
de base
?
P
1
P
6
cambio
de base
x
= P
1
x
coordenadas
respecto a U
-
Giro y
Homotecia
y
= Cx
coordenadas
respecto a U
Resumiendo, la matriz A real de orden 2 con autovalores complejos a bi, b = 0 es diagonalizable con matriz de paso
compleja Q,
Q =
_
_
v
1
v
2
_
_
=AQ = Q
_
a +bi 0
0 a bi
_
=Q
1
AQ = D =
_
a +bi 0
0 a bi
_
y considerando la matriz formada por los vectores parte-real y parte-imaginaria de un autovector complejo puede
obtenerse, mediante una matriz de paso real, la matriz (real)
_
a b
b a
_
que representa un giro y una homotecia (en las coordenadas respecto a la base dada por los vectores parte-real y
parte-imaginaria de un autovector complejo).
En el caso de tener una matriz real diagonalizable de mayor dimensi on con autovalores complejos podemos proceder
de un modo similar para obtener una matriz real no diagonal, pero s diagonal por bloques, con una estructura
similar a la anterior. As, una matriz diagonalizable pero con alg un autovalor complejo no real (con lo cual la matriz
de paso tendra algunos elementos no reales) sera semejante, a traves de una matriz de paso real, a una matriz diagonal
por bloques
C =
_
_
C
1
0 0 . . . 0
0 C
2
0 . . . 0
0 0 C
3
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . C
k
_
_
donde cada bloque diagonal C
j
es, o bien un autovalor real o bien una matriz 2 2 de la forma
_
a b
b a
_
donde a y b son respectivamente la parte real e imaginaria de un autovalor complejo (no real) de A.
Lema. Si = a +bi, a, b R, b = 0 es un autovalor de A (matriz cuadrada real) y v = u
1
+iu
2
(u
1
, u
2
R
m
) es un
autovector de A asociado a , ( v = u
1
iu
2
es un autovector de A asociado a

= a bi), entonces u
1
y u
2
son
linealmente independientes.
Por tanto, tenemos las igualdades
Av = v = (a +bi) (u
1
+iu
2
) Au
1
+iAu
2
= (au
1
bu
2
) +i (bu
1
+au
2
)
A v =

v = (a bi) (u
1
iu
2
) Au
1
iAu
2
= (au
1
bu
2
) i (bu
1
+au
2
)
y por tanto, identicando las partes real e imaginaria en cualquiera de las dos igualdades anteriores tenemos,
Au
1
= au
1
bu
2
Au
2
= bu
1
+au
2
_
.
182
Expresando estas igualdades de forma matricial tenemos
A
_
_
u
1
u
2
_
_
_
_
u
1
u
2
_
_
_
a b
b a
_
.
As, si multiplicamos A por una matriz en la que los autovectores omplejos v y v sean dos vectores columna tenemos
A
_
_
v v
_
_
_
_
v v
_
_
_
_
.
.
.
0
0

.
.
.
_
_
mientras que si sustituimos dichas columnas por la parte real y la parte imaginaria de v tendremos
A
_
_
u
1
u
2

_
_
_
_
u
1
u
2

_
_
_
_
.
.
. 0 . . .
. . .
a b
b a
. . .
. . . 0
.
.
.
_
_
con lo cual, si multiplicamos A por una matriz real P cuyas columnas forman una base de R
n
y en la que u
1
y u
2
sean dos vectores columna y los restantes vectores columna sean autovectores reales o vectores obtenidos a partir de
la parte real y de la parte imaginaria (por parejas) de un autovector complejo, tendremos
AP =
_
_
u
1
u
2

_
_
_
_
u
1
u
2

_
_
_
_
.
.
. 0 0
0
a b
b a
0
0 0
.
.
.
_
_
= PC
y por tanto P
1
AP = C, donde la diagonal de la submatriz
_
a b
b a
_
est a sobre la de la matriz C que sera una
matriz real casi-diagonal (diagonal por cajas).
Veamos algunos ejemplos.
Ejemplo.
A =
_
_
2 1 1 3
4 1 0 4
3 1 2 3
5 3 1 6
_
_
.
Su ecuaci on caracterstica es
4
5
3
+ 13
2
19 + 10 = 0.
Sus autovalores y sus autovectores asociados son
1
= 1 v
1
=
_
_
1
0
0
1
_
_
;
2
= 2 v
2
=
_
_
1
0
1
1
_
_
;
3
= 1 2i v
3
=
_
_
1 +i
2
1 +i
2
_
_
;
4
= 1 + 2i v
4
=
_
_
1 i
2
1 i
2
_
_
.
Al ser la matriz diagonalizable, si construimos Q = [v
1
, v
2
, v
3
, v
4
], obtenemos:
Q
1
AQ = D =
_
_
1 0 0 0
0 2 0 0
0 0 1 2i 0
0 0 0 1 + 2i
_
_
,
donde los autovalores aparecen en la matriz diagonal D en el orden en que se coloquen los autovectores correspondientes
en la matriz Q.
Construyendo la matriz P = [v
1
, v
2
, Re (v
3
), Im(v
3
)], obtenemos:
C = P
1
AP
_
_
1 0 0 0
0 2 0 0
0 0 1 2
0 0 2 1
_
_
.
183
Ejemplo.
A =
_
_
2 2 1 1
3 1 1 0
0 2 1 3
1 1 1 2
_
_
.
4
+ 5
2
+ 4 = 0.
1
= i v
1
=
_
_
1 i
2
1 +i
2
_
_
;
2
= i v
2
=
_
_
1 +i
2
1 i
2
_
_
;
3
= 2i v
3
=
_
_
i
1 +i
1
1
_
_
;
4
= 2i v
4
=
_
_
i
1 i
1
1
_
_
.
1
, v
2
, v
3
, v
4
], obtenemos:
Q
1
AQ = D =
_
_
i 0 0 0
0 i 0 0
0 0 2i 0
0 0 0 2i
_
_
,
en la matriz Q.
Construyendo la matriz P = [Re (v
1
), Im(v
1
), Re (v
3
), Im(v
3
)], obtenemos:
C = P
1
AP
_
_
0 1 0 0
1 0 0 0
0 0 0 2
0 0 2 0
_
_
.
Ejemplo.
A =
_
_
0 2 5
2 7 8
5 8 6
_
_
.
3
+
2
+ 39 = 0.
1
= 2 3i v
1
=
_
_
i
1 +i
1
_
_
,
2
= 2 + 3i v
2
=
_
_
i
1 i
1
_
_
;
3
= 3 v
3
=
_
_
1
1
1
_
_
.
1
, v
2
, v
3
], obtenemos:
Q
1
AQ = D =
_
_
2 3i 0 0
0 2 + 3i 0
0 0 3
_
_
,
en la matriz Q.
Construyendo la matriz P = [Re (v
1
), Im(v
1
), v
3
], obtenemos:
C = P
1
AP
_
_
2 3 0
3 2 0
0 0 3
_
_
.
Ejercicio resuelto
Dada la matriz
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
,
calcular, razonadamente, los autovalores y autovectores de A
20
, A5I, A
1
. Demostrar las propiedades utilizadas.
184
Calculemos los autovalores y autovectores de A. Su ecuaci on caracterstica es
|A I| =
1 1 1
1 1 1
1 1 1
F3+F2
=
1 1 1
1 1 1
0 2 2
C2+C3
=
1 2 1
1 1
0 0 2
= (2 )
1 2
1
= (2 )(
2
2) = ( 2)
2
( + 1) = 0.
Conviene comprobar, para detectar posibles errores, que la suma de los autovalores coincide con la traza de A:
1 + 2 + 2 = 1 + 1 + 1.
Tenemos, por tanto, un autovalor simple,
1
= 1 y uno doble,
2,3
= 2. Calculemos ahora los autovectores
correspondientes. Ya sabemos que, al ser la matriz A simetrica, los autovectores correspondientes a autovalores distintos
deben ser ortogonales.
1
= 1 :
Nul [A +I] = Nul
_
_
2 1 1
1 2 1
1 1 2
_
_
= Nul
_
_
1 2 1
0 1 1
0 0 0
_
_
= Gen
_
_
_
u
1
=
_
_
1
1
1
_
_
_
_
_
.
2,3
= 2 :
Nul [A 2I] = Nul
_
_
1 1 1
1 1 1
1 1 1
_
_
= Nul
_
_
1 1 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
u
2
=
_
_
1
1
0
_
_
, u
3
=
_
_
1
0
1
_
_
_
_
_
.
Vamos a calcular los autovalores y autovectores de A
20
, A5I, A
1
a partir de los autovalores y autovectores de
A. Para ello, partimos de Ax = x, x = 0, es decir, es un autovalor de la matriz cuadrada A y x es un autovector
asociado a ese autovalor. As, para k = 1, 2, 3, . . .,
A
k
x = A
k1
(Ax) = A
k1
(x) = A
k1
x = A
k2
Ax =
2
A
k2
x = . . . =
k1
Ax =
k
x,
luego
k
k
con el mismo autovector x. En nuestro caso, A
20
tendra un autovalor simple
20
1
=
(1)
20
= 1 con u
1
= (1, 1, 1)
T
como autovector asociado, y uno doble,
20
2,3
= 2
20
, con autovectores u
2
= (1, 1, 0)
T
y
u
3
= (1, 0, 1)
T
.
Por otra parte,
(A I)x = Ax x = x x = ( )x,
es decir, es un autovalor de A I con el mismo autovector x. En nuestro caso, A 5I tendra un autovalor
simple
1
5 = 1 5 = 6 con u
1
= (1, 1, 1)
T
2,3
5 = 2 5 = 3, con
autovectores u
2
= (1, 1, 0)
T
y u
3
= (1, 0, 1)
T
.
Finalmente, si A es invertible,
Ax = x A
1
Ax = A
1
x x = A
1
x A
1
x =
1
x,
es decir,
1
1
1
1/
1
= 1/(1) = 1 con u
1
= (1, 1, 1)
T
como autovector asociado, y uno doble, 1/
2,3
= 1/2, con autovectores
u
2
= (1, 1, 0)
T
y u
3
= (1, 0, 1)
T
.
Ejercicio resuelto
A =
_
_
1 0 2
0 a a
0 0 2
_
_
, a R.
(a) Estudiar, para que valores de a, la matriz A es diagonalizable.
(b) Para a = 1, calcular A
n
, n N.
(a) Al ser la matriz A triangular, los autovalores son los elementos de la diagonal principal, ya que su ecuaci on
caracterstica es
det[AI] = det
_
_
1 0 2
0 a a
0 0 2
_
_
= (1 )(a )(2 ) = 0.
Por tanto, los autovalores son
1
= 1,
2
= a,
3
= 2.
185
Siempre que los autovalores sean simples sabemos que A es diagonalizable. Esto ocurre para a = 1, 2. Tenemos que
estudiar por separado los casos a = 1 y a = 2 pues aparece un autovalor doble.
As, para a = 1 tenemos
1
=
2
= 1. Estudiamos los autovectores (linealmente independientes) que tiene asociados
este autovalor doble:
A
(a=1)
=
_
_
1 0 2
0 1 1
0 0 2
_
_
A I =
_
_
0 0 2
0 0 1
0 0 2
_
_
r(A I) = 1 m
g
( = 1) = 3 r(A I) = 2.
Puesto que todos los autovalores de A (dos en nuestro caso) tienen la misma multiplicidad algebraica que geometrica,
para a = 1 deducimos que A es diagonalizable.
Ahora, para a = 2 tenemos
2
=
3
= 2. Estudiamos los autovectores (linealmente independientes) que tiene
asociados este autovalor doble:
A
(a=2)
=
_
_
1 0 2
0 2 2
0 0 2
_
_
A 2I =
_
_
1 0 2
0 0 2
0 0 0
_
_
r(A 2I) = 2 m
g
( = 1) = 3 r(A I) = 1.
Puesto que el autovalor doble no tiene dos autovectores asociados, entonces no todos los autovalores de A tienen la
misma multiplicidad algebraica que geometrica, es decir, cuando a = 2 A no es diagonalizable.
En resumen, A es diagonalizable cuando a = 2.
(b) Para calcular A
n
en el caso a = 1, puesto que A es diagonalizable, vamos a calcular una base de R
3
formada por
autovectores v
i
con la que construimos la matriz de paso P = (v
1
|v
2
|v
3
) y usamos que A
n
= PD
n
P
1
.
Calculemos pues los autovectores correspondientes. Para = 1 tenemos
Nul [A I] = Nul
_
_
0 0 2
0 0 1
0 0 2
_
_
= Nul
_
_
0 0 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
1
0
0
_
_
, v
2
=
_
_
0
1
0
_
_
_
_
_
,
mientras que para = 2 obtenemos
Nul [A2I] = Nul
_
_
1 0 2
0 1 1
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
2
1
1
_
_
_
_
_
.
De esta manera construimos P, tal que D = P
1
AP,
P = (v
1
|v
2
|v
3
) =
_
_
1 0 2
0 1 1
0 0 1
_
_
, siendo entonces D = diag(
1
,
2
,
3
) =
_
_
1 0 0
0 1 0
0 0 2
_
_
,
y por el metodo de GaussJordan calculamos su inversa:
(P|I) =
_
_
1 0 2 1 0 0
0 1 1 0 1 0
0 0 1 0 0 1
_
_
_
_
1 0 0 1 0 2
0 1 0 0 1 1
0 0 1 0 0 1
_
_
= (I|P
1
) P
1
=
_
_
1 0 2
0 1 1
0 0 1
_
_
.
De esta forma
A
n
= PD
n
P
1
=
_
_
1 0 2
0 1 1
0 0 1
_
_
_
_
1
n
0 0
0 1
n
0
0 0 2
n
_
_
_
_
1 0 2
0 1 1
0 0 1
_
_
=
_
_
1 0 2 + 2
n+1
0 1 1 + 2
n
0 0 2
n
_
_
.
Observemos que la formula empleada es equivalente, usando que A
n
v
i
=
n
i
v
i
, a
A
n
(v
1
|v
2
|v
3
) = (
n
1
v
1
|
n
2
v
2
|
n
3
v
3
) A
n
= (
n
1
v
1
|
n
2
v
2
|
n
3
v
3
)(v
1
|v
2
|v
3
)
1
,
ya que la primera expresion equivale a A
n
P = PD
n
.
Ejercicio resuelto
Consideremos la matriz B =
_
_
0
0
0 2
_
_
.
2.1 Para = 1, determinar todos los valores y reales para los que B es diagonalizable.
2.2 Calcular , y de tal modo que la matriz B tenga un autovalor 0 doble, con [1 1 0]
T
como uno de sus
autovectores asociados.
186
2.1 Nos piden que estudiemos cuando es diagonalizable la matriz
B =
_
_
1 0
1 0
0 2
_
_
, , R.
Para ello calculamos en primer lugar sus autovalores:
|B I| =
1 0
1 0
0 2
= (2 )
1
1
= (2 )[( )
2
1]
= (2 )[ ( + 1)][ ( 1)] = 0.
Es decir, que los autovalores de B son:
1
= 2,
2
= + 1,
3
= 1.
La matriz es diagonalizable si, y solo si, todos sus autovalores tienen la misma multiplicidad algebraica que geometrica.
Sabemos que esa igualdad de multiplicidades se cumple para los autovalores simples, pero para los m ultiples hay que
analizarlo. Nos planteamos, por tanto, si puede haber autovalores dobles (e incluso triples):
1
=
2
2 = + 1 = 1,
1
=
3
2 = 1 = 3,
2
=
3
+ 1 = 1
2
=
3
.
Vemos pues que aparece un autovalor doble si = 1 o = 3. Ademas, no es posible la existencia de un autovalor
triple (
1
=
2
=
3
) puesto que
2
=
3
.
As, si = 1, 3, los tres autovalores de B son distintos (simples) y, por tanto, B es diagonalizable (para cualquier
R). Sin embargo, hay que estudiar, por separado, los casos en que aparecen autovalores dobles, es decir, = 1 y
= 3.
En el caso = 1, tenemos
1
=
2
= 2,
3
= 0. Puesto que
r(B 2I) = r
_
_
1 1 0
1 1 0
0 0
_
_
= r
_
_
1 1 0
0 0
0 0 0
_
_
=
_
1 si = 0,
2 si = 0,
la multiplicidad geometrica del autovalor doble es:
m
g
( = 2) = 3 r(B 2I) =
_
3 1 = 2 si = 0,
3 2 = 1 si = 0,
es decir, cuando = 1, B es diagonalizable si = 0 (ya que m
a
( = 2) = m
g
( = 2) = 2) y no es diagonalizable si
= 0 (puesto que entonces m
a
( = 2) = 2 = m
g
( = 2) = 1).
Procediendo analogamente, en el caso = 3, tenemos
1
=
3
= 2,
2
= 4. Puesto que para este valor de
r(B 2I) = r
_
_
1 1 0
1 1 0
0 0
_
_
= r
_
_
1 1 0
0 0
0 0 0
_
_
=
_
1 si = 0,
2 si = 0,
obtenemos que la multiplicidad geometrica del autovalor doble es:
m
g
( = 2) = 3 r(B 2I) =
_
3 1 = 2 si = 0,
3 2 = 1 si = 0,
es decir, cuando = 3, B es diagonalizable si = 0 (ya que m
a
( = 2) = m
g
( = 2) = 2) y no es diagonalizable si
= 0 (puesto que entonces m
a
( = 2) = 2 = m
g
( = 2) = 1).
Resumiendo, B es diagonalizable si:
= 1, 3 y cualquiera.
= 1 y = 0.
= 3 y = 0.
Y, por tanto, B no es diagonalizable si:
187
= 1 y = 0.
= 3 y = 0.
N otese que si = 0 la matriz es simetrica y sabemos que va a ser diagonalizable (y, mas exactamente, ortogonal-
mente diagonalizable).
2.2 Por una parte, exigiendo que v = [1 1 0]
T
sea autovector de B asociado al autovalor 0 obtenemos:
Bv = 0v = 0
_
_
0
0
0 2
_
_
_
_
1
1
0
_
_
=
_
_
0
0
0
_
_

_
+ = 0,
= 0.
(11)
Por otra, podemos exigir que la suma de los autovalores de B (uno es trivialmente 2 y el otro debe ser 0 doble) coincida
con su traza:
+ + 2 = 2 + 0 + 0 = 0,
con lo que combinando esta ecuaci on con (11) obtenemos
= = = 0.
Tambien podamos calcular los autovalores de B de forma analoga a como hicimos en el primer apartado:
|B I| =
0
0
0 2
= (2 )
= (2 )[( )
2
2
]
= (2 )[ ( +)][ ( )].
Como los autovalores son
1
= 2,
2
= + y
3
= , exigiendo que
2
=
3
= 0 (autovalor cero doble)
obtenemos = = 0, que combinada con la segunda ecuaci on de (11) nos lleva nuevamente a que = = = 0.
N otese que si exigimos que el determinante de B coincida con el producto de sus autovalores, obtenemos
|B| = 2(
2
2
) = 2 0 0 = 0
2
=
2
,
pero no imponemos as la condicion de autovalor cero doble, con lo que combinando esta ultima ecuaci on con (11) no
llegamos a la solucion pedida.
Ejercicio resuelto
Considerar, para todo a R, la matriz A =
_
_
a + 9 6 a 3
6 a 0
0 0 15
_
_
.
(a) Calcular, seg un los valores de a, los autovalores de A.
(b) Determinar los valores de a para los que A es diagonalizable.
(c) Determinar los valores de a para los que la matriz A es invertible.
(a) Escribamos la ecuaci on caracterstica de A:
det[A I] = det
_
_
a + 9 6 a 3
6 a 0
0 0 15
_
_
= (15 )det
_
a + 9 6
6 a
_
= (15 )[
2
(2a + 9) +a
2
+ 9a + 36] = (15 )(a + 12 )(a 3 ).
1
= 15,
2
= a + 12,
3
= a 3.
(b) Sabemos que para que una matriz no sea diagonalizable debe tener alg un autovalor m ultiple (es decir, con
multiplicidad algebraica mayor que 1). Por tanto, hay que investigar esa posibilidad. Encontramos si hay autovalores
m ultiples haciendo
1
=
2
(que ocurre si a = 3),
1
=
3
(que se da para a = 18),
2
=
3
(que no es posible para
ning un valor de a).
Siempre que los autovalores sean simples sabemos que A es diagonalizable. Esto ocurre para a = 3, 18. Tenemos
que estudiar por separado los casos a = 3 y a = 18 pues aparece un autovalor doble.
1
=
2
A
(a=3)
=
_
_
12 6 0
6 3 0
0 0 15
_
_
A 15I =
_
_
3 6 0
6 12 0
0 0 0
_
_
_
_
1 2 0
0 0 0
0 0 0
_
_
r(A 15I) = 1.
188
De esta forma, m
g
( = 15) = 3 r(A15I) = 3 1 = 2. Puesto que todos los autovalores de A (dos en nuestro caso)
tienen la misma multiplicidad algebraica que geometrica, para a = 3 deducimos que A es diagonalizable.
1
=
3
A
(a=18)
=
_
_
27 6 15
6 18 0
0 0 15
_
_
A15I =
_
_
12 6 15
6 3 0
0 0 0
_
_
_
_
4 2 5
2 1 0
0 0 0
_
_
_
_
4 2 5
0 0 5/2
0 0 0
_
_
.
Por tanto, r(A 15I) = 2 con lo que m
g
( = 15) = 3 r(A 15I) = 3 2 = 1. Puesto que el autovalor doble no
tiene dos autovectores asociados, entonces no todos los autovalores de A tienen la misma multiplicidad algebraica que
geometrica, es decir, cuando a = 18, A no es diagonalizable.
En resumen, A es diagonalizable cuando a = 18.
(c) El que A sea invertible es equivalente, por ejemplo, a que det(A) = 0. Pero sabemos que el determinante de
una matriz coincide con el producto de sus autovalores. Por tanto, una matriz es invertible si, y solo si, todos sus
autovalores son no nulos. Aplicando esto, en nuestro caso, A es invertible si a = 12, 3.
Observemos que, aunque no sea el camino mas corto para este problema, podemos calcular det(A) = 15(a
2
+9a36)
y exigir que sea distinto de cero.
Ejercicio resuelto
A =
_
_
1 0 b a
0 1 a b
1 0 b a
0 1 a b
_
_
, a, b R.
En el caso en que a = b, estudiar cuando A es diagonalizable.
Puesto que a = b, tenemos que ver cuando es diagonalizable la matriz
A =
_
_
1 0 a a
0 1 a a
1 0 a a
0 1 a a
_
_
.
Calculamos sus autovalores
|A I| =
1 0 a a
0 1 a a
1 0 a a
0 1 a a
C4C3
=
1 0 a 0
0 1 a 0
1 0 a
0 1 a
F3+F4
=
1 0 a 0
0 1 a 0
1 1 2a 0
0 1 a
1 0 a
0 1 a
1 1 2a
F1F2
=
1 1 0
0 1 a
1 1 2a
C2+C1
=
1 0 0
0 1 a
1 2 2a
= (1 )
1 a
2 2a
= (1 )[
2
(2a + 1)]
=
2
(1 )[ (2a + 1)].
Los autovalores de A son, por tanto,
1
=
2
= 0,
3
= 1 y
4
= 2a + 1.
Sabemos que una matriz es diagonalizable si, y solo si, coinciden la multiplicidad algebraica y geometrica de todos
sus autovalores. Como para todo autovalor simple se verica esa igualdad entre las multiplicidades, para que una
matriz no sea diagonalizable debe tener alg un autovalor m ultiple (es decir, con multiplicidad algebraica mayor que 1).
En nuestro caso aparece siempre, por lo menos, un autovalor doble. Como solo
4
depende del par ametro a, vemos
si puede darse que
1
=
4
o que
3
=
4
.
As,
1
=
4
si a = 1/2 y aparece entonces un autovalor triple ( = 0) y uno simple ( = 1). Por otro lado, para
a = 0,
3
=
4
y aparecen dos autovalores dobles ( = 0 y = 1).
Hemos visto que m
a
( = 0) = 2 cuando a = 1/2 y que m
a
( = 0) = 3 si a = 1/2. Ademas, m
a
( = 1) = 2 si
a = 0. Necesitamos calcular la multiplicidad geometrica de dichos autovalores, recordando que m
g
() = nr(AI)
para una matriz de orden n.
189
As, para = 0,
r(A 0 I) = r
_
_
1 0 a a
0 1 a a
1 0 a a
0 1 a a
_
_
= r
_
_
1 0 a a
0 1 a a
0 0 0 0
0 0 0 0
_
_
= 2 a R
con lo que m
g
( = 0) = 4 r(A) = 4 2 = 2 para cualquier valor de a.
De aqu deducimos que en la situaci on generica (a = 1/2, 0) la matriz es diagonalizable pues el unico autovalor
que no es simple ( = 0) verica que m
a
( = 0) = m
g
( = 0) = 2.
Sin embargo, si a = 1/2, m
a
( = 0) = 3 = m
g
( = 0) = 2, con lo que A no es diagonalizable para ese valor del
par ametro.
Por otra parte, si a = 0, obtenemos para = 1 que
r(A
(a=0)
1 I) = r
_
_
0 0 0 0
0 0 0 0
1 0 0 0
0 1 0 0
_
_
= r
_
_
1 0 0 0
0 1 0 0
0 0 0 0
0 0 0 0
_
_
= 2,
con lo que, para a = 0, m
g
( = 1) = 4 r(A I) = 2. As, para a = 0, como m
a
( = 0) = m
g
( = 0) = 2 y
m
a
( = 1) = m
g
( = 1) = 2, la matriz A es diagonalizable.
En resumen, A es diagonalizable siempre que a =
1
2
.
Ejercicio resuelto
Dada la matriz
A =
_
_
1 +a 1 a 2a 4
1 a 1 +a 2a 4
0 0 2a
_
_
, a R.
Estudiar para que valores de a la matriz A es diagonalizable.
Escribamos la ecuaci on caracterstica de A:
det[A I] = det
_
_
1 +a 1 a 2a 4
1 a 1 +a 2a 4
0 0 2a
_
_
= (2a )det
_
1 +a 1 a
1 a 1 +a
_
= (2a )[(1 + a )
2
(1 a)
2
] = 0.
Observemos que para resolver la ecuaci on de segundo grado, en vez de desarrollar los cuadrados para luego aplicar la
formula para las soluciones de dicha ecuaci on, es mas facil tomar races cuadradas:
(1 +a )
2
(1 a)
2
= 0 (1 +a )
2
= (1 a)
2
(1 +a ) = (1 a) = 2a, 2.
1
=
2
= 2a,
3
= 2.
matriz no sea diagonalizable debe tener alg un autovalor m ultiple (es decir, con multiplicidad algebraica mayor que
1). En nuestro problema siempre hay un autovalor doble y hay que investigar si puede incluso ser triple. Para ello
hacemos
1
=
3
(que se da para a = 1). En resumen, si a = 1 hay un autovalor triple ( = 2) y si a = 1 la matriz A
tiene un autovalor doble ( = 2a) y uno simple ( = 2).
1
=
2
= 2a. Estudiamos el n umero de autovectores (linealmente independientes) que
tiene asociados este autovalor doble:
A 2aI =
_
_
1 a 1 a 2a 4
1 a 1 a 2a 4
0 0 0
_
_
_
_
1 a 1 a 2a 4
0 0 0
0 0 0
_
_
r(A 2aI) = 1.
De esta forma, m
g
( = 2a) = 3 r(A 2aI) = 3 1 = 2. Puesto que, para a = 1, todos los autovalores de A (dos en
nuestro caso, uno doble y uno simple) tienen la misma multiplicidad algebraica que geometrica, deducimos que A es
diagonalizable.
1
=
2
=
3
asociados este autovalor triple:
A
(a=1)
=
_
_
2 0 2
0 2 2
0 0 2
_
_
A 2I =
_
_
0 0 2
0 0 2
0 0 0
_
_
_
_
0 0 1
0 0 0
0 0 0
_
_
r(A 2I) = 1,
190
con lo que m
g
( = 2) = 3 r(A2I) = 3 1 = 2. Puesto que el autovalor triple no tiene tres autovectores asociados,
entonces no todos los autovalores de A tienen la misma multiplicidad algebraica que geometrica, es decir, cuando
a = 1, A no es diagonalizable.
En resumen, A es diagonalizable si a = 1 y no lo es cuando a = 1.
Ejercicio resuelto
Escribir, razonadamente, tres matrices cuadradas de orden tres con autovalor cinco triple y multiplicidad geometrica
dos: m
a
( = 5) = 3, m
g
( = 5) = 2.
Nos piden que escribamos tres matrices cuadradas de orden tres con autovalor cinco triple y multiplicidad geometrica
dos: m
a
( = 5) = 3, m
g
( = 5) = 2.
Las matrices mas sencillas que podemos escribir con autovalores dados son las triangulares, pues los elementos de
su diagonal principal son precisamente sus autovalores. As, las matrices
_
1 2
0 4
_
,
_
_
1 2 7
0 4 2
0 0 5
_
_
,
_
_
1 0 0 0
0 4 0 0
2 0 5 0
3 7 1 0
_
_
,
tienen, respectivamente, como autovalores: 1 y 4; 1, 4 y 5; 1, 4, 5 y 0.
Por tanto, las siguientes matrices cuadradas de orden tres tienen autovalor cinco triple:
A
1
=
_
_
5 2 7
0 5 2
0 0 5
_
_
, A
2
=
_
_
5 0 1
0 5 2
0 0 5
_
_
, A
3
=
_
_
5 0 0
0 5 0
0 0 5
_
_
, A
4
=
_
_
5 0 0
1 5 0
1 0 5
_
_
, A
5
=
_
_
5 0 0
1 5 0
0 7 5
_
_
.
Pero ademas ese autovalor debe tener multiplicidad geometrica dos, m
g
( = 5) = 2, con lo que
m
g
( = 5) = 3 r(A 5I) = 2 r(A 5I) = 1.
Las matrices anteriores verican r(A
1
5I) = 2, r(A
2
5I) = 1, r(A
3
5I) = 0, r(A
4
5I) = 1, r(A
5
5I) = 2. Por
tanto, las condiciones que pide el enunciado son vericadas por las matrices A
2
y A
4
. As, satisfacen las exigencias del
enunciado las matrices
_
_
5 0 1
0 5 2
0 0 5
_
_
,
_
_
5 6 1
0 5 0
0 0 5
_
_
,
_
_
5 0 2
0 5 0
0 0 5
_
_
,
_
_
5 0 0
1 5 0
1 0 5
_
_
,
_
_
5 0 0
0 5 0
5 3 5
_
_
,
_
_
5 0 0
0 5 0
2 0 5
_
_
, ...
Ejercicio resuelto
Supongamos que C es una matriz real 3 3 que tiene autovalores
1
= 0 y
2
= 1 2i con autovectores asociados
v
1
= (1, 4, 9)
T
y v
2
= (2, 4 i, 2 +i)
T
. Responder, razonadamente, a las siguientes cuestiones:
(c.1) Es la matriz C simetrica?
(c.2) Es la matriz C invertible?
(c.3) Es la matriz C diagonalizable? En caso armativo, escribir las matrices de paso P y diagonal D correspon-
dientes.
(c.4) Es la matriz C semejante a una matriz real diagonal por bloques (o cuasidiagonal)? En caso armativo,
escribir las matrices de paso P y cuasidiagonal CD correspondientes.
Puesto que la matriz C es real, los autovalores complejos (no reales) que aparezcan lo har an por pares conjugados,
es decir que esta matriz 3 3 tiene como autovalores
1
= 0,
2
= 1 2i y
3
= 1 + 2i con autovectores asociados
v
1
= (1, 4, 9)
T
, v
2
= (2, 4 i, 2 +i)
T
y v
3
= (2, 4 +i, 2 i)
T
, donde v
3
es el conjugado de v
2
.
(c.1) La matriz C no es simetrica pues una matriz simetrica tiene todos sus autovalores reales.
(c.2) C no es invertible pues al tener un autovalor nulo su determinante es cero (recordemos que el determinante de
C coincide con el producto de sus autovalores).
(c.3) C es diagonalizable pues todos sus autovalores son simples. As, una matriz de paso P y la matriz diagonal
correspondiente D = P
1
AP resultan ser (ambas son matrices complejas)
P = [v
1
|v
2
|v
3
] =
_
_
1 2 2
4 4 i 4 +i
9 2 +i 2 i
_
_
P
1
AP = D = diag(
1
,
2
,
3
)
_
_
0 0 0
0 1 2i 0
0 0 1 + 2i
_
_
.
191
(c.4) Siempre que aparecen autovalores complejos en una matriz diagonalizable, esta es semejante a una matriz real
diagonal por bloques. Si el autovalor complejo
2
= a+ib tiene asociado el autovector v
2
, basta con construir la matriz
de paso real Q y obtener con ella una matriz real casi-diagonal CD:
Q = [v
1
|Re(v
2
)|Im(v
2
)] =
_
_
1 2 0
4 4 1
9 2 1
_
_
, CD = Q
1
AQ =
_
_
1
0 0
0 a b
0 b a
_
_
=
_
_
0 0 0
0 1 2
0 2 1
_
_
.
Ejercicio resuelto
Para cada una de las siguientes armaciones, justicar por que son ciertas o poner un ejemplo que muestre que
son falsas:
i) Si la matriz A es real y es autovalor de A, entonces tambien su conjugado, , es autovalor de A.
ii) Si todos los autovalores de la matriz A son iguales a cero, entonces A es la matriz nula.
Vamos a demostrar las armaciones que sean ciertas y a poner alg un ejemplo en el caso de que sean falsas.
(i) Si la matriz A es real y es autovalor de A, entonces tambien su conjugado, , es autovalor de A.
Esta armaci on es correcta y de facil demostracion. Consideremos la matriz real cuadrada A, escribamos la ecuaci on
autovalorautovector Ax = x y conjuguemosla:
Ax = x Ax = x Ax = x Ax = x.
Hemos probado que si es un autovalor de la matriz real A y x es un autovector asociado, entonces es autovalor de
A y x un autovector asociado. En la demostracion hemos usado que el conjugado de un producto es el producto de
los conjugados, y que A = A al tratarse de una matriz real.
(ii) Si todos los autovalores de la matriz A son iguales a cero, entonces A es la matriz nula.
Esta armaci on es falsa. Sabemos que si una matriz es triangular, entonces los autovalores coinciden con los
elementos de la diagonal principal. Basta pues con escribir una matriz triangular con todos los elementos de la
diagonal principal nulos y alg un elemento no nulo fuera de esa diagonal:
_
0 1
0 0
_
,
_
0 0
7 0
_
,
_
_
0 2 6
0 0 5
0 0 0
_
_
, ...
Ejercicio resuelto
Considerar la matriz
A =
_
_
0 1 0
2 0 2
0 1 0
_
_
.
Encontrar una matriz P real y unos n umeros a, b, c R tales que
P
1
AP =
_
_
a 0 0
0 b c
0 c b
_
_
.
La ecuaci on caracterstica de A es
det[AI] = det
_
_
1 0
2 2
0 1
_
_
=
3
4 = (
2
+ 4) = 0 = 0, 2i.
1
= 0,
2,3
= 2i.
Calculemos los autovectores correspondientes. As, para = 0,
A 0I = A =
_
_
0 1 0
2 0 2
0 1 0
_
_
_
_
1 0 1
0 1 0
0 0 0
_
_
Nul [A] = Gen
_
_
_
v
1
=
_
_
1
0
1
_
_
_
_
_
.
Como aparece un par de autovalores complejos conjugados, vamos a calcular el autovector asociado a uno cualquiera
de ellos, pues el del otro sera su conjugado. Por ejemplo, para = 2i
A + 2iI =
_
_
2i 1 0
2 2i 2
0 1 2i
_
_
_
_
1 i 1
0 1 2i
2i 1 0
_
_
_
_
1 i 1
0 1 2i
0 1 2i
_
_
_
_
1 i 1
0 1 2i
0 0 0
_
_
192
con lo que
x
2
= 2ix
3
, x
1
= ix
2
x
3
= i(2i)x
3
x
3
= x
3

_
_
x
1
x
2
x
3
_
_
= x
3
_
_
1
2i
1
_
_
.
Luego un autovector asociado a = 2i es v
2
= (1, 2i, 1)
T
y, por tanto, uno asociado a = 2i sera v
3
= v
2
=
(1, 2i, 1)
T
.
Como A es diagonalizable (todos sus autovalores son simples) podemos construir la matriz de paso Q = (v
1
|v
2
|v
3
)
de manera que Q
1
AQ = D = diag(0, 2i, 2i). Pero tanto Q como la matriz diagonal D son complejas. Para evitar
esto, si construimos la matriz real
P = (v
1
|Re(v
2
)|Im(v
2
)) =
_
_
1 1 0
0 0 2
1 1 0
_
_
obtendremos una matriz casi-diagonal (diagonal por bloques) al hacer el producto
P
1
AP =
_
_
0 0 0
0 0 2
0 2 0
_
_
donde, comparando con la matriz que nos da el enunciado, a = 0 (autovalor real asociado a v
1
), b = 0 y c = 2 (partes
real e imaginaria, respectivamente, del autovalor 2i asociado a v
2
).
Ejercicio resuelto
Sea B =
_
_
1 4 0
2 3 2
0 0 1
_
_
.
a) Diagonalizar B, indicando la matriz de paso.
b) Obtener una forma casi-diagonal real semejante a B, indicando la matriz de paso.
(a) Calcularemos en primer lugar los autovalores de B:
det(B I) = det
_
_
1 4 0
2 3 2
0 0 1
_
_
= (1 ) det
_
1 4
2 3
_
=
= (1 )(
2
2 + 5) = 0 = 1, =
2
4 20
2
= 1 2i.
Observemos que, al tener todos los autovalores simples, B es diagonalizable.
A continuacion, calcularemos los autovectores:
= 1:
Nul (B +I) = Nul
_
_
0 4 0
2 4 2
0 0 0
_
_
= Gen
_
_
_
_
_
1
0
1
_
_
_
_
_
.
= 1 + 2i:
Nul (B (1 + 2i)I) = Nul
_
_
2 2i 4 0
2 2 2i 2
0 0 2 2i
_
_
= (Elim. Gauss) =
= Nul
_
_
1 1 +i 0
0 0 1
0 0 0
_
_
= Gen
_
_
_
_
_
2
1+i
1
0
_
_
_
_
_
= Gen
_
_
_
_
_
1 i
1
0
_
_
_
_
_
.
= 1 2i: Basta conjugar:
Nul (B (1 2i)I) = Gen
_
_
_
_
_
1 +i
1
0
_
_
_
_
_
.
193
De esta manera, tenemos que P
1
BP = D, siendo
D =
_
_
1 0 0
0 1 + 2i 0
0 0 1 2i
_
_
diagonal, y P =
_
_
1 1 i 1 +i
0 1 1
1 0 0
_
_
.
(b) Para obtener una forma casi-diagonal real semejante a B, basta tomar parte real e imaginaria en uno de los
autovalores complejos (por ejemplo, nos centraremos en = 1 + 2i), y repetir el proceso con uno de sus autovectores
asociados:
_
_
1 i
1
0
_
_
=
_
_
1
1
0
_
_
+i
_
_
1
0
0
_
_
.
Puesto que un autovalor complejo = a+bi nos conduce a un bloque de la forma
_
a b
b a
_
, obtenemos Q
1
BQ = C,
siendo
C =
_
_
1 0 0
0 1 2
0 2 1
_
_
casi-diagonal real, y Q =
_
_
1 1 1
0 1 0
1 0 0
_
_
.
5. Ejercicios.
Ejercicio 1. Dada la matriz
A =
_
_
3 0 a
3 1 b
2 0 c
_
_
.
1. Calcular A de forma que (2, 0, 1)
T
sea un autovector cuyo autovalor correspondiente es = 1.
2. Hallar los dem as autovalores y autovectores.
Ejercicio 2. Sabiendo que la matriz
_
_
0 c a
1 0 b
1 1 0
_
_
es diagonalizable y tiene un autovalor doble, calcular a, b y c.
Ejercicio 3. Para que valores de a R tiene la siguiente matriz A tres autovectores linealmente independientes? (es
decir, estudiar cuando A es diagonalizable)
A =
_
_
1 0 0
a 1 0
1 1 2
_
_
.
Ejercicio 4. Dada la matriz A =
_
_
1 0 1
a 2 2
3 0 1
_
_
, a R.
1. Calcular los valores de a para los que A es diagonalizable.
2. Para dichos valores de a, calcular los autovalores y los autovectores de A
1
.
3. Para dichos valores de a, calcular A
n
.
Ejercicio 5. Estudiar la diagonalizabilidad de las siguientes matrices en funci on de los par ametros que aparecen.
A =
_
_
a + 3 b 1
0 a 0
a
2
1 c a + 1
_
_
, B =
_
_
5 0 0
0 1 b
3 0 a
_
_
, C =
_
_
1 0 0 0
a 1 0 0
b d 1 0
c e f 1
_
_
.
Ejercicio 6. Sea f : R
4
R
4
la aplicacion lineal dada por f(x) = Ax, donde A =
_
_
a 1 1 1
0 b 0 3
1 2 c 1
0 1 0 d
_
_
.
194
1. Hallar A sabiendo que f(S
1
) = S
2
, donde
S
1

_
x
1
x
2
= 0
x
3
+x
4
= 0
y S
2
= Gen{(1, 2, 1, 1)
T
, (0, 3, 1, 2)
T
}.
2. Probar que A no es diagonalizable.
Ejercicio 7. Consideremos la matriz A =
_
_
a
1
b
1
c
1
1 b
2
c
2
0 b
3
c
3
_
_
.
(a) Determinar los elementos de A sabiendo que sus autovalores son
1
= 2 y
2
= 3 (doble), que v
1
= (1, 2, 1)
T
es
un autovector asociado a
2
= 3 y v
2
= (2, 1, 0)
T
satisface que Av
2
= 3v
2
+v
1
.
(b) Estudiar si A es diagonalizable.
(c) Calcular las soluciones del sistema de ecuaciones en diferencias
u
n
= Au
n1
para los vectores iniciales u
0
= (1, 2, 1)
T
y u
0
= (1, 3, 2)
T
.
Ejercicio 8. Dado el sistema de ecuaciones en diferencias u
n
= Au
n1
, siendo A =
_
_
0 0 0
0 0 0
0 0 0
0 0 0
_
_
,
1. Obtener la expresion general de u
n
, seg un los valores de R.
2. Calcular u
10
, dado el vector inicial u
0
= (0, 2, 0, 2)
T
.
195
Tema 11.- Matrices simetricas reales.
1. Propiedades. Diagonalizacion ortogonal.
2. Aplicacion a las formas cuadraticas.
3. Aplicacion a las c onicas y cuadricas.
4. Ejercicios.
1. Propiedades. Diagonalizacion ortogonal.
Las matrices simetricas reales constituyen uno de los tipos mas importantes de matrices para las cuales puede
garantizarse la diagonalizabilidad, y ademas mediante una matriz de paso real. Resumiendo lo que sigue, veremos que
para matrices simetricas reales se verica que:
sus autovalores son reales, (y por tanto, asociado a cada autovalor hay autovectores reales),
a autovalores distintos corresponden autovectores ortogonales (recordemos que para una matriz cuadrada
generica se cumple que a autovalores distintos corresponden autovectores linealmente independientes),
es diagonalizable (aunque tenga autovalores m ultiples),
se puede obtener una matriz de paso Q que diagonaliza A (sus columnas son autovectores linealmente indepen-
dientes que forman una base de R
n
) que es ortogonal, es decir, las columnas de Q son autovectores de A que
forman una base ortonormal de R
n
. Expresado en forma matricial,
Q
1
= Q
T
, Q
1
AQ = D Q
T
AQ = D.
1.1. Diagonalizacion.
Teorema. Sea A una matriz real simetrica. Entonces:
(a) Todos los autovalores de A son reales.
(b) Si v
1
y v
2
son autovectores (reales) de A asociados a autovalores distintos
1
y
2
, entonces v
1
y v
2
son ortogonales.
Teorema (espectral para matrices simetricas) Sea A una matriz real n n. Son equivalentes:
(a) A es simetrica.
(b) A es diagonalizable mediante una matriz de paso ortogonal, es decir, existe una matriz ortogonal Q tal que
Q
1
AQ Q
T
AQ = D es diagonal.
En ese caso, las columnas de la matriz
Q =
_
_
q
1
. . . q
n
_
_
{q
1
, . . . , q
n
} son un conjunto de autovectores de A que forman una Base Ortonormal de R
n
y, ademas, tenemos
que
A = QDQ
T
=
_
_
q
1
. . . q
n
_
_
_
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
n
_
_
_
_
q
T
1
q
T
2
. . .
q
T
n
_
_
=
1
q
1
q
T
1
+
2
q
2
q
T
2
+. . . +
n
q
n
q
T
n
.
Cada matriz q
k
q
T
k
es la matriz de la proyeccion ortogonal sobre el subespacio generado por el correspondiente vector
{q
k
} (es una matriz de rango 1). As, la expresion
A =
1
q
1
q
T
1
+
2
q
2
q
T
2
+. . . +
n
q
n
q
T
n
,
que se llama descomposici on espectral de A, nos da la matriz simetrica A como una combinaci on lineal de matrices
de proyeccion de rango 1.
196
Ejercicio resuelto
Diagonalizar ortogonalmente la matriz
M =
_
_
6 1 0
1 6 0
0 0 2
_
_
.
La ecuaci on caracterstica de esta matriz es
det[M I] = det
_
_
6 1 0
1 6 0
0 0 2
_
_
= (2 )det
_
6 1
1 6
_
=
= (2 )[(6 )
2
1] = 0
_
= 2,
(6 )
2
= 1 6 = 1 = 5, 7.
Tenemos, por tanto, tres autovalores simples: = 2, 5, 7. Calculemos ahora los autovectores correspondientes. Ya
sabemos que, al ser la matriz M simetrica, estos deben ser ortogonales. Nosotros los tomaremos ademas unitarios.
= 2 :
Nul [M 2I] = Nul
_
_
8 1 0
1 8 0
0 0 0
_
_
= Gen
_
_
_
_
_
0
0
1
_
_
_
_
_
.
= 5 :
Nul [M + 5I] = Nul
_
_
1 1 0
1 1 0
0 0 7
_
_
= Gen
_
_
_
1
2
_
_
1
1
0
_
_
_
_
_
.
= 7 :
Nul [M + 7I] = Nul
_
_
1 1 0
1 1 0
0 0 9
_
_
= Gen
_
_
_
1
2
_
_
1
1
0
_
_
_
_
_
.
Por ultimo, tenemos P
1
MP = P
T
MP = D siendo
P =
_
_
0
1
2

1
2
0
1
2
1
2
1 0 0
_
_
ortogonal, y D =
_
_
2 0 0
0 5 0
0 0 7
_
_
diagonal.
Ejercicio resuelto
Sea la matriz
A =
_
_
3 0 a 1
a 2 4 0
1 0 a + 1
_
_
, a R.
(a) Estudiar para que valores de a la matriz A es diagonalizable.
(b) Determinar los valores de a para los que A es diagonalizable ortogonalmente. Para dichos valores, diagonalizarla
ortogonalmente (se pide una matriz de paso ortogonal, una matriz diagonal y escribir su relacion con la matriz
A).
(c) Para a = 2, calcular A
n
u
0
siendo u
0
= (1, 3, 3)
T
.
(d) Determinar los valores de a para los que la matriz
1
3
A
2
5
aI no tiene inversa.
det[A I] =
3 0 a 1
a 2 4 0
1 0 a + 1
= (4 )
3 a 1
1 a + 1
= (4 )[
2
(a + 4) + 2(a + 2)] = (4 )( 2)[ (2 +a)] = 0.
1
= 4,
2
= 2 y
3
= a + 2.
197
Veamos primeramente cuando hay autovalores dobles. Ello sucedera si
1
=
2
(no puede darse), si
1
=
3
(cuando
a = 2) o si
2
=
3
(cuando a = 0). Notemos que al ser
1
=
2
no puede darse el caso de autovalor triple.
Por tanto, si a = 0, 2 la matriz es diagonalizable pues todos sus autovalores son simples.
Estudiemos los valores de a para los que hay autovalores dobles. Para a = 2 los autovalores son
1
=
3
= 4 (doble)
y
2
= 2. Estudiamos el n umero de autovectores (linealmente independientes) que tiene asociados ese autovalor doble:
(A 4I)
a=2
=
_
_
1 0 1
0 0 0
1 0 1
_
_
_
_
1 0 1
0 0 0
0 0 0
_
_
r(A 4I) = 1.
De esta forma, m
g
( = 4) = 3 r(A 4I) = 3 1 = 2. Puesto que, para a = 2, todos los autovalores de A (dos en
nuestro caso, uno doble y uno simple) tienen la misma multiplicidad algebraica que geometrica, deducimos que A es
diagonalizable.
Ahora, para a = 0, tenemos
1
= 4,
2
=
3
= 2. Estudiamos los autovectores (linealmente independientes) que
tiene asociados el autovalor doble:
(A 2I)
(a=0)
=
_
_
1 0 1
2 2 0
1 0 1
_
_
_
_
1 0 1
0 2 2
0 0 0
_
_
r(A 2I) = 2,
con lo que m
g
( = 2) = 3 r(A2I) = 3 2 = 1. Puesto que el autovalor doble no tiene dos autovectores asociados,
En resumen, A es diagonalizable si a = 0 y no lo es cuando a = 0.
(b) Sabemos que el que A sea diagonalizable ortogonalmente, es decir, que se pueda diagonalizar mediante una matriz
de paso ortogonal, es equivalente a que la matriz A sea simetrica, A
T
= A. Esto, trivialmente, ocurre para a 2 = 0 y
a1 = 1, es decir, para a = 2. Para este valor, existen una matriz P ortogonal, P
1
= P
T
(que formamos con una base
ortonormal de autovectores) y una matriz diagonal D (en la que aparecen los autovalores ordenados adecuadamente)
tales que P
T
AP = D.
Por el apartado anterior sabemos que para a = 2 los autovalores de A son
1
=
3
= 4,
2
= 2. Vamos a calcular
sus autovectores.
A
(a=2)
=
_
_
3 0 1
0 4 0
1 0 3
_
_
A 4I =
_
_
1 0 1
0 0 0
1 0 1
_
_
_
_
1 0 1
0 0 0
0 0 0
_
_
,
es decir, que los autovectores asociados al autovalor doble,
1
=
3
= 4, verican x
1
x
3
= 0, que tiene como
solucion general (x
1
, x
2
, x
3
)
T
= x
2
(0, 1, 0)
T
+ x
3
(1, 0, 1)
T
, x
2
, x
3
R. Es decir, podemos elegir como autovectores a
u
1
= (1, 0, 1)
T
y u
2
= (0, 1, 0)
T
(que, por fortuna, son ortogonales, lo que nos evita tener que aplicar el metodo de
GramSchmidt o tener que buscarlos con cuidado a partir de su ecuaci on implcita).
Para
2
= 2:
A2I =
_
_
1 0 1
0 2 0
1 0 1
_
_
_
_
1 0 1
0 1 0
0 0 0
_
_
_
_
x
1
x
2
x
3
_
_
= x
3
_
_
1
0
1
_
_
, x
3
R.
Es decir, el tercer autovector que necesitamos, asociado a
2
= 2, es, por ejemplo, u
3
= (1, 0, 1)
T
. Empleamos unos
segundos en comprobar que u
3
es ortogonal a los autovectores u
1
y u
2
(recordemos que, en una matriz simetrica, los
autovectores correspondientes a autovalores distintos son ortogonales).
As, normalizando los autovectores podemos construir una matriz de paso P ortogonal
P =
_
u
1
||u
1
||
u
2
||u
2
||
u
3
||u
3
||
_
=
_
_
1/
2 0 1/
2
0 1 0
1/
2 0 1/
2
_
_
.
Para esta P, la matriz diagonal D para la que se verica P
T
AP = D es
_
_
4 0 0
0 4 0
0 0 2
_
_
.
(c) En el apartado anterior, ya hemos construido para a = 2 una base de R
3
, {u
1
, u
2
, u
3
}, formada por autovectores
de A (no han hecho falta autovectores generalizados pues A es diagonalizable).
198
Nos piden calcular u
n
= A
n
u
0
. Para ello, expresamos el vector inicial u
0
= (1, 3, 3)
T
como combinaci on lineal
de los autovectores y autovectores generalizados que obtuvimos antes:
u
0
= u
1
+u
2
+u
3
u
0
=
_
_
1
3
3
_
_
=
_
_
1
0
1
_
_
+
_
_
0
1
0
_
_
+
_
_
1
0
1
_
_
_
_
_
+ = 1,
= 3,
= 3.
La solucion de este sistema es = 2, = 3, = 1, de forma que u
0
= 2u
1
+ 3u
2
+ u
3
. En nuestro caso, como
tenemos tres autovectores que verican (A 4I)u
1
= 0, (A 4I)u
2
= 0 y (A 2I)u
3
= 0 obtenemos
A
n
u
1
=
n
u
1
= 4
n
_
_
1
0
1
_
_
, A
n
u
2
=
n
u
2
= 4
n
_
_
0
1
0
_
_
, A
n
u
3
=
n
u
3
= 2
n
_
_
1
0
1
_
_
.
En consecuencia, el vector que obtenemos es
A
n
u
0
= A
n
(2u
1
+ 3u
2
+u
3
) = 2A
n
u
1
+ 3A
n
u
2
+A
n
u
3
= 2 4
n
_
_
1
0
1
_
_
+ 3 4
n
_
_
0
1
0
_
_
+ 2
n
_
_
1
0
1
_
_
=
_
_
2 4
n
+ 2
n
3 4
n
2 4
n
2
n
_
_
= 2
n
_
_
2 2
n
+ 1
3 2
n
2 2
n
1
_
_
.
(d) Una matriz cuadrada tiene inversa, por ejemplo, si su determinante es distinto de cero. Como el determinante de
una matriz coincide con el producto de sus autovalores, la matriz es invertible si todos sus autovalores son no nulos.
A partir de los autovalores de A es facil calcular los de
1
3
A
2
5
aI. Si los autovalores de A son
1
= 4,
2
= 2 y
3
= a + 2 entonces los autovalores de la matriz
1
3
A son
1
=
4
3
,
2
=
2
3
y
3
=
a+2
3
(ya que si es autovalor de
A entonces lo es de la matriz A, = 0) y los de la matriz
1
3
A
2
5
aI resultan ser
1
=
4
3

2
5
a,
2
=
2
3

2
5
a y
3
=
a+2
3

2
5
a (ya que si es autovalor de A entonces es autovalor de A I).
Recordemos las demostraciones de las dos propiedades utilizadas, que son inmediatas. Partiendo de Ax = x,
x = 0, es decir, es un autovalor de la matriz cuadrada A y x es un autovector asociado a ese autovalor obtenemos,
por un lado, que
(A)x = Ax = x = ()x,
es decir, que es un autovalor de A ( = 0) con el mismo autovector x. Tambien, por otro lado, llegamos a
(A I)x = Ax x = x x = ( )x,
es decir, es un autovalor de AI con el mismo autovector x.
Por tanto, el primer autovalor solo se anula si a =
10
3
, el segundo si a =
5
3
y el tercero si a = 10. Concluimos pues
que la matriz
1
3
A
2
5
aI es invertible siempre que a =
5
3
,
10
3
, 10.
Otra alternativa, no recomendable por ser mucho mas larga y con muchas posibilidades de error en los operaciones,
es calcular directamente el determinante de la matriz y exigir que sea distinto de cero:
0 =
1
3
A
2
5
aI
1
2
5
a 0
a1
3
a2
3
4
3

2
5
a 0
1
3
0
a+1
3

2
5
a
=
_
4
3

2
5
a
_
1
2
5
a
a1
3
1
3
a+1
3

2
5
a
= ...
Ejercicio resuelto
Diagonalizar ortogonalmente la matriz
B =
_
_
3 1 1
1 3 1
1 1 3
_
_
.
Necesitamos encontrar una base ortonormal de autovectores que nos permita formar una matriz de paso P ortogonal
(P
1
= P
T
). Y sabemos que existe porque B es simetrica (y esto hace, ademas, que todos los autovalores de B son
reales).
La ecuaci on caracterstica de la matriz dada es
|B I| =
3 1 1
1 3 1
1 1 3
F3F2
=
3 1 1
1 3 1
0 2 + 2
C2+C3
=
3 1 2
1 3 4
0 2 + 0
= ( 2)
3 2
1 4
= ( 2)(
2
7 + 10) = ( 2)
2
( 5) = 0.
1
= 5 y uno doble,
2,3
= 2. Conviene comprobar, para detectar posibles
errores, que la suma de los autovalores coincide con la traza de B: 5 + 2 + 2 = 3 + 3 + 3.
199
Calculemos ahora los autovectores correspondientes.
1
= 5 :
Nul [B 5I] = Nul
_
_
2 1 1
1 2 1
1 1 2
_
_
= Nul
_
_
1 1 2
0 1 1
0 0 0
_
_
= Gen
_
_
_
u
1
=
_
_
1
1
1
_
_
_
_
_
.
2,3
= 2 :
Nul [B 2I] = Nul
_
_
1 1 1
1 1 1
1 1 1
_
_
= Nul
_
_
1 1 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
u
2
=
_
_
1
1
0
_
_
, u
3
=
_
_
1
0
1
_
_
_
_
_
.
Conviene comprobar (para detectar posibles errores) que u
1
es ortogonal a u
2
y a u
3
(pues en las matrices simetricas,
los autovectores correspondientes a autovalores distintos son ortogonales).
Sin embargo, los autovectores que hemos encontrado para para el autovalor doble
2,3
= 2 no son ortogonales.
Sabemos que si construimos
P
1
=
_
_
1 1 1
1 1 0
1 0 1
_
_
P
1
1
BP
1
= D =
_
_
5 0 0
0 2 0
0 0 2
_
_
,
pero P
1
no es una matriz ortogonal (sus columnas no son ortonormales).
Tenemos que encontrar dos autovectores ortogonales de
2,3
= 2. Podemos aplicar el metodo de GramSchmidt a
{u
2
, u
3
}:
v
2
= u
2
=
_
_
1
1
0
_
_
,
v
3
= u
3
u
3
v
2
v
2
v
2
v
2
=
_
_
1
0
1
_
_
1
2
_
_
1
1
0
_
_
=
_
_
1/2
1/2
1
_
_
v
3
=
_
_
1
1
2
_
_
(no olvidemos comprobar que v
3
es perpendicular a v
2
y que verica las ecuaciones implcitas de Nul [B 2I], x
1
+
x
2
+x
3
= 0). Si construimos P
2
= (u
1
|v
2
|v
3
), se verica P
1
2
BP
2
= D, pero P
2
no es una matriz ortogonal, pues sus
columnas son ortogonales pero no ortonormales. Nos basta con construir
P
3
=
_
u
1
||u
1
||
v
2
||v
2
||
3
||v
3
||
_
=
_
_
3/3
2/2
6/6
3/3
2/2
6/6
3/3 0
6/3
_
_
P
1
3
BP
3
= D =
_
_
5 0 0
0 2 0
0 0 2
_
_
,
para tener una matriz de paso ortogonal, P
1
3
= P
T
3
, es decir, P
T
3
BP
3
= D.
de Nul [B2I]. Como su ecuaci on implcita es x
1
+x
2
+x
3
= 0, elegimos un primer autovector cualquiera que verique
esa ecuaci on, por ejemplo, u
2
= (1, 1, 0)
T
. Ahora el segundo autovector, w
3
= (a, b, c)
T
, lo determinamos exigiendo
que verique la ecuaci on anterior y que sea perpendicular a u
2
, es decir, debe vericar a+b+c = 0, ab = 0. Soluci on
de este sistema es cualquier m ultiplo de (1, 1, 2)
T
, tomamos pues w
3
= (1, 1, 2)
T
. De esta forma construimos la
matriz de paso ortogonal (columnas ortonormales)
P
4
=
_
u
1
||u
1
||
u
2
||u
2
||
w
3
||w
3
||
_
,
que, en este caso, coincide con P
3
.
Ejercicio resuelto
(a) Diagonalizar ortogonalmente la matriz
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
.
(b) Calcular, razonadamente, los autovalores y autovectores de A
20
, A 5I, A
1
. Demostrar las propiedades
utilizadas.
(a) Necesitamos encontrar una base ortonormal de autovectores que nos permita formar una matriz de paso P ortogonal
(P
1
= P
T
).
200
|A I| =
1 1 1
1 1 1
1 1 1
F3+F2
=
1 1 1
1 1 1
0 2 2
C2+C3
=
1 2 1
1 1
0 0 2
= (2 )
1 2
1
= (2 )(
2
2) = ( 2)
2
( + 1) = 0.
Conviene comprobar, para detectar posibles errores, que la suma de los autovalores coincide con la traza de A:
1 + 2 + 2 = 1 + 1 + 1.
1
= 1 y uno doble,
2,3
= 2. Calculemos ahora los autovectores
correspondientes. Ya sabemos que, al ser la matriz A simetrica, los autovectores correspondientes a autovalores distintos
deben ser ortogonales.
1
= 1 :
Nul [A +I] = Nul
_
_
2 1 1
1 2 1
1 1 2
_
_
= Nul
_
_
1 2 1
0 1 1
0 0 0
_
_
= Gen
_
_
_
u
1
=
_
_
1
1
1
_
_
_
_
_
.
2,3
= 2 :
Nul [A 2I] = Nul
_
_
1 1 1
1 1 1
1 1 1
_
_
= Nul
_
_
1 1 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
u
2
=
_
_
1
1
0
_
_
, u
3
=
_
_
1
0
1
_
_
_
_
_
.
Observemos que los autovectores que hemos encontrado para
2,3
= 2 no son ortogonales. Sabemos que si construimos
P
1
=
_
_
1 1 1
1 1 0
1 0 1
_
_
P
1
1
AP
1
= D =
_
_
1 0 0
0 2 0
0 0 2
_
_
,
pero P
1
2,3
= 2. Podemos aplicar el metodo de GramSchmidt a
{u
2
, u
3
}:
v
2
= u
2
=
_
_
1
1
0
_
_
,
v
3
= u
3
u
3
v
2
v
2
v
2
v
2
=
_
_
1
0
1
_
_
1
2
_
_
1
1
0
_
_
=
_
_
1/2
1/2
1
_
_
v
3
=
_
_
1
1
2
_
_
(comprobemos que v
3
2
y que verica las ecuaciones implcitas de Nul [A2I], x
1
x
2
+x
3
= 0).
Si construimos P
2
= (u
1
|v
2
|v
3
), se verica P
1
2
AP
2
= D, pero P
2
no es una matriz ortogonal, pues sus columnas son
ortogonales pero no ortonormales. Nos basta con construir
P
3
=
_
u
1
||u
1
||
v
2
||v
2
||
3
||v
3
||
_
=
_
_
1/
3 1/
2 1/
6
1/
3 1/
2 1/
6
1/
3 0 2/
6
_
_
P
1
3
AP
3
= D =
_
_
1 0 0
0 2 0
0 0 2
_
_
,
para tener una matriz de paso ortogonal, P
1
3
= P
T
3
, es decir, P
T
3
BP
3
= D.
de Nul [A2I]. Como su ecuaci on implcita es x
1
x
2
+x
3
2
= (1, 1, 0)
T
3
= (a, b, c)
T
, lo determinamos exigiendo que
verique la ecuaci on anterior y que sea perpendicular a u
2
, es decir, debe vericar a b + c = 0, a + b = 0. Soluci on
T
, tomamos pues w
3
= (1, 1, 2)
T
P
4
=
_
u
1
||u
1
||
u
2
||u
2
||
w
3
||w
3
||
_
,
3
.
201
(b) Partimos de Ax = x, x = 0, es decir, es un autovalor de la matriz cuadrada A y x es un autovector asociado a
ese autovalor. As, para k = 1, 2, 3, . . .,
A
k
x = A
k1
(Ax) = A
k1
(x) = A
k1
x = A
k2
Ax =
2
A
k2
x = . . . =
k1
Ax =
k
x,
luego
k
k
20
20
1
=
(1)
20
= 1 con u
1
= (1, 1, 1)
T
20
2,3
= 2
20
, con autovectores u
2
= (1, 1, 0)
T
y
u
3
= (1, 0, 1)
T
.
Por otra parte,
(A I)x = Ax x = x x = ( )x,
es decir, es un autovalor de A I con el mismo autovector x. En nuestro caso, A 5I tendra un autovalor
simple
1
5 = 1 5 = 6 con u
1
= (1, 1, 1)
T
2,3
5 = 2 5 = 3, con
autovectores u
2
= (1, 1, 0)
T
y u
3
= (1, 0, 1)
T
.
Finalmente, si A es invertible,
Ax = x A
1
Ax = A
1
x x = A
1
x A
1
x =
1
x,
es decir,
1
1
1
1/
1
= 1/(1) = 1 con u
1
= (1, 1, 1)
T
como autovector asociado, y uno doble, 1/
2,3
= 1/2, con autovectores
u
2
= (1, 1, 0)
T
y u
3
= (1, 0, 1)
T
.
Ejercicio resuelto
Sea A una matriz 4 4 simetrica. Sean v
1
= [1, 0, 0, 1]
T
, v
2
= [1, 1, 0, 0]
T
y v
3
= [0, 1, 1, 0]
T
autovectores de
A asociados a un autovalor
1
. Supongamos que A tiene otro autovalor
2
distinto de
1
. Encontrar una base
ortogonal de R
4
formada por autovectores de A.
Como la matriz A es simetrica, sabemos que sus autovalores son reales, que a autovalores distintos les corresponden
autovectores ortogonales y que es diagonalizable, aunque tenga autovalores m ultiples, ortogonalmente.
Como A es 44 y tiene un autovalor triple (pues
1
tiene tres autovectores linealmente independientes asociados),
entonces el otro autovalor tiene que ser simple. Su correspondiente autovector, de la forma x = (a, b, c, d)
T
, tiene que
ser ortogonal a los tres dados en el enunciado:
_
_
_
x v
1
x v
1
= 0 a +d = 0,
x v
2
x v
2
= 0 a +b = 0,
x v
3
x v
3
= 0 b c = 0.
La solucion de ese sistema es x = (1, 1, 1, 1)
T
, R, con lo que podemos tomar, como el autovector que falta,
a
v
4
=
_
_
1
1
1
1
_
_
.
Por tanto, una base de R
4
formada por autovectores es {v
1
, v
2
, v
3
, v
4
}. Basta con aplicar el metodo de Gram
Schmidt a esta base para obtener una base ortogonal de R
4
formada por autovectores. De hecho, basta con aplic arselo
a los tres primeros, pues v
4
es perpendicular a ellos, para obtener tres autovectores de
1
ortogonales:
x
1
= v
1
=
_
_
1
0
0
1
_
_
,
x
2
= v
2
v
2
x
1
x
1
x
1
x
1
= v
2
1
2
x
1
=
_
_
1/2
1
0
1/2
_
_
x
2
=
_
_
1
2
0
1
_
_
,
x
3
= v
3
v
3
x
1
x
1
x
1
x
1
v
3
x
2
x
2
x
2
x
2
= v
3
0
2
x
1
2
6
x
2
=
_
_
1/3
1/3
1
1/3
_
_
x
3
=
_
_
1
1
3
1
_
_
.
Por tanto una base ortogonal de R
4
formada por autovectores es
_
_
x
1
=
_
_
1
0
0
1
_
_
, x
2
=
_
_
1
2
0
1
_
_
, x
3
=
_
_
1
1
3
1
_
_
, v
4
=
_
_
1
1
1
1
_
_
_
_
.
202
Observemos que, como v
1
y v
3
ya son ortogonales, si aplicamos el metodo de GramSchmidt a los vectores
{v
1
, v
3
, v
2
} (en este orden) nos proporciona como autovectores ortogonales de
1
a {v
1
, v
3
, u = (1, 1, 1, 1)
T
} con
lo que obtenemos la siguiente base ortogonal formada por autovectores
{v
1
= (1, 0, 0, 1)
T
, v
3
= (0, 1, 1, 0)
T
, u = (1, 1, 1, 1)
T
, v
4
= (1, 1, 1, 1)
T
}.
2. Aplicacion a las formas cuadraticas.
2.1. Representacion matricial y cambio de variables.
Ya vimos en el Tema 2 que es una forma cuadratica, c omo puede reducirse a suma de cuadrados (completando
cuadrados) y a partir de dicha expresion como suma de cuadrados estudiar los valores que puede alcanzar. Ahora
veremos la expresion matricial y la relacion entre la reduccion a suma de cuadrados y la diagonalizacion de la matriz
simetrica (real) asociada a la forma cuadratica en las variables dadas.
Consideremos una forma cuadratica en n variables : R
n
R
(x
1
, x
2
, . . . , x
n
) = [x
1
x
2
. . . x
n
] A
_
_
x
1
x
2
.
.
.
x
n
_
_
= x
T
Ax
siendo A = [a
ij
] la matriz simetrica asociada a la forma cuadratica
a
ii
= (e
i
) =
1
2
x
2
i
, a
ij
=
1
2
x
i
x
j
.
Al hacer un cambio de variables x = Py (P matriz nn no-singular), es decir al expresar la forma cuadratica respecto
a la base formada por los vectores columna de P, obtenemos
x
T
Ax = y
T
P
T
APy
es decir, la matriz de la forma cuadratica en las variables y = [y
1
, . . . , y
n
]
T
es B = P
T
AP.
Cuando dos matrices A y B est an relacionadas mediante una igualdad del tipo anterior B = P
T
AP para alguna
matriz P no singular, se dice que A y B son congruentes.
2.2. El Teorema de los ejes principales. Ley de inercia de Sylvester.
Cuando en una forma cuadratica (x) = x
T
Ax hacemos un cambio de variables x = Py (P matriz no singular)
tenemos que
x
T
Ax = y
T
_
P
T
AP
_
y
con lo cual la matriz B = P
T
AP (que representa a respecto a la base formada por los vectores columna de P) tiene
el mismo rango que A puesto que P tiene inversa.
Denicion. El rango de una forma cuadratica en R
n
se dene como el rango de la matriz que la representa (no
importa en que base).
Reducir una forma cuadratica x
T
Ax a suma de cuadrados
1
y
2
1
+ +
n
y
2
n
mediante un cierto cambio de variables
x = Py es lo mismo que obtener una matriz P de forma que P
T
AP sea una matriz diagonal. Por lo general, para
cualquier matriz A (simetrica real) hay muchas formas distintas de determinar una matriz P de forma que P
T
AP
sea diagonal puesto que cada vez que reduzcamos x
T
Ax a suma de cuadrados completando cuadrados, tendremos
una matriz P tal que P
T
AP es diagonal y los elementos diagonales que aparecen en dicha matriz diagonal son los
coecientes de la expresion en suma de cuadrados. Dichos coecientes de la expresion en suma de cuadrados dependen
de la forma en la que hagamos la reduccion, es decir, de la matriz P asociada. La matriz P asociada a una reduccion a
suma de cuadrados no tiene, por lo general, caractersticas especiales (salvo que tiene inversa), sin embargo, utilizando
los resultados sobre matrices simetricas, puede determinarse una matriz P con buenas propiedades (ser ortogonal) que
permite reducir la forma cuadratica a suma de cuadrados y ademas los coecientes que aparecen en dicha suma de
cuadrados son los autovalores de la matriz A simetrica real asociada a la forma cuadratica.
203
Teorema. (de los ejes principales) Sea A una matriz real simetrica, entonces existe un cambio de variables ortogonal
x = Py (es decir, con P matriz ortogonal) que reduce la forma cuadratica x
T
Ax a suma de cuadrados
y
T
Dy =
1
y
2
1
+ +
n
y
2
n
siendo
1
, . . . ,
n
los autovalores (iguales o distintos) de la matriz A.
En dicho caso las matrices A y D son semejantes (puesto que P
1
AP = D) y congruentes (puesto que P
T
AP = D)
siendo la matriz de paso la misma matriz P cuyas columnas son autovectores de A que forman una base ortonormal
de R
n
. Los vectores columna de P se denominan ejes principales de la forma cuadratica.
Concretemos, por ejemplo, para una forma cuadratica Q : R
3
R, denida en la base canonica por Q(x) = x
T
Ax.
El teorema anterior nos garantiza que es posible elegir una base de R
3
en la que Q aparece como una suma de cuadrados
cuyos coecientes son los autovalores de A. Para demostrarlo, basta con tomar una base ortonormal de R
3
formada
por autovectores de A (esto es siempre posible al ser A simetrica, A
T
= A). Construimos con dicha base una matriz
ortogonal P, P
T
= P
1
, que nos dene el cambio de base x = Py con el que obtenemos
Q(x) = x
T
Ax = (Py)
T
APy = y
T
P
T
APy = y
T
P
1
APy = y
T
Dy =
1
y
2
1
+
2
y
2
2
+
3
y
2
3
.
En el primer paso de la demostracion hemos hecho el cambio de base x = Py, en el segundo hemos desarrollado la
traspuesta del producto, en el tercero hemos utilizado que P es ortogonal, en el cuarto que A es diagonalizable y en
el quinto que en la matriz diagonal D aparecen los autovalores de A.
Reduciendo de diferentes modos una forma cuadratica a suma de cuadrados, podemos obtener coecientes difer-
entes. Sin embargo se verica el siguiente resultado:
Teorema. (Ley de inercia de Sylvester) Si al hacer sobre la forma cuadratica (x) = x
T
Ax (A matriz simetrica)
los cambios de variables x = P
1
y y x = P
2
z esta queda reducida a suma de cuadrados, es decir
D
1
= P
T
1
AP
1
y D
2
= P
T
2
AP
2
son matrices diagonales, entonces el n umero de elementos diagonales positivos, el n umero de elementos diagonales
negativos y el n umero de elementos diagonales nulos coinciden en ambas matrices y, ademas coinciden respectivamente
con el n umero (contando multiplicidades) de autovalores positivos, el n umero de autovalores negativos y la multiplicidad
de cero como autovalor de A (si lo es).
Sin mas que aplicar el teorema espectral para matrices reales simetricas, tenemos
Teorema. Sea A = [a
ij
] una matriz real simetrica de orden n. Entonces las siguientes condiciones son equivalentes:
(1) A es denida positiva.
(2) Al reducir x
T
Ax a suma de cuadrados, aparecen n coecientes positivos (ninguno negativo y ninguno nulo).
(3) Los autovalores de A son todos positivos.
(4) (Criterio de Sylvester o de los menores principales) Todos los menores principales de A son positivos, es decir,
det(A
k
) > 0, k = 1, 2, . . . , n siendo A
k
la matriz de orden k
A
k
=
_
_
a
11
a
1k
.
.
.
.
.
.
.
.
.
a
k1
a
kk
_
_.
(5) La matriz A admite factorizacion A = LU y los elementos diagonales de U son (los pivotes) positivos.
Notemos que una matriz real y simetrica A es denida negativa si, y solo si, A es denida positiva. Se obtiene
as el siguiente resultado:
Teorema. Sea A = [a
ij
] una matriz real simetrica de orden n. Entonces las siguientes condiciones son equivalentes:
(1) A es denida negativa.
(2) Al reducir x
T
Ax a suma de cuadrados, aparecen n coecientes negativos (ninguno positivo y ninguno nulo).
(3) Los autovalores de A son todos negativos.
(4) (Criterio de Sylvester o de los menores principales) Los menores principales de A tienen signos alternos , +, , +, . . .
(1)
k
det(A
k
) > 0, k = 1, 2, . . . , n.
204
(5) La matriz A admite factorizacion A = LU y los elementos diagonales de U son (los pivotes) negativos.
Las formas cuadraticas semidenidas positivas o semidenidas negativas se pueden caracterizar de forma analoga
en lo referente a la reduccion a suma de cuadrados y a los signos de los autovalores. Por otra parte, pueden darse
condiciones sucientes para garantizar que una forma cuadratica es indenida:
teniendo en cuenta que los elementos diagonales de A son valores que alcanza la forma cuadratica
a
kk
= e
T
k
Ae
k
si dos de estos valores son de distinto signo la forma cuadratica sera indenida.
Si alguna submatriz diagonal de orden 2
_
a
ii
a
ij
a
ji
a
jj
_
tiene determinante negativo, la forma cuadratica es indenida.
Si det(A) = 0, y no se cumplen las condiciones dadas para formas cuadraticas denidas positivas o denidas
negativas, entonces es indenida.
. . .
Otra caracterstica importante de la matriz A como es su rango puede expresarse tambien en terminos de una
reduccion a suma de cuadrados de la forma cuadratica y de los autovalores:
rango(A) = n umero de coecientes no nulos en
una forma reducida de la forma cuadratica.
= n umero de autovalores no nulos (contando multiplicidades) de A.
Ejemplo. Consideremos la forma cuadratica en R
2
Q(x) = x
T
Ax =
_
x
1
x
2
_
1 3/2
3/2 1
_ _
x
1
x
2
_
= x
2
1
+ 3x
1
x
2
x
2
2
.
Es f acil comprobar que trabajando con una base ortonormal de autovectores, (los autovalores de A son
13/2),
llegamos, por ejemplo, a
Q(x) =
13
2
y
2
1
13
2
y
2
2
,
mediante un giro de los ejes. Podra indicar explcitamente el cambio? Se trata de una forma cuadratica indenida.
Ejemplo. Consideremos la forma cuadratica en R
3
Q(x) = x
T
Ax =
_
x
1
x
2
x
3
_
_
3 2 0
2 2 2
0 2 1
_
_
_
_
x
1
x
2
x
3
_
_
= 3x
2
1
+ 2x
2
2
+x
2
3
+ 4x
1
x
2
+ 4x
2
x
3
.
Los autovalores de A son 5, 2, 1, y trabajando en una base ortonormal de autovectores, llegamos a
Q(x) = 5y
2
1
+ 2y
2
2
y
2
3
,
mediante un giro de los ejes. Indique el cambio, obtenga el rango y clasique esta forma cuadratica.
En los ejemplos anteriores, y en general, para cualquier forma cuadratica, suele ser mas recomendable completar
cuadrados mediante el metodo de Lagrange, que ya presentamos en el Tema 2, que mediante el c alculo de los autovalores
de la matriz simetrica que la representa.
Ejercicio resuelto
Sea Q : R
3
R la forma cuadratica denida, en la base canonica, por Q(x) = x
T
Ax. Sabiendo que la matriz A
tiene por autovalores
1
= a + 1,
2
= a
2
4 y
3
=
3 1, clasicar la forma cuadratica seg un los valores de

a R.
Trabajando con una base ortonormal de autovectores de la matriz simetrica A (que existe siempre pues A es diago-
nalizable ortogonalmente) la forma cuadratica, haciendo el cambio x = Py donde P es la matriz ortogonal formada
por dichos autovectores, aparece escrita como suma de cuadrados en la que los coecientes son los autovalores:
Q(x) = x
T
Ax = (Py)
T
A(Py) = y
T
P
T
APy = y
T
P
1
APy = y
T
Dy =
1
y
2
1
+
2
y
2
2
+
3
y
2
3
donde en la matriz diagonal D aparecen los autovalores ordenados adecuadamente, es decir, D = diag(
1
,
2
,
3
).
El tipo de forma cuadratica depende de los signos de los coecientes (cuantos son positivos, cuantos negativos y
cuantos nulos), es decir, del signo de los autovalores que nos proporcionan en el enunciado. Observamos que:
205
el coeciente de y
2
1
,
1
= a + 1, es negativo cuando a < 1, nulo cuando a = 1 y positivo cuando a > 1;
el coeciente de y
2
2
,
2
= a
2
4, es negativo cuando |a| < 2, es decir, 2 < a < 2, nulo cuando a = 2 y positivo
cuando |a| > 2, o sea, a < 2 o a > 2;
el coeciente de y
2
3
,
3
=
3 1, es obviamente siempre positivo (ya que
3 1,7).
Aparecen, por tanto, las siete situaciones siguientes (indicamos los signos de los coecientes de
1
,
2
,
3
):
a
2
1
2
++
0+
+
0+
++ +++
+0+
1. a < 2: + +, se trata de una forma cuadratica indenida.
2. a = 2: 0+, estamos ante una forma cuadratica indenida.
3. 2 < a < 1: +, es una forma cuadratica indenida.
4. a = 1: 0 +, se trata de una forma cuadratica indenida.
5. 1 < a < 2: ++, estamos ante una forma cuadratica indenida.
6. a = 2: +0+, se trata de una forma cuadratica semidenida positiva.
7. a > 2: + + +, tenemos una forma cuadratica denida positiva.
En resumen, para a (, 2) la forma cuadratica es indenida, si a = 2 es semidenida positiva y si a > 2 es
denida positiva.
Ejercicio resuelto
Dada la forma cuadratica
Q(x
1
, x
2
, x
3
) = x
2
1
+ 4x
2
2
+ 3x
2
3
4ax
1
x
2
,
clasicarla seg un los valores de a R, estudiando la matriz simetrica asociada.
Escribimos matricialmente la forma cuadratica
Q(x
1
, x
2
, x
3
) = x
T
Ax =
_
x
1
x
2
x
3
_
_
1 2a 0
2a 4 0
0 0 3
_
_
_
_
x
1
x
2
x
3
_
_
y calculamos los autovalores de A
|A I| =
1 2a 0
2a 4 0
0 0 3
= (3 )
1 2a
2a 4
= (3 )[
2
5 + 4(1 a
2
)],
es decir, los autovalores son
1
= 3,
2
=
5+
9+16a
2
2
,
3
=
5
9+16a
2
2
. Puesto que
1
y
2
son positivos, hay que
estudiar el signo de
3
:

3
> 0 si 5 >
9 + 16a
2
, es decir, a
2
< 1, o sea, a (1, 1).

3
= 0 si 5 =
9 + 16a
2
, es decir, a
2
= 1, o sea, a = 1.

3
< 0 si 5 <
9 + 16a
2
, es decir, a
2
> 1, o sea, a (, 1) (1, ).
Trabajando con una base ortonormal de autovectores de la matriz simetrica A (que existe siempre pues A es
diagonalizable ortogonalmente) la forma cuadratica (haciendo el cambio x = Py donde P es la matriz ortogonal
formada por dichos autovectores) aparece escrita como suma de cuadrados en la que los coecientes son los autovalores:
Q(x) = x
T
Ax = (Py)
T
A(Py) = y
T
P
T
APy = y
T
P
1
APy = y
T
Dy =
1
y
2
1
+
2
y
2
2
+
3
y
2
3
1
,
2
,
3
).
El car acter de la forma cuadratica depende de los signos de los coecientes (cuantos son positivos, cuantos negativos
y cuantos nulos), es decir, del signo de los autovalores. En nuestro caso, la forma cuadratica es denida positiva cuando
206
a (1, 1) (los tres autovalores son positivos), semidenida positiva si a = 1 (dos autovalores positivos y uno nulo)
e indenida para a (, 1) (1, ) (dos autovalores positivos y uno negativo).
Ejercicio resuelto
Clasicar, seg un los valores del par ametro a, la forma cuadratica
Q(x
1
, x
2
, x
3
) = x
2
1
+ (2 a)x
2
2
+x
2
3
+ 2ax
1
x
3
, a R
mediante el estudio de la matriz simetrica asociada.
Recordemos que trabajando con una base ortonormal de autovectores de la matriz simetrica A (que existe siempre
pues A es diagonalizable ortogonalmente) la forma cuadratica (haciendo el cambio x = Py donde P es la matriz
ortogonal formada por dichos autovectores) aparece escrita como suma de cuadrados en la que los coecientes son los
autovalores:
Q(x) = x
T
Ax = (Py)
T
A(Py) = y
T
P
T
APy = y
T
P
1
APy = y
T
Dy =
1
y
2
1
+
2
y
2
2
+
3
y
2
3
1
,
2
,
3
).
Escribimos matricialmente la forma cuadratica
Q(x
1
, x
2
, x
3
) = x
T
Ax =
_
x
1
x
2
x
3
_
_
1 0 a
0 2 a 0
a 0 1
_
_
_
_
x
1
x
2
x
3
_
_
y calculamos los autovalores de la matriz simetrica A
|A I| =
1 0 a
0 2 a 0
a 0 1
= (2 a )
1 a
a 1
= (2 a )[(1 )
2
a
2
],
es decir, los autovalores son
1
= 2 a,
2
= 1 +a,
3
= 1 a.
En nuestro caso la forma cuadratica aparecer a escrita como
Q = (2 a)y
2
1
+ (1 +a)y
2
2
+ (1 a)y
2
3
.
El car acter de la forma cuadratica depende de los signos de los coecientes (cuantos son positivos, cuantos negativos
y cuantos nulos), es decir, del signo de los autovalores.
Sus signos se analizan facilmente:
1
es positivo cuando a < 2, nulo si a = 2 y negativo para a > 2;
2
es positivo
cuando a > 1, nulo si a = 1 y negativo para a > 1;
3
es positivo cuando a < 1, nulo si a = 1 y negativo para
a > 1.
Aparecen, por tanto, las situaciones siguientes (indicamos tambien los signos de los autovalores
1
,
2
y
3
):
a < 1 a = 1 1 < a < 1 a = 1 1 < a < 2 a = 2 a > 2
++ +0+ + + + + + 0 + + 0 + +
1. a < 1: ++, se trata de una forma cuadratica indenida.
2. a = 1: +0+, estamos ante una forma cuadratica semidenida positiva.
3. 1 < a < 1: + + +, es una forma cuadratica denida positiva.
4. a = 1: + + 0, se trata de una forma cuadratica semidenida positiva.
5. 1 < a < 2: + +, estamos ante una forma cuadratica indenida.
6. a = 2: 0 +, es una forma cuadratica indenida.
7. a > 2: +, estamos ante una forma cuadratica indenida.
En resumen, la forma cuadratica es denida positiva cuando a (1, 1) (pues los tres autovalores son positivos),
semidenida positiva si a = 1 (ya que hay dos autovalores positivos y uno nulo) e indenida para a (, 1)
(1, ) (puesto que aparecen dos autovalores positivos y uno negativo cuando a < 1 y cuando 1 < a < 2; uno positivo,
uno negativo y uno nulo si a = 2; dos negativos y uno positivo para a > 2).
207
Ejercicio resuelto
A =
_
_
0 1 1
1 0 1
1 1 0
_
_
.
a) Diagonalizar ortogonalmente A (dar la matriz de paso ortogonal, la matriz diagonal y la relacion que tienen
con la matriz A).
b) Clasicar, seg un los valores de a R, la forma cuadratica asociada a la matriz A +aI.
(a) Por ser A una matriz simetrica se puede diagonalizar ortogonalmente, es decir, se puede encontrar una matriz de
paso P ortogonal (P
1
= P
T
). Para ello basta con encontrar una base ortonormal de autovectores.
|A I| =
1 1
1 1
1 1
C3C2
=
1 0
1 1 +
1 1 1
F2+F3
=
1 0
2 1 0
1 1 1
= (1 +)
1
2 1
= ( + 1)(
2
2) = ( 2)( + 1)
2
= 0.
1
= 2 y uno doble,
2,3
= 1. Conviene comprobar, para detectar posibles
errores, que la suma de los autovalores coincide con la traza de A: 1 1 + 2 = 0 + 0 + 0.
Calculemos ahora los autovectores correspondientes. Recordemos que, al ser la matriz A simetrica, los autovectores
correspondientes a autovalores distintos deben ser ortogonales.
1
= 2 : Nul [A2I] = Nul
_
_
2 1 1
1 2 1
1 1 2
_
_
= Nul
_
_
1 2 1
0 1 1
0 0 0
_
_
= Gen
_
_
_
u
1
=
_
_
1
1
1
_
_
_
_
_
.
2,3
= 1 : Nul [A +I] = Nul
_
_
1 1 1
1 1 1
1 1 1
_
_
= Nul
_
_
1 1 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
u
2
=
_
_
1
1
0
_
_
, u
3
=
_
_
1
0
1
_
_
_
_
_
.
Observemos que los autovectores que hemos encontrado para
2,3
= 1 no son ortogonales. Sabemos que si construimos
P
1
=
_
_
1 1 1
1 1 0
1 0 1
_
_
P
1
1
AP
1
= D =
_
_
2 0 0
0 1 0
0 0 1
_
_
,
pero P
1
2,3
= 1. Podemos aplicar el metodo de GramSchmidt
a {u
2
, u
3
}:
v
2
= u
2
=
_
_
1
1
0
_
_
,
v
3
= u
3
u
3
v
2
v
2
v
2
v
2
=
_
_
1
0
1
_
_
1
2
_
_
1
1
0
_
_
=
_
_
1/2
1/2
1
_
_
v
3
=
_
_
1
1
2
_
_
(comprobemos que v
3
2
y que verica las ecuaciones implcitas de Nul [A+I], x
1
+x
2
+x
3
= 0).
Si construimos P
2
= (u
1
|v
2
|v
3
), se verica P
1
2
AP
2
= D, pero P
2
no es una matriz ortogonal, pues sus columnas son
ortogonales pero no ortonormales. Nos basta con construir
P
3
=
_
u
1
||u
1
||
v
2
||v
2
||
3
||v
3
||
_
=
_
_
1/
3 1/
2 1/
6
1/
3 1/
2 1/
6
1/
3 0 2/
6
_
_
P
1
3
AP
3
= D =
_
_
2 0 0
0 1 0
0 0 1
_
_
,
para tener una matriz de paso ortogonal, de manera que P
T
3
AP
3
= D.
de Nul [A+I]. Como su ecuaci on implcita es x
1
+x
2
+x
3
2
= (1, 1, 0)
T
3
= (a, b, c)
T
, lo determinamos exigiendo
que verique la ecuaci on anterior y que sea perpendicular a u
2
, es decir, debe vericar a+b+c = 0, ab = 0. Soluci on
208
T
, tomamos pues w
3
= (1, 1, 2)
T
P
4
=
_
u
1
||u
1
||
u
2
||u
2
||
w
3
||w
3
||
_
,
3
.
(b) Para clasicar la forma cuadratica asociada a la matriz simetrica A + aI basta con conocer los autovalores de
dicha matriz. Para ello, puesto que ya conocemos los autovalores de A, lo mas facil es aplicar la propiedad que nos
dice que si es autovalor de A entonces es autovalor de AI. Recordemos su demostracion, que es inmediata.
Partiendo de Ax = x, x = 0, es decir, es un autovalor de la matriz cuadrada A y x es un autovector asociado a ese
autovalor:
(A I)x = Ax x = x x = ( )x,
Por tanto, los autovalores de A +aI resultan ser
1
= a + 2,
2,3
= a 1.
Si no aplicamos la propiedad anterior, la ecuaci on caracterstica de la matriz dada no es difcil de resolver si
procedemos as:
|(A +aI) I| =
a 1 1
1 a 1
1 1 a
C3C2
=
a 1 0
1 a 1 a +
1 1 a 1
F2+F3
=
a 1 0
2 a + 1 0
1 1 a 1
= (a 1 )
a 1
2 a + 1
= (a 1 )[
2
(2a + 1) + (a
2
+a 2)] = ( 2 a)( + 1 a)
2
= 0.
Cuidado con aplicar la regla de Sarrus al determinante de la ecuaci on caracterstica porque nos conducira (despues
de bastantes operaciones, con el consiguiente riesgo de equivocarnos) a un polinomio de grado tres que seguramente
no seremos capaces de factorizar:
|(A +aI) I| =
3
+ 3a
2
+ (3 3a
2
) + (2 3a +a
3
) = 0.
Para clasicar la forma cuadratica nos basta con estudiar el signo de los autovalores seg un a. Observamos que

1
= a + 2 es negativo cuando a < 2, nulo cuando a = 2 y positivo cuando a > 2;

2,3
= a 1 es negativo cuando a < 1, nulo cuando a = 1 y positivo cuando a > 1.
Por tanto, aparecen las siguientes situaciones:
i) a < 2: la forma cuadratica es denida negativa pues todos los autovalores son negativos (
1
< 0,
2,3
< 0).
ii) a = 2: la forma cuadratica es semidenida negativa ya que todos los autovalores son negativos excepto alguno
nulo (
1
= 0,
2,3
< 0).
iii) 2 < a < 1: la forma cuadratica es indenida puesto que hay autovalores positivos y negativos. (
1
> 0,
2,3
< 0).
iv) a = 1: la forma cuadratica es semidenida positiva pues todos los autovalores son positivos excepto alguno nulo
(
1
> 0,
2,3
= 0).
v) a > 1: la forma cuadratica es denida positiva ya que todos los autovalores son positivos (
1
> 0,
2,3
> 0).
Observemos que si pretendemos clasicar la forma cuadratica Q(x) mediante el metodo de Lagrange, puesto que
tenemos
Q(x) = x
T
(A +aI)x = ax
2
1
+ax
2
2
+ax
2
3
+ 2x
1
x
2
+ 2x
1
x
3
+ 2x
2
x
3
para completar cuadrados en cualquiera de las tres variables hay que suponer que a = 0 y los c alculos son muy
engorrosos. En el caso a = 0, hay que aplicar el cambio para que aparezca suma por diferencia y se obtiene que la
forma cuadratica es indenida.
Ejercicio resuelto
A =
_
_
2 0 1
0 4 0
1 0 2
_
_
.
Clasicar, seg un los valores del par ametro a R, la forma cuadratica asociada a la matriz aA
2
+ 5I.
209
|A I| =
2 0 1
0 4 0
1 0 2
= (4 )
2 1
1 2
= (4 )[(2 )
2
1]
= (4 )( 1)( 3) = 0 = 1, 3, 4.
Para clasicar la forma cuadratica asociada a la matriz simetrica aA
2
+ 5I basta con conocer los autovalores de
dicha matriz. A partir de los autovalores de A es facil calcular los de aA
2
+ 5I. Si los autovalores de A son
1
= 1,
2
= 3 y
3
= 4 entonces los autovalores de la matriz A
2
son
1
= 1
2
= 1,
2
= 3
2
= 9 y
3
= 4
2
= 16 (ya que si
es autovalor de A entonces
n
lo es de la matriz A
n
, n N), con lo que los autovalores de aA
2
son
1
= a,
2
= 9a y
3
= 16a (ya que si es autovalor de A entonces lo es de la matriz A, = 0) y los de la matriz aA
2
+5I resultan
ser
1
= a + 5,
2
= 9a + 5 y
3
= 16a + 5 (ya que si es autovalor de A entonces es autovalor de A I).
Recordemos las demostraciones de las tres propiedades utilizadas, que son inmediatas. Partiendo de Ax = x,
por un lado, que
A
n
x = A
n1
(Ax) = A
n1
x = A
n2
(Ax) = A
n2
x =
2
A
n2
x = ... =
n
x,
es decir, que
n
es autovalor de A
n
con el mismo autovector x. Ademas, por otro lado,
(A)x = Ax = x = ()x,
es decir, que es un autovalor de A ( = 0) con el mismo autovector x. Tambien, nalmente, llegamos a
(A I)x = Ax x = x x = ( )x,
Para clasicar la forma cuadratica nos basta con estudiar el signo de los autovalores seg un a. Observamos que:
1
= a +5 es negativo cuando a < 5, nulo cuando a = 5 y positivo cuando a > 5;
2
= 9a +5 es negativo cuando
a <
5
9
, nulo cuando a =
5
9
y positivo cuando a >
5
9
;
3
= 16a + 5 es negativo cuando a <
5
16
, nulo cuando
a =
5
16
y positivo cuando a >
5
16
.
Aparecen, por tanto, las situaciones siguientes (indicamos tambien los signos de los autovalores
1
,
2
y
3
):
a < 5 a = 5 5 < a <
5
9
a =
5
9

5
9
< a <
5
16
a =
5
16
a >
5
16
0 + +0 + + + + 0 + + +
1. a < 5: la forma cuadratica es denida negativa pues todos los autovalores son negativos (
1
< 0,
2
< 0,
3
< 0,
abreviadamente, ).
2. a = 5: la forma cuadratica es semidenida negativa ya que todos los autovalores son negativos excepto alguno
nulo (0 ).
3. 5 < a <
5
9
: la forma cuadratica es indenida puesto que hay autovalores positivos y negativos (+).
4. a =
5
9
: la forma cuadratica es indenida al haber autovalores positivos y negativos (+0).
5.
5
9
< a <
5
16
: la forma cuadratica es indenida puesto que hay autovalores positivos y negativos (+ +).
6. a =
5
16
: la forma cuadratica es semidenida positiva ya que todos los autovalores son positivos excepto alguno nulo
(+ + 0).
7. a >
5
16
: la forma cuadratica es denida positiva puesto que todos los autovalores son positivos (+ + +).
3. Aplicacion a las conicas y cuadricas.
Recordemos que una c onica es el lugar geometrico de los puntos (x, y) del plano que satisfacen una ecuaci on general
de segundo grado:
f(x, y) = a
11
x
2
+ 2a
12
xy +a
22
y
2
+ 2a
1
x + 2a
2
y +a
0
= 0,
donde los coecientes a
11
, a
12
y a
22
no son todos cero.
La ecuaci on de la c onica se puede escribir de la forma:
f(x, y) = [x y]
_
a
11
a
12
a
12
a
22
_ _
x
y
_
+ 2 [a
1
a
2
]
_
x
y
_
+a
0
= 0.
210
Tambien se escribira vectorialmente como
f(x) = x
T
Ax + 2a
T
x +a
0
= 0,
donde A es una matriz simetrica 2 2, x, a R
2
, a
0
R.
Una cuadrica es el lugar geometrico de los puntos (x, y, z) que satisfacen una ecuaci on general de segundo grado:
f(x, y, z) = a
11
x
2
+a
22
y
2
+a
33
z
2
+ 2a
12
xy + 2a
13
xz + 2a
23
yz + 2a
1
x + 2a
2
y + 2a
3
z +a
0
= 0,
en la que no pueden ser nulos todos los a
ij
. La ecuaci on de la cuadrica tambien se puede escribir matricialmente en la
forma
f(x, y, z) =
_
x y z
_
_
a
11
a
12
a
13
a
12
a
22
a
23
a
13
a
23
a
33
_
_
_
_
x
y
z
_
_
+ 2
_
a
1
a
2
a
3
_
_
x
y
z
_
_
+a
0
= 0,
que, como vemos, tambien se escribira vectorialmente como
f(x) = x
T
Ax + 2a
T
x +a
0
= 0,
donde ahora A es una matriz simetrica 3 3, x, a R
3
, a
0
R.
Ya hemos analizado en el Tema 1 las ecuaciones canonicas y las representaciones gracas de las c onicas y las
cuadricas.
Para reducir a forma canonica la ecuaci on de una c onica o una cuadrica, es suciente realizar en primer lugar
un giro: cambio a una base ortonormal de autovectores (que reduce la matriz A a suma de cuadrados y elimina los
productos mixtos). Posteriormente, si es necesaria una traslacion, usamos los resultados tratados en el Tema 1.
Veamos con varios ejemplos c omo proceder para analizar una c onica (aunque con las mismas ideas se estudian las
cuadricas, estas no las trataremos).
Ejercicio resuelto
Considerar la c onica de ecuaci on 3x
2
+ 3y
2
10xy + 2 = 0.
(a) Calcular un cambio de variables ortogonal que lleve la c onica a forma canonica. Escribir dicha ecuaci on y
determinar el tipo de la c onica.
(b) Escribir, en coordenadas originales y seg un el tipo de c onica de que se trate, los siguientes elementos notables
de la c onica: ejes, vertices y asntotas.
(a) Puesto que la ecuaci on de la c onica tiene termino en xy necesitamos hacer un giro para colocar los ejes en las
direcciones de los autovectores de la matriz
_
3 5
5 3
_
(la que recoge los terminos cuadraticos). Calculamos pues
sus autovalores y despues sus autovectores. En primer lugar:
3 5
5 3
= (3 )
2
25 = 0 (3 )
2
= 25 (3 ) = 5
1
= 8,
2
= 2.
Podemos pues calcular los autovectores:
1
= 8 :
_
5 5
5 5
_ _
x
1
x
2
_
=
_
0
0
_
x
1
+x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
,
2
= 2 :
_
5 5
5 5
_ _
x
1
x
2
_
=
_
0
0
_
x
1
x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
.
Construimos la matriz P mediante la siguiente base ortonormal de autovectores:
_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,
donde el primer autovector da la direcci on y sentido del nuevo eje X
(que corresponde a girar un angulo = 45

o
el eje
X, pues del autovector sacamos que tg = v/u = 1/1 = 1) y el segundo autovector (que hemos elegido en el sentido
adecuado para que el eje Y
se obtenga girando el eje X
90
o
en sentido positivo o antihorario) marca la direcci on y
sentido del nuevo eje Y
. El cambio de variables ortogonal que nos piden:

x = Px

_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
x
_
.
Notemos que su inverso se calcula de forma inmediata al ser P ortogonal:
x
= P
T
x
_
x
_
=
_

2
2
2
2
2
2
2
2
_
_
x
y
_
.
211
Sabemos que el cambio x = Px
eliminar a el termino mixto x
dejando la parte cuadratica como

2
x
2
+
1
y
2
, modicar a los coecientes de los terminos lineales (que en nuestro caso no haba), y no alterar a el termino
independiente. Concretamente obtenemos:
3x
2
+ 3y
2
10xy + 2 = 0 2x
2
+ 8y
2
+ 2 = 0 x
2
4y
2
= 1
x
2
1
2

y
2
_
1
2
_
2
= 1.
(b) Se trata pues de una hiperbola de semiejes a = 1, b =
1
2
, centrada en el origen (x
, y
) = (0, 0), con ejes x
= 0 e
y
= 0, con asntotas y
=
b
a
x
=
1
2
x
y vertices en (x
, y
) = (1, 0) (observemos que corta al eje X
y no al Y
).
Es inmediato ver que la hiperbola no corta ni al eje X ni al Y , pues las ecuaciones que se obtienen al hacer y = 0
(3x
2
+ 2 = 0) y x = 0 (3y
2
+ 2 = 0) no tienen solucion real.
Teniendo en cuenta la relacion entre las coordenadas antiguas y las nuevas es facil ver que el centro de la hiperbola
est a en (x, y) = (0, 0), que los ejes de la hiperbola corresponden a las rectas
x
= 0
2
2
(x +y) = 0 x +y = 0,
y
= 0
2
2
(x +y) = 0 x y = 0,
(bisectrices de los cuadrantes), que los vertices de la hiperbola est an en
(x
, y
) = (1, 0)
_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
1
0
_
=
_

2
2
2
2
_
,
(x
, y
) = (1, 0)
_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
1
0
_
=
_

2
2
2
2
_
,
y que las asntotas tienen por ecuaciones
x
= 2y
2
2
(x +y) = 2
2
2
(x +y) 3x y = 0,
x
= 2y
2
2
(x +y) = 2
2
2
(x +y) x 3y = 0,
(ambas tienen pendientes positivas y, por tanto, est an en el primer y
tercer cuadrante).
Aunque no nos lo piden vamos a hacer un dibujo esquem atico de la
hiperbola. Con toda la informacion que hemos obtenido a lo largo
del apartado, comenzamos dibujando los ejes X
e Y
sabiendo que
pasan por el origen de las coordenadas X-Y y que tienen la direcci on
y sentido del autovector correspondiente a
1
y
2
, respectivamente.
Es decir, en este caso, con la eleccion que hicimos de autovalores y
autovectores, los ejes X
e Y
se obtienen rotando un angulo de 45

o
a los ejes X e Y . Finalmente, conociendo los ejes de simetra, los
vertices y ayudados por sus asntotas, dibujamos cualitativamente la
hiperbola.
Y
X
X
1
1
Y
G
G
Ejercicio resuelto
Despues de hacer los cambios de coordenadas adecuados, representar gracamente (en las coordenadas originales)
la c onica de ecuaci on
3x
2
4xy + 4 = 0.
La ecuaci on de la c onica, 3x
2
4xy + 4 = 0, en forma matricial, es
[x y]
_
3 2
2 0
_ _
x
y
_
+ 4 = [x y]A
_
x
y
_
+ 4 = 0.
Para hallar su ecuaci on canonica, realizaremos un giro. Con este n, necesitaremos los autovalores y autovectores de
la matriz simetrica A:
det(A I) = det
_
3 2
2
_
=
2
3 4 = 0 =
3
9 + 16
2
=
_
4,
1.
212
= 4:
Nul (A 4I) = Nul
_
1 2
2 4
_
= Gen
__
2
1
__
.
= 1:
Nul (A +I) = Nul
_
4 2
2 1
_
= Gen
__
1
2
__
.
Los autovectores que hemos obtenido son ortogonales (puesto que la matriz es simetrica). Por nuestra parte, los
tomaremos ademas unitarios para construir una matriz de paso ortogonal:
P =
1
5
_
1 2
2 1
_
,
que cumple P
1
AP = P
T
AP =
_
1 0
0 4
_
= D diagonal.
Observemos que hemos tomado como primer autovector (que nos dene el eje OX
) el (1, 2)
T
porque est a en el
primer cuadrante y as el giro sera de un angulo (0, /2). El segundo autovector, que dene el eje OY
, debe estar
entonces en el segundo cuadrante.
El cambio de coordenadas adecuado se corresponde con el giro
_
x
y
_
= P
_
x
_
,
con el que la ecuaci on de la c onica se transforma en
[x
]P
T
AP
_
x
_
+ 4 = [x
]
_
1 0
0 4
_ _
x
_
+ 4 = x
2
+ 4y
2
+ 4 = 0,
de donde deducimos facilmente su ecuaci on canonica:
x
2
(
2)
2
2
1
2
= 1.
Se trata, por tanto, de una hiperbola. En las nuevas coordenadas, (x
, y
), el centro de la hiperbola es el origen, sus

semiejes son a = 2 y b = 1, con lo que su interseccion con los ejes de coordenadas (corta al OX
, y no corta al OY
),
que son sus ejes de simetra, se produce en los puntos (2, 0), que son los vertices de la hiperbola. Los focos est an en
los puntos (c, 0) siendo c =
a
2
+b
2
=
2
2
+ 1
2
=
5. Y, nalmente, las asntotas son las rectas y
=
b
a
x
, es
decir, y
=
1
2
x
.
Para hacer un dibujo esquem atico de la hiperbola, dibujemos en el plano xy los ejes de simetra de la hiperbola.
Para ello, escribimos el cambio de coordenadas en la forma:
_
x
_
= P
T
_
x
y
_
_
x
=
1
5
(x + 2y),
y
=
1
5
(2x +y).
As, el eje OX
, y
= 0, corresponde a y
=
1
5
(2x +y) = 0, es
decir, y = 2x (recta sobre la que est a el autovector (1, 2)
T
). De igual
modo, el eje OY

, x
= 0, corresponde a x
=
1
5
(x + 2y) = 0, es decir,
y = x/2 (recta sobre la que est a el autovector (2, 1)
T
).
Analogamente, las asntotas en las coordenadas xy son:
y
=
1
2
x
5
(2x +y) =
1
2
1
5
(x + 2y) x = 0,
y
=
1
2
x
5
(2x +y) =
1
2
1
5
(x + 2y) y =
3
4
x.
Si buscamos los puntos de corte con los ejes (haciendo x = 0 para el
eje OY e y = 0 para el OX) obtenemos que no corta a ninguno de los
dos.
En la gura mostramos un dibujo esquem atico de la hiperbola.
Y
X
X
1
1
Y
213
Ejercicio resuelto
Considerar la c onica de ecuaci on
x
2
+y
2
+ 4xy + 2 = 0.
Hallar su ecuaci on canonica mediante los cambios de coordenadas adecuados, clasicarla y hacer un dibujo es-
quem atico de la misma.
Puesto que la ecuaci on de la c onica tiene termino en xy necesitamos hacer un giro para colocar los ejes en las direcciones
de los autovectores de la matriz
_
1 2
2 1
_
(la que recoge los terminos cuadraticos). Calculamos pues sus autovalores
y despues sus autovectores. En primer lugar:
1 2
2 1
= (1 )
2
4 = 0 (1 )
2
= 4 (1 ) = 2
1
= 3,
2
= 1.
1
= 3 :
_
2 2
2 2
_ _
x
1
x
2
_
=
_
0
0
_
x
1
x
2
= 0 v
1
=
_
x
1
x
2
_
=
_
1
1
_
,
2
= 1 :
_
2 2
2 2
_ _
x
1
x
2
_
=
_
0
0
_
x
1
+x
2
= 0 v
2
=
_
x
1
x
2
_
=
_
1
1
_
.
_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,

o
el eje
90
o
. El cambio:
x = Px

_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
x
_

1
x
2
+
2
y
2
, modicar a los coecientes de los
terminos lineales (que en nuestro caso no haba), y no alterar a el termino independiente. Concretamente obtenemos:
x
2
+y
2
+ 4xy + 2 = 0 3x
2
y
2
+ 2 = 0
x
2
__
2
3
_
2

y
2
_
2
_
2
= 1.
Se trata pues de una hiperbola de semiejes a =
_
2
3
, b =
2, centrada en el origen (x
, y
) = (0, 0), con asntotas

y
=
b
a
x
3x
y vertices en (x
, y
) = (0,
2) (observemos que corta al eje Y
y no al X
). Es inmediato ver
que la hiperbola no corta ni al eje X ni al Y , pues las ecuaciones que se obtienen al hacer y = 0 (x
2
+ 2 = 0) y x = 0
(y
2
+ 2 = 0) no tienen solucion real.
Teniendo en cuenta la relacion entre las coordenadas antiguas y las
nuevas es facil ver que los vertices de la hiperbola est an en (x, y) =
(1, 1) y en (x, y) = (1, 1) y que las asntotas tienen por ecuaciones
(
3 1)y + (
3 + 1)x = 0 y (
3 + 1)y + (
3 1)x = 0 (ambas
tienen pendientes negativas y, por tanto, est an en el segundo y cuarto
cuadrante). Recordemos que
2 1,41,
3 1,73.
Con toda la informacion que hemos obtenido a lo largo del apartado,
comenzamos dibujando los ejes X
e Y
sabiendo que pasan por el

origen de las coordenadas X-Y y que tienen la direcci on y sentido del
autovector correspondiente a
1
y
2
, respectivamente. Es decir, en
este caso, con la eleccion que hicimos de autovalores y autovectores,
los ejes X
e Y

o
a los ejes X e Y .
Finalmente, ayudados por sus asntotas, dibujamos cualitativamente
la hiperbola.
Y
X
X
1
1
G
G
Y
Ejercicio resuelto
Consideremos la c onica de ecuaci on 14x
2
+11y
2
+4xy = 30. Hallar su ecuaci on canonica mediante los cambios de
coordenadas adecuados, clasicarla y hacer un dibujo esquem atico de la misma.
214
La ecuaci on de la c onica, 14x
2
+ 11y
2
+ 4xy = 30, en forma matricial, es
(x y)
_
14 2
2 11
_ _
x
y
_
30 = (x y)M
_
x
y
_
30 = 0.
Para hallar su ecuaci on canonica, realizaremos un giro. Con este n, necesitaremos los autovalores y autovectores de
la matriz simetrica M:
det(M I) = det
_
14 2
2 11
_
=
2
25 + 150 = 0 =
25
25
2
= 15, 10.
= 15 : Nul (M 15I) = Nul
_
1 4
2 4
_
= Gen
__
2
1
__
.
= 10 : Nul (M 10I) = Nul
_
4 2
2 1
_
= Gen
__
1
2
__
.
tomaremos ademas unitarios para construir una matriz de paso ortogonal:
P =
1
5
_
2 1
1 2
_
,
que cumple P
1
MP = P
T
MP =
_
15 0
0 10
_
diagonal.
El cambio de coordenadas adecuado se corresponde con el giro
_
x
y
_
= P
_
x
_
, con el que la ecuaci on de la
c onica se transforma en
(x
)P
T
MP
_
x
_
30 = (x
)
_
15 0
0 10
_ _
x
_
30 = 15x
2
+ 10y
2
30 = 0,
de donde deducimos facilmente su ecuaci on canonica:
x
2
(
2)
2
+
y
2
(
3)
2
= 1.
Se trata, por tanto, de una elipse. Para hacer un dibujo esquem atico de la
elipse, dibujemos en el plano xy los ejes de simetra de la elipse. Para ello,
escribimos el cambio de coordenadas en la forma:
_
x
_
= P
T
_
x
y
_
_
x
=
1
5
(2x +y),
y
=
1
5
(x + 2y).
El semieje mayor (
3) corresponde al eje y
, cuya ecuaci on es x
= 0
y = 2x; mientras que el semieje menor (
2) est a situado sobre el eje x
,
cuya ecuaci on es y
= 0 y =
x
2
.
En la gura siguiente mostramos un dibujo esquem atico de la elipse.
3
2
x
x
y
y
Ejercicio resuelto
Despues de realizar los cambios de coordenadas adecuados, representar gracamente la c onica de ecuaci on
x
2
+ 4xy + 4y
2
2
5 x +
5 y + 5 = 0
Encontrar, en las coordenadas originales x, y: su centro (o su vertice); sus ejes (o su eje) de simetra; sus focos (o
su foco); sus asntotas o su recta directriz (si las tiene). Escribir los resultados en una tabla.
de los autovectores de la matriz A =
_
1 2
2 4
_
(la que recoge los terminos cuadraticos, x
T
Ax) ya que la ecuaci on de
esta c onica se puede escribir como
_
x y
_
1 2
2 4
_ _
x
y
_
+
_
2
_
x
y
_
+ 5 = 0.
215
Sabemos que para eliminar el termino mixto xy en las nuevas coordenadas basta con encontrar una base ortonormal
de R
2
formada por autovectores de A (esto es siempre posible al ser A simetrica, A
T
= A). Construimos con dicha
base una matriz ortogonal P, P
T
= P
1
, que nos dene el cambio de base x = Px
con el que obtenemos

x
T
Ax = (Px
)
T
APx
= x
T
P
T
APx
= x
T
P
1
APx
= x
T
Dx
=
1
x
2
+
2
y
2
.
En el primer paso hemos hecho el cambio de base x = Px
, en el segundo hemos desarrollado la traspuesta del

producto, en el tercero hemos utilizado que P es ortogonal, en el cuarto que A es diagonalizable y en el quinto que en
la matriz diagonal D aparecen los autovalores de A.
Calculamos pues sus autovalores y despues sus autovectores. En primer lugar:
1 2
2 4
= (1 )(4 ) 4 = 0
2
5 = 0
1
= 5,
2
= 0.
Comprobamos que la suma de los autovalores coincide con la traza de A y su producto con el determinante de A.
Podemos ya calcular los autovectores:
1
= 5 : (A 5I)x =
_
4 2
2 1
_ _
x
1
x
2
_
=
_
0
0
_
2x
1
x
2
= 0
_
x
1
x
2
_
=
_
1
2
_
, R,
2
= 0 : (A 0 I)x =
_
1 2
2 4
_ _
x
1
x
2
_
=
_
0
0
_
x
1
+ 2x
2
= 0
_
x
1
x
2
_
=
_
2
1
_
, R.
Podemos ya construir la matriz ortogonal P mediante una base ortonormal de autovectores. Hay que tener en cuenta
que la primera columna de P determina la direcci on (y el sentido positivo) del nuevo eje X
y la segunda columna ja
la direcci on (y el sentido positivo) del nuevo eje Y
. Notemos que tenemos cuatro opciones para colocar en la primera

columna de P:
1
5
_
1
2
_
,
1
5
_
2
1
_
,
1
5
_
1
2
_
,
1
5
_
2
1
_
.
Si elegimos el primer vector, entonces el eje X
tendra la direcci on (y sentido positivo) del vector (1, 2)

T
(X
estar a en el
primer cuadrante). Si preferimos el segundo vector, el eje X

T
(es decir, X
estar a en el segundo cuadrante). Si colocamos el tercer vector en la primera columna de P, entonces

el eje X

T
(es decir, X
estar a en el tercer cuadrante).

Finalmente, si nos decantamos porque sea el cuarto vector el que aparezca en la primera columna de P, entonces el
eje X

T
(es decir, X
estar a en el cuarto cuadrante). Estas

cuatro posibilidades aparecen en la siguiente gura.
X
2
Y
1
2
2
1
X
X
2
Y
1
2
2
1
X
X
2
Y
1
2
2
1
X
X
2
Y
1
2
2
1
X
Una vez que hemos jado la primera columna de P, para que el cambio de coordenadas se trate de un giro de ejes,
no tenemos posibilidad de eleccion para la segunda columna, que nos ja la direcci on (y sentido positivo) del eje Y
(este eje, obligatoriamente, se obtiene girando el X
noventa grados en sentido positivo o antihorario). As, la segunda

columna debe ser, respectivamente,
1
5
_
2
1
_
,
1
5
_
1
2
_
,
1
5
_
2
1
_
,
1
5
_
1
2
_
.
Es decir, que las cuatro matrices siguientes
P
1
=
1
5
_
1 2
2 1
_
, P
2
=
1
5
_
2 1
1 2
_
, P
3
=
1
5
_
1 2
2 1
_
, P
4
=
1
5
_
2 1
1 2
_
,
nos llevaran a tomar, respectivamente, los nuevos ejes que aparecen en esta gura.
216
X
2
Y
1
2
2
1
X
Y
X
2
Y
1
2
2
1
Y
X
X
2
Y
1
2
2
1
Y
X
X
2
Y
1
2
2
1
Y
X
Una costumbre recomendable es colocar siempre, en la primera columna de P, el autovector (normalizado) que
este en el primer cuadrante y, en la segunda columna, el autovector del segundo cuadrante. De esta forma siempre
obtendremos los nuevos ejes X
e Y
girando los antiguos (X e Y ) un angulo 0 < < /2. Destaquemos que no es

necesario conocer el angulo de giro para dibujar los nuevos ejes, ya que conocemos su direcci on, la de los autovectores.
Eligiendo as, construimos la matriz P mediante la siguiente base ortonormal de autovectores:
_
1
5
_
1
2
_
,
1
5
_
2
1
__
,
(en este problema, sin calculadora, no podemos determinar con facilidad el angulo de giro: el eje X
se obtiene girando
un angulo el eje X, pues del autovector (u, v) = (1, 2)
T
sacamos que tg = v/u = 2/1 = 2). El cambio de variables
ortogonal que planteamos es
x = Px

_
x
y
_
=
1
5
_
1 2
2 1
_ _
x
_

_
x =
1
5
(x
2y
),
y =
1
5
(2x
+y
).
Notemos que su inverso se calcula de forma inmediata al ser P ortogonal (P
1
= P
T
):
x
= P
T
x
_
x
_
=
1
5
_
1 2
2 1
_ _
x
y
_

_
x
=
1
5
(x + 2y),
y
=
1
5
(2x +y).

1
x
2
+
2
y
2
(siendo
1
el autovalor asociado al autovector colocado en la primera columna de P), modicar a los coecientes de los
terminos lineales, y no alterar a el termino independiente. Concretamente obtenemos:
x
2
+ 4xy + 4y
2
2
5 x +
5 y + 5 = 0 5x
2
+ 0 y
2
2
5
1
5
(x
2y
) +
5
1
5
(2x
+y
) + 5 = 0
5x
2
+ 5y
+ 5 = 0 x
2
+y
+ 1 = 0 x
2
+y
= 0
donde hemos hecho la traslacion
x
= x
, y
= y
+ 1.
que coloca el origen de las nuevas coordenadas en el vertice de la par abola.
En estas nuevas coordenadas, es facil encontrar los elementos notables de esta
c onica: su vertice V est a en el origen, (x
, y
) = (0, 0); su eje de simetra es el eje

OY
= 0; su foco F est a situado en (x
, y
) = (0, 1/4); su
recta directriz L tiene por ecuaci on y
=
1
4
.
Para hallar el foco y la recta directriz hemos usado que una par abola con foco en
F = (0,
q
2
) y directriz L y =
q
2
tiene por ecuaci on x
2
= 2qy. En nuestro caso,
como tenemos x
2
= y
, deducimos que q =
1
2
.
Mostramos el dibujo de esta par abola en las coordenadas X
.
1
1
X
Y
F
L
Ahora, usando los cambios de coordenadas del giro y de la traslacion, podemos hallar los elementos notables de la
par abola en las coordenadas X
y en las originales XY .
Como ya mencionamos, la par abola que estamos estudiando tiene su vertice V en (x
, y
) = (0, 0), es decir, en

(x
, y
) = (0, 1), o sea, en

_
x
y
_
=
1
5
_
1 2
2 1
__
0
1
_
=
_
2
5
1
5
_
.
Por otra parte, el eje de simetra de la par abola es la recta x
= 0, es decir, x
= 0, es decir,
1
5
(x + 2y) = 0 que
equivale a x + 2y = 0.
Como el foco F est a en (x
, y
) = (0,
1
4
), esto corresponde a (x
, y
) = (0,
5
4
), es decir,
_
x
y
_
=
1
5
_
1 2
2 1
__
0
5
4
_
=
_

5
2
5
4
_
(1,12, 0,56).
217
Finalmente, la ecuaci on de la recta directriz L, y
=
1
4
, se transforma en y
+ 1 =
1
4
, es decir, y
=
3
4
. Por tanto,
obtenemos
1
5
(2x +y) =
3
4
, es decir, y = 2x
3
5
4
.
Resumimos estos resultados en la tabla siguiente:
Coordenadas X
Coordenadas X
Coordenadas XY
Vertice (0, 0) (0, 1)
_
2
5
,
1
5
_
Eje simetra x
= 0 x
= 0 x + 2y = 0
Foco
_
0,
1
4
_ _
0,
5
4
_
_
5
2
,
5
4
_
Directriz y
=
1
4
y
=
3
4
y = 2x
3
5
4
Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte (si
los hay) de la par abola con los ejes coordenados (OX y OY ). Al hacer x = 0 en la ecuaci on de la c onica se obtiene
4y
2
+
5y +5 = 0, que no tiene solucion real. Mientras que si hacemos y = 0, la ecuaci on x

2
2
5x +5 = 0 conduce
a x =
5 (raz doble). Por tanto, la par abola no corta al eje OY y es tangente (al ser la raz doble) al eje OX en el
punto (
5, 0) (2,24, 0).
Pasamos a describir, de forma detallada, los pasos a seguir para la obtencion de un dibujo aproximado de la c onica
(parabola en nuestro caso).
En primer lugar, tras dibujar los ejes OX y OY , nos jamos en las direcciones dadas por los autovectores, (1, 2)
T
y
(2, 1)
T
. Dibujamos el eje X
cuya direcci on viene determinada por el vector (1, 2)

T
(puesto que aparece, normalizado,
en la primera columna de la matriz de paso P). Observemos que no necesitamos saber el angulo de giro para pasar
del eje OX al X
. Con una calculadora obtenemos que dicho angulo vale

0
= arc tg(2/1) = arc tg 2 63, 43
o
.
En segundo lugar, dibujamos el eje Y
(perpendicular al eje X
, y que se obtiene si se gira el eje X
90
o
en sentido
positivo o antihorario) cuya direcci on viene determinada por el vector (2, 1)
T
(puesto que aparece, normalizado, en
la segunda columna de la matriz de paso, ortogonal, P). Hemos completado pues el giro de ejes.
X
1
Y
2
2
1 2 X
X
1
Y
Y
2
2
1 2 X
X
1
Y
Y
2
2
G
1 2 X
V
X
X
1
Y
Y
2
2
Y
G
1 2 X
V
X
X
1
Y
Y
2
2
Y
G
1 2 X
V
En tercer lugar, marcamos el punto que sera el origen de las coordenadas X
: el vertice en el caso de una

par abola o el centro en el caso de una elipse o una hiperbola. En nuestro caso, el vertice V que calculamos anteriormente,
de coordenadas (x
, y
) = (0, 1) o (x, y) = (
2
5
,
1
5
) (0,89, 0,45).
En cuarto lugar, trasladamos los ejes X
e Y
. As, dibujamos los ejes

X
(que pasa por V y es paralelo al eje X
) e Y
(pasa por V y es
paralelo al eje Y
). Notemos que en este caso coinciden los ejes Y
e Y
(como consecuencia de que en la traslacion aparece x
= x
; cuidado
porque esta igualdad no signica que coincidan los ejes X
y X
sino
Y
e Y
).
Estamos ya en condiciones de dibujar la par abola pues la ecuaci on
y
= x
2
nos indica que, en los ejes X
-Y
, la par abola se abre

hacia abajo. As, en sexto lugar, dibujamos media par abola teniendo
en cuenta que el unico punto exacto que conocemos de la par abola es
el vertice V , y los puntos de corte con los ejes OX y OY si es que los
hemos calculado. En nuestro caso hay un punto de tangencia con el eje
OX.
Finalmente, completamos la par abola aplicando la simetra respecto de
su eje (el eje de coordenadas Y
).
X
X
1
Y
Y
2
2
Y
G
1
2 X
V
Ejercicio resuelto
x
2
+y
2
+ 4xy x +y + 1 = 0.
Encontrar, en las coordenadas originales x, y, su centro (o su vertice) y sus ejes (o su eje) de simetra.
218
_
1 2
2 1
_
T
_
x y
_
1 2
2 1
_ _
x
y
_
+
_
1 1
_
x
y
_
+ 1 = 0.
de R
2
T
T
= P
1

x
T
Ax = (Px
)
T
APx
= x
T
P
T
APx
= x
T
P
1
APx
= x
T
Dx
=
1
x
2
+
2
y
2
.

1 2
2 1
= (1 )
2
4 = 0 (1 )
2
= 4 (1 ) = 2
1
= 3,
2
= 1.
1
= 3 : (A 3I)x =
_
2 2
2 2
_ _
x
1
x
2
_
=
_
0
0
_
x
1
x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
, R,
2
= 1 : (A +I)x =
_
2 2
2 2
_ _
x
1
x
2
_
=
_
0
0
_
x
1
+x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
, R.

columna de P:

2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
.

T
(X
estar a en el

T
(es decir, X

el eje X

T
(es decir, X

eje X

T
(es decir, X

X
X
1
1
1
1
Y
X
1
1
1
1
X
Y
X
1
1
1
1
X
Y
X
1
1
1
1
X
Y

2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
.
P
1
=
2
2
_
1 1
1 1
_
, P
2
=
2
2
_
1 1
1 1
_
, P
3
=
2
2
_
1 1
1 1
_
, P
4
=
2
2
_
1 1
1 1
_
,
219
X
X
Y
1
1
1
1
Y
X
1
1
1
1
Y
X
Y
X
1
1
1
1
Y
X
Y
X
1
1
1
1
Y
X
Y
e Y

_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,
(en este problema, casualmente, podemos determinar con facilidad el angulo de giro: el eje X
se obtiene girando un
angulo = 45
o
el eje X, pues del autovector (u, v) = (1, 1)
T
x = Px

_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
x
_

_
x =
2
2
(x
),
y =
2
2
(x
+y
).
x
= P
T
x
_
x
_
=
_

2
2
2
2
2
2
2
2
_
_
x
y
_

_
x
2
2
(x +y),
y
2
2
(x +y).

1
x
2
+
2
y
2
(siendo
1
x
2
+y
2
+ 4xy x +y + 1 = 0 3x
2
y
2
2
2
(x
) +
2
2
(x
+y
) + 1 = 0
3x
2
y
2
+
2y
+ 1 = 0 3x
2
(y
2
2y
) + 1 = 0
3x
2
_
_
_
y
2
2
_
2
1
2
_
_
+ 1 = 0 3x
2
_
y
2
2
_
2
=
3
2

x
2
1
2
2
3
2
= 1,
donde hemos hecho la traslacion x
= x
, y
= y
2
2
. Se trata pues de una hiperbola de semiejes a =
_
1
2
,
b =
_
3
2
, centrada en el origen (x
, y
) = (0, 0), con ejes x
= 0 e y
= 0, con asntotas y
=
b
a
x
3x
y
vertices en (x
, y
) =
_
0,
_
3
2
_
(observemos que corta al eje Y
y no al X
).
Es f acil dibujarla cualitativamente en los ejes X
(ver gura adjunta). Basta

con colocar correctamente las asntotas (rectas que pasan por el origen y que tienen
pendiente
3, es decir, forman un angulo de 60

o
y 120
o
, respectivamente, con
el eje OX
). A continuacion dibujamos las dos ramas de la hiperbola teniendo

en cuenta que, aunque solo conocemos un punto exacto de cada una (los vertices
(x
, y
) =
_
0,
_
3
2
_
(0, 1,22)), se acercan cada vez mas a sus asntotas.
Teniendo en cuenta la relacion entre las coordenadas antiguas y las nuevas es facil
ver que el centro de la hiperbola est a en (x
, y
) = (0,
2
2
), es decir, en (x, y) =
(
1
2
,
1
2
). Analogamente, los ejes de la hiperbola corresponden a las rectas
1
1
X
Y
x
= 0 x
= 0
2
2
(x +y) = 0 x +y = 0,
y
= 0 y
2
2

2
2
(x +y) =
2
2
x +y = 1.
220
Para hacer un dibujo cualitativo de la hiperbola. Una informacion que se encuentra facilmente, y que puede ayudar
en el momento de hacer el dibujo cualitativo de la c onica, es conocer los puntos de corte con los ejes originales OX y
OY . En nuestro caso es inmediato ver que la hiperbola no corta ni al eje X ni al Y , pues las ecuaciones que se obtienen
al hacer y = 0 (x
2
x + 1 = 0) y x = 0 (y
2
+y + 1 = 0) no tienen solucion real.
Con toda la informacion obtenida a lo largo del problema, procedemos, paso a paso, a dibujar cualitativamente la
hiperbola.
1
2
2 1
Y
X
2
C
Y
X
1
1
1
2
2 1
Y
X
2
C
Y
Y
X
X
1
1
1
2
2 1
Y
X
2
C
Y
Y
X
X
1
1
1
2
2 1
Y
X
2
C
Y
Y
X
X
1
1
V
V
1
2
2 1
Y
X
2
C
Y
Y
X
X
1
1
V
V
En primer lugar dibujamos los ejes X
e Y
sabiendo que pasan por

el origen de las coordenadas XY y que tienen la direcci on y sentido
del autovector correspondiente a
1
y
2
, respectivamente. Es decir,
en este caso, con la eleccion que hicimos de autovalores y autovectores,
el eje X
tiene la direcci on (y sentido creciente) del vector (1, 1)

T
y el
eje Y
la direcci on (y sentido creciente) del vector (1, 1)

T
. Por tanto,
los ejes X
e Y

o
a los ejes X e Y
(observemos que para dibujar los ejes no es necesario conocer el valor
del angulo, pues sus direcciones vienen marcadas por los autovectores).
Podemos, a continuacion, situar el centro C de la hiperbola (origen de
los ejes X
e Y
) en (x, y) = (
1
2
,
1
2
).
En segundo lugar, dibujamos los ejes X
e Y
, que son paralelos, re-

spectivamente, a los ejes X
e Y
y pasan por C, centro de la hiperbola.

En este caso, el eje Y
coincide con el Y
.
En tercer lugar dibujamos las asntotas. Sabemos que pasan por C
y conocemos su pendiente (en coordenadas x
). N otese que son

simetricas respecto del eje Y
(y tambien respecto del X
).
1
2
2 1
Y
X
2
C
Y
Y
X
X
1
1
V
V
En cuarto lugar dibujamos media rama de la hiperbola: partimos del vertice correspondiente V y vamos buscando
la asntota.
En quinto lugar completamos la rama con su parte simetrica respecto de OY
.
Finalmente completamos la c onica dibujando su segunda rama, simetrica de la primera respecto del eje X
.
Ejercicio resuelto
x
2
2xy +y
2
4
2y + 6 = 0.
_
1 1
1 1
_
T
Ax) ya que la ecuaci on
de esta c onica se puede escribir como
_
x y
_
1 1
1 1
_ _
x
y
_
+
_
0 4
_
x
y
_
+ 6 = 0.
de R
2
T
T
= P
1

x
T
Ax = (Px
)
T
APx
= x
T
P
T
APx
= x
T
P
1
APx
= x
T
Dx
=
1
x
2
+
2
y
2
.

221
Calculamos pues sus autovalores (y despues sus autovectores). En primer lugar:
1 1
1 1
= (1 )
2
1 = 0 (1 )
2
= 1 (1 ) = 1
1
= 0,
2
= 2.
Podemos calcular ya los autovectores:
1
= 0 : (A 0I)x =
_
1 1
1 1
_ _
x
1
x
2
_
=
_
0
0
_
x
1
x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
, R,
2
= 1 : (A +I)x =
_
1 1
1 1
_ _
x
1
x
2
_
=
_
0
0
_
x
1
+x
2
= 0
_
x
1
x
2
_
=
_
1
1
_
, R.

columna de P:

2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
.

T
(X
estar a en el

T
(es decir, X

el eje X

T
(es decir, X

eje X

T
(es decir, X

X
X
1
1
1
1
Y
X
1
1
1
1
X
Y
X
1
1
1
1
X
Y
X
1
1
1
1
X
Y

2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
,
2
2
_
1
1
_
.
P
1
=
2
2
_
1 1
1 1
_
, P
2
=
2
2
_
1 1
1 1
_
, P
3
=
2
2
_
1 1
1 1
_
, P
4
=
2
2
_
1 1
1 1
_
,
X
X
Y
1
1
1
1
Y
X
1
1
1
1
Y
X
Y
X
1
1
1
1
Y
X
Y
X
1
1
1
1
Y
X
Y
222
e Y

_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,
(en este problema, casualmente, podemos determinar con facilidad el angulo de giro: el eje X
se obtiene girando un
angulo = 45
o
el eje X, pues del autovector (u, v) = (1, 1)
T
x = Px

_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
x
_

_
x =
2
2
(x
),
y =
2
2
(x
+y
).
x
= P
T
x
_
x
_
=
_

2
2
2
2
2
2
2
2
_
_
x
y
_

_
x
2
2
(x +y),
y
2
2
(x +y).

1
x
2
+
2
y
2
(siendo
1
x
2
2xy +y
2
4
2 y + 6 = 0 0 x
2
+ 2y
2
4
2
2
(x
+y
) + 6 = 0 2y
2
4x
4y
+ 6 = 0
y
2
2x
2y
+ 3 = 0 (y
1)
2
1 2x
+ 3 = 0 (y
1)
2
2(x
1) = 0 y
2
2x
= 0
= x
1, y
= y
1, que coloca el origen

de las nuevas coordenadas en el vertice de la par abola.
, y
) = (0, 0); su eje de simetra es el

eje X
, cuya ecuaci on es y
, y
) = (1/2, 0); su
recta directriz L tiene por ecuaci on x
=
1
2
.
F = (
p
2
, 0) y directriz L x =
p
2
tiene por ecuaci on y
2
= 2px. En nuestro caso,
como tenemos y
2
= 2x
, deducimos que p = 1.
.
1
1
X
Y
L
F
, y
) = (0, 0), es decir, en

(x
, y
) = (1, 1), o sea, en

_
x
y
_
=
2
2
_
1 1
1 1
__
1
1
_
=
_
0
2
_
.
Por otra parte, el eje de simetra de la par abola es la recta y
= 0, es decir, y
= 1, es decir,
1
2
(x + y) = 1 que
equivale a x +y =
2.
, y
) = (
1
2
, 0), esto corresponde a (x
, y
) = (
3
2
, 1), es decir,
_
x
y
_
=
2
2
_
1 1
1 1
__
3
2
1
_
=
_
1
2
2
5
2
2
_
(0,35, 1,77).
Finalmente, la ecuaci on de la recta directriz L, x
=
1
2
, se transforma en x
1 =
1
2
, es decir, x
=
1
2
. Por tanto,
obtenemos
1
2
(x +y) =
1
2
, es decir, x +y =
1
2
.
Coordenadas X
Coordenadas X
Coordenadas XY
Vertice (0, 0) (1, 1)
_
0,
2
_
Eje simetra y
= 0 y
= 1 x +y =
2
Foco
_
1
2
, 0
_ _
3
2
, 1
_
_
1
2
2
,
5
2
2
_
Directriz x
=
1
2
x
=
1
2
x +y =
1
2
223
Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte (si
y
2
4
2y +6 = 0, que tiene como soluciones y =
2 e y = 3
2. Mientras que si hacemos y = 0, la ecuaci on x

2
+6 = 0
no tiene solucion real. Por tanto, la par abola no corta al eje OX y corta al eje OY en los puntos (0,
2) (0, 1,41) y
(0, 3
2) (0, 4,24).
Y
1
1
X
Y
1
1
X
X
Y
1
1
X
Y
X
Y
1
1
X
V
G
Y
X
Y
1
1
X
X
Y
V
G
Y
X
Pasamos a describir, de forma detallada, los pasos a seguir para
la obtencion de un dibujo aproximado de la c onica (parabola en
nuestro caso).
En primer lugar, tras dibujar los ejes OX y OY , nos jamos en
las direcciones dadas por los autovectores, (1, 1)
T
y (1, 1)
T
.
En segundo lugar, dibujamos el eje X
cuya direcci on viene deter-

minada por el vector (1, 1)
T
en la primera columna de la matriz de paso P). Observemos que
no necesitamos saber el angulo de giro para pasar del eje OX
al X
. En este caso, es inmediato saber que dicho angulo vale
0
= arc tg(1/1) = 45
o
.
En tercer lugar, dibujamos el eje Y
(perpendicular al eje X
, y
que se obtiene si se gira el eje X
90
o
en sentido positivo o anti-
horario) cuya direcci on viene determinada por el vector (1, 1)
T
(puesto que aparece, normalizado, en la segunda columna de la
matriz de paso, ortogonal, P). Hemos completado pues el giro de
ejes.
Y
1
1
X
X
Y
V
G
Y
X
En cuarto lugar, marcamos el punto que sera el ori-
gen de las coordenadas X
: el vertice en el caso de
una par abola o el centro en el caso de una elipse o una
hiperbola. En nuestro caso, el vertice V que calcu-
lamos anteriormente, de coordenadas (x
, y
) = (1, 1)
o (x, y) = (0,
2) (0, 1,41).
En quinto lugar, trasladamos los ejes X
e Y
. As,
dibujamos los ejes X
(que pasa por V y es paralelo

al eje X
) e Y
(pasa por V y es paralelo al eje Y
).
Estamos ya en condiciones de dibujar la par abola
pues la ecuaci on x
= y
2
/2 nos indica que, en los
ejes X
-Y
, la par abola se abre hacia la derecha. As,

en sexto lugar, dibujamos media par abola teniendo en
cuenta que el unico punto exacto que conocemos de
la par abola es el vertice V , y los puntos de corte con
los ejes OX y OY si es que los hemos calculado. En
nuestro caso hay dos puntos de corte con el eje OY
(uno de ellos es el propio vertice V ).
Finalmente, completamos la par abola aplicando la
simetra respecto de su eje (el eje de coordenadas X
).
Obtenemos un dibujo cualitativo que debe parecerse
bastante al real.
Y
1
1
X
X
Y
V
G
Y
X
Ejercicio resuelto
4x
2
+ 4xy +y
2
+ 8
5x 6
5y 15 = 0.
224
_
4 2
2 1
_
T
_
x y
_
4 2
2 1
_ _
x
y
_
+
_
8
5 6
_
x
y
_
15 = 0.
de R
2
T
T
= P
1

x
T
Ax = (Px
)
T
APx
= x
T
P
T
APx
= x
T
P
1
APx
= x
T
Dx
=
1
x
2
+
2
y
2
.

4 2
2 1
=
2
5 = 0
I
= 0,
II
= 5.
I
= 0 : (A 0I)x =
_
4 2
2 1
_ _
x
1
x
2
_
=
_
0
0
_
2x
1
+x
2
= 0
_
x
1
x
2
_
=
_
1
2
_
, R,
II
= 5 : (A 5I)x =
_
1 2
2 4
_ _
x
1
x
2
_
=
_
0
0
_
x
1
2x
2
= 0
_
x
1
x
2
_
=
_
2
1
_
, R.

columna de P:
1
5
_
2
1
_
,
1
5
_
1
2
_
,
1
5
_
2
1
_
,
1
5
_
1
2
_
.

T
(X
estar a en el

T
(es decir, X

el eje X

T
(es decir, X

eje X

T
(es decir, X

X
2
Y
1
2
2
1
2
X
X
2
Y
1
2
2
1
2
X
X
2
Y
1
2
2
1
2
X
X
2
Y
1
2
2
1
2
X

1
5
_
1
2
_
,
1
5
_
2
1
_
,
1
5
_
1
2
_
,
1
5
_
2
1
_
.
P
1
=
1
5
_
2 1
1 2
_
, P
2
=
1
5
_
1 2
2 1
_
, P
3
=
1
5
_
2 1
1 2
_
, P
4
=
1
5
_
1 2
2 1
_
,
225
X
2
Y
1
2
2
1
2
X
Y
X
2
Y
1
2
2
1
2
Y
X
X
2
Y
1
2
2
1
2
Y
X
X
2
Y
1
2
2
1
2
Y
X
e Y

_
2
2
_
2
1
_
,
2
2
_
1
2
_
_
,
(en este problema no podemos determinar sin calculadora el angulo de giro: el eje X
se obtiene girando el eje X

un angulo 26,57
o
, pues del autovector (u, v) = (2, 1)
T
sacamos que tg = v/u = 1/2). El cambio de variables
x = Px

_
x
y
_
=
1
5
_
2 1
1 2
_ _
x
_

_
x =
1
5
(2x
),
y =
1
5
(x
+ 2y
).
x
= P
1
x = P
T
x
_
x
_
=
1
5
_
2 1
1 2
_ _
x
y
_

_
x
=
1
5
(2x +y),
y
=
1
5
(x + 2y).

1
x
2
+
2
y
2
(siendo
1
el autovalor asociado al autovector colocado en la primera columna de P; es decir, en nuestro caso
1
= 5,
2
= 0), modicar a los coecientes de los terminos lineales, y no alterar a el termino independiente. Concretamente
obtenemos:
4x
2
+ 4xy +y
2
+ 8
5x 6
5y 15 = 0 5x
2
+ 0 y
2
+ 8
5
1
5
(2x
) 6
5
1
5
(x
+ 2y
) 15 = 0
5x
2
+ 10x
20y
15 = 0 x
2
+ 2x
4y
3 = 0 (x
+ 1)
2
1 4y
3 = 0
(x
+ 1)
2
4(y
+ 1) = 0 x
2
4y
= 0
= x
+1, y
= y
+1, que coloca el origen

de las nuevas coordenadas en el vertice de la par abola.
, y
) = (0, 0); su eje de simetra es el eje

Y
, y
) = (0, 1); su recta

directriz L tiene por ecuaci on y
= 1.
F = (0,
q
2
) y directriz L y =
q
2
tiene por ecuaci on x
2
= 2qy. En nuestro caso,
como tenemos x
2
= 4y
, deducimos que 2q = 4, es decir, q = 2.

.
1
1
X
Y
L
F
, y
) = (0, 0), es decir, en

(x
, y
) = (1, 1), o sea, en

_
x
y
_
=
1
5
_
2 1
1 2
__
1
1
_
=
_

1
5
_
_
0,45
1,34
_
.
Por otra parte, el eje de simetra de la par abola es la recta x
= 0, es decir, x
= 1, es decir,
1
5
(2x + y) = 1,
que equivale a 2x +y =
5.
226
, y
) = (0, 1), esto corresponde a (x
, y
) = (1, 0), es decir,

_
x
y
_
=
1
5
_
2 1
1 2
__
1
0
_
=
_

2
5
_
_
0,89
0,45
_
.
Finalmente, la ecuaci on de la recta directriz L, y
= 1, se transforma en y
+ 1 = 1, es decir, y
= 2. Por
tanto, obtenemos
1
5
(x + 2y) = 2, es decir, x 2y = 2
5.
Coordenadas X
Coordenadas X
Coordenadas XY
Vertice (0, 0) (1, 1)
_
5
,
3
5
_
Eje simetra x
= 0 x
= 1 2x +y =
5
Foco (0, 1) (1, 0)
_
5
,
1
5
_
Directriz y
= 1 y
= 2 x 2y = 2
5
Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte
(si los hay) de la par abola con los ejes coordenados (OX y OY ). Al hacer x = 0 en la ecuaci on de la c onica se
obtiene y
2
6
5y 15 = 0, que tiene como soluciones y = 3
5 2
15. Mientras que si hacemos y = 0, la

ecuaci on 4x
2
+ 8
5x 15 = 0 tiene como soluciones x =
35/2. Por tanto, la par abola corta al eje OX

en los puntos (
5 +
35/2, 0) (0,72, 0) y (
35/2, 0) (5,19, 0) y corta al eje OY en los puntos

(0, 3
5 + 2
15) (0, 14,45) y (0, 3
5 2
15) (0, 1,04).

Pasamos a describir, de forma detallada, los pasos a seguir para la obtencion de un dibujo aproximado de la c onica
(parabola en nuestro caso).
X
Y
1
X
1 X
Y
1
Y
X
1 X
Y
G
1
Y
X
V
1 X
Y
G
1
Y
Y
X
X
V
1
En primer lugar, tras dibujar los ejes OX y OY , nos -
jamos en las direcciones dadas por los autovectores, (2, 1)
T
y (1, 2)
T
. Comenzamos dibujando el eje X
cuya direcci on
viene determinada por el vector (2, 1)
T
(puesto que aparece,
normalizado, en la primera columna de la matriz de paso
P). Observemos que no necesitamos saber el angulo de giro
para pasar del eje OX al X
.
En segundo lugar, dibujamos el eje Y
(perpendicular al
eje X
, y que se obtiene si se gira 90

o
en sentido positivo
o antihorario el eje X
) cuya direcci on viene determinada

por el vector (1, 2)
T
en la segunda columna de la matriz de paso, ortogonal, P).
Hemos completado pues el giro de ejes.
En tercer lugar, marcamos el punto que sera el origen de las
coordenadas X
: el vertice en el caso de una par abola

o el centro en el caso de una elipse o una hiperbola. En
X
Y
G
1
Y
Y
X
X
V
1
227
nuestro caso, el vertice V que calculamos anterior-
mente, de coordenadas (x
, y
) = (1, 1) o (x, y) =
(1/
5, 3/
5) (0,45, 1,34).
En cuarto lugar, trasladamos los ejes X
e Y
. As,
dibujamos los ejes X
(que pasa por V y es paralelo

al eje X
) e Y
(pasa por V y es paralelo al eje Y
).
Estamos ya en condiciones de dibujar la par abola
pues la ecuaci on y
= x
2
/4 nos indica que, en los
ejes X
-Y
, la par abola se abre hacia arriba. As, en

quinto lugar, dibujamos media par abola teniendo en
cuenta que el unico punto exacto que conocemos de
la par abola es el vertice V (y los puntos de corte con
los ejes OX y OY , si es que los hemos calculado). En
nuestro caso hay dos puntos de corte con el eje OX
y otros dos con el eje OY (dos de ellos quedan fuera
del dibujo).
Finalmente, completamos la par abola aplicando la
simetra respecto de su eje (el eje de coordenadas X
).
Obtenemos un dibujo cualitativo que debe parecerse
bastante al real.
X
Y
G
1
Y
Y
X
X
V
1
Ejercicio resuelto
Despues de hacer los cambios de coordenadas adecuados, representar gracamente (en las coordenadas originales)
la c onica de ecuaci on
x
2
y
2
2
3 xy + 4x + 7 = 0,
y determinar sus elementos notables (centro, ejes, focos, asntotas, vertices, . . .).
de los autovectores de la matriz A (la que recoge los terminos cuadraticos). Calculamos pues sus autovalores y despues
sus autovectores. En primer lugar:
3 1
=
2
4 = 0
1
= 2,
2
= 2.
Al tener A autovalores de signos opuestos estamos ante un caso hiperbolico. Podemos ahora calcular los autovectores:
1
= 2 :
_
1
3 3
__
u
v
_
=
_
0
0
_
u +
3 v = 0
_
u
v
_
=
_
3
1
_
,
2
= 2 :
_
3
3 1
__
u
v
_
=
_
0
0
_

3 u v = 0
_
u
v
_
=
_
1
3
_
.
tomaremos ademas unitarios para construir una matriz de paso ortogonal P (columnas ortonormales):
__
1
2
3
2
_
,
_

3
2
1
2
__
,
donde el primer autovector da la direcci on y sentido del nuevo eje OX
(que corresponde a girar un angulo =

arc tg(
3/1) = /3 el eje OX) y el segundo autovector (que hemos elegido en el sentido adecuado para que el eje OY

se obtenga girando el OX
un angulo de 90
o
en sentido positivo o antihorario) marca la direcci on y sentido del nuevo
eje OY
.
) el (1,
3)
T
porque est a en el
, debe estar
El cambio:
_
x
y
_
= P
_
x
_
x
y
_
=
_
1
2

3
2
3
2
1
2
_
_
x
_
x =
1
2
(x
3 y
),
y =
1
2
(
3 x
+y
),

2
x
2
+
1
y
2
terminos lineales, x
e y
, y no alterar a el termino independiente. Concretamente obtenemos:

2x
2
+ 2y
2
+ 4
1
2
(x
3 y
) + 7 = 0 x
2
y
2
x
3y
7
2
= 0.
228
Realizamos ahora una traslacion completando primero cuadrados:
_
_
x
1
2
_
2
1
4
_
_
_
_
y
3
2
_
2
3
4
_
_
7
2
= 0
_
x
1
2
_
2
_
y
3
2
_
2
= 3,
donde la traslacion
x
= x
1
2
, y
= y
3
2
,
nos conduce a
x
2
y
2
= 3
x
2
(
3)
2

y
2
(
3)
2
= 1.
La hiperbola que estamos estudiando es equilatera, pues a = b =
3, y tiene su centro C en (x
, y
) = (0, 0), es
decir, en (x
, y
) = (
1
2
,
3
2
), o sea,
_
x
y
_
=
_
1
2

3
2
3
2
1
2
_
_
1
2
3
2
_
=
_

1
2
3
2
_
.
Sus vertices son (x
, y
) = (
3, 0), es decir, en (x
, y
) = (
1
2

3,
3
2
), o sea,
_
x
y
_
=
_
1
2

3
2
3
2
1
2
__
1
2

3
2
_
_
1+
3
2
3+
3
2
_
y
_
1
3
2
3+
3
2
_
.
Los focos est an en (x
, y
) = (c, 0), con c =
a
2
+b
2
=
6, es decir, en (x
, y
) = (
1
2

6,
3
2
), o sea,
_
x
y
_
=
_
1
2

3
2
3
2
1
2
__
1
2

3
2
_
_
1+
6
2
3
2+
3
2
_
y
_
1
6
2
3
2+
3
2
_
.
Los ejes de la par abola son la recta x
= 0, es decir, x
=
1
2
, es decir, x +
3 y = 1 y la recta y
= 0, es decir,
y
3
2
, es decir,
3 x + y =
3. Notemos que del cambio

_
x
y
_
= P
_
x
_
deducimos, al ser P ortogonal, que
_
x
_
= P
T
_
x
y
_
, lo que nos lleva a
x
=
1
2
(x +
3 y), y
=
1
2
(
3 x +y).
Las asntotas de la hiperbola son y
=
b
a
x
, es decir, y
= x
, es decir, y
3
2
=
_
x
1
2
_
, por tanto,
1
2
(
3 x +y)
3
2
=
_
1
2
(x +
3 y)
1
2
_
con lo que las ecuaciones de tales rectas son
(1 +
3)x + (1
3)y = 1
3 y (1
3)x + (1 +
3)y = 1 +
3.
Para hacer el dibujo esquem atico con una cierta precisi on, puede
sernos util el encontrar los puntos de corte (si los hay) de la
par abola con los ejes coordenados (OX y OY ). Al hacer x = 0 en
la ecuaci on de la c onica se obtiene y
2
7 = 0, es decir, y =
7.
Mientras que si hacemos y = 0, la ecuaci on x
2
+ 4x + 7 = 0 no
tiene solucion (real). Por tanto, la par abola corta al eje OY en
los puntos (0,
7) y (0,
7) y no corta al eje OX.

X
Y
Y
Y
1
1
C
G
X
X
Ejercicio resuelto
Representar gracamente la c onica de ecuaci on 9x
2
+y
2
+ 6xy 10
10 x + 10
10 y + 90 = 0, determinando sus
elementos notables (centro, ejes, focos, asntotas, vertices, . . .) en las coordenadas originales x, y.
de los autovectores de la matriz A (la que recoge los terminos cuadraticos). Calculamos pues sus autovalores y despues
sus autovectores. En primer lugar:
229
9 3
3 1
=
2
10 = 0
1
= 10,
2
= 0.
Estamos ante un caso parabolico al ser un autovalor nulo. Podemos ahora calcular los autovectores:
1
= 10 :
_
1 3
3 1
__
u
v
_
=
_
0
0
_
u + 3v = 0
_
u
v
_
=
_
3
1
_
,
2
= 0 :
_
9 3
3 1
__
u
v
_
=
_
0
0
_
3u +v = 0
_
u
v
_
=
_
1
3
_
.
_
10
10
_
3
1
_
,
10
10
_
1
3
_
_
,
(que corresponde a girar un angulo

0
=
arc tg(1/3) el eje OX) y el segundo autovector (que hemos elegido en el sentido adecuado para que el eje OY
se
obtenga girando el OX
un angulo de 90
o
en sentido positivo o antihorario) marca la direcci on y sentido del nuevo eje
OY
.
) el (3, 1)
T
porque est a en el
, debe estar
El cambio:
_
x
y
_
= P
_
x
_
x
y
_
=
10
10
_
3 1
1 3
__
x
_
x =
10
10
(3x
),
y =
10
10
(x
+ 3y
),

1
x
2
+
2
y
2
e y

10x
2
+ 0y
2
20x
+ 40y
+ 90 = 0 x
2
2x
+ 4y
+ 9 = 0.
(x
1)
2
1 + 4y
+ 9 = 0 (x
1)
2
+ 4(y
+ 2) = 0 x
2
+ 4y
= 0 y
=
x
2
4
,
donde la traslacion realizada viene dada por
x
= x
1, y
= y
+ 2.
La par abola que estamos estudiando tiene su vertice en (x
, y
) = (0, 0), es decir, en (x
, y
) = (1, 2), es decir,

_
x
y
_
=
10
10
_
3 1
1 3
__
1
2
_
=
10
2
_
1
1
_
.
El eje de la par abola es la recta x
= 0, es decir, x
= 1, es decir, 3x+y =
10 (ya que del cambio

_
x
y
_
= P
_
x
_
_
x
_
= P
T
_
x
y
_
, lo que nos lleva a x
10
10
(3x +y)).
Para hallar el foco y la recta directriz, recordemos que una par abola con foco en F = (
p
2
p
2
2
= 2px. En nuestro caso, como tenemos x
2
= 4y
, entonces p = 2 con lo que el foco F est a en

(x
, y
) = (0, 1) y la directriz L tiene por ecuaci on y
= 1.
Por tanto, F est a en (x
, y
) = (1, 3), es decir,

_
x
y
_
=
10
10
_
3 1
1 3
__
1
3
_
=
10
5
_
3
4
_
.
La directriz L tiene por ecuaci on y
= 1, es decir, x + 3y =
10 (ya que del cambio

_
x
y
_
= P
_
x
_
_
x
_
= P
T
_
x
y
_
, lo que nos lleva a y
10
10
(x + 3y)).
230
Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte
(si los hay) de la par abola con los ejes coordenados (OX y OY ). Al hacer x = 0 en la ecuaci on de la c onica se
obtiene y
2
+ 10
10y + 90 = 0 que se verica para y =
10, 9
10. Mientras que si hacemos y = 0, la ecuaci on

9x
2
10
10x + 90 = 0 no tiene solucion (real). Por tanto, la par abola corta al eje OY en los puntos (0,
10) y
(0, 9
10) y no corta al eje OX.

Con toda la informacion que hemos obtenido a lo largo
del problema, comenzamos dibujando los ejes X
e Y
sa-
biendo que pasan por el origen de las coordenadas x-y
y tienen la direcci on y sentido del autovector correspon-
diente a
1
y
2
, respectivamente. Es decir, en este caso,
con la eleccion que hicimos de autovalores y autovectores,
el eje X
tiene la direcci on de (3, 1)

T
y el Y
la de (1, 3)
T
(notese que los ejes X
e Y
se obtienen rotando un angulo
0
= arc tg(1/3), que sin calculadora no sabemos evaluar,
a los ejes X e Y ). A continuacion, dibujamos los ejes X
e Y
, paralelos respectivamente a los ejes X
e Y
, que re-
sultan de trasladar el origen al punto V =
_
10
2
,
10
2
_
.
Y
X
1
X
G
V
X
Y
Y
1
Finalmente, dibujamos la par abola, que es muy facil de representar en las coordenadas x
-y
, y tenemos en cuenta
sus cortes con los ejes X e Y , para obtener un dibujo cualitativo lo mas parecido posible al real (
10 3,16).
Ejercicio resuelto
Dada la c onica
3x
2
+ 3y
2
2xy + 2x 4y + 1 = 0.
(a) Hallar su ecuaci on canonica mediante los cambios de coordenadas adecuados.
(b) Hacer un dibujo esquem atico de dicha curva.
direcciones de los autovectores de la matriz A (la que recoge los terminos cuadraticos). Calculamos pues sus autovalores
3 1
1 3
=
2
6 + 8 = 0
1
= 4,
2
= 2.
1
= 4 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u +v = 0
_
u
v
_
=
_
1
1
_
,
2
= 2 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u v = 0
_
u
v
_
=
_
1
1
_
.
_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,

o
el eje X, pues del autovector sacamos que tg = v/u = 1/1 = 1) y el segundo autovector (que hemos elegido en
el sentido adecuado para que el eje Y
se obtenga girando el X
un angulo de 90
o
en sentido positivo o antihorario)
marca la direcci on y sentido del nuevo eje Y
. El cambio:
x = Px

_
x
y
_
=
_

2
2
2
2
2
2
2
2
_
_
x
_

1
x
2
+
2
y
2
e y

4x
2
+ 2y
2
+ 3
2x
2y
+ 1 = 0.
4
_
x
2
+
3
2
4
x
_
+ 2
_
y
2
2
2
y
_
+ 1 = 0,
231
4
_
x
+
3
2
8
_
2
9
8
+ 2
_
y
2
4
_
2
1
4
+ 1 = 0,
4
_
x
+
3
2
8
_
2
+ 2
_
y
2
4
_
2
=
3
8
4x
2
+ 2y
2
=
3
8
,
donde hemos realizado la traslacion
x
= x
+
3
2
8
, y
= y
2
4
.
Operando, llegamos a la ecuaci on canonica
x
2
3
32
+
y
2
3
16
= 1
x
2
_
1
4
_
3
2
_
2
+
y
2
_
3
4
_
2
= 1.
Es decir, al haber tomado
1
= 4 y
2
= 2, el semieje mayor de la elipse est a sobre el eje Y
y el menor sobre el X
,
ya que
1
4
_
3
2
<
3
4
.
N otese que el origen en las coordenadas x
-y
, es decir, el centro C de la elipse, est a en el punto (x
=
3
2
8
, y
2
4
), es decir, en el punto:
x =
2
2
_
2
8
+
2
4
_
=
1
8
, y =
2
2
_
3
2
8
+
2
4
_
=
5
8
C =
_
1
8
,
5
8
_
.
(b) Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte (si
los hay) de la elipse con los ejes coordenados (OX y OY ). Al hacer x = 0 en la ecuaci on de la c onica se obtiene
3y
2
4y +1 = 0 que se verica para y = 1, 1/3. Mientras que si hacemos y = 0, la ecuaci on 3x
2
+2x +1 = 0 no tiene
solucion (real). Por tanto, la elipse corta al eje OY en los puntos (0, 1) y (0, 1/3) y no corta al eje OX.
Con toda la informacion que hemos obtenido a lo largo del problema, comenzamos dibujando los ejes X
e Y
sabiendo que pasan por el origen de las coordenadas x-y y tienen la direcci on y sentido del autovector correspondiente
a
1
y
2
, respectivamente. Es decir, en este caso, con la eleccion que hicimos de autovalores y autovectores, los ejes X
e Y

o
a los ejes X e Y . A continuacion, dibujamos los ejes X
e Y
, paralelos
respectivamente a los ejes X
e Y
, que resultan de trasladar el origen al punto C =

_
1
8
,
5
8
_
. Finalmente, dibujamos
la elipse, que es muy facil de representar en las coordenadas x
-y
, y tenemos en cuenta sus cortes con los ejes X e

Y , para obtener un dibujo cualitativo lo mas parecido posible al real (ver gura (a)).
X
Y
X
G
G
Y
Y
X
1
1/3
C
G
X
G
G
Y
1
1/3
C
G
Y
Y
X
X
(a) (b)
N otese que si hubieramos elegido los autovalores en el otro orden posible, es decir,
1
= 2 y
2
= 4 y tomamos
como autovectores respectivos (1, 1)
T
y (1, 1)
T
(el primero indica la direcci on y sentido del eje X
y el segundo el
del Y
), llegaramos, tras realizar el giro (en este caso de 45

o
) mediante el cambio de coordenadas dado por la nueva
matriz P y la traslacion adecuada, a la ecuaci on canonica:
x
2
_
3
4
_
2
+
y
2
_
1
4
_
3
2
_
2
= 1,
que nos llevara a la gura (b).
232
Ejercicio resuelto
Dada la c onica
x
2
2xy +y
2
2x + 1 = 0.
(a) Hallar su ecuaci on canonica mediante los cambios de coordenadas adecuados y clasicarla.
(b) Hacer un dibujo esquem atico de dicha curva.
direcciones de los autovectores de la matriz A (la que recoge los terminos cuadraticos). Calculamos pues sus autovalores
1 1
1 1
=
2
2 = 0
1
= 0,
2
= 2.
1
= 0 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u v = 0
_
u
v
_
=
_
1
1
_
,
2
= 2 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u +v = 0
_
u
v
_
=
_
1
1
_
.
_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,

o
el eje
90
o
. El cambio:
x = Px

_
x
y
_
=
_

2
2

2
2
2
2
2
2
_
_
x
_

1
x
2
+
2
y
2
e y

2y
2
2x
2y
+ 1 = 0.
Realizamos ahora una traslacion completando primero cuadrados en la variable y
:
2
_
y
2
+
2
2
y
2x
+ 1 = 0, 2
_
y
2
4
_
2
1
4

2x
+ 1 = 0,
2
_
y
2
4
_
2
2x
+
3
4
= 0,
2
_
y
2
4
_
2
2
_
x
2
8
_
= 0, 2y
2
2x
= 0,
donde hemos realizado la traslacion
x
= x
2
8
, y
= y
2
4
.
Por tanto, la ecuaci on canonica a la que hemos llegado, tras la rotacion y la traslacion llevadas a cabo, es
x
2y
2
.
N otese que el origen en las coordenadas x
-y
, es decir, el vertice V de la par abola, est a en el punto (x
=
3
2
8
, y
2
4
), es decir, en el punto:
x =
2
2
_
3
2
8
+
2
4
_
=
5
8
, y =
2
2
_
3
2
8

2
4
_
=
1
8
, V =
_
5
8
,
1
8
_
.
(b) Para hacer el dibujo esquem atico con una cierta precisi on, puede sernos util el encontrar los puntos de corte (si
y
2
+ 1 = 0 que no tiene solucion (real). Mientras que si hacemos y = 0 obtenemos x
2
2x + 1 = 0 que tiene como
233
solucion (doble) x = 1. Por tanto, la par abola no corta al eje OY y toca sin cortar (pues es tangente, como se deduce
de la raz doble) al eje OX en el punto (1, 0).
Con toda la informacion que hemos obtenido a lo largo del problema, comenzamos dibujando los ejes X
e Y
sabiendo que pasan por el origen de las coordenadas X-Y y que tienen la direcci on y sentido del autovector correspon-
diente a
1
y
2
, respectivamente. Es decir, en este caso, con la eleccion que hicimos de autovalores y autovectores,
los ejes X
e Y

o
a los ejes X e Y . A continuacion, dibujamos los ejes X
e Y
,
paralelos respectivamente a los ejes X
e Y
, que resultan de trasladar el origen al vertice de la par abola V =

_
1
8
,
5
8
_
.
Finalmente, dibujamos la par abola, que es muy facil de representar en las coordenadas X
-Y
, y tenemos en cuenta
las intersecciones con los ejes X e Y , para obtener un dibujo cualitativo lo mas parecido posible al real. Obtenemos
pues la siguiente gura:
G
V
G
1
X
Y
Y
X
X
Y
N otese que si elegimos los autovalores en el mismo orden,
1
= 0 y
2
= 2, pero tomamos los autovectores opuestos
((1, 1)
T
ja el eje X
y (1, 1)
T
marca el Y
), llegamos, procediendo analogamente, a

x
2y
2
.
En este situaci on, estaramos en el caso (a) de la gura siguiente.
Sin embargo, si tomamos
1
= 2 y
2
= 0, y como autovectores correspondientes a (1, 1)
T
(que determina el eje
X
) y (1, 1)
T
(que marca el eje Y
), llegamos, procediendo analogamente, a

y
2x
2
.
De esta forma, estaramos en el caso (b) de la gura siguiente.
Finalmente, la cuarta y ultima posibilidad sera tomar
1
= 2 y
2
= 0, pero trabajando con los autovectores a
(1, 1)
T
(ja el eje X
) y (1, 1)
T
(marca el Y
). Entonces, se llega, procediendo analogamente, a

y
2x
2
.
Estaramos entonces en el caso (c) de la gura siguiente.
G
V
G
1
X
Y
X
Y
X
Y
G
V
G
1
X
Y
Y
X
Y
X
G
V
G
1
X
Y
X
Y
X
Y
(a) (b) (c)
Moraleja: la curva en el plano X-Y es obviamente la misma, aunque al comienzo del problema tenemos cuatro
posibilidades distintas para elegir el eje X
(seg un que autovalor elijamos como primero y que autovector de norma

unidad elijamos para dicho autovalor). Tras esta eleccion los ejes Y
(que queremos obtenerlo girando el eje X
90
o
en
sentido antihorario), X
e Y
ya quedan determinados.
234
Ejercicio resuelto
Encontrar los valores del par ametro a R para los que la c onica
a
2
x
2
4xy +y
2
+a = 0
es una hiperbola.
Nos piden que determinemos cuando la c onica
a
2
x
2
4xy +y
2
+a = 0
_
x y
_
a
2
2
2 1
_ _
x
y
_
+a = 0
corresponde a una hiperbola, es decir, cuando estamos ante un caso hiperb olico no degenerado.
Sabemos que estamos ante un caso elptico (elipse, un punto o nada) si los dos autovalores de A tienen el mismo
signo, ante un caso hiperb olico (hiperbola o dos rectas que se cortan) si los dos autovalores de A tienen signo opuesto
o ante un caso parab olico (parabola, dos rectas paralelas, una recta doble o nada) cuando un autovalor de A es nulo.
En este problema, la matriz simetrica A, que representa la parte cuadratica de la c onica, es
A =
_
a
2
2
2 1
_
.
Sabiendo que el determinante de A coincide con el producto de sus autovalores (|A| =
1
2
), deducimos que si |A| > 0
los autovalores tienen el mismo signo (caso elptico), si |A| = 0 un autovalor sera nulo (caso parabolico) y si |A| < 0
los autovalores tienen signos opuestos (caso hiperb olico).
Como |A| = a
2
4: si |a| > 2, es decir, si a < 2 o a > 2, estamos ante un caso elptico (|A| > 0); si |a| = 2, es
decir, si a = 2, estamos ante un caso parabolico (|A| = 0) y si |a| < 2, es decir, si 2 < a < 2, estamos ante un caso
hiperb olico (|A| < 0).
Si hacemos el cambio de coordenadas x = Px
(giro, usando una base ortonormal de autovectores de A) sabemos

que la ecuaci on de la c onica se transformara en
1
x
2
+
2
y
2
+a = 0.
En el caso hiperb olico, 2 < a < 2, si a = 0 estaremos ante una hiperbola, pero si a = 0 estaremos en el caso
degenerado con dos rectas que se cortan (pues
1
x
2
+
2
y
2
= 0 no se podra escribir como
x
2
2

x
2
2
= 1).
As, se trata de una hiperbola cuando 2 < a < 0 y cuando 0 < a < 2, es decir, si a (2, 0) (0, 2).
Ejercicio resuelto
Clasicar, seg un los valores de a R, tras hacer los cambios de variables adecuados, la familia de c onicas
x
2
2xy +y
2
x +ay + 1 = 0.
Puesto que en la ecuaci on de la c onica aparece un termino xy, haciendo primero un giro representado por la ecuaci on
matricial x = Px
(P matriz ortogonal, construida a partir de los autovectores de la matriz A asociada a los terminos
cuadraticos) obtenemos una ecuaci on sin termino x
. Basta despues con hacer una traslacion adecuada x
= x
0
, y
= y
0
que lleve el origen de las nuevas coordenadas al centro (elipse o hiperbola) o al vertice (parabola) de
la c onica. Tras dicha traslacion sera facil identicar la c onica pues llegaremos a
x
2
a
2
+
y
2
b
2
= 1,
x
2
a
2

y
2
b
2
= 1, y
= x
2
_
o x
= y
2
_
,
si se trata de una elipse, una hiperbola o una par abola, respectivamente.
Podemos saber si estamos ante un caso elptico (elipse, un punto o nada) si los dos autovalores de A tienen el
mismo signo, ante un caso hiperb olico (hiperbola o dos rectas que se cortan) si los dos autovalores de A tienen signo
opuesto o ante un caso parab olico (parabola, dos rectas paralelas, una recta doble o nada) si A tiene un autovalor nulo.
Comencemos pues con un giro para colocar los ejes en las direcciones de los autovectores de la matriz A =
_
1 1
1 1
_
(la que recoge los terminos cuadraticos). Calculamos pues sus autovalores y despues sus autovectores.
En primer lugar:
1 1
1 1
= (1 )
2
1 = 0 (1 )
2
= 1 1 = 1
1
= 0,
2
= 2.
Al tener A un autovalor nulo, estamos ante un caso parabolico. Podemos ahora calcular los autovectores:
1
= 0 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u v = 0
_
u
v
_
=
_
1
1
_
, R,
2
= 2 :
_
1 1
1 1
__
u
v
_
=
_
0
0
_
u +v = 0
_
u
v
_
=
_
1
1
_
, R.
235
_
2
2
_
1
1
_
,
2
2
_
1
1
_
_
,
(que corresponde a girar el eje OX un angulo
0
= arc tg(1/1) = /4 = 45
o
) y el segundo autovector (que hemos elegido en el sentido adecuado para que el eje OY

se obtenga girando el OX
un angulo de 90
o
en sentido positivo o antihorario) marca la direcci on y sentido del nuevo
eje OY
.
Observemos que, por comodidad, hemos tomado como primer autovector (que nos dene el eje OX
) el (1, 1)
T
porque est a en el primer cuadrante y as el giro sera de un angulo (0, /2). El segundo autovector, que dene el
eje OY
, debe estar entonces en el segundo cuadrante.

El cambio:
_
x
y
_
= P
_
x
_
x
y
_
=
2
2
_
1 1
1 1
__
x
_
x =
2
2
(x
),
y =
2
2
(x
+y
),

1
x
2
+
2
y
2
e y

0x
2
+ 2y
2
2
(x
) +a
2
2
(x
+y
) + 1 = 0 2y
2
+
2
2
(a + 1)y
2
2
(a 1)x
+ 1 = 0.
2
_
y
2
+
2
4
(a + 1)y
_
+
2
2
(a 1)x
+ 1 = 0,
2
_
_
_
y
2
8
(a + 1)
_
2
1
32
(a + 1)
2
_
_
+
2
2
(a 1)x
+ 1 = 0,
2
_
y
2
8
(a + 1)
_
2
+
2
2
(a 1)x
+
16 (a + 1)
2
16
= 0,
_
a = 1 : 2
_
y
2
4
_
2
+
3
4
= 0 2y
2
+
3
4
= 0 y
2
=
3
8
,
a = 1 : 2
_
y
2
8
(a + 1)
_
2
+
2
2
(a 1)
_
x
+
16(a+1)
2
8
2 (a1)
_
= 0 2y
2
+
2
2
(a 1)x
= 0.
Cuando a = 1, hacemos la traslacion x
= x
, y
= y
2
4
, y vemos que hay un termino en y
2
pero que ha
desaparecido el termino lineal en x
, con lo que estamos en un caso parabolico degenerado (dos rectas paralelas, una
recta o nada). En este caso, se trata de nada, pues ning un punto del plano X
-Y
verica y
2
=
3
8
. Observemos
que si hubieramos obtenido, por ejemplo, y
2
=
3
8
estaramos ante dos rectas paralelas, dadas por y
=
_
3
8
. Si
hubieramos llegado a la ecuaci on y
2
= 0, se tratara de una recta, dada por y
= 0.
Cuando a = 1, hacemos la traslacion x
= x
+
16(a+1)
2
8
2 (a1)
, y
= y
2
8
(a + 1) que nos lleva a la ecuaci on
2y
2
+
2
2
(a 1)x
= 0 que corresponde a una par abola.

En resumen, se trata de una par abola cuando a = 1 y no hay nada en el caso a = 1.
Aunque no nos lo pide, las par abolas de la familia que estamos estudiando tienen su vertice V en (x
, y
) = (0, 0),
es decir, en (x
, y
) = (
16(a+1)
2
8
2 (a1)
,
2
8
(a + 1)), o sea,
_
x
y
_
=
2
2
_
1 1
1 1
_
_

16(a+1)
2
8
2 (a1)
2
8
(a + 1)
_
.
El eje de cada par abola es la recta y
= 0, es decir, y
2
8
(a + 1) = 0, es decir,
2
2
(x + y) +
2
8
(a + 1) = 0, o
sea, x y =
a+1
4
(ya que del cambio
_
x
y
_
= P
_
x
_
_
x
_
= P
T
_
x
y
_
, lo que
nos lleva a y
2
2
(x +y)).
Para hallar el foco y la recta directriz, recordemos que una par abola con foco en F = (
p
2
p
2
2
= 2px. En nuestro caso, como tenemos y
2
=
2
4
(a 1)x
, entonces p =
2
8
(a 1) con lo
236
que el foco F est a en (x
, y
) = (
2
16
(a 1), 0) y la directriz L tiene por ecuaci on x
2
16
(a 1). Dejamos al lector
interesado que obtenga las expresiones del foco y la directriz en las coordenadas originales. Observemos que el caso
degenerado a = 1 separa las par abolas que, en el plano X
-Y
, se abren hacia la derecha (cuando a < 1) de las que

se abren hacia la izquierda (si a > 1).
Ejercicio resuelto
Escribir dos ecuaciones de c onicas degeneradas, en las que haya que realizar un giro para su identicacion, que
correspondan a
i) dos rectas paralelas.
ii) una recta (doble).
iii) dos rectas que se cortan (no perpendicularmente).
Si hay que realizar un giro, quiere decir que en la ecuaci on aparece el termino xy. Observemos que el caso de rectas
paralelas y el de recta doble corresponden al caso par abolico (degenerado) mientras que el de dos rectas que se cortan
al caso hiperb olico (degenerado).
i) Dos rectas, ax +by +c = 0 y a
x+b
y +c
= 0 son paralelas si se da la siguiente relacion de proporcionalidad entre

los coecientes a/a
= b/b
. N otese que si se diera a/a
= b/b
= c/c
, entonces las dos ecuaciones deniran la

misma recta. Para obtener lo que nos piden basta pues con multiplicar, por ejemplo,
(x +y 1)(x +y 2) = 0 o (3x 2y + 5)(6x 4y 2) = 0 o (x + 2y)(2x 4y + 3) = 0 ...
Tambien podamos haber escrito, por ejemplo,
(x +y 1)
2
= 4 x
2
+ 2xy +y
2
2x 2y 3 = 0
que es satisfecha por las rectas paralelas x +y 1 = 2, y
(x 2y)
2
= 1 x
2
4xy + 4y
2
1 = 0
que la verican las rectas paralelas x 2y = 1.
ii) Para que corresponda a una recta (doble) lo mas c omodo es escribir, por ejemplo,
(x +y 1)
2
= 0 x
2
+ 2xy +y
2
2x 2y + 1 = 0
que es satisfecha por la recta x +y 1 = 0, y
(x 2y)
2
= 0 x
2
4xy + 4y
2
= 0
que es vericada por la recta x 2y = 0.
iii) Para tener dos rectas que se cortan (no perpendicularmente) deben pasar dos cosas. Por un lado deben cortarse (es
decir, no deben ser paralelas, o sea, no deben vericar sus coecientes la relacion de proporcionalidad a/a
= b/b
).
Por otra parte, para que no se corten perpendicularmente, no deben vericar ab = a
. Esta condicion surge

de que si las pendientes de dos rectas, m y m
, verican mm
= 1, entonces tales rectas son perpendiculares.

Por ejemplo, podemos escribir
(x + 2y)(x y) = 0 x
2
+ 2xy 2y
2
= 0
y
(x +y + 1)(x 2y) = 0 x
2
xy 2y
2
+x 2y = 0.
Ejercicio resuelto
Clasicar, seg un los valores de a R, la c onica
x
2
6xy +a
2
y
2
+a = 0.
Nos piden que clasiquemos la familia de c onicas
x
2
6xy +a
2
y
2
+a = 0
_
x y
_
1 3
3 a
2
_ _
x
y
_
+a = 0.
237
Sabemos que estamos ante un caso elptico (elipse, un punto o nada) si los dos autovalores de A tienen el mismo
signo, ante un caso hiperb olico (hiperbola o dos rectas que se cortan) si los dos autovalores de A tienen signo opuesto
o ante un caso parab olico (parabola, dos rectas paralelas, una recta doble o nada) cuando un autovalor de A es nulo.
En este problema, la matriz simetrica A, que representa la parte cuadratica de la c onica, es
A =
_
1 3
3 a
2
_
.
Sabiendo que el determinante de A coincide con el producto de sus autovalores (|A| =
1
2
), deducimos que si |A| > 0
los autovalores tienen el mismo signo (caso elptico), si |A| = 0 un autovalor sera nulo (caso parabolico) y si |A| < 0
los autovalores tienen signos opuestos (caso hiperb olico).
Como |A| = a
2
9: si |a| > 3, es decir, si a < 3 o a > 3, estamos ante un caso elptico (|A| > 0); si |a| = 3, es
decir, si a = 3, estamos ante un caso parabolico (|A| = 0) y si |a| < 3, es decir, si 3 < a < 3, estamos ante un caso
hiperb olico (|A| < 0).
Si hacemos el cambio de coordenadas x = Px
(giro, usando una base ortonormal de autovectores de A) sabemos

que la ecuaci on de la c onica se transformara en
1
x
2
+
2
y
2
+a = 0.
Si calculamos los autovalores de A obtenemos
2
(1 +a
2
) + (a
2
9) = 0 =
1 +a
2
_
(1 +a
2
)
2
4(a
2
9)
2
de donde deducimos que el autovalor correspondiente al signo + (al que llamaremos
1
) es siempre positivo mientras
que el del signo (al que denotaremos por
2
) cambia de signo dependiendo de a
2
9: positivo si a
2
9 > 0 (caso
elptico), nulo si a
2
9 = 0 (caso parabolico) y negativo si a
2
9 < 0 (caso hiperb olico).
En el caso elptico (a < 3 y a > 3) obtendremos (al ser
1
,
2
> 0)
1
x
2
+
2
y
2
= a
_
a < 3 : elipse,
a > 3 : nada.
En el caso parabolico (a = 3 y a = 3) obtendremos (al ser
1
> 0,
2
= 0)
a = 3 :
1
x
2
+ 0 y
2
= 3 x
2
=
3
1
> 0 dos rectas paralelas,
a = 3 :
1
x
2
+ 0 y
2
= 3 x
2
=
3
1
< 0 nada.
En el caso hiperb olico (3 < a < 3) obtendremos (al ser
1
> 0,
2
< 0)
3 < a < 0 :
1
x
2
|
2
|y
2
= a > 0 hiperbola que corta al eje x
,
a = 0 :
1
x
2
|
2
|y
2
= 0 dos rectas que se cortan,
0 < a < 3 :
1
x
2
|
2
|y
2
= a < 0 hiperbola que corta al eje y
.
Resumiendo, nos encontramos con las siguientes situaciones:
1. a < 3: elipse.
2. a = 3: dos rectas paralelas (caso parabolico degenerado).
3. 3 < a < 0: hiperbola.
4. a = 0: dos rectas que se cortan (caso hiperb olico degenerado).
5. 0 < a < 3: hiperbola.
6. a = 3: nada (caso parabolico degenerado).
7. a > 3: nada (caso elptico degenerado).
238
4. Ejercicios.
Ejercicio 1. Diagonalizar las siguientes matrices mediante matrices de paso ortogonales
_
_
1 2 0
2 2 2
0 2 3
_
_
,
_
_
5 2 2
2 2 4
2 4 2
_
_
,
_
_
1 1 0
1 2 1
0 1 1
_
_
,
_
_
1 1 1
1 1 1
1 1 1
_
_
.
Ejercicio 2. Reducir a suma de cuadrados, mediante una matriz de paso ortogonal, las formas cuadraticas asociadas
a las matrices del ejercicio anterior.
Ejercicio 3. Hallar la ecuaci on canonica mediante los cambios de coordenadas adecuados, clasicar y hacer un dibujo
esquem atico de las siguientes c onicas:
1. x
2
+y
2
+xy = 6.
2. xy = 1.
3. 9x
2
+y
2
+ 6xy = 4.
4. x
2
+y
2
+ 4xy = 9.
5. 4x
2
+ 4y
2
10xy = 0.
6. 9x
2
+ 6y
2
+ 4xy = 5.
7. 9x
2
+y
2
+ 6xy 10
10x + 10
10y + 90 = 0.
8. 5x
2
+ 5y
2
6xy 30
2x + 18
2y + 82 = 0.
9. 5x
2
+ 12xy 12
13x = 36.
10. 6x
2
+ 9y
2
4xy 4
5x 18
5y 5 = 0.
11. x
2
y
2
+ 2
3xy + 6x = 0.
12. 8x
2
+ 8y
2
16xy + 33
2x 31
2y + 70 = 0.
239
Tema 12.- Matrices no diagonalizables.
1. Autovectores generalizados.
2. Aplicaciones.
3. Ejercicios.
1. Autovectores generalizados.
Una matriz cuadrada A es diagonalizable si, y solo si, hay una base formada por autovectores de A. Cuando A no
es diagonalizable hay situaciones en las que es necesario encontrar tambien una base cuyos elementos veriquen ciertas
propiedades similares a las de los autovectores de A, estos seran los denominados autovectores generalizados de A.
Denicion. Sea A una matriz m m y sea un autovalor de A. Se dice que un vector v = 0 es un autovector
generalizado de A asociado a si se verica que (AI)
k
v = 0 para alg un entero positivo k. Es decir, los
autovectores generalizados de A asociados a son (excluyendo al vector nulo), los vectores de los espacios nulos de
las matrices
(AI)
k
, k = 1, 2, 3, ...
Observaciones.
1. Como es facil comprobar, se verica que
Nul (A I) Nul
_
(A I)
2
Nul
_
(A I)
3
. . .
Nul
_
(A I)
k
Nul
_
(A I)
k+1
. . .
2. Puesto que la dimensi on del espacio es nita, los subespacios anteriores no pueden crecer de manera indenida.
Concretamente, se cumple para un cierto valor r:
Nul [A I] Nul
_
(A I)
2
. . . Nul [(A I)
r
] = Nul
_
(A I)
r+1
= . . . .
El siguiente resultado nos indica que para calcular los autovectores generalizados hay que llegar, a lo sumo, hasta la
potencia m
a
(). Nos indica ademas que, si bien en general no es cierto que para un autovector generalizado v asociado
a se tenga que Av es v, se tiene en cambio que Av es tambien autovector generalizado asociado a .
Proposici on. Sea A matriz m m y sea autovalor de A de multiplicidad algebraica m
a
(). Existe un valor
1 r m
a
() tal que
1. dim [Nul (A I)] < < dim [Nul ((A I)
r
)] = dim
_
Nul ((A I)
ma()
)
= m
a
(), y
Nul
_
(A I)
k
= Nul
_
(A I)
ma()
_
, para k r.
2. Para todo v Nul
_
(A I)
k
, se tiene que Av Nul

_
(A I)
k
. Por tanto, si v es un autovector generalizado,

Av tambien lo es.
Observaciones.
La proposicion anterior no contradice lo visto hasta ahora para autovectores: si A es diagonalizable y es
autovalor de multiplicidad algebraica m
a
() = l (su multiplicidad geometrica sera por tanto m
g
() = l) el
valor r de la proposicion anterior es r = 1.
Observe que, seg un la proposicion anterior, los autovectores generalizados siempre son los elementos distintos
de cero de Nul
_
(A I)
ma()
, aunque dependiendo de casos, coincidiran con el espacio nulo de una potencia

inferior de A I.
Ejemplo. Consideremos la matriz A =
_
_
1 0 2 2
4 4 1 2
4 8 4 9
4 5 1 5
_
_
. Vamos a encontrar una base de R
4
formada por
autovectores y autovectores generalizados de A. Su polinomio caracterstico es p
A
() = ( 1)
3
(1 + ), luego sus
autovalores son
1
= 1 con multiplicidad algebraica m
a
(
1
) = 1 y
2
= 1 con multiplicidad algebraica m
a
(
2
) = 3.
Como
1
= 1 es autovalor simple, sus multiplicidades algebraica y geometrica coinciden. Un autovector asociado a
1
= 1 es, por ejemplo, v
1
= (1, 1, 3, 3)
t
y los dem as autovectores asociados al mismo autovalor son m ultiplos de
240
v
1
. Para el autovalor triple
2
= 1, las matrices A
2
I y la escalonada superior obtenida de ella por eliminacion
gaussiana son
A
2
I =
_
_
2 0 2 2
4 3 1 2
4 8 3 9
4 5 1 6
_
_
Elim. Gauss.
_
2 0 2 2
0 3 3 6
0 0 1 3
0 0 0 0
_
_
,
que tiene rango 3, por lo que solo hay un autovector independiente asociado al autovalor 1 y por tanto, A no es
diagonalizable. Los autovectores asociados son los m ultiplos (no nulos) de v
2
= (2, 1, 3, 1)
T
. Calculemos una base
de autovectores generalizados asociados al autovalor
2
= 1. Para ello, debemos calcular las potencias A
2
I hasta
que una de ellas tenga rango m m
a
(
2
) = 4 3 = 1 con lo cual el espacio nulo de dicha potencia de A
2
I
tendra dimensi on 3. La matrices (A
2
I)
2
y la escalonada superior obtenida por eliminacion gaussiana son
(A
2
I)
2
=
_
_
4 6 0 2
8 9 0 7
0 3 0 3
8 7 0 9
_
_
Elim. Gauss.
_
4 6 0 2
0 3 0 3
0 0 0 0
0 0 0 0
_
_
,
cuyo rango es 2 (todava distinto de 1 = 4 m
a
(
2
)). Por tanto la dimensi on del espacio nulo de (A
2
I)
2
es 2 y
podemos obtener en dicho espacio nulo un autovector generalizado v
3
linealmente independiente con v
2
, por ejemplo
v
3
= (0, 0, 1, 0)
T
. Notemos que Nul
_
(A
2
I)
2
_
= Gen{v
2
, v
3
}. La matriz (A
2
I)
3
es
(A
2
I)
3
=
_
_
8 8 0 8
8 8 0 8
24 24 0 24
24 24 0 24
_
_
,
cuyo rango es claramente 1 = 4 m
a
(
2
). Por tanto, el espacio nulo de (A
2
I)
3
tiene dimensi on 3. En este espacio
nulo podemos obtener un autovector generalizado v
4
que sea linealmente independiente con {v
2
, v
3
}, por ejemplo
v
4
= (1, 1, 0, 0)
T
. Notemos que
Nul ((A I)
3
) = Gen{v
2
, v
3
, v
4
}
y que los vectores de este espacio son todos los autovectores y autovectores generalizados asociados al autovalor
1
= 1
(excluyendo siempre al vector nulo de entre los autovectores y los autovectores generalizados). As, hemos obtenido
tres autovectores (generalizados) asociados al autovalor triple
1
= 1 de una determinada forma, ampliando de una
base de Nul (AI) a una de Nul ((AI)
2
) y de esta a una de Nul ((AI)
3
). Podramos haber obtenido una base de
Nul ((A I)
3
) sin necesidad de pasar por bases de los espacios intermedios. Por ejemplo, los vectores
w
2
= (1, 1, 0, 0)
T
, w
3
= (0, 1, 0, 1)
T
, w
4
= (0, 0, 1, 0)
T
forman una base de Nul ((A I)
3
).
Por tanto, tenemos como bases de R
4
{v
1
, v
2
, v
3
, v
4
} y {v
1
, w
2
, w
3
, w
4
}.
Para observar la diferencia entre ellas (y entender por que, en general, es mas conveniente encontrar una base por el
procedimiento seguido para construir {v
1
, v
2
, v
3
, v
4
}) se propone como ejercicio determinar la matriz P
1
AP tomando
respectivamente como matriz P la matriz cuyas columnas son las coordenadas de los vectores de cada una de las bases
anteriores. As, si formamos P
1
= [v
1
, v
2
, v
3
, v
4
] y P
2
= [v
1
, w
2
, w
3
, w
4
] obtenemos
P
1
1
AP
1
=
_
_
1 0 0 0
0 1 1 1
0 0 1 1
0 0 0 1
_
_
, P
1
2
AP
2
=
_
_
1 0 0 0
0 1 2 2
0 1 0 1
0 4 1 4
_
_
.
Observamos que con P
1
en el bloque correspondiente al autovalor 1, este aparece en la diagonal y ademas es un
bloque triangular superior, es decir, en la matriz obtenida (que no puede ser diagonal pues A no es diagonalizable),
los autovalores aparecen en la diagonal y el bloque del autovalor 1 al menos tiene ceros por debajo de la diagonal. Sin
embargo, con P
2
ni el autovalor 1 aparece en la diagonal ni su bloque correspondiente es triangular.
Si una matriz es diagonalizable al unir autovectores independientes de autovalores diferentes se obtiene una base
de R
m
(o de C
m
). De la misma forma cuando se unen bases de los espacios de autovectores generalizados se obtiene
una base de R
m
(o de C
m
). Siendo mas preciso,
Proposici on. Sea A una matriz cuadrada de orden m, con polinomio caracterstico
p
A
() = (
1
)
m1
. . . (
p
)
mp
,
241
con
1
, . . . ,
p
distintos entre s. Si B
j
es base de Nul (A
j
I)
mj
, para j = 1, . . . , p, la union de dichas bases
B = {B
1
, . . . , B
p
} es base de R
m
(o de C
m
).
Es posible elegir las bases de autovectores generalizados (con un procedimiento que no veremos) de manera que si
P es la matriz cuyas columnas son dichos vectores, entonces J = P
1
AP es una matriz cuyos elementos son todos
cero salvo los de la diagonal, que son los autovalores, y los de la primera superdiagonal que son, o bien cero, o bien
1. La matriz J con esta propiedad se conoce como forma de Jordan de A, y la correspondiente base de autovectores
generalizados se conoce como base de Jordan. Dicha forma de Jordan, para la matriz del ejemplo anterior, es:
_
_
1 0 0 0
0 1 1 0
0 0 1 1
0 0 0 1
_
_
.
2. Aplicaciones.
Nos centraremos en las recurrencias vectoriales o sistemas de ecuaciones en diferencias.
Denicion. Sea A una matriz cuadrada de orden m y sea u
1
, u
2
, . . . , u
n
, . . . una sucesion de vectores en R
m
denidos
de manera recurrente por
u
n
= Au
n1
, n = 1, 2, . . .
a partir de un vector inicial u
0
R
m
. Una relacion de recurrencia de esta forma se llama sistema de ecuaciones en
diferencias lineal homogeneo de primer orden con coecientes constantes.
Si u
n
= Au
n1
es un sistema de ecuaciones en diferencias, se tiene, razonando por induccion, que u
n
= A
n
u
0
.
Con esta expresion podemos hallar u
n
para cualquier valor de m. Si A diagonaliza, podemos dar una expresion mas
simple para u
n
que nos permitira ahorrar tiempo de c alculo y tambien estudiar el comportamiento a largo plazo de la
sucesion u
n
.
Proposici on. Sea A una matriz cuadrada de orden m diagonalizable y u
0
R
m
. Entonces la solucion del sistema de
ecuaciones en diferencias u
n
= Au
n1
con vector inicial u
0
es
u
n
= A
n
u
0
= PD
n
P
1
u
0
, n = 1, 2, . . .
siendo P la matriz cuyas columnas forman una base de autovectores de A y D la matriz diagonal cuyos elementos
diagonales son los autovalores correspondientes.
Observaciones.
- N otese que si A no es diagonalizable pero u
0
es combinaci on lineal de autovectores de A, podemos calcular u
n
= A
n
u
0
aunque no sepamos calcular A
n
: Si u
0
=
1
v
1
+ +
k
v
k
y Av
j
=
j
v
j
para cada j = 1, . . . , k, entonces
A
n
u
0
=
1
n
1
v
1
+
k
n
k
v
k
.
- Sea A una matriz mm no diagonalizable. Si obtenemos una base {v
1
, . . . , v
m
}, formada por autovectores generali-
zados de A, entonces puede encontrarse la solucion general del sistema de ecuaciones en diferencias u
n
= Au
n1
para cualquier u
0
R
n
. Para ello, expresamos u
0
como combinaci on lineal de los autovectores generalizados
{v
1
, . . . , v
m
},
u
0
=
1
v
1
+ +
m
v
m
con lo que
u
n
= A
n
u
0
=
1
A
n
v
1
+ +
m
A
n
v
m
y, por tanto, bastara determinar (A
n
v
j
) para cada autovector generalizado v
j
.
- Si v es un autovector generalizado de A asociado a un autovalor y se verica
(A I)v = 0, . . . , (A I)
k1
v = 0, (A I)
k
v = 0,
entonces podemos determinar la solucion (sucesi on de vectores) del sistema de ecuaciones en diferencias u
n
=
Au
n1
que tiene como valor inicial u
0
= v.
Para ello, basta considerar la formula del binomio de Newton:
(a +b)
n
=
_
n
0
_
a
n
b
0
+
_
n
1
_
a
n1
b
1
+
_
n
2
_
a
n2
b
2
+
_
n
n 1
_
a
1
b
n1
+
_
n
n
_
a
0
b
n
_
p
q
_
:=
p(p 1) (p q + 1)
q!
=
p!
q!(p q)!
, (0! := 1)
242
que es aplicable a la potencia de una suma de matrices si estas conmutan. Es decir, si A y B son dos matrices
cuadradas que conmutan (AB = BA), se verica la igualdad
(A +B)
n
=
_
n
0
_
A
n
B
0
+
_
n
1
_
A
n1
B
1
+
_
n
2
_
A
n2
B
2
+
_
n
n 1
_
A
1
B
n1
+
_
n
n
_
A
0
B
n
siendo A
0
= B
0
= I. Puesto que las matrices AI y I conmutan, se tiene que
A
n
v = [I + (A I)]
n
v =
=
__
n
0
_
(I)
n
(A I))
0
+
_
n
1
_
(I)
n1
(A I))
1
+ +
_
n
n
_
(I)
0
(A I))
n
_
v
_
puesto que (A I)
k
v = (A I)
k+1
v = (A I)
k+2
v = = 0
=
n
v +n
n1
(A I)v +
n(n1)
2

n2
(A I)
2
v + +
nk+1
_
n
k 1
_
(A I)
k1
v
y solo aparecen (a lo sumo) k sumandos en el sumatorio, independientemente de lo grande que sea n. En los
ejemplos que veremos k sera peque no y aparecer an pocos terminos en el sumatorio.
Veamos a continuacion dos ejemplos.
Ejemplo. Calcular u
n
si u
0
= (2, 1, 1)
T
y A =
_
_
1 1 0
0 1 0
0 0 2
_
_
.
Por ser A triangular es inmediato que los autovalores son
1
= 1 (doble) y
2
= 2 (simple). Como es facil comprobar,
m
g
(
1
= 1) = 1 < m
a
(
1
= 1) = 2 y la matriz A no es diagonalizable. No existe una base de autovectores (
1
y
2
aportan uno cada uno) y necesitamos recurrir a un autovector generalizado de
1
para obtener una base de R
3
formada por autovectores y autovectores generalizados.
Para
1
= 1, resolviendo (A I)x = 0, obtenemos como autovector, por ejemplo, v
1
= (1, 0, 0)
T
. Resolviendo
(AI)
2
x = 0 obtenemos como autovector generalizado (linealmente independiente de v
1
), por ejemplo, v
2
= (0, 1, 0)
T
.
Finalmente, para
2
= 2 resolviendo (A2I)x = 0, obtenemos como autovector, por ejemplo, v
3
= (0, 0, 1)
T
. Es decir,
trabajaremos con la base de R
3
formada por {v
1
, v
2
, v
3
} (que en este caso sencillo coincide con la canonica). As,
u
n
= A
n
u
0
= A
n
(2v
1
+v
2
v
3
) = 2A
n
v
1
+A
n
v
2
A
n
v
3
.
Por ser v
1
y v
3
autovectores:
A
n
v
1
=
n
1
v
1
= 1
n
v
1
= v
1
, A
n
v
3
=
n
2
v
3
= 2
n
v
3
.
Mientras que por ser v
2
autovector generalizado de
1
= 1, que verica (AI)
2
v
2
= 0 (k = 2 en la formula anterior):
A
n
v
2
= (
1
I + (A
1
I))
n
v
2
=
n
1
v
2
+n
n1
1
(A
1
I)v
2
+
n(n1)
2

n2
1
(A
1
I)
2
v
2
+
= 1
n
v
2
+n1
n1
v
1
+ 0 +... = v
2
+nv
1
ya que (A I)v
2
= v
1
. Finalmente:
u
n
= 2v
1
+ (v
2
+nv
1
) 2
n
v
3
= (n + 2)v
1
+v
2
2
n
v
3
=
_
_
2 +n
1
2
n
_
_
.
Ejemplo. Calcular u
n
si u
0
= (0, 2, 1)
T
y
A =
_
_
3/2 1/2 1/2
0 2 1
1/2 1/2 5/2
_
_
.
Calculamos sus autovalores mediante la ecuaci on caracterstica,
|A I| = 0
3
6
2
+ 12 8 = 0 ( 2)
3
= 0,
de donde obtenemos que
1
= 2 es un autovalor triple (m
a
(
1
) = 3). (Recuerdese que la traza de la matriz debe
coincidir con la suma de los autovalores; en este caso ambas valen 6, puesto que tr(A) = 3/2+2+5/2 = 2+2+2 = 6).
Si calculamos su multiplicidad geometrica
m
g
(
1
= 2) = 3 r(A 2I) = 3 2 = 1
243
vemos que solo tiene un autovector asociado linealmente independiente, con lo que necesitaremos encontrar dos au-
tovectores generalizados para formar una base de R
3
con autovectores y autovectores generalizados. En primer lugar,
(A 2I)x =
_
_
1/2 1/2 1/2
0 0 1
1/2 1/2 1/2
_
_
_
_
x
1
x
2
x
3
_
_
= 0
_
x
1
x
2
+x
3
= 0
x
3
= 0
x = x
2
_
_
1
1
0
_
_
,
y tomamos como autovector, por ejemplo, v
1
= (1, 1, 0)
T
. Ahora,
(A 2I)
2
x =
_
_
1/2 1/2 1/2
1/2 1/2 1/2
0 0 0
_
_
_
_
x
1
x
2
x
3
_
_
= 0 x
1
x
2
+x
3
= 0 x = x
1
_
_
1
1
0
_
_
+x
3
_
_
0
1
1
_
_
,
y tomamos como primer autovector generalizado (que debe ser linealmente independiente con v
1
), por ejemplo, v
2
=
(0, 1, 1)
T
. Finalmente,
(A 2I)
3
x =
_
_
0 0 0
0 0 0
0 0 0
_
_
_
_
x
1
x
2
x
3
_
_
= 0 x =
_
_
x
1
x
2
x
3
_
_
,
y como segundo autovector generalizado vale cualquier vector de R
3
que sea linealmente independiente con {v
1
, v
2
},
por ejemplo, v
3
= (1, 0, 0)
T
.
Una vez que tenemos la base B = {v
1
, v
2
, v
3
} formada por autovectores y autovectores generalizados, encontramos
las coordenadas de u
0
en dicha base,
u
0
= P
B
[u
0
]
B

_
_
0
2
1
_
_
=
_
_
1 0 1
1 1 0
0 1 0
_
_
_
_
_
_
[u
0
]
B
=
_
_
1
1
1
_
_
,
es decir, u
0
= v
1
+v
2
v
3
. Por tanto,
u
n
= A
n
u
0
= A
n
(v
1
+v
2
v
3
) = A
n
v
1
+A
n
v
2
A
n
v
3
,
siendo:
A
n
v
1
=
n
1
v
1
= 2
n
v
1
= 2
n
_
_
1
1
0
_
_
(por ser v
1
autovector de
1
= 2),
A
n
v
2
= (
1
I + (A
1
I))
n
v
2
=
n
1
v
2
+n
n1
1
(A
1
I)v
2
+
n(n1)
2

n2
1
(A
1
I)
2
v
2
+
= 2
n
v
2
+n2
n1
v
1
+ 0 +... = 2
n
_
_
0
1
1
_
_
+n2
n1
_
_
1
1
0
_
_
(por ser v
2
1
= 2, que verica (A 2I)
2
v
2
= 0 (k = 2 en la formula anterior) y ya que
(A 2I)v
2
= v
1
),
A
n
v
3
= (
1
I + (A
1
I))
n
v
3
=
n
1
v
3
+n
n1
1
(A
1
I)v
3
+
n(n1)
2

n2
1
(A
1
I)
2
v
3
+
= 2
n
_
_
1
0
0
_
_
+n2
n1
_
_
1/2
0
1/2
_
_
+
n(n1)
2
2
n2
_
_
1/2
1/2
0
_
_
(por ser v
3
1
= 2, que verica (A 2I)
3
v
3
= 0 (k = 3 en la formula anterior) y ya que
(A 2I)v
3
= (1/2, 0, 1/2)
T
y (A 2I)
2
v
3
= (1/2, 1/2, 0)
T
).
N otese que si hubieramos elegido una base de autovectores generalizados, {w
1
, w
2
, w
3
}, a partir de (A2I)
3
v = 0
(es decir, en este ejemplo cualquier base de R
3
, que no contenga un autovector, solucion de (A 2I)v = 0, ni uno
generalizado, solucion de (A 2I)
2
v = 0) llegaremos (obviamente al mismo resultado nal) escribiendo
u
n
= A
n
u
0
= A
n
(
1
w
1
+
2
w
2
+
3
w
3
) =
1
A
n
w
1
+
2
A
n
w
2
+
3
A
n
w
3
,
donde los tres terminos A
n
w
i
tendran cada uno tres sumandos (expresion analoga a la obtenida para A
n
v
3
). De
ah que, en general, sea recomendable construir la base de R
n
formada por autovectores y autovectores generalizados
resolviendo primero (A I)v = 0, despues (A I)
2
v = 0, despues (A I)
3
v = 0, etc.
Por ultimo, comentemos que las ideas anteriores pueden adaptarse para el c alculo de la potencia A
n
de la matriz
no diagonalizable A. Basta usar que A
n
[v
1
|v
2
|v
3
] = [A
n
v
1
|A
n
v
2
|A
n
v
3
] y que la matriz [v
1
|v
2
|v
3
] es invertible ya que
los tres vectores son linealmente independientes. De esta forma, A
n
= [A
n
v
1
|A
n
v
2
|A
n
v
3
][v
1
|v
2
|v
3
]
1
.
244
Ejercicio resuelto
A =
_
_
0 2 6
1 1 3
1 1 5
_
_
.
Calcular, a partir de sus autovalores y autovectores (si es necesario, generalizados), A
n
u
0
, siendo u
0
= (0, 1, 1)
T
.
Resolvemos el problema en tres etapas. En la primera buscamos una base {v
1
, v
2
, v
3
} de R
3
formada por autovectores
(si la matriz A es diagonalizable) o por autovectores y autovectores generalizados (si la matriz A no es diagonalizable).
En la segunda expresamos el vector u
0
como combinaci on lineal de los vectores de esa base. Finalmente calculamos
A
n
u
0
escribiendolo como combinaci on lineal de los vectores A
n
v
i
, que son relativamente faciles de computar pues los
v
i
son autovectores y autovectores generalizados.
Calculemos pues los autovalores de A escribiendo su ecuaci on caracterstica (antes de desarrollar por Sarrus inten-
tamos conseguir alg un cero en el determinante):
|A I| =
2 6
1 1 3
1 1 5
F3+F2
=
2 6
1 1 3
0 2 2
C2C3
=
4 6
1 4 3
0 0 2
= (2 )
4
1 4
= (2 )(
2
4 + 4) = (2 )
3
= 0.
Por tanto, A tiene un autovalor triple, = 2. Calculemos sus autovectores:
Nul [A2I] = Nul
_
_
2 2 6
1 1 3
1 1 3
_
_
= Nul
_
_
1 1 3
0 0 0
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
1
1
0
_
_
, v
2
=
_
_
3
0
1
_
_
_
_
_
.
Puesto que el autovalor triple tiene solo dos autovectores (linealmente independientes) necesitamos encontrar un
autovector generalizado para dicho autovalor. As, puesto que
Nul [A2I]
2
= Nul
_
_
0 0 0
0 0 0
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
1
0
0
_
_
, v
4
=
_
_
0
1
0
_
_
, v
5
=
_
_
0
0
1
_
_
_
_
_
,
podemos elegir como autovector generalizado, a cualquier vector de R
3
que sea linealmente independiente de los
autovectores v
1
, v
2
(que comprobamos que tambien pertenecen a Nul [A2I]
2
). Tomamos, por ejemplo, v
3
= (1, 0, 0)
T
.
De esta forma hemos construido una base de R
3
, {v
1
, v
2
, v
3
}, formada por autovectores y autovectores generalizados.
n
= A
n
u
0
0
= (0, 1, 1)
T
como combinaci on lineal de
los autovectores y autovectores generalizados que obtuvimos antes:
u
0
= v
1
+v
2
+v
3
u
0
=
_
_
0
1
1
_
_
=
_
_
1
1
0
_
_
+
_
_
3
0
1
_
_
+
_
_
1
0
0
_
_
_
_
_
+ 3 + = 0,
= 1,
= 1.
0
= v
1
v
2
+ 2v
3
. Sabemos que, para un vector
cualquiera v,
A
n
v = [I + (A I)]
n
v
=
_
n
I +n
n1
(A I) +
n(n 1)
2

n2
(A I)
2
+
_
n
3
_
n3
(A I)
3
+. . .
_
v,
con lo que, si v es un autovector o un autovector generalizado, solo aparecen los primeros terminos pues (AI)
k
v = 0
para alg un k. En nuestro caso, como (A 2I)v
1
= 0, (A 2I)v
2
= 0 y (A I)
2
v
3
= 0 obtenemos
A
n
v
1
=
n
v
1
= 2
n
_
_
1
1
0
_
_
,
A
n
v
2
=
n
v
2
= 2
n
_
_
3
0
1
_
_
,
A
n
v
3
=
n
v
3
+n
n1
(A I)v
3
= 2
n
_
_
1
0
0
_
_
+n2
n1
_
_
2
1
1
_
_
= 2
n1
_
_
2 2n
n
n
_
_
.
245
A
n
u
0
= A
n
(v
1
v
2
+ 2v
3
) = A
n
v
1
A
n
v
2
+ 2A
n
v
3
= 2
n
_
_
1
1
0
_
_
2
n
_
_
3
0
1
_
_
+ 2 2
n1
_
_
2 2n
n
n
_
_
= 2
n
_
_
2n
n + 1
n 1
_
_
.
Ejercicio resuelto
A =
_
_
2 1 1
9 2 4
0 2 0
_
_
.
n
u
0
, siendo u
0
= (1, 4, 1)
T
.
Calculemos los autovalores de A escribiendo su ecuaci on caracterstica:
|A I| =
2 1 1
9 2 4
0 2
C3C2
=
2 1 0
9 2 2
0 2 2
F2+F3
=
2 1 0
9 4 0
0 2 2
= (2 )
2 1
9 4
= (2 )(
2
+ 2 + 1) = (2 )( + 1)
2
= 0.
Por tanto, A tiene un autovalor simple,
1
= 2, y uno doble,
2,3
= 1.
Calculemos los autovectores. Para
1
= 2 tenemos
Nul [A 2I] = Nul
_
_
0 1 1
9 4 4
0 2 2
_
_
= Nul
_
_
9 4 4
0 1 1
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
0
1
1
_
_
_
_
_
,
mientras que para el autovalor doble
2,3
= 1 obtenemos solo un autovector (por tanto, A no es diagonalizable)
Nul [A +I] = Nul
_
_
3 1 1
9 1 4
0 2 1
_
_
= Nul
_
_
3 1 1
0 2 1
0 0 0
_
_
= Gen
_
_
_
v
2
=
_
_
1
1
2
_
_
_
_
_
.
Necesitamos pues un autovector generalizado para este autovalor. As, puesto que
Nul [A+I]
2
= Nul
_
_
0 0 0
18 0 9
18 0 9
_
_
= Nul
_
_
2 0 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
0
1
0
_
_
, v
4
=
_
_
1
0
2
_
_
_
_
_
,
podemos elegir como autovector generalizado, a cualquier vector del subespacio
2x
1
+x
3
= 0
que sea linealmente independiente con el autovector v
2
(que comprobamos que tambien pertenece a este subespacio).
Tomamos, por ejemplo, v
3
= (0, 1, 0)
T
.
3
, {v
1
, v
2
, v
3
n
= A
n
u
0
0
= (1, 4, 1)
T
u
0
= v
1
+v
2
+v
3
u
0
=
_
_
1
4
1
_
_
=
_
_
0
1
1
_
_
+
_
_
1
1
2
_
_
+
_
_
0
1
0
_
_
_
_
_
= 1,
+ + = 4,
+ 2 = 1.
0
= v
1
+v
2
+2v
3
cualquiera v,
A
n
v = [I + (A I)]
n
v
=
_
n
I +n
n1
(A I) +
n(n 1)
2

n2
(A I)
2
+
_
n
3
_
n3
(A I)
3
+. . .
_
v,
246
k
v = 0
para alg un k. En nuestro caso, como (A 2I)v
1
= 0, (A +I)v
2
= 0 y (A +I)
2
v
3
= 0 obtenemos
A
n
v
1
=
n
1
v
1
= 2
n
_
_
0
1
1
_
_
,
A
n
v
2
=
n
2
v
2
= (1)
n
_
_
1
1
2
_
_
,
A
n
v
3
=
n
2
v
3
+n
n1
2
(A
2
I)v
3
= (1)
n
v
3
+n(1)
n1
(A +I)v
3
= (1)
n
_
_
0
1
0
_
_
+n(1)
n1
_
_
3 1 1
9 1 4
0 2 1
_
_
_
_
0
1
0
_
_
= (1)
n
_
_
0
1
0
_
_
+n(1)
n1
_
_
1
1
2
_
_
= (1)
n
_
_
n
n + 1
2n
_
_
.
A
n
u
0
= A
n
(v
1
+v
2
+ 2v
3
) = A
n
v
1
+A
n
v
2
+ 2A
n
v
3
= 2
n
_
_
0
1
1
_
_
+ (1)
n
_
_
1
1
2
_
_
+ 2(1)
n
_
_
n
n + 1
2n
_
_
=
_
_
(1)
n+1
(2n + 1)
2
n
+ (1)
n
(2n + 3)
2
n
+ (1)
n
(4n + 2)
_
_
.
Ejercicio resuelto
A =
_
_
2 2 3
1 1 1
1 2 2
_
_
.
n
u
0
, siendo u
0
= (3, 1, 2)
T
.
Calculemos los autovalores de A escribiendo su ecuaci on caracterstica:
|A I| =
2 2 3
1 1 1
1 2 2
F3F2
=
2 2 3
1 1 1
0 1 + 1
C2+C3
=
2 1 3
1 1
0 0 1
= (1 +)
2 1
1
= (1 + )(
2
2 + 1) = (1 +)( 1)
2
= 0.
Por tanto, A tiene un autovalor simple,
1
= 1, y uno doble,
2,3
= 1.
Calculemos los autovectores. Para
1
= 1 tenemos
Nul [A +I] = Nul
_
_
3 2 3
1 2 1
1 2 1
_
_
= Nul
_
_
1 2 1
0 1 0
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
1
0
1
_
_
_
_
_
,
mientras que para el autovalor doble
2,3
= 1 obtenemos solo un autovector (por tanto, A no es diagonalizable)
Nul [A I] = Nul
_
_
1 2 3
1 0 1
1 2 3
_
_
= Nul
_
_
1 2 3
0 1 1
0 0 0
_
_
= Gen
_
_
_
v
2
=
_
_
1
1
1
_
_
_
_
_
.
Necesitamos pues un autovector generalizado para este autovalor. As, puesto que
Nul [A I]
2
= Nul
_
_
0 4 4
0 0 0
0 4 4
_
_
= Nul
_
_
0 1 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
1
0
0
_
_
, v
4
=
_
_
0
1
1
_
_
_
_
_
,
podemos elegir como autovector generalizado, a cualquier vector del subespacio
x
3
x
2
= 0
2
(que comprobamos que tambien pertenece a este subespacio).
Tomamos, por ejemplo, v
3
= (1, 0, 0)
T
.
247
3
, {v
1
, v
2
, v
3
n
= A
n
u
0
0
= (3, 1, 2)
T
u
0
= v
1
+v
2
+v
3
u
0
=
_
_
3
1
2
_
_
=
_
_
1
0
1
_
_
+
_
_
1
1
1
_
_
+
_
_
1
0
0
_
_
_
_
_
+ + = 3,
= 1,
+ = 2.
La solucion de este sistema es = = = 1, de forma que u
0
= v
1
+v
2
+v
3
. Sabemos que, para un vector cualquiera
v,
A
n
v = [I + (A I)]
n
v
=
_
n
I +n
n1
(A I) +
n(n 1)
2

n2
(A I)
2
+
_
n
3
_
n3
(A I)
3
+. . .
_
v,
k
v = 0
para alg un k. En nuestro caso, como (A +I)v
1
= 0, (A I)v
2
= 0 y (A I)
2
v
3
= 0 obtenemos
A
n
v
1
= (1)
n
v
1
=
_
_
(1)
n
0
(1)
n
_
_
,
A
n
v
2
= 1
n
v
2
=
_
_
1
1
1
_
_
,
A
n
v
3
= 1
n
v
3
+n1
n1
(A I)v
3
= 1
n
_
_
1
0
0
_
_
+n1
n1
_
_
1
1
1
_
_
=
_
_
n + 1
n
n
_
_
.
A
n
u
0
= A
n
(v
1
+v
2
+v
3
) = A
n
v
1
+A
n
v
2
+A
n
v
3
=
_
_
(1)
n
0
(1)
n
_
_
+
_
_
1
1
1
_
_
+
_
_
n + 1
n
n
_
_
=
_
_
n + 2 + (1)
n
n + 1
n + 1 + (1)
n
_
_
.
Ejercicio resuelto
(a) Sean
A =
_
_
0 1 0
0 0 1
1 3 3
_
_
y u
0
=
_
_
2
1
1
_
_
.
Encontrando previamente una base de R
3
formada por autovectores y autovectores generalizados, calcular
A
43
u
0
.
(b) Denir matrices semejantes. Demostrar que dos matrices semejantes tienen los mismos autovalores.
(a) Calcularemos, en primer lugar, la ecuaci on caracterstica de A
det[AI] = det
_
_
1 0
0 1
1 3 3
_
_
=
3
+ 3
2
3 + 1 = ( 1)
3
= 0,
con lo que = 1 es un autovalor triple de A. Calculemos ahora los autovectores correspondientes:
Nul [A I] = Nul
_
_
1 1 0
0 1 1
1 3 2
_
_
= Gen
_
_
_
v
1
=
_
_
1
1
1
_
_
_
_
_
.
Por tanto, la matriz A no es diagonalizable y necesitamos dos autovectores generalizados para el autovalor = 1. As,
como
Nul [A I]
2
= Nul
_
_
1 2 1
1 2 1
1 2 1
_
_
= Gen
_
_
_
_
_
2
1
0
_
_
,
_
_
1
0
1
_
_
_
_
_
,
248
podemos elegir como primer autovector generalizado, a cualquier vector v
2
del subespacio
x
1
2x
2
+x
3
= 0
1
. Tomamos, por ejemplo, v
2
= (1, 0, 1)
T
.
Para encontrar un segundo autovector generalizado calculamos
Nul [A I]
3
= Nul
_
_
0 0 0
0 0 0
0 0 0
_
_
= Gen
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
,
_
_
0
0
1
_
_
_
_
_
.
Por tanto, podemos elegir como segundo autovector generalizado, a cualquier vector v
3
de R
3
que sea linealmente
independiente con v
1
y v
2
3
= (1, 0, 0)
T
.
Los vectores {v
1
, v
2
, v
3
} forman una base de R
3
.
n
= A
n
u
0
, para n = 43. Para ello, expresamos el vector inicial u
0
= [2 1 1]
T
como combinaci on
lineal de los autovectores y autovectores generalizados que obtuvimos antes:
u
0
=
_
_
2
1
1
_
_
=
_
_
1
1
1
_
_
+
_
_
1
0
1
_
_
+
_
_
1
0
0
_
_
_
_
_
+ = 2,
= 1,
+ = 1.
0
= v
1
+v
3
. Sabemos que, para un vector cualquiera
v,
A
n
v = [I + (A I)]
n
v
=
_
n
I +n
n1
(A I) +
n(n 1)
2

n2
(A I)
2
+
_
n
3
_
n3
(A I)
3
+. . .
_
v,
k
v = 0
para alg un k. En nuestro caso, como (A I)v
1
= 0 y (A I)
3
v
3
= 0 obtenemos
A
n
v
1
= 1
n
v
1
= v
1
,
A
n
v
3
= 1
n
v
3
+n1
n1
(A I)v
3
+
n(n 1)
2
1
n2
(A I)
2
v
3
= v
3
+nv
2
+
n(n 1)
2
v
1
,
En consecuencia,
A
43
u
0
= A
43
(v
1
+v
3
) = A
43
v
1
+A
43
v
3
= v
1
+ (v
3
+ 43v
2
+ 903v
1
) =
_
_
862
904
947
_
_
.
(b) Dos matrices A y B son semejantes cuando existe una matriz P no singular tal que B = P
1
AP. Veamos que
tienen el mismo polinomio caracterstico y, por tanto, los mismos autovalores:
|B I| = |P
1
AP I| = |P
1
AP P
1
P| = |P
1
(AP P)| = |P
1
(A I)P|
= |P
1
||A I||P| = |A I| = 0.
Hemos usado que el determinante del producto de dos matrices es el producto de los determinantes, |CD| = |C||D|,
y que |P
1
||P| = 1, resultado obvio pues
P
1
P = I |P
1
P| = |I| |P
1
||P| = 1.
Ejercicio resuelto
Consideremos la matriz C =
_
_
3 1 1
0 3 2
1 2 1
_
_
.
a) Calcular una base de R
3
formada por autovectores y autovectores generalizados de la matriz C.
b) Encontrar el termino general de la recurrencia vectorial u
n
= Cu
n1
siendo el vector inicial u
0
= [1 0 1]
T
.
249
(a) Calcularemos en primer lugar el polinomio caracterstico de C
det[C I] = det
_
_
3 1 1
0 3 2
1 2 1
_
_
C2+C3
= det
_
_
3 0 1
0 1 2
1 1 1
_
_
F3F2
=
= det
_
_
3 0 1
0 1 2
1 0 1
_
_
= (1 )det
_
3 1
1 1
_
=
= (1 )((3 )(1 ) + 1) = (1 )(
2
+ 4 + 4) = ( + 1)( + 2)
2
.
Los autovalores de C son, por tanto: = 1 simple y = 2 doble. Calculemos ahora los autovectores correspon-
dientes:
= 1 :
Nul [C +I] = Nul
_
_
2 1 1
0 2 2
1 2 2
_
_
= Gen
_
_
_
v
1
=
_
_
0
1
1
_
_
_
_
_
.
= 2 :
Nul [C + 2I] = Nul
_
_
1 1 1
0 1 2
1 2 3
_
_
= Gen
_
_
_
v
2
=
_
_
1
2
1
_
_
_
_
_
.
Observese que la matriz no es diagonalizable. Por ultimo, calculemos un autovector generalizado para el autovalor
= 2:
Nul [C + 2I]
2
= Nul
_
_
0 0 0
2 3 4
2 3 4
_
_
= Gen
_
_
_
v
2
=
_
_
1
2
1
_
_
, v
3
=
_
_
2
0
1
_
_
_
_
_
.
Hay diversas opciones para el autovector generalizado: podramos tomar cualquier vector v
3
del subespacio 2x
1
3x
2
+
4x
3
= 0 que sea linealmente independiente con el autovector v
2
.
Los vectores {v
1
, v
2
, v
3
} forman una base de R
3
.
(b) Nos piden calcular u
n
= A
n
u
0
0
= [1 0 1]
T
de los autovectores y autovectores generalizados que obtuvimos antes:
u
0
=
_
_
1
0
1
_
_
=
_
_
0
1
1
_
_
+
_
_
1
2
1
_
_
+
_
_
2
0
1
_
_
_
_
_
+ 2 = 1,
+ 2 = 0,
+ = 1.
0
= 2v
1
v
2
. En consecuencia,
u
n
= A
n
u
0
= 2A
n
v
1
A
n
v
2
= 2(1)
n
v
1
(2)
n
v
2
,
(puesto que v
1
y v
2
son autovectores de C). En denitiva:
u
n
= 2(1)
n
_
_
0
1
1
_
_
(2)
n
_
_
1
2
1
_
_
= (1)
n
_
_
2
n
2 2
n+1
2 2
n
_
_
.
Ejercicio resuelto
A =
_
_
a a a 3 1
0 a 0 0
0 a 3 1
0 4 a 0 a
_
_
.
a) Calcular, para cada valor del par ametro a R, los autovalores de A, determinando sus multiplicidades alge-
braicas y geometricas.
b) Para a = 2, determinar una base de R
4
formada por autovectores y autovectores generalizados de A.
c) Para a = 2, calcular los autovalores y autovectores de A
4
, A4I y A
1
.
250
(a) Comencemos hallando los autovalores de A, es decir, determinando las races de su polinomio caracterstico:
0 = det(A I) = det
_
_
a a a 3 1
0 a 0 0
0 a 3 1
0 4 a 0 a
_
_
= (a )
3
(3 ).
Aunque la matriz sea 4 4, es inmediato calcular el determinante desarrollando por las y columnas. Por ejemplo,
podemos elegir esta secuencia: columna 1, la 2, columna 3.
Obtenemos que:
Si a = 3, entonces = a es un autovalor triple y = 3 es simple.
Si a = 3, entonces = 3 es un autovalor cuadruple.
Ya tenemos, por tanto, las multiplicidades algebraicas. Calculemos ahora las geometricas seg un los casos anteriores.
Caso a = 3. La multiplicidad geometrica de = 3 es m
g
(3) = 1, ya que el autovalor es simple. En cuanto al autovalor
= a pueden surgir mas casos puesto que es un autovalor triple.
Estudiemos el rango de AaI, ya que la multiplicidad geometrica se puede obtener como la dimensi on del espacio
vectorial (en este caso 4) menos el rango de dicha matriz. Desde otro punto de vista, esta cantidad coincide con
el n umero de variables libres del sistema lineal (A aI)x = 0. Comenzamos por realizar una eliminacion de
Gauss para llevar AaI a forma escalonada. Tras unas primeras operaciones elementales queda
A aI =
_
_
0 a a 3 1
0 0 0 0
0 a 3 a 1
0 4 a 0 0
_
_
0 a a 3 1
0 4 a 0 0
0 0 0 0
0 0 0 0
_
_
Aqu se comprueba que:
Si a = 4 entonces la matriz tiene rango 1 y, por tanto, el autovalor tiene multiplicidad geometrica igual a
4 1 = 3 (y la matriz sera diagonalizable, por tanto).
Si a = 4 entonces podemos operar un poco mas para llevar la matriz a la forma escalonada
_
_
0 4 a 0 0
0 0 a 3 1
0 0 0 0
0 0 0 0
_
_
,
que tiene siempre rango 2. Por ello la multiplicidad geometrica de = a sera 4 2 = 2.
Caso a = 3. Analicemos el rango de la matriz A 3I con el mismo objetivo del apartado anterior. La llevamos a
forma escalonada (en este caso, reducida),
A3I =
_
_
0 3 0 1
0 0 0 0
0 3 0 1
0 1 0 0
_
_
0 1 0 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
,
para ver que la matriz tiene rango 2 y, por tanto, la multiplicidad geometrica de = 3 es 4 2 = 2.
(b) A partir de ahora tomamos a = 2. Por los c alculos previos comprobamos que la matriz A quedara
A =
_
_
2 2 1 1
0 2 0 0
0 2 3 1
0 2 0 2
_
_
y los autovalores seran = 2 (con m
a
(2) = 3 y m
g
(2) = 2) y = 3 (m
a
(3) = m
g
(3) = 1). De ese modo comprobamos
que necesitaremos calcular un autovector generalizado en el caso del autovalor = 2.
251
Comencemos calculando los autovectores de = 3. Resolvamos, para ello, el sistema (A 3I)x = 0. Realizamos
una eliminacion de Gauss a la matriz para obtener su forma canonica reducida:
A 3I =
_
_
1 2 1 1
0 1 0 0
0 2 0 1
0 2 0 1
_
_
1 0 1 0
0 1 0 0
0 0 0 1
0 0 0 0
_
_
.
Quedan las ecuaciones x
1
+ x
3
= 0, x
2
= 0 y x
4
= 0. Tomando x
3
como variable libre obtenemos la solucion del
sistema:
_
_
x
1
x
2
x
3
x
4
_
_
= x
3
_
_
1
0
1
0
_
_
y un primer autovector v
1
=
_
_
1
0
1
0
_
_
.
Para = 2 tenemos:
A 2I =
_
_
0 2 1 1
0 0 0 0
0 2 1 1
0 2 0 0
_
_
0 1 0 0
0 0 1 1
0 0 0 0
0 0 0 0
_
_
.
Las ecuaciones son, por tanto, x
2
= 0 y x
3
x
4
= 0. Tomando como variables libres x
1
y x
4
obtenemos la solucion
general del sistema (A 2I)x = 0:
_
_
x
1
x
2
x
3
x
4
_
_
= x
1
_
_
1
0
0
0
_
_
+x
4
_
_
0
0
1
1
_
_
y los autovectores v
2
=
_
_
1
0
0
0
_
_
y v
3
=
_
_
0
0
1
1
_
_
.
Pasemos ahora a calcular el autovector generalizado que necesitamos. Para ello hemos de resolver el sistema
(A 2I)
2
x = 0:
(A 2I)
2
=
_
_
0 0 1 1
0 0 0 0
0 0 1 1
0 0 0 0
_
_
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
_
_
.
La unica ecuaci on que obtenemos es x
3
x
4
= 0, as que, tomando x
1
, x
2
y x
4
como variables libres queda la solucion
general del sistema (A 2I)
2
x = 0:
_
_
x
1
x
2
x
3
x
4
_
_
= x
1
_
_
1
0
0
0
_
_
+x
2
_
_
0
1
0
0
_
_
+x
4
_
_
0
0
1
1
_
_
.
Tenemos que elegir, entre todas estas soluciones, un vector que sea linealmente independiente de v
2
y v
3
. Poniendo
x
1
= 0, x
2
= 1 y x
4
= 0 obtenemos el autovector generalizado que necesitamos
v
4
=
_
_
0
1
0
0
_
_
.
La base que nos piden puede ser, por ejemplo, {v
1
, v
2
, v
3
, v
4
}.
(c) Para hacer no es recomendable calcular A
4
, A 4I y A
1
. Obviamente es una posibilidad, pero quizas lleve mas
tiempo de la cuenta. As que preferimos utilizar alguno de los resultados teoricos sobre autovalores y autovectores que
se suelen explicar y demostrar justo despues de la denici on de estos importantes conceptos. Estos resultados arman
que si es un autovalor de una matriz cuadrada M con un autovector asociado v entonces:
para cualquier k natural,
k
es autovalor de M
k
con v como autovector asociado,
para cualquier real, es autovalor de M I con v como autovector asociado.
Ademas, M es invertible si, y solo si, no tiene ning un autovalor nulo. En este caso, los autovalores de M
1
son los
inversos de los de M, con los mismos autovectores asociados.
Teniendo estos resultados en cuenta podemos determinar los autovalores y autovectores de las matrices que nos
piden, los cuales aparecen recogidos en la siguiente tabla.
252
Matriz Autovalores Autovectores
A
4
3
4
= 81 (simple) v
1
2
4
= 16 (triple) v
2
, v
3
A4I 3 4 = 1 (simple) v
1
2 4 = 2 (triple) v
2
, v
3
A
1
3
1
(simple) v
1
2
1
(triple) v
2
, v
3
Ejercicio resuelto
Sea la matriz
A =
_
_
1 0 1
a a 0
0 0 4
_
_
, a R.
(a) Estudiar para que valores de a la matriz A es diagonalizable.
(b) Determinar los valores de a para los que la matriz
2
7
A
3
1
5
aI no tiene inversa.
(c) Para a = 1, calcular A
n
u
0
siendo u
0
= (4, 1, 9)
T
.
(d) Para a = 0, calcular A
n
.
det[A I] =
1 0 1
a a 0
0 0 4
= (4 )
1 0
a a
= (4 )(1 )(a ) = 0.
1
= 1,
2
= 4 y
3
= a.
Veamos primeramente cuando hay autovalores dobles. Ello sucedera si
1
=
2
(no puede darse), si
1
=
3
(cuando
a = 1) o si
2
=
3
(cuando a = 4). Notemos que al ser
1
=
2
no puede darse el caso de autovalor triple.
Por tanto, si a = 1, 4 la matriz es diagonalizable pues todos sus autovalores son simples.
Estudiemos los valores de a para los que hay autovalores dobles. Para a = 1 los autovalores son
1
=
3
= 1 (doble)
y
2
= 4. Estudiamos el n umero de autovectores (linealmente independientes) que tiene asociados ese autovalor doble:
(A I)
(a=1)
=
_
_
0 0 1
1 0 0
0 0 3
_
_
_
_
1 0 0
0 0 1
0 0 0
_
_
r(A I) = 2.
De esta forma, m
g
( = 1) = 3 r(A I) = 3 2 = 1. Puesto que el autovalor doble no tiene dos autovectores
asociados, entonces no todos los autovalores de A tienen la misma multiplicidad algebraica que geometrica, es decir,
cuando a = 1, A no es diagonalizable.
Ahora, para a = 4, tenemos
1
= 1,
2
=
3
= 4. Estudiamos los autovectores (linealmente independientes) que
tiene asociados el autovalor doble:
(A 4I)
(a=4)
=
_
_
3 0 1
4 0 0
0 0 0
_
_
_
_
3 0 1
0 0 1
0 0 0
_
_
r(A 4I) = 2,
con lo que m
g
( = 4) = 3 r(A4I) = 3 2 = 1. Puesto que el autovalor doble no tiene dos autovectores asociados,
En resumen, A es diagonalizable si a = 1, 4 y no lo es cuando a = 1 o a = 4.
(b) Una matriz cuadrada tiene inversa, por ejemplo, si su determinante es distinto de cero. Como el determinante de
una matriz coincide con el producto de sus autovalores, la matriz es invertible si todos sus autovalores son no nulos.
A partir de los autovalores de A es facil calcular los de
2
7
A
3
1
5
aI. Si los autovalores de A son
1
= 1,
2
= 4 y
3
= a entonces los autovalores de la matriz A
3
son
1
= 1
3
= 1,
2
= 4
3
= 64 y
3
= a
3
(ya que si es autovalor de
A entonces
n
lo es de la matriz A
n
, n N), con lo que los autovalores de
2
7
A
3
son
1
=
2
7
1 =
2
7
,
2
=
2
7
4
3
=
128
7
y
3
=
2
7
a
3
(ya que si es autovalor de A entonces lo es de la matriz A, = 0) y los de la matriz
2
7
A
3
1
5
aI
resultan ser
1
=
2
7

1
5
a,
2
=
128
7

1
5
a y
3
=
2
7
a
3
1
5
a (ya que si es autovalor de A entonces es autovalor
de AI).
253
Recordemos las demostraciones de las tres propiedades utilizadas, que son inmediatas. Partiendo de Ax = x,
por un lado, que
A
n
x = A
n1
(Ax) = A
n1
x = A
n2
(Ax) = A
n2
x =
2
A
n2
x = ... =
n
x,
es decir, que
n
es autovalor de A
n
con el mismo autovector x. Ademas, por otro lado,
(A)x = Ax = x = ()x,
es decir, que es un autovalor de A ( = 0) con el mismo autovector x. Tambien, nalmente, llegamos a
(A I)x = Ax x = x x = ( )x,
Por tanto, el primer autovalor solo se anula si a =
10
7
, el segundo si a =
640
7
y el tercero si a = 0,
_
7
10
(races reales
de la ecuaci on
2
7
a
3
1
5
a = 0). Concluimos pues que la matriz
2
7
A
3
1
5
aI es invertible siempre que a = 0,
_
7
10
,
10
7
,
640
7
y que, por tanto, no es invertible cuando a = 0,
_
7
10
,
10
7
,
640
7
.
Otra alternativa, no recomendable por ser mucho mas larga y con muchas posibilidades de error en los operaciones,
es calcular directamente el determinante de la matriz y exigir que sea distinto de cero:
0 =
2
7
A
3
1
5
aI
2
7

a
5
0 6
2
7
(a
3
+a
2
+a)
2
7
a
3
a
5

2
7
(a
2
+ 5a)
0 0
128
7

a
5
=
_
2
7
a
3
a
5
_
2
7

a
5
6
0
128
7

a
5
=
_
2
7
a
3
a
5
__
2
7

a
5
__
128
7

a
5
_
= 0 a = 0,
_
7
10
,
10
7
,
640
7
.
Notemos que, procediendo de esta ultima manera, hemos tenido que calcular A
3
(menos mal que en la matriz apareca
A
3
y no A
1000
!).
(c) Siempre que nos piden que calculemos A
n
u
0
podemos resolver el problema en tres etapas. En la primera buscamos
una base {v
1
, v
2
, v
3
} de R
3
formada por autovectores (si la matriz A es diagonalizable) o por autovectores y autovectores
generalizados (si la matriz A no es diagonalizable). En la segunda expresamos el vector u
0
de los vectores de esa base. Finalmente calculamos A
n
u
0
escribiendolo como combinaci on lineal de los vectores A
n
v
i
,
que son relativamente faciles de computar pues los v
i
son autovectores y autovectores generalizados.
En este caso, nos piden que calculemos A
n
u
0
cuando a = 1, valor del par ametro para el que ya vimos que la matriz
A no es diagonalizable (vimos que su autovalor doble
1
=
3
= 1 solo tiene un autovector asociado y que
2
= 4 es
un autovalor simple).
Calculemos pues los dos autovectores (uno para cada autovalor) y un autovector generalizado (del autovalor doble).
As,
Nul [A I]
a=1
= Nul
_
_
0 0 1
1 0 0
0 0 3
_
_
= Nul
_
_
1 0 0
0 0 1
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
0
1
0
_
_
_
_
_
.
Puesto que el autovalor doble tiene solo un autovector (linealmente independiente) necesitamos encontrar un
autovector generalizado asociado a dicho autovalor. As, puesto que
Nul [AI]
2
= Nul
_
_
0 0 3
0 0 1
0 0 9
_
_
= Nul
_
_
0 0 1
0 0 0
0 0 0
_
_
= Gen
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
_
_
_
podemos elegir como autovector generalizado, a cualquier vector v
2
del subespacio
x
3
= 0
1
2
= (0, 1, 0)
T
.
Conviene comprobar, para detectar alg un posible error, que el autovector v
1
(que verica (A I)v
1
= 0) tambien
satisface (A I)
2
v
1
= 0, es decir, que cumple las ecuaciones implcitas de Nul [A I]
2
(en nuestro caso, nos ha
aparecido v
1
al resolver las ecuaciones implcitas x
3
= 0).
Para completar la base, buscamos un autovector del autovalor simple. As,
Nul [A4I]
a=1
= Nul
_
_
3 0 1
1 3 0
0 0 0
_
_
= Nul
_
_
1 3 0
0 9 1
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
3
1
9
_
_
_
_
_
.
254
3
, {v
1
, v
2
, v
3
n
= A
n
u
0
0
= (4, 1, 9)
T
u
0
= v
1
+v
2
+v
3
u
0
=
_
_
4
1
9
_
_
=
_
_
0
1
0
_
_
+
_
_
1
0
0
_
_
+
_
_
3
1
9
_
_
_
_
_
+ 3 = 4,
+ = 1,
9 = 9.
0
= 2v
1
v
2
v
3
cualquiera v,
A
n
v = [I + (A I)]
n
v
=
_
n
I +n
n1
(A I) +
n(n 1)
2

n2
(A I)
2
+
_
n
3
_
n3
(A I)
3
+. . .
_
v,
k
v = 0
para alg un k. En nuestro caso, como (A I)v
1
= 0, (A I)
2
v
2
= 0 y (A 4I)v
3
= 0 obtenemos
A
n
v
1
=
n
v
1
= 1
n
_
_
0
1
0
_
_
=
_
_
0
1
0
_
_
,
A
n
v
2
=
n
v
2
+n
n1
(A I)v
2
= 1
n
_
_
1
0
0
_
_
+n1
n1
_
_
0 0 1
1 0 0
0 0 3
_
_
_
_
1
0
0
_
_
=
_
_
1
0
0
_
_
+n
_
_
0
1
0
_
_
=
_
_
1
n
0
_
_
,
A
n
v
3
=
n
v
3
= 4
n
_
_
3
1
9
_
_
.
En consecuencia, el vector que nos pide el enunciado es
A
n
u
0
= A
n
(2v
1
v
2
v
3
) = 2A
n
v
1
A
n
v
2
A
n
v
3
=2
_
_
0
1
0
_
_
_
_
1
n
0
_
_
4
n
_
_
3
1
9
_
_
=
_
_
1 3 4
n
2 n 4
n
9 4
n
_
_
.
Otra posibilidad para calcular A
n
u
0
consiste en encontrar primero la matriz A
n
y despues hacer el producto
A
n
u
0
. Si decidimos seguir este camino, usando que A
n
[v
1
|v
2
|v
3
] = [A
n
v
1
|A
n
v
2
|A
n
v
3
] y que la matriz [v
1
|v
2
|v
3
] es
invertible (ya que los tres vectores son linealmente independientes, pues forman una base), deducimos que A
n
=
[A
n
v
1
|A
n
v
2
|A
n
v
3
][v
1
|v
2
|v
3
]
1
. En nuestro caso,
A
n
=
_
_
0 1 3 4
n
1 n 4
n
0 0 9 4
n
_
_
_
_
0 1 3
1 0 1
0 0 9
_
_
1
=
_
_
0 1 3 4
n
1 n 4
n
0 0 9 4
n
_
_
_
_
0 1
1
9
1 0
1
3
0 0
1
9
_
_
=
_
_
1 0
1
3
(1 4
n
)
n 1
1
9
(1 + 3n 4
n
)
0 0 4
n
_
_
con lo que
A
n
u
0
=
_
_
1 0
1
3
(1 4
n
)
n 1
1
9
(1 + 3n 4
n
)
0 0 4
n
_
_
_
_
4
1
9
_
_
=
_
_
1 3 4
n
2 n 4
n
9 4
n
_
_
.
(d) Para calcular A
n
en el caso a = 0, puesto que A es diagonalizable, vamos a calcular una base de R
3
formada por
autovectores v
i
con la que construimos la matriz de paso P = [v
1
|v
2
|v
3
] y usamos que A
n
= PD
n
P
1
.
Calculemos pues los autovectores correspondientes. Para
1
= 0 tenemos
Nul [A 0 I]
a=0
= Nul
_
_
1 0 1
0 0 0
0 0 4
_
_
= Nul
_
_
1 0 1
0 0 1
0 0 0
_
_
= Gen
_
_
_
v
1
=
_
_
0
1
0
_
_
_
_
_
,
para
2
= 1 obtenemos
Nul [A I]
a=0
= Nul
_
_
0 0 1
0 1 0
0 0 3
_
_
= Nul
_
_
0 1 0
0 0 1
0 0 0
_
_
= Gen
_
_
_
v
2
=
_
_
1
0
0
_
_
_
_
_
,
255
mientras que para
3
= 4 llegamos a
Nul [A 4I]
a=0
= Nul
_
_
3 0 1
0 4 0
0 0 0
_
_
= Nul
_
_
3 0 1
0 1 0
0 0 0
_
_
= Gen
_
_
_
v
3
=
_
_
1
0
3
_
_
_
_
_
.
De esta manera construimos P, tal que D = P
1
AP,
P = [v
1
|v
2
|v
3
] =
_
_
0 1 1
1 0 0
0 0 3
_
_
, siendo entonces D = diag(
1
,
2
,
3
) =
_
_
0 0 0
0 1 0
0 0 4
_
_
,
y por el metodo de GaussJordan calculamos su inversa:
[P|I] =
_
_
0 1 1 1 0 0
1 0 0 0 1 0
0 0 3 0 0 1
_
_
_
_
1 0 0 0 1 0
0 1 1 1 0 0
0 0 3 0 0 1
_
_
_
_
1 0 0 0 1 0
0 1 1 1 0 0
0 0 1 0 0
1
3
_
_
_
_
1 0 0 0 1 0
0 1 1 1 0
1
3
0 0 1 0 0
1
3
_
_
= [I|P
1
] P
1
=
_
_
0 1 0
1 0
1
3
0 0
1
3
_
_
.
De esta forma
A
n
= PD
n
P
1
=
_
_
0 1 1
1 0 0
0 0 3
_
_
_
_
0
n
0 0
0 1
n
0
0 0 4
n
_
_
_
_
0 1 0
1 0
1
3
0 0
1
3
_
_
=
_
_
1 0
1
3
(1 4
n
)
0 0 0
0 0 4
n
_
_
.
Observemos que la formula empleada es equivalente, usando que A
n
v
i
=
n
i
v
i
, a
A
n
[v
1
|v
2
|v
3
] = [
n
1
v
1
|
n
2
v
2
|
n
3
v
3
] A
n
= [
n
1
v
1
|
n
2
v
2
|
n
3
v
3
][v
1
|v
2
|v
3
]
1
,
ya que la primera expresion equivale a A
n
P = PD
n
.
Notemos que hubiera sido mas c omodo, para calcular su inversa, haber trabajado con
P
2
= [v
2
|v
1
|v
3
] =
_
_
1 0 1
0 1 0
0 0 3
_
_
, siendo entonces D
2
= diag(
2
,
1
,
3
) =
_
_
1 0 0
0 0 0
0 0 4
_
_
,
con lo que tambien se llega a
A
n
= P
2
D
n
2
P
1
2
=
_
_
1 0 1
0 1 0
0 0 3
_
_
_
_
1
n
0 0
0 0
n
0
0 0 4
n
_
_
_
_
1 0
1
3
0 1 0
0 0
1
3
_
_
=
_
_
1 0
1
3
(1 4
n
)
0 0 0
0 0 4
n
_
_
.
3. Ejercicios.
Ejercicio 1. Calcular bases de R
3
formadas por autovectores generalizados para las siguientes matrices:
A =
_
_
4 1 1
1 3 1
0 1 1
_
_
, B =
_
_
0 1 0
0 0 1
2 5 4
_
_
.
Ejercicio 2. Sea f : R
4
R
4
la aplicacion lineal dada por f(x) = Ax, donde A =
_
_
a 1 1 1
0 b 0 3
1 2 c 1
0 1 0 d
_
_
.
1. Hallar A sabiendo que f(S
1
) = S
2
, donde
S
1

_
x
1
x
2
= 0
x
3
+x
4
= 0
y S
2
= Gen{(1, 2, 1, 1)
T
, (0, 3, 1, 2)
T
}.
2. Probar que A no es diagonalizable.
3. Hallar una base de R
4
formada por autovectores y autovectores generalizados.
256
Ejercicio 3. Consideremos la matriz A =
_
_
a
1
b
1
c
1
1 b
2
c
2
0 b
3
c
3
_
_
.
(a) Determinar los elementos de A sabiendo que sus autovalores son
1
= 2 y
2
= 3 (doble), que v
1
= (1, 2, 1)
T
es
un autovector asociado a
2
= 3 y v
2
= (2, 1, 0)
T
satisface que Av
2
= 3v
2
+v
1
.
(b) Estudiar si A es diagonalizable.
(c) Calcular las soluciones del sistema de ecuaciones en diferencias u
n
= Au
n1
para los vectores iniciales
u
0
= (1, 2, 1)
T
, u
0
= (1, 3, 2)
T
y u
0
= (5, 3, 0)
T
.
(d) Calcular A
n
.
Ejercicio 4. Calcular la potencia n-esima de las siguientes matrices:
A =
_
_
1 1 1
1 1 1
2 2 2
_
_
, B =
_
_
0 1 0
0 0 1
8 12 6
_
_
, C =
_
_
3 1 0 0
0 3 1 0
0 0 3 0
0 0 0 1
_
_
.
257
Algebra. Ingeniera Industrial. Curso 2008/2009

Primer Parcial. Primera parte de la convocatoria de Febrero
Ejercicio 1
(I)
(1.1) [2 puntos] Hallar la parte real e imaginaria de z siendo
z =
_
1 +
3i
_
27
+
_
1
3i
_
27
.
(1.2) [2 puntos] Expresar en forma binomica las soluciones de la ecuaci on
iz
3
1 = 0.
(II) Sea T : R
3
R
3
una transformaci on lineal que verica:
T
_
_
_
_
1
0
0
_
_
_
_
=
_
_
1
1
a
_
_
, T
_
_
_
_
1
1
0
_
_
_
_
=
_
_
2
a + 1
a + 1
_
_
y T
_
_
_
_
1
1
1
_
_
_
_
=
_
_
3
a + 2
2a + 1
_
_
, con a R. Se pide:
(1.3) [2 puntos] Hallar la matriz A asociada a la aplicacion T.
(1.4) [2 puntos] Discutir para que valores de a el vector v =
_
_
a
1
1
_
_
pertenece al espacio columna de A.
(1.5) [2 puntos] Para a = 1, hallar los valores de b R para que el vector w =
_
_
1
1
b
_
_
pertenezca al espacio nulo
de A.
Ejercicio 2
(2.1) [4 puntos] Encontrar la ecuaci on de la par abola cuyo foco es F = (3, 0) y que tiene su vertice en el punto
V = (3, 1). Hallar la ecuaci on del eje de simetra y de la directriz. Calcular los puntos de interseccion de la par abola
con los ejes coordenados y realizar un dibujo esquem atico de la misma.
(2.2) [3 puntos] Determinar, seg un los valores de a R, el tipo de cuadrica que corresponde a la ecuaci on
_
a
2
+ 1
_
x
2
+ (1 a) y
2
+ (a 3) z
2
= a 2.
(2.3) [3 puntos] Reducir a suma de cuadrados la forma cuadratica dada por
Q(x
1
, x
2
, x
3
) = (a 1) x
2
1
+ 4x
2
2
+x
2
3
+ 2x
1
x
2
2x
1
x
3
2x
2
x
3
,
y clasicarla seg un los valores de a R.
Ejercicio 3
(I) Considerar, para cada , R, la matriz
A =
_
_
1 1
+ 1
1 2
_
_
.
(3.1) [2 puntos] Discutir los valores de , R para los que existe factorizacion LU de A.
(3.2) [2 puntos] Para = 1, determinar los valores de R para los que A es invertible y en esos casos calcular
el determinante de la matriz A
1
.
(3.3) [2 puntos] Para = 0, obtener los valores de R, tal que el sistema Ax = b sea compatible determinado
para cualquier vector b en R
3
.
(3.4) [2 puntos] Para = 1, calcular los determinantes de las matrices A, A
3
y 12A.
(II) Indicar si las siguientes armaciones son verdaderas o falsas, justic andolas razonadamente en caso armativo y
dando un ejemplo en caso contrario:
(3.5) [1 punto] Si existe LU de una matriz A entonces A es invertible.
(3.6) [1 punto] Si una matriz A es invertible entonces existe LU de A.
258

Segunda parte de la convocatoria de Febrero
Ejercicio 4 Dada la matriz,
A =
_
_
a
3
0 0 a
2
0 1 0 0
0 0 b 0
a
2
0 0 a
_
_
, con a, b R.
(4.1) [2 puntos] Calcular, seg un los valores de a, b R, los autovalores de la matriz A.
(4.2) [2 puntos] Para a = 1, determinar los valores de b R, para los que A es diagonalizable.
(4.3) [2 puntos] Para a = b = 1, considerar la matriz B formada por las tres primeras columnas de la matriz A.
Hallar una factorizacion QR de la matriz B.
(4.4) [2 puntos] Resolver en el sentido de los mnimos cuadrados el sistema
Bx =
_
_
1
1
1
1
_
_
.
(4.5) [2 puntos] Para a = b = 1, calcular A
n
, n N.
Ejercicio 5 Sean los subespacios E, F R
4
dados por
E = Gen
_
_
_
_
0
0
1
0
_
_
,
_
_
1
1
0
0
_
_
_
_
,
F
_
x
1
+x
2
= 0.
(5.1) [2 puntos] Hallar unas ecuaciones implcitas y una base de E
.
(5.2) [2 puntos] Determinar unas ecuaciones implcitas linealmente independientes de E
F.
(5.3) [2 puntos] Determinar una base de E
+F.
(5.4) [2 puntos] Calcular las proyecciones ortogonales sobre E de los vectores
v
1
=
_
_
2
2
1
0
_
_
, v
2
=
_
_
2
2
0
_
con R.
(5.5) [2 puntos] Hallar las matrices de la proyeccion ortogonal sobre F y F
.
259

Segundo Parcial
Ejercicio 1
Sean la matriz A y los vectores b y c dados por
A =
_
_
1 1
0 1
2 1
_
_
, b =
_
_
2
1
4
_
_
y c =
_
_
2
1
2
_
_
.
(1.1) [2 puntos] Determinar una base ortonormal B del espacio columna de la matriz A y obtener la descomposicion
QR de A.
(1.2) [2 puntos] Encontrar las soluciones en el sentido de los mnimos cuadrados del sistema Ax = b.
(1.3) [2 puntos] Calcular las matrices de la proyeccion ortogonal sobre el espacio columna de A, Col(A), y sobre
el espacio Col(A)
.
(1.4) [2 puntos] Calcular la proyeccion ortogonal del vector c sobre el espacio columna de A y obtener sus coorde-
nadas respecto de la base B.
(1.5) [2 puntos] Encontrar todos los vectores z R
3
tales que su proyeccion ortogonal sobre el espacio columna
de la matriz A es el vector nulo.
Ejercicio 2
(I) (2.1) [1 punto] Probar si la siguiente propiedad es verdadera o falsa: Si A es una matriz semejante a B y A
es diagonalizable, entonces B es diagonalizable.
(II) Sean las matrices
A =
_
_
a 0 0
2 0 1
2 1 0
_
_
, y B =
_
_
0 2 1
0 a 0
2 1 0
_
_
con a R.
(2.2) [2 puntos] Razonar para que valores de a son semejantes las matrices A y B.
(2.3) [2 puntos] Determinar los valores de a para que la matriz A sea diagonalizable.
(2.4) [1 punto] Para a = 0, encontrar una matriz casi diagonal real C de la forma
C =
_
_
0 0
0
0
_
_
,
semejante a B.
(2.5) [4 puntos] Para a = 1, resolver u
n+1
= Au
n
con n 1, siendo u
0
=
_
_
1
0
0
_
_
.
Ejercicio 3
(I) Sea la matriz
A =
_
_
1 2 2
2 1 2
2 2 1
_
_
.
(3.1) [2 puntos] Probar que el polinomio caracterstico de la matriz A es
p
A
() = ( 3) ( + 3)
2
.
(Indicaci on: La suma de las componentes de cada la o columna de la matriz A es 3).
(3.2) [2 puntos] Determinar si existe la matriz A
1
y calcular el determinante de la matriz
1
4
_
A
1
+
2
3
I
_
.
(3.3) [2 puntos] Clasicar la forma cuadratica asociada a la matriz A+aI, con a R.
(II) Considerar la c onica de ecuaci on
3x
2
+ 2xy +y
2
8 = 0.
(3.4) [1 punto] Determinar los valores de R para que la c onica anterior represente una hiperbola.
(3.5) [3 puntos] Para = 3, especicar los cambios de coordenadas adecuados para obtener su ecuaci on canonica.
Clasicarla y hallar su ecuaci on reducida.
260

Examen nal. S
OLO PRIMER PARCIAL

Ejercicio 1
(I)
Sea la transformaci on lineal T : R
4
R
4
que verica
T(e
1
) =
_
_
1
0
1
0
_
_
, T(e
2
) =
_
_
0
1
0
1
_
_
, Nul(A) =
_
x
1
+ x
3
= 0,
x
2
+ x
3
= 0.
(1.1) [2 puntos] Hallar la matriz canonica A asociada a dicha aplicacion T.
(1.2) [2 puntos] Hallar unas ecuaciones implcitas del espacio columna de A.
(II)
(1.3) [2 puntos] Hallar la parte real e imaginaria del n umero complejo
z =
i
4
+i
9
+i
20
3 i
7
+i
10
i
15
.
(1.4) [3 puntos] Expresar en forma binomica las races de la ecuaci on:
iz
3
27 = 0.
(1.5) [1 punto] Hallar |e
i
|, R.
Ejercicio 2
(2.1) [3 puntos] Clasicar seg un los valores de R la c onica de ecuaci on
x
2
y
2
+ 6x + 16y 23 = 0
y representarla para = 4.
(2.2) [4 puntos] Determinar el tipo de cuadrica correspondiente a la ecuaci on
ax
2
+ (a
2
9)y
2
+ (a 1)z
2
= a 3.
para cada valor de a R. Ademas, estudiar razonadamente cuales de dichas supercies son simetricas respecto el eje
OY y cuales respecto al plano OY Z(x = 0).
Q(x
1
, x
2
, x
3
) = x
2
1
+ (4 a)x
2
2
+x
2
3
+ 2ax
1
x
3
,
Ejercicio 3
Sean la matriz A =
_
_
1 2 3 0
3 1 5
0 3 2 5
_
_
y el vector b =
_
_
0
0
_
_
.
(3.1) [3 puntos] Encontrar (cuando exista) la factorizacion A = LU en funci on de los valores de R.
(3.2) [3 puntos] Tomar = 3 y resolver el sistema Ax = b en funci on de los valores de R.
(3.3) [4 puntos] Sea B la matriz que se obtiene ampliando A (para = 3) con la la (1, 2, 13, a),
B =
_
_
1 2 3 0
3 3 1 5
0 3 2 5
1 2 13 a
_
_
.
Obtener, en funci on de a, a R, los determinantes de B
1
, 3B
8
, 4(B
t
)
2
y 7B
t
B
1
.
261

Examen nal. S
OLO SEGUNDO PARCIAL

Ejercicio 4
Sean la matriz A y el vector b dados por:
A =
_
1 0 1 0
2 0 2 0
_
, b =
_
_
1
1
0
0
_
_
.
(4.1) [3 puntos] Obtener las matrices de proyeccion ortogonal sobre los espacios Nul(A) y Col(A).
(4.2) [2 puntos] Calcular la proyeccion ortogonal del vector b sobre el espacio nulo de A.
(4.3) [2 puntos] Hallar la distancia de b al espacio nulo de A.
(4.4) [1 punto] Dar unas ecuaciones implcitas del subespacio Col(A)
.
(4.5) [2 puntos] Resolver en el sentido de los mnimos cuadrados el sistema
Ax =
_
1
1
_
.
Ejercicio 5
Sea la matriz A que depende de un par ametro real a 0:
A =
_
_
1 1 0
a 2 1
0 a 1
_
_
.
(5.1) [3 puntos] Discutir en funci on de a cuando la matriz A es diagonalizable.
(5.2) [4 puntos] Hacer a = 0 y resolver el sistema en diferencias u
n
= Au
0
, n 1 para el estado inicial u
0
=
_
_
0
0
1
_
_
.
(5.4) [3 puntos] Para el valor a = 1, obtener una formula explcita de A
n
, n 1.
Ejercicio 6
Sean E, F R
4
subespacios denidos por:
E = Gen
_
_
_
_
_
_
1
1
0
0
_
_
_
_
,
_
_
_
_
1
0
1
1
_
_
_
_
_
_
, F =
_
_
_
x
1
x
2
2x
3
x
4
= 0,
x
1
+x
2
+x
3
+x
4
= 0
2x
2
+ 3x
3
+ 2x
4
= 0.
(6.1) [3 puntos] Encontrar una base ortonormal de E
, B, y calcular las coordenadas respecto de B del vector

v =
_
_
_
_
2
2
1
3
_
_
_
_
.
(6.2) [4 puntos] Hallar la proyeccion ortogonal del vector v del apartado anterior sobre los espacios E+F y EF.
(6.3) [3 puntos] Encontrar una base ortogonal del subespacio G dado por todos los vectores de R
4
que pertenecen
a F y son ortogonales al vector u =
_
_
_
_
1
1
1
1
_
_
_
_
262

Examen nal. TODA LA ASIGNATURA
Ejercicio 7
(I) Sean la matriz A =
_
_
1 2 3 0
3 1 5
0 3 2 5
_
_
y el vector b =
_
_
0
0
_
_
.
(7.1) [3 puntos] Encontrar (cuando exista) la factorizacion A = LU en funci on de los valores de R.
(7.2) [2 puntos] Para el valor = 3, resolver el sistema Ax = b en funci on de los valores de R.
(II)
(7.3) [5 puntos] Considerar la c onica de ecuaci on
8x
2
+ 2y
2
8xy + 2
5y + 5 = 0.
Hallar su ecuaci on canonica realizando los cambios de coordenadas adecuados, clasicarla y determinar la ecuaci on
de su recta directriz en las coordenadas originales.
Ejercicio 8
(I)
Sea la matriz A que depende de un par ametro real a 0:
A =
_
_
1 1 0
a 2 1
0 a 1
_
_
.
(8.1) [3 puntos] Discutir en funci on de a cuando la matriz A es diagonalizable.
(8.2) [3 puntos] Hacer a = 0 y resolver el sistema en diferencias u
n
= Au
0
, n 1 para el estado inicial u
0
=
_
_
0
0
1
_
_
.
(II)
(8.3) [3 puntos] Expresar en forma binomica las races de la ecuaci on: iz
3
27 = 0.
(8.4) [1 punto] Hallar |e
i
|, R.
Ejercicio 9
Sean E, F R
4
subespacios denidos por:
E = Gen
_
_
_
_
_
_
1
1
0
0
_
_
_
_
,
_
_
_
_
1
0
1
1
_
_
_
_
_
_
, F =
_
_
_
x
1
x
2
2x
3
x
4
= 0,
x
1
+x
2
+x
3
+x
4
= 0
2x
2
+ 3x
3
+ 2x
4
= 0.
(9.1) [3 puntos] Encontrar una base ortonormal de E
, B, y calcular las coordenadas respecto de B del vector

v =
_
_
_
_
2
2
1
3
_
_
_
_
.
(9.2) [4 puntos] Hallar la proyeccion ortogonal del vector v del apartado anterior sobre los espacios E+F y EF.
(9.3) [3 puntos] Encontrar una base ortogonal del subespacio G dado por todos los vectores de R
4
que pertenecen
a F y son ortogonales al vector u =
_
_
_
_
1
1
1
1
_
_
_
_
263

Examen de Septiembre
Ejercicio 1
Sea T : R
3
R
3
una transformaci on lineal que verica para cada a R
T (e
1
) =
_
_
a + 1
0
a
2
1
_
_
, T (e
1
e
2
) =
_
_
a + 3
a
a
2
+ 1
_
_
, T (e
1
+e
2
+e
3
) =
_
_
a
a
a
2
+a
_
_
.
(1.1) [2 puntos] Probar que la matriz A asociada a T es
_
_
a + 1 2 1
0 a 0
a
2
1 2 a + 3
_
_
.
(1.2) [2 puntos] Considerar a 0 y hallar los autovalores de A.
(1.3) [3 puntos] Estudiar los valores de a 0 para los que A es diagonalizable.
(1.4) [3 puntos] Para a = 0, calcular A
n
u
0
con u
0
=
_
_
3
0
3
_
_
.
Ejercicio 2
Dados la matriz A y el vector b,
A =
_
_
1 1 0
2 3 3
1 1 2
0 1
_
_
, con , R, y b =
_
_
1
2
5
7
_
_
.
(2.1) [3 puntos] Determinar los valores de y para los que la matriz A admite factorizacion LU.
(2.2) [2 puntos] Sea C = [A|b] la matriz que resulta de a nadir el vector b como columna a la matriz A. Calcular el
determinante de C en funci on de y . Asimismo, hallar el determinante de C
1
para los posibles valores de y .
(2.3) [3 puntos] Para = 1 y = 0, determinar las matrices Q y R de la factorizacion QR de la matriz A.
(2.4) [2 puntos] Para = 1 y = 0, encontrar la solucion en el sentido de los mnimos cuadrados del sistema
lineal Ax = b.
Ejercicio 3
(I) Sea A =
1 2
2 1
2 2
, con , , R.
Se sabe que
1
= 1 es autovalor de A y v
1
=
_
_
1
0
1
_
_
es autovector asociado a
1
.
(3.1) [1 punto] Calcular , y .
(3.2) [4 puntos] Analizar si A es ortogonalmente diagonalizable y en caso armativo, obtener una matriz ortogonal
Q de forma que Q
T
AQ sea diagonal.
9x
2
+ 12xy + 4y
2
52 = 0.
(3.3) [3 puntos] Hallar los cambios de variables adecuados que lleven la c onica a su ecuaci on reducida. Escribir
dicha ecuaci on y determinar el tipo de c onica.
(III) [2 puntos] Sean z y w n umeros complejos tal que |z| = 1 y |w| = 1.
(3.4) Calcular
a)
|1 +z|
2
+|1 z|
2
.
b)
[(z 1) ( w 1)]
2
zw.
264

Ejercicio 1
(I)
(1.1) [2 puntos] Dado el n umero complejo z = e
i
. Hallar y tal que
z
5
= z.
(1.2) [3 puntos] Resolver la ecuaci on
(1 + i) z
3
= 2i.
(II) Dada la transformaci on lineal T : R
3
R
3
que a cada
_
_
x
1
x
2
x
3
_
_
R
3
le hace corresponder
T
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
x
2
ax
2
x
3
x
1
+ax
3
_
_
R
3
, con a R. Se pide:
(1.3) [1 punto] Hallar la matriz A
T
asociada a la aplicacion T.
(1.4) [2 puntos] Hallar un sistema generador linealmente independiente, seg un los valores de a R, del espacio
columna de la matriz A
T
.
(1.5) [2 puntos] Para a = 1, hallar unas ecuaciones implcitas del espacio columna de la matriz A
T
y un sistema
generador linealmente independiente,del espacio nulo de la matriz A
T
.
Ejercicio 2
(2.1) [5 puntos] Calcular la ecuaci on, el foco y la graca de cada una de las dos par abolas con vertices en V = (3, 1)
que pasan por el punto P (0, 7) . Razonar si puede obtenerse una par abola a partir de la otra mediante un giro.
(2.2) [3 puntos] Determinar a R sabiendo que la cuadrica de ecuaci on
x
2
+ 2y
2
+ 4az
2
2x + 4a
2
y + 2a
4
= 0,
es un hiperboloide de una hoja y que el centro de dicha cuadrica est a en el plano x + y +z = 0. Esbozar la cuadrica
que se obtiene y calcular sus elementos notables (centro y eje).
(2.3) [2 puntos] Determinar la ecuaci on reducida y el signo de la forma cuadratica en R
4
dada por
Q(x
1
, x
2
, x
3
, x
4
) = 2x
1
x
2
+ 3x
3
x
4
.
Ejercicio 3
Sea la matriz
A =
_
_
1 1 2 1
2 3 4 0
1 2 a b
0 1 b 1 b + 1
_
_
, con a, b R.
(3.1) [4 puntos] Determinar los valores de a y b para los que existe factorizacion LU de A, especicando las matrices
L y U en los casos posibles.
(3.2) [2 puntos] Para b = 3, calcular a y c para que el sistema Ax =
_
_
1
0
1
c
_
_
, sea compatible indeterminado y
obtener las soluciones.
(3.3) [2 puntos] Si a = 2, obtener los valores de b para los que A es invertible.
(3.4) [2 puntos] Para a = 2 y b = 8, obtener el determinante de la matriz A
1
.
265

Ejercicio 4
Dada la matriz,
A =
_
_
1 a a
1 1 1
1 0 2
_
_
, con a R.
(4.1) [2 puntos] Calcular los autovalores de la matriz A.
(4.2) [2 puntos] Determinar los valores de a R, para los que A es diagonalizable.
(4.3) [3 puntos] Para a = 1, resolver u
n+1
= Au
n
con n 1, siendo u
0
=
_
_
2
2
2
_
_
.
(4.4) [1 punto] Determinar los valores de b R para los que la matriz A bI no tiene inversa.
(4.5) [2 puntos] Sabiendo que los autovalores de una matriz simetrica real B son 4, 1, 3. Calcular los valores para
los que (A2I)
n
es denida positiva.
Ejercicio 5
(5.1) [2 puntos]Hallar la recta del tipo y = ax +b que mejor se aproxima a los puntos
(2, 3) , (0, 1) , (4, 2) ,
en el sentido de las mnimos cuadrados.
(5.2) [3 puntos] Calcular la matriz P de la proyeccion ortogonal sobre el plano
1
= Gen
_
_
_
_
_
1
1
1
_
_
,
_
_
2
0
4
_
_
_
_
_
.
Obtener P
n
para n 2 e interpretar el resultado.
(5.3) [2 puntos] Hallar la proyeccion ortogonal de los vectores p =
_
_
3
1
2
_
_
y q =
_
_
3
1
5
_
_
sobre el plano
1
.
(5.4) [1 punto] Obtener un vector del plano
2
= x +y z = 0 tal que P
1
(v) = P
2
1
(p).
(5.5) [2 puntos] Sea el subespacio F R
4
dado por las ecuaciones
F
_
_
_
x
1
x
3
= 0,
x
2
+x
4
= 0,
x
1
+x
2
x
3
+x
4
= 0,
obtener una base ortonormal de F
.
266

Segundo Parcial
Ejercicio 1
(I) Sean los subespacios de R
4
dados por
E
_
x
1
+x
2
x
3
= 0,
x
3
x
4
= 0,
F = Gen
_
_
_
_
1
1
0
0
_
_
,
_
_
0
0
a
b
_
_
_
_
, a, b R.
(1.1) [1 punto] Calcular una base de E.
(1.2) [4 puntos] Hallar, seg un los valores de a y b, una base del subespacio E +F.
(1.3) [3 puntos] Calcular, seg un los valores de a y b, la dimensi on del subespacio E F.
(II)
(1.4) [2 puntos] Sean B
1
= {u
1
, u
2
, u
3
, u
4
} y B
2
= {v
1
, v
2
, v
3
, v
4
} dos bases de R
4
tales que
u
1
= v
1
v
2
,
u
2
= v
2
,
u
3
= v
2
2v
3
,
u
4
= v
1
+v
2
+v
3
+v
4
.
Hallar la matriz de paso de la base B
1
a la base B
2
.
Ejercicio 2
Considerar la matriz A y el vector v dados por A =
_
_
1 0
1 1
0 1
_
_
, v =
_
_
1
2
1
_
_
.
(2.1) [4 puntos] Calcular una matriz Q con columnas ortonormales y una matriz R triangular superior tales que
A = QR.
(2.2) [2 puntos] Calcular la matriz de la proyeccion ortogonal sobre el espacio columna de A, que sera denotada
por P
Col(A)
.
(2.3) [2 puntos] Calcular todos los vectores u R
3
que verican el sistema P
Col(A)
u = v. Aplicar el teorema de
Pit agoras para deducir que el vector u de norma mnima que verica el sistema anterior es v.
(2.4) [2 puntos] Calcular la solucion en mnimos cuadrados de los sistemas Ax = u, donde u son las soluciones
obtenidas en el apartado (2.3).
Ejercicio 3
(I) (3.1) [1 punto] Sean A, B dos matrices cuadradas de orden n tales que existe una matriz P invertible tal que
P
1
AP = B.
Probar que x R
n
es autovector de A asociado a un autovalor si solo si P
1
x es autovector de B asociado a .
(II) Sea la matriz A =
_
_
1 0
0 0
2 0 3
_
_
.
(3.2) [2 puntos] Estudiar para que valores de R es diagonalizable la matriz A.
(3.3) [5 puntos] Para = 1, resolver u
n
= Au
n1
, n 1 sabiendo que el vector inicial viene dado por u
0
=
_
_
2
2
0
_
_
.
(3.4) [2 puntos] Para = 2, obtener la traza de la matriz A
n
.
Ejercicio 4
(I) (4.1) [3 puntos] Determinar, si existe, una diagonalizacion ortogonal de la matriz A =
_
_
2 0 1
0 3 0
1 0 2
_
_
.
(4.2) [2 puntos] Determinar los autovalores de la matriz aA
2
+ 3I, a R y los valores de a R para los cuales la
forma cuadratica asociada a la matriz aA
2
+ 3I es denida positiva.
(II) Considerar las c onicas denidas por la ecuaci on x
2
+by
2
+ 4xy + 2
5x + 2 = 0, b R.
(4.3) [1 punto] Determinar los valores de b R, si existen, para los que la ecuaci on anterior es una par abola.
(4.4) [4 puntos] Calcular la ecuaci on reducida de la c onica que se obtiene para b = 4. Indicar los cambios de
variables realizados.
267

Examen nal. S
OLO PRIMER PARCIAL

Ejercicio 1
(I)
(1.1) [2 puntos] Hallar los valores de m Z tal que
_
5e
i
3
_
m
,
sea un n umero real negativo.
(1.2) [3 puntos] Expresar en forma exponencial las soluciones de la ecuaci on
z
4
+
16
i
= 0.
3
R
3
que a cada
_
_
x
1
x
2
x
3
_
_
R
3
le hace corresponder
T
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+ 2x
2
x
3
x
1
2x
2
+x
3
2x
1
+ 2ax
2
ax
3
_
_
R
3
, con a R. Se pide:
T
asociada a la aplicacion lineal T.
(1.4) [2 puntos] Encontrar los valores de a R, para los cuales el espacio columna de la matriz A
T
es un plano.
(1.5) [2 puntos] Encontrar los valores de a R, si existen, tal que el vector
_
_
1
0
1
_
_
pertenezca al espacio nulo de
la matriz A
T
.
Ejercicio 2
(I) Sean la matriz A y el vector b dados por
A =
_
_
1 0 1 1
1 1 1 0
0 1 1
0 1 1
_
_
, b =
_
_
0
1
0
_
.
(2.1) [3 puntos] Estudiar la compatibilidad del sistema Ax = b seg un los valores reales de y .
(2.2) [3 puntos] Decidir justicadamente los casos para los que existe la factorizacion LU de A.
(2.3) [2 puntos] Escribir las matrices L y U para el caso = = 0. Son unicas esas matrices?
(II)
(2.4) [1 punto] Construir una matriz 2 3 cuyo espacio nulo este generado por el vector
_
_
1
0
1
_
_
.
(2.5) [1 punto] Sea A una matriz real mn. Probar que AA
T
y A
T
A son simetricas. Determinar cuando la matriz
A A
T
es simetrica.
(2.6) [1 punto] Sea A una matriz cuadrada tal que los elementos de A y A
1
son enteros. Probar que el determinante
de A es 1 o -1.
Ejercicio 3
(3.1) [5 puntos] Determinar R sabiendo que
9x
2
18x +y
2
+ 4y 3 = 0,
es la ecuaci on de una elipse cuyo centro est a en la recta x +2y = 1. Hallar la graca y los elementos notables (centro,
focos, vertices, semiejes y ejes) de la elipse que se obtiene.
(3.2) [2 puntos] Determinar el signo, en funci on de R, de la forma cuadratica dada por
Q(x
1
, x
2
, x
3
) = x
1
x
2
+ (1 ) x
2
x
3
+x
1
x
3
.
(3.3) [3 puntos] Calcular la ecuaci on reducida, los elementos caractersticos (centro y eje) y esbozar la graca de
la cuadrica
16x
2
+y
2
4z
2
16x 4y 16z + 4 = 0.
268

Examen nal. S
OLO SEGUNDO PARCIAL

Ejercicio 4
Sean el subespacio E de R
4
y el vector b dados por
E x
1
x
2
+x
3
x
4
= 0, b =
_
_
1
1
0
0
_
_
.
(4.1) [4 puntos] Calcular las matrices de la proyeccion ortogonal sobre el espacio E y sobre el espacio E
.
(4.2) [3 puntos] Probar que el espacio columna de la matriz A dada por
A =
_
_
1 0 1
1 1 0
0 1 0
0 0 1
_
_
,
coincide con E, es decir, Col (A) = E.
(4.3) [2 puntos] Resolver en el sentido de los mnimos cuadrados el sistema Ax = b.
(4.4) [1 punto] Hallar la distancia de b al espacio columna de A.
Ejercicio 5
Sea la matriz
A =
_
_
3 0 a
3 1 b
2 0 c
_
_
.
(5.1) [2 puntos] Calcular los valores de a, b, c R, para que el vector v
1
=
_
_
2
0
1
_
_
sea un autovector asociado al
autovalor
1
= 1.
(5.2) [3 puntos] Determinar los dem as autovalores y autovectores de la matriz A.
(5.3) [2 puntos] Determinar todos los autovectores generalizados de A.
(5.4) [2 puntos] Calcular la matriz A
15
, determinando explcitamente todos sus elementos.
(5.5) [1 puntos] Determinar para que valores de R, la matriz A +I tiene inversa.
Ejercicio 6
(6.1) [6 puntos] Dada la c onica
6x
2
+ 9y
2
4xy 10 = 0.
Hallar su ecuaci on reducida y clasicarla. Especicar los cambios de coordenadas realizados y representarla graca-
mente en las coordenadas originales.
(6.2) [5 puntos] Determinar una matriz 3 3 real simetrica A sabiendo que sus autovalores son
{
1
= 6 (doble),
3
= 6} ,
y que los autovectores asociados al autovalor
1
= 6 son los vectores (no nulos) del subespacio de ecuaci on
x
1
+x
2
2x
3
= 0.
269

Ejercicio 7
(I)
(7.1) [1 punto] Hallar los valores de m Z tal que
_
5e
i
3
_
m
,
sea un n umero real negativo.
(7.2) [2 puntos] Expresar en forma exponencial las soluciones de la ecuaci on
z
4
+
16
i
= 0.
(II) Sean la matriz A y el vector b dados por
A =
_
_
1 0 1 1
1 1 1 0
0 1 1
0 1 1
_
_
, b =
_
_
0
1
0
_
.
(7.3) [3 puntos] Estudiar la compatibilidad del sistema Ax = b seg un los valores reales de y .
(7.4) [2 puntos] Decidir justicadamente los casos para los que existe la factorizacion LU de A.
(7.5) [2 puntos] Escribir las matrices L y U para el caso = = 0. Son unicas esas matrices?
Ejercicio 8
Sean el subespacio E de R
4
y el vector b dados por
E x
1
x
2
+x
3
x
4
= 0, b =
_
_
1
1
0
0
_
_
.
(8.1) [4 puntos] Calcular las matrices de la proyeccion ortogonal sobre el espacio E y sobre el espacio E
.
(8.2) [3 puntos] Probar que el espacio columna de la matriz A dada por
A =
_
_
1 0 1
1 1 0
0 1 0
0 0 1
_
_
,
coincide con E, es decir, Col (A) = E.
(8.3) [2 puntos] Resolver en el sentido de los mnimos cuadrados el sistema Ax = b.
(8.4) [1 punto] Hallar la distancia de b al espacio columna de A.
Ejercicio 9
(I) Sea la matriz
A =
_
_
3 0 a
3 1 b
2 0 c
_
_
.
(9.1) [1 punto] Calcular los valores de a, b, c R, para que el vector v
1
=
_
_
2
0
1
_
_
sea un autovector asociado al
autovalor
1
= 1.
(9.2) [2 puntos] Determinar los dem as autovalores y autovectores de la matriz A.
(9.3) [1 punto] Determinar todos los autovectores generalizados de A.
(9.4) [2 puntos] Calcular la matriz A
15
, determinando explcitamente todos sus elementos.
(II) Dada la c onica
6x
2
+ 9y
2
4xy 10 = 0.
(9.5) [4 puntos] Hallar su ecuaci on reducida y clasicarla. Especicar los cambios de coordenadas realizados y
representarla gracamente en las coordenadas originales.
270

Ejercicio 1
(I) (1.1) Resolver las siguientes ecuaciones, dando los resultados en forma binomica:
(a) [2 puntos] z
4
= 1.
(b) [2 puntos] z
3
+ (2 +i)z
2
+ 2iz = 0.
(II) Sea la matriz
A =
_
_
1 1 2
1 3 a a + 1
2 2 24
1 0 1
_
_
, con a R.
(1.2) [3 puntos] Determinar los valores de a para los que se puede asegurar la existencia de factori-zaci on LU de
la matriz A, especicando las matrices L y U en los casos posibles.
(1.3) [3 puntos] Decidir para que valores de a y b R el vector v =
_
_
0
1
b
1
_
_
no pertenece al espacio columna de la
matriz A.
Ejercicio 2
(I) (2.1) [2 puntos] Probar que si {v
1
, v
2
, . . . , v
r
} es un conjunto de vectores no-nulos ortogonales dos a dos en
R
n
, entonces son linealmente independientes.
(II) Dados los subespacios E y F de R
4
, la matriz A y los vectores v,w R
4
:
E
_
x
1
2x
2
x
3
= 0,
x
2
+x
3
= 0,
F {x
1
+x
2
+x
3
+x
4
= 0,
A =
_
_
a
1
2
2 b
1
a
2
b
2
a
3
b
3
_
_
, v =
_
_
1
2
1
0
_
_
, w =
_
_
1
1
c
1
c
2
_
_
.
(2.2) [2 puntos] Determinar una base ortonormal del subespacio E.
(2.3) [2 puntos] Calcular la proyeccion ortogonal de v sobre E.
(2.4) [2 puntos] Determinar w tal que v +w E
.
(2.5) [2 puntos] Calcular A sabiendo que el espacio columna de la matriz A est a contenido en el subespacio E
F.
Ejercicio 3
Sea la matriz
A =
_
_
0
0
0 3
_
_
, con , y R.
(3.1) [2 puntos] Hallar los autovalores de la matriz A.
(3.2) [4 puntos] Para = 2, determinar los valores de y para los que la matriz A es diagonalizable.
(3.3) [4 puntos] Para = 2, = 1 y = 0 resolver el sistema de ecuaciones en diferencias u
n
= A u
n1,
para
n 1 con u
0
=
_
_
2
2
1
_
_
.
Ejercicio 4
(I) (4.1) [3 puntos] Hallar, si existe, una matriz ortogonal P y una matriz diagonal D tal que P
T
AP = D, siendo
la matriz A dada por
A =
_
_
2 0 1
0 3 0
1 0 2
_
_
.
(II) Considerar las c onicas denidas por la ecuaci on
x
2
+
2
y
2
+ 4xy +
5 ( + 2) x + 2 = 0, con R.
(4.2) [2 puntos] Determinar, si existen, los valores de R para los que la ecuaci on anterior es una par abola.
(4.3) [5 puntos] Calcular la ecuaci on reducida de la c onica que se obtiene para = 2, indicando los cambios de
variables realizados.
271

Ejercicio 1
(I) Dado el n umero complejo w = 1 +
3i:
(1.1) [2 puntos] Hallar la parte real e imaginaria de w
14
.
(1.2) [2 puntos] Determinar la parte imaginaria del transformado de w mediante un giro con centro en (1, 0) y
angulo positivo

6
.
(1.3) [2 puntos] Determinar en forma binomica las raices c ubicas de w
3
.
3
R
4
que a cada
_
_
x
1
x
2
x
3
_
_
R
3
le hace corresponder T
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+x
2
+ 2x
3
2x
1
3x
1
+ 3x
2
+ 6x
3
4x
1
+ 2x
2
+ 4x
3
_
_
R
4
, se pide:
T
(1.5) [2 puntos] Hallar un sistema generador linealmente independiente y unas ecuaciones implcitas del espacio
columna de la matriz A
T
.
(1.6) [1 punto] Hallar unas ecuaciones implcitas linealmente independientes del espacio nulo de la matriz A
T
.
Ejercicio 2
(2.1) [4 puntos] Calcular la ecuaci on, los elementos notables (centro, focos, vertices, asntotas y ejes) y la graca
de la hiperbola que verica:
Sus focos est an en la recta y = 1.
La distancia entre sus vertices es 6.
Una de sus asntotas es x 3y + 1 = 0.
(2.2) [3 puntos] Clasicar la cuadrica de ecuaci on
9x
2
ay
2
+ 4z
2
18x 2ay 16z = 2a 25,
en funci on de a R. Para a = 36, esbozar la cuadrica que se obtiene y calcular sus elementos notables (centro y
eje/ejes).
(2.3) [3 puntos] Reducir a suma de cuadrados las siguientes formas cuadraticas
Q
1
(x
1
, x
2
, x
3
) = 3x
2
1
+ 5x
2
2
+ (2 +a)x
2
3
6x
1
x
2
+ 4x
2
x
3
,
Q
2
(x
1
, x
2
, x
3
) = ax
2
1
+x
2
2
+ 3x
2
3
2x
1
x
2
+ 2x
1
x
3
2x
2
x
3
,
y determinar los valores de a R, para los que ambas formas cuadraticas tengan el mismo signo.
Ejercicio 3
Los valores de temperatura en un problema de conduccion del calor satisfacen la ecuaci on At
n
= t
n1
, n 1 donde
A =
_
_
1 + 2c c 0
c 1 + 2c c
0 c 1 + 2c
_
_
, con c R.
(3.1) [4 puntos] Determinar los valores de c para los que existe factorizacion LU de A, especicando las matrices
L y U.
(3.2) [1 punto] Determinar los valores de c para los que la matriz A tiene inversa.
(3.3) [2 puntos] Si c = 1 deteminar, usando la factorizacion LU, el vector de temperatura t
1
que satisface el
sistema At
1
= t
0
, con t
0
el vector de temperatura inicial, dado por, t
0
=
_
_
10
12
12
_
_
.
(3.4) [2 puntos] Para c = 1, calcular los determinantes de las siguientes matrices: A
1
, 5A y A
5
.
(3.5) [1 punto] Razonar si, en general, la existencia de la inversa de una matriz implica la existencia de la factor-
izaci on LU.
272

Ejercicio 4
(I) Dada la matriz,
A =
_
_
3
a 3
1 1 2
2 3 b 2
_
_
, con a, b R.
(4.1) [2 puntos] Calcular, seg un los valores de a R, los autovalores y sus multiplicidades alge-
braicas de las matrices A, A
3
, 2A+ 3I y A
1
.
(4.2) [2 puntos] Determinar los valores de a, b R, para los que A es diagonalizable.
(4.3) [2 puntos] Hallar una base respecto de la cual la matriz asociada a la aplicacion lineal denida por A sea
diagonal.
(II) Dada una matriz B real de orden dos tal que
1
= 3 2i es un autovalor de B y v
1
=
_
1 2i
1
_
un autovector
asociado a dicho autovalor. Se pide:
(4.4) [1 punto] Determinar el polinomio caracterstico de B.
(4.5) [1 punto] Razonar si B es simetrica.
(4.6) [2 puntos] Hallar una matriz P y una matriz casi-diagonal real C tal que P
1
BP = C.
Ejercicio 5
(I) Considerar el sistema de ecuaciones incompatible Ax = b,
A =
_
_
1 0 1
1 1 0
1 1 2
_
_
, b =
_
_
2
0
3
_
_
.
(5.1) [2 puntos] Aplicar el metodo de Gram-Schmidt a las columnas de la matriz A. Determinar la factorizacion
QR de la matriz formada por las dos primeras columnas de A.
(5.2) [1 punto] Razonar, sin resolver las ecuaciones normales de Gauss, que el sistema anterior tiene innitas
soluciones en el sentido de los mnimos cuadrados.
(5.3) [2 puntos] Calcular todas las soluciones en el sentido de los mnimos cuadrados del sistema Ax = b.
(II) Sea F = Gen
_
_
_
_
_
1
1
1
_
_
,
_
_
0
1
1
_
_
_
_
_
y u =
_
_
2
0
3
_
_
.
(5.4) [1 punto] Calcular la matriz de la proyeccion ortogonal sobre F y F
.
(5.5) [2 puntos] Calcular la proyeccion ortogonal de u sobre F, la dimensi on de F
y unas ecuaciones implcitas

de F
.
(5.6) [2 puntos] Dado G = Gen
_
_
_
_
_
1
0
a
_
_
_
_
_
, determinar a R, para que F+G = R
3
y a R para que F
G = {0}.
273

Segundo Parcial
Ejercicio 1
(I) Considerar los subespacios F y G de R
4
denidos por las siguientes ecuaciones implcitas.
F
_
_
_
x
1
x
3
= 0,
x
2
+x
4
= 0,
x
1
+x
2
x
3
+x
4
= 0,
G x
1
+x
2
+x
3
x
4
= 0, con , R.
(1.1) [2 puntos] Hallar unas ecuaciones implcitas y una base ortonormal del subespacio F
.
(1.2) [2 puntos] Para = 1 y = 1, obtener las proyecciones ortogonales del vector b =
_
_
1
1
1
1
_
_
sobre los
subespacios G y G
.
(1.3) [1 punto] Calcular los valores de y para los que la dimensi on del subespacio F G sea dos.
(1.4) [1 punto] Para = 1 y = 0, determinar una base del subespacio F +G.
A =
_
_
1 0 1
0 1 1
1 0 0
0 1 1
_
_
, b =
_
_
1
1
1
1
_
_
.
(1.5) [2 puntos] Obtener la descomposicion QR de A, donde Q es una matriz con columnas ortonormales.
(1.6) [2 puntos] Determinar el n umero de soluciones en el sentido de los mnimos cuadrados del sistema Ax = b
sin calcularlas. Obtener dichas soluciones.
Ejercicio 2
Sea la matriz
A =
_
_
3 0 a 1
a 2 4 0
1 0 a + 1
_
_
, con a R.
(2.1) [3 puntos] Estudiar para que valores de a la matriz A es diagonalizable.
(2.2) [2 puntos] Determinar los valores de a para que la matriz A sea diagonalizable ortogonalmente y para dichos
valores de a estudiar el signo de la forma cuadratica asociada a la matriz A.
(2.3) [2 puntos] Para a = 1, determinar una diagonalizacion de A (matriz de paso, matriz diagonal y relacion
con la matriz A).
(2.4) [2 puntos] Para a = 1, resolver el sistema de ecuaciones en diferencias dado por
u
n+1
= Au
n
, n = 0, 1, . . . con u
0
= [1, 3, 1]
T
(2.5) [1 punto] Determinar los valores de a para los que la matriz
1
2
A aI no tiene inversa.
Ejercicio 3
(I) Sea la matriz
A =
_
_
6 0 0
0 2 4
0 4 2
_
_
.
(3.1) [2 puntos] Calcular los autovalores de las matrices A y A +A
T
.
(3.2) [2 puntos] Hallar una matriz ortogonal P y una matriz diagonal D tal que P
T
AP = D.
x
2
2xy +y
2
4
2x + 6 = 0.
(3.3) [5 puntos] Especicar los cambios de coordenadas adecuados para obtener su ecuaci on canonica. Clasicarla
y hallar su ecuaci on reducida.
(3.4) [1 punto] Determinar en sus coordenadas originales el centro o vertice de dicha c onica.
274

Examen nal. S
OLO PRIMER PARCIAL

Ejercicio 1
(I)
(1.1) [2 puntos] Hallar las races sextas de 2
6
.
(1.2) [2 puntos] Determinar el modulo y argumento de
_
1 +
3i
_
8
.
(1.3) [1 punto] Sea G la matriz de giro de centro el origen y angulo

4
. Determinar G
5
.
(II) Considerar la transformaci on lineal T : R
3
R
4
que verica
T
_
_
_
_
1
1
0
_
_
_
_
=
_
_
1
2
1
2
_
_
, T
_
_
_
_
0
1
0
_
_
_
_
=
_
_
2
1
1
1
_
_
, T
_
_
_
_
1
0
1
_
_
_
_
=
_
_
2
1
3
0
_
_
.
(1.4) [2 puntos] Encontrar la matriz canonica A asociada a T.
(1.5) [2 puntos] Hallar unas ecuaciones implcitas del espacio columna de A.
(1.6) [1 punto] Razonar si el vector [1, 1, 0, 1]
T
pertenece o no al subespacio nulo de la matriz A.
Ejercicio 2
(2.1) [4 puntos] Determinar la ecuaci on, la graca y los elementos notables (focos, ejes y vertices) de cada una de
las dos par abolas que verican las siguientes condiciones:
El vertice V = (, ) est a en la recta x = 0.
El eje de simetra es horizontal.
La distancia del foco a la directriz es 2.
El foco est a a la derecha de la directriz.
El punto (1, 5) est a en la par abola.
x
2
+ 2y
2
+z
2
+ 4y 8z + 14 = 0.
Hallar las coordenadas de su centro y las ecuaciones de su eje.
Q(x, y) = 2ax
2
+ay
2
+ 2xy,
Ejercicio 3
_
_
1 2
1
2
3
2 2 + 1 2
_
_
y el vector b =
_
_
1
2
_
_
.
(3.1) [3 puntos] Discutir el sistema Ax = b, seg un los valores de , R.
(3.2) [3 puntos] Determinar los valores de para los que existe factorizacion LU de A. Especicar, para dichos
casos, las matrices L y U.
(3.3) [1 punto] Si en la matriz A intercambiamos las columnas segunda y tercera, justicar si en los apartados
(3.1) y (3.2) se obtienen los mismos resultados.
(II) Sea una matriz B cuadrada de orden tres con determinante no nulo. Sea C la matriz resultante de intercambiar
en B las las uno y tres.
(3.4) [2 puntos] Razonar si el determinante de C es no nulo. Determinar justicadamente la relacion entre C
1
y
B
1
.
(3.5) [1 punto] Si la inversa de la matriz
_
_
1 3 2
2 5 3
3 2 4
_
_
es
_
_
14 8 1
17 10 1
19 11 1
_
_
Cual es la inversa de la matriz
_
_
3 2 4
2 5 3
1 3 2
_
_
?
275

Examen nal. S
OLO SEGUNDO PARCIAL

Ejercicio 4
(I) Dada la matriz,
A =
_
_
2 0 0
2 +a a 0
1 a 1 2
_
_
, con a R.
(4.2) [1 punto] Determinar los valores de a R, para los que la matriz A a
2
I tiene inversa.
(4.3) [3 puntos] Para a = 0, obtener una base de R
3
formada por autovectores y autovectores generalizados de A
y calcular A
n
.
(II) Sea la matriz B =
_
_
_
_
1 0 0 0
1 0 1 1
0 1 1 1
2 0 0 1
_
_
_
_
(4.4) [2 puntos] Sin calcular B
1
, probar que B
1
es diagonalizable y obtener sus autovalores.
(III) Sea M una matriz real 22 tal que
1
= 2i es un autovalor de M con autovector asociado v
1
=
_
1 i
1
_
.
(4.5) [1 punto] Calcular el determinante de M.
(4.6) [1 punto] Hallar una matriz diagonal D y una matriz invertible P tal que D = P
1
MP.
Ejercicio 5
Sean la matriz A y el vector b dados por
A =
_
_
1 0 0
0 1 1
1 0 1
0 2 0
_
_
, b =
_
_
1
2
2
2
_
_
.
(5.1) [2 puntos] Calcular una base y unas ecuaciones implcitas del subespacio Col (A)
, donde Col (A) denota el

espacio columna de la matriz A.
(5.2) [1 punto] Determinar una base de Col (A) + Col (A)
.
(5.3) [2 puntos] Ampliar una base de Col (A) a una base de R
4
y determinar las coordenadas del vector b en la
base ampliada.
(5.4) [3 puntos] Calcular las matrices de la proyeccion ortogonal sobre el espacio Col (A) y sobre el espacio
Col (A)
.
(5.5) [2 puntos] Hallar la distancia de b al espacio columna de A.
Ejercicio 6
(I) Dada la matriz
A =
_
_
a 2 0 a 3
0 3 0
1 a 4 2
_
_
, con a R.
(6.1) [1 punto] Determinar los valores de a R, para los que A es diagonalizable ortogonalmente.
(6.2) [3 puntos] Para aquellos valores de a para los que sea posible, determinar una matriz ortogonal Q y una
matriz diagonal D tal que Q
T
AQ = D.
(6.3) [1 punto] Para a = 4, calcular A
n
.
3x
2
2xy + 3y
2
4 = 0.
(6.4) [3 puntos] Hallar su ecuaci on reducida. Especicar los cambios de coordenadas realizados para obtenerla.
(6.5) [2 puntos] Clasicarla y representarla gracamente en las coordenadas originales.
276

Ejercicio 7
_
_
1 2
1
2
3
2 2 + 1 2
_
_
y el vector b =
_
_
1
2
_
_
.
(7.1) [3 puntos] Discutir el sistema Ax = b, seg un los valores de , R.
(7.2) [3 puntos] Determinar los valores de para los que existe factorizacion LU de A. Especicar, para dichos
casos, las matrices L y U.
(7.3) [1 punto] Si en la matriz A intercambiamos las columnas segunda y tercera, justicar si en los apartados
(3.1) y (3.2) se obtienen los mismos resultados.
(II) Sea una matriz B cuadrada de orden tres con determinante no nulo. Sea C la matriz resultante de intercambiar
en B las las uno y tres.
(7.4) [2 puntos] Razonar si el determinante de C es no nulo. Determinar justicadamente la relacion entre C
1
y
B
1
.
(7.5) [1 punto] Si la inversa de la matriz
_
_
1 3 2
2 5 3
3 2 4
_
_
es
_
_
14 8 1
17 10 1
19 11 1
_
_
Cual es la inversa de la matriz
_
_
3 2 4
2 5 3
1 3 2
_
_
?
Ejercicio 8
A =
_
_
1 0 0
0 1 1
1 0 1
0 2 0
_
_
, b =
_
_
1
2
2
2
_
_
.
, donde Col (A) denota el

espacio columna de la matriz A.
(8.2) [1 punto] Determinar una base de Col (A) + Col (A)
.
(8.3) [2 puntos] Ampliar una base de Col (A) a una base de R
4
y determinar las coordenadas del vector b en la
base ampliada.
(8.4) [3 puntos] Calcular las matrices de la proyeccion ortogonal sobre el espacio Col (A) y sobre el espacio
Col (A)
.
(8.5) [2 puntos] Hallar la distancia de b al espacio columna de A.
Ejercicio 9
(I)
(9.1) [2 puntos] Determinar el modulo y argumento de
_
1 +
3i
_
8
.
(II) Dada la matriz,
A =
_
_
2 0 0
2 +a a 0
1 a 1 2
_
_
, con a R.
(9.3) [3 puntos] Para a = 0, obtener una base de autovectores y autovectores generalizados de R
3
y calcular A
n
.
(III) Considerar la c onica de ecuaci on
3x
2
2xy + 3y
2
4 = 0.
(9.4) [3 puntos] Hallar su ecuaci on reducida. Especicar los cambios de coordenadas realizados y representarla
gracamente en las coordenadas originales.
277

Ejercicio 1
(I) [2 puntos] Resolver la ecuaci on compleja
z
i
z
= i 1,
expresando las soluciones en forma binomica.
(II) [8 puntos] Mediante un giro y una traslacion, obtener la ecuaci on reducida de la c onica
x
2
+y
2
+ 2xy + 6
2x 2
2y + 26 = 0,
y representarla gracamente en las coordenadas originales.
Ejercicio 2
Sean la matriz A =
_
_
2 0 0
2 1 3
4 0 3
_
_
y el vector b =
_
_
1
1
1
_
_
con R.
(2.1) [4 puntos] Determinar los valores de para los que A es diagonalizable.
(2.2) [2 puntos] Hallar el valor de para el que el vector b no pertenece al espacio columna de A.
(2.3) [2 puntos] Discutir la existencia de la factorizacion LU de A seg un los valores de .
(2.4) [2 puntos] Para = 4, especicar las matrices L y U.
Ejercicio 3
Considerar el subespacio E R
4
y el vector u de R
4
dados por
E
_
x
1
2x
2
x
3
= 0,
x
2
x
4
= 0,
u =
_
_
2
3
2
1
_
_
.
(3.1) [2 puntos] Calcular una base ortonormal de E.
(3.2) [2 puntos] Calcular el vector proyeccion ortogonal de u sobre E que denotaremos por w.
(3.3) [2 puntos] Calcular el vector v E
mas cercano a u.
(3.4) [2 puntos] Sean P y Q las respectivas matrices de la proyeccion ortogonal sobre E y E
. Sin calcular
ninguna de las dos matrices, razonar cuanto vale el producto PQ. Si no conoce la respuesta, calcular ambas matrices
y multiplicarlas.
(3.5) [2 puntos] Sea B = {v
1
, v
2
} una base cualquiera de E tal que w = v
1
+2v
2
. Sea A la matriz [v
1
, v
2
] Cual es
la solucion en mnimos cuadrados del sistema Ax = u? Razonar la respuesta.
Ejercicio 4
(I) [8 puntos] Sea la matriz
A =
_
_
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
_
_
.
Encontrar, si es posible, matrices P
1
, P
2
, P
3
ortogonales y D
1
, D
2
, D
3
diagonales que diagonalicen las matrices A,
A
2
y A
1
, respectivamente.
(II) [2 puntos] Sabiendo que los autovalores de una matriz A simetrica real de orden n son
1
= 1,
2
=
2, . . . ,
n
= n, determinar los valores de R para los que la forma cuadratica asociada a la matriz A + 2I es
denida positiva.
278

Ejercicio 1
(I)
(1.1) [2 puntos] Resolver la ecuaci on compleja z
3
= |z|
2
.
(1.2) [1 punto] Calcular y representar las soluciones de la ecuaci on z
4
= 1 +i.
(1.3) [2 puntos] Obtener, en forma binomica, el transformado de z = 2 + 3i mediante un giro con centro en 1 + i y
angulo positivo

4
.
(II) Se consideran los vectores
u
1
=
_
_
1
0
0
_
_
, u
2
=
_
_
2a
1
1
_
_
, u
3
=
_
_
a
0
1
_
_
,
v
1
=
_
_
1
0
b
_
_
, v
2
=
_
_
2a + 2
1
2ab + 3b
_
_
, v
3
=
_
_
a + 1
1
ab + 2b
_
_
. Se pide:
(1.4) [1 punto] Sea T : R
3
R
3
una transformaci on lineal. Probar que las columnas de la matriz A
T
asociada a la
aplicacion T son los transformados de los vectores canonicos de R
3
.
(1.5) [2 puntos] Sea T : R
3
R
3
una transformaci on lineal que verica: T(u
1
) = v
1
, T(u
2
) = v
2
, T(u
3
) = v
3
. Hallar
la matriz A
T
(1.6) [2 puntos] Calcular, seg un los valores de a, b R, unas ecuaciones implcitas de los subes-
pacios Nul(A
T
) y Col(A
T
).
Ejercicio 2
(2.1) [3 puntos] Calcular la ecuaci on de la hiperbola cuyos focos son F
1
= (1, 7) y F
2
= (1, 3) y pasa por el punto
P = (1, 6).
(2.2) [3 puntos] Determinar la ecuaci on reducida de la cuadrica dada por la ecuaci on
x
2
+ 4y
2
4z
2
2x + 16y 8z = 9.
Hallar sus elementos caractersticos y esbozar su graca.
Q(x
1
, x
2
, x
3
, x
4
) = 4x
2
1
+x
2
2
+x
2
3
+ (a + 4) x
2
4
+ 2x
1
x
2
2x
1
x
3
+ 8x
1
x
4
+ 4x
2
x
4
,
y clasifcala seg un los valores de a R.
(2.4) [1 punto] Probar que si Q
1
y Q
2
son dos formas cuadraticas en R
4
, denidas positivas, entonces 3Q
1
+2 Q
2
tambien es una forma cuadratica en R
4
denida positiva.
Ejercicio 3
Considera, para cada a real, los vectores
v
1
=
_
_
1
2
0
1
_
_
, v
2
=
_
_
2
5
a
0
_
_
, v
3
=
_
_
1
1
5
6
_
_
y v
4
=
_
_
a
2a 2
a 5
6
_
_
y las matrices cuyas columnas est an dadas por
A = [ v
1
| v
2
| v
3
| v
4
] y B = [ v
1
| v
2
| v
3
]. Se pide:
(3.1) [4 puntos] Discutir el sistema Bx = v
4
, seg un los valores de a R.
(3.2) [3 puntos] Determinar los valores de a para los que existe factorizacion LU de A, especicando las matrices
L y U.
(3.3) [2 puntos] Determinar los valores de a para los que A es invertible y en esos casos calcula el determinante
de la matriz A
1
.
(3.4) [1 punto] Determinar si el vector v
5
=
_
_
1
0
1
0
_
_
pertenece al espacio nulo de la matriz A.
279

Ejercicio 4
Dada la matriz,
A =
_
_
9 0 a + 1
0 3a + 2 a 1
0 2a + 1 0
_
_
, con a R.
(4.1) [2 puntos] Calcular, seg un los valores de a R, los autovalores de la matriz A.
(4.3) [1 punto] Razonar si existen valores de a para los que A sea diagonalizable ortogonalmente.
(4.4) [2 puntos] Para a = 1, calcular una matriz P invertible y una matriz D diagonal tales que P
1
AP = D.
(4.5) [3 puntos] Determinar la matriz simetrica A cuyos autovalores y autovectores son respectivamente
1
= 2,
2
= 1,
3
= 0 y
4
= 2 y
v
1
=
_
_
1
1
1
1
_
_
, v
2
=
_
_
1
1
1
1
_
_
, v
3
=
_
_
1
1
1
1
_
_
y v
4
=
_
_
1
1
1
1
_
_
. Es dicha matriz invertible?Por que?
Ejercicio 5
Considera la matriz,
A =
_
_
1 2 1
2 1 3
0 0 a
2 3 1
_
_
, con a R.
(5.1) [3 puntos] Calcular, en funci on de a R, una base ortogonal de S = Col (A).
(5.2) [2 puntos] Para a = 0, determinar una base de S
y las matrices de la proyeccion ortogonal sobre S y S
.
(5.3) [3 puntos] Para a = 0, resolver, en el sentido de los mnimos cuadrados, el sistema de ecuaciones dado por
A
_
_
x
y
z
_
_
=
_
_
1
2
3
2
_
_
.
.
(5.4) [2 puntos] Sea V el subespacio vectorial dado por
V
_
4x
1
+x
2
+x
3
= 0,
3x
2
+ 2x
3
+ 5x
4
= 0.
Calcular, para a = 0, una base de V S.
280

Segundo Parcial
Ejercicio 1
Considerar los subespacios E y F de R
4
denidos por las siguientes ecuaciones implcitas:
E
_
_
_
x
1
x
2
+x
3
x
4
= 0,
x
1
+x
3
+x
4
= 0,
2x
1
+x
2
x
3
= 0,
F
_
x
1
+x
2
2x
3
+x
4
= 0.
(1.1) [2 puntos] Determinar el valor de para el que se verica que E F y si existe un valor de para el que
E
= F.
(1.2) [2 puntos] Calcular para = 1, una base ortogonal de F.
(1.3) [2 puntos] Calcular para = 1, la matriz de la proyeccion ortogonal sobre F.
(1.4) [2 puntos] Calcular para = 1, la proyeccion ortogonal del vector w =
_
_
1
2
3
4
_
_
sobre F
.
(1.5) [2 puntos] Sean v
1
y v
2
dos vectores no nulos y ortogonales en R
4
. Probar que v
1
y v
2
son linealmente
independientes.
Ejercicio 2
Sea la matriz
A =
_
_
a 1 a a
1 2a 0 0
a a 1 a
_
_
, con a R.
(2.1) [1 punto] Teniendo en cuenta que la suma de los elementos de cada columna es 1, probar que el polinomio
caracterstico de A es
p () = (1 ) (1 + 2a +) (1 2a +) .
(2.2) [3 puntos] Estudiar para que valores de a la matriz A es diagonalizable.
(2.3) [2 puntos] Para a = 0, obtener una matriz diagonal D y una matriz ortogonal P tal que P
t
AP = D.
(2.4) [2 puntos] Para a = 0, calcular A
n
.
(2.5) [2 puntos] Para a = 1, hallar u
n
= A
n
u
0
con n 1, siendo u
0
=
_
_
1
0
1
_
_
.
Ejercicio 3
(I) Sea la matriz
A =
_
_
2 1 c 1 0
0 a 2
0 b 2 a
_
_
, con a, b, c R.
(3.1) [1 punto] Determinar si existen valores de a, b, c, para los que A sea ortogonalmente diagonalizable.
(3.2) [2 puntos] Para c = 1 y b = 4, calcular los autovalores de A.
(3.3) [2 puntos] Para c = 1 y b = 4, considerar la forma cuadratica de matriz A y clasicarla seg un los valores de
a.
x
2
6xy 7y
2
8 = 0.
(3.4) [3 puntos] Especicar los cambios de coordenadas adecuados para obtener su ecuaci on canonica. Hallar su
ecuaci on reducida.
(3.5) [2 puntos] Clasicarla y determinar en sus coordenadas originales el vertice o vertices de dicha c onica.
281

Examen nal. S
OLO PRIMER PARCIAL

Ejercicio 1
(1.1) [4 puntos] Expresar en forma binomica las soluciones de la ecuaci on z
2
+ 2z + 5 = 0. Determinar en forma
exponencial las soluciones de la ecuaci on w
4
+ 2w
2
+ 5 = 0.
(1.2) [2 puntos] Expresar en forma binomica el transformado de z = a +ib mediante el giro con centro en 1 +i y
angulo positivo

3
.
(1.3) [4 puntos] Encontrar una matriz A asociada a una transformaci on lineal T : R
3
R
3
que verique:
(a) El vector T
_
_
_
_
1
0
0
_
_
_
_
pertenece al subespacio denido por las ecuaciones
_
x = 0,
y = 0.
(b) Nul(A) =
_
_
_
_
_
x
y
z
_
_
R
3
: x +z = 0
_
_
_
.
(c) A
3
= A.
Ejercicio 2
(2.1) [4 puntos] Calcular la ecuaci on de la elipse cuyos focos son F
1
= (6, 1) y F
2
= (10, 1) y pasa por el punto
P = (2, 7). Determinar sus elementos notables (centro, ejes, vertices) y dibujarla.
x
2
+ 2y
2
+z
2
+ 4y 8z + 14 = 0.
Hallar las coordenadas de su centro y las ecuaciones de su eje.
Q(x
1
, x
2
, x
3
) = (a + 4)x
2
1
+x
2
2
+ (a + 6)x
2
3
2x
1
x
2
2(a + 4)x
1
x
3
+ 2x
2
x
3
,
Ejercicio 3
v
1
=
_
_
1
4
0
1
_
_
, v
2
=
_
_
2
10
2a
0
_
_
, v
3
=
_
_
1
2
3a 3
5
_
_
y v
4
=
_
_
a
4a 4
3a + 3
3
_
_
y las matrices cuyas columnas est an dadas
por A = [ v
1
| v
2
| v
3
| v
4
] y B = [ v
1
| v
2
| v
3
]. Se pide:
4
L y U.
(3.3) [2 puntos] Hallar, seg un los valores de a, un conjunto de vectores linealmente independientes que genere el
espacio Col(A).
(3.4) [2 puntos] Calcular el determinante de las matrices 2A y A
3
.
282

Examen nal. S
OLO SEGUNDO PARCIAL

A =
_
_
1 0 0 0
a 1 0 0
b b 1 0
b b c 1
_
_
, con a, b, c R.
(4.1) [2 puntos] Calcular los autovalores y sus correspondientes multiplicidades algebraicas para las matrices A,
A
3
y A respectivamente.
(4.2) [1 punto] Determinar R, para que la matriz A
3
+A+I tenga un solo autovalor (con multiplicidad 4).
(4.3) [2 puntos] Determinar los valores a, b, c para que A sea diagonalizable.
(4.4) [2 puntos] Para a = 0, b = c = 1, razonar si el vector v =
_
_
0
1
1
1
_
_
es un autovector de A, un autovector
generalizado de A o ninguna de las dos cosas.
(4.5) [3 puntos] Para a = c = 0, b = 1, calcular u
n
= A
n
u
0
con n 1, donde u
0
=
_
_
2
2
2
2
_
_
.
Ejercicio 5
A =
_
_
1 0 1 0
1 0 1 1
0 1 1 1
2 0 0 1
_
_
, b =
_
_
1
1
1
1
_
_
.
.
(5.2) [3 puntos] Calcular las proyecciones ortogonales de b sobre los subespacios Col (A) y Col (A)
.
(5.3) [2 puntos] Resolver el sistema Ax = b en el sentido de los mnimos cuadrados, sin obtener las ecuaciones
normales de Gauss.
(5.4) [1 punto] Utilizando la solucion obtenida en el apartado anterior, calcular una base del n ucleo de la matriz
A
T
A.
(5.5) [2 puntos] Calcular una base ortonormal de Col (A).
Ejercicio 6
(I) Considerar la c onica de ecuaci on
x
2
+ 6xy +y
2
+ 2 = 0.
(6.1) [3 puntos] Hallar su ecuaci on reducida. Especicar los cambios de coordenadas realizados para obtenerla.
(6.2) [4 puntos] Clasicarla y representarla gracamente en las coordenadas originales.
(II) Sea A una matriz real 2 2 tal que
1
= i es un autovalor de A con autovector asociado v
1
=
_
i
1
_
.
(6.3) [1 punto] Determinar el polinomio caracterstico de la matriz A.
(6.4) [1 punto] Hallar una matriz diagonal D y una matriz invertible P tal que D = P
1
AP.
(6.5) [1 punto] Probar que A
2
= I.
283

Ejercicio 7
v
1
=
_
_
1
4
0
1
_
_
, v
2
=
_
_
2
10
2a
0
_
_
, v
3
=
_
_
1
2
3a 3
5
_
_
y v
4
=
_
_
a
4a 4
3a + 3
3
_
_
y las matrices cuyas columnas est an dadas
por A = [ v
1
| v
2
| v
3
| v
4
] y B = [ v
1
| v
2
| v
3
]. Se pide:
4
L y U.
(7.3) [2 puntos] Hallar, seg un los valores de a, un conjunto de vectores linealmente independientes que genere el
espacio Col(A).
(7.4) [2 puntos] Calcular el determinante de las matrices 2A y A
3
.
Ejercicio 8
Dada la matriz,
A =
_
_
1 0 0 0
a 1 0 0
b b 1 0
b b c 1
_
_
, con a, b, c R.
(8.1) [2 puntos] Calcular los autovalores y sus correspondientes multiplicidades algebraicas para las matrices A,
A
3
y A respectivamente.
(8.2) [1 punto] Determinar R, para que la matriz A
3
+A+I tenga un solo autovalor (con multiplicidad 4).
(8.3) [2 puntos] Determinar los valores a, b, c para que A sea diagonalizable.
(8.4) [2 puntos] Para a = 0, b = c = 1, razonar si el vector v =
_
_
0
1
1
1
_
_
es un autovector de A, un autovector
generalizado de A o ninguna de las dos cosas.
(8.5) [3 puntos] Para a = c = 0, b = 1, calcular u
n
= A
n
u
0
con n 1, donde u
0
=
_
_
2
2
2
2
_
_
.
Ejercicio 9
(I)
(9.1) [2 puntos] Expresar en forma binomica las soluciones de la ecuaci on z
2
+ 2z + 5 = 0. Determinar en forma
exponencial las soluciones de la ecuaci on w
4
+ 2w
2
+ 5 = 0.
A =
_
_
1 0 1 0
1 0 1 1
0 1 1 1
2 0 0 1
_
_
, b =
_
_
1
1
1
1
_
_
.
(9.2) [1 punto] Calcular una base del subespacio Col (A)
.
(9.3) [2 puntos] Calcular las proyecciones ortogonales de b sobre los subespacios Col (A) y Col (A)
.
(9.4) [2 puntos] Resolver el sistema Ax = b en el sentido de los mnimos cuadrados, sin obtener las ecuaciones
normales de Gauss.
(III) Considerar la c onica de ecuaci on
x
2
+ 6xy +y
2
+ 2 = 0.
(9.5) [3 puntos] Hallar su ecuaci on reducida y clasicarla. Especicar los cambios de coordenadas realizados para
obtener dicha ecuaci on reducida.
284

Ejercicio 1
(I) (1.1) [3 puntos] Sabiendo que una de las races c ubicas de w es z
1
= 1 i. Determinar el n umero complejo w
y expresar las otras dos races c ubicas de w en forma exponencial.
(II) Sea B =
_
_
_
_
_
1
0
1 +a
_
_
,
_
_
1
1
2a
_
_
,
_
_
1
0
a
_
_
_
_
_
con a R y T : R
3
R
3
una transformaci on lineal que verica
T
_
_
_
_
1
0
1 +a
_
_
_
_
=
_
_
1
1 +a
b
_
_
,
T
_
_
_
_
1
1
2a
_
_
_
_
=
_
_
3
2a
b + 2
_
_
,
T
_
_
_
_
1
0
a
_
_
_
_
=
_
_
1
a
b
_
_
.
(1.2) [1 punto] Probar que B es base de R
3
, para todo a R.
(1.3) [3 puntos] Encontrar la matriz A asociada a T.
(1.4) [3 puntos] Dada la matriz,
A =
_
_
1 2 0
0 0 1
1 2 0
_
_
,
encontrar una base y unas ecuaciones implcitas (cuando existan) de los subespacios Col(A), Nul(A), Nul(A)+Col(A),
Nul(A) Col(A).
A =
_
_
2 0 0 b
0 2 a 0
0 a 2 0
b 0 0 2
_
_
, con a, b R, a, b = 0.
(2.1) [2 puntos] Calcular los autovalores de la matriz A. (Indicaci on: desarrolla el determinante |A I| por los
elementos de la primera columna).
(2.2) [2 puntos] Para a = 1, b = 1, determinar los autovalores de la matriz A
2
A2I y deducir para que valores
de R, la matriz A
2
A 2I no es invertible.
(2.3) [2 puntos] Para a = 2, b = 2, calcular una matriz P ortogonal y una matriz D diagonal tal que A = PDP
T
.
(2.4) [2 puntos] Para a = 2, b = 2, calcular A
n
teniendo en cuenta el apartado anterior.
(2.5) [2 puntos] Para a = 2, b = 2, hallar la matriz de la proyeccion ortogonal sobre el espacio columna de A.
Ejercicio 3
(I) Considerar la c onica de ecuaci on
x
2
+ 4xy 2y
2
+ 8
5x + 4
5y + 44 = 0.
(3.1) [4 puntos] Hallar un cambio de variables ortogonal y una traslacion que lleve la c onica a su ecuaci on reducida.
Escribir dicha ecuaci on y determinar el tipo de c onica.
(3.2) [4 puntos] Considerando su ecuaci on reducida en coordenadas (x
, y
), encuentra sus elementos notables

(focos, vertices, directriz, asntotas, ejes, seg un el tipo de c onica de que se trate) en dichas coordenadas. Representar
la c onica junto a dichos elementos notables en las coordenadas (x
, y
).
(II) (3.3) [2 puntos] Reducir a suma de cuadrados en funci on de R, la siguiente forma cuadratica
Q(x, y, z) = xy + xz.
285

Alg 02

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Alg 02

Hochgeladen von

Copyright:

Verfügbare Formate

Apuntes de

est a formado por todos los vectores v = [x

. (Esto sera consecuencia del teorema de

= S. Es decir, de manera inmediata obtenemos, W

(a) y es la proyeccion ortogonal de x sobre S,

, usamos que la matriz de la proyeccion

) = 4dim(E) = 43 = 1, con lo que es trivial encontrar una base ortonormal

y muy tedioso hallarla para E.

podemos escribir sus ecuaciones implcitas (a partir de un conjunto generador de E; si se

es a partir de las ecuaciones implcitas de E, y estas son faciles de calcular

que viene dada por

. Como una base de E

) = 2, con lo que es mas facil

). Este ultimo viene generado por f[(1, 0, 1)

, la manera mas facil de calcular P

es 2x +y +z = 0, resolviendo esta ecuaci on, obtenemos una base B

viene dada por {w

. Cuidado, no hay que confundir [f(E)]

calculando el producto vectorial de f(v

, ya podemos proyectar ortogonalmente

) = 4 dim(F) = 4 3 = 1. Con lo que es trivial encontrar una base ortonormal de F

viene dada por

) = 1, con lo que es mas sencillo

) = 5 dim(V ) = 5 4 = 1. Ante esta diferencia

, es obvio que resulta mucho mas facil proyectar ortogonalmente sobre V

, que tiene menor dimensi on (en concreto su dimensi on es 2).

simplemente hemos de utilizar las componentes de los vectores

: Para obtener una base de E

basta tomar los vectores formados por los coe-

2, vamos a considerar la matriz B =

3 1, clasicar la forma cuadratica seg un los valores de

3 1, es obviamente siempre positivo (ya que

(que corresponde a girar un angulo = 45

se obtenga girando el eje X

. El cambio de variables ortogonal que nos piden:

eliminar a el termino mixto x

dejando la parte cuadratica como

) = (0, 0), con ejes x

) = (1, 0) (observemos que corta al eje X

se obtienen rotando un angulo de 45

), el centro de la hiperbola es el origen, sus

5. Y, nalmente, las asntotas son las rectas y

(que corresponde a girar un angulo = 45

se obtenga girando el eje X

dejando la parte cuadratica como

) = (0, 0), con asntotas

2) (observemos que corta al eje Y

sabiendo que pasan por el

se obtienen rotando un angulo de 45

2) est a situado sobre el eje x

con el que obtenemos

, en el segundo hemos desarrollado la traspuesta del

. Notemos que tenemos cuatro opciones para colocar en la primera

tendra la direcci on (y sentido positivo) del vector (1, 2)

tendra la direcci on (y sentido positivo) del vector (2, 1)

estar a en el segundo cuadrante). Si colocamos el tercer vector en la primera columna de P, entonces

tendra la direcci on (y sentido positivo) del vector (1, 2)

estar a en el tercer cuadrante).

tendra la direcci on (y sentido positivo) del vector (2, 1)

estar a en el cuarto cuadrante). Estas

(este eje, obligatoriamente, se obtiene girando el X

noventa grados en sentido positivo o antihorario). As, la segunda

girando los antiguos (X e Y ) un angulo 0 < < /2. Destaquemos que no es