Apuntesalyg
Apuntesalyg
Apuntesalyg
I Lecciones 1
1 Espacios Vectoriales 3
1.1 Definicion de Espacio Vectorial. Primeros ejemplos. . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Subespacios Vectoriales. Combinaciones lineales. . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Independencia lineal. Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Suma e interseccion de subespacios. Suma directa . . . . . . . . . . . . . . . . . . . . . 18
1.4.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5 Problemas de Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
iii
iv INDICE
II Cuestionarios 171
Cuestionario 173
Parte I
Lecciones
1
Leccion 1
Espacios Vectoriales
Definicion 1.1.1
Sea K un cuerpo y V un conjunto no vaco. Se dice que V es un Kespacio vectorial si existen dos
operaciones
+:V V V :KV V
verificando las siguientes propiedades (siendo u, v, w elementos cualesquiera de V y a, b elementos
cualesquiera de K; 1 denota el elemento neutro del producto en K):
(u + v) + w = u + (v + w); u + v = v + u;
a (u + v) = a u + a v; (a + b) u = a u + b u;
a (b u) = (ab) u; 1 u = u.
2~v 2~v
~u +
~
w =3
~v
~u 3~u
Figura 1.1: Operaciones con vectores
Proposicion 1.1.1
Si V es un Kespacio vectorial entonces se verifican las siguientes propiedades (siendo v un elemento
cualquiera de V y a un elemento cualquiera de K):
0 v = 0; a 0 = 0; (a) v = a (v) = (a v);
Si a v = 0 entonces a = 0 o v = 0.
4 LECCION 1. ESPACIOS VECTORIALES
Ejemplo 1.1.1
En las lineas siguientes aparecen ejemplos de espacios vectoriales que seran utilizados con frecuencia.
es un Respacio vectorial.
Si K es un cuerpo cualquiera entonces el conjunto Mn,m (K) de las matrices con n filas y m
columnas y entradas en K es un Kespacio vectorial.
1.1.1 Ejercicios
Ejercicio 1.1.1.1
Escribir cuatro ejemplos de espacios vectoriales, senalando el conjunto de elementos sobre el que se
define la suma (V ), el conjunto de numeros utilizado para definir el producto por escalares (K), la
operacion suma (+) y la operacion producto (K ).
Ejercicio 1.1.1.2
En los distintos casos que se presentan a continuacion, y sabiendo que se trabaja en el R-espacio
vectorial R6 , sustituir los por los valores que permiten obtener las igualdades senaladas.
( , , , , , )
3. 0( , , , , , ) = (0, 0, 0, 0, 0, 0).
4. (x, y, z, t, r, s) + ( , , , , , ) = (x, y, z, t, r, s)
1.2. SUBESPACIOS VECTORIALES. COMBINACIONES LINEALES. 5
Ejercicio 1.1.1.3
En el R-espacio vectorial M23 (R) de las matrices de tamano 2 3 (dos filas y tres columnas) con
coeficientes reales se consideran los siguientes elementos:
1 2 3 1 2 3
A= B=
3 2 1 3 2 1
1 0 0 2 2 3
C= D=
1 1 1 4 3 2
Senalar, justificando la respuesta, cuales de las afirmaciones siguientes son correctas.
3. Si B + C = D, entonces = = 1.
1
Determina el vector v = 3A B + C + 2D, as como un vector w tal que v + 3w = A.
2
Proposicion 1.2.1
Un subconjunto no vaco U de un Kespacio vectorial V es un subespacio vectorial si y solo si para
todo a1 y a2 en K y para todo u1 y u2 en U se tiene:
a1 u1 + a2 u2 U.
Ejemplo 1.2.1
Se muestran a continuacion algunos ejemplos de subconjuntos de un espacio vectorial que son (o no)
subespacios vectoriales.
El conjunto de los polinomios en K[x] de grado menor o igual que 3 es un subespacio vectorial
de K[x] como K-espacio vectorial.
6 LECCION 1. ESPACIOS VECTORIALES
1.5
0.5
0
3 2 1 0 1 2
0.5
1.5
Si es subespacio
No es subespacio
Figura 1.2: No todas los subconjuntos de R2 son subespacios
Definicion 1.2.2
Sea V un Kespacio vectorial y u, u1 , . . . , um vectores de V . Se dice que u es una combinacion lineal
de los vectores u1 , . . . , um si existen a1 , . . . , am en K tal que
u = a1 u1 + a1 u2 + . . . + am um
Es inmediato que si u es combinacion lineal de los vectores u1 , . . . , um , y cada uno de estos es combi-
nacion lineal de los vectores w1 , . . . , wl , entonces u es combinacion lineal de los vectores w1 , . . . , wl .
Definicion 1.2.3
Sea V un Kespacio vectorial y S = {u1 , . . . , um } una familia de vectores de V . Se define hSi como el
subconjunto de V formado por todos aquellos vectores de V que son combinacion lineal de los vectores
u1 , . . . , um .
Observar que:
1.2. SUBESPACIOS VECTORIALES. COMBINACIONES LINEALES. 7
1. Puesto que la combinacion lineal de dos elementos en hSi es tambien una combinacion lineal
de los vectores de hSi, de acuerdo con la proposicion 1.2.1, se tiene que hSi es un subespacio
vectorial de V .
2. Se tiene asimismo que hSi coincide con la interseccion de todos los subespacios de V que contienen
aS
3. hSi es el subespacio vectorial de V mas pequeno de todos aquellos que contienen a S en el sentido
siguiente. Si U es un subespacio de V tal que S U entonces hSi U .
Ejemplo 1.2.2
Se muestran a continuacion dos ejemplos de subespacios generados por un conjunto de vectores.
1. En el R-espacio vectorial R2 , si S1 = {(1, 1)}, hS1 i representa la bisectriz del primer y tercer
cuadrante. Para S2 = {(1, 0)}, hS2 i representa el eje de abscisas; y si S3 = {(1, 1), (1, 0)},
entonces hS3 i = R2 .
hS1 i 1
2 1 0 1 2 3
0
hS2 i
1
3
Figura 1.3: Combinaciones lineales de elementos de R2
entonces hS1 i es el conjunto de matrices escalares (matrices diagonales con todos los elementos
de la diagonal principal iguales) y hS2 i es el conjunto de matrices diagonales.
Todos los espacios vectoriales que vamos a considerar a continuacion van a tener en comun la
propiedad de estar generados por un numero finito de vectores: diremos que S = {u1 , . . . , um } es un
sistema de generadores de un Kespacio vectorial V si V = hSi. A los espacios vectoriales que
verifiquen esta propiedad se les denominara espacios vectoriales de tipo finito.
Salvo que se indique explcitamente lo contrario, en todo lo que sigue, espacio vectorial denotara
espacio vectorial de tipo finito.
La nocion de sistema generador sirve para motivar la introduccion del concepto de vectores lineal-
mente independientes, objeto de la siguiente seccion.
v = v1 v2 v = (v2 + v3 )/2
1 1
0.8 0.8
v3 v3
v2 0.6 0.6
0.4 0.4
v2 /2 v3 /2
0.2 0.2
v1 v1
Pero tambien
1 1 1
v = (0, 1) = 0 (1, 0) + (1, 1) + (1, 1) = (v2 + v3 )
2 2 2
Las graficas de la figura anterior ilustran este hecho.
1.2.1 Ejercicios
Ejercicio 1.2.1.1
Se consideran los siguientes vectores del R-espacio vectorial R4 :
1. Escribir tres combinaciones lineales distintas de los vectores w1 , w2 , w3 (que denotaremos por
u1 , u2 y u3 ).
Ejercicio 1.2.1.2
En el R-espacio vectorial R4 se considera el conjunto
Ejercicio 1.2.1.3
En el R-espacio vectorial R4 define un subespacio U generado por tres vectores, tal que W =
{(1, 1, 1, 1) + (2, 2, 0, 0) : , R} sea un subespacio de U .
Ejercicio 1.2.1.4
En el R-espacio vectorial R4 se consideran los vectores y subespacios siguientes:
3. Escribir dos vectores de S2 que no esten en S1 , dos vectores de S3 que no esten en S2 , y dos
vectores de S4 que no esten en S3 .
Ejercicio 1.2.1.5
Se consideran las siguientes familias de vectores del R-espacio vectorial R4 :
Ejercicio 1.2.1.10
Se considera el R-espacio vectorial R4 . Determina en cada caso los valores de x y de y, si es posible,
para que:
Ejercicio 1.2.1.11
Cuales de los siguientes conjuntos son subespacios del R-espacio vectorial R3 [X]?
2. {X 2 + 1, X}
4. {X : R}
Ejercicio 1.2.1.12
Se considera el R-espacio vectorial R3 y los siguientes subespacios de R3 .
W = {(1, 1, 0) + (1, 2, 3) : , R}
1 u1 + 2 u2 + . . . + m um = 0 = 1 = 0, 2 = 0, . . . , m = 0
En otras palabras, los vectores u1 , . . . , um son linealmente independientes si y solo si la unica forma
de escribir el vector 0 como combinacion lineal de los vectores u1 , . . . , um es aquella en la que todos
los escalares involucrados son iguales a 0.
Ejemplo 1.3.1
12 LECCION 1. ESPACIOS VECTORIALES
Los vectores (1, 1) y (1, 1) de R2 como R-espacio vectorial son linealmente independientes
puesto que:
1 + 2 = 0
1 (1, 1) + 2 (1, 1) = (0, 0) = = 1 = 0, 2 = 0
1 2 = 0
En cambio, y dentro del mismo espacio vectorial, los vectores (1, 1), (1, 1) y (1, 0) no son
linealmente independientes puesto que:
1 1
(0, 0) = 0(1, 1) + 0(1, 1) + 0(1, 0) = (1, 1) + (1, 1) + (1)(1, 0)
2 2
En el R-espacio vectorial R3 [X] de los polinomios de coeficientes reales de grado menor o igual que
3, los vectores 1, X, X 3 son linealmente independientes. Tambien son linealmente independientes
los vectores 1 X y X 2 , y son linealmente dependientes los vectores 1 X, X + X 2 , 2, 3X 2 . Esta
ultima afirmacion queda justificada mediante la siguiente igualdad.
3
3X 2 3(X 2 + X) 3(1 X) 2 = 0
2
Si los vectores u1 , . . . , um no son linealmente independientes diremos que son linealmente de-
pendientes o que {u1 , . . . , um } es una familia ligada.
La siguiente proposicion recoge un conjunto de propiedades de la independencia lineal que seran
muy utiles en todo lo que sigue.
Proposicion 1.3.1
Sea V un Kespacio vectorial y S = {u1 , . . . , um } una familia de vectores en V .
1.3. INDEPENDENCIA LINEAL. BASES. 13
3. Si S es una familia libre entonces, para todo i, S {ui } es una familia libre.
5. S es una familia ligada si y solo si existe un vector ui en S que es combinacion lineal de los
vectores de S {ui }.
El siguiente teorema muestra como, en los espacios vectoriales de tipo finito, las familias libres
tienen a lo sumo tantos elementos como el numero de vectores en cualquier sistema de generadores
del espacio vectorial considerado.
Teorema 1.3.1
Sea V un Kespacio vectorial y S = {u1 , . . . , un } una familia de vectores en V tal que V = hSi. Si
T = {w1 , . . . , wm } es una familia libre de vectores en V entonces m n.
En Kn , como K-espacio vectorial, las familias libres de vectores tienen a lo sumo n elementos.
En Mn,m (K), como K-espacio vectorial, las familias libres de vectores tienen a lo sumo nm
elementos.
En Kn [x], como K-espacio vectorial, las familias libres de vectores tienen a lo sumo n + 1
elementos.
En {A Mn,n (K) : A es simetrica}, como K-espacio vectorial, las familias libres de vectores
tienen a lo sumo n(n + 1)/2 elementos.
Definicion 1.3.2
Sea V un Kespacio vectorial y S = {u1 , . . . , un } una familia de vectores en V . Se dice que S es una
base de V si S es una familia libre y S es un sistema de generadores de V .
Proposicion 1.3.2
Sea V un Kespacio vectorial y S = {u1 , . . . , un } una familia de vectores en V . La familia S es una
base de V si y solo si todo vector de V se escribe, de forma unica, como combinacion lineal de los
vectores de S.
14 LECCION 1. ESPACIOS VECTORIALES
Definicion 1.3.3
Sea V un Kespacio vectorial y B = {u1 , . . . , un } una base de V . Por la proposicion precedente, se
sabe que la forma de escribir un vector cualquiera v V como
v = 1 u1 + 2 u2 + . . . + n un
A la vista de todo lo anterior se debe indicar aqu que, si bien la definicion de base se ha realizado
para un conjunto de vectores, a partir de ahora el orden en el que se escriben los vectores en una base
es importante puesto que ese orden marca quienes han de ser las coordenadas de un vector respecto
de una base. As, si {u1 , u2 } es una base de un espacio vectorial V y las coordenadas de un vector v
son (1 , 2 ) entonces {u2 , u1 } tambien es una base de V y las coordenadas de v respecto de esta base
son (2 , 1 ).
Para cada uno los ejemplos de espacios vectoriales que hemos estado manejando hasta ahora, existe
una base canonica, una base que es especialmente sencilla de describir y respecto de la cual es facil
expresar cualquier vector:
B = {1, x, x2 , . . . , xn1 , xn }
A continuacion se muestran, entre otras propiedades, que todo espacio vectorial de tipo finito tiene,
al menos, una base, que dos bases distintas de un mismo espacio vectorial tienen siempre el mismo
numero de elementos (lo cual conduce al concepto de dimension) y que toda familia libre de vectores
puede extenderse a una base.
Teorema 1.3.2
Sea V un Kespacio vectorial de tipo finito y S = {u1 , . . . , um } un sistema de generadores de V .
Entonces existe un subconjunto T de S tal que T es una base de V .
Corolario 1.3.1
Todo espacio vectorial de tipo finito tiene una base.
1.3. INDEPENDENCIA LINEAL. BASES. 15
Teorema 1.3.3
En un K-espacio vectorial de tipo finito V todas las bases poseen el mismo numero de elementos. Se
define, por ello, la dimension de V , dim(V ), como el numero de elementos en una base cualquiera
de V .
As, como Kespacios vectoriales, se tiene que dim(Kn ) = n, dim(Mn,m (K)) = nm y dim(Kn [x]) =
n + 1.
La siguiente proposicion, de nuevo consecuencia del teorema 1.3.1, muestra como el conocimiento
de la dimension de un espacio vectorial simplifica la caracterizacion de sus bases.
Proposicion 1.3.3
Sea V un K-espacio vectorial de tipo finito y dim(V ) = n.
1. Si V = h{u1 , . . . , um }i entonces n m.
Es una consecuencia obvia que los subespacio de un espacios vectorial de tipo finito tambien son de
tipo finito. Ademas, como consecuencia inmediata del Teorema de la Base Incompleta (teorema 1.3.4)
se tiene que la dimension de un subespacio siempre es menor o igual que la dimension del espacio
vectorial en el que se encuentra. Todo esto se recoge en la siguiente proposicion.
Proposicion 1.3.4
Sea V un K-espacio vectorial y U un subespacio vectorial de V . Entonces U es un Kespacio vectorial
de tipo finito y, ademas, dim(U ) dim(V ). Si dim(U ) = dim(V ), entonces U = V .
1.3.1 Ejercicios
Ejercicio 1.3.1.1
Sean v1 = (0, 1, 1, 0) y v2 = (1, 0, 0, 1) dos vectores de R4 .
3. Dar un vector w que no este en S y probar que {v1 , v2 , , w} es una parte libre de R4 .
4. Sea T el subespacio generado por el conjunto de vectores {v1 , v2 , w} del apartado anterior. Hallar
un vector u no perteneciente a T y probar que R4 = h{v1 , v2 , w, u}i.
Ejercicio 1.3.1.2
Sea G el siguiente conjunto de vectores del R-espacio vectorial R4 :
1. Comprobar que G es ligada, y eliminar de G el menor numero de vectores posible para llegar a
una familia libre L.
4. Anade a L cuantos vectores sean necesarios para llegar a una familia libre F tal que R4 = hF i
Ejercicio 1.3.1.3
Sea C el cuerpo de los numeros complejos y R el de los reales. Se consideran los espacios vectoriales
siguientes:
(C2 , +, C ) (C2 , +, R )
2. En (C2 , +, C ), los vectores (1 + i, 2i) y (1, i + 1) son linealmente independientes? Por que?
3. En (C2 , +, R ), los vectores (1 + i, 2i) y (1, i + 1) son linealmente independientes? Por que?
Ejercicio 1.3.1.4
En R2 se consideran los conjuntos de vectores:
Ejercicio 1.3.1.5
En R2 se considera el siguiente conjunto de vectores:
G = {(x, y) R2 : 3 x 1, y = 1}
1. Es G es subespacio de R2 ?
1.3. INDEPENDENCIA LINEAL. BASES. 17
Ejercicio 1.3.1.6
En R3 se consideran los conjuntos de vectores:
B = {(0, 0, 1), (0, 2, 1), (3, 2, 1)} y B 0 = {(2, 1, 0), (0, 2, 1), (2, 0, 1)}
Ejercicio 1.3.1.7
Sea V el R-espacio vectorial M23 (R) de las matrices de tamano 2 3 con coeficientes reales, y sea
U el siguiente subespacio de V
a11 a12 a13
U ={ : a11 + a12 = 0, a21 + a22 a23 = 0, a13 = 0}.
a21 a22 a23
Ejercicio 1.3.1.8
Sea V = R3 [X] es conjunto de polinomios con coeficientes reales de grado menor o igual que 3. Dar
dos bases B y B 0 diferentes de V y expresar cada vector de B como combinacion lineal de los vectores
de B 0 y recprocamente.
Ejercicio 1.3.1.9
Cuales son las coordenadas del vector v = (1, 2, 3, 4) R4 respecto de la base B = {v1 .v2 , v3 , v4 }
siendo v1 = (4, 3, 2, 1), v2 = (3, 2, 1, 0), v3 = (2, 1, 0, 0), v4 = (1, 0, 0, 0).
Ejercicio 1.3.1.10
Sean V un K-espacio vectorial y L = {v1 , v2 , , v40 } una parte libre de V . Cuales de las afirmaciones
siguientes son verdaderas?
18 LECCION 1. ESPACIOS VECTORIALES
1. dim(V ) 40
3. dim(V )= 40
Ejercicio 1.3.1.11
Sean V un K-espacio vectorial y sea S = {v1 , v2 , , v6 } un sistema generador de V . Cuales de las
afirmaciones siguientes son verdaderas?
1. dim(V ) 6
3. dim(V )> 6
Ejercicio 1.3.1.12
Se considera el R-espacio vectorial V = R4 . Cuales de los siguientes subespacios de V tienen di-
mension 2?
3. T3 = {(x, y, z, t) V : 2x y = 0, z + 2t = 0}
4. T4 = {(x, y, z, t) V : 2x y + z + 2t = 0}
A continuacion se muestra la razon por la que a este nuevo subespacio se le denomina subespacio
suma: todo vector en U1 + U2 es suma de un vector en U1 y de otro vector en U2 .
1.4. SUMA E INTERSECCION DE SUBESPACIOS. SUMA DIRECTA 19
2 U1 = hu1 i
u1
U2 = hu2 i 1
u1 + u2
0
2 1 0 1 2 3
1
u1
2
3
Figura 1.5: Combinacion lineal de vectores de U1 U2 que no esta en U1 U2
Proposicion 1.4.1
Sea V un K-espacio vectorial y U1 y U2 subespacios vectoriales de V . Entonces:
U1 + U2 = {v1 + v2 : v1 U1 , v2 U2 }
U1 + U2 + . . . + Us = hU1 U2 . . . Us i
U1 + U2 + . . . + Us = {v1 + v2 + . . . + vs : v1 U1 , v2 U2 . . . , vs Us }
B1 B2 base de U1 + U2 U1 U2 = {0}
Definicion 1.4.1
Sea V un K-espacio vectorial y U1 y U2 subespacios vectoriales de V . Se dice que la suma de U1 y U2 ,
U1 + U2 , es directa si U1 U2 = {0}. En tal caso escribiremos U1 + U2 = U1 U2
20 LECCION 1. ESPACIOS VECTORIALES
Ya hemos mostrado que la suma de dos subespacios es directa si y solo si la union de las bases de
los subespacios es una base del subespacio. La siguiente proposicion muestra como refinar el resultado
de la proposicion 1.4.1 que describa de forma precisa los elementos del subespacio U1 + U2 .
Proposicion 1.4.2
Sea V un K-espacio vectorial y U1 y U2 subespacios vectoriales de V . Las siguientes afirmaciones son
equivalentes:
1. La suma de U1 y U2 es directa.
Se finaliza el captulo generalizando todo lo anterior al caso de la suma de mas de dos sube-
spacios. Para ello se nota en primer lugar que si se quieren mantener las propiedades 2 y 3 de la
proposicion anterior no se puede definir la suma directa de s subespacios mediante condiciones sobre
sus intersecciones. Si en R3 , como Respacio vectorial, se consideran los subespacios
se tiene
U1 U2 U3 = U1 U2 = U2 U3 = U1 U3 = {0}
pero ni la union de sus bases no es una base de U1 + U2 + U3 , ni todo vector de U1 + U2 + U3 se escribe
de forma unica como suma de un vector en U1 , de un vector en U2 y de un vector en U3 :
Definicion 1.4.2
Sea V un K-espacio vectorial y U1 , . . . , Us subespacios vectoriales de V . Se dice que la suma de
U1 , . . . , Us es directa, y escribiremos U1 . . . Us , si todo vector de U1 + . . . + Us se escribe, de forma
unica, como suma de un vector en U1 , de un vector en U2 , . . . , y de un vector en Us .
Proposicion 1.4.3
Sea V un K-espacio vectorial y U1 , . . . , Us subespacios vectoriales de V . Las siguientes afirmaciones
son equivalentes:
1. La suma de U1 , . . . , Us es directa.
Ejemplo 1.4.1
1.4. SUMA E INTERSECCION DE SUBESPACIOS. SUMA DIRECTA 21
1.4.1 Ejercicios
Ejercicio 1.4.1.1
Se consideran los vectores de R3 siguientes v1 = (2, 4, 6), v2 = (1, 2, 1), v3 = (8, 8, 16) y
v4 = (6, 4, 10).
2. Se puede obtener una base de R3 eliminando alguno de los vectores vi ? Es el vector (1, 0, 0)
combinacion lineal de la familia (v1 , v2 , v3 , v4 )?
Ejercicio 1.4.1.2
Sean U y W los subespacios de R4 siguientes:
U = {(x, y, z, t) R4 : x + 2y + 3z = 0, 3y + 2z + t = 0}
Ejercicio 1.4.1.3
Se considera el R-espacio vectorial V = R3 y los siguientes subespacios
1. U W = {~0}
2. W U
3. U + W = R3
4. U = W
Ejercicio 1.4.1.4
En el R-espacio vectorial R5
Ejercicio 1.4.1.5
Sea U el siguiente subespacio de R5 :
U = {(x, y, z, t, u) R5 : x + y + z = 0, t + u = 0}.
U Wi = R5 ?
1. W1 = {(x, y, z, t, u) R5 : x + y + z + t + u = 0}.
3. W3 = {(x, y, z, t, u) R5 : x + 2y = 0, z = u = 0}.
Ejercicio 1.4.1.6
Sea U el siguiente subespacio del R-espacio vectorial R4 :
U = {(x, y, z, t) R4 : x + 2y = 0, 3z t = 0}.
Ejercicio 1.4.1.7
En el R-espacio vectorial V = R5 se consideran los siguientes subespacios
W = {(x, y, z, t, u) V : x + 2y 3u = 0, 2y t u = 0, x + y z t = 0}
1. Determinar bases de U W y U + W .
BV = {(1, 1, 1, 1, 1), (0, 0, 1, 0, 0), (0, 0, 0, 1, 1), (3, 0, 4, 1, 1), (0, 0, 0, 0, 1)}
Ejercicio 1.4.1.8
Sea U y W los siguientes subespacios del espacio vectorial real R454 :
1. Halla bases de U , W y T .
2. Comprueba que dim U + dim W = 454 = dim R454 . Es cierto que R454 = U W ?
3. Comprueba que dim U + dim T = 454 = dim R454 . Puede decirse que R454 = U T ? Quien
es U T ?
Ejercicio 1.4.1.9
Se considera el R-espacio vectorial V = R4 , y sea U el siguiente subespacio de V :
U = {(x, y, z, t) R4 : 2x + y 3z = 0}
2. U tiene dimension 3.
3. W = {(x, y, z, t) R4 : x + y z = 0, x 2z = 0} es un subespacio de U .
a) R = {(x, y, z) Q3 : 3x 8y = 0}.
b) S = {(x, y, z) Q3 : 3x 8y = 4}.
c) T = {(x, y, z) Q3 : x Z+ o x Q }.
Problema 1.5.2
Sea V un K-espacio vectorial no nulo, donde K = Q, R o C.
b) Sea {u, v} una familia libre de vectores de V y a, b K con b 6= 0. Prueba que la familia
{bu, au + v} es tambien libre.
c) Sean u, v, w vectores de V linealmente independientes Prueba que tambien u+v, uv, u2v +w
son linealmente independientes.
Problema 1.5.3
Prueba que la familia {1 + X, X + X 2 , 1 + X 2 } es un sistema generador libre de
Problema 1.5.4
Decir, razonadamente, si es verdadera o falsa cada una de las afirmaciones siguientes.
26 LECCION 1. ESPACIOS VECTORIALES
Entonces para todo a R se verifica que la dimension del subespacio generado por S es mayor
que 1.
Problema 1.5.5
Di razonadamente si es verdadera o falsa cada una de las afirmaciones siguientes:
En un espacio vectorial
c) Si un vector es combinacion lineal de una familia libre, los coeficientes son unicos.
Problema 1.5.6
Demuestra que en el R - espacio vectorial R3 ninguno de los vectores v1 = (1, 1, 1), v2 (0, 0, 1)
depende linealmente de S = {w = (1, 1, 0)}. Es w combinacion lineal de los vectores v1 y v2 ?
Di si es verdadera o falsa la afirmacion siguiente:
Problema 1.5.7
Sean u y v dos vectores distintos de un K - espacio vectorial V . Analiza si algunos de los vectores
(2 + )u + (3 )v con K pueden ser iguales. Es S = {(2 + )u + (3 )v : K} un subespacio
vectorial de V ?
Problema 1.5.8
En el R - espacio vectorial R4 [X] se consideran los conjuntos de vectores siguientes: S = {2 X, 1 +
X 2 , X + X 3 } y T = {1, X 2 }.
Problema 1.5.9
Considera los siguientes subconjuntos de R4
Problema 1.5.10
Sea V el Respacio vectorial de los polinomios con coeficientes reales de grado menor o igual que 3.
En V se consideran los siguientes subconjuntos:
donde p0 (X) y p00 (X) representan, respectivamente, la derivada primera y la derivada segunda del
polinomio p(X).
a) Demuestra que W y T son subespacios vectoriales de V .
Problema 1.5.11
Se considera el Respacio vectorial V = R5 .
a) Da un subespacio vectorial U de V de dimension 2.
Problema 1.5.12
En R3 se considera la base canonica {e1 , e2 , e3 }, y los subespacios W = h{e1 , e2 }i, W 0 = h{e3 }i y
W 00 = h{e2 + e3 }i.
b) Es R3 = W W 0 W 00 ?
Problema 1.5.13
En el R-espacio vectorial R4 se consideran dos subespacios U y W tales que dim U = r 1 y
dim W = s 1. Determinar todos los posibles valores de r y de s para que la suma U + W pueda ser
directa.
Problema 1.5.14
Considera los subespacios de R3 siguientes.
Determina bases de S, T , S T y S + T . Es R3 = S T ?
Problema 1.5.15
18 Sea V un espacio vectorial n-dimensional y W y W 0 dos subespacios de V .
Problema 1.5.16
Sea Mn (R) el Respacio vectorial de matrices n n con coeficientes reales.
a) Demuestra que el conjunto W formado por todas las matrices (aij ) tales que aij = 0 para i > j
es un subespacio de Mn (R).
1.5. PROBLEMAS DE ESPACIOS VECTORIALES 29
Problema 1.5.17
En el R-espacio vectorial Rn [X] (conjunto de polinomios de coeficientes reales de grado menor o igual
a n) se considera el subconjunto
Problema 1.5.18
En R4 se consideran los siguientes subespacios
U = {(x, y, z, t) R4 : x 2y + z = 0, z + 3t = 0}
W = {(2a, a + 4b, 0, c + b) R4 : a, b, c R}
Determina bases y dimension de los mismos. Es R4 = U + W ?
Problema 1.5.19
Sea V un Kespacio vectorial. Di si es verdadera o falsa cada de las afirmaciones siguientes.
a) Si V = U W T , v 6 U W , entonces v T .
Problema 1.5.20
Sean los subespacios de R3 y R4 , respectivamente, dados por las condiciones:
x + y = 0 x y + z + t = 0
(A) y + z = 0 (B) x y + 4z = 0
2x + 3y + z = 0 5x + 6y z + t = 0
Problema 1.5.21
Se consideran los vectores de R3 siguientes v1 = (2, 4, 6), v2 = (1, 2, 1), v3 = (8, 8, 16) y
v4 = (6, 4, 10).
30 LECCION 1. ESPACIOS VECTORIALES
b) Se puede obtener una base de R3 eliminando alguno de los vectores vi ? Es el vector (1, 0, 0)
combinacion lineal de la familia (v1 , v2 , v3 , v4 )?
Problema 1.5.22
Una matriz 3 3 con coeficientes reales
a1 a2 a3
b1 b2 b3
c1 c2 c3
se dice que es un cuadrado magico si la suma de todos los terminos de cada una de las filas y de cada
una de las columnas es un mismo numero s.
1. Reescribe las condiciones para un cuadrado magico como un sistema de ocho ecuaciones en
funcion de s, ai , bi , ci con 1 i 3, y aplica el algoritmo de Gauss a dicho sistema.
3. Reemplaza las estrellas por numeros para convertir la siguiente matriz en un cuadrado magico.
? 1 ?
? ? ?
2 ? 4
4. Demuestra que los cuadrados magicos forman un subespacio del Respacio vectorial de las matri-
ces reales 3 3. Prueba que una base de dicho subespacio esta dada por las matrices siguientes.
1 1 1 1 1 0 0 1 1
1 1 1 1 0 1 1 0 1
1 1 1 0 1 1 1 1 0
En la leccion anterior se han introducido los terminos y propiedades relativas al concepto de espacio
vectorial. En esta se estudian las aplicaciones ligadas a ellos: las aplicaciones lineales, tambien llamadas
homomorfismos de espacios vectoriales. El significado del termino homomorfismo proporciona una
primera idea de lo que se pretende con este estudio: que se puede decir de aquellas aplicaciones en
las que la suma de dos vectores se transforma en la suma de sus transformados, y el doble, la mitad,
. . . de un vector se transforma en el doble, la mitad, . . . de su transformado?; que fenomenos, en
principio al menos, se manifiestan de forma lineal?, reconoce alguno de ellos el lector?
31
32 LECCION 2. APLICACIONES LINEALES Y MATRICES
f (x, y, z) = (2x, 3x z, 2y + z, x + y + z)
La aplicacion f : R3 [X] R3 [X] que a cada polinomio le asocia su derivada es una aplicacion
lineal.
La aplicacion f : R3 [X] R6 [X] que a cada polinomio le asocia su cuadrado no es una aplicacion
lineal. Para justificar esta afirmacion basta comprobar que f (X+1) 6= f (X)+f (1): X 2 +2X+1 6=
x2 + 1
Proposicion 2.1.1
Sea f : V W una aplicacion lineal. Se tiene entonces:
2.1. DEFINICION DE APLICACION LINEAL. EJEMPLOS 33
w
U
v
z
y
pU,W (v)
x
Figura 2.1: Proyeccion del vector v sobre U en la direccion de W
Demostracion.
La prueba del resto de las propiedades se deja como ejercicio para el lector.
2.1.1 Ejercicios
Ejercicio 2.1.1.1
Define tres aplicaciones f, g, h de R3 en R2 tales que f y g sean lineales y h no lo sea.
Ejercicio 2.1.1.2
Se considera la base de R3 siguiente
y sea f : R3 R2 la aplicacion que a cada vector v de R3 le asigna el vector w = f (v) = (a, b) donde
a y b son la primera y la segunda coordenada de v respecto de la base B
Ejercicio 2.1.1.3
Sea f : R3 R2 una aplicacion. Senalar que condiciones de las siguientes (consideradas una a una,
por separado) bastaran para afirmar que f no es lineal.
1. f (0, 0, 0) = (1, 0)
2. f (1, 2, 1) = (1, 2), f (1, 0, 1) = (0, 0), f (2, 2, 2) = (2, 2)
3. f ((x, y, z) + (x0 , y 0 , z 0 )) = f (x, y, z) + f (x0 , y 0 , z 0 )
4. f (4, 2, 0) = (1, 1) = f (2, 1, 0).
Proposicion 2.2.1
Sea f : V W una aplicacion lineal. Los conjuntos
1. Nucleo de f :
ker(f ) = {v V : f (v) = 0}
2. Imagen de f :
im(f ) = {f (v) : v V }
La demostracion de cada uno de los apartados de la proposicion anterior no entrana ninguna dificultad
por lo que se deja como ejercicio para el lector.
Los siguientes ejemplos ilustran los conceptos anteriores. Solo en el primero de ellos se justifica la
afirmacion realizada, se pide al lector que trate de justificar el resto.
Ejemplo 2.2.1
Definicion 2.2.1
Sea f : V W una aplicacion lineal. La dimension de im(f ) se denomina rango de la aplicacion
lineal f .
Cual es el rango de cada una de las aplicaciones lineales en los ejemplos anteriores?
La siguiente proposicion afirma que para calcular la imagen y el rango de una aplicacion lineal
f : V W es suficiente determinar las imagenes de los vectores de un sistema generador de V .
Proposicion 2.2.2
Sea f : V W una aplicacion lineal. Si {v1 , v2 , . . . , vr } es un sistema generador de V entonces el
conjunto S = {f (v1 ), f (v2 ), . . . , f (vr )} es un sistema generador de im(f ).
La demostracion de lo anterior se apoya en el hecho de que cualquier vector f (v) de im(f ) se puede
expresar, por ser f lineal, como combinacion lineal de los vectores de S
Utilizando los ejemplos anteriores se puede comprobar que se verifica que la suma de las dimensiones
de los espacio nucleo e imagen coincide con la dimension del espacio inicial. Este hecho no es una
mera coincidencia, corresponde a un resultado que se conoce como Formula de las dimensiones y que
se recoge en el siguiente enunciado.
Teorema 2.2.1
Sea f : V W una aplicacion lineal. Entonces
= 1 v1 + 2 v2 + . . . + r vr ker(f ) = {0} =
= 1 v1 + 2 v2 + . . . + r vr = 0 = 1 = . . . = r = 0
36 LECCION 2. APLICACIONES LINEALES Y MATRICES
2.2.1 Ejercicios
Ejercicio 2.2.1.1
Determina el nucleo y la imagen de la aplicacion del ejercicio 2.1.1.2
Ejercicio 2.2.1.2
Sea f : R3 R2 una aplicacion lineal tal que (1, 1, 1) y (1, 0, 1) son vectores que estan en ker(f ).
Justificar cada una de las afirmaciones siguientes.
3. Si w = (1, 1, 3)+(1, 1, 1)+(1, 0, 1), entonces f (w) = f (1, 1, 3), cualesquiera que sean , R.
Ejercicio 2.2.1.3
Sea f : R3 R2 una aplicacion lineal tal que im(f ) = h{(1, 1)}i y ker(f ) = h{(1, 1, 1), (1, 0, 1)}i.
Probar cada una de las condiciones siguientes.
2. Si v1 , v2 son vectores de R3 que no pertenecen a ker(f ), entonces existen numeros reales a, b tales
que av1 + bv2 ker(f ).
Ejercicio 2.2.1.4
Sea f : R3 R2 la aplicacion lineal definida por
f (x, y, z) = (x + y, x z).
1. Sea v R3 . Es f (v) combinacion lineal de f (e1 ), f (e2 ), f (e3 )? El conjunto {f (e1 ), f (e2 ), f (e3 )}
es un sistema generador de im(f )?
2. Comprobar que {f (e1 ), f (e2 )} es una base de im(f ) y determinar una base de ker(f ),
Ejercicio 2.2.1.5
Realiza cada uno de los siguientes ejercicios.
2. Expresa el vector v = (2, 1, 0) R3 como combinacion lineal de (1, 2, 1), (1, 0, 1), y (1, 1, 0).
Determina vectores u U y w W tales que v = u + w.
3. Expresa el vector v = (x, y, z) R3 como combinacion lineal de (1, 2, 1), (1, 0, 1), y (1, 1, 0).
Determina vectores u U y w W tales que v = u + w.
es lineal.
7. Completa: La aplicacion
pU,W f : .... ....
esta definida por (pU,W f )(..............) = (..............)
Ejercicio 2.2.1.6
Sean f1 , f2 , f3 y f4 los endomorfismos de R4 definidos por
f1 (x, y, z, t) = (z + t, 0, y, y)
f2 (x, y, z, t) = (x y + t, x y + t, x y + t, 0)
f4 (x, y, z, t) = (z + t, z + t, x + y, x + y)
1. Determina los subespacios nucleo e imagen para cada una de las aplicaciones anteriores.
2. Usa algunos de los smbolos , , , , , 6= y = para completar las expresiones siguientes, con
el objetivo de establecer la relacion que existe entre el subespacio nucleo y el subespacio imagen
de cada uno de los endomorfismos anteriores.
3. Define un endomorfismo f5 de R4 tal que dim(ker(f5 ))=1, dim(im(f5 ))=3 y ker(f5 ) im(f ) =
{~0}.
38 LECCION 2. APLICACIONES LINEALES Y MATRICES
Ejercicio 2.2.1.7
Decir, razonadamente, si es verdadera o falsa cada una de las afirmaciones siguientes.
1. Si f es endomorfismo de V tal que ker(f ) = im(f ), entonces dim(V ) es numero par.
3. Si existe una aplicacion lineal f de R4 en Rn [X] tal que ker(f ) = {~0}, entonces n 3.
Ejercicio 2.2.1.8
Sea f un endomorfismo del R-espacio vectorial R3 del que se sabe
Im (f ) Ker(f )
f (1, 1, 2) = (1, 1, 0)
f (1, 3, 0) = f (2, 0, 2)
2. Demostrar que B = {v1 = (1, 1, 0), v2 = (3, 3, 2), v3 = (1, 1, 2)} es una base de R3 . Hay
alguna peculiaridad en los vectores que forman la base anterior?
Definicion 2.3.1
Sea f : V W una aplicacion lineal.
1. Se dice que f es inyectiva si ker(f ) = {0}.
De acuerdo con la Formula de las Dimensiones y las pautas dadas para su demostracion, se pueden
establecer las siguientes equivalencias.
f es inyectiva dim V = dim im(f ) = rango(f )
f transforma una base de V en una base de im(f )
La serie anterior de equivalencias permite abordar el estudio de la inyectividad o no inyectividad de
una aplicacion lineal por distintas vas como se muestra en los siguientes ejemplos.
Ejemplo 2.3.1
2.3. TIPOS DE APLICACIONES LINEALES. ISOMORFISMOS. 39
Tambien se puede mostrar que la aplicacion anterior es inyectiva resolviendo el sistema lineal
homogeneo
x + y = 0, y=0
y z = 0, x + z = 0
Sea f : R2 [X] R2 [X] la aplicacion lineal definida por f (p(X)) = p(0) + p(1)X + p(2)X 2 .
As pues, ker(f ) esta formado por aquellos polinomios de grado menor o igual a 2 que tienen por
races a los numeros 0, 1 y 2. El unico polinomio de R2 [X] con tres races es el polinomio nulo.
Por tanto ker(f ) = {0} y f es inyectiva. La formula de las dimensiones nos permite deducir que
f es sobreyectiva, y por tanto un isomorfismo.
Sea M el Respacio vectorial de las matrices reales n n con todos los elementos de la diagonal
principal nulos. Se considera la aplicacion lineal f : M R2 con f (M ) = (a, b) donde a es
la suma de los elementos de M que estan por debajo de la diagonal principal y b la suma de
los elementos de M que estan por encima de la diagonal principal. Esta aplicacion lineal es
sobreyectiva, y es inyectiva si y solo si n = 2.
En uno de los ejemplos anteriores se establece una aplicacion inyectiva entre espacios vectoriales
de igual dimension, y esto ha permitido concluir que dicha aplicacion es tambien sobreyectiva. Este
hecho es general y se recoge en una de las afirmaciones de la siguiente proposicion.
Proposicion 2.3.1
Sean V y W dos Kespacios vectoriales.
5. Sea B = {v1 , v2 , . . . , vn } una base del Kespacio vectorial V . Cada vector v V se expresa de
forma unica en funcion de B: v = a1 v1 + a2 v2 + . . . + an vn , y el elemento (a1 , a2 , . . . , an ) de
Kn recibe el nombre de coordenadas de v respecto B. Si f : V Kn es la aplicacion que a
cada vector de V le asigna sus coordenadas respecto B entonces f es un isomorfismo, llamado
isomorfismo coordenado respecto de B.
40 LECCION 2. APLICACIONES LINEALES Y MATRICES
Ejemplo 2.3.2
En los tres ejemplos que siguen se muestran algunos de los aspectos senalados en la proposicion
anterior.
En el Respacio vectorial R2 [X] el polinomio 3 + 2X tiene coordenadas (3, 2, 0) respecto de la
base canonica BC = {1, X, X 2 }, tiene coordenadas (2, 0, 3) respecto de la base B = {X, X 2 , 1},
y (6, 4, 4) son las coordenadas del polinomio respecto de la base B 0 = { 21 + X, X + X 2 , X 2 }
Ninguna aplicacion lineal de Rn en Rn [X] es biyectiva puesto que las dimensiones de tales
espacios son n y n + 1 respectivamente.
a 0
Sea M el Respacio vectorial de las matrices de la forma con a, b, c R. Los Respacios
b c
vectoriales R2 [X] y M son isomorfos pues ambos son de dimension 3. La aplicacion lineal
f: R2 [X] M
a 0
a + bX + cX 2 7
b c
2.3.1 Ejercicios
Ejercicio 2.3.1.1
Sea M22 (R) el R-espacio vectorial de las matrices cuadradas de tamano 2 2 con coeficientes reales,
y R2 [X] el R-espacio vectorial de los polinomios de grado menor o igual a 2.
1. Decir las dimensiones de ambos espacios vectoriales. Son dichos espacios isomorfos?
4. Sera posible definir una aplicacion g : R2 [X] M22 (R) que fuera sobreyectiva?
Ejercicio 2.3.1.2
Definir, si es posible, una aplicacion lineal de R3 en R2 [X] que sea isomorfismo.
Ejercicio 2.3.1.3
Sea f : V W una aplicacion lineal.
1. Demostrar que si f es inyectiva, las imagenes de cualesquiera dos elementos distintos de V son
distintas.
2.4. MATRIZ ASOCIADA A UNA APLICACION LINEAL 41
2. Demostrar que si las imagenes de cualesquiera dos elementos distintos de V son distintas, en-
tonces f es inyectiva.
Ejercicio 2.3.1.4
Sean f : V W y g : W U dos aplicaciones lineales.
Ejercicio 2.3.1.5
Sean f : R4 R3 y g : R3 R4 aplicaciones lineales y se sabe que
(g f )(1, 1, 2, 2) = (g f )(1, 0, 1, 1)
dim(ker(g f ))=1
Proposicion 2.4.1
Sean V y W dos Kespacios vectoriales, B = {v1 , v2 , . . . , vn } una base de V y {w1 , w2 , . . . , wn } una fa-
milia cualquiera de vectores de W (donde eventualmente algunos vectores pueden coincidir). Entonces
existe una y solo una aplicacion lineal f : V W tal que
Ejemplo 2.4.1
Cual es la imagen de un vector cualquiera de R3 [X] por la aplicacion lineal f : R3 [X] R2 tal que
f (1) = (0, 0), f (X) = (1, 0), f (X 2 ) = (2, 2) y f (X 3 ) = (3, 6)?
Si g : R3 [X] R2 es la aplicacion lineal definida por g(p(X)) = (p0 (1), p00 (1)), podemos afirmar que
f y g son iguales?
Tras llevar esto a la igualdad anterior, agrupar terminos en los que aparece el mismo vector wj
y utilizar la unicidad de expresion de un vector en funcion de una base, se llega a las siguientes
ecuaciones:
y1 = a11 x1 + a12 x2 + . . . + a1n xn
y2 = a21 x1 + a22 x2 + . . . + a2n xn
.. ..
. .
ym = am1 x1 + am2 x2 + . . . + amn xn
conocidas como ecuaciones de f respecto de las bases BV y BW .
Ejemplo 2.4.2
2.4. MATRIZ ASOCIADA A UNA APLICACION LINEAL 43
entonces
1 1 1 1
MB,BC (f ) = 1
1 1 1
1 1 1 1
1 1 1 1
e1 = (v1 + v4 ), e2 = (v3 v4 ), e3 = (v2 v3 ), e4 = (v1 v2 )
2 2 2 2
Sea g : R3 [X] R2 la aplicacion definida por g(p(X)) = (p0 (1), p00 (1)). Es inmediato que g es
lineal; la matriz asociada a g respecto de las bases canonicas de ambos espacios es
0 1 2 3
0 0 2 6
a 0
Sea M el R-espacio vectorial de las matrices de la forma con a, b, c R y f : R2 [X]
b c
a 0
M la aplicacion lineal definida por f (a + bX + cX 2 ) = . Cual es la matriz asociada a
b c
esta aplicacion cuando en ambos subespacios se considera la base canonica?
Todo este proceso nos permite, una vez fijadas bases de los espacios inicial y final, asociar a cada
aplicacion lineal una matriz, que por otra parte, como muestra la siguiente proposicion, la determina
puesto que el proceso es reversible.
Proposicion 2.4.2
Dados Kespacios vectoriales V y W en los que se consideran bases BV = {v1 , v2 , . . . , vn } y BW =
{w1 , w2 , . . . , wm } respectivamente, y una matriz M = (aij ) de tamano m n, existe una aplicacion
lineal (y solo una) f : V W tal que MBV ,BW (f ) = M .
44 LECCION 2. APLICACIONES LINEALES Y MATRICES
Para definir la aplicacion lineal cuya existencia asegura la proposicion anterior solo hay que con-
siderar como aplicacion f la definida por:
m
X
f (vi ) = a1i w1 + a2i w2 + . . . + ami wm = aji wj
j=1
De este hecho resulta que habitualmente se identifique aplicacion lineal y matriz, y que enunciados
como el siguiente sean habituales.
3 2 1
Cuales son las imagenes de los vectores (0, 1, 0) y (1, 2, 3) por esta aplicacion?
Sea f : R3 R3 [X] la aplicacion lineal que respecto de las bases canonicas esta definida
por la matriz
0 0 0
1 0 0
A= 2 1 0
3 2 1
Quien es f (0, 1, 0)? Y f (1, 2, 3)?
El proceso realizado hasta aqu nos permite identificar el conjunto de las aplicaciones lineales entre
dos espacios vectoriales con el espacio vectorial de las matrices (con las dimensiones apropiadas) como
muestra el siguiente teorema.
Teorema 2.4.1
Sean V y W Kespacios vectoriales y BV y BW bases de V y W respectivamente. Denotemos por L
el conjunto de las aplicaciones lineales de V en W , y por M el Kespacio vectorial de las matrices
m n con coeficientes en K, donde m = dim W y n = dim V . Se tiene entonces que:
Al comienzo de este captulo se ha definido rango de una aplicacion lineal, y ahora se ha visto la
identificacion de aplicacion lineal y matriz, por tanto la pregunta siguiente es obvia: que relacion
existe entre el rango de una aplicacion lineal y el rango de cualquiera de sus matrices asociadas?
Si V y W son K-espacios vectoriales, BV = {v1 , . . . , vn } y BW = {w1 , . . . , wm } bases de V y W
respectivamente, y f : V W una aplicacion lineal tal que A = MBV ,BW (f ), se tiene que el vector
2.4. MATRIZ ASOCIADA A UNA APLICACION LINEAL 45
Proposicion 2.4.3
En la matriz A el rango por filas y el rango por columnas es el mismo, lo que permite definir rango
de una matriz como cualquiera de ellos.
Demostracion.
La demostracion de la afirmacion anterior pasa por probar que r r0 y r0 r, donde r es el rango
por filas de A y r0 su rango por columnas. Es suficiente ver que r0 r pues a la otra desigualdad se
llega de forma analoga (o bien considerando la matriz traspuesta de A).
No se pierde generalidad si se supone que son las r primeras filas de A las linealmente independi-
entes, y las restantes por tanto combinacion lineal de ellas:
r
X
(ai1 , ai2 , . . . , ain ) = ik (ak1 , ak2 , . . . , akn )
k=1
de donde se deduce que cada vector columna de A depende linealmente de los r vectores que aparecen
en la combinacion lineal anterior. Por tanto el numero de vectores columna linealmente independientes
no puede ser mayor que el numero de los vectores que los generan, es decir, r0 r.
La proposicion que se acaba de probar permite realizar el calculo del rango de una aplicacion lineal
por las filas o por las columnas, indistintamente, de la matriz asociada.
46 LECCION 2. APLICACIONES LINEALES Y MATRICES
2.4.1 Ejercicios
Ejercicio 2.4.1.1
Sea f : R3 R2 la aplicacion lineal tal que
f (e1 ) = 3e01 e02 , f (e2 ) = e01 e02 , f (e3 ) = 3e01 + 2e02
donde Bc = {e1 , e2 , e3 } y B 0 c = {e01 , e02 } son las bases canonicas de R3 y R2 respectivamente.
1. Completar: f (x, y, z) = ( , ).
2. Comprobar que el resultado obtenido en el apartado anterior coincide (escrito en columna) con
el obtenido al realizar la siguiente multiplicacion matricial.
x
3 1 3
y .
1 1 2
z
Ejercicio 2.4.1.2
Sea f : R3 R4 la aplicacion lineal tal que
f (e1 ) = e01 e02 + e03 , f (e2 ) = e01 e02 + e03 + e04 , f (e3 ) = 2e01 e04
donde Bc = {e1 , e2 , e3 } y B 0 c = {e01 , e02 , e03 , e04 } son las bases canonicas de R3 y R4 respectivamente.
1. Sea v = (x, y, z) un vector de R3 , y sea f (v) = (x0 , y 0 , z 0 , t0 ). Determina la matriz M tal que
(x0 , y 0 , z 0 , t0 )t = M (x, y, z)t (el superndice t denota traspuesta de).
2. Siendo M la matriz determinada en el apartado anterior, expresar la igualdad M (x, y, z)t =
(1, 2, 3, 4)t como un sistema de cuatro ecuaciones con tres incognitas. Tiene solucion el sistema
anterior? Por que?
3. A las preguntas del segundo apartado una persona responde No, porque el vector (1, 2, 3, 4)
/
im(f ). Coincide con tu respuesta? Es correcta su respuesta?
Ejercicio 2.4.1.3
Sean f y g dos aplicaciones lineales de R3 a R4 definidas por:
f (x, y, z) = (2x y, 3x + z, x + y + z, x 2y + z)
g(x, y, z) = (x y z, 3x y + z, x + 2y + 3z, 2x 2y + z)
1. Hallar las matrices M (f ) y M (g) asociadas a las aplicaciones f y g respectivamente cuando en
el espacio inicial y en el espacio final se consideran las bases canonicas.
2. En general, si f1 y f2 son aplicaciones lineales del K-espacio vectorial V en el K-espacio vectorial
W , y v es un vector cualquiera de V , se define la aplicacion
f1 + f2 : V W
v (f1 + f2 )(v) = f1 (v) + f2 (v).
Ejercicio 2.4.1.4
Se consideran los siguientes endomorfismos de V = R2 .
g(v)
v
2
h(v)
1
2 1 0 1 2
0
f (v) 4
1. Determina la matriz asociada a cada una de las aplicaciones anteriores respecto de las bases
canonicas en el espacio inicial y en el espacio final.
Ejercicio 2.4.1.5
Sea f : R4 R3 la aplicacion lineal definida por su matriz asociada respecto de las bases canonicas
en el espacio inicial y final.
1 1 1 3
MBc ,B0 (f ) = 1 1 2 4
c
1 1 1 5
Cuales de las siguientes afirmaciones son verdaderas?
48 LECCION 2. APLICACIONES LINEALES Y MATRICES
1. f (e1 + e4 ) = ( + 3, + 4, + 5)
2. El rango de la aplicacion lineal es 4.
3. f es inyectiva.
4. La dimension del nucleo de f es 1.
Ejercicio 2.4.1.6
Sea f : R12 R4 la aplicacion lineal definida por su matriz asociada respecto de las bases canonicas
en el espacio inicial y final.
1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0
MBc ,B0 (f ) =
0 0 1 0 0
c 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
Cuales de las siguientes afirmaciones son verdaderas?
1. f es sobreyectiva.
2. La dimension del nucleo de f es 4.
3. ker(f ) = h{e1 e5 , e1 e9 , e2 e6 , e2 e10 , e3 e7 , e3 e11 , e4 e8 , e4 e12 }i
4. (1, 1, 1, 1) 6 im(f ).
Si en R3 consideramos la base
B = {(1, 2, 1), (2, 1, 0), (1, 0, 0)}
y en R4 la base
B 0 = {(1, 1, 0, 0), (1, 1, 0, 0), (0, 0, 0, 1), (0, 0, 1, 0)},
la matriz asociada a f respecto dichas bases es
9 1
2
2 1
21
21
0
0
A = 2
2 2 1
5 4 1
El estudio de la relacion que existe entre estas dos matrices que representan la misma aplicacion lineal
pero respecto de distintas bases es el objeto del resto de esta seccion. La clave se encontrara en la
relacion que existe entre las coordenadas de un mismo vector respecto de distintas bases.
La matriz P recibe el nombre de matriz del cambio de base de B 0 a B (sus columnas son las
coordenadas de los vectores de B 0 expresados en funcion de B). Ademas se tiene que la matriz P es
inversible:
Sea P = MB,B0 (IV ) e In la matriz identidad de orden n. Es claro que In = MB,B (IV ) =
MB0 ,B0 (IV ), pero tambien se tiene MB,B (IV ) = P P y MB0 ,B0 (IV ) = P P (la composicion
de aplicaciones tiene como matriz asociada la matriz producto e IV IV = IV ). Por tanto
In = P P = P P y P = P 1 .
Se ha visto entonces que todo cambio de base tiene asociada una matriz regular. El proceso
es recproco: si P = (pij ) es una matriz regular n n y V es un Kespacio vectorial donde B =
{v1 , v2 , . . . , vn } es una de sus bases, existe una base B 0 de V tal que P = MB0 ,B (IV ). Basta considerar
B 0 = {v10 , v20 , . . . , vn0 } donde
n
X
vi0 = pji vj .
j=1
Ejemplo 2.5.2
En R3 se considera la base B = {(1, 1, 1), (0, 1, 1), (0, 1, 0)}. Si uno desea saber cuales son las
coordenadas del vector v = (3, 2, 1) respecto de la base B, puede actuar
50 LECCION 2. APLICACIONES LINEALES Y MATRICES
o bien determinando la matriz del cambio de base P que da las coordenadas de los vectores de
la base canonica en funcion de B
1
1 0 0 1 0 0
P = 1 0 1 = 1 1 1
0 1 1 1 1 0
y obtener las coordenadas (a, b, c) de v = (3, 2, 1) respecto de la base B como
a 3
b = P 2
c 1
Dado un vector v = (x, y, z), las coordenadas (x0 , y 0 , z 0 ) de v respecto B son las que se obtienen como
0
x x
y0 = P y
z0 z
Ejemplo 2.5.3
En R3 se consideran las bases
B = {(1, 1, 1), (0, 1, 1), (0, 1, 0)} y B 0 = {(1, 1, 1), (1, 1, 0), (0, 0, 1)}.
2.5.2 M 0 = QM P
Todo lo visto anteriormente nos conduce de forma inmediata a la relacion existente entre dos matrices
asociadas a una misma aplicacion lineal pero referidas a bases distintas.
Teorema 2.5.1
Sea f : V W una aplicacion lineal, BV y BV0 bases de V y BW y BW 0 bases de W . Si M =
0 0
MBV ,BW (f ) y M = MB0 V ,B0 W (f ) entonces M = QM P donde P y Q son matrices regulares de
dimensiones n n y m m respectivamente (P = MB0 V ,BV (IV ) y Q = MBW ,B0 W (IW )).
Definicion 2.5.1
Dos matrices M y M 0 se dice que son equivalentes si estan asociadas a la misma aplicacion lineal, o
lo que es lo mismo, si ambas tienen el mismo tamano, m n, y existen matrices regulares P y Q, de
dimensiones n n y m m respectivamente, verificando M 0 = QM P .
2.5. CAMBIOS DE BASE Y MATRICES EQUIVALENTES 51
Desde un punto de vista practico la definicion anterior de matrices equivalentes es poco mane-
jable. El siguiente resultado (y su contrapartida vectorial) permitira caracterizar las matrices equiv-
alentes en funcion de su rango (y de su tamano).
Teorema 2.5.2
Si M es una matriz m n y de rango r, entonces es equivalente a una matriz de la forma
Ir 01
02 03
donde por Ir se denota la matriz identidad r r, por 01 la matriz nula de tamano r (n r), por 02
la matriz nula (m r) r y por 03 la matriz nula (n r) (n r).
Teorema 2.5.3
Sea f : V W una aplicacion lineal de rango r con n = dim V y m = dim W . Entonces existe BV
base de V y BW base de W tal que
Ir 01
MBV ,BW (f ) =
02 03
donde por Ir se denota la matriz identidad r r, por 01 la matriz nula de tamano r (n r), por 02
la matriz nula (m r) r y por 03 la matriz nula (n r) (n r).
Para demostrar el primer teorema (y el segundo) basta interpretar M como la matriz asociada a una
aplicacion lineal f : V W (respecto algunas bases) donde V y W son Kespacios vectoriales de di-
mensiones n y m respectivamente, y realizar ciertos cambios de base. Si BV = {v1 , . . . , vr , vr+1 , . . . , vn }
es una base de V , donde {vr+1 , . . . , vn } es una base de ker(f ), y BW = {w1 , . . . , wr , wr+1 , . . . , wm } es
una base de W donde wi = f (vi ) con i = 1, 2, . . . , r (comprueba que bajo estas condiciones los vec-
tores f (v1 ), . . . , f (vr ) son linealmente independientes), entonces MBV ,BW (f ) es de la forma descrita
en el/los enunciado/s.
Ejemplo 2.5.4
Sea
1 1 2 0
M= 1
1 0 2,
1 1 2 0
y sea f : R4 R3 la aplicacion lineal que respecto de las bases canonicas tiene como matriz asociada
M . Como el rango de M es 2, existen bases en R4 y en R3 respecto de las cuales la matriz asociada
a f es de la forma
1 0 0 0
M0 = 0 1 0 0
0 0 0 0
Puesto que ker(f ) = h{(1, 1, 1, 0), (1, 1, 0, 1)}i, podemos considerar
BV = {(1, 0, 0, 0), (0, 1, 0, 0), (1, 1, 1, 0), (1, 1, 0, 1)} como base de R4 y
Proposicion 2.5.2
Sean M y M 0 dos matrices. Entonces M y M 0 son equivalentes si y solo si tienen el mismo tamano
y el mismo rango.
De la definicion de matrices equivalentes se deduce, de forma inmediata, que dos matrices que sean
equivalentes tienen igual tamano e igual rango. Si M y M 0 tienen igual tamano (m n) e igual rango
(r), ambas son equivalentes a una matriz de la forma
Ir 01
C=
02 03
Ejemplo 2.5.5
1 1 2 a
Las matrices 1 1 y 2 a son equivalentes si y solo si b 6= 0 y a 6= 2. Cual es el represen-
1 0 b b
tante canonico de la clase de equivalencia a la que pertenecen?
2.5.3 Ejercicios
Ejercicio 2.5.3.1
Sea V = R4 , Bc = {e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1)} la base canonica
de V = R4 y B = {v1 = (1, 1, 1, 1), v2 = (1, 2, 1, 1), v3 = (0, 0, 0, 1), v4 = (1, 0, 0, 1)}
v10 = (0, 0, 0, 1), v20 = (0, 0, 2, 1), v30 = (0, 1, 1, 1), v40 = (1, 1, 1, 1)
Ejercicio 2.5.3.2
Sea f : R3 R4 la aplicacion lineal definida por:
f (x, y, z) = (2x y, 3x + z, x + y + z, x 2y + z)
Determinar la matriz P cuyas columnas son las coordenadas de los vectores de B expresados en
funcion de la base canonica de R3 (matriz de cambio de base).
2. Sea R la matriz cuyas columnas son las coordenadas de los vectores de la base canonica de R3
expresados en funcion de la base B. Que relacion existe entre las matrices P y R?
Ejercicio 2.5.3.3
Sea V = R4 y U el subespacio de V definido por
Ejercicio 2.5.3.4
Se consideran las siguientes matrices
3 0 1
1 0 1 1
1 3
M = 2
P = 2 1
0
1 4
1 3 1
1 1 0
Sea f : R3 R4 la aplicacion lineal cuya matriz asociada respecto de las bases B = {v1 = (0, 2, 1), v2 =
(1, 1, 3), v3 = (1, 0, 1)} en R3 y la base canonica Bc0 en R4 es M , M = MB,Bc0 (f ) Cuales de las
siguientes afirmaciones son verdaderas?
1. MBc ,Bc0 (f ) = M P
2. MBc ,Bc0 (f ) = M P 1
3. MBc ,Bc0 (f ) = P M
4. MBc ,Bc0 (f ) = P 1 M
Ejercicio 2.5.3.5
Sea f el endomorfismo de R4 que tiene por matriz asociada respecto de la base canonica la matriz
0 0 0 4
0 0 3 0
M = MBc (f ) = 0 2 0 0
1 0 0 0
Cuales de las siguientes afirmaciones son verdaderas?
1. Si B = {e1 , e4 , e2 , e3 }, entonces la matriz asociada a f respecto de B es
0 4 0 0
1 0 0 0
MB (f ) =
0 0
0 3
0 0 2 0
Ejercicio 2.5.3.6
Se considera la siguiente matriz real:
a 1 1 1
a= a a
b 1,
0 0 c 0
que es equivalente a una matriz de la forma
Ir 01
C= ,
02 03
siendo Ir la matriz identidad de orden r, y los 00i s matrices nulas de tamanos adecuados.
2.5. CAMBIOS DE BASE Y MATRICES EQUIVALENTES 55
Ejercicio 2.5.3.7
Se consideran las siguientes matrices
2 0 1
1 0 1 0 1 2
A= C=
2 1 1 1 3 0
0 0 2
b) f2 (x, y, z, t) = (1, 2, 3)
e) f5 (x, y, z, t) = (2x y, 2y z, 0)
f) f6 (x, y, z, t) = (x + y, y + z, z + t)
Determinar el nucleo y la imagen de aquellas aplicaciones que hayan resultado ser lineales.
Problema 2.6.2
Consideremos el conjunto C de los numeros complejos, y la aplicacion f : C C que a cada numero
complejo le asigna su conjugado. Se pide, averiguar si f es lineal considerando:
Problema 2.6.3
Determinar bases de los nucleos y las imagenes de las siguientes aplicaciones lineales definidas de R3
en R4 :
a) f1 (x, y, z) = (y + z, x + z, x + y, x + y + z)
b) f2 (x, y, z) = (x y, x + y, z, 0)
d) f4 (x, y, z) = (0, x y z, y x z, z x y)
Problema 2.6.4
Sea V el R-espacio vectorial de los polinomios de grado menor o igual que 3 con coeficientes reales.
Se considera la aplicacion lineal f : R3 V tal que (para ciertos a, b R):
Problema 2.6.5
Di, razonadamente, si las siguientes afirmaciones son verdaderas o no.
b) Existe alguna aplicacion lineal f de R3 en R2 que no siendo inyectiva tiene como imagen todo
R2 .
Problema 2.6.6
Sea V un K-espacio vectorial no nulo de dimension n y f un endomorfismo de V verificando:
f2 = 0 y dim(Im(f )) dim(ker(f ))
b) dim(Im(f )) = n
d) n es un no par
Problema 2.6.7
Sea V un espacio vectorial de dimension 3, {v, w, u} una base de V y f un endomorfismo de V tal que
Problema 2.6.8
Construye, si es posible, una aplicacion lineal con las condiciones pedidas en cada uno de los casos
siguientes:
58 LECCION 2. APLICACIONES LINEALES Y MATRICES
Problema 2.6.9
Da un ejemplo, en cada uno de los casos siguientes, de una aplicacion lineal f : R3 R3 verificando:
a) Ker(f ) Im(f ) 6= {~0}
b) Ker(f ) Im(f )
c) Im(f ) Ker(f )
Problema 2.6.10
Sean U y W dos subespacios no nulos de R5 tales que U W = R5 .
a) Determina todos los posibles valores de dim U para que pueda existir una aplicacion lineal
f : R5 R2 tal que Ker(f ) = U .
b) Determina todos los posibles valores de dim U para que pueda existir una aplicacion lineal
f : R2 R5 tal que Im(f ) = U .
Problema 2.6.11
Sean f : R3 R4 y g : R4 R3 dos aplicaciones lineales.
a) Demuestra que Ker(f ) Ker(g f ).
i) dim Ker(g f ) = 1
ii) dim Im(f g) = 2
iii) g es sobreyectiva.
Problema 2.6.12
Sea f : R4 R3 la aplicacion lineal definida por f (x, y, z, t) = (x + y + 2z, 2x t, 0).
Problema 2.6.13
Se consideran de R2 en R2 las siguientes aplicaciones lineales:
a) Da la matriz asociada a cada una de las aplicaciones anteriores respecto las bases canonicas.
Son todas automorfismos de R2 ?
Problema 2.6.14
Se considera la aplicacion lineal f : R3 R2 que respecto las bases canonicas tiene por matriz
1 1 0
A=
2 3 1
a) Halla bases de ker(f ), Im(f ) y obten las coordenadas del vector (1, 0, 2) respecto a una base de
R3 que contenga a la base del Kerf obtenida.
b) Sean B = {(1, 0, 0), (1, 0, 2), (1, 2, 0)}, y B 0 = {(1, 1), (1, 2)} bases de R3 y R2 respectiva-
mente. Determina la matriz asociada a f respecto de estas nuevas bases.
c) Halla la matriz de f respecto a las bases C = {(1, 1, 1), (0, 1, 0), (0, 0, 1)} y C 0 = {f (1, 1, 1),
f (0, 1, 0)}.
60 LECCION 2. APLICACIONES LINEALES Y MATRICES
donde r = dim(Imf ).
Problema 2.6.15
Sea B 0 la base de R3 dada por los vectores {(1, 0, 1), (2, 1, 1), (0, 1, 2)}. Se considera la aplicacion
f : V = R3 W = R3
(1, 0, 1) 7 (4, 2, 1)
(2, 1, 1) 7 (11, 2, 1)
(0, 1, 2) 7 (1, 2, 1)
donde todos los vectores estan expresados en las bases canonicas.
c) Halla las dimensiones del nucleo y de la imagen de f , y utiliza lo obtenido para justificar que f
no es isomorfismo.
Problema 2.6.16
Considerar la aplicacion lineal A : R2 R2 dada por la matriz
1 1 2
A=
3 4 1
respecto de la base canonica de R2 . Encontrar la matriz que representa dicha aplicacion respecto de
la base B = {(1, 2), (1, 1)}. Cual es el significado geometrico de dicha aplicacion?
Problema 2.6.17
Sea V el R-espacio vectorial de las matrices reales de tamano 3 3, y sea : V V la aplicacion que
a cada matriz le asocia su traspuesta.
a) Halla la matriz A que representa a respecto las base canonica de V , esto es respecto de la base
Bc = {E11 , E12 , E13 , E21 , E22 , E23 , E31 , E32 , E33 } donde Eij es la matriz de V que en el lugar
(i, j) tiene un 1, y el resto de los terminos son 0.
Problema 2.6.18
Se considera un endomorfismo f de R3 cuya matriz asociada respecto de la base canonica es
9 0 0
1
A = 2 5 8
9
1 2 13
a) Halla la matriz M que representa a f respecto la base B = {v1 = (0, 2, 1), v2 = (2, 1, 0), v3 =
(1, 0, 2)}.
Problema 2.6.19
Sea < el conjunto formado por las matrices reales de tamano 5 5 que son de la forma
a1 0 0 0 0
a2 a1 0 0 0
a3
A(a1 , a2 , a3 , a4 , a5 ) = a2 a1 0 0
a4 a3 a2 a1 0
a5 a4 a3 a2 a1
c) Sea t : < R la aplicacion lineal que a cada matriz le asocia la suma de los elementos de su
diagonal principal.
Problema 2.6.20
Halla los valores de a R para los que el sistema de ecuaciones (A) es indeterminado. Discute y halla
la solucion general segun el parametro a R del sistema (B)
x1 + x2 + x3 + . . . + xn+1 = 0
x + ax + x + . . . + x = x 2x + 3y + z + 2t = 3
1 2 3 n+1 2
4x + 6y + 3z + 4t = 5
(A) x1 + x2 + ax3 + . . . + xn+1 = 2x3 (B)
.. .. 6x + 9y + 5z + 6t = 7
. .
8x + 12y + 7z + at = 9
x1 + x2 + x3 + . . . + axn+1 = nxn+1
Problema 2.6.21
Sea f : R4 R3 la aplicacion definida por
f (x, y, z, t) = (3x + z, z, x + y z + t)
3. Sea (a, b, c) un vector cualquiera de R3 . Sin intentar resolver el sistema responde justificadamente
la siguiente cuestion. Es verdadero o falso que el sistema
3x + z = a
z = b
x+yz+t = c
Problema 2.6.22
Construye, si existe, una aplicacion lineal suprayectiva f : R3 R2 . En caso de haberla construido,
es alguna de las siguientes matrices una matriz asociada a f ? Por que?
1 0 0 1 0 0 1 0 1
0 0 0 0 1 0 0 1 0
Problema 2.6.23
Sea f : R5 R3 una aplicacion lineal que respecto de las bases canonicas tiene por matriz, la matriz
A siguiente. Existen matrices inversibles P (5 5) y Q(3 3) tal que QAP sea la que a continuacion
se indica? En caso afirmativo calculalas.
1 0 0 1 0 1 0 0 0 0
A= 1 1 2 2 3 QAP = 0 1 0 0 0
1 1 2 0 3 0 0 0 0 0
2.6. PROBLEMAS DE APLICACIONES LINEALES 63
Problema 2.6.24
Sea A una matriz 55 44 y B una matriz 44 55. Demuestra que el determinante de AB es igual a
0.
Problema 2.6.25
Sea f : R3 R4 la aplicacion lineal dada por
y
B 0 = {(2, 1, 0, 1), (0, 2, 0, 0), (0, 0, 1, 0), (0, 0, 0, 3)} .
Problema 2.6.26
En R4 se consideran los subespacios siguientes:
f (x, y, z, t) = (x 3y + z, x 3y + z, y + 2z t, y + 2z t).
a) Determina bases de U y de W .
Problema 2.6.27
0 0 1
Sea I : R3 R3 la aplicacion identidad en R3 y sea A = 0 1 0 . Se pide
1 0 0
a) Hallar una base B1 de R3 tal que la matriz asociada a I sea A cuando en el espacio inicial se
considera la base B1 y en el final la base canonica.
64 LECCION 2. APLICACIONES LINEALES Y MATRICES
b) Hallar una base B2 de R3 tal que la matriz asociada a I sea A cuando en el espacio inicial se
considera la base canonica y en el final la base B2 .
Problema 2.6.28
Sea V el R-espacio vectorial de los polinomios de grado menor o igual que 2 con coeficientes reales.
Sean A(X) = 1+X +X 2 , B(X) = 1+ 2X 2 , C(X) = X +X 2 , v = (2, 0, 1), w = (3, 1, 0), u = (1, 2, 3).
Se considera la aplicacion f : V R3 definida por
a) Halla la matriz de f respecto de las bases {A(X), B(X), C(X)} de V y {v, w, u} de R3 . Que
rango tiene la aplicacion f ? Cualquier matriz asociada a f es equivalente a la matriz identidad
3 3?
Problema 2.6.29
Sea f : R444 R4 una aplicacion lineal y M la matriz asociada a f cuando en R444 y R4 se consideran
las bases canonicas.
1 2 3 . . . 44 0 0 . . . 0
1 2 3 . . . 44 0 0 . . . 0
M = 1
2 3 . . . 44 0 0 . . . 0
1 2 3 . . . 44 0 0 . . . 0
a) Demuestra que Im(f ) = h{(1, 1, 1, 1)}i y que
0 0 0 ......... 0
Problema 2.6.30
Sea f : R1000 R999 una aplicacion lineal y A la matriz asociada a f cuando en R1000 y R999 se
consideran las bases canonicas. Se sabe que:
Problema 2.6.31
Sea f : R16 R4 una aplicacion lineal y M la matriz asociada a f cuando en R16 y R4 se consideran
las bases canonicas. La matriz M 4 16 es de la forma M = (AAAA) siendo A la matriz siguiente
1 0 0 0
1 2 0 0
A= 1 2 3 0
1 2 3 4
Problema 2.6.32
Sean f, g, h, j: R3 R2 las aplicaciones lineales definidas por (considerando R3 y R2 como R-espacios
vectoriales):
f (x, y, z) = (2x, z y), g(x, y, z) = (x + y + z, x + y),
h(x, y, z) = (y, x + z), j(x, y, z) = (3x + 2y + z, 2x + 2z).
Se pide, si V denota el R-espacio vectorial de las aplicaciones lineales de R3 en R2 :
Demostrar que f , g y h son vectores linealmente independientes en V . Pertenece el vector j al
subespacio de V engendrado por f , g y h?
Resuelve matricialmente el apartado anterior (para ello tendras que fijar una base en R2 y otra
en R3 ).
Que dimension tiene V ? Construye una base de V que sea ampliacion de la familia libre
{f, g, h}.
Problema 2.6.33
Sea f : R3 R3 la aplicacion lineal definida por (considerando R3 como R-espacio vectorial):
IR3 , f, f 2 = f f, f 3 = f f f, . . . , f n = f . . . f
Problema 2.6.34
Sea V el R-espacio vectorial de las aplicaciones lineales de R3 en R y W el R-espacio vectorial de las
aplicaciones lineales de R2 en R. Se pide:
66 LECCION 2. APLICACIONES LINEALES Y MATRICES
Determina bases de V y W tal que la matriz asociada a F respecto dichas bases sea lo mas
sencilla posible.
Problema 2.6.35
Sea V el R-espacio vectorial de los polinomios de grado menor o igual que tres y W el R-espacio
vectorial de los polinomios de grado menor o igual que dos. Se consideran las aplicaciones lineales:
g: V W h: W W
p(x) 7 g(p(x)) q(x) 7 h(q(x))
Se pide:
Determinar bases de V y W de forma que las matrices asociadas a las aplicaciones lineales g, h
y h g respecto dichas bases sean lo mas sencillas posibles.
Problema 2.6.36
En el R-espacio vectorial R4 se considera el subespacio
U = {(x, y, z, t) : x + y z t = 0, x + y + z + t = 0}
f (x, y, z, t) = (x + y, y, z t),
Determinar una base y la dimension del R-espacio vectorial V de las aplicaciones lineales de R4
en U . Cuales son las coordenadas de respecto la base que has calculado?
Determinar una base y la dimension del R-espacio vectorial M de las aplicaciones lineales de W
en U .
Problema 2.6.37
Sea V el R-espacio vectorial de las matrices 3 3 con coeficientes en R y W el R-espacio vectorial de
las aplicaciones lineales de V en R. Se pide:
Determinar una base y la dimension de W .
Problema 2.6.38
La matriz
2 1 1 0 0
8
5 2 0 0
11 7 3 0 0
0 0 0 1 1
0 0 0 3 4
es usada para codificar mensajes como sigue. Por identificacion de las letras A, B, C, , Y, Z con
los numeros 1, 2, 3, , 25, 26, un mensaje con k letras es considerado una k-upla de numeros. Esta
k-upla es dividida en 5uplas; si k no es divisible por 5 uno anade ceros al final. Despues cada una
de esas 5uplas es multiplicada por la matriz dada. Teniendo en cuenta todo lo anterior, decodifica el
siguiente mensaje (escrito en ingles).
3, 38, 52, 7, 23; 38, 145, 200, 15, 59; 5, 3, 5, 35, 119.
68 LECCION 2. APLICACIONES LINEALES Y MATRICES
Problema 2.6.39
Supongamos que
1 0 0 126
0 1 0 30
x1
0 0 1
7
Ax =
1 x2 =
=b
2 3 x3 251
3 1 0 540
2 1 1 377
donde uno de los coeficientes del lado derecho puede ser erroneo. Esto significa que Ax = b + ei
donde R y el vector columna ei son desconocidos.
Este problema consiste en determinar x1 , x2 y x3 , y da idea de como corregir errores en problemas
de codificacion. La version codificada de un mensaje contiene informacion redundante que puede ser
usada si se producen errores durante la transmision. En nuestro problema el mensaje esta constituido
por tres numeros ( x1 , x2 y x3 ), mientras que la version codificada del mensaje consta de seis numeros.
Para resolver el problema sigue los siguientes pasos.
1. Halla una matriz real B de tamano 3 6 tal que BA sea la matriz nula, y que ninguna columna
de B sea multiplo de alguna otra columna de B.
La nocion de autovalor y autovector de una matriz cuadrada es una de las herramientas mas potentes
que el Algebra Lineal proporciona para la resolucion de gran cantidad de problemas que aparecen
en Ciencia y Tecnologa. Para ilustrar lo que decimos, consideramos el siguiente ejemplo de caracter
economico.
Un conocido empresario comenta en una entrevista la forma en que logro hacer, honradamente, su
fortuna. Inicio su andadura en los negocios con un capital de 200 euros, producto de sus ahorros. Tras
un ano de trabajo como repartidor de pizzas tena en su haber 1300 euros. A partir de ese momento,
decide comprar cada ano bienes por un importe igual a seis veces el valor de su capital a principios del
ano anterior, y venderlos por cuatro veces el valor de su capital al inicio del ano en curso. Con esta
estrategia el empresario conoca que en solo 6 anos conseguira un capital superior al medio millon de
euros.
Si un representa las ganancias a principios del ano n-esimo, la informacion dada puede expresarse
mediante la siguiente relacion:
n+1
un+2 5 6 u1
= (3.1)
un+1 1 0 u0
donde n 0.
Mediante tecnicas que aprenderemos en este captulo, podra comprobarse que
5 6 3 2 3 0 1 2
= (3.2)
1 0 1 1 0 2 1 3
Esta igualdad permite operar mas comodamente y afirmar que la expresion 3.1 puede escribirse como
n+1
un+2 3 2 3 0 1 2 u1
= (3.3)
un+1 1 1 0 2n+1 1 3 u0
A partir de la cual es inmediato deducir que
Esta expresion era a la que haba llegado el empresario cuando decidio la estrategia a seguir.
Observar que en el ejemplo anterior, la igualdad 3.2 muestra una relacion del tipo M = Q1 DQ
donde M representa la matriz de partida y D una matriz diagonal: Los valores de la diagonal principal
de D son los autovalores de M , concepto, entre otros que forma parte del tema que estamos iniciando.
Pero antes de comenzar con los aspectos propios de esta leccion, vamos a realizar una serie de
puntualizaciones.
69
70 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Como el nombre de la leccion indica, nos vamos a centrar en el estudio de determinadas cuestiones
relativas a aplicaciones lineales en las que el espacio inicial y el espacio final coinciden, pudiendo,
obviamente, fijar igual base en ambos puntos (el de partida y el de llegada). As pues, a lo largo del
tema si f : V V es una aplicacion lineal, y en V consideramos fijada la base B, se hablara de la
matriz asociada a f respecto de la base B, que denotaremos por MB (f ).
Observemos ademas que si M y N son dos matrices asociadas a f (en las condiciones senaladas),
entonces N = P 1 M P , donde P es una matriz de cambio de base. Este hecho motiva la definicion
siguiente: Dos matrices M y N se dice que son semejantes si se puede establecer entre ellas una
relacion del tipo N = P 1 M P . Es trivial que matrices semejantes es un caso particular de matrices
equivalentes.
La razon por la que estas nociones son fundamentales en el estudio de los endomorfismos se
encuentra en que si se dispone de una base de V cuyos elementos son autovectores de f entonces la
representacion matricial de f respecto de esta base sera una matriz diagonal, en cuya diagonal se
encontraran los autovalores de f . En el caso de que sea posible tal representacion diagonal para f se
dice que f es diagonalizable. Para comprender mejor esto, vease el siguiente ejemplo.
Ejemplo 3.1.1
Consideremos el endomorfismo f de R2 definido por la matriz M siguiente referida a la base canonica.
0 2
M = MBc (f ) =
2 0
En la figura siguiente se muestra la accion de f sobre la base canonica y sobre los vectores v1 = (1, 1)
y v2 = (1, 1). Es facil comprobar que f transforma los subespacios U = h{v1 }i y W = h{v2 }i en s
mismos. A la vista de lo anterior, es sencillo confirmar que v1 = (1, 1) y v2 = (1, 1) son autovectores
asociados a los autovalores 2 y 2 respectivamente. Ademas v1 y v2 constituyen una base; llamando
B = {v1 , v2 } se tiene que
2 0
M 0 = MB (f ) =
0 2
es diagonal.
3 U f (U )
f (e1 ) = 2e2
2 f (v2 ) = 2v2 2
f (v1 ) = 2v1
1 e2 v1 1
e1 f (e2 ) = 2e1
0 0
3 2 1 0 1 2 3 3 2 1 0 1 2 3
1 v2 1
2 2
3 W 3 f (W )
Demostracion.
Si u1 y u2 son linealmente dependientes entonces u1 = u2 con 6= 0 puesto que u1 y u2 son
autovectores. Se tiene as
det(In A) = 0
PA (X) = det(XIn A)
La manipulacion de algunas matrices concretas (que pueden ser elegidas por el propio lector)
permite observar el siguiente resultado cuya prueba se deja como ejercicio.
Si pA (X) = an X n + an1 X n1 + + a1 X + a0 es el polinomio caracterstico de una matriz A,
entonces an = 1, an1 = traza(A), a0 = (1)n det(A).
Puesto que existen endomorfismos que no se pueden diagonalizar, incluso aunque se aumente el
cuerpo de escalares, el siguiente teorema muestra cuando un endomorfismo se puede triangularizar,
esto es, cuando existe una base tal que la matriz del endomorfismo considerado respecto dicha base es
triangular superior.
Teorema 3.1.1 Sea f : V V un endomorfismo verificando que Pf (X) posee todas sus races en K.
Entonces existe una base B de V tal que
1 ? . . . . . . ?
0 2 . . . . . . ?
. ..
.. ..
MB (f ) = .. . . .
. .. .. ..
.. . . .
0 ... ... 0 n
donde los i son los autovalores de f (que no tienen por que ser todos distintos).
Una forma de demostrar el teorema anterior es aplicando induccion sobre la dimension del espacio,
o lo que es equivalente, sobre el orden de la matriz, como muestra el siguiente ejemplo.
Ejemplo 3.1.4
Consideremos el endomorfismo f de R4 que respecto de la base canonica tiene como matriz asociada
la siguiente
0 0 1 2
2 1 5 2
A=
3 0 5 3
4 0 5 2
La matriz A es triangulable puesto que su polinomio caracterstico tiene todas sus races en R:
y el subespacio
Vg (1) = h{e1 + e3 + e4 }i .
Si en U = Vg (1) W , con W = h{e1 , e3 }i, consideramos la base B0U = {e1 + e3 + e4 , e1 , e3 }, se
tiene:
1 4 5
MB0U (g) = 0 4 4
0 1 0
Reiterando el proceso, si de MB0U (g) extraemos la caja
4 4
D= ,
1 0
y el subespacio
Vh (2) = h{2e1 + e3 }i .
Si en W fijamos la base B0W = {2e1 + e3 , e1 }, se tiene que
2 1
MB0W (h) = .
0 2
donde P es la matriz que tiene por columnas las respectivas coordenadas de los vectores de la base B
expresados en funcion de la base canonica.
3.1. AUTOVALORES Y AUTOVECTORES 75
En las lineas siguientes vamos a realizar una serie de puntualizaciones que nos seran de utilidad, no
solo para introducir algunas aplicaciones del resultado anterior sobre triangularizacion, sino tambien,
para abordar distintos aspectos contenidos en la seccion inmediatamente posterior.
Sea f un endomorfismo del K-espacio vectorial n-dimensional V , y sea
p(X) = ar X r + ar1 X r1 + . . . + a1 X + a0
p(f ) = ar f r + ar1 f r1 + . . . + a1 f + a0 IV
donde
k veces
z }| {
fk = f f . . . f .
Analogamente, si A es una matriz n n con coeficientes en K, p(A) es la matriz
Distintos resultados vistos en el captulo precedente nos permiten afirmar que si B es una base de
V y M = MB (f ) entonces
Tambien es inmediato comprobar que si q(X) es otro polinomio con coeficientes en K entonces:
Ejemplo 3.1.5
Para probar ambos resultados basta considerar una matriz triangular T semejante a
A y aplicar las propiedades relativas a polinomios caractersticos de matrices semejantes.
En el caso de B, debemos observar ademas que si A = P 1 T P entonces B = p(A) =
p(P 1 T P ) = P 1 p(T )P donde p(T ) es una matriz triangular en cuya diagonal principal
aparecen p(1 ), , p(n ).
Si f es un endomorfismo de R3 tal que 1/2, 2, 2 son sus valores propios, entonces el hecho de
someter a los vectores de R3 una, dos, tres, cuatro, ... veces sucesivamente a la transformacion
f , conduce al mismo efecto que el haber proyectado los vectores de R3 sobre un subespacio de
dimension 2. Puedes justificarlo?
Que hubiera sucedido en una situacion analoga a la anterior pero supuesto que f
tuviese por valores propios 1/2, 1/2, 1/3?
El ejemplo con el que vamos a finalizar esta seccion muestra que en casos muy particulares
es posible triangular una matriz sin tener que realizar un desarrollo similar al efectuado en el
ejemplo 3.1.4, y que nos daba las pautas generales de triangularizacion.
Se consideran los endomorfismos f y g de R3 que respecto de la base canonica tienen por matrices
A y B respectivamente:
3 1 1 1 3 3
A = 7 5 1 B = 3 5
3
6 6 2 6 6 4
Ambas matrices tienen polinomio caracterstico p(X) = (X + 2)2 (X 4), y por ello los en-
domorfismos que representan son triangularizables. Si en ambos casos consideramos una base
formada por dos vectores propios (correspondientes a autovalores distintos) y un tercer vector
independiente con los anteriores, tenemos garantizada la triangularizacion.
En el caso de f , un autovector asociado al autovalor 2 es v1 = (1, 1, 0) y un autovector asociado
al autovalor 4 es v2 = (0, 1, 1). Sea v3 = (1, 0, 0) y consideremos en R3 la base B = {v1 , v2 , v3 }.
Respecto de esta base la matriz asociada a f es
2 0 1
0
A = 0 4 6 .
0 0 2
Cuando se trabaja con g, el tercer vector de la base a hallar puede ser vector propio asociado
al autovalor 2, puesto que el subespacio propio asociado a dicho autovalor es de dimension
2. De esto resulta que g es ademas diagonalizable. La base de vectores propios es B = {v1 =
(1, 1, 0), v2 = (1, 1, 2), v3 = (0, 1, 1)}.
Este es un caso en el que de nuevo aparecen matrices con igual polinomio caracterstico y que
no son semejantes.
3.1. AUTOVALORES Y AUTOVECTORES 77
3.1.1 Ejercicios
Ejercicio 3.1.1.1
Sea f el endomorfismo de R3 definido por f (e1 ) = e1 , f (e2 ) = 2e2 , f (e3 ) = 3e3 .
2. Son e1 , e2 , e3 vectores propios asociados a f ? En caso afirmativo, senalar respecto de que valores
propios.
Ejercicio 3.1.1.2
Sea d el endomorfismo de R2 [X] que a cada polinomio le asocia su polinomio derivado. Se desea deter-
minar, si existen, los vectores propios relativos a d, y los valores propios correspondientes. Justificar
la siguiente linea de actuacion.
2. Si 6= 0, entonces la igualdad (3.4) conduce a que p(X) debe ser el polinomio nulo.
4. El 0 es por tanto el unico valor propio de d, y tiene asociados como vectores propios los polinomios
constantes.
Existe una base de R2 [X] respecto de la cual la matriz asociada a f sea diagonal?
Ejercicio 3.1.1.3
Sea f el endomorfismo de R2 definido, respecto de la base canonica por la matriz siguiente:
3 1
A=
1 1
2. Hallar Vf (2).
3. Es f diagonalizable?
78 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Ejercicio 3.1.1.4
Sea f el endomorfismo de R3 definido, respecto de la base canonica por la matriz siguiente:
1 1 2
A = 1 1 2
2 2 6
3. Es f diagonalizable? En caso afirmativo, hallar una matriz regular P de tamano 3 3 tal que
P 1 AP sea diagonal.
Ejercicio 3.1.1.5
Sea f el endomorfismo de R3 definido, respecto de la base canonica por la matriz siguiente:
2 1 1
A= 0 3 1
0 1 1
3. Es f diagonalizable? En caso afirmativo, hallar una matriz regular P de tamano 3 3 tal que
P 1 AP sea diagonal. En caso negativo, hallar una matriz regular P de tamano 3 3 tal que
P 1 AP sea triangular.
Ejercicio 3.1.1.6
Sea f el endomorfismo de R3 definido, respecto de la base canonica por la matriz siguiente:
2 1 1
A = 0 3 1
0 1 1
2. Con ayuda del ultimo apartado del ejercicio anterior, obtener los valores propios de q(f ), y
comprobar que si los valores propios de f son , , , los de q(f ) son q(),q() y q().
Ejercicio 3.1.1.7
Sea f un endomorfismo de C3 . Justificar
cada una de las afirmaciones siguientes, en las que y
representan numeros complejos, y 1 esta representado por i.
Ejercicio 3.1.1.8
Sean f : R3 R4 y g : R4 R3 las aplicaciones lineales definidas, respecto de las bases canonicas
correspondientes, por las matrices A y B siguientes:
1 1 1
1 2 0 1 1 2 2
A= 1 2 0
B = 1 1 1 1
1 0 1 1
1 2 1
1. g f es diagonalizable.
2. g f es inyectiva.
Ejercicio 3.1.1.9
Sea f el endomorfismo de R4 que tiene por matriz asociada respecto de la base canonica la matriz
0 0 0 4
0 0 3 0
M = MBc (f ) = 0 2 0 0
1 0 0 0
3. f no es diagonalizable.
Ejercicio 3.1.1.10
Se considera la matriz siguiente
1/6 1 0 0 0 0 0
1/6 0 1 0 0 0 0
1/6 0 0 1 0 0 0
A=
1/6 0 0 0 1 0 0
1/6 0 0 0 0 1 0
1/6 0 0 0 0 0 1
0 0 0 0 0 0 0
3. El resto de las races del polinomio q(X) anterior son todas complejas y distintas, y dos a dos
son conjugadas entre si. Por que es cierto esto ultimo?
4. Si h es el endomorfismo del C-espacio vectorial C7 que respecto de la base canonica tiene asociada
la matriz A, es h diagonalizable?
5. Si f es el endomorfismo del R-espacio vectorial R7 que respecto de la base canonica tiene asociada
la matriz A, es f diagonalizable?
6. Reescribir el polinomio caracterstico de A en la forma pA (X) = 61 X(7X 6 r(X)) siendo r(X) =
X 6 + X 5 + X 4 + X 3 + X 2 + X + 1, y comprobar que si es raz de pA (X), entonces no es
raz de r(X).
7. En las notas teoricas se ha probado que si 1 , , n son los valores propios de una matriz M de
tamano n n, entonces p(1 ), , p(n ) son los valores propios de la matriz p(M ) (donde p(X)
es un polinomio cualquiera). Teniendo en cuenta este resultado y el apartado anterior, deducir
que el numero 0 no es valor propio de la matriz B = A6 + A5 + A4 + A3 + A2 + A + I.
8. Sea g el endomorfismo de R7 definido, respecto de la base canonica por la matriz B del apartado
anterior. Es g un isomorfismo?
f1 f2
9. Sean V W U aplicaciones lineales entre K-espacios vectoriales. Demostrar que si f2
es isomorfismo entonces ker(f2 f1 ) = ker(f1 ).
10. Conservando la notacion empleada en apartados anteriores, se considera el endomorfismo g
(f IR7 ) de R7 . Quien es la matriz asociada a tal endomorfismo respecto de la base canonica?
11. Teniendo en cuenta los dos apartados anteriores, deducir que ker(f 7 IR7 ) = ker(f IR7 ).
Calcular dicho nucleo.
Demostracion.
Sea
PA (X) = det(XIn A) = X n + bn1 X n1 + . . . + b1 X + b0 .
Denotemos por M la matriz XIn A, y por M? la matriz adjunta de la traspuesta de M, de donde
tendremos que
M M? = det(XIn A)In = PA (X)In (3.5)
La matriz M? es una matriz con coeficientes en K[X], pero tambien puede ser vista como un polinomio
con coeficientes en un conjunto de matrices.
Si M? = (ij ) entonces ij = (1)i+j Mij , siendo Mij el determinante de un menor de tamano
(n 1) (n 1) de la matriz traspuesta de M. Por tanto cada ij es un polinomio de grado menor
o igual que n 1 en la indeterminada X:
11
an1 X n1 + . . . + a11 11 . . . a1n n1 + . . . + a1n X + a1n
1 X + a0 n1 X 1 0
M? =
.. ..
. .
an1
n1 X
n1 + . . . + an1 X + an1
1 0 ... ann
n1 X
n1 + . . . + ann X + ann
1 0
11
a1n
11
a11 . . . a1n a1 ... a0 ... a1n (3.6)
n1 n1 1 0
= ... . . . . . . X n1 + . . . + ... .. X + ..
. .
..
.
n1
an1 . . . ann
n1 an1
1 ... nn
a1 n1
a0 ... ann
0
= Mn1 X n1 + . . . + M1 X + M0 = M (X)
(Mn1 X n + . . . . . . + M1 X 2 + M0 X) (Mn1 AX n1 + . . . . . . + M1 AX + M0 A) =
In X n + bn1 In X n1 + . . . + b1 In X + b0 In
De 3.7, y del hecho de que dos polinomios son iguales si lo son los coeficientes de los terminos de igual
grado, resultan las siguientes igualdades:
Mn1 = In
Mn2 Mn1 A = bn1 In
Mn3 Mn2 A = bn2 In
82 LECCION 3. LA TEORIA DEL ENDOMORFISMO
..
.
M1 M2 A = b2 In
M0 M1 A = b1 In
M0 A = b0 In
Mn1 An = An
Mn2 An1 Mn1 An = bn1 An1
Mn3 An2 Mn2 An1 = bn2 An2
..
.
M1 A2 M2 A3 = b2 A2
M0 A M1 A2 = b1 A
M0 A = b0 In
Sumando miembro a miembro estas igualdades, obtenemos [0] = PA (A) donde [0] denota la matriz
nula de tamano n n.
Proposicion 3.2.1
Sea A una matriz n n con coeficientes en K, y sea m(X) un polinomio mnimo de A. Se verifica
entonces:
1. Si p(X) es un polinomio de K[X], p(A) es la matriz nula si y solo si p(X) es multiplo de m(X).
y, como consecuencia, mA (X) es un divisor de mB (X). Como un razonamiento analogo prueba que
mB (X) es un divisor de mA (X), y ambos son monicos, han de coincidir.
Este ultimo hecho nos permite definir, sin problemas, el polinomio mnimo de un endomorfismo.
Definicion 3.2.2
Para cualquier endomorfismo f de un espacio vectorial V , se define polinomio mnimo de f como
el polinomio mnimo de cualquiera de sus matrices asociadas. A dicho polinomio lo denotamos por
mf (X)
Ejemplo 3.2.1
A continuacion se muestran algunos ejemplos de endomorfismos y matrices, junto con sus polinomios
mnimos:
3.2. EL POLINOMIO MINIMO DE UN ENDOMORFISMO 83
La matriz
1 1
A=
1 1
Si
1 1 2 3
1 1 0 0
A=
0 0 1 1
0 0 0 0
entonces PA (X) = X 3 (X1) y su polinomio mnimo sera alguno de los siguientes: X, X 2 , X 3 , X(X
1), X 2 (X 1), X 3 (X 1). Cuantos intentos seran necesarios para poder concluir que mA (X) =
X 2 (X 1)?
El siguiente enunciado establece una cierta relacion entre los factores irreducibles del polinomio
caracterstico y los del polinomio mnimo de una matriz, y con el se reduce el numero de intentos
entre los divisores del polinomio caracterstico para obtener el polinomio mnimo. Sobra anadir su
equivalente en terminos de endomorfismos.
Teorema 3.2.2
Sea A una matriz nn con coeficientes en K, PA (X) su polinomio caracterstico y mA (X) su polinomio
mnimo. Se verifica entonces que todo factor irreducible de PA (X) es factor irreducible de mA (X).
Demostracion.
Para probar este resultado vamos a probar que PA (X) es un divisor de (mA (X))n , lo que garantiza
que todo factor irreducible de PA (X) lo es de (mA (X))n , y como consecuencia de mA (X). Sea
mA (X) = X r + cr1 X r1 + . . . + c1 X + c0 con r n y ci K.
Consideramos las siguientes matrices:
B0 = In
B1 = A + cr1 In
B2 = A2 + cr1 A + cr2 In
.. (3.8)
.
Br2 = Ar2 + cr1 Ar3 + . . . + c3 A + c2 In
Br1 = Ar1 + cr1 Ar2 + . . . + c3 A2 + c2 A + c1 In
84 LECCION 3. LA TEORIA DEL ENDOMORFISMO
y por tanto:
ABr1 = c0 In .
Consideremos el (resp. la) siguiente polinomio (resp. matriz) con coeficientes en Mn (K) (resp.
K[X]):
B(X) = B0 X r1 + B1 X r2 + . . . + Br2 X + Br1
que, a continuacion, multiplicamos por (XIn A):
Como det(B(X)) es un polinomio de K[X] y det(XIn A) = PA (X), queda probado que PA (X) es
un divisor de (mA (X))n .
3.2.1 Ejercicios
Ejercicio 3.2.1.1
Se consideran las matrices
1 0 0
1 1 3 1
A= B = 1 1 1 C=
2 2 1 1
1 0 0
3.2. EL POLINOMIO MINIMO DE UN ENDOMORFISMO 85
1. Determinar los polinomios caractersticos de cada una de las matrices anteriores, y comprobar
que pA (A), pB (B) y pC (C) son las matrices nulas correspondientes.
2. Establecer todos los divisores de los polinomios pA (X), pB (X) y pC (X) respectivamente, que
contengan todos los factores irreducibles distintos que aparecen en las factorizaciones de cada
uno de los polinomios senalados (p.e. si el polinomio caracterstico es X 2 (X 1) solo se deberan
considerar los divisores X(X 1) y X 2 (X 1)).
3. Determinar para cada caso el polinomio mnimo de la matriz.
Ejercicio 3.2.1.2
Sea A una matriz 4 4. Justificar las afirmaciones siguientes.
1. Si el polinomio mnimo de A es X, entonces A es la matriz nula.
2. Si A2 es la matriz nula y A no es la matriz nula, entonces el polinomio mnimo de A es X 2 .
3. Si A2 I4 es la matriz nula, no necesariamente A = I4 o A = I4 .
Ejercicio 3.2.1.3
Sea f un endomorfismo del K-espacio vectorial V de dimension n. Decir, razonadamente cuales de las
afirmaciones siguientes son verdaderas y cuales son falsas.
1. Si el polinomio mnimo de f es X, entonces f es la aplicacion nula.
2. Si f 2 es la aplicacion nula y f no es la aplicacion nula, entonces el polinomio mnimo de f es
X 2.
3. Si q(X) es un polinomio monico, de grado n y tal que q(f ) es la aplicacion nula, entonces q(X)
es el polinomio caracterstico de f .
Ejercicio 3.2.1.4
Escribir tres matrices de tamano 4 4, y con coeficientes reales, tales que todas ellas tengan por
polinomio caracterstico p(X) = (X 1)(X 2)3 y todas tengan polinomios mnimos distintos.Puede
existir un endomorfismo f de R4 que respecto de bases adecuadas pueda ser representado por dos de
las matrices anteriores?
Ejercicio 3.2.1.5
En R5 se consideran los subespacios
U = h{u1 = (1, 1, 1, 1, 0), u2 = (1, 1, 1, 1, 1)}i
W = h{w1 = (1, 1, 1, 0, 0), w2 = (0, 1, 1, 0, 0), w3 = (0, 0, 1, 0, 0)}i
1. Probar que R5 = U W
2. Sea p: R5 R5 el endomorfismo proyeccion sobre U en la direccion de W . (Ver en texto de
teora primeros ejemplos de aplicaciones lineales). Determinar la matriz asociada a p respecto
de la base B = {u1 , u2 , w1 , w2 , w3 }.
3. Hallar el polinomio caracterstico de p y el polinomio mnimo de p.
4. Determinar los subespacios de vectores propios asociados a los distintos valores propios.
5. Determinar la matriz asociada a p respecto de la base canonica de R5 .
Ejercicio 3.2.1.6
Determinar el polinomio mnimo de la matriz A del ejercicio 3.1.1.10.
86 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Definicion 3.3.1
Sea f un endomorfismo de V , y U un subespacio vectorial de V . Se dice que U es f -invariante o
invariante por f si se verifica cualquiera de las condiciones equivalentes siguientes:
Ejemplo 3.3.1
A continuacion se muestran algunos ejemplos de subespacios invariantes:
Antes de enunciar y demostrar el resultado general relativo a los subespacios invariantes de mayor
interes, vamos a trabajar cada uno de los aspectos que recoge dicho resultado mediante un ejemplo.
Ejemplo 3.3.2
Se considera el endomorfismo f de R6 que tiene asociada respecto de la base canonica la matriz
siguiente:
1 2 1 2
2 0
5 8 0 5 10 0
3 8 1 3 7 0
A=
0 6 1 3 6 0
4 9 1 4 11 0
0 5 6 0 11 3
3.3. SUBESPACIOS INVARIANTES 87
En la proposicion siguiente se muestra como describir un espacio vectorial V como suma directa
de subespacios f -invariantes de acuerdo con la factorizacion de su polinomio mnimo, siendo f un
endomorfismo de V .
y de polinomio mnimo
entonces se tiene:
1. V es suma de los subespacios V1 y V2 .
3. V1 y V2 son f -invariantes.
5. La dimension de V1 es r1 .
88 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Demostracion.
Por ser nucleos de aplicaciones lineales, V1 y V2 son subespacios de V . Los polinomios que definen
esos subespacios son primos entre si, por lo que aplicando la identidad de Bezout existen polinomios
p(X) y q(X) en K[X] verificando
(f 1 I)s1 p(f ) + b(f ) q(f ) = IV . (3.12)
Si v es cualquier elemento de V entonces
(f 1 I)s1 (p(f )(v)) + b(f )(q(f )(v)) = v.
Como v2 = (f 1 I)s1 (p(f )(v)) V2 y v1 = b(f )(q(f )(v)) V1 , se deduce la primera afirmacion de
la proposicion.
Si v V1 V2 entonces (f 1 I)s1 (v) = 0 y b(f )(v) = 0. Teniendo en cuenta 3.12, se obtiene
v = p(f )((f 1 I)s1 (v)) + q(f )(b(f )(v)) = 0
y V1 V2 = {0}.
Si v V1 entonces
f ((f 1 I)s1 (v)) = 0 = (f 1 I)s1 (f (v)),
y, por tanto, f (v) V1 . La f -invarianza de V2 se prueba de forma analoga.
Sean mf1 (X) y mf2 (X) los polinomios mnimos de f1 y f2 respectivamente. Si v V1 entonces
(f 1 I)s1 (v) = (f1 1 I)s1 (v) = 0.
Es decir, el endomorfismo (f1 1 I)s1 definido en V1 es el endomorfismo nulo y, como consecuencia,
mf1 (X) es un divisor de (X 1 )s1 . De forma similar se deduce que mf2 (X) es un divisor de b(X) y,
por tanto, mf1 (X) mf2 (X) divide a mf (X).
Sea v = v1 + v2 un elemento cualquiera de V con v1 V1 y v2 V2 . Entonces:
(mf1 (f ) mf2 (f ))(v) = (mf2 (f ) mf1 (f ))(v1 ) + (mf1 (f ) mf2 (f ))(v2 ) =
El polinomio caracterstico de A,
es el producto de PA1 (X) y de PA2 (X), polinomios primos entre si. Esto implica que:
Corolario 3.3.1
Sea f un endomorfismo de V con polinomio caracterstico
siendo 1 si ri y i 6= j si i 6= j.
mf (X) = (X 1 ) (X 2 ) . . . (X l ).
Para mostrar que el resultado de la proposicion anterior es en parte generalizable al caso de tener
un endomorfismo f cuyo polinomio mnimo sea de la forma mf (X) = a(X) b(X) donde a(X) y
b(X) son polinomios primos entre si (con todas sus races o no en el cuerpo K), se presenta siguiente
ejemplo:
Ejemplo 3.3.3
Sea f : R3 R3 un endomorfismo tal que
1 1 2
MBc (f ) = 1 1 1 .
3 1 4
3.3.1 Ejercicios
Ejercicio 3.3.1.1
Dar cuatro subespacios invariantes por la aplicacion p del ejercicio 3.2.1.5.
Ejercicio 3.3.1.2
Se considera el endomorfismo de R3 que tiene por matriz asociada respecto de la base canonica la
siguiente.
0 0 0
A = 0 0 1
0 1 0
Ejercicio 3.3.1.3
Construir un endomorfismo f de V = R5 tal que los subespacios
Ejercicio 3.3.1.4
Sea f el endomorfismo de V = R3 [X] que a cada polinomio le asocia su polinomio derivado.
Existen endomorfismos cuyo polinomio caracterstico es de la forma X n , lo que conlleva que una
potencia de dicho endomorfismo sea la aplicacion nula: El endomorfismo f de R4 definido por
f (e1 ) = 0, f (e2 ) = e1 , f (e3 ) = e2 , f (e4 ) = 0 es un endomorfismo cuyo polinomio mnimo es X 3 .
Definicion 3.4.1
Un endomorfismo f : V V se dice nilpotente de ndice l si su polinomio mnimo es X l .
Ejemplo 3.4.1
La matriz
1 1 0
A= 0 0 1
1 1 1
define en R3 un endomorfismo nilpotente de ndice 3.
A continuacion vamos a tratar de describir los metodos que permiten hallar las formas canonicas
de Jordan para matrices 2 2 y 3 3, o lo que es equivalente, para endomorfismos definidos sobre
espacios de dimension 2 o 3. En todos los casos se supondra que el polinomio caracterstico tiene todas
sus races sobre el cuerpo base.
En una primera aproximacion, senalemos que una matriz (aij ) se dice que tiene forma de Jordan
si verifica: aij = 0 si j 6= i, i + 1, y aii+1 = 0 o 1 (los elementos de la diagonal principal seran, como
es obvio, los autovalores correspondientes). Es claro que la forma de Jordan de un endomorfismo
diagonalizable es precisamente su forma diagonal.
B = {g(v), v}
es la forma de Jordan de f .
B = {w, g(v), v}
es base de V y que MB (f ) =
0 0 0 0 0 0 0
= MB (g) + MB (I) = 0 0 1 + 0 0 = 0 1
0 0 0 0 0 0 0 0
es la forma de Jordan de f .
(c) mf (X) = (X )3 . Ahora g = f I, es nilpotente de ndice 3, lo que nos permite hallar
un vector v V tal que v 6 ker(g 2 ). La demostracion de que
B = {g 2 (v), g(v), v}
es la forma de Jordan de f .
3.4. ENDOMORFISMOS NILPOTENTES. FORMA CANONICA DE JORDAN 93
El estudio anterior cubre, como es obvio, todos aquellos casos de endomorfismos, sobre espacios
de dimension 3, en los que las races del polinomio caracterstico tienen a lo sumo multiplicidad 3.
Con el siguiente ejemplo se da una idea del metodo que se emplea de forma general para obtener la
forma de Jordan de una matriz.
Ejemplo 3.4.2
Consideremos V = R7 y f el endomorfismo definido, respecto de la base canonica, por la matriz
siguiente:
1 2 3 7 7
4 3
0 2 0 0 0 0 0
2 2
1 2 3 2 2
A= 0 1 1 2 1 0 0
1 1
1 1 1 1 1
5 5 6 5 1 1 4
5 5 6 5 1 4 7
Su polinomio caracterstico y su polinomio mnimo son
Sean
V1 = ker((f + 3I)2 ) y V2 = ker((f 3I)3 )
los subespacios f -invariantes cuyas bases respectivas son:
de V1 la forma de Jordan de f1 es
3 1
MB0 1 (f1 ) = .
0 3
Se elige un vector v V2 , y se van calculando g(v), g 2 (v), . . . hasta obtener el vector nulo. Si
v = (1, 1, 0, 0, 0, 0, 0) entonces g(v) = (1, 0, 0, 1, 0, 0, 0) y g 2 (v) = 0 y los vectores v y g(v) son
linealmente independientes.
Los vectores {g(v), v, g 2 (w), g(w), w} forman una base, B 0 2 , de V2 tal que:
0 1 0 0 0 2 0 0 0 0
0 0 0 0 0 0 2 0 0 0
MB20 (f2 ) = MB20 (g) + MB20 (2I) =
0 0 0 1 0 + 0
0 2 0 0=
0 0 0 0 1 0 0 0 2 0
0 0 0 0 0 0 0 0 0 2
2 1 0 0 0
0 2 0 0 0
= 0 0 2 1 0
0 0 0 2 1
0 0 0 0 2
es la forma de Jordan de f2 .
Se obtiene as la base de R7
tal que
3
1 0 0 0 0 0
0
3 0 0 0 0 0
0 0 2 1 0 0 0
MB (f ) =
0 0 0 2 0 0 0
0 0 0 0 2 1 0
0 0 0 0 0 2 1
0 0 0 0 0 0 2
es la forma de Jordan de f .
El resultado general no va a ser mas que enunciado y se hace en los terminos siguientes:
Proposicion 3.4.1
Sea f un endomorfismo de V de polinomio caracterstico
y de polinomio mnimo
siendo 1 si ri y i 6= j si i 6= j. Entonces:
1. Para cada subespacio f -invariante Vi = ker(f i )si (i = 1, 2, . . . , l), existe una base Bi (con ri
vectores) respecto de la cual el endomorfismo restriccion de f a Vi tiene por matriz Ji , donde
los elementos de la diagonal principal son todos iguales a i , los de los lugares (j, j + 1) son cero
o uno y el resto todos iguales a cero.
B = B1 B2 . . . Bl
3. La matriz por cajas obtenida en 2. recibe el nombre de matriz de Jordan de f , y es unica salvo
reordenacion de los elementos (j, j) y (j, j + 1).
Es inmediato que en terminos de matrices el enunciado precedente se expresa diciendo que toda
matriz A (de tamano n n con PA (X) y mA (X) como los de la proposicion anterior) es semejante a
una matriz por cajas como la detallada en el ultimo punto 2.
Ejemplo 3.4.3
Este ejemplo tiene como proposito el avisar sobre una cuestion que a veces puede llevar a errores.
Si el lector revisa detenidamente los casos que aparecen cuando se determina la forma de Jordan de
una matriz 3 3, podra observar lo siguiente. Si dos matrices tienen igual polinomio caracterstico y
el numero de 10 s y 00 s por encima de dicha diagonal coinciden, las matrices son semejantes. Pues la
advertencia es que este hecho no es generalizable cuando el tamano de las matrices aumenta, como se
muestra mediante las matrices dadas a continuacion.
0 1 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1 0 0
A = 0 0 0 1 0 ,
B= 0 0 0 1 0
0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
Es obvio que las matrices A y B tienen el mismo polinomio caracterstico y el mismo numero de 10 s y
00 s por encima de dicha diagonal, sin embargo los polinomios mnimos son diferentes: mA (X) = X 3
y mB (X) = X 4 , de donde se desprende que A y B no son semejantes.
3.4.1 Ejercicios
Ejercicio 3.4.1.1
Dar una matriz A de tamano 3 3 y una matriz 4 4 con coeficientes reales tales que ambas sean
nilpotentes de ndice 2.
Ejercicio 3.4.1.2
Se consideran las aplicaciones f y f1 del ejercicio 3.3.1.4. Son endomorfismos nilpotentes? De que
ndices?
Ejercicio 3.4.1.3
Sean fi con i = 1, , 6 los endomorfismos de R3 que, respecto de la base canonica, tienen asociadas
respectivamente las matrices Ai (i = 1, , 6) siguientes.
1 0 0 4 2 1 6 2 0
A1 = 1 2 0 A2 = 0 0 2 A3 = 4 0 0
2 2 4 0 4 6 1 3 4
2 0 0 2 2 2 8 4 2
A4 = 0 2 0 A5 = 0 2 0 A6 = 2 2 0
0 0 2 0 0 2 2 2 2
1. Determinar el polinomio caracterstico y el polinomio mnimo de cada fi .
2. Hallar para cada fi una base de R3 respecto de la cual la matriz asociada a fi sea de Jordan.
Ejercicio 3.4.1.4
Sea f un endomorfismo de un C-espacio vectorial V de dimension 5 tal que U y W son subespacios
f -invariantes de V de dimensiones 3 y 2 respectivamente. Sean fU y fW las restricciones de f a U y
W respectivamente. Supongamos que el polinomio caracterstico de f tiene dos races distintas, y que
los polinomios mnimos de fU y fW son iguales.
2. Construir un endomorfismo f de C5 con las caractersticas senaladas, indicando cuales son los
subespacios f -invariantes.
Ejercicio 3.4.1.5
Sea f un endomorfismo de R3 que esta definido, respecto de la base canonica de R3 , por la matriz
1 4 3
A = 1 4 3 .
1 7 6
2. Determinar una base de R3 respecto de la cual la matriz asociada a f sea de Jordan. Cual es
dicha matriz de Jordan?
Ejercicio 3.4.1.6
Sea f un endomorfismo de R3 . Cual de las siguientes afirmaciones es verdadera y cual es falsa?
En general, la aproximacion de los autovalores mediante el calculo de las soluciones del polinomio
caracterstico a traves de un metodo numerico es altamente arriesgado ya que en muchas aplicaciones
practicas los coeficientes de la matriz A se conocen de forma aproximada y estamos acumulando dos
tipos de errores: los que aparecen al calcular PA (X) y los que origina la aproximacion de las soluciones
de la ecuacion PA (X) = 0.
Uno de los metodos mas usados en la practica para el calculo aproximado de autovalores es el
metodo de la potencia. Sea A una matriz de orden n y supongamos que todos sus autovalores,
1 , . . . , n , son reales, distintos y sea 1 el autovalor verificando
|i | |1 |, 2in
entonces (si 1 6= 0)
Xk
lim k
= x1 u1
k 1
Yk+1
Xk+1 = .
k+1
La sucesion Xk sigue teniendo como lmite un multiplo de u1 , u1 , y por ello la sucesion Yk tiene
como lmite 1 (u1 ). Como
se concluye que k tiende a 1 y que Xk tiene como lmite u1 . Hemos obtenido entonces una aproxi-
macion al primer autovalor y al primer autovector. (Como se calculara 2 ?).
3.6. PROBLEMAS DE LA TEORIA DEL ENDOMORFISMO 99
Problema 3.6.2
Utilizando matrices cuadradas de tamanos 22, 33, 44. Descubre la relacion entre el determinante
de la matriz, la suma de los valores propios, ... y los coeficientes de su polinomio caracterstico.
Problema 3.6.3
Sea f un endomorfismo de un Kespacio vectorial V . Un subespacio W de V se dice invariante por f
o f invariante si f (W ) esta contenido en W .
Problema 3.6.4
Sea V un Respacio vectorial.
Problema 3.6.5
Sea f un endomorfismo de Rn .
Problema 3.6.6
Respecto a la base canonica de R4 , calcula la matriz del endomorfismo f : R4 R4 caracterizado por
verificar:
Problema 3.6.7
Halla los autovalores y los subespacios propios del endomorfismo f de R3 que, respecto la base canonica,
tiene asociada la siguiente matriz
1 1 0
A = 3 1 6
1 1 3
Analiza si f es diagonalizable.
Problema 3.6.8
Halla los autovalores y los subespacios propios del endomorfismo f de R3 que, respecto la base canonica,
tiene asociada la siguiente matriz
1 1 1
A= 1 1 1
1 1 1
Analiza si f es diagonalizable.
Problema 3.6.9
Sea V un Respacio vectorial de dimension 4, y sea f un endomorfismo de V que en cierta base dada
tiene por matriz a
3 3 0 1
1 1 0 1
A= 1
2 1 1
2 4 0 3
Halla los autovalores y los subespacios propios de f y comprueba si es diagonalizable.
Problema 3.6.10
Sea V un espacio vectorial real de dimension 3, en el que se considera una base B = {v, w, u}. De un
endomorfismo f de V se sabe que:
Problema 3.6.11
1 a 1
Sea f : R3 R3 un endomorfismo que respecto de la base canonica tiene por matriz A = 0 1 b
0 0 c
Bajo que condiciones es f diagonalizable?
Problema 3.6.12
Sea f : R3 R3 un endomorfismo tal que f 2 = f . Demuestra que f es diagonalizable y halla sus
vectores propios.
Problema 3.6.13
Sea A una matriz n n con coeficientes reales. Dicha matriz A puede considerarse como asociada
a un endomorfismo de Rn (como Respacio vectorial) o a un endomorfismo de Cn (como C-espacio
vectorial).
a) Da un ejemplo de matriz real 4 4 que sea diagonalizable sobre C y no sobre R.
b) Da un ejemplo de matriz real 4 4 que no sea diagonalizable sobre C. Lo sera sobre R?
c) Demuestra que toda matriz real 3 3 cuyo polinomio caracterstico tenga una sola raz real es
diagonalizable sobre C.
Problema 3.6.14
Sea f un endomorfismo de R3 del que se sabe lo siguiente:
a) f es diagonalizable y solo tiene dos autovalores distintos.
b) Si U = {(x, y, z) R3 : x 2y z = 0} y V = h{(1, 0, 1), (1, 1, 1)}i, f (U ) = V .
c) Un valor propio de f es 1 y uno de sus vectores propios pertenece a U .
d) (1, 0, 1) es un vector propio de f , y esta asociado a un autovalor simple.
Halla la matriz A asociada a f respecto de la base canonica, en funcion de cuantos parametros sea
preciso.
Problema 3.6.15
Sea V un Respacio vectorial de dimension 125 y f un endomorfismo de V no inyectivo tal que f 3 =
196f . Sean Mf (X) y Pf (X) el polinomio mnimo y el polinomio caracterstico de f respectivamente.
Justifica cada una de las siguientes implicaciones:
f 3 = 196f Mf (X) es un divisor de X(X 14)(X + 14)
Pf (X) = X r (X 14)s (X + 14)t , 1 r, 0 s, 0 t , r + s + t = 125
ker(f ), ker(f 14IV ), ker(f + 14IV ) tienen resp. dimensiones r, s, t
Existe B base de V tal que MB (f ) es diagonal con 0s, 14s y (-14)s en la
diagonal principal.
102 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Problema 3.6.16
Di, razonadamente, si son verdaderas o falsas las afirmaciones siguientes:
a) Si A M4 (R) y PA (X) = X(X 1)(X 2)2 entonces A tiene rango 2.
b) Sea f un endomorfismo de R4 . Se sabe que dim ker(f 3I) > 1 y que mcd{Mf (X), (X 5)(X
4)2 } tiene dos races distintas. En esas condiciones f es diagonalizable.
Problema 3.6.17
Sea f : R4 R4 un endomorfismo cuya matriz asociada respecto de las bases canonicas es
1 0 0 0
8 1 4 0
A= 4
0 1 0
4 4 8 1
Problema 3.6.18
Sea B = {e1 , e2 , e3 , e4 } la base canonica de R4 , y f : R4 R4 un endomorfismo del que se sabe:
El polinomio caracterstico tiene todas sus races reales pero solo dos son distintas.
Problema 3.6.19
Sea B = {e1 , e2 , e3 , e4 } la base canonica de R4 , y f : R4 R4 un endomorfismo del que se sabe
ker(f ) = h{e2 + e4 }i, f (e1 ) = e2 y f (e2 ) = e1
3.6. PROBLEMAS DE LA TEORIA DEL ENDOMORFISMO 103
c) Supongamos que f (0, 0, 1, 1) = (1, 1, 0, 1). Escribe la matriz asociada a f respecto de la base
canonica. Es f diagonalizable en este caso?
Problema 3.6.20
Sea f : R3 R3 una aplicacion lineal tal que
Problema 3.6.21
Sea V un R-espacio vectorial de dimension 7, y U y W dos subespacios de V tales que V = U W
con dim(U ) = 4. Si p : V V es la aplicacion proyeccion sobre U en la direccion de W , cuales de
las siguientes afirmaciones son verdaderas?
2. rango(f ) = dim(U )
Problema 3.6.22
Sea f : R4 R3 el endomorfismo definido por
f (x, y, z, t) = (x y, z t, x y + z t)
104 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Problema 3.6.23
Blancanieves distribuyo 3 litros de leche a los siete enanitos. A continuacion el primero de ellos
distribuyo el contenido de su taza de modo uniforme a las otras seis tazas, despues el segundo hizo lo
mismo, y as sucesivamente. Cuando el septimo enanito hubo realizado la misma operacion, se pudo
comprobar que cada uno de los enanos tena exactamente la misma cantidad de leche en su taza que
al comienzo. Cual fue la distribucion inicial de leche? Esta es la pregunta a la que se debe responder
y para lo que se va a seguir el siguiente procedimiento.
1. Identifiquemos cada distribucion inicial de leche con un vector v de R7 , v = (x1 , , x7 ), donde
cada xk denota la cantidad de leche en la taza k. La distribucion realizada por cada uno de los
enanitos puede ser interpretada como una aplicacion lineal tk , (k = 1, , 7) de R7 en s mismo.
Describe cada tk por la matriz Tk asociada respecto de la base canonica.
7
2. Explica por que el problema quedaP7 resuelto hallando un vector u de R ,u = (a1 , , a7 ), tal que
t(u) = u con t = t7 t1 y k=1 ak = 3.
3. Mediante las instrucciones que aparecen en el primero de los cuadros siguientes puedes realizar
el calculo efectivo del vector u del apartado anterior utilizando Maple.
4. En este apartado se da un metodo alternativo para el calculo del vector u.
Sea p : R7 R7 la aplicacion lineal definida por la matriz (respecto de la base canonica)
P = (pij ) donde p71 = 1, pi,i+1 = 1 y pij = 0 en el resto de los casos. Que efecto produce
sobre las tazas la matriz P ? Determina A = P T1 y describe el efecto producido al
aplicar siete veces consecutivas el endomorfismo s de R7 definido por A (es decir, el efecto
producido por s7 ). El procedimiento s7 y el procedimiento original, t, tienen el mismo
efecto? Calcular elPvector u del segundo apartado es equivalente a calcular un vector
u ker(s7 I) con 7k=1 ak = 3? Para dar respuesta a esto, ayudate de Maple (segundo
cuadro)
3.6. PROBLEMAS DE LA TEORIA DEL ENDOMORFISMO 105
Este ejercicio aparece, sin las aplicaciones de Maple, en el libro Abstract Algebra with Applications
de Karlheinz Spindler.
Problema 3.6.24
Un inversor desea abrir tres cuentas A1 , A2 y A3 con cantidades iguales. Dichas cuentas tienen una
ganancia anual del 6%, 8% y 10% respectivamente. Al final de cada ano la poliza del inversor invierte
1/3 del dinero ganado en A2 y 2/3 del dinero ganado en A3 en A1 , y 1/3 del dinero ganado en A3 en
A2 .
1. Escribe el sistema de ecuaciones que representa la cantidad invertida en cada cuenta despues de
n anos.
Este ejercicio aparece en el libro Interactive Linear Algebra with MAPLE V de Deeba/Gunawardena.
Problema 3.6.25
Se considera la matriz
1 0 2
A= 0
1 0
0 0 1
Halla una base de R3 en la que la misma se represente mediante la forma canonica de Jordan.
Problema 3.6.26
Sea V = C3 y f : V V una aplicacion lineal cuya matriz respecto de la base canonica de V es
1 1 2
A = 1 3 3
0 0 1
Se pide:
c) A partir de la descomposicion de V obtenida en la parte b), determina una base B de V tal que
la matriz de f respecto de B este en la forma de Jordan.
Problema 3.6.27
Halla las formas canonicas de Jordan de las matrices
3 0 0
a 3 0
b c 2
para los distintos valores de los parametros a, b y c.
Problema 3.6.28
Sea f : R4 R4 un endomorfismo y
1 0 1 0
1 1 4 0
A=
1
0 3 0
1 0 4 1
Problema 3.6.29
Obten las formas de Jordan de las matrices siguientes:
0 0 0 1 6 6 6 6
1 1 2
1 0 0 1 3 3 3 3
A= B= C = 1 3 1
0 1 0 1 2 2 2 2
2 1 5
0 0 1 1 1 1 1 1
Problema 3.6.30
Sea f un endomorfismo de R4 donde la matriz asociada a f respecto de la base canonica es
1 0 0 0
0 2 1 0
A= 0 1 4
0
0 0 0 2
3.6. PROBLEMAS DE LA TEORIA DEL ENDOMORFISMO 107
b) Da una base de R4 respecto de la cual la matriz asociada a f sea la forma canonica de Jordan.
Como es dicha matriz?
Problema 3.6.31
Si la forma de Jordan de una matriz A es
2 1 0 0 0
0 2 0 0 0
0
J = 0 4 0 0
0 0 0 4 1
0 0 0 0 4
Problema 3.6.32
Sea f : R5 R5 un endomorfismo cuya matriz asociada respecto de la base canonica es
2 1 0 0 0
1 0 0 0 0
A= 0 0 2 1 0
0 0 1 0 0
0 0 0 0 1
a) Demuestra que los subespacios U = h{e1 , e2 }i, W = h{e3 , e4 }i, T = h{e5 }i son subespacios
f invariantes.
c) Sin hacer mas calculos que los ya realizados, da una base de R5 respecto de la cual la matriz
asociada a f sea la forma canonica de Jordan.
Problema 3.6.33
Sea f : R3 R3 un endomorfismo cuya matriz asociada respecto de la base canonica es
0 2 0
A = 2 4 0
0 0 2
Se pide:
108 LECCION 3. LA TEORIA DEL ENDOMORFISMO
a) Determinar una base de R3 respecto de la cual la matriz asociada a f sea la forma canonica de
Jordan. Da la matriz de Jordan asociada a f.
siendo A la matriz de arriba y 0 la matriz nula 3 3. Con ayuda de los apartados anteriores,
determinar
- una base de R6 respecto de la cual la matriz asociada a h sea la forma canonica de Jordan,
- la matriz de Jordan asociada a h, y
- el polinomio caracterstico, el polinomio mnimo de h y dim ker(h 2I).
Problema 3.6.34
Sea f : R6 R6 un endomorfismo y B = {e1 , e2 , e3 , e4 , e5 , e6 } la base canonica de R6 . La matriz
asociada a f respecto de B es
1 0 0 1 0 1
0 1 0 0 1 0
0 0 2 0 0 0
A=
0 0 0 0 0 1
0 1 0 0 1 0
0 0 0 1 0 2
a) Demuestra que los subespacios U = h{e1 , e4 , e6 }i, W = h{e2 , e5 }i, y T = h{e3 }i son f - invari-
antes.
c) Determina una base B2 de R6 respecto de la cual la matriz asociada a f sea de Jordan. Da dicha
matriz.
Problema 3.6.35
Sea A una matriz real 18 18 tal que 3A2 + 2A + I = (0), donde I es la matriz identidad 18 18 y
(0) es la matriz nula 18 18.
Problema 3.6.36
Sea f : R4 R4 un endomorfismo tal que
f (1, 1, 0, 0) = (0, 1, 0, 1)
f (1, 0, 1, 0) = (1, 1, 1, 0)
ker(f ) = Im(f )
Se pide:
Problema 3.6.37
Sea f : R5 R5 un endomorfismo y M su matriz asociada respecto de la base canonica
0 0 0 0 0
0 0 0 0 0
M =1 1 0 0 0
0 0 0 1 1
0 0 0 4 3
Se pide:
2. Determinas una base de R5 respecto de la cual la matriz asociada a f tenga la forma canonica
de Jordan. Da dicha matriz.
Problema 3.6.38
Sea f : R4 R4 un endomorfismo tal que
f (1, 1, 0, 0) = (0, 1, 0, 1)
f (1, 0, 1, 0) = (1, 1, 1, 0)
Se pide:
1. Hallar la matriz asociada a f respecto de la base B = {v1 = (1, 1, 0, 0), v2 = (1, 0, 1, 0), v3 =
(0, 1, 0, 1), v4 = (1, 1, 1, 0)} .
3. Que condicion de las dadas en el enunciado te permitira decir, sin realizar ningun otro calculo,
si f es o no diagonalizable ? Por que?
Problema 3.6.39
Define de R3 en R3 tres endomorfismos: f1 , f2 y f3 , tales que el polinomio caracterstico de todos ellos
sea (x 2)3 , y cuyas formas de Jordan sean todas distintas.
Si p(X) es el polinomio monico de menor grado tal que p(f1 ), p(f2 ) y p(f3 ) son la aplicacion nula en
R3 , quien es p(X)?
Problema 3.6.40
En R4 se considera un endomorfismo f del que se sabe:
f (e1 ) = e1 + e2
ker(f ) = h{e1 + e2 , e3 + e4 }i
h{e3 , e4 }i es f -invariante
Se pide:
Problema 3.6.41
Se considera la matriz n n siguiente:
0 1 0 0 ......... 0 0
0 0 1 0 ......... 0 0
.. .. .. .. .. ..
. . . . . .
. .. .. .. .. ..
.
. . . . . .
M = .. .. .. .. .. ..
. . . . . .
. .. .. .. .. ..
.. . . . . .
0 0 0 0 ......... 0 1
a0 a1 a2 a3 ......... an2 an1
2. Demuestra que si es una raz del polinomio caracterstico de M , entonces el vector (1, , 2 , . . . , n1 )
es un vector propio asociado al valor propio .
3.6. PROBLEMAS DE LA TEORIA DEL ENDOMORFISMO 111
Problema 3.6.42
Sea A una matriz no nula 1001 1001 tal que A3 = 4A.
1. Estudia para que valores de el sistema de ecuaciones siguiente puede tener solucion no trivial,
es decir distinta de la nula.
x1 x1
x2 x2
A ... = ...
x1001 x1001
2. Describe las posibles formas de Jordan de la matriz A
Problema 3.6.43
Se considera la siguiente matriz de tamano n n: M = (aij ) donde aij = 0 si i 6= j y aii = i para
1 i n. Sea f : Rn Rn el endomorfismo que respecto de la base B = {en , en1 , . . . , e1 } tiene por
matriz asociada a M .
1. Cual es la matriz M 0 asociada a f respecto de la base canonica Bc = {e1 , e2 , . . . , en }?
Problema 3.6.44
Se considera la siguiente matriz de tamano n n: M = (aij ) donde aij = 0 si i 6= j y aii = i4 para
1 i n. Halla una matriz A tal que A2 = M
Problema 3.6.45
Se considera el endomorfismo f de R7 que respecto de la base canonica tiene por matriz asociada la
siguiente:
1 1 0 0 0 0 0
0 0 1 0 0 0 0
1 1 1 0 0 0 0
0 0 0 2 0 0 0
0 0 0 0 1 0 0
0 0 0 0 1 2 1
0 0 0 0 1 1 0
1. Determina una base de R7 respecto de la cual la matriz asociada a f sea de Jordan.
Problema 3.6.46
Sea f : R5 R5 un endomorfismo tal que la matriz asociada a f respecto de la base canonica es
0 0 0 0 0
1 1 1 0 0
M = 1 1 1 0 0
0 0 0 1 1
0 0 0 1 1
1. Determina Ker(f ).
2. En una base de Ker(f ) intercala vectores de la base canonica de R5 para obtener una base B de
R5 tal que la matriz asociada a f respecto B tenga forma de Jordan. Da esa matriz de Jordan.
3. Describe y utiliza otro metodo diferente al anterior para obtener una base respecto de la cual la
matriz asociada a f tenga forma de Jordan. Da la matriz de Jordan respecto de esa base.
Problema 3.6.47
Sean U1 y U2 los subespacios de R5 siguientes:
Problema 3.6.48
Sea f : R8 R8 un endomorfismo y Bc = {e1 , , e8 } la base canonica de R8 . Se sabe que U =<
{e1 , e3 , e5 } >, W =< {e2 , e4 , e6 } > y T =< {e7 , e8 } > son subespacios f -invariantes. Sean fU , fW y
fT las restricciones de f a U , W y T respectivamente.
1. Sabiendo que
1 1 0
MBU (fU ) = 1 1 0
0 1 0
siendo BU = {e1 , e3 , e5 } >, determina una base de U respecto de la cual la matriz asociada a fU
sea de Jordan. Da dicha matriz.
Problema 3.6.49
La posicion en el plano de una masa puntual en el instante t viene dada por (x(t), y(t)). Si (x0 (t), y 0 (t))
es su vector velocidad, halla la funcion x(t) en cada uno de los casos siguientes, en los que se establecen
las condiciones que satisface cada una de dichas funciones.
1. x0 = y, y 0 = x, x(0) = 1, y(0) = 0
2. x0 = y, y 0 = x, x(0) = 0, y(0) = 1
3. x0 = ax + y, y 0 = y, x(0) = 0, y(0) = 1
Problema 3.6.50
Halla el termino general de la sucesion {xn }
n=1 de Fibonacci sabiendo que xn = xn1 + xn2 , x0 = 1,
x1 = 1.
Problema 3.6.51
Sea
7 6
A= .
5 4
Determinar, si existe, una matriz B (con las mismas dimensiones que A) tal que B 2 = A.
114 LECCION 3. LA TEORIA DEL ENDOMORFISMO
Leccion 4
Geometra Eucldea
Definicion 4.1.1
Sea V un R-espacio vectorial n-dimensional, y : V V R una aplicacion por la cual la imagen
de un par (v, w) va a denotarse por v w. Se dice que es un producto escalar o un producto interno
si verifica cada una de las condiciones siguientes, donde v, w, u son vectores cualesquiera de V y ,
elementos cualesquiera de R:
i) v w = w v
ii) (v + u) w = v w + u w, v (w + u) = v w + v u
iii) v v 0, y v v = 0 si y solo si v = 0.
Un espacio vectorial real sobre el que se considera un producto escalar recibe el nombre de espacio
vectorial eucldeo.
Tambien es habitual denotar un producto escalar definido en V por <, > y el producto escalar de
los vectores v, w por < v, w >.
Ejemplo 4.1.1
donde p(x)2 0, x [0, 1]. Si p(x) no es la funcion nula, p(x0 )2 > 0 para algun x0 [0, 1]. La
funcion p(x) es continua por tanto p(x)2 > 0 para todo numero x de un entorno de x0 contenido
2
115
116 LECCION 4. GEOMETRIA EUCLIDEA
en el intervalo [0, 1]. En ese entorno la funcion p(x)2 encierra una area positiva. Por tanto si
p(x) 6 0,
Z 1 Z x0 +
2
p(x) p(x) = p(x) dx p(x)2 dx > 0
0 x0
Sea V un espacio vectorial real con un producto escalar . Para todo vector v V se verifica
que kvk2 = vp
v > 0 si v 6= 0, por lo que tiene sentido hablar de una aplicacion k k : V R definida
por kvk = + kvk2 = v v, y que recibe el nombre de aplicacion norma.
Definicion 4.1.2
En las condiciones anteriores, se llama norma de un vector v al numero kvk. Si kvk = 1, el vector v
se llama vector unitario.
Algunas propiedades relativas a la norma estan recogidas en la siguiente proposicion.
Proposicion 4.1.1
1. kvk 0 v V y kvk = 0 v = 0
2. kvk = ||kvk, v V, R. As, para todo vector v no nulo, se tiene que el vector v/kvk es
unitario.
=kwk2 ,=vw
kv wk2 = (v w) (v w) = ||2 kvk2 + ||2 kwk2 2v w =
kk2 0
= kwk2 (kwk2 kvk2 (v w)2 ) 0
Por tanto kwk2 kvk2 (v w)2 0, de donde se deduce 3.
La demostracion de 4:
Definicion 4.1.3
Sea V un espacio vectorial eucldeo de dimension n.
1. Si u y v son dos vectores no nulos de V tales que u v = 0, se dice que u y v son ortogonales.
Proposicion 4.1.2
Sea V un espacio eucldeo.
4.1. PRODUCTO ESCALAR Y ORTOGONALIDAD 117
Demostracion
Si partimos de una combinacion lineal nula de dicha familia: 1 v1 + + r vr = 0, al multiplicar
escalarmente esa combinacion lineal por cada vi , obtenemos que i = 0.
Para probar la segunda afirmacion: Si v, w son vectores de U , (v +w)u = (v u)+(wu) = 0
donde u es cualquier vector de U . De donde se deduce que v + w U .
El procedimiento de ortonormalizacion de Gram-Schmidt, que a continuacion se presenta, permite
determinar una base constituida por vectores ortogonales dos a dos partiendo de cualquier base de V .
Una vez obtenida esa base, sin mas que dividir a cada vector por su norma, contaremos con una base
formada por vectores ortogonales dos a dos y todos ellos de norma 1. Este procedimiento garantiza
que la siguiente definicion no carece de sentido.
Definicion 4.1.4
Sea V un espacio vectorial eucldeo, y B una base de V . Se dice que B es ortogonal si esta formada
por vectores ortogonales dos a dos. Si ademas todos los vectores de una base ortogonal son de norma
1, la base recibe el nombre de ortonormal.
Ejemplo 4.1.2
La base canonica de R3 es ortonormal, y no lo es la base canonica de R3 [x]
Ejemplo 4.1.3 R1
Consideremos el espacio vectorial real V = R2 [x] con el producto escalar < p(x), q(x) >= 0 p(x)q(x)dx.
Sea B = {v1 = 1, v2 = x, v3 = x2 } la base canonica de V , que no es ortonormal para dicho producto.
Se quiere construir una base ortonormal B = {u1 , u2 , u3 } tal que
Podemos hacer = 1.
118 LECCION 4. GEOMETRIA EUCLIDEA
Por tanto:
w1 = 1 y kw1 k2 = 1
< 1, x > 1 1
w2 = x 2
1=x , kw2 k2 =
kw1 k 2 12
1
< 1, x 2 > < x , x2 > 1 1 1
w3 = x 2 1 2 (x ) = x2 + x, kw3 k2 =
kw1 k 2 kw2 k 2 2 6 180
wi
Si hacemos ui = , B = {u1 , u2 , u3 } es una base ortonormal de V que verifica la condicion 4.1
kwi k
(por verificarla B 0 = {w1 , w2 , w3 }).
1 1
u1 = 1, u2 = 2 3( + x), u3 = 6 5( x + x2 )
2 6
El ejemplo anterior explica en gran medida la forma de actuar en el caso general.
Demostracion
Basta probar la existencia de una base ortogonal B 0 = {w1 , , wn } verificando la condicion
h{v1 , , vi }i = h{w1 , , wi }i, i = 1, , n. Para conseguir la base del enunciado basta hacer
wi
ui = .
kwi k
Si n = 1, el resultado es inmediato.
Supongamos que n 2. Sea w1 = v1 y wi = vi + 1 w1 + + i1 wi1 para i = 2, , n siendo
v i wk
k = .
kwk k2
Probemos por recurrencia que los vectores wi0 s satisfacen las condiciones pedidas.
Es facil comprobar que w1 w2 = 0 y h{v1 , v2 }i = h{w1 , w2 }i. Supuesto que las propiedades son
ciertas para w1 , , wi1 , vamos a verlo para w1 , , wi1 , wi .
Multiplicamos escalarmente wi por wk para k = 1, , i 1.
v i wk
wi wk = vi wk + (1 w1 + + i1 wi1 ) wk = vi wk + k wk wk = vi wk kwk k2 = 0
kwk k2
De h{v1 , , vi1 }i = h{w1 , , wi1 }i, wi h{v1 , , vi }i y vi h{w1 , , wi }i, se deduce que
h{v1 , , vi }i = h{w1 , , wi }i.
Proposicion 4.1.4
Sea V un espacio vectorial eucldeo.
Demostracion
Para probar el primero de los apartados:
i) Si u U U , u u = 0. Por tanto u = 0 y U U = 0.
4.1.1 Ejercicios
Ejercicio 4.1.1.1
Se considera la aplicacion
<, >: R3 R3 R
que a cada par de vectores (v, w) con v = (x1 , x2 , x3 ) y w = (y1 , y2 , y3 ) le asocia el numero
3 2 0 y1
< v, w >= ( x1 x2 x3 ) 2 4 0 y2
0 0 0 y3
Ejercicio 4.1.1.2
Se considera la aplicacion
<, >: R3 R3 R
que a cada par de vectores (v, w) con v = (x1 , x2 , x3 ) y w = (y1 , y2 , y3 ) le asocia el numero
3 2 0 y1
< v, w >= ( x1 x2 x3 ) 2 4 0 y2
0 0 1 y3
120 LECCION 4. GEOMETRIA EUCLIDEA
Ejercicio 4.1.1.3
Se considera el siguiente producto escalar sobre V = R3
<, >: R3 R3 R
que a cada par de vectores (v, w) con v = (x1 , x2 , x3 ) y w = (y1 , y2 , y3 ) le asocia el numero
2 0 0 y1
< v, w >= ( x1 x2 x3 ) 0 2 1 y2
0 1 2 y3
1. Sea Bc = {e1 , e2 , e3 } la base canonica de R3 . Comprueba que < ei , ej > es el termino del lugar
(i, j) de la matriz
2 0 0
0 2 1
0 1 2
2. Es Bc una base ortogonal con el producto escalar considerado?
3. Quien es el subespacio ortogonal a U = h{e2 , e3 }i?
4. Quien es el subespacio ortogonal a W = h{e1 , e2 }i?
5. Usando el procedimiento de Gram-Schmidt obten, a partir de la base Bc , una base ortonormal
(con el producto escalar considerado).
Ejercicio 4.1.1.4
Se considera el espacio vectorial eucldeo V = R3 con el producto escalar estandar. Sea U = {(x, y, z)
R3 tal que x + 2y + 3z = 0}
1. Determina U .
2. Escribe el vector v = (1, 2, 3) R3 como suma de un vector u U y de un vector u0 U .
El vector u recibe el nombre de proyeccion ortogonal de v sobre U y se escribe u = pU (v).
El vector u0 recibe el nombre de proyeccion ortogonal de v sobre U y se escribe u0 = pU (v).
3. Escribe cualquier vector de V = R3 como suma de un vector u U y de un vector u0 U
(u = pU (v) y u0 = pU (v)).
Ejercicio 4.1.1.5
Se considera el espacio vectorial eucldeo V = R4 con el producto escalar estandar. Sea U =
{(x, y, z, t) R4 tal que x + 2y + 3z = 0, t = 0}
1. Determina una base ortonormal de U .
2. Sea B = {u1 , u2 , u3 , u4 } una base ortonormal de V tal que {u1 , u2 } sea la base de U hallada en
el apartado anterior.
Es {u3 , u4 } una base de U ?
Si un vector v tiene coordenadas (1 , 2 , 3 , 4 ) respecto B , es cierto que i coincide con el
producto escalar de ui y v?
4.2. PROYECCION ORTOGONAL 121
3. Teniendo en cuenta los resultados anteriores, y sin determinar explcitamente una base de U ,
halla pU (v) para v = (1, 2, 1, 2).
Ejercicio 4.1.1.6
Sea A una matriz real 7 7, cuyas columnas forman una base de R7 , y sea B la matriz que tiene por
columnas los vectores de R7 que se obtienen de aplicar Gram-Schmidt a las columnas de A. Cuales
de las siguientes afirmaciones son verdaderas?
2. El subespacio generado por las tres primeras columnas de A y el subespacio generado por las
tres primeras columnas de B son el mismo.
Ejercicio 4.1.1.7
Sea U el subespacio del espacio vectorial eucldeo V = R4 siguiente:
U = {(x, y, z, t) R4 /x 2y + 3z t = 0}
Ejercicio 4.1.1.8
En el espacio vectorial eucldeo V = R4 se considera el subespacio
Proposicion 4.2.1
En las condiciones anteriores se tiene:
2. v pU (w) = pU (v) w, v, w V
122 LECCION 4. GEOMETRIA EUCLIDEA
Ejemplo 4.2.1
Se considera el espacio vectorial eucldeo R3 con el producto escalar estandar. Sea U = {(x, y, z)
R3 /x y + 2z = 0}, y v = (1, 2, 3). Vamos a determinar la proyeccion ortogonal de v sobre el plano
vectorial U .
Una base de U es BU = {(1, 1, 0), (2, 0, 1)}, y una base de U es, como se deduce de la ecuacion
que define U , BU = {(1, 1, 2)}.
17 4 5
El vector v en la base B = {(1, 1, 0), (2, 0, 1), (1, 1, 2)} tiene coordenadas ( , , ), por tanto
6 3 6
17 4 1 17 4
pU (v) = (1, 1, 0) + ( )(2, 0, 1) = ( , , ).
6 3 6 6 3
5
Simultaneamente podemos determinar pU (v) = (1, 1, 2) = v pU (v).
6
En el ejemplo precedente la determinacion de pU (v) ha necesitado del calculo de las bases de U y
de U , y de expresar v como combinacion lineal de la base union de ambas. Se reducira el esfuerzo
de conocer una base ortonormal de U ?
Ejemplo 4.2.2
1
Si U es el subespacio del ejemplo anterior, una base ortonormal de el es BU0 = {u1 = (1, 1, 0), u2 =
2
1
(1, 1, 1)}, que se ha obtenido aplicando el procedimiento de Gram-Schmidt a la base BU .
3
Si u3 es un vector unitario que genera U , {u1 , u2 , u3 } es una base ortonormal de R3 respecto de
la cual las coordenadas de v son (v u1 , v u2 , v u3 ).
3 (1, 1, 0) 4 (1, 1, 1) 1 17 4
Por tanto pU (v) = (v u1 )u1 + (v u2 )u2 = + ( ) = ( , , ).
2 2 3 3 6 6 3
Trabajando as, la forma de obtener pU (v) es calculando v pU (v), puesto que no hemos deter-
minado explcitamente una base de U .
5
En este caso, en el que dim(U ) = 1, el calculo de pU (v) = (1, 1, 2), que es un vector no nulo,
6
nos permite establecer una base de U . Ello no es posible si dim(U ) > 1.
Por tanto, si dado un subespacio U de V , lo que interesa es exclusivamente conocer pU (v) con
v V , uno puede optar por determinar una base ortonormal BU = {u1 , , ul } de U (a la que siempre
se puede llegar aplicando Gram-Schmidt a cualquier base de U ) y tener en cuenta la siguiente
Proposicion 4.2.2
Si BU = {u1 , , ul } es una base ortonormal de U , pU (v) = 1 u1 + + l ul con i = v ui .
Demostracion
Sea BV = {u1 , , ul , ul+1 , , un } una base ortonormal de V , donde los l primeros vectores
constituyen la base dada de U , y los restantes una de U .
Si escribimos v como combinacion lineal de BV : v = 1 u1 + + l ul + l+1 ul+1 + + n un con
i = v ui , y por tanto pU (v) = 1 u1 + + l ul .
Siempre la obtencion de pU (v) nos permite obtener pU (v) = v pU (v), aunque no U . El
resultado anterior hace innecesario el calculo de ninguna base de U .
Se trata ahora de determinar la proyeccion ortogonal de un vector de Rn sobre un subespacio U
sin necesidad de obtener, como se ha hecho en situaciones precedentes, una base de U o una base
ortonormal de U .
4.2. PROYECCION ORTOGONAL 123
Ejemplo 4.2.3
124 LECCION 4. GEOMETRIA EUCLIDEA
En este ejemplo se trabaja el mismo caso que en ejemplos anteriores pero desde esta nueva
perspectiva.
Se considera el espacio vectorial eucldeo R3 con el producto escalar estandar. Sea U =
{(x, y, z) R3 /x y + 2z = 0}, y v = (1, 2, 3). Vamos a determinar la proyeccion ortogo-
nal de v sobre el plano vectorial U .
Una base de U es BU = {(1, 1, 0), (2, 0, 1)}, por tanto, siguiendo la notacion anterior, la matriz
A es:
1 2
A = 1 0
0 1
Si (1 , 2 ) son las coordenadas de pU (v) en BU , aplicando la formula matricial obtenida anteri-
ormente:
1 1 17
1 t 1 t 1 5 2 1 1 0 6
= (A A) A 2 = 2 = 4
2 6 2 2 2 0 1 3
3 3
17
De donde pU (v) = + ( 34 )(2, 0, 1) = ( 61 , 17
6 (1, 1, 0)
4
6 , 3 ) = (
1 , 2 , 3 ), coordenadas de pU (v)
1
en la base canonica, y que podran haberse obtenido como A .
2
Observar que se podra haber optado por resolver el sistema
1
t 1 t
(A A) =A 2
2
3
A que se reduce el calculo de (At A)1 cuando el espacio sobre el que se proyecta es una recta
vectorial?
Para concluir esta seccion vamos a probar que dado un vector v Rn y un subespacio U de Rn ,
el vector de U que menos difiere de v es pU (v).
Demostracion
Si u = pU (v), v w = (v u) + (u w) con v u U y u w U , de donde (v u) (u w) = 0.
En consecuencia, kv wk2 = kv uk2 + ku wk2 . Deduciendo as la tesis del teorema puesto que
ku wk2 6= 0 si y solo si u = w.
En ese sentido se dice que pU (v) es la mejor aproximacion de v en U .
Este ultimo resultado tiene interesantes aplicaciones, algunas de las cuales se recogen en la seccion
proxima.
4.3. APLICACIONES 125
4.3 Aplicaciones
Vamos a estudiar dos problemas concretos en las que estan involucrados el teorema de aproximacion
de la norma y, en consecuencia, la proyeccion ortogonal de un vector. Esos problemas son el de
aproximacion por mnimos cuadrados y la resolucion de sistemas sobredimensionados.
1
e = v t, s = s0 v0 t gt2 ,
2
En muchos otros fenomenos no es facil, o no es posible, encontrar formulas como las anteriores. En
esos casos se obtienen grandes cantidades de datos, con el objetivo de ajustar una curva a los mismos,
mediante la cual se establece una relacion aproximada entre las variables del problema. Inicialmente
habra que diferenciar dos partes en la resolucion del problema en cuestion: una, la decision de que
tipo de curva ajustar; otra, encontrar la curva del tipo especfico que mejor se ajuste a los datos
dados. A continuacion se trata un caso particular de la segunda cuestion: se muestra como lograr esa
mejor aproximacion cuando se tienen dos variables en el problema.
Supongamos que existen n datos: (x1 , y1 ), (x2 , y2 ), , (xn , yn ) y que el tipo de curva por la que
vamos a aproximar viene dado por y = f (x) donde x, y representan las variables que deseamos rela-
cionar y f (x) = mx + b, ax2 + bx + c, , segun el ajuste a realizar sea lineal, cuadratico, . Lo que
se hace en esta situacion es buscar, por ejemplo, la recta y = mx + b que mejor se ajuste a los datos
del problema: esto es, debemos determinar m y b tal que
n
X
(yi (b + mxi ))2
i=1
sea lo mas pequeno posible. A esta busqueda se denomina ajuste por mnimos cuadrados.
Teorema 4.3.1
Sean (x1 , y1 ), (x2 , y2 ), , (xn , yn ) un conjunto de n puntos de R2 tal que no todos los xi coinciden. Si
1 x1
. ..
A = .. .
1 xn
y
y1
b .
= (At A)1 At ..
m
yn
entonces y = mx + b es la recta que da el mejor ajuste por mnimos cuadrados para los puntos
considerados.
Para este caso particular se puede probar la existencia de la inversa de At A viendo que su deter-
minante es no nulo utilizando la desigualdad de Cauchy-Schwarz.
126 LECCION 4. GEOMETRIA EUCLIDEA
Teorema 4.3.2
Sean (x1 , y1 ), (x2 , y2 ), , (xn , yn ) un conjunto de n puntos de R2 tal que no todos los xi coinciden. Si
1 x1 x21
A = ...
..
.
..
.
1 xn x2n
y
y1
a
b = (A A) A ...
t 1 t
c yn
entonces y = ax2 + bx + c es la parabola que da el mejor ajuste por mnimos cuadrados para los puntos
considerados.
La clave de la demostracion de estos teoremas se halla en observar que el vector de los coeficioentes
de la recta o de la parabola verificando la condicion exigida es justamente la proyeccion dl vector de
los yi s sobre el subespaico de Rn definido por las columnas de A.
Teorema 4.3.3
Sean A una matriz con m filas y n columnas, m n y b un vector columna en Rm . Si
x = (At A)1 At b
entonces
kAx bk < kAy bk
Proposicion 4.4.1
Sea un endomorfismo de V . Las siguientes condiciones son equivalentes:
i) k(v)k = kvk para todo v de V
ii) (u) (v) = u v para cualesquiera u, v de V
La implicacion ii) = i) es inmediata. Para probar que i) = ii), desarrollar k(u + v)k2 y ku + vk2 .
Proposicion 4.4.2
Sea un endomorfismo de V , y B = {u1 , , un } una base ortonormal de V . Se tiene:
1. es una transformacion ortogonal si y solo si B 0 = {(u1 ), , (un )} es una base ortonormal
de V .
2. es una transformacion ortogonal si y solo si la matriz MB () es una matriz ortogonal.
Demostracion
1. Supongamos que es una transformacion ortogonal.
En este caso es biyectiva y por tanto {(u1 ), , (un )} es base. Como conserva el producto
escalar: (ui ) (uj ) = ui uj = ij ,(0 si i 6= j, 1 si i = j). Lo que prueba que B 0 es ortonormal.
Supongamos que B 0 = {(u1 ), , (un )} es una base ortonormal de V , y probemos que
conserva la norma.
Sea v un vector cualquiera de V , que se expresara en funcion de B como v = 1 u1 + + n un
(con i = v ui ). Por ser lineal, (v) = 1 (u1 ) + + n (un ) (con i = v ui = (v) (ui )
por ser B 0 ortonormal).
Por ser B y B 0 ortonormales, kvk2 = n1 i2 = k(v)k.
P
128 LECCION 4. GEOMETRIA EUCLIDEA
Proposicion 4.4.3
Si es una transformacion ortogonal de V , se verifica que
Supongamos que es un autovalor de , y sea v un vector propio asociado a . Se tiene entonces que
k(v)k = ||kvk = kvk =6 0, de donde se obtiene que || = 1, y = 1. Queda as probado el primero
de los apartados. La prueba de los dos ultimos apartados no entrana ninguna dificultad.
Proposicion 4.4.4
Sea V un espacio vectorial eucldeo de dimension 2, y una transformacion ortogonal definida en V .
Existe una base ortonormal de V respecto de la cual la matriz asociada a es de una de las formas
siguientes:
cos sen
1. con 0 < 2
sen cos
1 0
2.
0 1
Demostracion
Observemos primero que un mismo endomorfismo no puede ser representado por las dos matrices
descritas anteriormente. Ello supondra que dichas matrices fuesen semejantes y en consecuencia que
tuviesen el mismo determinante, cosa que no es cierta.
Sea B = {v1 , v2 } una base ortonormal cualquiera de V (siempre podemos hallar una, y en el caso
que V = R2 con el producto
escalar habitual podemos considerar la base canonica).
a b
Si A = MB () = , A es ortogonal y por tanto, At A = AAt = In y det(A) = 1. Despues
c d
de realizar las operaciones correspondientes, se obtienen las siguientes igualdades (*):
a2 + b2 = a2 + c2 = c2 + d2 = b2 + d2 = 1
ac + bd = ab + cd = 0
Estas condiciones de que det(A) = ad bc = 1, conducen a que a = d y b = c, y en
en el caso
a b
consecuencia A = con a2 + b2 = 1.
b a
Existe entonces un unico valor [0, 2) tal que a = cos y b = sen. Se tiene pues que la matriz
asociada a respecto cualquier base ortonormal es de la forma del apartado 1
4.4. ISOMETRIAS EN ESPACIOS VECTORIALES EUCLIDEOS 129
Las igualdades
(*) junto
con det(A) = ad bc = 1, permiten deducir que a = d y b = c. En
a b
este caso A = con a2 + b2 = 1, y su polinomio caracterstico es (X + 1)(X 1).
b a
Si b = 0 entonces a = 1, y la base buscada es la de partida o la que se obtiene de permutar en
ella los vectores.
Si b 6= 0, el vector w1 de coordenadas (b, 1 a) es un vector propio asociado al valor propio 1 y w2
de coordenadas (b, 1 + a) es un vector propio asociado al valor propio 1. El producto escalar de
w1
w1 y w2 es cero. Esto nos asegura que la base B 0 = { kw , w2 } es una base ortonormal.
1 k kw2 k
Definicion 4.4.2
Sea V un espacio vectorial eucldeo de dimension 2, una transformacion ortogonal definida en V , y
A la matriz asociada a con la forma de la proposicion anterior. Se dice que es
cos sen
1. Una rotacion vectorial de amplitud , si A = con 0 < 2.
sen cos
2. Una simetra
vectorial
ortogonal (de eje el conjunto de vectores fijos V (1) = {v V /(v) = v}),
1 0
si A = .
0 1
Ejemplo 4.4.1
Si 2
3 es4 latransformacion ortogonal de R que respecto de la base canonica tiene por matriz
5 5 , p (X) = (X 1)(X + 1) y es una simetra vectorial ortogonal de eje V(1) = hw1 =
4
5 35
(2, 1)i. Como V(1) = hw2 = (1, 2)i = V(1) , respecto de la base ortogonal {w , w } o de la base
1 2
w1 1 0
ortonormal { kw , w2 }, la matriz asociada a es
1 k kw2 k
.
0 1
Si es la transformacion
! ortogonal de R2 que respecto de la base canonica tiene por matriz
1 3
A= 2
3
2
1
, det(A) = 1 y p (X) = X 2 X + 1 es irreducible. La isometra es una
2 2
rotacion de amplitud 3, respecto de la base canonica.
Sea una isometra del espacio vectorial eucldeo V de dimension 2, cuyo polinomio caracterstico
p (X) = X 2 + X + es reducible sobre R. Si = 1 entonces es una simetra. Si = 1, es
una rotacion, de matriz I2 si = 2 y de matriz I2 si = 2.
0 1 no es raz
n n
es rotacion dimV(1) = de p (X)
2 1 es raz doble
X 2 + X + irreducible sobre R
p (X) = (X + 1)2
(X 1)2
La composicion de dos rotaciones es otra rotacion de amplitud la suma de las amplitudes, modulo
2.
La composicion de dos simetras es una rotacion, que es la identidad si las simetras coinciden.
La composicion de una rotacion y una simetra es una simetra.
Da un argumento que pruebe lo anterior.
Sean y las isometras de R2 definidas por:
(x, y) = (y, x) (x, y) = (x, y)
Ambas son simetras. El eje de es la recta vectorial cuyos elementos son de la forma (a, a)
(bisectriz del primer y tercer cuadrante). El eje de es el eje de abscisas como recta vectorial.
Que rotaciones son y ? Que relacion hay entre ambas?
Se ha visto que la composicion de dos simetras es una rotacion. El recproco tambien es cierto:
toda rotacion es composicion de dos simetras.
Si r es una rotacion, r = r IV = r s s, donde s es cualquier simetra. La aplicacion r s = s0
es otra simetra.
Ejercicio 4.4.3.1
En el espacio vectorial eucldeo V = R3 se considera el subespacio
U = h{(1, 1, 1), (0, 0, 1)}i
1. Determina U
2. Sea pU : R3 R3 el endomorfismo que a cada vector v R3 le asocia su proyeccion ortogonal
sobre U , y sea pU : R3 R3 el endomorfismo que a cada vector v R3 le asocia su proyeccion
ortogonal sobre U (ver ejercicio 4.1.1.4). Hallar los vectores pU (v) y pU (v) con v = (x, y, z).
3. Se considera el endomorfismo = pU pU de V = R3 . Comprueba que es una isometra.
4. Supongamos que B = {u1 , u2 , u3 } es una base ortonormal de V = R3 tal que {u1 , u2 } es base
de U . Cual es la matriz asociada a respecto de la base B ?
5. Muestra graficamente el comportamiento de .
Ejercicio 4.4.3.2
En el espacio vectorial eucldeo V = R2 se consideran los siguientes endomorfismos i , determinados
por sus matrices asociadas respecto de la base canonica de R2 .
1 0 0 1 1 0 0 1
1 : 2 : 3 : 4 :
0 1 1 0 0 1 1 0
1 0 1 0 0 1 0 1
5 : 6 : 7 : 8 :
0 1 0 1 1 0 1 0
4.4. ISOMETRIAS EN ESPACIOS VECTORIALES EUCLIDEOS 131
2. Determina cuales de las isometras anteriores vienen definidas por una matriz de la forma
cos sen
sen cos
con 0 < 2.
Cual es el polinomio caracterstico de cada uno de tales endomorfismos?
3. Comprueba que los endomorfismos no considerados en el apartado anterior tienen todos ellos
polinomio caracterstico igual a X 2 1.
Determina para cada uno de ellos una base respecto de la cual la matriz asociada sea diagonal.
Comprueba que las bases obtenidas son ortogonales.
5. Completa la tabla siguiente donde en cada casilla debe aparece la composicion de los dos endo-
morfismos de la fila y la columna correspondientes, como se indica en los ejemplos:
en la tercera casilla de la primera fila aparece 3 porque 3 = 1 3 ,
en la sexta casilla de la cuarta fila aparece 7 porque 7 = 4 6 ,
como 8 = 6 4 = 3 7 aparece en los lugares (6,4) y (3,7) de la tabla, ...
1 2 3 4 5 6 7 8
1 3
2 3
3 8
4 7
5
6 8
7
8 1
8. Mirando la tabla determina tres subconjuntos de G que con la composicion tengan estructura
de grupo. En este caso se dice que cada uno de esos subconjuntos es un susbgrupo de G.
132 LECCION 4. GEOMETRIA EUCLIDEA
Ejercicio 4.4.3.3
Sean 1 , 2 y 3 los endomorfismos de V = R3 definidos, respecto de la base canonica, por las matrices
siguientes.
1 0 0
1 0 0 1 0 0
1 3
M (1 ) = 0 1 0 M (2 ) = 0 2 2 M (3 ) = 0 1 0
0 0 1 0 23 21 0 0 1
2. Las transformaciones 1 , 2 y 3 son simetras (vectoriales). Senala para cada una de ellas,
el plano de vectores fijos (o base de la simetra), as como un vector que se transforme en su
opuesto. Que relacion hay entre el plano y el vector?
Ejercicio 4.4.3.4
Se consideran las siguientes bases de V = R3 :
3. Demuestra que es una simetra (vectorial), y determina el plano de vectores fijos (base de la
simetra).
4. Halla una isometra de V = R3 tal que = sea la simetra que tiene como plano de
vectores fijos el generado por e1 y e2 . D que tipo de transformacion es y establece los elementos
que la caracterizan.
4.4. ISOMETRIAS EN ESPACIOS VECTORIALES EUCLIDEOS 133
Ejercicio 4.4.3.5
Se consideran las isometras 1 y 2 de V = R3 siguientes
1 es una rotacion de eje la recta vectorial U = h{e1 + e2 }i y amplitud .
3
2 es una simetra ortogonal respecto el plano vectorial U (con U = h{e1 + e2 }i).
Lema 4.4.1
Si U es un subespacio vectorial de V -invariante, se tiene
1. (U ) = U
2. U es -invariante, y (U ) = U
Demostracion
Si {u1 , , ul } es una base de U , la familia de vectores {(u1 ), , (ul )} es una base de U :
- Los vectores (u1 ), , (ul ) son linealmente independientes por ser inyectiva.
- (ui ) U para i = 1, , l por ser -invariante.
- Como U tiene dimension l, h{(u1 ), , (ul )}i = U
Se deduce entonces que (U ) = U .
Para probar el punto 2 basta ver que (U ) U .
Sea u (U ), w U tal que (w) = u y v un vector cualquiera de U . Veamos que el producto
escalar de u y v es 0.
El vector v = (v 0 ) con v 0 U por el apartado 1. Entonces u v = (w) (v 0 ) = w v 0 = 0.
Lema 4.4.2
Demostracion
Solo vamos a probar el primero de los apartados. En el segundo el razonamiento es completamente
analogo.
Supongamos que 1 es raiz de p|W (X). En este caso existe un vector no nulo v W tal que
|W (v) = (v) = v. Por tanto v V (1) V (1) = {0}, lo que es contradictorio con el hecho de que
v es no nulo.
Se tiene que p (X) = (X 1)s p|W (X) siendo s = dimV (1) (considerar en V una base formada por
una base de V (1) y una de W ). Puesto que el 1 no es raiz de p|W (X), s coincide con la multiplicidad
del 1 en p (X).
Nos queda por analizar que sucede cuando el polinomio caracterstico de no tenga raices reales.
Observemos que en este caso todos los factores irreducibles de p (X) son de grado 2. Ademas si
X 2 + X + es uno de esos factores (cuyo discriminante
p es menor que cero) podemos expresarlo como
(X a)2 + b2 con b 6= 0 (hacer a = /2 y b = 4 2 /2).
Lema 4.4.3
Si p (X) no tiene raices reales y (X a)2 + b2 con b 6= 0 es uno de sus factores irreducibles, existe
una base ortonormal de V respecto de la cual la matriz asociada a es de la forma
a b 0 ... 0
b a 0 ... 0
0 0 ? ... ?
. .. .. .. ..
.. . . . .
0 0 ? ... ?
con a2 + b2 = 1.
Demostracion
La prueba de este enunciado necesita definir algunas aplicaciones auxiliares y obtener destintos
resultados acerca de las mismas. Esas aplicaciones son los endomorfismos de V siguientes:
aIV
= ( aIV )2 + b2 IV y =
b
.
Al multiplicar escalarmente la ultima expresion por (u) y aplicando que conserva los productos
escalares, obtenemos que u (u) = a. Esto llevado al producto de u y (u), prueba que
u (u) = 0.
- El que conserve las normas, u (u) = a y a2 + b2 = 1 lleva a probar que (u) (u) =
k(u)k2 = 1.
Todas las consideracioones anteriores sirven para garantizar que V = U U con U y U subespacios
-invariantes. Si B = {u, (u), u1 , , un2 } es una base ortonormal de V , la matriz asociada a
respecto dicha base es como la descrita en el enunciado.
Los lemas precedentes conducen al siguiente teorema.
Teorema 4.4.1
Sea V un espacio vectorial eucldeo de dimension n, y una transformacion ortogonal definida en V .
Existe una base ortonormal B de V respecto de la cual la matriz asociada a es
I 0 ... ... 0
s
0 It ... ... 0
0 0 N (1 ) ... 0
.. .. .. .. ..
. . . . .
0 0 0 ... N (q )
Demostracion
Basta escribir V = V (1) V (1) W , donde cada subespacio es -invariante. Despues basta
aplicar en cada uno de ellos, para el endomorfismo restringido, el lema correspondiente. En el caso de
W , el lema 3 habra de aplicarse reiteradamente.
Ejemplo 4.4.2
Ejemplo 4.4.3
Sea : V V una isometra cualquiera. Como es habitual, denotamos por V(1) el subespacio de V
formado por el conjunto de vectores fijos por .
Observar que B es ortogonal, pero sus vectores no son necesariamente unitarios. Si se desea que
la bases sea ortonormal no tendremos mas que dividir por su norma a los vectores de B.
En este caso se dice que es una simetra ortogonal respecto del plano de vectores invariantes.
con 6= 0.
Una aplicacion del tipo anterior o la identidad en V recibe el nombre de rotacion vectorial
Consideremos el caso en el que dimV(1) = 0. Puesto que el 1 no es raiz del polinomio caracterstico
de , se tendra que
, la matriz de la
Si B = {u1 , u2 , u3 } es una base ortonormal de V con u1 V(1) y u2 , u3 V(1)
aplicacion es
1 0 0
M = 0 cos sen
0 sen cos
con 6= 0, .
Observese que
1 0 0 1 0 0 1 0 0
M = 0 1 0 0 a1 b1 0 a2 b2 [1]
0 0 1 0 c1 d1 0 c2 d2
ai bi . Por
donde es la matriz de la simetra si , i = 1, 2 respeto de la base {u2 , u3 } de V(1)
ci di
tanto las matrices
1 0 0
0 ai bi i = 1, 2
0 ci di
representan simetras en V (los espacios propios asociados al autovalor 1 son de dimension 2).
La primera de las matrices de la descomposicion de M en [1] tambien representa una simetra.
De todo ello se deduce que es este caso es producto de tres simetras.
Sucede eso mismo con la aplicacion IV ?
Definicion 4.5.1
El conjunto de puntos X = Rn junto una aplicacion como la descrita anteriormente, recibe el nombre
de espacio afn (estandar) asociado a V . Se define dimension del espacio afn como la dimension de
V.
4.5. ESPACIO AFIN 139
Considerando el espacio afn X = R2 , y realizando una grafica sencilla, uno puede observar que
sobre cada punto de X, se tiene una copia de V = R2 .
Proposicion 4.5.1
Son propiedades inmediatas las siguientes:
Es inmediato observar que en todo sistema de referencia el origen tiene coordenadas (0, , 0).
Ademas es conveniente ver que no solo un sistema de referencia, determina una base, sino que tambien
dada una base de V {v1 , , vn }, y un punto P0 de X, queda determinado un sistema de referencia.
El sistema en cuestion es {P0 , P1 , , Pn } donde cada Pi es el punto tal que P0~Pi = vi . Es por ello
que tambien se llame sistema de referencia al conjunto {P0 ; P0~P1 , , P0~Pn }. En algunos textos el
primero es llamado sistema de referencia afn, y el segundo sistema de referencia vectorial, pero aqu
no haremos tal distincion, y nos referiremos a uno u otro segun convenga.
A continuacion vamos a ver la relacion que existe entre las coordenadas de un punto respecto
sistema de referencia distintos, obteniendo lo que se conoce como ecuacion matricial de un cambio de
sistema de referencia.
Si R = {P0 , P1 , , Pn } y R0 = {Q0 , Q1 , , Qn } son dos sistemas de referencia de X, y P X
tiene coordenadas (x1 , , xn ) respecto R y coordenadas (y1 , , yn ) respecto R0 , que relacion hay
entre ambas?
Se tiene que P~0 P = ni=1 xi P0~Pi y Q~0 P = ni=1 yi Q0~Qi .
P P
Supuesto que las coordenadas de P0 en R0 son (a1 , , an ), y que las coordenadas del vector P0~Pi
i = 1, , n respecto de la base {Q0~Q1 , , Q0~Qn } son (a1i , , ani ), se tiene
n
X n
X n
X n
X n
X
Q~0 P = Q0~P0 + P~0 P = ai Q0~Qi + xi P0~Pi = ai Q0~Qi + xi ( aji Q0~Qj ) =
i=1 i=1 i=1 i=1 j=1
n
X n X
X n n
X n
X
= ai Q0~Qi + ( ~
xi aji )Q0 Qj = (ai + xi aji )Q0~Qj
i=1 i=1 j=1 i=1 j=1
Puesto que las coordenadas de un vector respecto de una base son unicas, tenemos que
n
X
yi = a i + xi aji
j=1
140 LECCION 4. GEOMETRIA EUCLIDEA
y1 a1 a11 a1n x1
... = ... + ... ..
.
.. ..
. . ,
yn an an1 ann xn
expresion que recibe el nombre de ecuacion matricial del cambio de sistema de referencia.
Si denotamos por B y B 0 las bases determinadas por R y R0 respectivamente, la igualdad anterior
puede leerse como
coord(P ) en R0 = coord(P0 ) en R0 + matriz que expresa B respecto B 0 coord(P ) en R
Ejemplo 4.5.1
La relacion descrita por la expresion anterior es tratada tambien en los siguientes ejemplos.
En X = R2 se considera el sistema de referencia R = {P0 (1, 2), P1 (2, 3), P2 (1, 4)}.
Las coordenadas del punto P1 en el sistema de refencia R son (1, 0). El origen del sistema de
refencia canonico tiene coordenadas (1, 2) en R.
Si P es un punto de coordenadas (x, y) segun el sistema canonico, sus coordenadas (x0 , y 0 ) en el
sistema R vienen dadas por
0
x 1 1 0 x
0 = +
y 2 1 2 y
En X = R2 se consideran los sistemas de referencia R = {P0 (1, 2), P1 (2, 3), P2 (1, 4)} y R0 =
{Q0 (1, 1), Q1 (1, 1), Q2 (2, 0)}. El sistema R tiene asociada la base B = {P0~P1 = (1, 1), P0~P2 =
(0, 2)} y el sistema R0 tiene asociada la base B 0 = {Q0~Q1 = (2, 2), Q0~Q2 = (1, 1)}. Por
1
2
tanto la matriz asociada al cambio de base que expresa B en funcion de B 0 es 2 .
0 1
Como Q0~P0 = (0, 1) = 14 (Q0~Q1 + 2Q0~Q2 ), las coordenadas de P0 en R0 son ( 41 , 12 ).
Se tiene entonces que si un punto P tiene coordenadas (x, y) en funcion del sistema de referencia
R, las coordenadas (x0 , y 0 ) de ese punto en el sistema R0 vendran dadas por
0 1
2 12
x 4 x
= +
y0 12 0 1 y
P : V = Rn V = Rn
4.5. ESPACIO AFIN 141
~ (Q)
v = P~Q P (v) = f (P )f
No siempre la aplicacion P es lineal, pero nuestro interes estara centrado en el caso en que esa
aplicacion sea lineal. Por un lado las aplicaciones lineales son las especficas de los espacios vectoriales,
pero ademas se tiene la siguiente
Proposicion 4.5.2
En las condiciones anteriores, si P es lineal, entonces R es lineal cualquiera que sea el punto R de
X. Ademas P = R .
Demostracion
Basta ver que P (v) = R (v) cualquiera que sea el vector v de V . Sea v = P~Q = RS.
~
Definicion 4.5.3
Sea f : X = Rn X = Rn una aplicacion.
2. Una aplicacion afn se dice que es una transformacion afn si es biyectiva, o equivalentemente,
si la aplicacion lineal asociada es un isomorfismo.
La proposicion anterior nos permite, para conocer si una aplicacion es afn o no, considerar como
origen de cualquier vector el punto P0 = (0, 0, , 0) y estudiar la linealidad o no de la aplicacion
P0 =
Ejemplo 4.5.2
Los siguientes ejemplos muestran algunas aplicaciones afines, y otras que no lo son.
En la igualdad anterior la matriz (aij ) puede considerarse, en cada caso, la de la aplicacion lineal
asociada respecto de la base canonica.
142 LECCION 4. GEOMETRIA EUCLIDEA
Es un buen ejercicio:
- Representar graficamente el efecto que produce sobre distintos puntos cada una de las aplicaciones
anteriores. As como el producido, en cada caso, por la aplicacion lineal asociada.
- Determinar el conjunto de puntos fijos (aquellos que coinciden con su imagen) por cada una de
las aplicaciones.
- Establecer la relacion, cuando sea posible, entre el conjunto de puntos fijos por una aplicacion
afn y el conjunto de vectores fijos por su aplicacion lineal asociada.
- Determinar en que casos la aplicacion afn es una transformacion.
- Elegir entre terminos tales como traslacion, homotecia, giro, ... aquel que parezca apropiado
asignar a cada una de las aplicaciones afines anteriores.
2. Determinacion de una aplicacion afn
Supongamos que en el espacio afn X = Rn hay fijado un sistema de refencia R = {P0 , P1 , , Pn },
y que f : X X es una aplicacion afn de la que conocemos las imagenes por f de los puntos del
sistema de referencia R.
Observese que esto ultimo es equivalente a conocer la imagen por f del punto P0 y las imagenes
por de los vectores de la base B determinada por R: vi = P0~Pi para i = 1, 2, , n, donde es la
aplicacion lineal asociada a f .
A continuacion lo que vamos a ver es que basta tener cualquiera de esas dos condiciones (equiva-
lentes) para poder determinar la imagen de cualquier punto de X.
Sea P un punto cualquiera de X. Por la definicion de aplicacion lineal asociada a una aplicacion
afn se tiene que f (P0~)f (P ) = (P~0 P ). Por ello, si (x1 , , xn ) son las coordenadas de P , (x01 , , x0n )
son las coordenadas de f (P ), y (a1 , , an ) son las de f (P0 ) (todas ellas referidas al sistema de
referencia R) podemos establecer la siguiente igualdad:
x01 a1 x1
... = ... + MB () ...
x0n an xn
Definicion 4.5.4
Dados dos puntos P, Q X, se define distancia de P a Q como el numero d(P, Q) = kP~Qk.
Proposicion 4.5.3
Algunas de las propiedades de la distancia son las siguientes. Sean P, Q, R X puntos cualesquiera,
se verifica
2. d(P, Q) = 0 P = Q
La prueba de las propiedades anteriores se deduce de forma inmediata de las relativas a la norma.
Definicion 4.5.5
El espacio afn X = Rn junto con la distancia definida anteriormente recibe el nombre de espacio afn
eucldeo (estandar).
En el espacio afn eucldeo X = Rn se consideran aquellas aplicaciones afines que son biyectivas
(transformaciones afines). Entre dichas aplicaciones vamos a seleccionar aquellas que conservan las
distancias, para despues realizar un estudio algo mas detallado de las mismas.
Definicion 4.5.6
1. Una transformacion afn f se dice que conserva las distancias si P, Q, X se verifica que
d(f (P ), f (Q)) = d(P, Q).
2. Una transformacion afn que conserva las distancias se dice que es un movimiento.
Recordemos que decir que una aplicacion afn es transformacion afn es equivalente a decir que la
aplicacion lineal asociada es un isomorfismo. En la siguiente proposicion se ve la relacion entre
conservar distancias y conservar normas.
Proposicion 4.5.4
Sea f : X = Rn X = Rn una transformacion afn, y sea F : V = Rn V = Rn el isomorfismo
asociado a f . Se verifica:
Demostracion
Supongamos que f es un movimiento, y sea v = P~Q un vector cualquiera de V con P, Q X. La
siguiente cadena de igualdades prueba que es una isometra.
Una ultima observacion antes de pasar a estudiar algunas aplicaciones afines particulares. En la
definicion de movimiento se exige que la aplicacion sea biyectiva, condicion innecesaria puesto que el
hecho de conservar distancias conduce a la biyectividad, como se senala en uno de los ejercicios de
este captulo. Solo un planteamiento mas comodo desde el principio nos ha llevado a establecer la
definicion en esos terminos.
Es un ejercicio sencillo el probar que por un movimiento m rectas se transforman en rectas, una
circunferencia de centro C se trasnforma en una circunferencia de centro m(C),
4.6.1 Proyecciones
M M0
Proposicion 4.6.1
La aplicacion M : V V que a cada vector v = M~N le asocia el vector v 0 = M~0 N 0 (M 0 = pY,S (M ),
N 0 = pY,S (N )) coincide con la proyeccion vectorial de base W (Y ) y direccion S. La aplicacion pY,S :
X X es por tanto afn, cuya aplicacion lineal asociada es pW (Y ),S
Demostracion
~ 0 y QN
Sea Q un punto cualquiera (fijo) de Y . Los vectores QM ~ 0 estan en W (Y ) puesto que
M , N Y , y los vectores M~0 M y N~0 N pertenecen a S. Como QM
0 0 ~ = QM ~ 0 + M~0 M y QN~ =
~ 0 ~0 ~ 0 ~ ~ 0 ~
QN + N N , se tiene que QM = pW (Y ),S (QM ) y QN = pW (Y ),S (QN ).
(M~N ) = M~0 N 0 = QN
~ 0 QM
~ 0 = pW (Y ),S (QN
~ ) pW (Y ),S (QM
~ )=
~ QM
= pW (Y ),S (QN ~ ) = pW (Y ),S (M~N )
Definicion 4.6.1
La aplicacion afn pY,S recibe el nombre de proyeccion (afn) de base Y en la direccion S.
Observar que la proyeccion anterior deja fijos los puntos de la base, esto es si M Y entonces
pY,S (M ) = M . Como hay puntos fuera de Y que tambien tienen por imagen M , se puede afirmar
que pY,S no es una transformacion, y tampoco movimiento, puesto que no es inyectiva. Ademas
p2Y,S = pY,S .
4.6. ESTUDIO DE ALGUNAS APLICACIONES AFINES PARTICULARES 145
Ejemplo 4.6.1
En X = R2 se considera el subespacio afn Y = {(x, y) X/x + 2y = 1}. Se tiene entonces que
W (Y ) = h(2, 1)i, y consideramos como subespacio S = h(1, 1)i. Cual es la imagen del punto
M (7, 0) por pY,S ?
La recta que pasa por M y tiene la direccion de S es la de ecuacion x y = 7. La interseccion de
dicha recta con Y es el punto M 0 (5, 2). Tal punto es la imagen de M .
4.6.2 Simetras
sY,S : X X
M M
donde M es el punto de X tal que M ~M = 2M~M 0 siendo M 0 = pY,S (M )
Proposicion 4.6.2
La aplicacion M : V V que a cada vector v = M~N le asocia el vector v = M N ~ (M =
sY,S (M ), N = sY,S (N )) coincide con el endomorfismo de V pW (Y ),S pS,W (Y ) . La aplicacion sY,S :
X X es por tanto afn, cuya aplicacion lineal asociada es el endomorfismo senalado anteriormente.
= N~M + 2M~0 N 0 = M~N + 2pW (Y ),S (M~N ) = (2pW (Y ),S IRn )(M~N ) = (pW (Y ),S pS,W (Y ) )(M~N )
Definicion 4.6.2
La aplicacion afn sY,S recibe el nombre de simetra (afn) de base Y en la direccion S.
Observar que:
- La simetra anterior deja fijos los puntos de la base, esto es si M Y entonces sY,S (M ) = M .
Pero si M 6 Y , sY,S (M ) 6 Y .
- s2Y,S = IX , como puede probarse facilmente.
- La igualdad anterior ya es suficiente para garantizar que la simetra es biyectiva. Otra forma de
justificarlo es viendo que la aplicacion lineal asociada a la simetra es un isomorfismo, por tanto la
simetra (afn) es una transformacion, que en general no es movimiento.
- En el caso en que una simetra afn tenga como base una variedad afn cuya direccion sea
perpendicular a la direccion de la simetra, es un movimiento.
Recuerdese que en la primera seccion de este captulo se ha probado que si U es un subespacio
de V , la aplicacion pU pU es una isometra (pU proyeccion vectorial de base U y direccion U , y
analogo para pU ).
En el caso que nos ocupa, haciendo U = W (Y ) y S = U = W (Y ) , obtenemos que la aplicacion
vectorial asociada a la simetra afn sY,W (Y ) es una isometra, lo que equivale a que sY,W (Y ) conserve
las distancias. En esta situacion:
146 LECCION 4. GEOMETRIA EUCLIDEA
Definicion 4.6.3
La simetra afn sY,W (Y ) recibe el nombre de simetra ortogonal del espacio afn X. Como la variedad
afn Y determina W (Y ) y W (Y ) , dicho movimiento se denota por sY .
Ejemplo 4.6.2
En X = R2 se considera el subespacio afn Y = {(x, y) X/x + 2y = 1}. Se tiene entonces que
W (Y ) = h(2, 1)i, y consideramos como subespacio S = h(1, 1)i. La imagen del punto M (7, 0) por
pY,S es M 0 (5, 2), por tanto la imagen de M por sY,S es M (3, 4). Cual es la imagen de M por la
simetra ortogonal sY ?
4.6.3 Traslaciones
En este apartado vamos a mostrar como cada vector (fijo) v de V = Rn determina una aplicacion
en el espacio afn X = Rn que mueve cada punto de X, en la direccion y sentido que indica v, la
longitud dada por su modulo.
Dado pues un vector v V , se define tv : X X como la aplicacion que a cada punto P le asigna
el punto P 0 tal que P~P 0 = v.
Definicion 4.6.4
La aplicacion tv anterior recibe el nombre de traslacion de vector v.
Proposicion 4.6.3
En relacion a las traslaciones se tienen las siguientes propiedades.
4. Una aplicacion afn definida en X es una traslacion si y solo si la aplicacion lineal asociada es
la identidad en V .
Demostracion
Si Q X es un punto cualquiera, denotaremos Q0 = tv (Q).
Sea P un punto fijo de X, y definimos la aplicacion P : V = Rn V = Rn que a cada vector
w = P~Q le asocia el vector w0 = P ~0 Q0 . Puesto que v = P~P 0 = QQ
~ 0 , se tiene que w = P~Q = P ~0 Q0 = w0
y por tanto que P = IV . Si tenemos en cuenta toda la informacion que este hecho nos proporciona,
podemos concluir que tv es afn, es biyectiva y conserva distancias, es decir, es movimiento.
Los puntos segundo y tercero son inmediatos, y una de las implicaciones del ultimo de los apartados
esta probado al probar el punto 1. Veamos por ultimo que una aplicacion afn f cuya aplicacion lineal
asociada sea la identidad es una traslacion.
Si la ecuacion matricial de f respecto el sistema de referencia canonico es
x01 a1 x1
... = ... + In ...
x0n an xn
4.6. ESTUDIO DE ALGUNAS APLICACIONES AFINES PARTICULARES 147
el vector definido por un punto cualquiera P y su imagen P 0 = f (P ) tiene coordenadas (respecto base
canonica) (x01 x1 , , x0n xn ) = (a1 , , an ). Si consideramos entonces la traslacion tv , donde v es
el vector de coordenadas (a1 , , an ), dicha traslacion actua sobre P en la misma forma que lo hace
f , es decir f = tv .
Ejemplo 4.6.3
Si r es una recta afn cuya direccion viene determinada por el vector v, se tiene que tv (r) = r.
Si r es una recta cuya direccion es independiente de v, tv (r) es una recta distinta de r pero de
su misma direccion.
Por una traslacion una recta se transforma entonces en una recta paralela a ella.
Observese que la composicion de dos traslaciones es otra traslacion de vector la suma de los
vectores, lo que garantiza a su vez que la composicion de traslaciones es conmutativa: tv tw =
tw+v = tv+w = tw tv .
Tambien es consecuencia de lo anterior que t1
v = tv .
Puedes realizar una grafica que ilustre lo que sucede cuando se realiza la composicion de dos
traslaciones?
4.6.4 Homotecias
En este punto se trata el estudio de un tipo de afinidades biyectivas que no conservando las distancias
conservan la forma. Las homotecias son transformaciones que conservan los angulos y la razon entre
longitudes.
Definicion 4.6.5
Sea C un punto fijo de X = Rn y 6= 0 un numero real cualquiera. Se llama homotecia de centro C
y razon , que representamos por hC, , a la aplicacion
hC, : X X
CC
P 6= C P 0
~ 0 = CP
siendo P 0 el punto tal que CP ~ .
~ le asocia el vector
Si consideramos la aplicacion C : V = Rn V = Rn que a cada vector v = CP
v0 = CP~ 0 donde P = hC, (P ) (C = hC, (C)), se tiene que C (v) = v = v. Por tanto C = IRn ,
0 0
Proposicion 4.6.4
La homotecia hC, es una aplicacion afn.
Proposicion 4.6.5
En las condiciones de la definicion anterior, se verifica
1. hC, es biyectiva.
148 LECCION 4. GEOMETRIA EUCLIDEA
La demostracion de la mayor parte de estas propiedades se deja como ejercicio. El cuarto de los puntos
puede abordarse a traves de la ecuacion matricial de f , viendo que C es un punto fijo por f y que si
P 0 es la imagen de P por f entonces CP~ 0 = CP~ . Por ultimo mencionar que la prueba del ultimo de
los puntos es inmediato si se acude a las matrices de las aplicaciones lineales que las caracterizan.
Ejemplo 4.6.4
En el plano afn X = R2 se consideran las homotecias hC,2 y hC, 3 con C(1, 2). Es facil comprobar
2
que si P (3, 2), la imagen de P por la primera de las homotecias es un punto cuyas coordenadas no son
enteras. Podras realizar una representacion grafica de lo que sucede? El punto P 0 = hC, 3 (P ) tiene
2
coordenadas enteras y son (4, 4).
Podras decir para que valores de el transformado de P (3, 2) por hC, tiene coordenadas enteras?
4.6.5 Giros en X = R2
La mayor complejidad del estudio de los giros desaconseja, en parte, su tratamiento en el caso general.
Debido a esto se ha optado por el estudio de los mismos en el espacio afn de dimension 2.
Sea f : X = R2 X = R2 la aplicacion afn que viene dada por la ecuacion matricial siguiente
(respecto del sistema de referencia canonico).
0
x a cos sen x
0 = +
y b sen cos y
con 0 < < 2.
Respecto de f podemos decir que
1. Es movimiento, puesto que la aplicacion lineal asociada a f tiene como matriz, respecto de una
base ortonormal, una matriz ortogonal, lo que garantiza que tal aplicacion lineal sea isometra.
2. El conjunto de puntos fijos por f se determina resolviendo el sistema
1 cos sen x a
=
sen 1 cos y b
Dicho sistema tiene solucion unica si (y solo si) la matriz que lo define es de rango 2.
1 cos sen
rango = 2 (1 cos)2 + sen2 6= 0
sen 1 cos
2 2cos 6= 0 cos 6= 1 6= 2k
Como inicialmente 0 < < 2, f deja un unico punto fijo que vamos a denotar por C.
4.6. ESTUDIO DE ALGUNAS APLICACIONES AFINES PARTICULARES 149
Definicion 4.6.6
La aplicacion f definida por la ecuacion matricial anterior recibe el nombre de giro de centro C y
amplitud , y es denotada por gC, .
Ejemplo 4.6.5
donde (a, b), recordemos, son las coordenadas del punto imagen de O(0, 0) por el giro. El hecho
de conocer que el punto (1, 2) es un punto fijo nos permite hallar dichos valores a y b.
! !
1 3 12 3
a 1 1
= 2 2 = 2
b 23 1 1 2 2 3
2 2
Si gC, y gD, son dos giros, la composicon gC, gD, es otro giro o una traslacion, puesto que
la aplicacion lineal asociada a tal composicion es
cos( + ) sen( + ) cos sen
=
sen( + ) cos( + ) sen cos
4.7.1 Conicas
En el plano afn se llama conica al lugar geometrico de los puntos cuyas coordenadas (respecto sistema
de referencia canonico) (x1 , x2 ) verifican una ecuacion del tipo
para ciertos numeros reales aij , bk , c tales que a11 , a12 , a22 no son simultaneamente los tres nulos.
La ecuacion anterior se expresa matricialmente:
c b1 b2 1
( 1 x1 x2 ) b1 a11 a12
x1 = 0
b2 a12 a22 x2
El conjunto de puntos de coordenadas (x1 , x2 ) que verifica la ecuacion [1] es el mismo que el que
verifica la ecuacion
Esto es, las ecuaciones [1], [2] definen una misma conica, lo que justifica la siguiente definicion.
Definicion 4.7.1
c b1 b2
Se llama matriz de la conica definida por la ecuacion [1] a la matriz M = b1 a11 a12 o a
b2 a12 a22
a11 a12
cualquiera de sus proporcionales: M con 6= 0. La matriz no nula A = se llamara
a12 a22
matriz de los terminos cuadraticos.
2
x2
La conica de ecuacion 5x2 + 9y 2 45 = 0, coincide con la de ecuacion + (y5)2 = 1, que es la
32
ecuacion reducida de la elipse centrada en el punto (0, 0) y de semiejes 3 y 5.
El lugar geometrico de los puntos de coordenadas (x, y) ( en el canonico) que verifican la ecuacion
5x2 9y 2 45 = 0 es una hiperbola. La ecuacion y 2 = 5x define una parabola.
Pero no son unicamente conicas las elipses, hiperbolas y parabolas. Tambien lo son las siguientes,
donde las ecuaciones las suponemos siempre referidas al sistema canonico:
La ecuacion x2 y 2 = 0 tiene como solucion la pareja de rectas y = x, y = x (par de rectas
concurrentes).
La conica de ecuacion x2 4 = 0 esta constituida por los puntos de las rectas x = 2 y x = 2
(par de rectas paralelas).
4.7. CONICAS Y CUADRICAS 151
no son proporcionales. Tampoco tienen el mismo rango, ni la misma signatura (conceptos ligados
a cierta clasificacion de las matrices simetricas).
De todo lo anterior uno puede admitir que en el plano afn, y respecto del sistema de referencia
canonico,
una conica
queda caracterizada por cualquiera
matrices simetricas M , siendo 6= 0
de las
c B a11 a12
yM= , de tamano 3 3, donde A = y B = ( b1 b2 ). Por tanto
Bt A a12 a22
Definicion 4.7.2
Se dice que dos conicas son iguales si y solo si sus matrices (en el mismo sistema de referencia) son
proporcionales.
Supongamos que se tiene una conica de ecuacion [1] respecto del sistema de referencia canonico, que
matricialmente la expresamos por
1 c B
(1 X )M = 0 [1] , donde X = ( x1 x2 ) y M =
Xt Bt A
con c, B, A las matrices descritas anteriormente. Si se adopta un nuevo sistema de referencia R0 donde
las coordenadas de un punto las denotamos por (x01 , x02 ) se tiene la relacion
0
x1 c1 x1
= +Q [3]
x2 c2 x02
donde C = (c1 , c2 ) son las coordenadas del nuevo origen, y Q la matriz del cambio de base (sus
columnas expresan la base nueva en funcion de la canonica). La ecuacion [3] puede escribirse:
t 1 1 0
(1 X ) = Q [3] con Q =
X 0t Ct Q
152 LECCION 4. GEOMETRIA EUCLIDEA
Observese que el hecho de que Q sea regular garantiza que lo sea Q Entonces, en la nueva referencia,
d B 0
la conica tiene por matriz M 0 = Qt M Q = siendo A0 = Qt AQ como puede comprobarse
B 0t A0
sustituyendo [30 ] en [10 ]. De donde se deduce que M y M 0 son congruentes. Por tanto poseen el mismo
rango y, al ser simetricas, la misma signatura. Tambien los determinantes tienen el mismo signo:
det(M 0 ) = (det(Q ))2 det(M ) y (det(Q ))2 > 0 Lo mismo sucede para A y A0 .
Todo lo visto hasta aqu justifica en parte, que una matriz cualquiera asociada a una conica
(respecto del sistema de referencia que sea) determine completamente dicha conica.
En el siguiente cuadro se plasma la clasificacion general de las conicas. En el, M es la matriz de
la conica y A es su matriz de terminos cuadraticos (en un sistema de referencia dado).
det(M ) 6= 0: hiperbola
det(M ) 6= 0: parabola
y partiendo del conjunto de soluciones que tenga dicho sistema vamos a realizar el estudio completo
de las conicas.
1.2. det(A) < 0 si y solo si y son de signos opuestos. Supongamos que > 0 y < 0.
y concurrentes.
Si d 6= 0, lo que equivale a que det(M ) 6= 0, la ecuacion de la conica es la de una hiperbola.
Los otros dos casos que aparecen, en los que el sistema (S) o tiene infinitas soluciones, o no tiene
solucion, aportan las conicas que no tienen centro.
2. El sistema (S) tiene infinitas soluciones si y solo si rango(A) = rango(A|bi ) = 1. En este caso
por tanto det(A) = 0.
Se considera la conica que, respecto del sistema de referencia canonico, tiene por ecuacion
Vamos a ver si es una conica con centro o sin centro, cual es su ecuacion reducida, las ecuaciones
de sus ejes en el caso de tenerlos, .
Como rango de A es 2, la conica es una conica con centro, pues el sistema que planteamos
a continuacion tiene solucion y es unica.
11 2 h1 2
=
2 14 h2 4
6 8
La solucion de ese sistema es el centro de la conica: P0 = ( 25 , 25 ).
Una base respecto de la cual la matriz de terminos cuadraticos de la conica es diagonal es
{e1 , 2e1 11e2 }:
0 t 1 0 11 2 1 2 11 0
A = T AT = =
2 11 2 14 0 11 0 11 150
6 8
Si en el plano afn se considera el sistema de referencia R = {P0 = ( 25 , 25 ); v1 =
(1, 0), v2 = (2, 11)}, la matriz de la conica respecto de este nuevo sistema de referen-
cia es (manteniendo la notacion de la parte teorica):
544
25 0 0
M = T t M 0 T = T t Qt M Q T = 0 11 0
0 0 1650
Los ejes de la elipse (o en general de una conica con centro) son ejes de simetra de la
misma. q q
Los valores a = 544250 y b = 544
375 reciben el nombre de longitudinales de los semiejes. El
valor c > 0 que verifica a2 = b2 + c2 se llama semidistancia focal y el cociente ac recibe el
nombre de excentricidad de la elipse. Los puntos que en el sistema de referencia R1 tienen
coordenadas (c, 0) reciben el nombre de focos de la elipse.
4.7.2 Cuadricas
En el espacio afn tridimensional se llama cuadrica al lugar geometrico de los puntos cuyas coordenadas
(respecto sistema de referencia canonico) (x1 , x2 , x3 ) verifican una ecuacion del tipo
a11 x21 + a22 x22 + a33 x23 + 2a12 x1 x2 + 2a13 x1 x3 + 2a23 x2 x3 + 2b1 x1 + 2b2 x2 + 2b3 x3 + c = 0 [1]
156 LECCION 4. GEOMETRIA EUCLIDEA
para ciertos numeros reales aij , bk , c tales que los aij no son simultaneamente todos nulos.
La ecuacion anterior se expresa matricialmente:
c b1 b2 b3 1
b1 a11 a12 a13 x1
( 1 x1 x2 x3 ) b2 a12
= 0
a22 a23 x2
b3 a13 a23 a33 x3
El conjunto de puntos de coordenadas (x1 , x2 , x3 ) que verifica la ecuacion [1] es el mismo que el que
verifica la ecuacion
(a11 x21 + a22 x22 + a33 x23 + 2a12 x1 x2 + 2a13 x1 x3 + 2a23 x2 x3 + 2b1 x1 + 2b2 x2 + 2b3 x3 + c) = 0 [2]
Definicion 4.7.3
c b1 b2 b3
b1 a11 a12 a13
Se llama matriz de la cuadrica definida por la ecuacion [1] a la matriz M =
b2
o
a12 a22 a23
b3 a13 a23 a33
a11 a12 a13
a cualquiera de sus proporcionales: M con 6= 0. La matriz no nula A = a12 a22 a23 recibe
a13 a23 a33
el nombre de matriz de los terminos cuadraticos de la cuadrica.
Un tratamiento similar al realizado para las conicas nos permitira decir que cuando se realiza un
cambio de sistema de referencia en el espacio afn:
1. La matriz M 0 asociada a la cuadrica respecto de ese nuevo sistema de referencia es equivalente a
la matriz M . El mismo resultado se obtiene respecto de las matrices de los terminos cuadraticos.
2. Es consecuencia de lo anterior que los rangos de M y M 0 son iguales as como sus signa-turas.
Lo mismo sucede cuando se consideran las matrices de terminos cuadraticos.
3. Los determinantes de M y M 0 tienen el mismo signo. Tambien este resultado es cierto para las
matrices A y A0 .
En el siguiente cuadro se resume la clasificacion de las cuadricas. En el, M es la matriz de la
cuadrica y A es su submatriz de los terminos cuadraticos (en un sistema de referencia cualquiera). En
las expresiones del tipo tipo s(X) = (p, q), donde X=A o M y p y q valores enteros debe tenerse en
cuenta que p se corresponde con la cantidad de valores propios estrictamente positivos de la matriz
correspondiente y q con la cantidad de valores propios estrictamente negativos. En el cuadro no apare-
cen los casos en los que la cuadrica es un par de planos (paralelos, secantes, ...) porque complican en
exceso la clasificacion y ademas pueden resultar de menor interes. Solo al final aparece un ejemplo
que muestra uno de esos casos.
rango(A) = 3, conos
rango(A) = 2, cilindros
0 12 21 1
2
1 1 1 0
M = 2
1
2 1 1 0
1
2 0 0 1
x+y+z1=0
x+yz =0
158 LECCION 4. GEOMETRIA EUCLIDEA
Problema 4.8.2
En R3 con el producto interior habitual se consideran los vectores v = (1, 0, 1), w = (1, 2, 0) y
u = (0, 2, 3).
i) Halla, a partir de los vectores anteriores, una base ortonormal de R3 aplicando el procedimiento
de Gram-Schmidt.
ii) Halla una base del complemento ortogonal al subespacio generado por v y u.
iii) Halla la interseccion de los subespacios S y T , donde S es el subespacio ortogonal a los vectores
v y u, y T es el subespacio ortogonal a los vectores v y w.
Problema 4.8.3
Halla una base ortonormal u, v, w de R3 tal que el subespacio generado por u y v este contenido en el
plano x + y + z = 0, y el generado por u y w lo este en el plano 2x y z = 0.
Problema 4.8.4
Demuestra que los vectores de R4 : u = (1/ 2, 0, 1/ 2, 0) y v = (1/2, 1/2, 1/2, 1/2) son ortonor-
males y halla una base ortonormal de R4 que incluya los vectores anteriores.
Problema 4.8.5
Son verdaderas o falsas las siguientes afirmaciones?.
i) Si P y Q son matrices ortogonales de orden n n, entonces P Q es ortogonal.
Problema 4.8.6
Sean u y v dos vectores ortonormales de Rn . Prueba que la norma de u v es 2.
4.8. PROBLEMAS DE GEOMETRIA EUCLIDEA 159
Problema 4.8.7
Sea A una matriz cuyas columnas forman una base de R3 . Sea B la matriz que tiene por columnas
los vectores de R3 que se obtienen de aplicar Gram-Schmidt a las columnas de A. Cuales de las
siguientes afirmaciones son verdaderas?.
Las dos primeras columnas de A y las dos primeras columnas de B generan el mismo subespacio
de R3 .
Problema 4.8.8
Demuestra que en Rn :
Problema 4.8.9
Demuestra el teorema generalizado de Pitagoras: Sean u y v dos vectores de Rn ortogonales. Entonces
||u + v||2 = ||u||2 + ||v||2 .
Problema 4.8.10
En cada uno de los siguientes apartados se da un subespacio U y un vector v de R2 , R3 o R4 , y se
pide para cada caso:
i) Calcular pU v .
Problema 4.8.11
En cada uno de los siguientes casos encuentra la recta que se ajusta mejor a los puntos dados.
Problema 4.8.12
En cada uno de los siguientes casos encuentra el mejor ajuste cuadratico para los puntos dados.
Problema 4.8.13
Sean u y w dos vectores unitarios de R2 linealmente independientes. Sea s la simetra ortogonal de
eje la recta (vectorial) engendrada por u + w. Demuestra que s(u) = w.
Problema 4.8.14
Se considera el endomorfismo f de R2 que respecto de la base canonica tiene como matriz la siguiente:
2/2 2/2
2/2 2/2
ii) Sea u = (1, 1) y s la simetra ortogonal de eje la recta generada por u. Determina una simetra
s0 tal que f = s0 os.
Problema 4.8.15
En R2 se considera la base canonica y los vectores u = (1, 1) y u0 = (1, 2). Sean s y s0 las simetras
ortogonales de ejes las rectas engendradas por u y u0 respectivamente. Cuales son las matrices de las
rotaciones sos0 y s0 os?.Que relacion existe entre ambas?.
Problema 4.8.16
16.-
4.8. PROBLEMAS DE GEOMETRIA EUCLIDEA 161
En R2 se considera la rotacion vectorial r que respecto de la base canonica tiene por matriz
1/2
3/2
3/2 1/2
Halla respecto de esa base las matrices de las rotaciones t tales que t2 = r.
Problema 4.8.17
Se considera el plano eucldeo R2 .
i) Halla la matriz (respecto de la base canonica) de la simetra ortogonal s de eje la recta (vectorial)
engendrada por el vector u = (1, 2).
ii) Determina la simetra ortogonal s0 tal que r = s0 os, donde r es la rotacion vectorial, que respecto
de una base ortonormal, tiene por matriz A.
1/3
2 2/3
A=
2 2/3 1/3
Problema 4.8.18
En R2 se consideran los vectores u = (1, 2) y v = (1, 1) y las semirrectas vectoriales Du =
{(1, 2)/ R+ } y Dv = {(1, 1)/ R+ }. Halla respecto de la base canonica las matrices
de las isometras f de R2 tales que f (Du ) = Dv .
Problema 4.8.19
Sean u, v, w tres vectores de R2 tales que u y v son linealmente independientes y u + v + w = 0. Sea
f un endomorfismo de R2 tal que f conserva la norma de u, v y w.
Problema 4.8.20
En R3 se considera la base B = {u = (1, 1, 1), v = (1/ 2, 0, 1/ 2), w = (1/ 6, 2/ 6, 1/ 6)}.
c) Halla la imagen por f de los vectores (1, 1, 2), (1, 0, 0), (2, 2, 2).
162 LECCION 4. GEOMETRIA EUCLIDEA
Problema 4.8.21
En R3 se considera el plano vectorial P engendrado por los vectores u = (1, 2, 0) y v = (1, 1, 1) y la
simetra ortogonal s respecto del plano P .
a) Cual es el polinomio caracterstico de s?. Determina una base de R3 respecto de la cual s este
representada, como isometra, por una matriz canonica.
c) Halla la imagen por s de los vectores (0, 3, 1), (2, 1, 3), (1, 0, 0).
Problema 4.8.22
Sean 1 , 2 y 3 los endomorfismos de V = R3 definidos, respecto de la base canonica, por las matrices
siguientes.
1 0 0
1 0 0 1 0 0
2 2
M (1 ) = 0 1 0 M (2 ) = 0 2 2 M (3 ) = 0 1 0
0 0 1 2 2 0 0 1
0 2 2
1. Demuestra que los endomorfismos 1 , 2 y 3 son todos ellos isometras (o transformaciones
ortogonales).
2. Las transformaciones 1 , 2 y 3 son simetras (vectoriales). Senala para cada una de ellas,
el plano de vectores fijos (o base de la simetra), as como un vector que se transforme en su
opuesto. Que relacion hay entre el plano y el vector?.
Problema 4.8.23
Se consideran las siguientes bases de V = R3 :
1. Demuestra que:
M es una matriz ortogonal.
no es una isometra en V = R3 .
es una isometra en V = R3 .
3. Demuestra que es una simetra (vectorial), y determina el plano de vectores fijos (base de la
simetra).
4. Halla una isometra de V = R3 tal que = sea la simetra que tiene como plano de
vectores fijos el generado por e1 y e2 . Di que tipo de transformacion es y establece los elementos
que la caracterizan.
Problema 4.8.24
Prueba que cada uno de los conjuntos de puntos siguientes es un sistema de referencia en el espacio
afn (estandar) R3 .
Problema 4.8.25
Se considera el espacio afn R3 .
a) Establece la relacion existente entre el sistema de referencia canonico de R3 y cada uno de los
sistemas de referencia del ejercicio anterior.
Problema 4.8.26
Consideremos
c en el espacio afn estandar Rn un subconjunto Y de puntos. Se dice que Y es un
subespacio afn de Rn si para algun punto P de Y , el conjunto de vectores WP (Y ) = {P~Q/Q Y } es
un subespacio del espacio vectorial Rn .
164 LECCION 4. GEOMETRIA EUCLIDEA
Problema 4.8.27
En R3 consideramos el punto P = (1, 2, 3) y sea W el subespacio generado por los vectores v = (1, 0, 1)
y w = (1, 1, 1).
i) Da las ecuaciones parametricas del subespacio afn Y que pasa por P y tiene como subespacio
vectorial asociado a W .
ii) Da una recta afn que verifique en cada caso una de las condiciones siguientes:
- Pasa por P y esta contenida en Y
- Esta contenida en Y pero no pasa por P
- Pasa por P y no esta contenida en Y
- Tiene un solo punto en comun con Y y es distinto de P
- No tiene ningun punto en comun con Y
Problema 4.8.28
En R3 consideramos dos rectas afines r y r0 .
i) Si existe un plano que contiene a ambas, que puede decirse de la posicion relativa de dichas
rectas?. Justifica tu respuesta.
ii) Da una recta afn r que pase por el punto (1, 1, 1) y una recta r que pase por el (1, 0, 1) para
las cuales no exista un plano que contenga a ambas rectas a la vez.
Problema 4.8.29
Sea f : R3 R3 la aplicacion que a cada punto P (x, y, z) le asocia el punto f (P ) = (x0 , y 0 , z 0 ) tal que
x0 = 1 + x + 2y + z
y0 = 2 + y z
z 0 = 1 + x + 3z
4.8. PROBLEMAS DE GEOMETRIA EUCLIDEA 165
x=1+
y =2
z = 1 +
Determina f (r).
de ecuacion 2x + y z + 1 = 0
0 de ecuacion x + y + 2z 1 = 0
Obten la imagen de cada plano por f y explica los resultados.
Problema 4.8.30
Consideremos Rn como espacio afn eucldeo, y sea f : Rn Rn una aplicacion que conserva la
distancia. La condicion anterior es suficiente para garantizar que f es un movimiento, es decir, que
es afn y biyectiva. En este ejercicio se pretende que pruebes lo anterior resolviendo cada uno de los
siguientes apartados:
a) Sea g : V = Rn V = Rn una aplicacion que conserva el producto escalar, y sea B = {v1 , ..., vn }
una base ortonormal de Rn . Observese que no se dice que g sea lineal, eso es lo que se trata de
probar.
i) Demuestra que g(B) = {g(v1 ), ..., g(vn )} es una familia de vectores ortonormal. Deduce
que g(B) es una base de Rn .
ii) Recuerda que por ser B una base ortonormal, si v Rn es tal que v = a1 v1 + ... + an vn ,
entonces ai = v.vi , i. Tambien para g(v) = b1 g(v1 )+...+bn g(vn ), se tiene bi = g(v).g(vi ),i.
Usa lo anterior para probar que g es lineal.
iii) Deduce que g es un isomorfismo.
Problema 4.8.31
Sean tv y tu dos traslaciones del espacio afn eucldeo R2 . Determina que aplicaciones son tv otu y
tu otv . Que sucede en el caso en que u = v?.
Problema 4.8.32
Sean hP, y hP, dos homotecias de centro P del espacio afn R2 . Determina que aplicaciones son
hP, ohP, , y hP, ohP, . En que caso las composiciones anteriores resultan ser la aplicacion identidad?.
Problema 4.8.33
En el espacio afn R2 se considera la homotecia hP,1 .
b) Se considera el cuadrado de vertices (0, 0), (1, 0), (0, 1), (1, 1). Cual es la imagen de dicho
cuadrado por la homotecia hP,1 con P = (1/2, 1/2)?. Que nombre daras a P en referencia al
cuadrado?.
Problema 4.8.34
Sean f y g dos afinidades en el espacio afn Rn , y sean F y G las aplicaciones lineales respectivas.
Demuestra que f og es una afinidad de aplicacion lineal asociada F oG.
Problema 4.8.35
Sea p : R3 R3 la proyeccion afn de base el plano : x + y + z = 1 y direccion W = h(1, 1, 2)i.
Determina la imagen por dicha proyeccion
ii) de la recta
x=1+
y =1
z = 1 + 2
iii) de la recta
x=1+
y =1+
z =1+
4.8. PROBLEMAS DE GEOMETRIA EUCLIDEA 167
Problema 4.8.36
Demuestra que la aplicacion de R3 en R3 , que al punto M (x, y, z) asocia el punto M 0 (x0 , y 0 , z 0 ) tal
que
x0 = y + z 1
y 0 = x + z 1
z 0 = x y + 2z 1
es una proyeccion. Determina sus elementos base y direccion.
Problema 4.8.37
Demuestra que la aplicacion de R3 en R3 , que al punto M (x, y, z) asocia el punto M 0 (x0 , y 0 , z 0 ) tal que
x0 = 2x 2z 3
y0 = x z 2
z0 = x z 3
es una proyeccion. Determina sus elementos base y direccion.
Problema 4.8.38
Sean Y y Z dos subespacios afines de Rn con la misma dimension, y W (Y ) y W (Z) los subespacios
vectoriales asociados (llamados direcciones de Y y Z respectivamente). Se dice que Y y Z son paralelos
si W (Y ) = W (Z).
Y : x y + 2z = 1
Z : x = 1 a + 3b
y =1+a+b
z =1+ab
Y : x y + 2z = 1
Z : x = 1 a + 3b
y =a+b
z =ab
v) Demuestra que si Y y Z son rectas paralelas sin puntos en comun, entonces existe un plano que
contiene a ambas rectas.
168 LECCION 4. GEOMETRIA EUCLIDEA
vi) Demuestra que la imagen por una homotecia o traslacion de una recta afn es otra recta paralela
a la primera. Deduce que rectas paralelas se transforman por una homotecia o una traslacion
en rectas paralelas.
Problema 4.8.39
Da la ecuacion matricial de la simetra afn de R2 respecto a la recta de ecuacion x + y = 1 paralela-
mente al subespacio vectorial engendrado por el vector u = (1, 2).
Problema 4.8.40
Se considera el espacio afn estandar R3 con el sistema de referencia canonico. Sea f : R3 R3 la
aplicacion que a cada punto M (x, y, z) le asocia el punto f (M ) : (x0 , y 0 , z 0 ) siendo x0 = 3x 4z 6,
y 0 = 2x y 2z 4, z 0 = 2x 3z 6. Demuestra que f es una aplicacion afn. Prueba que f es una
simetra determinando sus elementos (base y direccion).
Problema 4.8.41
De las rectas que hayas dado en el apartado i) del ejercicio 4.8.38, obten sus imagenes por
Los subespacios afines obtenidos en i) son paralelos? Los subespacios afines obtenidos en ii) son
paralelos?
Problema 4.8.42
En el espacio afn eucldeo X = R2 se considera la siguiente aplicacion afn:
f : X = R2 X = R2
(x, y) (x + 1, y 2)
Demuestra que es un movimiento y di de que movimiento se trata dando los elementos que lo definen.
Problema 4.8.43
En el espacio afn X = R2 se consideran los puntos P = (1, 2) y Q = (2, 3). Si r es la recta que pasa
por P y Q, cual es la ecuacion de la recta imagen de r por una traslacion de vector v = (1, 1)?.
Problema 4.8.44
En el espacio afn X = R3 se considera el plano de puntos = {(x, y, z) X : x y = z + 1}.
Determina la imagen del punto P = (0, 0, 0) por la simetra ortogonal de base el plano .
Problema 4.8.45
En el espacio afn X = R3 se considera el punto P (1, 2, 3).
4.8. PROBLEMAS DE GEOMETRIA EUCLIDEA 169
1. Determina la imagen del punto P por cada una de las aplicaciones afines siguientes.
2. Realiza dos dibujos que ilustren que las aplicaciones de los apartados 2. y 4. no son movimientos.
170 LECCION 4. GEOMETRIA EUCLIDEA
Parte II
Cuestionarios
171
Cuestionarios
1. U = {(x, y, z, t) R4 : x, y, z Z, t = 0}
2. W = {(x, y, z, t) R4 : y, z, t Q, x = 0}
3. T = {(x, y, z, t) R4 : y = 0}
4. S = {(x, y, z, t) R4 : z = 3, t = 0}
Cuestion 2
Se considera el subespacio de (R4 , +, R ) siguiente:
U = {(x, y, z, t) R4 : x + 2y + 3z + 4t = 0}
Cuestion 3
Cuales de las siguientes familias de vectores de (R4 , +, R ) son libres?
173
174 CUESTIONARIO
4. L4 = {(1, 1, 1, 1)}
Cuestion 4
Sea V un R-espacio vectorial de dimension 6. Cuales de las siguientes afirmaciones son verdaderas?
1. En V existen sistemas generadores con 6, 7, 8 y mas vectores.
Cuestion 5
Sea V un R-espacio vectorial de dimension 4 y U y W subespacios de V y distintos entre s. Cuales
de las siguientes afirmaciones son verdaderas?
1. Si U y W tienen ambos dimension 3, entonces la dimension de U W es 2.
2. Si U = {u1 , u2 } y u1 , u2
/ W , entonces U W = {0}.
Cuestion 6
Sea V el R-espacio vectorial de las matrices de la forma
a b 0
0 c d a, b, c R
0 0 e
Cuales de las siguientes afirmaciones son verdaderas?
1. dimR (V ) = 5
1 0 0 0 1 0
2. Las matrices 0 1 0 y 0 0 1 , ambas en V , son linealmente independientes.
0 0 1 0 0 0
(1 0 0 0 1 0)
3. El conjunto 0 1 0 , 0 0 1 es base de V .
0 0 1 0 0 0
CUESTIONARIO 175
3 4 0
4. La matriz 0 2 5 V , no pertenece al subespacio generado por
0 0 1
(1 0 0 0 1
0 )
S = 0 1 0, 0 0 1
0 0 1 0 0 0
Cuestion 7
En el R-espacio vectorial R3 [X] de los polinomios con coeficientes reales de grado menor o igual a 3
se consideran los subespacios:
2. W = {X 3 + 3X 2 + 6X + 2}
3. W U
4. U W = {0}
Cuestion 8
Se considera el subespacio de R3 :
U = h{(1, 1, 1), (1, 1, 0)}i
y sean uk = (1, 1, 1) + k(1, 1, 0) y Uk = h{uk }i con k Z, k > 0 Cuales de las siguientes afirmaciones
son verdaderas?
1. Si i 6= j, entonces Ui Uj = {0}.
Cuestion 9
Sea U el siguiente subespacio de R5 :
U = {(x, y, z, t, u) R5 : x + y + z = 0, t + u = 0}
2. W2 = {(x, y, z, t, u) R5 : x + y + z + t + u = 0}
4. W2 = {(x, y, z, t, u) R5 : x + 2y = 0, z = u = 0}
Cuestion 10
Senala que afirmaciones de las siguientes son ciertas.
{0} U1 U2 Un = V
fi : R4 R3
1. f1 (x, y, z, t) = (ex , ey , t + z)
2. f2 (x, y, z, t) = (x2 , y, t + z)
3. f3 (x, y, z, t) = (x, y, t + z)
4. f4 (x, y, z, t) = (x + y + z + t, x + y + z, x + y)
Cuestion 12
Indica que aplicaciones de las siguientes son lineales.
gi : R4 [X] R3 [X]
3. g3 (aX 4 + bX 3 + cX 2 + dX + e) = bX 3 + cX 2 + dX + e
4. g4 (aX 4 + bX 3 + cX 2 + dX + e) = bX 3 + cX 2 + dX + e + 1
Cuestion 13
Sean B = {v1 , v2 , v3 } y B 0 = {w1 , w2 , w3 } bases del R-espacio vectorial R3 . Indica que afirmaciones de
las siguientes son ciertas.
2. Si las coordenadas de los vectores v1 , v2 , v3 en funcion de B 0 son respectivamente (0, 0, 1), (0, 1, 0)
y (1, 0, 0), entonces v1 = w3 , v2 = w2 , v3 = w1 .
3. Supongamos que las columnas de la matriz M estan formadas, respectivamente, por las coorde-
nadas de los vectores vi (i=1,2,3) respecto B 0 :
1 1 0
M= 1 1
1
1 1 1
4. Si B y B 0 son distintas, entonces existe algun vector de R3 con coordenadas diferentes respecto
de ambas bases.
178 CUESTIONARIO
Cuestion 14
1
Sea Bc = {e1 , e2 , e3 } la base canonica de R3 y B = {v1 , v2 , v3 } la base de R3 definida por v1 = (e1 +e2 ),
2
1
v2 = (e1 e2 ) y v3 = e2 + e3 . Cuales de las siguientes frases son verdaderas?.
2
1. El vector de coordenadas (1, 1, 1) en la base B, tiene coordenadas (1, 1, 1) en la base Bc .
2. La matriz del endomorfismo identidad de R3 , respecto de las bases B (en el espacio inicial) y Bc
(en el espacio final) es: 1 1
0
2 2
MB,Bc = 1 1 1
2 2
0 0 1
Cuestion 15
Si f : R4 R3 es la aplicacion lineal definida por
f (x, y, z, t) = (x + y + z + t, 2x + y + x, 3x + y),
2. Im(f ) = R3
3. dim(Im(f ))=2
4. f no es inyectiva y s es sobreyectiva.
Cuestion 16
Sea f : R4 R3 la aplicacion lineal definida por la matriz siguiente cuando en los espacios inicial y
final se consideran las bases canonicas.
0 2 3 4
0 2 3 4
0 0 3 4
Cuales de las siguientes afirmaciones son verdaderas?
CUESTIONARIO 179
2. Im(f ) = R3
3. dim(Im(f ))=2
4. f no es inyectiva y s es sobreyectiva.
Cuestion 17
Si V y W son R-espacios vectoriales de dimensiones 2 y 5 respectivamente y f : V W es una
aplicacion lineal, cuales de las siguientes afirmaciones son verdaderas?
1. f no es sobreyectiva.
3. f siempre es inyectiva.
Cuestion 18
Sea f : R3 [X] R2 [X] la aplicacion lineal que a cada polinomio le asocia su polinomio derivado.
Cuales de las proposiciones siguientes son ciertas?
Cuestion 19
Denotemos por M23 (R) el conjunto de matrices con coeficientes reales de tamano 2 3, y sea
f : M23 (R) R3 la aplicacion que a cada matriz
a11 a12 a13
M= M23 (R)
a21 a22 a23
2. El nucleo de f esta generado por las matrices E11 E21 , E12 E22 y E13 E23
B 0 = {e3 , e2 , e1 }
la matriz asociada a f es
0 0 0 0 0 1
MB,B0 = 0
0 0 0 1 0
0 0 0 1 0 0
Cuestion 20
En los espacios vectoriales R2 y R3 se consideran las bases respectivas
B = {(1, 1), (2, 0)} y B 0 = {(1, 1, 1), (1, 1, 1), (2, 0, 0)}
y sea f : R2 R3 la aplicacion lineal que respecto dichas bases tiene por matriz asociada
1 1
MB,B0 (f ) = 0 1 .
2 0
Cuestion 21
Sean V1 , V2 , , V1000 espacios vectoriales sobre R, finito dimensionales, y supongamos que en la se-
cuencia
f1 f2 f3 f999 f1000
V1 V2 V3 V1000 V1
las aplicaciones fi son lineales y sucede que la imagen de cada una de ellas coincide con el nucleo
de la siguiente (entiendase ademas f1 siguiente a f1000 ) . Cuales de las proposiciones siguientes son
ciertas?
1. f2 f1 , f3 f2 , , f1000 f999 son aplicaciones nulas.
2. dim V1 dim V2 + dim V3 dim V4 + + dim V999 dim V1000 = 0.
3. f1000 f999 f2 f1 es la aplicacion nula.
4. dim Vi es par para i = 1, 2, 3, , 999, 1000.
Cuestion 22
Sean U y W subespacios distintos de R4 tales que dim(U ) = dim(W ) = 3 y f : U W tal que
ker(f ) = U W . Cuales de las proposiciones siguientes son ciertas?
1. Existen bases BU y BW de U y W respectivamente tales que la matriz asociada a f respecto
dichas bases es
0 0 0
MBU ,BW (f ) = 0
0 1
0 0 0
2. Existen bases BU y BW de U y W respectivamente tales que la matriz asociada a f respecto
dichas bases es
1 0 0
MBU ,BW (f ) = 0
0 0
0 0 0
3. Existen bases BU y BW de U y W respectivamente tales que la matriz asociada a f respecto
dichas bases es
1 0 0
MBU ,BW (f ) = 0 1 0
0 0 1
4. Existen bases BU y BW de U y W respectivamente tales que la matriz asociada a f respecto
dichas bases es
1 0 0
MBU ,BW (f ) = 0 1 0
0 0 0
182 CUESTIONARIO
Cuestion 24
Sea f un endomorfismo de R3 tal que respecto de la base canonica esta representado por la matriz
0 a 0
b 0 b
0 a 0
1. f es no inyectiva.
2. Si a = 0 y b 6= 0 entonces f no es diagonalizable.
3. Si a 6= 0 y b = 0 entonces f no es diagonalizable.
4. Si a = 1 y b = 2 entonces f es diagonalizable.
CUESTIONARIO 183
Cuestion 25
Sea f un endomorfismo no nulo de R2 tal que respecto de la base canonica esta representado por la
matriz
a b
b c
siendo a, b, c numeros reales. Cual de las siguientes afirmaciones es verdadera?
Cuestion
26
1 2 3
Sea A = 0 1 3 . Senalar que proposiciones de las siguientes son ciertas.
0 0 1
3. A35 = A
Cuestion 27
Sea f un endomorfismo de R2 [X] que esta representado respecto de la base canonica {1, X, X 2 } por
la matriz
1 2 3
A = 0 1 3 .
0 0 1
Indicar cuales de las siguientes afirmaciones son ciertas.
Cuestion 28
Sean f y g endomorfismos de Rn . Indicar cuales de las siguientes afirmaciones son ciertas.
Cuestion 29
Sean f : R3 R4 y g : R4 R3 las aplicaciones lineales definidas, respecto de las bases canonicas
correspondientes, por las matrices A y B siguientes:
1 1 1
1 2 0 1 1 2 2
A= 1 2 0
B = 1 1 1 1
1 0 1 1
1 2 1
1. f g es diagonalizable.
2. e3 e4 es un vector propio de f g.
3. g f es diagonalizable.
4. g f es inyectiva.
Cuestion 30
Sea f : R4 R4 la aplicacion lineal definida, respecto de la base canonica, por las matrices A siguiente:
0 0 0 3
0 1 0 0
A= 0 1 0 0 .
1 1 1 4
1. El conjunto de vectores {e1 + e4 , e1 e3 , 3e1 + e4 , 3e1 + 4e2 + 4e3 + e4 } constituye una base de
vectores propios para el endomorfismo f .
Cuestion 31
Sea f un endomorfismo de R4 cuyo polinomio caracterstico es pf (X) = (X 1)2 (X + 1)(X 3).
Indicar cuales de las siguientes afirmaciones son ciertas.
2. Si el numero 1 no es raz del polinomio m0f (X) (derivado del polinomio mf (X), polinomio mnimo
de f ), entonces f es diagonalizable.
4. f 2 es la aplicacion nula.
Cuestion 32
Sea f un endomorfismo de R5 , del que se sabe que
3. f no es triangularizable.
4. Si pf (X) = (X 1)2 X 2 (X 5), no es posible afirmar que f sea diagonalizable, pero s que
existen bases B y B 0 de R5 tales que la matriz asociada a f respecto dichas bases es
1 0 0 0 0
0 1 0 0 0
MB,B0 (f ) =
0 0 5 0 0
0 0 0 0 0
0 0 0 0 0
Cuestion 33
Sea f un endomorfismo de R5 , del que se sabe:
3. f no es biyectivo.
1
4. La matriz A tiene inversa y es ( )(A2 + 2A 7I).
4
Cuestion 35
Sea f un endomorfismo de R3 definido, respecto de la base canonica por la matriz
1 2 1
0 1 3
0 2 2
cuyo polinomio caracterstico es (X 1)(X 2 + X + 4). Cuales de las afirmaciones siguientes son
verdaderas?
1. ker(f I) = im(f 2 + f + 4I)
Cuestion 36
Sea f endomorfismo de un C-espacio vectorial de dimension 4 con dim(ker(f )) = 2. Indica cuales de
las afirmaciones siguientes son verdaderas.
188 CUESTIONARIO
Cuestion 37
Sea f un endomorfismo de R3 tal que respecto de la base B = {v1 , v2 , v3 } tiene asociada la matriz de
Jordan siguiente:
1 0 0
J = 0 1 1.
0 0 1
Indica cuales de las siguientes proposiciones son ciertas.
1. f es un isomorfismo.
1 0 0
2. La matriz asociada a f 1 respecto B es 0 1 1 .
0 0 1
3. Respecto de la base B 0 = {v1 , v2 , v3 } la matriz asociada a f 1 es J.
4. ker(f I) = h{v1 , v2 }i.
Cuestion 38
Sea f un endomorfismo de un R-espacio vectorial V de dimension 4. Indica cuales de las siguientes
proposiciones son ciertas.
1. No puede existir f tal que su polinomio caracterstico sea pf (X) = X 4 2X 3 X 2 + 4X 2 y
su matriz de Jordan sea de la forma
1 0 0
0 1 0
0 0 1
0 0 0
donde los representan los autovalores de f .
CUESTIONARIO 189
3. Las matrices
1 1 0 0 1 1 0 0
0 1 1 0 0 1 0 0
J1 =
0
y J2 =
0 1 0 0 0 1 1
0 0 0 1 0 0 0 1
no pueden representar ambas a f .
4. Las matrices
1 1 0 0 1 0 0 0
0 1 0 0 0 1 1 0
J3 =
0 0 1
y J4 =
0 0 0 1 0
0 0 0 1 0 0 0 1
no pueden representar ambas a f .
Cuestion 39
Sea f un endomorfismo de un K-espacio vectorial V de dimension 5, y sea d(X) el maximo comun
divisor entre el polinomio mnimo de f y la derivada de este. Indica cuales de las siguientes frases son
verdaderas teniendo en cuenta que
1 1 0 0 0 1 0 0 0 0
0 1 1 0 0 0 1 1 0 0
J1 = 0 0 1 0 0
J2 = 0 0 1 0 0
0 0 0 2 0 0 0 0 2 0
0 0 0 0 3 0 0 0 0 3
1 0 0 0 0 1 1 0 0 0
0 1 1 0 0 0 1 0 0 0
J3 = 0 0 1 0 0
J4 = 0 0 2 1 0
0 0 0 2 0 0 0 0 2 0
0 0 0 0 2 0 0 0 0 3
1. Si los autovalores de f son 1, 2 y 3, y d(X) = (X 1)2 , entonces la forma de Jordan de f es J1 .
Cuestion 40
Cuales de las siguientes afirmaciones son verdaderas?
Cuestion 41
Indica cuales de las siguientes afirmaciones son verdaderas.
1. Dos matrices semejantes tienen el mismo rango, el mismo polinomio caracterstico y el mismo
polinomio mnimo.
2. Una matriz y su forma de Jordan tienen el mismo rango, el mismo polinomio caracterstico y el
mismo polinomio mnimo.
3. Dos matrices de igual tamano pueden tener el mismo rango, el mismo polinomio caracterstico
y el mismo polinomio mnimo, y no ser semejantes.
4. Si dos matrices de igual tamano tienen polinomios mnimos diferentes, entonces no son seme-
jantes.
Cuestion 42
Se consideran las siguientes matrices de tamano 6 6:
1 1 0 0 0 0 1 0 0 0 0 0
0 1 1 0 0 0 0 1 1 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0
A= 0 0 0
B=
1 1 0 0
0 0 1 1 0
0 0 0 0 1 1 0 0 0 0 1 1
0 0 0 0 0 1 0 0 0 0 0 1
Cuales de las siguientes afirmaciones son verdaderas?
1. Las matrices A y B son de Jordan.
2. Las matrices A y B tienen el mismo rango, el mismo polinomio caracterstico y el mismo poli-
nomio mnimo.
3. Las matrices A y B no son semejantes.
4. Las matrices A y B son semejantes.
Cuestion 43
Se consideran las matrices
a 0 0 2 0 0
A = 0 b c B = 0 1 1.
d 0 2 0 0 1
Indica cuales de las siguientes afirmaciones son ciertas.
CUESTIONARIO 191
(a = b = 1, c 6= 0) o (a = b = 1, d 6= 0).
Cuestion 44
Sea f un endomorfismo de un R-espacio vectorial de dimension 300 y A una de sus matrices asociadas.
Cuales de las afirmaciones siguientes son verdaderas?
3. Si f 3 3f = f entonces f es un isomorfismo.
4. Si pf (X) = (X 1)100 (X 2)200 y los rangos de las matrices A I y A 2I son 200 y 299
respectivamente, entonces la forma de Jordan de f es
J1 0
J=
0 J2
donde
J1 es la matriz identidad de orden 100,
J2 = (xij ) es una matriz 200 200 tal que xii = 2, xii+1 = 1 para todo i y
los ceros son matrices nulas de tamanos adecuados.
192 CUESTIONARIO
2. {X 2 + 1, X}
4. {X : R}
Cuestion 46
Se consideran el R - espacio vectorial V = R3 y los siguientes subespacios de V
1. U W = {~0}
2. W U
3. U + W = R3
4. U = W
Cuestion 47
Se considera el R - espacio vectorial V = R4 , y sea U el siguiente subespacio de V
2. U tiene dimension 3.
Cuestion 48
Las coordenadas del vector v = (1, 2, 3, 4) respecto de la base
son:
CUESTIONARIO 193
Cuestion 49
Sea f : R4 R3 la aplicacion lineal definida por su matriz asociada respecto las bases canonicas en
los espacios inicial y final:
1 1 1 3
MBc ,Bc0 (f ) = 1 1 2 4
1 1 1 5
Cuales de las siguientes afirmaciones son verdaderas?
1. f (e1 + e4 ) = ( + 3, + 4, + 5)
3. f es inyectiva.
Cuestion 50
Sea f : R12 R4 la aplicacion lineal definida por su matriz asociada respecto las bases canonicas en
los espacios inicial y final:
1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0
MBc ,Bc0 (f ) =
0 0 1 0 0
0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
1. f es sobreyectiva.
4. (1, 1, 1, 1)
/ im(f )
Cuestion 51
Se consideran las siguientes matrices
3 0 1
1 0 1 1
1 3
M = 2
P = 2 1
0
1 4
1 3 1
1 1 0
Sea f : R3 R4 la aplicacion lineal cuya matriz asociada respecto de las bases B = {v1 = (0, 2, 1), v2 =
(1, 1, 3), v3 = (1, 0, 1)} en R3 y la base canonica Bc0 en R4 es MB,Bc0 (f ) = M
Cuales de las siguientes afirmaciones son verdaderas?
194 CUESTIONARIO
1. MBc ,Bc0 (f ) = M P
2. MBc ,Bc0 (f ) = M P 1
3. MBc ,Bc0 (f ) = P M
4. MBc ,Bc0 (f ) = P 1 M
Cuestion 52
Sea f el endomorfismo de R4 que tiene por matriz asociada respecto de la base canonica la matriz
0 0 0 4
0 0 3 0
M = MBc (f ) = 0 2 0 0
1 0 0 0
4. No es posible hablar de f 1
Cuestion 53
Sea f el endomorfismo de R4 que tiene por matriz asociada respecto de la base canonica la matriz
0 0 0 4
0 0 3 0
M = MBc (f ) = 0 2 0 0
1 0 0 0
3. f no es diagonalizable.
Cuestion 54
Sea f : R3 R4 una aplicacion lineal definida por
Cual de las siguientes matrices es la matriz asociada a f cuando en el espacio inicial y en el final se
consideran las bases canonicas respectivas?
4 1 1 1 1 0
1 1 2 1 1 1
1)
1 2 5
2)
2 1 1
0 0 0 2 2 3
1 1 1 1 1 1
1 1 1 1 1 1
3)
1
4)
2 3 1 1 1
1 2 3 2 3 3
Cuestion 55
Se considera el R - espacio vectorial V = R4 , y sea U el siguiente subespacio de V
Cuestion 56
Las coordenadas del vector v = (1, 2, 3, 7) respecto de la base
son:
Cuestion 57
Se consideran los siguientes subespacios del R-espacio vectorial V = R4
Cuestion 58
Sea f : R12 R4 la aplicacion lineal definida por su matriz asociada respecto las bases canonicas en
los espacios inicial y final:
1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0
MBc ,Bc0 (f ) =
0 0 1 0 0
0 1 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0
Cuales de las siguientes afirmaciones son verdaderas?
1. f no es sobreyectiva.
2. La dimension del nucleo de la aplicacion lineal es 4.
3. ker(f )=h{e1 e5 , e1 e9 , e2 e6 , e2 e10 , e3 e7 , e3 e11 ,
e4 e8 , e4 e12 , }i.
4. (1, 1, 1, 1)
/ im(f )
Cuestion 59
Sean U y W dos subespacios de R4 [X], de los que se sabe que
h{X 2 3X + 2, X 4 1}i U W
Decir cuales de las siguientes afirmaciones son verdaderas.
1. Si X 3 U y X 4 X 3 1 W entonces dim(U W ) 3.
2. Si dim(U )=2 entonces h{X 2 3X + 2, X 4 1}i = U W = U .
3. Si dim(U + W )=3, entonces dim(U )=3 y dim(W )=3.
4. Si dim(U + W )=3, entonces dim(U )=3 o dim(W )=3.
Cuestion 60
Cuales de los siguientes subconjuntos del R-espacio vectorial R3 [X] son subespacios?
1. {p(X) R3 [X] : p00 (X) = 0}
2. {X 2 , X, X + 3}
3. {p(X) R3 [X] : p(0) = 1}
4. {X 2 + X + (X + 3) : , , R}