Algebra Lineal

Importante: Visita regularmente
http://www.dim.uchile.cl/∼algebra.
Ingenierı́a Matemática Ahı́ encontrarás las guı́as de ejercicios
FACULTAD DE CIENCIAS
FÍSICAS Y MATEMÁTICAS y problemas, además de información
UNIVERSIDAD DE CHILE acerca de cuál será la dinámica del curso.
Álgebra Lineal 08-1
SEMANA 1: MATRICES
Departamento de Ingenierı́a Matemática - Universidad de Chile

Usa estas notas al
margen para con-
sultar de manera
más rápida el ma-
1. Matrices terial. Haz tam-
bién tus propias
1.1. Definiciones básicas anotaciones. H
Definición 1.1 (Matriz). Una matriz A, de m filas y n columnas con matriz

coeficientes en el cuerpo K
(en este apunte será K R C
ó ) es una tabla de
doble entrada:
 
a11 ··· a1n
 ..
A= . ..  ,
.  aij ∈ K, ∀i = 1, . . . , m, j = 1, . . . , n.
am1 · · · ... amn
Notamos también la matriz como A = (aij ) y denominamos Mmn ( ) al K Mmn ( ) K

conjunto de todas las matrices de m filas y n columnas con coeficientes en
el cuerpo . K
Definición 1.2 (Igualdad de matrices). Dadas dos matrices A ∈ Mmn ( ), B ∈ K
K
Mm′ n′ ( ), diremos que son iguales si y sólo si: A=B
(m = m′ ) ∧ (n = n′ ) ∧ (∀i ∈ {1, ..., m}, j ∈ {1, ..., n}, aij = bij )
Un caso especial de matrices son aquellas de n × 1. Estas matrices se lla-

K
marán posteriormente vectores de n . Ası́ nuestros vectores serán matri- vector de Kn
ces de una sola columna.
K
Construimos una estructura algebraica sobre Mmn ( ) a partir de las ope-
K
raciones definidas en el cuerpo . Se define la suma de dos matrices como A+B
sigue:
K
∀A, B ∈ Mmn ( ), A + B = (aij + bij )
R
Por ejemplo, en ( , +, ·):

1 2 3 0 −1 2 1 1 5
+ = .
0 −1 −2 3 1 2 3 0 0
Es fácil verificar que
K
Proposición 1.1. (Mmn ( ), +) tiene estructura de grupo Abeliano.
Demostración. La suma es asociativa y conmutativa, como herencia de

las mismas propiedades en el cuerpo . K
El neutro aditivo es 0 ∈ Mmn ( ) K
 
0 ... 0
 
0 =  ... . . . ...  ∈ Mmn ( ). K
0 ... 0
1
El inverso aditivo de A = (aij ) es −A = (−aij ). Por ejemplo, en M23 ( ): C −A

i 0 0 −i 0 0
+ =
1 −i 0 −1 i 0

i−i 0+0 0+0 0 0 0
= = = 0.
1 − 1 −i + i 0 + 0 0 0 0
Luego
i 0 0 −i 0 0
− = .
1 −i 0 −1 i 0

Definición 1.3 (Producto de matrices). Dadas A = (aij ) ∈ Mmr ( ), B = K

K
(bij ) ∈ Mrn ( ) se define el producto C = AB como aquella matriz A·B
K
C ∈ Mmn ( ) tal que
r
X
cij = aik bkj , i = 1, . . . , m, j = 1, . . . , n.
k=1
Claramente C ∈ Mmn ( ). K
Ejemplos:
R
1. En ( , +, ·),
 
1 2 −1 0
A=
1
1
−1 0
2 1
∈ M23 ( R ), B = 0 2 −1 0 ∈ M34 ( )R
1 0 −1 0
 
1 2 −1 0
⇒C = A·B =
1
1
−1 0 
2 1
0 2 −1 0 =
1 0
2 6
0 0
−4 1
R
∈ M24 ( ).
1 0 −1 1
C
2. En ( , +, ·),
A = (−i, i, 0) ∈ M13 ( )
 
C
i
B = 1 ∈ M31 ( ) C
0
⇒ C = AB = −i · i + i · 1 + 0 · 0· = 1 + i ∈ M11 ( ). C
Observación: La multiplicación de matrices no es conmutativa.

Por ejemplo en M22 ( ) : R

1 0 0 0 0 0 0 0 1 0 0 0
= , = .
0 0 2 0 0 0 2 0 0 0 2 0
2
Dos propiedades importantes de la multiplicación son las siguientes:

Proposición 1.2.
K
1. Asociatividad: Si A ∈ Mmn ( ), B ∈ Mnq ( ), C ∈ Mqs ( ), en- K K
tonces:
A(BC) = (AB)C ∈ Mms ( ). K
2. Distributividad con respecto a la suma: Dadas A ∈ Mmn ( ), B, C ∈ K
K
Mns ( ), entonces
A(B + C) = AB + AC ∈ Mms ( ). K
De igual manera se tiene la distributividad por el otro lado.
Demostración. Demostremos la distributibidad, quedando la asociativi-
dad de ejercicio. Denominando E = A(B + C), se tiene: ◭ Ejercicio
n
X
eij = aik (bkj + ckj ) ∀i ∈ {1, ..., m}, j ∈ {1, ..., s}.
k=1
Como la multiplicación distribuye con respecto a la suma en K:

n
X
eij = (aik bkj + aik ckj )
k=1
Xn n
X
= aik bkj + aik ckj .
k=1 k=1
De la definición de multiplicación matricial, se obtiene E = AB + AC.
Un caso particular muy importante es el de las matrices cuadradas, es matriz cuadrada

K
decir con igual número de filas y columnas. (Mnn ( ), ·) admite un neutro
multiplicativo, denominado matriz identidad: I
 
1 0 ··· 0

0 1 ··· 0 0 si i 6= j
I = ..  = (δij ), con δij =
.  1 si i = j.
0 0 ··· 1
En efecto, dada A ∈ Mnn ( ) : K

 
  1 0 ··· 0
a11 ... a1n
.. ..   0 1 ··· 0
AI =   .. 
. .  . 
an1 ... ann
0 0 ··· 1
Xn
=( aik δkj ) = (aij δjj ) = (aij ) = A.
k=1
Concluı́mos entonces que
3
K
Corolario 1.1. (Mnn ( ), +, ·) es un anillo con unidad (existe neutro para
K

·). (Mnn ( ), +, ·) es
anillo con unidad
K
Dado que (Mnn ( , ·) tiene un elemento neutro I, ¿Tienen sus elementos
inverso?
K
Definición 1.4 (Matriz invertible). A ∈ Mnn ( ) es invertible si y invertible
K
sólo si existe B ∈ Mnn ( ) tal que:
AB = BA = I. (1.1)
Proposición 1.3. De existir una matriz B que satisfaga (1.1), esta es

única. Por ende la notaremos B = A−1 . A−1
K
Demostración. Sean B1 , B2 ∈ Mnn ( ) que satisfacen (1.1). Luego
B1 = B1 I = B1 (AB2 ).
Usando la asociatividad de · tenemos,
B1 = (B1 A)B2 ,
pero como B1 A = I, se concluye que
B1 = B2 .
Cabe señalar que para que A sea invertible se requiere que exista una matriz
B que sea a la vez inversa por izquierda y por derecha. Probaremos más
adelante que es suficiente que A tenga inversa por un solo lado.
Ejemplos:
No todas las matrices cuadradas
tienen inverso multiplicativo. En
R
M22 ( ), la matriz
1 2
2 4
no tiene inverso. En efecto, si existiese
el inverso,

x1 x2
digamos , deberı́a verificarse:
x3 x4

1 2 x1 x2 1 0
=
2 4 x3 x4 0 1

x1 + 2x3 x2 + 2x4 1 0
⇔ =
2x1 + 4x3 2x2 + 4x4 0 1
4
⇔ x1 + 2x3 = 1

x2 + 2x4 = 0
2x1 + 4x3 = 0
2x2 + 4x4 = 1
De la primera ecuación multiplicada por 2, obtenemos: 2(x1 + 2x3 ) =
2. Pero de la tercera ecuación, 2x1 + 4x3 = 0. De esta contradicción
concluı́mos que el sistema no tiene solución.
En otros casos sı́ existe inverso, por ejemplo, en M22 ( ), R

−1
0 1 0 1
=
1 0 1 0
En efecto:
0 1 0 1 1 0
=
1 0 1 0 0 1
O bien, en M22 ( ), C
−1
i 0 −i 0
= ,
0 −i 0 i
lo que se verifica rápidamente.
1.2. Matrices Particulares

Definición 1.5. Diremos que A ∈ Mnn ( ) es: K
1. Diagonal si y sólo si aij = 0 ∀i 6= j: diagonal
 
a11 0
 a22 
A=
 .. .

.
0 ann
En este caso la matriz es notada A = diag(a11 , a22 , . . . , ann ). diag(a11 , a22 , . . . , ann )
2. Triangular superior si y sólo si aij = 0 si i > j: triangular superior
 
a11 a12 ··· a1n
 0 a22 ··· a2n 
A=
 ... .. ..  .
. . 
0 ··· 0 ann
3. Triangular inferior si y sólo si aij = 0 si i < j: triangular inferior
5
 
a11 0 ··· 0

 a21 a22 0 ··· 0 
A=
 .. .. .
. . 0 
an1 an2 ··· ··· ann
Ejemplos:
   
0 0 0 1 0 0
A = 0 2 0  , I =  0 1 0  son matrices diagonales
0 0 3 0 0 1
   
1 2 3 0 0 0
son matrices triangulares, superior e inferior
A = 0 0 1, B = 1 2 0
respectivamente.
0 0 2 2 −1 3
◭ Ejercicio
Ejercicio 1.1: Una propiedad que queda propuesta es que si A es

diagonal con aii 6= 0, para i = 1, . . . , n entonces es invertible, y su
inversa también es diagonal con (A−1 )ii = a1ii .
Notación:
K
Dada una matriz A ∈ Mmn ( ) notaremos su i-ésima fila como: Ai•
Ai• = (ai1 ai2 . . . ain )
y su j-ésima columna: A•j

a 
1j
 a2j 
A•j =
 ..


.
amj
Podemos escribir entonces la matriz: A = (A•1 , A•2 , ..., A•n ), denominada
notación por columnas. O bien:
 
A1•
 A2• 
A= 
 ...  , correspondiente a la notación por filas.
Am•
◭ Ejercicio
6
Ejercicio 1.2: Con respecto a esta notación, es un buen ejercicio es-
tudiar cómo el producto de matrices afecta las columnas y filas de las
matrices a multiplicar. Más precisamente: Sean A ∈ Mmn ( ), B ∈ K
K
Mnp ( ) y describamos B por sus columnas B = (B•1 , B•2 , ..., B•p ),
demostrar que entonces
AB = (A(B•1 ), ..., A(B•p )) ,
es decir la primera columna de AB es la matriz A por la primera

columna de B, etc.
¿Qué hay de las filas de AB?

Definición 1.6 (Matriz ponderada). Dada una constante λ ∈ K, defi-
nimos la matriz A ponderada por λ: λA
λA = (λaij ).
Ejemplo:
En M23 ( ): R
1 −1 0 3 −3 0
3· =
2 2 1 6 6 3
Veamos ahora que sucede al multiplicar por la derecha o izquierda una
matriz por otra diagonal:

2 0 1 1 2 2 2 4
DA = =
0 3 2 0 1 6 0 3
constatamos que la primera fila aparece multiplicada por d11 = 2 y la

segunda por d22 = 3.
 
2 0 0
1 1 2   2 1 6
AD̄ = 0 1 0 =
2 0 1 4 0 3
0 0 3
Aquı́, la primera columna de A aparece multiplicada por 2, la segunda

por 1, la tercera por 3.
En general:
  a   λ1 a11 ··· λ1 a1p 

λ1 0 11 ··· a1p
..  =  λ2 a21 ··· λ2 a2p 
 .. 
 ..
.  
. .   .. .. 
. .
0 λn an1 ··· anp
λn an1 ··· λn anp
7
    
b11 ··· b1n λ1 0 λ1 b11 λ2 b12 ··· λn b1n
 ... ..   ..  =  ... .. .. 

. . . .
bp1 ··· bpn 0 λn λ1 bp1 λ2 bp2 ··· λn bpn
De forma más compacta,
Proposición 1.4. Si D = diag(λ1 , . . . , λn ) ∈ Mnn ( ), A ∈ Mnp ( ), B ∈ K K

K
Mmn ( ), se tiene que
 
λ1 A1•
 
DA =  ...  , (1.2)
λn An•
BD = (λ1 B•1 , ..., λn B•n ). (1.3)
Demostración. Probaremos (1.2), mientras que (1.3) queda propuesta

como ejercicio. ◭ Ejercicio
 
λ1 0
.. λi si i = j
Sea D= .  = (dij ); con dij =
0 6 j
si i =
0 λn
luego,
n
X
(DA)ij = dik akj = dii aij = λi aij ,
k=1
y por lo tanto  
λ1 a11 ... λ1 a1p
 .. 
AD =  . .
λn an1 ··· λn anp

Otra propiedad, que utilizaremos más adelante, es la siguiente:
Proposición 1.5. El producto de matrices triangulares inferiores (superio-

res) es triangular inferior (superior).
Demostración. Verifiquemos el caso triangular superior. Sean

   
a11 ··· ··· a1n b11 ··· ··· b1n
 0 a22 ··· a2n   0 b22 ··· b2n 
T1 = 
 ... .. ..  , T2 = 
 ... .. ..  .
. .  . . 
0 ··· 0 ann 0 ··· 0 bnn
8
n
P
Luego C = T1 · T2 = (cij ), donde: cij = aik bkj . Como T1 y T2 son

j=1
triangulares superiores: (aiℓ = 0) ∧ (biℓ = 0) ∀ℓ < i. Supongamos j < i,
luego
i−1
X n
X
cij = aik bkj + aik bkj .
k=1 k=i
En el primer término k < i ⇒ aik = 0. En el segundo término j < i ≤ k ⇒

bkj = 0, luego ∀j < i cij = 0. Es decir, la matriz C es también triangular
superior.
Notemos además que (T1 T2 )ii = aii bii es decir los elementos diagonales
del producto de dos triangulares superiores es el producto de los elementos
diagonales correspondientes.
1.3. Potencias, traspuestas e inversas

Definimos por recurrencia las potencias de una matriz cuadrada, como si-
gue:
Definición 1.7 (Potencias de una matriz). Dada A ∈ Mnn ( ) K An
A0 = I, An = AAn−1 , n ≥ 1.
Ejemplo:
Por ejemplo; dada A ∈ M33 ( ): R
 
0 1 2
A = 2 0 0,
1 1 2
se tendrá
    
0 1 2 0 1 2 4 2 4
A2 = AA =  2 0 02 0 0 = 0 2 4
1 1 2 1 1 2 4 3 6
    
0 1 2 4 2 4 8 8 16
A3 = AA2 =  2 0 00 2 4 =  8 4 8 .
1 1 2 4 3 6 12 10 20
Definición 1.8 (Traspuesta). Dada una matriz A = (aij ) ∈ Mmn ( ), K

se define la traspuesta de A como aquella matriz de n×m que denotaremos At , traspuesta
por At tal que (At )ij = aji .
Esto corresponde a intercambiar el rol de las filas y columnas. Más clara-
mente, la primera fila de At es la primera columna de A y ası́ sucesiva-
mente.
9
Ejemplo:

   
1 0 1
1 2 0 0
t 2 1 1
A = 0 1 0 1, A = .
0 0 0
1 1 0 1
0 1 1
 
1
 −1 
 
A = (1, −1, 0, 0, 1), At =  0  .
 
0
1
   
1 2 1 1 2 1
A =  2 0 1  , At =  2 0 1  .
1 1 4 1 1 4
En el último caso vemos que A = At .

Definición 1.9 (Matriz simétrica). Diremos que una matriz A ∈ Mnn ( ) K
es simétrica si y sólo si simétrica
A = At
Es fácil verificar que A es simétrica si y sólo si:
aij = aji ∀i, j = 1, .., n
Algunas propiedades de la trasposición de matrices son las siguientes:

Proposición 1.6.
1. (At )t = A, ∀A ∈ Mmn ( ). K
2. (AB)t = B t At . (AB)t = B t At
K
3. Si D ∈ Mnn ( ) es diagonal, entonces Dt = D.
Demostración. Probaremos 2: Sea C = AB, C t = (AB)t . En la posición
n
P
(i, j) de la matriz C t aparece el término cji de la matriz C: cji = ajk bki
k=1
t t
Consideremos Z = B A . El término (i, j) de la matriz Z esta dado por:
n
X n
X n
X
t t
zij = (B )ik (A )kj = bki ajk = ajk bki = (AB)ji = (C t )ij ,
k=1 k=1 k=1
luego Z = C , y por lo tanto (AB) = B At .

t t t

Algunas propiedades elementales de matrices invertibles son las siguientes

Proposición 1.7.
K
Sean A, B ∈ Mnn ( ) invertibles entonces:
1. La inversa de A es invertible y (A−1 )−1 = A. (A−1 )−1 = A
10
2. El producto AB es invertible y (AB)−1 = B −1 A−1 . (AB)−1 = B −1 A−1

3. ∀n ≥ 0, (An )−1 = (A−1 )n . (An )−1 = (A−1 )n
4. At es invertible y (At )−1 = (A−1 )t . (At )−1 = (A−1 )t
Demostración. Veamos:
La propiedad 1 se prueba directamente de la definición y de la unicidad de
la inversa (Proposición 1.3).
Para 2 se tiene que,
AB(B −1 A−1 ) = A(BB −1 )A−1 = AIA−1 = AA−1 = I.
De manera análoga se prueba (B −1 A−1 )AB = I Como la inversa es única

(AB)−1 = B −1 A−1 .
Para 3, procederemos por inducción. Se verifica para n ∈ {0, 1}. Suponga-
mos cierto el resultado para n ≥ 1 y veamos:
(An+1 )−1 = (An · A)−1 = A−1 (An )−1 ,
por hipótesis de inducción
(An+1 )−1 = A−1 (A−1 )n = (A−1 )n+1 .
Para probar 4, notemos que AA−1 = I, ası́ trasponiendo nos dá (AA−1 )t =
I t , lo que implica a su vez (A−1 )t At = I.
Igualmente se obtiene que At (A−1 )t = I. Finalmente, por unicidad de la
inversa: (At )−1 = (A−1 )t .
◭ Ejercicio
Ejercicio 1.3: En general el problema de saber si una matriz es in-

vertible o no es un problema difı́cil. Tendremos que esperar a saber
resolver ecuaciones lineales para obtener un algoritmo eficiente que nos
permitirá decidir si una matriz en particular es invertible y obtener su
inversa.
Por el momento nos contentaremos con el siguiente resultado, propuesto
como ejercicio.
Sea A = (aij ) una matriz de permutación, es decir una matriz de
n × n con solo 0 y 1 tal que tiene un y sólo un 1, por cada fila y
columna. permutación
Se tiene que A es invertible y su inversa es A−1 = At .
11
Ingenierı́a Matemática
Semana 1
FÍSICAS Y MATEMÁTICAS
UNIVERSIDAD DE CHILE
Ejercicios

1. Demuestre la asociatividad de la multiplicación de matrices. Es decir, si Proposición 1.2
K K
A ∈ Mmn ( ), B ∈ Mnq ( ), C ∈ Mqs ( ), entonces: K
A(BC) = (AB)C ∈ Mms ( ). K
2. Pruebe que si A es diagonal (A = diag(a11 , . . . , ann ) ∈ Mnn ( )), en-K Ejercicio 1.1
tonces
A es invertible ⇔ aii 6= 0, para i ∈ {1, . . . , n}.
Demuestre además que, en caso de ser invertible, su inversa es diagonal
con (A−1 )ii = a1ii .
K K
3. Sean A ∈ Mmn ( ), B ∈ Mnp ( ) y describamos B por sus columnas Ejercicio 1.2
B = (B•1 , B•2 , ..., B•n ), demuestre que entonces
AB = (A(B•1 ), ..., A(B•n )) .
4. Sea A = (aij ) una matriz de permutación, es decir una matriz de Ejercicio 1.3
K
Mnn ( ) con sólo 0’s y 1’s tal que tiene un y sólo un 1, por cada fila y
columna. Pruebe que A es invertible y su inversa es A−1 = At .
K
5. Se dice que P ∈ Mnn ( ) es una matriz de proyección si P = P 2 .
(a) Pruebe que si P es matriz de proyección, entonces In − P es matriz
de proyección, donde In es la matriz identidad en Mnn ( ). K
(b) Pruebe que P es matriz de proyección si y sólo si P 2 (In − P ) = 0
y P (In − P )2 = 0.
K
(c) Encuentre P ∈ M22 ( ) tal que P 6= P 2 y P 2 (I2 − P ) = 0.
Indicación: Considere matrices con coeficientes en {0, 1}.
Problemas
 
d1

P1. Sea D =  ..
.

R
 ∈ Mnn ( ) diagonal, con d1 , . . . , dn distintos
dn
y A, B, M, S ∈ Mnn ( ). R
(a) Pruebe que si M D = DM , entonces M es diagonal.
(b) Sea S invertible, tal que S −1 AS y S −1 BS son diagonales. Pruebe
que AB = BA. Indicación: Recuerde que el producto de matrices
diagonales conmuta.
(c) Sea S invertible tal que S −1 AS = D. Suponiendo que AB = BA,
verifique que S −1 AS y S −1 BS conmutan y concluya que S −1 BS
es diagonal.
P2. (a) Demuestre que si A, B y (A + B −1 ) son matrices invertibles, en-
tonces (A−1 + B) también es invertible y su inversa es A(A +
B −1 )−1 B −1 .
12
(b) Sea la matriz de n y n columnas triangular superior a coeficientes

reales siguiente:
 
1 1 0 0 ... ... 0
0 1 1 0 . . . . . . 0
 
 .. . . .. .. .. .. 
. . . . . . 
 
 .. . .. . .. . .. . .
. . .. 
. 
C= .
 .. .. 
. . 1 1 0 
 
. 
 .. . . . . . . . . . 0 1 1
 
..
. ... ... ... 0 0 1
Sea N = C −I, donde I es la matriz identidad de n×n. Demuestre
que N n = 0.
(c) Demuestre que para las matrices C y N definidas en (b), se tiene
que C es invertible y su inversa es:
C −1 = I − N + N 2 − N 3 + · · · + (−1)n−1 N n−1 .
R
P3. (a) Sea A = (aij ) ∈ Mnn ( ) una matriz cualquiera. Se define la traza
de A, denotada por tr(A), como la suma de los elementos de la
diagonal principal, es decir,
n
X
tr(A) = aii .
i=1
Por otra parte, se define la función f : Mnn ( ) → R R, donde

t
f (A) = tr(AA ).
Pruebe que:
(1) Dadas A, B ∈ Mnn ( ), R
tr(AB) = tr(BA).
R
(2) f (A) ≥ 0, ∀A ∈ Mnn ( ), además muestre que
f (A) = 0 ⇔ A = 0,
donde 0 es la matriz nula de Mnn ( ). R
(3) f (A) = tr(At A).
R
(b) Sea M ∈ Mmn ( ) una matriz tal que la matriz (M t M ) ∈ Mnn ( ) R
es invertible. Definamos la matriz P ∈ Mmm ( ) como R
P = Im − M (M t M )−1 M t ,
donde IM es la matriz identidad de orden m.
Pruebe que:
(1) P 2 = P . Muestre además que P M = 0, donde 0 ∈ Mmn ( ) R
es la matriz nula.
(2) La matriz (M t M ) es simétrica y muestre que la matriz P es
también simétrica.
13
SEMANA 2: MATRICES

1.4. Matrices elementales
Como veremos la resolución de sistemas de ecuaciones via eliminación de
variables corresponde a premultiplicar (multiplicar por la izquierda) una
cierta matriz por matrices elementales que estudiaremos a continuación.
Hay dos tipos de matrices elementales: elemental de permutación y de matrices elementales
suma.
Definición 1.10 (Matriz elemental de permutación). Una matriz ele-
mental de permutación tiene la siguiente estructura: Ipq
 
1 0
 .. 
 . 0 
 1 
 
 0 ··· ··· ··· 1  fila p
 
 .. .. 
 . 1 . 
 
Ipq =  1 

 .. .. 
 . 1 . 
 
 1 ··· ··· ··· 0  fila q
 
 1 
 .. 
 0 . 
0 1
La matriz Ipq se construye a partir de la identidad, permutando el orden
de las filas p y q.
Ejemplo:
R
En M44 ( ):
   
1 0 0 0 0 0 1 0
0 0 0 1 0 1 0 0
I24 = , I13 = .
0 0 1 0 1 0 0 0
0 1 0 0 0 0 0 1
Notemos que toda matriz elemental de permutación es una matriz de per-

mutación, pero no al revés. ¿Puedes dar un ejemplo?. ◭ Ejercicio
Veamos ahora lo que sucede al multiplicar una matriz A, por la derecha
o izquierda, por una matriz elemental de permutación Ipq : En el ejemplo
anterior, sea A = (aij ) ∈ M43 ( ) R
      
a11 a12 a13 1 0 0 0 a11 a12 a13 a11 a12 a13
 a21 a22 a23   0 0 0 1   a21 a22 a23   a41 a42 a43 
I24  =  = .
a31 a32 a33 0 0 1 0 a31 a32 a33 a31 a32 a33
a41 a42 a43 0 1 0 0 a41 a42 a43 a21 a22 a23
14
El resultado consiste en permutar las filas 2 y 4 de A. Análogamente, sea

R
B ∈ M34 ( ):
 1 0 0 0
  
b11 b12 b13 b14 b b14 b13 b12
 b21 0 0 0 1   11
b22 b23 b24    = b21 b24 b23 b22  .
0 0 1 0
b31 b32 b33 b34 b31 b34 b33 b32
0 1 0 0
la matriz resultante es B con las columnas 2 y 4 permutadas. En general,
Propiedad 1.1.
K K
Dadas Ipq ∈ Mnn ( ), A ∈ Mns ( ) y B ∈ Mqn ( ): K
1. Ipq A corresponde a la matriz A con las filas p y q permutadas. Ipq A
2. BIpq corresponde a las matriz B con las columnas p y q permutadas. BIpq
Demostración. Recordemos que, por ser una matriz de permutación (Ejer-

−1
cicio 1.3), Ipq es invertible y además Ipq = Ipq . En efecto, el multiplicar
por la izquierda Ipq por si misma, corresponde a intercambiar sus filas p y
q, con lo cual se obtiene la identidad.
R
Tomemos ahora la matriz A ∈ M44 ( ) y sea:
 
1 0 0 0
0 1 0 0
E2,4 (λ) =  
0 0 1 0
0 λ 0 1
Esta matriz se construye a partir de la identidad colocando el valor λ en la

posición (4,2) (notar que sólo la fila 4 es diferente de la identidad).
Al multiplicar por la izquierda A por E2,4 (λ):
    
a11 a12 a13 1 0 0 0 a11 a12 a13
 a21 a22 a23   0 1 0 0   a21 a22 a23 
E2,4 (λ)  =  =
a31 a32 a33 0 0 1 0 a31 a32 a33
a41 a42 a43 0 λ 0 1 a41 a42 a43
 
a11 a12 a13
 a21 a22 a23 
= 
a31 a32 a33
λa21 + a41 λa22 + a42 λa23 + a43
La matriz, E2,4 (λ)A es exactamente la matriz A, excepto por la fila 4, la
cual se obtiene de sumar la fila 4 de A más la fila 2 de A ponderada por λ.
En general,
15
Definición 1.11 (Matriz elemental). Definimos la matriz elemental Ep,q (λ) ∈
K
Mnn ( ) como:

Ep,q (λ)
col. p col. q
 
↓ ↓
1 
 .. 
 . 0 
 
 1 
 
 .. 


Ep,q (λ) =  ..
. 


λ∈
.
K
 . 1  p<q
 
0 ··· λ ··· 1 
. .. 
 .. . 1 
 
 .. .. .. 
. . . 
0 ··· 0 ··· ··· ··· ··· 0 1
Propiedad 1.2. Dada una matriz A ∈ Mns ( ); se tiene:K Ep,q (λ) · A

 
1 0  
 ..  a11 ··· ··· a1s
 . 0  .. .. 
 1  . . 
  
 ···   a p1 ··· ··· aps 
  
 ..  .. .. 
C = Ep,q (λ)·A =  . 1   . . 
  
 0 λ ··· 1   aq1 ··· ··· aqs 
  
 1  .. .. 
 ..  . . 
 . 
an1 ··· ··· ans
1
 
a11 ··· a1s
 .. .. 
 . . 
 
 ap−11 ··· ap−1s 
 
 .. .. 
= . .  .
 
 λap1 + aq1 · · · λaps + aqs  ← q
 
 .. .. 
 . . 
an1 ··· ans
o, en notación por filas:
Ci• = Ai• ∀i 6= q
Cq• = λAp• + Aq•
Se tiene entonces que el efecto, sobre A, de la premultiplicación por Ep,q (λ)

es una matriz que sólo difiere de A en la fila q: Esta es la suma de la fila p
ponderada por λ y la fila q.
Es importante observar que la matriz Ep,q (λ) es triangular inferior, que
tiene unos en la diagonal y además:
16
Proposición 1.8. Ep,q (λ) es invertible. Su inversa es la siguiente: (Ep,q (λ))−1 =

Ep,q (−λ)
 
1
 .. 
 . 0 
 
 1 
 .. 
 . 
 
−1  .. 
(Ep,q (λ)) =  . 1 
 
 0 · · · −λ · · · 1 
. .. 
. 
. . 1 
. .. .. 
 .. . . 
0 ··· 0 ··· ··· ··· ··· 0 1
↑ ↑
p q
Demostración. En efecto, sea C = Ep,q (−λ)Ep,q (λ). Se tendrá que C es

la matriz cuya fila q es la suma de la fila p de Ep,q (λ), ponderada por −λ
y la fila q de Ep,q (λ). Es decir:
Cq• = −λ(0 . . . 0 1 0 . . . 0) + (0 . . . λ 0 . . . 0 β 0 . . . 0)
↑ ↑ ↑
p p q
= (0 . . . 0 − λ 0 . . . 0) + (0 . . . λ 0 . . . 0 1 0 . . . 0).
↑ ↑ ↑
p p q
Luego: Cq• = (0..,0..,1..,0..,0) además ∀i 6= q Ci• es la i-ésima fila de la

identidad. Es decir C = I, la matriz identidad
1.5. Sistemas lineales y escalonamiento de matrices

Las matrices elementales son de gran utilidad en la resolución de sistemas
de ecuaciones lineales.
Ejemplo:
Consideremos, a modo de ejemplo, el sistema de ecuaciones
x1 + 2x2 + x3 + x4 = 2 (1)
−2x1 + 3x2 − x3 = −1 (2)
x1 + x3 + x4 = 1 (3)
Para resolverlo, utilizamos la eliminación de variables, pero en forma

ordenada, desde la primera variable de la izquierda y desde arriba hacia
abajo:
17
1. Eliminamos la variable x1 en las ecuaciones (2) y (3): para ello

multiplicamos la primera por dos y la sumamos a la segunda ob-
teniendo:
x1 + 2x2 + x3 + x4 = 2
7x2 + x3 + 2x4 = 3
x1 + x3 + x4 = 1
Luego, multiplicamos la primera por −1 y la sumamos a la tercera:
x1 + 2x2 + x3 + x4 = 2
7x2 + x3 + 2x4 = 3
−2x2 = −1
2. Continuamos ahora con x2 , pero a partir de la segunda ecuación.

Multiplicando la segunda por 72 y sumándola a la tercera se obtiene:
x1 + 2x2 + x3 + x4 = 2
7x2 + x3 + 2x4 = 3
2 4 1
x3 + x4 = −
7 7 7
Ya no es posible eliminar más variables. Ahora, desde la última

hasta la primera ecuación despejamos en función de x4 :
4 1 1
x3 = − x4 − = −2x4 −
2 2 2
1 1 1 1
x2 = (−x3 − 2x4 + 3) = (2x4 + − 2x4 + 3) =
7 7 2 2
1 1 3
x1 = −2x2 − x3 − x4 + 2 = −2 + 2x4 + − x4 + 2 = x4 +
2 2 2
Obteniéndose la solución:
3
x1 = + x4
2
1
x2 =
2
1
x3 = − − 2x4
2
x4 = x4
Ası́, para cualquier valor real de x4 , obtenemos una solución del

sistema. Existen entonces, infinitas soluciones, dependiendo de la
variable x4 . La variable x4 se denomina independiente o libres.
Veamos ahora, en general, qué es un sistema de ecuaciones,
18
Definición 1.12 (Sistema de ecuaciones). Un sistema de m ecuaciones-

y n incógnitas consiste en el siguiente conjunto de ecuaciones en las va- sistema de ecuaciones
K
riables x1 , ..., xn ∈ :
a11 x1 + · · · + a1n xn = b1
.. .. ..
. . .
am1 x1 + · · · + amn xn = bm
en donde los coeficientes, aij , y el lado derecho, bj , son elementos del cuerpo
K.
Definiendo la matriz:
 
a11 ··· a1n
A=  ..
.
.. 
. ∈ Mmn ( ) K
am1 ··· amn
la m-tupla (lado derecho) y la n tupla de incógnitas
   
b1 x1
b=  .. 
. ∈ K
m
, x=  .. 
. ∈ Kn
bm xn
Podemos escribir el sistema matricialmente: Ax = b
Ax = b,
Realizar el procedimiento de eliminación de variables descrito en el ejem-

plo precedente, con el fin de resolver el sistema, es equivalente a producir
ceros en la matriz aumentada con la columna lado derecho, (A|b) ∈ matriz aumentada,
K
Mm(n+1) ( ). En el ejemplo anterior: (A|b)
 
1 2 1 1 2
(A|b) =  −2 3 −1 0 −1 
1 0 1 1 1
Eliminar x1 de la segunda ecuación es equivalente a producir un cero en
la posición (2,1) de (A|b). Para ello se multiplica la primera fila por 2 y se
suma a la segunda fila. Para eliminar x1 de la tercera ecuación se multiplica
la primera fila por −1 y se suma a la tercera
   
1 2 1 1 2 1 2 1 1 2
(A|b) →  0 7 1 2 3  →  0 7 1 2 3 
1 0 1 1 1 0 −2 0 0 −1
Eliminar x2 en la tercera ecuación a partir de la segunda es equivalente a
multiplicar la segunda fila por 27 y sumarla a la tercera:
 
1 2 1 1 2
→  0 7 1 2 3  = (Ã|b̃)
0 0 27 47 − 17
19
Ası́, el sistema inicial es equivalente al sistema Ãx = b̃.

Conviene señalar que en el procedimiento anterior la operación de base ha
sido:
Sumar a una fila q, la fila p ponderada por un número λ ∈ K

De la definición de matrices elementales sabemos que esto es equivalente
a premultiplicar por la izquierda por la matriz Ep,q (λ). Veamos esto en el
mismo ejemplo.
Ejemplo:
1. Producir un cero en la posición (2,1) de (A|b):

  
1 0 0 1 2 1 1 2
E1,2 (2)(A|b) =  2 1 0 −2 3 −1 0 −1 
0 0 1 1 0 1 1 1
.
 
1 2 1 1 2
= 0 7 1 2 3
1 0 1 1 1
2. Producir un cero en la posición (3,1):

  
1 0 0 1 2 1 1 2
E1,3 (−1)E1,2 (2)(A|b) =  0 1 0   0 7 1 2 3
−1 0 1 1 0 1 1 1
.
 
1 2 1 1 1
= 0 7 1 2 3
0 −2 0 0 −1
3. Producir un cero en la posición (3,2) desde la posición (2,2):

  
1 0 0 1 2 1 1 2
E2,3 ( 72 )E1,3 (−1)E1,2 (2)(A|b) =  0 1 0   0 7 1 2 3 
0 27 1 0 −2 0 0 −1
.
 
1 2 1 1 2
= 0 7 1 2 3
2 4
0 0 7 7 − 17
Se concluye entonces que la operación de eliminación de variable puede

realizarse mediante la pre-multiplicación de (A|b) por matrices elementales.
20
Hay casos en que también es necesario utilizar matrices de permutación de

filas. Por ejemplo, si se tiene:
 
1 1 1 1
0 0 1 1
(A|b) =  
0 1 0 1
0 2 0 1
Vemos que, como a22 = 0, no es posible “producir” ceros en la segunda
columna, a partir de a22 . Luego intercambiamos el orden de las filas (cla-
ramente esto no cambia el sistema de ecuaciones asociado). Por ejemplo,
colocamos la cuarta fila en la segunda posición y la segunda en la cuarta.
Esto es equivalente a premultiplicar por I24 :
    
1 0 0 0 1 1 1 1 1 1 1 1
0 0 0 10 0 1 1 0 2 0 1
I24 (A|b) =   = ,
0 0 1 0 0 1 0 1 0 1 0 1
0 1 0 0 0 2 0 1 0 0 1 1
lo cual nos permite seguir produciendo ceros. Consideremos ahora A ∈
K
Mmn ( ), definimos la matriz escalonada asociada a la matriz A, como matriz escalonada, Ã
K
Ã ∈ Mmn ( ), tal que:
 ã ã12 · · · ã1i2 · · · · · · · · · ··· ã1n 
11
 ã2i2 · · · · · · · · · ··· ã2n 
 .. .. 
 . 
 . 

Ã =  
ãsis ··· ãsn  .
 
 
 
0 0
donde los elementos ã11 6= 0, ã2i2 6= 0, ..., ãsis 6= 0, se denominan pivotes. pivotes
Notar que hemos supuesto que la primera columna no tiene ceros. De no
ser ası́, quiere decir que la primera variable no juega ningun rol, y por lo
tanto si el sistema tiene solución esta variable queda de inmediato libre.
Supondremos en lo que sigue que la primera columna no es cero.
Observación: No hay una única manera de escalonar una matriz. En

efecto en el último ejemplo podrı́amos haber permutado las filas 2 y 3
en vez de las 2 y 4.
Hay dos cosas que son importantes de resaltar a este respecto:
1. Desde el punto de vista de sistemas de ecuaciones no hay diferen-
cia entre un escalonamiento u otro: todos dan el mismo conjunto
solución (probablemente descrito de distinta manera).
2. Es preferible por otras razones (teóricas, como son el cálculo del
determinante y la determinación de matrices definidas positivas)
tratar de no utilizar permutaciones .
21
La matriz Ã se obtiene mediante la premultiplicación de A por matrices

elementales: Y
Ã = ( Ej )A,
j
donde Ej es una matriz elemental de suma o de permutación de filas.

Además, recordemos que las matrices elementales son invertibles. Esta pro-
piedad es crucial para probar que el sistema original, Ax = b, y el obtenido
después del escalonamiento, Ãx = b̃, son equivalentes (tienen idéntico con-
junto de soluciones). En efecto:
Proposición 1.9. Dada una matriz C, invertible entonces:
a ∈ K n es solución de Ax = b ⇔ a es solución de (CA)x = Cb.
Demostración. La demostración es simple:

⇒) Si Aa = b, entonces C(Aa) = Cb y por ende (CA)a = Cb.
⇐) Supongamos (CA)a = Cb. Como C es invertible se tiene C −1 (CA)a =
C −1 (Cb), lo cual implica que Aa = b.
Como las matrices elementales son invertibles y el producto de matrices

invertibles Q
también lo es, y por lo tanto podemos usar la Proposición 1.9
con C = j Ej , para concluir que los sistemas Ax = b y Ãx = b̃ son
equivalentes.
22
Guı́a
UNIVERSIDAD DE CHILE Semana 2
Ejercicios

1. Encuentre un ejemplo de una matriz que sea de permutación, pero no Pag. 12
sea matriz elemental de permutación.
K K
2. Dadas Ipq ∈ Mnn ( ) y B ∈ Mqn ( ), pruebe que BIpq corresponde a Propiedad 1.1
las matriz B con las columnas p y q permutadas.
Indicación: Puede usar la parte 1 de la Proposición 1.1.
3. Escriba los siguientes sistemas de ecuaciones en las variables xi , de forma
matricial Ax = b, especificando claramente A, b y x con sus dimensiones:
 

 2x1 + 4x2 − x3 + x5 = 0  x1 − (β − 1)x2 + x3 − αx4 = 2

x1 − 16x2 + x3 + 3x4 + 6x5 (c) =2 −7αx2 + πx3 = α + β ,
(a) 1  β

 x 2 − 10x 3 + x4 − 6x5 = 2x3 3 x1 − x2 + x4 = β3
R
 3
3
x1 − x3 − x4 + 4 x5 = 1 con α, β ∈ .
 

 x4 + x1 = −3   2x1 = 1
 
4x1 − 7x2 + πx3 − 12x4 = 1 −4x2 = 2
(b) (d)

 −11 = x3   9x3 = 0
 1  3
3 (x 1 − x3 ) + x4 − x5 = 20 2 x4 = −1
4. Escriba explı́citamente las siguientes multiplicaciones de matrices:
R
(a) I12 E13 (1, −1), en M44 ( ). (d) E23 (0, 3i)−1 E12 (−1, i)E34 ( 12 , −3),
C
(b) I34 E23 (i, 2)I34 , en M44 ( ). en M44 ( ). C
R
(c) E12 (2, 1)E13 (1, −1), en M33 ( ).
Problemas
   
1 ··· 1 1
R  ..
P1. Sea J ∈ Mnn ( ) tal que J =  . ..
.
..  y e =  .. .
. .
1 ··· 1 1
(a) Pruebe que Je = ne y J 2 = nJ.

1
(b) Sea α 6= n. Calcule β tal que (I − αJ)−1 = I + βJ.
1
(c) Sea α = n, verifique que (I − αJ)e = 0.
P2. (a) (1) Sean A, B matrices de n × m con coeficientes reales. Pruebe
que
R
A = B ⇔ ∀x ∈ Mm1 ( ), ∀y ∈ Mn1 ( ) xt Ay = xt By. R
Indicación: Calcule etj Aei donde ej = (Im )j• y ei = (In )i• . Im
y In son las identidades de tamaños m y n respectivamente.
(2) Sean A, B matrices de n×n simétricas con coeficientes reales.
Pruebe que
R
A = B ⇔ ∀x ∈ Mn1 ( ) xt Ax = xt Bx.
23
(b) Demuestre que si una matriz cuadrada A verifica Ak = I, para

algún natural k ≥ 1, entonces A es invertible y determine su
inversa.

x y
(c) Encuentre todas las matrices de la forma A = que cum-
0 y
R
plen A2 = I (x, y, z ∈ ).
P3. Considere el siguiente sistema lineal:
−x1 + x3 + 2x4 = 1,
x1 − x2 + x3 − 2x4 = −1 ,
−x1 − 2x2 + x3 + 3x4 = 2,
−x1 − 4x2 + 2x3 + 4x4 = 5.
(a) Escriba el sistema de forma matricial Ax = b. Especifique clara-

mente A, b y x, junto con sus dimensiones.
(b) Resuelva es sistema lineal escalonando la matriz aumentada (A|b).
P4. Considere el siguiente sistema lineal:
x1 + 2x2 + 3x3 − x4 = 1,
−x1 + x2 + x4 = 1,
3x2 + 3x3 = 0,
2x1 + x2 + 3x3 − 2x4 = −2 .
(a) Escriba el sistema de forma matricial Ax = b. Especifique clara-

mente A, b y x, junto con sus dimensiones.
(b) Resuelva es sistema lineal escalonando la matriz aumentada (A|b).
24
SEMANA 3: MATRICES

1.6. Solución general de sistemas lineales
Dado el sistema Ax = b, A ∈ Mmn ( ), b ∈ K Km, x ∈ Kn, al escalonarlo
(escalonando (A|b)) obtenemos:
 
ã11 · · · ã1i2 · · · · · · ··· ã1n b̃1
 .. .. 
 0 · · · 0 ã2i2 . . 
 
 .. .. .. .. .. .. 
 . . . . . . 
 
(Ã|b̃) =  0 · · · 0 0 · · · ãsis ··· ãsn b̃s .
 
 0 ··· 0 0 · · · 0 ··· 0 b̃s+1 
 
 . . .. .. 
 .. .. . . 
0 ··· 0 ··· 0 ··· 0 b̃m
donde los elementos ã11 , ã2i2 , . . . , ãsis son no nulos. Claramente, si existe
un ı́ndice j ≥ s + 1 tal que b̃j 6= 0, el sistema no tiene solución, ya que se
tendrı́a una ecuación incompatible: 0 = b̃j 6= 0.
Luego, el sistema tiene solución si y solo si b̃k = 0 ∀k ≥ s + 1. En efecto, si
b̃k = 0, ∀k ≥ s + 1, se obtiene la(s) solución(es) despejando desde la s-ésima
ecuación hasta la primera en función de las variables independientes. En este
caso diremos que el sistema es compatible. Cada una de las diferencias en sistema compatible
el número de columnas que son cero bajo las filas sucesivas, las llamaremos
peldaños o escalones . Ası́ el peldaño que se produce entre la fila k y k+1 peldaños
es ik+1 − ik . Notar que el último peldaño es: n + 1 − is , es decir los peldaños escalones
se miden en la matriz aumentada. La importancia de estos peldaños es la
siguiente:
Proposición 1.10. Si existe solución para el sistema Ax = b y en la ma-

triz Ã hay algún peldaño de largo mayor o igual a dos, entonces existe más
de una solución.
Demostración. En efecto. Como por cada fila no nula de la matriz es-

calonada podemos despejar a lo más una variable, tendremos entonces que
dejar libres tantas variables como número de peldaños, menos uno.
Un corolario directo del resultado anterior es

Corolario 1.2. Si el sistema Ax = b es tal que n > m (número de incógni-
tas mayor que el número de ecuaciones), entonces tiene infinitas soluciones,
si es compatible.
Demostración. En efecto, como n > m siempre existe en la matriz es-
calonada, Ã, un peldaño de largo superior o igual a dos. De no ser ası́ se
25
tendrı́a  
···

ã11 ã12 ã1n
 0 ã22 ··· ã2n 
 . .. 
 
Ã =  .. 0 . 
 . .. .. .. 
 .. . . . 
0 0 0 ãmn
de donde m = n.
Un caso particular importante es cuando el lado derecho del sistema es

nulo, b = 0. Hablamos entonces de un sistema homogéneo , Ax = 0. sistema homogéneo
Vemos que, en este caso, siempre existe al menos una solución, la trivial
K
x = 0 ∈ n . En otras palabras sabemos de antemano que todo sistema
homogéneo es compatible.
Podemos resumir nuestro estudio de sistemas en el cuadro siguiente:
Sistema Homogéneo (b = 0) Sistema no-Homogéneo (b 6= 0)

Dimensiones n≤m n>m n≥m n≤m
Número Soluciones 1, ∞ ∞ 0, 1, ∞ 0, ∞
Ejemplo:
Resolvamos el sistema
 
  x1  
1 1 1 1 1 1
 x2 
−1 2 0 −1 0     0 
 x  =  
0 1 1 0 1  3 0
x4
1 −1 1 1 0 1
x5
Escalonando:
   
1 1 1 1 1 1 1 1 1 1 1 1
0 3 1 0 1 1 0 3 1 0 1 1 
(A|b) →  → →
0 1 1 0 1 0 0 0 23 0 32 − 31
0 −2 0 0 −1 0 0 0 23 0 − 13 32
 
1 1 1 1 1 1
0 3 1 0 1 1 
→ 
0 0 32 0 23 − 13
0 0 0 0 −1 1
Obtenemos que los peldaños medidos desda la fila 1 son sucesivamente:
1,1,2,1. De la última ecuación despejamos x5 = −1.
Con esta información en la tercera ecuación dejamos libre x4 y des-
pejamos x3 . En la segunda ecuación despejamos x2 y finalmente de la
primera despejamos x1 , para obtener.
x5 = −1
x4 : libre
3 1 2 1 1 1
x3 = (− − x5 ) = − − x5 = − + 1 =
2 3 3 2 2 2
1 1 1 1
x2 = (1 − x3 − x5 ) = (1 − + 1) =
3 3 2 2
1 1
x1 = 1 − x2 − x3 − x4 − x5 = 1 − − − x4 + 1 = 1 − x4
2 2
26
La solución general es: x1 = 1 − x4 , x2 = 12 , x3 = 21 , x4 = x4 , x5 = −1

Existen entonces infinitas soluciones, una por cada valor de la variable
independiente x4 ∈ . R
1.7. Sistemas cuadrados y Algoritmo de Gauss
Supongamos que el número de ecuaciones es igual al número de incógnitas
(n = m), en este caso el sistema se escribe:
Ax = b, K
A ∈ Mnn ( ), x, b ∈ Kn
Escalonemos el sistema y sea Ã la matriz escalonada, sin considerar el nuevo
lado derecho b̃:  
ã11 · · · ã1n
.. .
Ã =  . .. 
0 ãnn
donde entre los elementos de la diagonal, ãii , podrı́a haber algunos nulos.
Señalemos que en el caso de matrices cuadradas el proceso de escalona-
miento se denomina
Algoritmo de Gauss. Un resultado importante, que relaciona matrices Algoritmo de Gauss
invertibles, solución de sistemas y el algoritmo de Gauss, es el siguiente:
K
Teorema 1.1. Sea A ∈ Mnn ( ), entonces las proposiciones siguientes
son equivalentes:
1. A es invertible.
2. ∀b ∈ Kn, Ax = b tiene solución única.
n
Q
3. ãii 6= 0.
i=1
Demostración. Utilizamos un argumento de transitividad para probar

solamente que:
(1 ⇒ 2). Si A es invertible consideremos entonces A−1 . Ası́ (A−1 A)x =
A−1 b y luego x = A−1 b, por ende el sistema tiene solución y claramente
esta es la única.
K
En efecto si x1 , x2 ∈ n son soluciones, entonces Ax1 = Ax2 = b y se
tendrá multiplicando por A−1 que (A−1 A)x1 = (A−1 A)x2 , pero entonces
x1 = x2 .
(2 ⇒ 3). Sea Ã la matriz escalonada asociada a A y supongamos que para
algún i: ãii = 0. Esto quiere decir que alguno de los escalones tiene largo
mayor o igual que 2 y por lo tanto el sistema homogéneo Ax = 0 tiene
infinitas soluciones (por Proposición 1.10) lo que es una contradicción.
Qn Por
lo tanto para todo i = 1, . . . , n ãii 6= 0 o equivalentemente i=1 ãii 6= 0.
27
n
Q
(3 ⇒ 1). Supongamos ãii 6= 0, esto quiere decir que los elementos dia-

i=1
gonales de Ã son todos
Q no nulos.
Notemos que Ã = ( j Ej )A, donde las matrices Ej son elementales y por
lo tanto invertibles. Podrı́amos ahora escalonar hacia arriba la matriz Ã
para obtener de manera similar una matriz diagonal D. Esto lo podemos
hacer de manera que D tenga por diagonal la misma que Ã. Es decir
  ! 
ã11 · · · 0
. ..  Y Y
D =  .. .. = Fk  Ej  A,
. .
0 ··· ãnn k j
donde las matrices Fk son del mismo estilo que las matricesQelementales
que hemos usado. Sabemos entonces que las matrices D, E = j Ej y F =
Q −1 −1
k Fk son invertibles y como A = E F D concluimos que A también es
invertible.
Como corolario importante de lo demostrado en esta parte es que:

Corolario 1.3. Una matriz triangular superior es invertible si y sólo si
todos sus elementos diagonales son distintos de cero.
Observación: Notemos que pasando por la traspuesta se deduce que

si A es triangular inferior entonces es invertible si y solo si todos sus
elementos diagonales son distintos de cero. Más aún la inversa de una
triangular inferior es triangular inferior. En efecto, si aplicamos el al-
goritmo de escalonamiento sin permutar obtendremos:
 
a11 · · · 0 r
. ..  Y
Ã =  .. .. = ( Ej )A,
. .
0 · · · ann j=1
donde r es el número de pasos tomados por el algoritmo y las matrices

elementales Ej son del tipo Ep,q (λ). Notar que los pivotes son los ele-
mentos de la diagonal de A. Como la inversa de cada Ej es del mismo
tipo se deduce que
Y1
A = ( (Ej )−1 )Ã.
j=r
r
Y
⇒ A−1 = (Ã)−1 ( Ej ),
j=1
y por lo tanto la inversa de A es triangular inferior y además sus ele-

mentos diagonales son 1/aii i = 1, .., n. Notar que el producto de las
inversas en la expresión anterior está tomado en sentido opuesto:
r
Y 1
Y
( Ej )−1 = (Ej )−1 .
j=1 j=r
28
Pasando por la traspuesta podemos deducir que la inversa de una trian-
gular superior también es triangular superior.
1.8. Cálculo de la inversa

Supongamos que dada una matriz cuadrada A de tamaño n, buscamos una
matriz Z de n × n tal que AZ = I. Si describimos Z por sus columnas,
esto es Z = (Z•1 · · · Z•n ) entonces la ecuación AZ = I es equivalente a los
n sistemas
AZ•i = ei , con i ∈ {1, . . . , n}, y ei la i-ésima columna de I.
Probemos ahora que,
Proposición 1.11. Si los n sistemas anteriores tienen solución, entonces

A es invertible y además A−1 = Z.
Demostración. Para ello probemos primero que ∀b ∈ Kn el sistema Ax =

b tiene solución.
K
En efecto sea b = (b1 · · · bn )t un elemento de n , y consideremos a =
K
b1 Z•1 + · · · bn Z•n ∈ n . Utilizando las propiedades de la suma, multipli-
cación y ponderación de matrices se obtiene que
Aa = A(b1 Z•1 + b2 AZ•2 + · · · bn Z•n ) = b1 AZ•1 + b2 AZ•2 + · · · bn AZ•n
       
1 0 0 b1
0 1  0   b2 
. . .  . 
= b1  . . .   = b,
 .  + b2  .  + · · · bn  .  =  .. 
0 0 0 b 
n−1
0 0 1 bn
y por lo tanto a es una solución del sistema Ax = b.
Si A no fuese invertible esto quiere decir que al escalonar A, se tendrá que
algún ãii = 0. Consideremos las filas i e i + 1 de Ã:
 ..   .. 
. .
   
 Ã•i   0 ··· 0 ãii = 0 ãii+1 ··· ãin 
Ã =  = .
 Ã•i+1   0 ··· 0 0 ãi+1i+1 ··· ãi+1n 
.. ..
. .
Si ãii+1 = 0, ãi+1i+1 6= 0 habrı́amos permutados las filas y por lo tanto
la matriz escalonada tendrı́a un 0 en la posición (i + 1, i + 1), lo que es
una contradicción. Si ãii+1 6= 0 entonces podemos utilizar este elemento
para escalonar hacia abajo y por lo tanto ãi+1i+1 = 0. En cualquier caso
se deduce que ãi+1i+1 = 0, y por un argumento de inducción que ãnn = 0,
29
esto es toda la Q
última fila de Ã debe ser 0. Consideremos ahora la matriz

invertible C = Ej , donde Ã = CA, es decir la matriz que permite pasar
j
de A a Ã. Definamos  
0
0
.
b = C −1  .
 . .
0
1
Si consideramos el sistema Ax = b tendremos que al escalonar la matriz
aumentada (A|b) se obtendrá una matriz escalonada (usando las mismas
operciones elemementales)
!
.. ..
(Ã|b̃) = C(A|b) = . . ,
0 ··· 0 1
lo que representa un sistema incompatible y por lo tanto Ax = b no puede
tener solución. Hemos obtenido una contradicción y por lo tanto la única
posibilidad es que ∀i = 1, .., n ãii 6= 0, y por lo tanto A es invertible. Ahora
de AZ = I se obtiene premultiplicando por A−1 que Z = A−1 .
Notemos que de paso se ha probado el siguiente resultado interesante

K
Corolario 1.4. Una matriz A ∈ Mnn ( ) es invertible si y sólo si todo
sistema Ax = b tiene solución.
Lo que a su vez es equivalente a todo sistema Ax = b tiene solución
única, por lo probado anteriormente.
◭ Ejercicio
Ejercicio 1.4: ¿Qué puede decir de una matriz cuadrada A para la

cual todo sistema Ax = b tiene a lo más una solución?. ¿Debe ser A
invertible?. Pruébelo.
Para saber si una matriz es invertible hemos entonces probado que basta
estudiar n sistemas lineales. Para el cálculo de la inversa podemos ir un
poco más lejos. Consideremos el siguiente ejemplo:
Ejemplo:
 
0 1 1
A =  1 −1 2 
1 1 0
luego:  
0 1 1 1 0 0
(A|I) =  1 −1 2 0 1 0
1 1 0 0 0 1
30
Escalonando:

   
1 1 0 0 0 1 1 1 0 0 0 1
(A|I) →  1 −1 2 0 1 0  →  0 −2 2 0 1 −1 
0 1 1 1 0 0 0 1 1 1 0 0
 
1 1 0 0 0 1
→  0 −2 2 0 1 −1 
0 0 2 1 21 − 12
En este paso ya estamos en condiciones de resolver los tres sistemas. Pero
podemos aún pivotear, ahora “sobre” la diagonal; sin alterar la solución
(ya que multiplicamos por matrices invertibles):
   
1 1 0 0 0 1 1 0 1 0 21 12
 0 −2 2 0 1 −1  →  0 −2 2 0 1 −1 
0 0 2 1 12 − 12 0 0 2 1 21 − 12
   
1 0 1 0 12 12 1 0 0 − 21 14 34
→  0 −2 0 −1 21 − 21  →  0 −2 0 −1 21 − 12 
0 0 2 1 12 − 21 0 0 2 1 21 − 12
Finalmente, premultiplicando por la matriz invertible:
 
1 0 0
D =  0 − 21 0 
0 0 12
Se tiene:  
1 0 0 − 12 41 43
˜ = 0 1
(I|I) 0 12 − 14 41 
0 0 1 12 14 − 41
Obteniendo los sistemas de solución trivial:
   1   1   3
x11 −2 x12 4 x13 4
I  x21  =  12  , I  x22  =  − 14  , I  x23  =  14  ,
1 1
x31 2 x32 4 x33 − 14
de donde:  1 1 
3
−2 4 4
X = A−1 =  12 − 41 1
4

1 1 1
2 4 −4
En efecto:
  1 1 3   
0 1 1 −2 4 4 1 0 0
AA−1 =  1 −1 2   12 − 41 14  =  0 1 0
1 1 1
1 1 0 2 4 −4 0 0 1
K
Luego para calcular la inversa de A ∈ Mnn ( ) basta aplicar el Algoritmo
de Gauss sobre la matriz (A|I). Una vez que se ha obtenido la matriz
31
triangular superior Ã, realizar el mismo procedimiento para los elementos

sobre la diagonal. Finalmente, se premultiplica por una matriz diagonal
para obtener la identidad en el lugar de Ã.
¿Qué sucede si una matriz A no es invertible?
Sabemos que necesariamente aparecerá, al escalonar, un pivote nulo irre-
parable.
Ejemplo:
   
1 0 2 1 0 0 1 0 2 1 0 0
(A|I) =  1 1 2 0 1 0 y 0 1 0 −1 1 0
1 0 2 0 0 1 0 0 0 −1 0 1
   
1 0
y los sistemas Ãx =  −1  , Ãx =  0  son incompatibles.
−1 1
Pero, en ocasiones, hay pivotes nulos “reparables”.

Ejemplo:
   
1 1 1 1 0 0 1 1 1 1 0 0
1 1 0 0 1 0  →  0 0 −1 −1 1 0
1 0 0 0 0 1 0 −1 −1 −1 0 1
Acá el elemento ã22 = 0, pero podemos, premultiplicando por la matriz
de permutación I23 , intercambiar las filas 2 y 3 obteniendo:
     
1 1 1 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1
→  0 −1 −1 −1 0 1  →  0 −1 −1 −1 0 1  →  0 −1 0 0 −1 1 
0 0 −1 −1 1 0 0 0 −1 −1 1 0 0 0 −1 −1 1 0
   
1 0 0 0 0 1 0 0 1
→  0 1 0 0 1 −1  ⇒ A−1 =  0 1 −1  .
0 0 1 1 −1 0 1 −1 0
Ejemplo y ejercicio importante: Descomposición LDU . ◭ Ejercicio

K
Supongamos que al escalonar A ∈ Mnn ( ) no encontramos pivotes nulos LU , LDU
(¡no permutamos filas!). Se obtiene entonces
 
ã11 · · · ã1p
  Y
 ..  = ( Ej )A
.
j
0 ãnn
donde cada una de las matrices Ej es de la forma:
 
1
 .. 
 . 0 



λ 1

, λ ∈

K
··· ··· .. 
.
0 1
32
Q
1. Pruebe que la matriz Ej es invertible y su inversa es triangular
j
inferior con 1’s en la diagonal. Digamos:
 
1 0
ℓ .. .. 
Y  21 . . 
−1
( Ej ) = L =  . .. .. 
 .. . . 
j
ℓn1 · · · ℓnn−1 1
Despejamos entonces A:
 
ãn ··· ã1n
Y ..
−1  
A = ( Ej ) .
j 0 ãnn
2. Concluya que si al escalonar A no se realizan permutaciones, A

puede factorizarse como el producto de una matriz L, triangular
inferior con unos en la diagonal, y una matriz U , triangular su-
perior, donde los pivotes figuran en la diagonal. Esta factorización
se llama descomposición LU .
Qn
3. Recordando que i=1 ãii 6= 0, demuestre que:
   ã12 ã1n 
1  1
 ã11 ··· ã11
ℓ ..
. 0  ã11 0 . .. .. 
 21  ..  . . 
A= . ..  . . . .
 .. .   1 ãn−1n 
0 ãnn ãn−1n
ℓn1 ··· ℓnn−1 1 0 ··· 1
(1.4)
Es decir, A admite una factorización A = LDU , en donde L es
triangular inferior con unos en la diagonal, D es diagonal (forma-
da por los pivotes del escalonamiento) y U es triangular superior
con diagonal de unos. Esta factorización se llama descomposición
LDU .
4. Demuestre que si A admite la descomposición LDU de (1.5), en-
tonces la descomposición es única.
5. Demuestre además que si A es simétrica, entonces L = U t .

6. Encuentre la descomposición LDU de
 
1 1 1
A = 0 1 1 .
1 2 0
33
Guı́a
Ejercicios

1. ¿Qué puede decir de una matriz cuadrada A para la cual todo sistema Ejercicio 1.4
Ax = b tiene a lo más una solución?. ¿Debe ser A invertible?. Pruébelo.
K
2. Supongamos que al escalonar A ∈ Mnn ( ) no encontramos pivotes nulos LU, LDU
(¡no permutamos filas!). Se obtiene entonces
 
ã11 · · · ã1p
  Y
 ..  = ( Ej )A
.
j
0 ãnn
donde cada una de las matrices Ej es de la forma Epq (λ, 1), con λ ∈ . K
Q
a) Pruebe que la matriz Ej es invertible y su inversa es triangular
j
inferior con 1’s en la diagonal. Digamos:
 
1 0
ℓ .. .. 
Y  21 . . 
( Ej )−1 = L =  . .. .. 
j
 .. . . 
ℓn1 · · · ℓnn−1 1
Despejamos entonces A:
 
ãn ··· ã1n
Y ..
A = ( Ej )−1  . 
j 0 ãnn
a) Concluya que si al escalonar A no se realizan permutaciones, A

puede factorizarse como el producto de una matriz L, triangular
inferior con unos en la diagonal, y una matriz U , triangular su-
perior, donde los pivotes figuran en la diagonal. Esta factorización
se llama descomposición LU .
Q
b) Recordando que ni=1 ãii 6= 0, demuestre que:
   ã12 ã1n 
1   1 ã11 ··· ã11
ℓ ..  ã11 0 . .. 
 21 . 0  . ..
A= .  ..
. 
. . . 
.
 .. ..   ãn−1n 
. 0 ãnn 1 ãn−1n
ℓn1 ··· ℓnn−1 1 0 ··· 1
(1.5)
Es decir, A admite una factorización A = LDU , en donde L es
triangular inferior con unos en la diagonal, D es diagonal (formada
por los pivotes del escalonamiento) y U es triangular superior con
diagonal de unos. Esta factorización se llama descomposición LDU .
34
c) Demuestre que si A admite la descomposición LDU de (1.5), en-

tonces la descomposición es única.
d ) Demuestre además que si A es simétrica, entonces L = U t .
e) Encuentre la descomposición LDU de
 
1 1 1
A = 0 1 1  .
1 2 0
Problemas
 
1 1 1
P1. (a) Sea la matriz de coeficientes reales A =  a b c . Demueste
a 2 b 2 c2
que si la ecuación Ax = 0 tiene una única solución entonces (a 6=
b) ∧ (a 6= c) ∧ (b 6= c).
(b) Considere el sistema lineal a coeficientes reales siguiente
−x1 + αx3 + βx4 = 0,
x2 + αx3 + βx4 = 0,
αx1 + βx2 = 0,
βx1 + βx2 + αx3 = 0.
Determine las condiciones sobre los parámetros reales α y β que
garanticen que el sistema tenga una única solución.
R
P2. (a) Considere las matrices cuadradas A, B ∈ Mnn ( ). Demuestre
que
1) A es invertible si y sólo si AAt es invertible.
2) Si A2 = A y B = I − A entonces B 3 = B.
Si A es invertible, utilice las condiciones dadas para calcular las
matrices A y B.
R
(b) Considere los vectores u, v ∈ Mn1 ( ) \ {0}. Se define la matriz
R
A ∈ Mnn ( ) por A = uv t .
R
1) Pruebe que ∀x ∈ Mn1 ( ), Ax = 0 ⇔ v t x = 0.
Indicación: Observe que v t x ∈ .R
2) Encuentre el número de variables libres en la resolución del
sistema Ax = 0.
¿Es A invertible?
P3. Considere
   
1 2 3 −1 β
−1 1 0 1   β2 
A=
0
 b= 
 0 .
3 3 α − 3
2 1 α −2 −2
Estudiaremos las soluciones del sistema Ax = b, con x ∈ M41 ( ). R
Encuentre los valores de α y β de manera que:
35
El sistema no tenga solución.

El sistema tenga una única solución. Encuentre la matriz inversa
de A y calcule la única solución del sistema.
El sistema tenga infinitas soluciones y encuentre sus soluciones.
Determine además el número de variables independientes.
36
SEMANA 4: GEOMETRÍA

2. Geometrı́a lineal en Kn
2.1. Definiciones básicas
Sea K un cuerpo. Anotaremos
  los vectores de K como columnas, es decir,
n
Kn = Mn,1 (K)
x1
K n
K  .. 
K
= Mn,1 ( ) = {  .  | xi ∈ , i = 1, . . . , n } .1
xn
K K
Recordar que en n = Mn,1 ( ) tenemos una suma (de matrices columna)
definidapor:     
x1 y1 x1 + y1
   
si x =  ...  , y =  ...  ∈ K
, entonces x + y = 
 ..
.

,y
xn yn xn + yn
 
0
con ella resulta que ( Kn , +) es un  
grupo Abeliano, con neutro 0 =  ... 
0

  
x1 −x1
   .. .
y opuestos −x = −  ...  =  . 
xn −xn
Agregamos ahora la operación Multiplicación por Escalar definida como
sigue:
 
x1
 
K
Definición 2.1. Si x =  ...  y λ ∈ , entonces se define una función Ponderación
xn
 
λx1
K K
× n
→ K n
 
, en donde λx =  ... . Se le llama ponderación
(λ, x) 7→ λx
λxn
o multiplicación por escalar.
Observación: Llamaremos vectores columna, o simplemente vectores,

K
a los elementos de n , y escalares a los elementos de . De aquı́ el K
nombre de esta operación.
Proposición 2.1. Se tienen las siguientes propiedades:

1 Para fijar ideas puede pensar en lo que sigue en = K Ry n = 2 ó 3, que con
seguridad le serán familiares de sus cursos de Cálculo. Sin embargo, salvo cuando se diga
explı́citamente lo contrario, K
puede ser cualquier cuerpo, y n un natural mayor o igual
a 1.
37
1. (∀x ∈ Kn ) 1 · x = x

2. (∀λ1 , λ2 ∈ K) (∀x ∈ Kn ) λ1 (λ2 x) = (λ1 λ2 )x
3. (∀λ1 , λ2 ∈ K) (∀x ∈ Kn ) (λ1 + λ2 )x = λ1 x + λ2 x
4. (∀λ ∈ K) (∀x, y ∈ Kn ) λ(x + y) = λx + λy.
5. (∀λ ∈ K) (∀x ∈ Kn ) λx = 0 ⇔ λ = 0 ∨ x = 0.
Demostración. Las demostraciones de estos hechos son cálculos elemen- ◭ Ejercicio

tales y quedan como un ejercicio muy simple para el alumnos.
Queda además el lector encargado de verificar que esta última propiedad se
puede también obtener como consecuencia de las propiedades 1. a 4. , más
K
los hechos de que ( n , +) es un grupo Abeliano y K
un cuerpo.
Ejemplos: Caso K = R.
K R
n = 1: El conjunto de vectores es 1 = , la recta real, el + es la
suma usual en R y la multiplicación por escalar es el producto en
R .
n = 2: El conjunto de vectores es K2 = R2, el “plano x1 − x2”.
x
1
x x=
2
x
2
x1
Un vector x representará ambos, un punto del plano y una flecha

partiendo del origen que termina en dicho punto. La suma de ele-
R
mentos de 2 corresponde entonces a la suma usual de flechas en
el plano:
x+y
y
y del mismo modo se representa la ponderación:
38
2x
x
1/2 x x
x
x
0 x=0
(-1) x
n = 3: La representación de vectores en R3 se hace en el espacio

3-dimensional:
x
3
x 1
x= x 2
x 3
x1
x
2
La ponderación se represen-
ta de modo similar al caso
plano, y la suma de vectores x+y
también corresponde a la dia- y
gonal del paralelógramo defi-
nido por los sumandos:
x
39
Observación: A veces conviene (por ejemplo, para mayor claridad de

una figura) dibujar un vector como una flecha que parte de algún otro
punto distinto del origen. A modo de ejemplo consideremos x, y ∈ 2 R
y sea v = y − x. Se ve fácilmente que v será una flecha partiendo en
el origen que tiene el mismo tamaño y apunta hacia el mismo lado que
una flecha que parta en x y termine en y. Dado ésto, muchas veces
no nos molestamos en dibujar v partiendo del origen, sino que sólo
dibujamos la flecha de x a y.
y
v
y-x
x
0
2.2. Rectas en K n
A partir de nuestra intuición geométrica rescatamos del concepto de recta

(en el plano o en el espacio) dos elementos importantes: que una recta define
una dirección de movimiento y que pasa por algún lugar.
p L2
Pasa por p La misma
Direccion direcccion
L1
No pasa por p
q
Las rectas L1 y L2 del dibujo llevan la misma dirección, y lo que las di-
ferencia es que pasan por distintos puntos. De hecho L2 es L1 desplazada.
Intentamos entonces definir una recta en n como sigue: K
K
Definición 2.2 (Recta). Sean d ∈ n \ {0} un vector y p ∈ n un K Recta
punto dado. La recta L que pasa por p y va en la dirección de p es el
siguiente subconjunto de n : K
L = Lp,d = {v ∈ Kn | v = p + td, t ∈ K}.
40
p +t d

p
td
L
d
Se dice que p es una posición de L y que d es un vector director de L. posición de L

vector director de L
◭ Ejercicio
Ejercicio 2.1: Un par de observaciones importantes:

1. Muchas posiciones definen la misma recta. Probar que, dado d ∈
K n
\ {0} fijo, se tendrá q ∈ Lp,d ⇔ Lq,d = Lp,d . (Las posiciones
de una recta L son sus puntos.)
2. Muchos vectores directores definen una misma recta. Probar que,
K
dado p ∈ n fijo, se tendrá Lp,d = Lp,d ⇔ (∃λ ∈ \ {0}) d = K
λd. (Los vectores directores de una misma recta son los múltiplos
no nulos de un vector director dado.)
El Ejercicio 2.1.2 motiva la siguiente definición:

K
Definición 2.3 (Vectores paralelos). Sean v, w ∈ n . El vector v se paralelo
K
dice paralelo a w (lo que se anota vkw) ssi (∃λ ∈ \ {0}) w = λv.
Usando esta definición, el Ejercicio 2.1.2 puede ser replanteado como
d es un vector director de Lp,d ⇐⇒ dkd.
◭ Ejercicio
Ejercicio 2.2: K K
1. Si A ⊆ n y p ∈ n , definimos la traslación de
A en el vector p por p + A = {p + x | x ∈ A}. Mostrar que las
K
rectas que pasan por p ∈ n son exactamente las traslaciones en
p de las rectas que pasan por el origen 0.
41
p
K
2. Sean p, q ∈ n , con p 6= q. Mostrar que la recta de posición p y
vector director d = q − p es la única recta que pasa por ambos
puntos, p y q.
q
p
q-p
Observación: La ecuación ecuación vectorial de la
K
recta
v = p + λd, λ∈
que describe los puntos (vectores) de la recta Lp,d a medida que se

K
varı́a λ ∈ se llama ecuación vectorial de la recta Lp,d.
2.3. Planos en K n
K K
Sean p ∈ n y d1 , d2 ∈ n \ {0} vectores no paralelos. Apelando a nuestra
intuición en el espacio tridimensional, vemos que por p pasan las dos rectas
distintas L1 = Lp,d1 y L2 = Lp,d2 , y ambas están contenidas en un mismo
plano Π.
42
L 1
p+sd + td 1 2
L 2
p
sd 1
d 2
Observando la forma como los puntos de este plano se obtienen a partir de

p, d1 y d2 podemos dar la siguiente definición en n : K
Definición 2.4 (Plano). El plano que pasa por p y tiene vectores direc- Plano
tores d1 y d2 es el subconjunto de n : K
Πp,d1 ,d2 = {v ∈ Kn | v = p + sd1 + td2 , s, t ∈ K}
ecuación vectorial del
Observación: plano
1. v = p + sd1 + td2 , s, t ∈ K se llama ecuación vectorial del plano

Πp,d1 ,d2 .

2. Sea E = d1 | d2 la matriz que tiene por columnas a los
vectores directores d1 y d2 . Entonces juntando los parámetros s
y t en el vector r =
s
t
K
∈ 2 , la ecuación vectorial queda
v = p + Er ,r ∈ K2
, s, t ∈ K
s
= p + d1 | d2
t
3. Notar la similitud con la ecuación de una recta v = p+td, t ∈ . K
En la recta hay un parámetro libre: t ∈ K
(dimensión 1, esto se
formalizará mas adelante) y en el plano dos: s, t ∈ (dimensión K
2 ).
◭ Ejercicio
Ejercicio 2.3: Se deja como ejercicio para el lector probar las siguien-
tes propiedades:
1. q ∈ Πp,d1 ,d2 ⇔ Πq,d1 ,d2 = Πp,d1 ,d2 . (Cualquier punto de un
plano sirve como su posición.)
43
K Kn \ {0}, con d1no paralelo a d2 y

2. Si p ∈ n , y d1 , d2 , d1 , d2 ∈
d1 no paralelo a d2 , entonces
K
Πp,d1 ,d2 = Πp,d1 ,d2 ⇔ (∃A ∈ M2,2 ( ) invertible)

d1 | d2

=

d1 | d2

A
K
3. Dado p ∈ n , todo plano que pasa por p es la traslación en p de
un plano que pasa por el origen, y si trasladamos en p un plano
cualquiera que pasa por el origen, obtenemos un plano que pasa
por p.
K
4. Sean p, q, r tres puntos no colineales en n . Probar que si d1 =
q − p y d2 = r − p, entonces Πp,d1 ,d2 es el único plano que pasa
por p, q y r.
2.4. Ecuaciones paramétricas y cartesianas de rectas y

planos
2.4.1. Rectas
   
p1 d1
 
K  
K
Sean p =  ...  ∈ n y d =  ...  ∈ n \ {0}. Sea L = Lp,d .
pn dn
Recordemos que
 la ecuación
 vectorial de L es v = p + td , t ∈ . Si K
x1
 
anotamos v =  ...  el punto que recorre L cuando t recorre , resulta: K
xn


 x1 = p1 + td1

 x2 = p2 + td2

.. , t∈ K.

 .

xn = pn + tdn
Estas son las llamadas ecuaciones paramétricas de la recta L. (Notar que ecuaciones
K
p1 , . . . , pn , d1 , . . . , dn son constantes en , las coordenadas de la posición y paramétricas
de la dirección de L.)
Supongamos, para simplificar la notación, que las primeras k componentes
d1 , . . . , dk de d son no nulas, y el resto todas nulas: dk+1 = dk+2 = . . . =
 d1 
.
 .. 
 dk 
dn = 0, es decir d =  0 . Entonces las ecuaciones paramétricas de la
 
..
.
0
recta L son
44
x1 = p1 + td1
..
.
xk = pk + tdk 
xk+1 = pk+1  
.. Constantes.
. 

xn = pn
Despejando t en cada una de las primeras k ecuaciones, e igualando:
 x1 −p1

 d1 = x2d−p2
= · · · = xkd−pk
(= t)

 xk+1 = pk+1
2 k
 ..

 .

xn = pn
Este es un sistema de n − 1 ecuaciones lineales para las n incógnitas
 
x1
 
x1 , . . . , xn , que son las componentes de un punto cualquiera v =  ... 
xn
de L. Las ecuaciones se llaman ecuaciones Cartesianas de la recta L. ¿Cómo ecuaciones Cartesianas
quedan las ecuaciones cuando k = 1? de L
Ejemplos:
n = 2: La ecuación Cartesiana (notar que en este caso queda una
sola) de L = L p1 ,“ d1 ” queda:
( p2 ) d2
x1 − p1 x2 − p2
= , si d1 , d2 6= 0,
d1 d2
x2 = p2 , si d2 = 0, y
x1 = p1 , si d1 = 0.
L L L
d,d =0
1 2
d =0
2
d =01
n = 3: Una recta queda descrita por dos ecuaciones Cartesianas:
x1 − p1 x2 − p2 x3 − p3
= =
d1 d2 d3
(en caso que d1 , d2 , d3 6= 0. Escribir las otras posibilidades.)
45
2.4.2. Planos (caso n = 3)

Para simplificar el análisis veremos sólo el caso n = 3 para las ecua-
ciones
 Cartesianas
 K
de planos. Sea Π = Πp,d1 ,d2 un plano en 3 , donde
p1
K
p =  p2  ∈ 3 es una posición de Π, y los vectores directores son los
p3
   
d11 d12
K
vectores no paralelos en 3 \ {0}, d1 =  d21  y d2 =  d22 . La
d31 d32
K
ecuación vectorial de Π está dada por v = p + sd1 + td2 , s, t ∈ , y des-
componiéndola en sus 3 componentes resultan las ecuaciones paramétricas
de Π:

 x1 = p1 + sd11 + td12

x2 = p2 + sd21 + td22 , s, t ∈ .K
x3 = p3 + sd31 + td32
Pivoteando, es posible eliminar el parámetro s de dos de estas ecuaciones,
y luego también t de una de ellas, de modo que nos quedamos con una
ecuación final con sólo x1 , x2 , x3 (sin s y t) de la forma Ax1 +Bx2 +Cx3 = D,
K
donde A, B, C, D ∈ , con A, B o C 6= 0. Esta es la llamada ecuación
Cartesiana del plano Π.
K
Observación: Si el plano hubiese estado en n , con n ≥ 3, habrı́amos
obtenido un sistema de n − 2 ecuaciones cartesianas para el plano.
¿Qué pasa en el caso n = 2? ¿Y qué puede decir de n = 1?
Sabemos del capı́tulo de Sistemas Lineales que, recı́procamente, un sistema

de una ecuación y tres incógnitas, como la ecuación Cartesiana de Π, tiene
dos variables libres (digamos x2 y x3 ) y sus soluciones son de la forma:
       
x1 α1 β1 γ1
 x2  =  0  + x2  1  + x3  0  , x2 , x3 ∈ , K
x3 0 0 1
   
β1 γ1
con  1  y  0  claramente no paralelos (¿por qué?), ası́ el
0 1
K
conjunto de soluciones representa un plano en 3 . Tenemos entonces que
K
los planos en 3 son exactamente los conjuntos solución de ecuaciones
cartesianas como la que escribimos arriba para Π.
Ejemplo:
 
1
R
El plano Π ⊆ 3 que pasa por el punto p =  0  y con vectores direc-
    0
1 −1
tores d1 =  −1  y d2 =  0  tiene por ecuaciones paramétri-
0 1
46

 x1 = 1 + s − t
R

cas x2 = −s , s, t ∈ de las que se puede fácilmente

x3 = t
eliminar s y t para obtener la ecuación Cartesiana x1 + x2 + x3 = 1.
Por otra parte, si partimos de esta ecuación, despejando x1 en térmi-
nos de x2 yx3 resulta
 x1 = 1 − x2 − x3 , por lo que un punto cual-
x1
R
quiera v =  x2  ∈ 3 que satisfaga esta ecuación tendrá la forma
   x3       
x1 1 − x2 − x3 1 −1 −1
 x2  =  x2  =  0  + x2  1  + x3  0 ,
x3 x3 0 0 1
con x2 , x3 ∈R tomando valores arbitrarios. El lector reconocerá esto
como una ecuación vectorial del mismo plano Π.
-1
0 x+x+x=1
1 2 3
1
1
0
0 1
-1
0
2.5. Geometrı́a métrica en R n
2.5.1. Definiciones y propiedades básicas

Incorporaremos ahora a nuestro estudio conceptos como distancia entre
puntos, ángulos, perpendicularidad, etc. Para ello debemos perder un poco
de generalidad y restringirnos al cuerpo = K R
de los números reales.
(También se puede hacer todo esto con K C
= , los números complejos,
pero esto lo postergaremos para mas adelante.)
Definición
x1
! 2.5 (Producto
y1 !
R
punto en n ). Sean x, y ∈ n , con x = R
.. , y = .. . Se define el producto punto hx, yi (también se anota producto punto
. .
xn yn
x • y) como el real hx, yi , x • y
n
X
hx, yi = xi yi = xt y = yt x ∈ R.
i=1
47
Tenemos ası́ una función
Rn × Rn R

<, > : −→
(x, y) 7−→ hx, yi
llamada producto punto.

1. (∀x, y ∈ Rn) hx, yi = hy, xi (Simetrı́a).
2. (∀x, y, x, y ∈ Rn ) hx + x, yi = hx, yi + hx, yi ∧ hx, y + yi = hx, yi +
hx, yi (Bi–aditividad).
3. (∀λ ∈ R) (∀x, y ∈ Rn) hλx, yi = hx, λyi = λ hx, yi (Bi–homogeneidad).

4. (∀x ∈ Rn) hx, xi ≥ 0 ∧ hx, xi = 0 ⇔ x = 0 (Positividad).
Demostración. La demostración de estas propiedades quedan como ejercicio-

. ◭ Ejercicio
Pn 2
El número
 hx,
 xi que aparece en la propiedad 4. es hx, xi = i=1 xi , si
x1
 .. 
x =  . . Jugando con el Teorema de Pitágoras se puede verificar
xn
p
fácilmente que si n = 2 ó n = 3, hx, xi corresponde a la longitud de la
flecha representada por el vector x.
2
2 2 2
x1 + x2 + x3
2
2 +x2
x1 x2
x1 x3
x1
2 2
x2
n=2 x1 + x2
n=3
Aprovechando estos hechos, y con la esperanza de re–obtener el Teorema

R
de Pitágoras en n , para todo n, definimos
Definición 2.6 (Norma Euclidiana). ! La norma Euclidiana (o, simple-
x1
R
.. n
pPn
mente, norma) de un vector x = ∈ como kxk = 2
. i=1 xi = norma
xn
48
p
hx, xi (raı́z cuadrada ≥ 0). kxk

Tenemos ası́ la función norma
kk : Rn −→ p R .
x 7−→ kxk = hx, xi

1. (∀x ∈ Rn) kxk ≥ 0 ∧ kxk = 0 ⇔ x = 0
2. (∀λ ∈ R) (∀x ∈ Rn ) kλxk = |λ| kxk
3. (∀x, y ∈ Rn ) kx + yk ≤ kxk + kyk (Desigualdad Triangular.) Desigualdad
Triangular
Demostración. Las demostraciones de 5a y 5b son elementales y se dejan

como un ejercicio fácil para el lector. La prueba de la Desigualdad Trian-
gular dependerá del siguiente importante Lema:
Lema 1 (Desigualdad de Cauchy–Schwartz). Desigualdad de
Cauchy–Schwartz
(∀x, y ∈ Rn) |hx, yi| ≤ kxk kyk .
Demostración. (Desigualdad de C–S) Notar que si x = 0 ∨ y = 0,
la desigualdad se verifica trivialmente (0 ≤ 0). Supondremos entonces que
R
ambos vectores x e y son no nulos. Para x, y ∈ n \ {0} fijos, consideremos
ahora la función ϕ : R R →
2
definida por ϕ(t) = ktx − yk . Claramente
R
ϕ(t) ≥ 0 para todo t ∈ (y además, si y no es un múltiplo de x, ϕ(t) > 0
R
para todo t ∈ ). Por otra parte, ϕ(t) = htx − y, tx − yi = kxk t2 −
2
2
2 hx, yi t + kyk . Ası́, ϕ es una función polinomial de segundo grado en t,

2 2
con coeficientes a = kxk , b = −2 hx, yi, c = kyk (notar que como x 6= 0,
la función es efectivamente de segundo grado, y no de un grado menor).
R
Como ϕ(t) ≥ 0 para todo t ∈ , sabemos que el discriminante b2 − 4ac
será menor o igual a 0 (a lo más una raı́z real de multiplicidad 2), es decir
4 hx, yi2 − 4 kxk2 kyk2 ≤ 0, de donde hx, yi2 ≤ kxk2 kyk2 , lo que implica la
desigualdad deseada.
Observación: Notar que si y no es múltiplo de x, ϕ(t) > 0 para todo

R
t ∈ , luego b2 −4ac < 0, de donde se desprende que |hx, yi| < kxk kyk.
De aquı́ que (aún en el caso x = 0 ∨ y = 0) se verifica la igualdad en
Cauchy–Schwartz ssi alguno de los dos vectores es múltiplo del otro.
De modo similar se tiene que hx, yi = kxk kyk ssi alguno de los dos
vectores es un múltiplo no negativo del otro.
49
Podemos ahora probar la desigualdad triangular. Sean x, y ∈ Rn. Tenemos:

2 2 2
kx + yk = hx + y, x + yi = kxk + 2 hx, yi + kyk
2 2
≤ kxk + 2 |hx, yi| + kyk
C.–Sch.
≤ kxk2 + 2 kxk kyk + kyk2
= (kxk + kyk)2
Observación: De la observación bajo la demostración de la desigual-

dad de Cauchy–Schwartz podemos concluir que en la desigualdad trian-
gular vale la igualdad ssi alguno de los dos vectores es múltiplo no
negativo del otro.
Usaremos ahora la norma de Rn para definir la noción de distancia entre

puntos de este conjunto.
R
Definición 2.7. Sean p, q dos puntos en n . La distancia entre p y q es distancia
el número real no negativo d(p, q) = kq − pk. d(p, q)
Observación:
1. Recordando que q − p se puede visualizar como el vector (flecha)
que va de p hasta q, resulta que d(p, q) es la longitud de esta
flecha, es decir, como esperarı́amos, la longitud del trazo recto
entre p y q.
2. Podemos usar la distancia entre puntos para interpretar la de-
R
sigualdad triangular. Sean p, q, r ∈ n tres puntos que forman
R
un triángulo en n . Entonces: kq − pk = k(q − r) + (r − p)k ≤
kq − rk + kr − pk, es decir d(p, q) ≤ d(r, q) + d(p, r). En el
triángulo pqr esto significa que la longitud del lado pq es infe-
rior o igual a la suma de los otros dos lados ( rq + pr), lo que es
un viejo teorema de geometrı́a plana.
q r
p q-r
r-p
q-p q
p q-p
50
El producto punto está ı́ntimamente ligado a la noción de ángulo entre

vectores. Recurramos nuevamente a nuestra intuición geométrica para ver
algunos hechos que indican que esta afirmación no es gratuita.
Situación 1:
Consideremos el siguiente diagrama:
x
x-y
x+y
0
-y
R
Los vectores x e y son no nulos en n , y los hemos dibujado en el plano que
pasa por el origen y que los contiene. Supongamos que x es perpendicular a
R
y (vamos a suponer que esto tiene sentido en n , y que en el plano de x, y y
0 se cumplen las propiedades usuales que conocemos de la geometrı́a plana
del colegio). Esperamos entonces que el triángulo que tiene por vértices x,
y y −y sea isósceles en x (la altura es la flecha x), y ası́
kx − yk = kx + yk ⇐⇒ hx − y, x − yi = hx + y, x + yi
⇐⇒ kxk2 − 2 hx, yi + kyk2 = kxk2 + 2 hx, yi + kyk2
⇐⇒ 4 hx, yi = 0
⇐⇒ hx, yi = 0.
Aprovechemos esto para definir perpendicularidad en Rn :
Definición 2.8 (Perpendicularidad). Dos vectores x, y ∈ n se dicen R
perpendiculares u ortogonales ssi hx, yi = 0. Lo anotaremos como x ⊥ y. perpendicularidad
x⊥y
◭ Ejercicio
Ejercicio 2.4: Probar el Teorema de Pitágoras en R n

: Sean A, B, C ∈
R n
, con (B−C) ⊥ (C−A). Si a = d(C, B) = kB − Ck, b = d(A, C) =
kC − Ak y c = d(B, A) = kA − Bk son los tres lados del triángulo
ABC (triángulo rectángulo en C, con a, b los catetos y c la hipotenusa),
entonces a2 + b2 = c2 .
c B
A
b a
51
Situación 2:

Queremos usar nuestra intuición geométrica para descubrir una relación
R
que nos permita definir el ángulo entre dos vectores de n . Consideremos
el diagrama siguiente:
x
Todo transcurre en el plano que pasa por 0 y tiene a x e y como vectores

directores. El punto λy es la proyección ortogonal del punto x sobre la
recta que pasa por 0 y tiene a y como vector director, θ será el ángulo de
R
la flecha y a la x (si todo esto tiene sentido en n ). La cantidad kλy − xk
es la distancia de x a su proyección. Las relaciones trigonométricas que
esperarı́amos que se cumplan dicen: cos θ = kλyk |λ|kyk
kxk = kxk .
Nos gustarı́a eliminar λ de esta fórmula. Para ello notemos que como
2
(λy − x) ⊥ y, entonces hλy − x, yi = 0, de donde λ kyk − hx, yi = 0,
hx,yi
y ası́ |λ| = λ = kyk2 . (El dibujo sugiere que λy apunta hacia el mismo lado
que y. Analizar lo que pasa si no. Notar que θ > π2 en dicho caso.) Luego
hx,yi
cos θ = kxkkyk R
. Usamos esto para definir el ángulo entre vectores de n :
R
Definición 2.9 (Ángulo entre vectores). Sean x, y ∈ n \ {0}. Defi-
nimos el ángulo entre x e y como aquel número θ ∈ [0, π] tal que
ángulo
hx, yi
cos θ = .
kxk kyk
Observación:
1. Notar que la desigualdad de Cauchy–Schwartz asegura que −1 ≤
hx,yi
kxkkyk ≤ 1, ası́ la definición anterior tiene sentido.
2. Esta definición entrega de manera trivial la famosa fórmula

hx, yi = kxk kyk cos θ.
52
2.6. Aplicación a Rectas en R 2
y Planos en R. 3

2.6.1.

R
Rectas en 2 .

Sea d =
x1
x2
R
∈ 2 . Definamos el nuevo vector d⊥ =
−x2
x1
∈ 2. R d⊥
Es un ejercicio fácil verificar que las siguientes propiedades se satisfacen:

1. d⊥ = kdk.
2. d⊥ es ortogonal a d.
⊥
3. d⊥ = −d.
4. Si d 6= 0, entonces (∀v ∈ R2) [v ⊥ d ⇔ (∃λ ∈ R) v = λd⊥ ].
5. Si d 6= 0, entonces (∀v ∈ R2 ) [v ⊥ d⊥ ⇔ (∃t ∈ R) v = td].
R2 y L = Lp,d = R2 R

Sea ahora p ∈ v∈ | v = p + td, t ∈ . Tenemos
que
v∈L ⇐⇒ v = p + td, t ∈ R
⇐⇒ R
(∃t ∈ ) v − p = td
⊥
⇐⇒
− p ⊥ d⊥
v
⇐⇒ v − p, d = 0.
Si llamamos n = d⊥ (o cualquier otro vector paralelo a éste), hemos conclui-

R
do que v ∈ L ⇔ hv − p, ni = 0, es decir, L = v ∈ 2 | hv − p, ni = 0 .

La ecuación
hv − p, ni = 0
se llama ecuación normal de L. El vector n (es decir, d⊥ o cualquier otro ecuación normal de L
paralelo a él) se dice vector normal a L. vector normal a L
53
v-p
v
L
p
De laecuación
normal
deL sale fácilmente
una ecuación Cartesiana. Sean
n1 p1 x1
n= ,p= yv= . Desarrollando:
n2 p2 x2
hv − p, ni = 0 ⇔ hv, ni − hp, ni = 0 ⇔ n1 x1 + n2 x2 + (−n1 p1 − n2 p2 ) = 0,
es decir
ax1 + bx2 + c = 0, con a = n1 , b = n2 y c = − hp, ni . (2.1)
◭ Ejercicio
Ejercicio 2.5: Concluya que si (2.1) es una ecuación Cartesiana de

R
una recta de 2 , entonces un vector director de esta recta es d = −a

b .
2.6.2. Planos en R3 .
R
Sean d1 , d2 vectores no nulos y no paralelos en 3 . Más adelante se prueba
R
que existe un vector n = d1 × d2 ∈ 3 con las propiedades: n
1. knk = kd1 k kd2 k |sen θ| =

6 0, con θ el ángulo entre d1 y d2 .
2. n ⊥ d1 ∧ n ⊥ d2 .
3. (∀v ∈ R3) [v ⊥ d1 ∧ v ⊥ d2 ⇔ (∃λ ∈ R) v = λn].
4. (∀v ∈ R3 ) [v ⊥ n ⇔ (∃s, t ∈ R) v = sd1 + td2 ].
Con estas propiedades, sea Π = Πp,d ,d el plano en R3 que pasa por un Πp,d1 ,d2
punto p ∈ R3 y de vectores directores d1 y d2 . Entonces el lector puede
1 2
demostrar fácilmente que para cualquier v ∈ R3 , v ∈ Π ⇔ hv − p, ni = 0.

Nuevamente, n (o cualquier vector paralelo a n) se dirá vector normal a Π, vector normal a Π
54
y la ecuación

hv − p, ni = 0
se llamará ecuación normal de Π. ecuación normal de Π
R
De modo similar al caso de rectas en 2 , la ecuación normal conduce di-
rectamente ala ecuación Cartesiana Ax1 + Bx2 + Cx3 + D = 0 para Π.
A
(Donde n = B y D = − hp, ni.)
C
n d2
d1
v
v-p
p
55
Guı́a
Ejercicios

1. Pruebe las siguientes propiedades de la ponderación por escalar: Proposición 2.1
(a) (∀λ1 , λ2 ∈ K) (∀x ∈ Kn) λ1 (λ2 x) = (λ1 λ2 )x.

(b) (∀λ ∈ K) (∀x, y ∈ Kn ) λ(x + y) = λx + λy.
(c) (∀λ ∈ K) (∀x ∈ Kn ) λx = 0 ⇔ λ = 0 ∨ x = 0.
2. Pruebe que: Ejercicio 2.1, Ejercicio
2.2
K
(a) Dado d ∈ n \ {0} fijo, se tendrá q ∈ Lp,d ⇔ Lq,d = Lp,d . (Las
posiciones de una recta L son sus puntos.)
K K
(b) Dado p ∈ n fijo, se tendrá Lp,d = Lp,d ⇔ (∃λ ∈ \ {0}) d = λd.
(Los vectores directores de una misma recta son los múltiplos no
nulos de un vector director dado.)
K K
(c) Si A ⊆ n y p ∈ n , definimos la traslación de A en el vector p traslación
por p + A = {p + x | x ∈ A}. Las rectas que pasan por p ∈ n K
son exactamente las traslaciones en p de las rectas que pasan por
el origen 0.
K
(d) Sean p, q ∈ n , con p 6= q. La recta Lp,q−p es la única recta que
pasa por ambos puntos, p y q.
3. Pruebe que: Ejercicio 2.3
(a) q ∈ Πp,d1 ,d2 ⇔ Πq,d1 ,d2 = Πp,d1 ,d2 . (Cualquier punto de un plano
sirve como su posición.)
K
(b) Dado p ∈ n , todo plano que pasa por p es la traslación en p de
un plano que pasa por el origen, y si trasladamos en p un plano
cualquiera que pasa por el origen, obtenemos un plano que pasa
por p.
K
(c) Sean p, q, r tres puntos no colineales en n . Probar que si d1 =
q − p y d2 = r − p, entonces Πp,d1 ,d2 es el único plano que pasa
por p, q y r.
4. Pruebe las siguientes propiedades del producto punto: Proposición 2.2
R
(a) (∀x, y, x, y ∈ n ) hx + x, yi = hx, yi + hx, yi ∧ hx, y + yi =
hx, yi + hx, yi (Bi–aditividad).
(b) (∀λ ∈ R) (∀x, y ∈ Rn) hλx, yi = hx, λyi = λ hx, yi (Bi–homogeneidad).
(c) (∀x ∈ Rn) hx, xi ≥ 0 ∧ hx, xi = 0 ⇔ x = 0 (Positividad).
5. Pruebe las siguientes propiedades de la norma Euclidiana: Proposición 2.3
(a) (∀x ∈ Rn) kxk ≥ 0 ∧ kxk = 0 ⇔ x = 0.

(b) (∀λ ∈ R) (∀x ∈ Rn ) kλxk = |λ| kxk.
56
Problemas

2 0
−1
P1. (a) Considere los puntos P = 1 ,Q = −1 yR= 1 .
2 1 5
Verifique que son puntos no colineales y encuentre la ecuación
vectorial (o paramétrica) y Cartesiana del plano Π1 que los con-
tiene.
(b) Dadas las rectas L1 y L2 definidas por
   
1 1
L1 : −1 + t −3 , t ∈ R y L2 :
3x + y + 4 = 0
z+5=0
.
1 0
Verifique que L1 y L2 son paralelas y distintas y ecuentre la ecua-
ción vectorial (o paramétrica) y Cartesiana del plano Π2 que las
contiene.
(c) Encuentre la ecuación vectorial de la recta L que se obtiene como
la intersección de los plano Π1 y Π2 (L = Π1 ∩ Π2 ).
(d) Encuentre el punto S de intersección de las rectas L1 y L, y veri-
fique que S satisface la ecuación Cartesiana del plano Π1 .
P2. (a) Verifique que las rectas
       
3 −1 2 2
L1 : 4  + t  2  , t ∈ R, L2 : 4 + s  1  , s ∈ R
5 −5 6 −5
se intersectan en un único punto. Encuéntrelo.
1 4
(b) Sea Π el plano con vectores directores d1 = 2 y d2 = 0 ,
0 3 4
que pasa por el punto P = −2 , y sea L la recta con vector
1 1 a
director d = b que pasa por el punto Q = 0 , donde a, b ∈ .
0 0
R
Encuentre los valores de los parámetros a, b tales que
L esté contenida en Π (L ⊂ Π),
L y Π no tengan puntos en común (L ∩ Π = ∅). y
L ∩ Π contenga exactamente un solo punto.
P3. Sean Π1 el plano de ecuación x + y + 2z = 1, Π2 el plano de ecuación
0
−x + y = 2 y L1 la recta que pasa por el punto P1 = 1 y cuya
1 1
dirección es D1 = 0 .
0
(a) Encuentre la ecuación de la recta L2 , que se obtiene como la

intersección de los planos Π1 y Π2 . Entregue un vector director
de dicha recta.
(b) Encuentre el punto P2 de intersección de la recta L1 y Π1 .
(c) Calcular el punto P3 de intersección de L2 con el plano perpendi-
cular a L2 que pasa por el punto P2 .
(d) Encuentre la ecuación paramétrica o vectorial de la recta conte-
nida en Π2 que pasa por el punto P3 y es perpendicular a L2 .
57
SEMANA 5: GEOMETRÍA

2.7. Producto cruz (o producto vectorial) en R 3
Utilizaremos la siguiente notación, ya tradicional en las aplicaciones de la

geometrı́a vectorial. Sean bi, bj, k R
b ∈ 3 los siguientes vectores:
     
1 0 0
bi =  0  , bj =  1  , k b =  0 .
0 0 1
bi, bj, k
b
Las siguientes afirmaciones son evidentes:

b
1. bi = bj = k =1 (Estos vectores se dicen unitarios.)
2. bi ⊥ bj ∧ k
b⊥k b ∧ k b ⊥ bi (Son ortogonales entre sı́.)
x1
3
R
3. ∀x = xx2 ∈ 3 x = x1bi + x2bj + x3 k, b y esta escritura es única, es
decir, si x1bi + x2bj + x3 k b entonces x1 = y1 ∧ x2 =
b = y1bi + y2bj + y3 k,
y2 ∧ x3 = y3 .
Observación:
n o Las propiedades 1. y 2. se abrevian diciendo que
bi, bj, k
b es un conjunto ortonormal en 3 . R
xk 3
x 1
x= x 2
x
k 3
xi
1 j
i xj
2
Mas adelante en el curso definiremos la noción de determinante, pero ahora

consideraremos la siguiente ˛ ˛
R R
a b ˛ a b ˛˛
Notación: Si a, b, c, d ∈ , anotamos = ad − bc ∈ . ˛
c d ˛ c d ˛
Con esto podemos dar la definición:
58
x1 y1
Definición 2.10 (Producto cruz). Si x = xx2 , y = yy2 ∈ 3 , R Producto cruz

3 3
definimos el producto cruz o producto vectorial de x e y como el siguiente
R
vector de 3 :

bi bj kb
x2 x3 x1 x3 x1 x2

x × y = x1 x2 x3 = b
i− b
j+ b
k.
y1 y2 y3 y2 y3 y1 y3 y1 y2
Es decir, resulta el vector de R3 : x×y

 
x2 y3 − x3 y2
x × y =  x3 y1 − x1 y3  ∈ R3.
x1 y2 − x2 y1
(Obviamente, esta última fórmula no es muy fácil de recordar, y es preferible

usar la notación de la definición dada primero, cuya operatoria está ahı́ mis-
mo definida, para memorizar y calcular x × y.)
Hemos ası́ definido una ley de composición interna × en 3 : R
× : R3 × R3 −→ 3
R
.
(x, y) 7−→ x × y
Proposición 2.4. Se tienen las siguientes propiedades

R

1. ∀x, y ∈ 3 x × y ⊥ x ∧ x × y ⊥ y.
R

2. ∀x, y ∈ 3 x × y = −y × x (× es anti–conmutativo).

R
3. ∀x, y, z ∈ 3 x× (y + z) = x× y + x× z ∧ (x+ y)× z = x× z+ y × z
(× distribuye sobre +).

R R
4. ∀x, y ∈ 3 (∀λ ∈ ) (λx) × y = x × (λy) = λ(x × y).
R
5. ∀x ∈ 3 x × x = 0.
Demostración. La demostración de estas propiedades básicas quedan

propuestas como ejercicio. ◭ Ejercicio
Notemos que con 2, 3, 4 y 5, más el simple cálculo de

bi × bj = k,
b bj × k
b = bi, k
b × bi = bj,
se puede recuperar la fórmula con que definimos originalmente el producto

cruz:
x×y = b
b × (y1bi + y2bi + y3 k)
(x1bi + x2bj + x3 k)
= x1 y1 i× i+x1 y2 i× j+x1 y3 i× k+x2 y1bj×bi+x2 y2bj×bj+x2 y3bj× k
b b b b b b b
+x3 y1 k× b k
b bj+x3 y3 k×
b bi+x3 y2 k× b
= b b
0 + x1 y2 k + x1 y3 (−j) + x2 y1 (−k)b + 0 + x2 y3bi + x3 y1bj + x3 y2 (−bi) + 0
= b b b
(x2 y3 − x3 y2 )i + (x3 y1 − x1 y3 )j + (x1 y2 − x2 y1 )k.
59
La siguiente es una fórmula para el producto cruz de 3 vectores. Su demos-

tración es un simple cálculo que omitimos.
(x × y) × z = hx, zi y − hy, zi x (2.2)
Notar que el producto cruz no es conmutativo (pero tiene la propiedad

parecida 2) y que desgraciadamente tampoco es asociativo. Para ilustrar
cuán lejos está de serlo, está la llamada Identidad de Jacobi, que se puede Identidad de Jacobi
probar fácilmente a partir de la propiedad anterior:
∀x, y, z ∈ R3 x × (y × z) + y × (z × x) + z × (x × y) = 0 (2.3)

Notemos que usando 2.3 y las propiedades anteriores resulta:
x × (y × z) − (x × y) × z = y × (x × z),
lo que indica que x × (y × z) no tiene por qué ser igual a (x × y) × z.
Veamos mas propiedades de “×”:
Proposición 2.5.
R3 \ {0}

∀x, y ∈ kx × yk = kxk kyk |sen θ| ,
donde θ es el ángulo entre x e y.
Demostración. Esto saldrá de la siguiente identidad, la que pedimos al

lector que tenga la paciencia de verificar (es un cálculo simple pero tedioso):
R
∀x, y ∈ 3 hx, yi2 + kx × yk2 = kxk2 kyk2 .
Una vez establecida esta identidad, y recordando que hx, yi = kxk kyk cos(θ),
resulta:
2 2 2 2
kx × yk = kxk kyk − hx, yi
= kxk kyk − (kxk kyk cos(θ))2
2 2
= kxk2 kyk2 (1 − cos2 (θ))

= kxk2 kyk2 sen2 (θ).

La siguiente propiedad muestra que el producto cruz representa a la direc-

ción ortogonal a los vectores participantes.
Proposición 2.6. Sean x, y ∈ R3 \{0} vectores no paralelos, y sea z ∈ R3.

Entonces
1. z ⊥ x ∧ z ⊥ y =⇒ (∃λ ∈ R) z = λx × y.
2. z ⊥ x × y =⇒ (∃s, t ∈ R) z = sx + ty.
60
Demostración. La demostración es un ejercicio, explicado en más detalle

a continuación.
◭ Ejercicio
Ejercicio 2.6: El objetivo de este ejercicio es probar la Proposición 2.

R
1. Sean x, y, z ∈ 3 tres vectores no coplanares con el origen, es
decir, que no existe un plano que pasa por el origen y que contiene
a los tres vectores x, y y z. Pruebe que esto equivale a:
(∀s, t ∈ R) x 6= 0 + sy + tz
∧ y 6= 0 + sx + tz
∧ z 6= 0 + sx + ty
2. Pruebe que la condición anterior es equivalente a
(∀α, β, γ ∈ R) αx + βy + γz = 0 =⇒ α = β = γ = 0. (2.4)
R
3. Sea A ∈ M33 ( ) la matriz descrita por columnas como A =
x | y | z . Pruebeh i que la propiedad 2.9 equivale ahque
i el
α α
sistema homogéneo A βγ = 0 tiene como solución única β
γ
=
0, es decir, A es invertible.
x, y, z ∈
4. Concluya que tres vectores 3
R
noson coplanares con el
origen ssi la matriz A = x | y | z es invertible.
5. Considere ahora x e y no nulos y no paralelos. Pruebe que los
vectores x, y y x × y 6= 0 son no coplanares con el origen.
Indicación: Verifique la condición 2.9.
6. Use la conclusión de la parte 2c para probar que
R
R
∀z ∈ 3 (∃s, t, λ ∈ ) z = sx + ty + λx × y. (2.5)
7. Pruebe, usando la propiedad 2.10, la Proposición 2.
Observación: La interpretación geométrica del resultado anterior es:

R
Si x, y son vectores no nulos y no paralelos en 3 , x × y define la lı́nea
recta (que pasa por 0) de vectores perpendiculares a x y a y. Por otra
parte los vectores perpendiculares a x × y son exactamente aquellos del
plano que pasa por el origen y tiene a x e y como vectores directores.
61
x y
y
0,x,y
0 x
L 0,x y
Un par de propiedades geométricas más de “×”:
Proposición 2.7. R
1. Sean x, y ∈ 3 \ {0} vectores no paralelos. En-
tonces el área del paralelógramo que definen es kx × yk.
R
2. Sean x, y, z ∈ 3 \ {0} vectores no coplanares con 0. Entonces el
volumen del paralelepı́pedo que definen es |hx × y, zi|.
Demostración. (Deberemos confiar en los conceptos intuitivos de área y

volumen que traemos de la geometrı́a escolar).
y x y
z
H y
h
0
x 0 x
1. El área del paralelógramo es dos veces el área del triángulo cuyos
vértices son x, y y 0. Ası́, Area = 2 · 21 · base · altura = 2 · 21 ·
kxk h, con h = kyk sen θ. De aquı́ que Area = 2 · 21 · kxk kyk sen θ =
kxk kyk sen θ = kx × yk.
2. De la geometrı́a de colegio, el volumen del paralelepı́pedo se calcula
como el producto del área de su base y su altura. De la parte (a), el
área de la base es kx × yk. Por otra parte la altura H es la proyección
de z sobre la dirección perpendicular al plano de x e y, con lo que
H = kzk cos(ϕ), donde ϕ es el ángulo entre x × y y z. Se obtiene
finalmente entonces que Vol = kx × yk kzk cos(ϕ) = |hx × y, zi|.
62


Una última propiedad del producto cruz que es necesario indicar es la lla-
mada regla de la mano derecha. regla de la mano
De x × y conocemos que apunta en la lı́nea perpendicular al plano de x derecha
e y, y que tiene por norma kxk kyk sen θ, con θ el ángulo entre x e y.
Estos datos nos dejan aún dos opciones posibles para x × y: hacia un lado
del plano de x e y o hacia el otro. La verdad es que hacia cuál de estos
dos lados se dibuja depende de cómo dibujamos los vectores ortonormales
bi, bj, k
b (es decir, de cómo dibujamos los tres ejes de coordenadas de 3 ). R
Generalmente se conviene en dibujarlos de modo que si en el plano de bi, bj
(el plano x1 − x2 ) hacemos los dedos de la mano derecha girar rotando de
bi hacia bj, kb apunta en la misma dirección del pulgar.
i j
R
Con esta convención resulta también que, si x, y ∈ 3 \{0} son no paralelos
y hacemos girar los dedos de la mano derecha en el plano definido por x e
y, desde x hacia y, el pulgar apunta en la dirección de x × y.
x
x y
y y
x x y
Hay que indicar, sin embargo, que si alguien prefiriese dibujar los ejes como:
x1 x2
i j
k
x3
entonces los productos cruz cumplirı́an una regla de la mano izquierda.

Nosotros seguiremos la convención universalmente aceptada, dibujando los
ejes del primer modo que mencionamos, y nuestros productos cruz se dibu-
jarán siempre según la regla de la mano derecha.
63
2.8. Distancia entre un punto y un conjunto. Proyeccio-

nes.
Definición 2.11 (Distancia punto–conjunto). Sea A ⊆ n un subcon- R
R R
junto no vacı́o de n , y sea q ∈ n un punto. Definimos la distancia de q
al conjunto A como: d(q, A)
d(q, A) = ı́nf {d(q, x) | x ∈ A} .
x
d(q,x)
y
d(q,y)
A
d(q,A)
q
z d(q,z)
◭ Ejercicio
Ejercicio 2.7: Verifique que d(q, A) queda bien definida.
Cabe notar que no tiene por qué existir un punto r ∈ A tal que d(q, A) =
d(q, r), y si tal r llega a existir, no tiene por qué ser único (¡Construir
ejemplos de estas afirmaciones!).
Estudiemos a modo de ejemplo el caso en que A = L es una recta Lp,x en

Rn (recta que pasa por p y tiene vector director x).
Supongamos que existe un punto r ∈ L tal que q − r es perpendicular a
L. Afirmamos (como nuestra intuición geométrica lo indica) que d(q, L) =
d(q, r). Probemos algo mejor:
(∀z ∈ L) z 6= r ⇒ kq − zk > kq − rk ,
de donde la distancia de q a L se alcanza en un único punto r.
En efecto, si z ∈ L, como q−r es normal a L, el triángulo cuyos vértices son
z, r y q es rectángulo en r, y por Pitágoras (recuerde que usted demostró en
R 2 2 2
el Ejercicio 2.4 que es válido en n ) kq − zk = kq − rk + kr − zk . Como
2
z 6= r, entonces kr − zk > 0, y eso prueba la desigualdad.
r L
z
64
Veremos ahora que tal r ∈ L efectivamente existe.

1
Sea x
b = kxk x (vector unitario en la dirección de x: claramente kbxk = 1).
Sea y = q − p el vector que conecta p con q, y sea w = hy, xbi x
b. Notar que
w apunta en la misma lı́nea que x, y que
2
kwk = |hy, x
bi| kb
xk = kyk kbxk |cos(θ)| = kyk cos(θ),

donde θ es el ángulo entre x e y (que lo supondremos en 0, π2 para no
preocuparnos del signo de cos(θ). Si este no es el caso, podemos usar −x
en lugar de x como vector director de L.)
Este vector w es lo que llamaremos proyección del vector y sobre la direc-
ción definida por el vector x. Notar que si en vez de x usamos otro vector
director λx de L, resulta exactamente el mismo vector w.
x
r
w
u
p
y = q-p q
Sea u = y − w = y − hy, x bi x
b. Nuestra intuición nos harı́a esperar que
u ⊥ x. Verifiquemos que eso es correcto:

1
hu, xi = hy − hy, x
bi x
b, xi = hy, xi−hy, x
b i hb
x, xi = hy, xi− y, x kxk = 0,
kxk
de donde u ⊥ x.
Basta tomar ahora r = p + w =p + hy, x
bi x
b, es decir
r = p + hq − p, x
bi x
b,
que tiene la propiedad deseada pues q − r = q − p − w = y − w = u ⊥ x,

luego q − r ⊥ L.
Definición 2.12 (Proyección ortogonal sobre una recta). Llamamos Proyección ortogonal
R R
proyección ortogonal del punto q ∈ n sobre la recta L ⊆ n , al punto sobre una recta
r ∈ L tal que q − r ⊥ L.
Acabamos de probar que dicha proyección r existe y es el único punto de L

que minimiza la distancia a q, y dimos además una fórmula para calcular
esta proyección en términos de q, la posición p de L y su vector director x.
Como segundo ejemplo, vamos a estudiar ahora en detalle el caso en que

n = 3 y A es un plano Π ⊆ 3 .R
◭ Ejercicio
Ejercicio 2.8: Desarrollar de manera similar, en paralelo, el caso en

R
que n = 2 y A es una recta en 2 . Notar que ese problema es un caso
particular del que se resolvió antes, pero la solución va por otro camino,
usando ecuaciones normales en vez de vectores directores.
65
Sea L la recta que pasa por q y que es perpendicular a Π (es decir, que

tiene por vector director un vector normal a Π). Veremos en un momento
que la intersección entre Π y L consiste en un solo punto r. Nuestra in-
tuición geométrica indica que d(q, Π) = d(q, r), y la demostración de este
hecho sigue exactamente las mismas lineas de lo que hicimos al estudiar la
R
proyección de un punto sobre una recta en n . (Se prueba la desigualdad
(∀z ∈ Π) z 6= r ⇒ kq − zk > kq − rk, etc.)
r z
Definición 2.13 (Proyección ortogonal sobre un plano). Llamamos Proyección ortogonal

R R
proyección ortogonal del punto q ∈ 3 sobre el plano Π ⊆ 3 , al punto sobre un plano
r ∈ Π tal que q − r ⊥ Π.
Sabemos que dicho r es el único punto de Π que minimiza la distancia a q.
Lo que no hemos probado aún es que tal punto r realmente existe, y a eso
nos dedicaremos ahora.
Sea n un vector normal a Π (por ejemplo, si Π = Πp,d1 ,d2 , n se puede tomar
como d1 ×d2 , o si tenemos una ecuación
A Cartesiana Ax1 +Bx2 +Cx3 +D = 0
para Π, n se puede tomar como B ). La recta L que pasa por q y es
C
perpendicular a Π tiene entonces por ecuación vectorial:
v = q + tn, t∈ R. (2.6)
Sea p un punto (fijo) cualquiera de Π. Podemos entonces escribir la ecuación
normal de Π:
hv − p, ni = 0. (2.7)
R
Buscamos L ∩ Π, es decir, los v ∈ 3 que satisfacen simultaneamente (2.6)
y (2.7). Pero esto es fácil de resolver. En efecto, (2.7) equivale a hv, ni =
hp, ni, y usando (2.6), obtenemos
2 hp − q, ni
hq + tn, ni = hp, ni ⇔ hq, ni + t knk = hp, ni ⇔ t = 2 .
knk
Una vez que tenemos la incógnita real t despejada, en (2.6) resulta
hp − q, ni
r=v=q+ 2 n (2.8)
knk
66
como única solución de (2.6) y (2.7).

Hemos de paso encontrado una fórmula (2.8) para la calcular la proyección
de q sobre Π en términos de un punto p de Π y un vector normal n a
Π. Podemos también calcular la distancia de q a Π: d(q, Π) = d(q, r) =
kr − qk = |hp−q,ni|
knk . De aquı́ sale una famosa fórmula para la distancia de
R
un punto a un plano en 3 . Supongamos que Πestádescrito por la ecuación
q1
Cartesiana Ax1 + Bx2 + Cx3 + D = 0, y q = qq2 . Entonces fórmula para d(q, Π)
3
|Aq1 + Bq2 + Cq3 + D|

d(q, Π) = √ .
A2 + B 2 + C 2
A
En efecto, podemos usar n = B como vector normal para Π. Con ello la
C x1
ecuación normal de Π será hv − p, ni = 0, donde v = xx2 es un punto que
3
recorre Π. Manipulando esta ecuación normal se obtiene hv, ni − hp, ni =
0, ó Ax1 + Bx2 + Cx3 − hp, ni = 0, y por comparación con la ecuación
cartesiana de Π, deberá tenerse que − hp, ni = D.
Como hq, ni = Aq1 + Bq2 + Cq3 , entonces
|hp − q, ni| = |hq, ni − hp, ni| = |Aq1 + Bq2 + Cq3 + D| .
El resultado se sigue del cálculo de knk.

Cabe notar que hay otra manera, tal vez un poco menos eficiente, de calcular
la proyección de q sobre Π, usando una ecuación vectorial para Π en vez
R
de la normal: v = p + λd1 + µd2 , λ, µ ∈ . Esto, junto a v = p + td1 × d2
que es la ecuación vectorial de L, entrega el sistema lineal p + λd1 + µd2 =
hλi
q + td1 × d2 , o mejor d1 | d2 | d1 × d2 µ = q − p. Como d1 y
t
d2 son no nulos y no paralelos, d1 , d2 y d1 × d2 no son coplanares con el
origen, y entonces esta ecuación tiene una solución única para λ, µ y t, lo
que entrega la proyección r = v.
Una tercera manera de proceder, también algo mas larga que la primera,
es utilizar la fórmula r = p + λd1 + µd2 (que no dice más que el hecho de
que la proyección r satisface la ecuación vectorial de Π pues es un elemento
de este plano) y recordar que r − q ⊥ Π, es decir, r − q ⊥ d1 ∧ r − q ⊥ d2 .
hd1 , p − q + λd1 + µd2 i = 0
Se obtiene el sistema de ecuaciones , o,
hd2 , p − q + λd1 + µd2 i = 0
en su forma matricial:

hd1 , d1 i hd1 , d2 i λ hd1 , q − pi
= .
hd2 , d1 i hd2 , d2 i µ hd2 , q − pi

hd1 , d1 i hd1 , d2 i
Se puede probar que d1 no es paralelo a d2 ssi la matriz
hd2 , d1 i hd2 , d2 i
es invertible, luego el sistema anterior tiene una solución única para λ y µ,
lo que entrega la proyección r.
67
Observación:
1. Notemos que la fórmula (2.8) era fácil de adivinar, pues si n b=
1
knk n es el vector unitario en la dirección de n, (2.8) se puede
escribir como r = q + hp − q, n bi nb
q
p-q <p-q,n>n
n
r p
y recordando que hp − q, n bi nb es la proyección (como vector) de

p − q en la dirección de n
b , el punto q + hp − q, nbi n
b deberı́a ser
el lugar donde la recta que parte de q y va en la dirección de n b
encuentra al plano Π.
2. En muchos problemas se puede argumentar de manera similar a la
observación 1) (es decir, proyectando sobre una recta vectores que
conectan un par de puntos dados, etc.) para llegar rápidamente
a una respuesta.
68
Guı́a
Ejercicios

1. Demuestre las siguientes propiedades relacionadas con el produto cruz:
x1
3
R
(a) ∀x = xx2 ∈ 3 x = x1bi + x2bj + x3 k, b y esta escritura es única,
es decir, si x1bi + x2bj + x3 k b entonces x1 = y1 ∧x2 =
b = y1bi + y2bj + y3 k,
y2 ∧ x3 = y3 .
R
(b) ∀x, y ∈ 3 x × y ⊥ x ∧ x × y ⊥ y.
R
(c) ∀x, y, z ∈ 3 x×(y+z) = x×y+x×z ∧ (x+y)×z = x×z+y×z
(× distribuye sobre +).
R
(d) ∀x ∈ 3 x × x = 0.
R
(e) ∀x, y, z ∈ 3 (x × y) × z = hx, zi y − hy, zi x.
2. El objetivo de este ejercicio es probar: Ejercicio 2.6
Sean x, y ∈ R3 \ {0} vectores no paralelos, y sea z ∈ R3. Entonces

a) z ⊥ x ∧ z ⊥ y =⇒ (∃λ ∈ R) z = λx × y.
b) z ⊥ x × y =⇒ (∃s, t ∈ R) z = sx + ty.
Para ello:
R
(a) Sean x, y, z ∈ 3 tres vectores no coplanares con el origen, es decir,
que no existe un plano que pasa por el origen y que contiene a los
tres vectores x, y y z. Pruebe que esto equivale a:
(∀s, t ∈ R)x 6= 0 + sy + tz
∧ y 6= 0 + sx + tz
∧ z 6= 0 + sx + ty
(b) Pruebe que la condición anterior es equivalente a
(∀α, β, γ ∈ R) αx + βy + γz = 0 =⇒ α = β = γ = 0. (2.9)
R
(c) Sea A ∈ M33 ( ) la matriz descrita por columnas como A = x | y

| z .
Pruebe
h α i que la propiedad 2.9 equivalehaα ique el sistema homogéneo
A βγ = 0 tiene como solución única βγ = 0, es decir, A es inver-
tible.
x, y, z ∈
(d) Concluya que tres vectores R3 no son coplanares con el
origen ssi la matriz A = x | y | z es invertible.
(e) Considere ahora x e y no nulos y no paralelos. Pruebe que los
vectores x, y y x × y 6= 0 son no coplanares con el origen.
Indicación: Verifique la condición 2.9.
69
(f ) Use la conclusión de la parte 2c para probar que

R
R
∀z ∈ 3 (∃s, t, λ ∈ ) z = sx + ty + λx × y. (2.10)
(g) Pruebe, usando la propiedad 2.10, la proposición original.

3. Estudiar la proyección ortogonal de un punto q ∈ R2 sobre una recta Ejercicio 2.8
R
L ⊂ 2 , usando ecuaciones normales.
Problemas
P1. Se definen las rectas
       
−1 1 3 0
L1 :  2  + t  2  , t ∈ R y L2 :  1  + s  1  , s ∈ R.
1 −2 −1 −2
(a) Verifique que L1 y L2 no se intersectan.

(b) Encuentre laecuación normal del plano Π que contiene a la recta
L1 y es paralelo a L2 .
 
3
(c) El punto P =  1  pertenece a L2 . Encuentre la proyección
−1
ortogonal de P sobre el plano Π de la parte (b).
(d) Dé la ecuación del plano paralelo a Π que está a la misma distancia
de L1 y L2 (Π es el plano de la parte (b)).
R
P2. (a) Sean P y Q puntos distintos en 3 . Demuestre que el conjunto
R
A = {x ∈ 3 : ||x − P || = ||x − Q||} es un plano. Encuentre un
punto que pertenezca a A y encuentre un vector normal al plano
A.
(b) En R3 considere las rectas
       
0 −1 1 2
L1 : 5 + t −3 , t ∈ R y L2 : 2 + s 4 , s ∈ R.
1 2 3 1
(1) Demuestre que L1 y L2 se intersectan y encuentre la inter-

sección.
(2) Encuentre el sistema de ecuaciones cartesianas
  que represen-
1
tan a la recta L que pasa por P = 1 y que es perpendi-
1
cular al plano que contiene a L1 y L2 .
(3) Determine las ecuaciones de los planos que son paralelos al
plano que contiene a L1 y L2 , y que se encuentra a distancia
1 del punto en que L1 y L2 se intersectan.
70
R
P3. (a) Sean L1⊆ 3 el R
de las x y L2 ⊆ 3 larecta que pasa por los
 eje

1 −1
puntos 2 y  3 . Encuentre una tercera recta L3 ⊆ 3 queR
0 −1
sea perpendicular a L1 y a L2 , y que además intersecte estas dos
rectas.
R
(b) Sea Π el plano de 3 de ecuación cartesiana x + z + y = 1 y sea P
R R
el origen en 3 . Calcular el punto Q ∈ 3 simétrico de P , con
respecto a Π.
71
SEMANA 6: ESPACIOS VECTORIALES

3. Espacios vectoriales
3.1. Definición
Las estructuras que hasta ahora se han estudiado están dotadas de opera-
ciones que actuan internamente sobre el conjunto donde están definidas. Es
decir, a un par de elementos del conjunto, se le asocia otro elemento del
mismo conjunto. Veremos ahora un tipo diferente de estructura algebraica,
donde la “multiplicación” actua sobre un par de elementos de conjuntos
distintos. Esta estructura que estudiaremos está inspirada en la estructura
R
lineal de n . Para ello consideremos (V, +) un grupo Abeliano, es decir
+ es ley de composición interna

+ es asociativa y conmutativa.
Existe un neutro, 0 ∈ V , tal que: ∀x ∈ V, x + 0 = 0 + x = x.
∀x ∈ V , existe un inverso aditivo, −x ∈ V , tal que
x + (−x) = (−x) + x = 0.
Sea K un cuerpo y definamos una ley de composición denominada externa:-

K×V →V
ley de composición
externa
(λ, v) 7→ λv ∈ V.
Definición 3.1 (Espacio vectorial). Dado un grupo abeliano (V, +) y Espacio vectorial
K
un cuerpo ( , +, ·), con una ley de composición externa. Diremos que V es
un espacio vectorial sobre K si y sólo si la ley de composición externa
satisface ∀λ, β ∈ K, x, y ∈ V :
(EV1) (λ + β)x = λx + βx.
(EV2) λ(x + y) = λx + λy.
(EV3) λ(βx) = (λβ)x.
(EV4) 1 x = x, donde 1 es el neutro multiplicativo del cuerpo K.
En tal caso, los elementos de V se denominan vectores y los de K, escalares.- vectores
escalares
Observación: Señalemos que en la definición anterior participan dos

estructuras algebraicas diferentes; un grupo Abeliano, (V, +), y un cuer-
K
po, . En tal sentido, dos espacios vectoriales son iguales si y sólo si
ambos están definidos sobre los mismos grupos y cuerpos y, además
con una ley de composición externa idéntica.
72
Ejemplos:

1. Es directo de la definición anterior que Kn es un espacio vectorial
sobre . K
K
2. Sea (Mmn ( ), +) el grupo Abeliano de las matrices de m filas y
K
n columnas con elementos en . Definamos la ley de composición
externa:
K
× Mmn ( ) → Mmn ( ) K K
(λ, A) 7→ λA = (λaij )
Es fácil verificar que se cumplen las propiedades (EV1) a (EV4).
Por ejemplo:
   
 a11 . . . a1n b11 . . . b1n 
..  +  ...
λ(A + B) = λ  . 
 
am1 . . . amn bm1 . . . bmn
   λ(a + b ) . . . λ(a + b ) 
a11 + b11 . . . a1n + b1n 11 11 1n 1n
.. ..  .. .. 
= λ . .  =  . . 
am1 + bm1 . . . amn + bmn λ(am1 + bm1 ) . . . λ(amn + bmn )
   
λa11 . . . λa1n λb11 . . . λb1n
.. .. ..
= . + . .  = λA + λB.
λam1 . . . λamn λbm1 . . . λbmn
K
Concluı́mos entonces que Mmn ( ) es un espacio vectorial sobre
K.
R
3. Sea Pn ( ) el conjunto de los polinomios de grado menor o igual a
n, con la suma de funciones reales y la multiplicación por escalar
definida por:
R
∀p, q ∈ Pn ( ), (p + q)(x) = p(x) + q(x)
∀λ ∈ R, (λp)(x) = λp(x)
n
P n
P
o bien, si p(x) = ai xi , q(x) = bi xi
i=0 i=0
n
X n
X
(p + q)(x) = (ai + bi )xi , (λp)(x) = (λai )xi .
i=0 i=0
R
Es directo verificar que Pn ( ) es espacio vectorial sobre . R
Además,
R RR
Pn ( ) ⊆ F( , ), lo cual, nos llevará más adelante, a definir la
noción de subespacio vectorial.
73
K
4. Tomemos ahora un cuerpo ( , +, ·) arbitrario. Claramente ( , +) K

es un grupo Abeliano. Además, definamos la ley de composición:
K×K→K
(λ, v) 7→ λ · v
K K
donde ” · ” es la multiplicación en el cuerpo . Como es cuerpo,
se verifican las propiedades . Concluı́mos entonces que todo cuerpo,
K , es espacio vectorial sobre si mismo. Dos ejemplos importantes
son R Cy .
C
5. Sea el grupo Abeliano ( , +) con la ley de composición externa:
R×C→C
(λ, a + bi) → λ(a + bi) = λa + λbi
C R
Es claro que es un espacio vectorial sobre pero no es el mismo
C
espacio vectorial definido sobre . Es decir, el espacio vectorial
C sobre Ces distinto al espacio vectorial C R
sobre , pues los
cuerpos sobre los cuales están definidos son diferentes.
◭ Ejercicio
Ejercicio 3.1: Sea V un e.v. sobre K. Probar que:

1. 0v = v0 = 0, ∀v ∈ V, 0 ∈ K, elemento neutro aditivo de K.
2. λ0 = 0λ = 0, ∀λ ∈ K, 0 ∈ V , elemento neutro aditivo de V .
3. λv = 0 ⇒ λ = 0 ∨ v = 0, λ ∈ K, v ∈ V .
3.2. Subespacios vectoriales

Definición 3.2 (Subespacio vectorial). Sea un espacio vectorial V so- subespacio vectorial
K
bre un cuerpo . Diremos que U 6= φ, es un subespacio vectorial (s.e.v) de (s.e.v.)
V si y sólo si:
1. ∀u, v ∈ U, u + v ∈ U
2. ∀λ ∈ K, ∀u ∈ U, λu ∈ U.
Es decir, ambas operaciones, la interna y la externa, son cerradas en U .
La siguiente proposición nos entrega una forma más compacta de caracte-
rizar a un s.e.v.
Proposición 3.1. Sea un espacio vectorial V sobre un cuerpo K. U 6= φ,

es subespacio vectorial (s.e.v) de V si y sólo si:
∀λ1 , λ2 ∈ K, ∀u1, u2 ∈ U, λ1 u1 + λ2 u2 ∈ U.
74
Demostración. En efecto, si se verifica la primera definición entonces,

de la propiedad 2, λ1 u1 ∈ U y λ2 u2 ∈ U . De la propiedad 1 se concluye
λ1 u1 + λ2 u2 ∈ U .
En el otro sentido, basta tomar λ1 = λ2 = 1 para verificar la primera
propiedad y λ2 = 0 para verificar la segunda.
Observación: Si U es un s.e.v. de V entonces 0 ∈ U (basta tomar

λ = 0). Luego el subespacio vectorial más pequeño de V es {0}. El más
grande es, obviamente, V .
Ejemplos:
1. El conjunto de los polinomios de grado menor o igual a n, Pn ( ), R

RR
es subespacio de F( , ).
2. U = {(x, y)/ax + by = 0} es un subespacio vectorial de R2. En
R
efecto, sean (x1 , y1 ), (x2 , y2 ) ∈ U, λ1 , λ2 ∈ :
λ1 (x1 , y1 ) + λ2 (x2 , y2 ) = (λ1 x1 + λ2 x2 , λ1 y1 + λ2 y2 )
Además, a(λ1 x1 +λ2 x2 )+b(λ1 y1 +λ2 y2 ) = λ1 (ax1 +by1 )+λ2 (ax2 +

by2 ) = λ1 0 + λ2 0 = 0. Es decir, λ1 (x1 , y1 ) + λ2 (x2 , y2 ) ∈ U .
El subespacio vectorial U está compuesto de todos los vectores de
R 2
contenidos en la recta ax+by = 0. Es claro que, dado un vector
(x, y) de dicha recta, λ(x, y), está en la misma recta ası́ como la
suma de dos vectores sobre ella. De esto concluı́mos que cualquiera
recta que pasa por el origen es un s.e.v. de 2 . R
R
3. Sea la matriz M ∈ Mmn ( ), el conjunto U = {x ∈ n /M x = 0} R
R
es un s.e.v. de n . En efecto:
R R
Dados λ1 , λ2 ∈ , x, y ∈ n . M (λ1 x + λ2 y) = λ1 M x + λ2 M y =
λ1 0 + λ2 0 = 0, luego, λ1 x + λ2 y ∈ U.
Supongamos ahora que, dado un espacio vectorial V sobre un cuerpo K, se

tienen U, W s.e.v. de V . Es directo que
U ∩ W es también s.e.v de V.
En efecto, si x, y ∈ U ∩ W, λ1 , λ2 ∈ K, entonces como U, W son s.e.v. de U ∩ W es s.e.v.
V , λ1 x + λ2 y ∈ U y λ1 x + λ2 y ∈ W .
Sin embargo, la unión no es necesariamente un s.e.v de V .
Ejemplo:
R R
Tomemos U = {(x, y) ∈ 2 /x − y = 0}, W = {(x, y) ∈ 2 /y − 2x = 0}.
R
Es claro que ambos son s.e.v de 2 . Sin embargo, (1, 1) ∈ U, (1, 2) ∈ W
pero (1, 1) + (1, 2) = (2, 3) ∈
/ U ∪ W , luego no es s.e.v. (grafique para
cerciorarse).
75
Esta constatación nos llevará, más adelante, a definir una operación en-
tre espacios vectoriales (la “suma”) tal que podamos hablar de “uniones”

compatibles con la estructura de espacio vectorial.
3.3. Combinaciones lineales

K
Sea V un espacio vectorial sobre un cuerpo , y una colección de vectores
v1 , v2 , ..., vn ∈ V , y de escalares λ1 , ..., λn ∈ K. Denominamos combina-
ción lineal a la suma ponderada de estos vectores: combinación lineal
n
X
λi vi = λ1 v1 + ... + λn vn
i=1
n
P
Claramente, por inducción sobre n, se prueba que λi vi ∈ V .
i=1
Dado un conjunto fijo, v1 , ..., vn ∈ V de vectores, definimos el conjunto de
todas sus combinaciones lineales como sigue: h{v1 , ..., vn }i
n
X
h{v1 , ..., vn }i = {v ∈ V /v = λi vi , λi ∈ K}.
i=1
Proposición 3.2. Sean V e.v. y v1 , ..., vn ∈ V . Entonces h{v1 , . . . , vn }i es

un subespacio vectorial de V . Además es el s.e.v. más pequeño que contie-
ne los vectores v1 , . . . , vn . Es decir, si otro s.e.v U los contiene, entonces
h{v1 , . . . , vn }i ⊆ U .
Por ende, h{v1 , . . . , vn }i es llamado subespacio vectorial generado por
{vi }ni=1 .
Demostración. Para probar que es un subespacio vectorial de V , sean

n
P n
P
u, v ∈ h{v1 , . . . , vn }i , α, β ∈ K. Tenemos que u = λi vi , v = λ′i vi ,
i=1 i=1
luego
n
X
αu + βv = (αλi + βλ′i )vi ∈ h{v1 , ..., vn }i .
i=1
Para probar que es el más pequeño, basta notar que como U es s.e.v. de V
y contiene el conjunto {vi }ni=1 , entonces contiene todas sus combinaciones
lineales.
Ejemplo:
R
Tomemos v = (1, 1) ∈ 2 , el subespacio h{v}i = {λ(1, 1)/λ ∈ } corres- R
ponde a la recta que pasa por el orı́gen con dirección dada por el vector
(1,1). Sean v1 = (1, 0), v2 = (0, 1),
h{v1 , v2 }i = {λ(0, 1) + β(1, 0) | λ, β ∈ R} = R2.

En efecto, dado un vector arbitrario (a, b) ∈ R2, este puede escribirse
como
(a, b) = a(1, 0) + b(0, 1).
76
3.4. Dependencia e independencia lineal

Definición 3.3. Sea {vi }ni=1 ⊆ V , diremos que estos vectores son lineal-
mente dependientes (ℓ.d.) si y solo si: existen escalares {λ1 , ..., λn }, no linealmente
n
P Pn dependientes (ℓ.d.)
todos nulos, tales que λi vi = 0. En caso contrario, es decir λi vi =
i=1 i=1
0 ⇒ λi = 0 ∀i = 1, ..., n, diremos que el conjunto de vectores {vi }ni=1 es
linealmente independiente (ℓ.i.). linealmente
independiente (ℓ.i.)
Ejemplos:
{(1, 1), (2, 2)} es un conjunto linealmente dependiente:
−2(1, 1) + (2, 2) = (0, 0).
Dado un espacio vectorial arbitrario V sobre K, {0} es linealmente

dependiente pues: ∀λ λ0 = 0.
En general, cualquier conjunto de vectores, {vi }ni=1 que contenga
0 ∈ V es linealmente dependiente. Basta tomar la combinación
0v1 + 0v2 + . · · · + 0vn + 1 · 0 = 0, con escalares no todos nulos.
De manera similar a lo anterior es fácil verificar que un conjunto depen-

diente sigue manteniendo esta propiedad al agregarle vectores. Además,
un conjunto independiente, mantiene la independencia al extraerle vecto-
res.
En efecto, sea {vi }pi=1 ⊆ V un conjunto de vectores ℓ.d, entonces existe una
combinación lineal nula con escalares no todos nulos:
p
X
λi vi = 0.
i=1
Luego ∀v ∈ V, {v} ∪ {vi }pi=1 es ℓ.d., ya que basta tomar la combinación

lineal:
Xn
0v + λi vi = 0.
i=1
Supongamos, ahora que el conjunto {vi }pi=1 es ℓ.i., es directo de la de la
definición que al sacar un vector, vk , el conjunto {vi }pi=1 \ {vk } es ℓ.i.
Ejemplos:
R
1. El conjunto {(1, 1, 1), (0, 1, 1), (1, 0, 0)} ⊆ 3 es ℓ.d. En efecto,
(1, 1, 1) = (0, 1, 1) + (1, 0, 0), es decir (1, 1, 1) − (0, 1, 1) − (1, 0, 0) =
(0, 0, 0) donde λ1 = 1, λ2 = −1, λ3 = −1.
P R
2. En el espacio vectorial 4 ( ), los polinomios 1, x son ℓ.i En efecto,
tomemos una combinación lineal nula λ1+βx = 0, pero si β 6= 0 se
tendrá que λ + βx es un polinomio de grado 1, luego tiene a lo más
una raı́z y el polinomio 0 tiene infinitas raı́ces, luego λ = β = 0.
77
3. Los vectores en R4, {(1, 1, 0, 1), (1, 0, 1, 0), (0, 0, 1, 1), (0, 1, 1, 0)},

son ℓ.i. En efecto:
λ1 (1, 1, 0, 1)+λ2 (1, 0, 1, 0)+λ3 (0, 0, 1, 1)+λ4 (0, 1, 1, 0) = (0, 0, 0, 0)
es equivalente al sistema de 4 × 4:
λ1 + λ2 = 0
λ1 + λ4 = 0
λ2 + λ3 + λ4 = 0
λ1 + λ3 = 0
en términos matriciales
    
1 1 0 0 λ1 0
1 0 0 1   λ2   0 
   =  
0 1 1 1 λ3 0
1 0 1 0 λ4 0
Aplicando Gauss a la matriz aumentada:

     
1 1 0 0 0 1 1 0 0 0 1 1 0 0 0
1 0 0 1 0  0 −1 0 1 0  0 −1 0 1 0
 → → 
0 1 1 1 0 0 1 1 1 0 0 0 1 2 0
1 0 1 0 0 0 −1 1 0 0 0 0 1 −1 0
 
1 1 0 0 0
 0 −1 0 1 0
→  ⇒ λ1 = λ2 = λ3 = λ4 = 0.
0 0 1 2 0
0 0 0 −3 0
K
En general en n , dado un conjunto de m vectores {v1 , ..., vm }, donde
vi = (v1i , ..., vni ),
i = 1, ..., m, podemos estudiar su dependencia o independencia lineal a
través de un sistema de n ecuaciones y m incógnitas. En efecto:
λ1 v1 + ... + λm vm = 0
     0
v11 v12 v1m
.
 v21   v22   v2m   .. 
     
⇔ λ1  ..  + λ2  ..  + ... + λm  ..  =  . 
. . .  .. 
vn1 vn2 vnm 0
   0
v11 v12 ··· v1m λ1
.
 v21 v22 ··· v2m   λ2    .. 
⇔ 
 ... .. ..   ..  =  .∈ Km.
. .  .   .. 
vn1 vn2 ··· vnm λm 0
78
K

Definiendo M = (vij ) ∈ Mnm ( ) (es decir poniendo los vectores originales
K
como columnas) y λ̄ ∈ m como el vector de incógnitas, se tiene que para
analizar la dependencia o independencia lineal basta estudiar las soluciones
del sistema M λ̄ = 0.
Si existe λ̄ 6= 0 que satisface el sistema, entonces el conjunto de vectores
{vi }m
i=1 es ℓ.d., en caso contrario es ℓ.i.. Más aún, sabemos que si m > n el
sistema tiene más de una solución, en particular una no nula luego {vi }m i=1
es ℓ.d..
Ası́ se ha probado:
Teorema 3.1. En Rn, m > n vectores son siempre linealmente dependien-

tes.
K
Observación: Conviene señalar que en n siempre es posible deter-
minar n vectores independientes. Basta tomar el conjunto {ei }ni=1 , ei =
(0, ..., 1, ..., 0), donde la componente no nula es la i-ésima.
79
Guı́a
Ejercicios

1. Sea V un e.v. sobre K. Probar que: Ejercicio 3.1
(a) 0v = v0 = 0, ∀v ∈ V, 0 ∈ K, elemento neutro aditivo de K.

(b) λ0 = 0λ = 0, ∀λ ∈ K, 0 ∈ V , elemento neutro aditivo de V .
(c) λv = 0 ⇒ λ = 0 ∨ v = 0, λ ∈ K, v ∈ V .
2. Determinar cuáles de las siguientes estructuras son espacios vectoriales:
(a) R2 con la suma usual y la siguiente ponderación: α ∈ R, α(a, b) =
(αa, b).
(b) R 2
R
con la suma usual y la siguiente ponderación: α ∈ , α(a, b) =
(αa, 0).
(c) R +
con la “suma”: x ⊕ y = x × y y la ponderación: αx = xα .
(d) R
El conjunto de las funciones de [a, b] en acotadas, con la suma y
R
poderación (por escalares en ) usuales.
(e) R R
El conjunto de las funciones f : → tales que f (−1) = f (1), con
la suma y ponderación usuales.
R
3. Sea Pn ( ) el conjunto de los polinomios de grado menor o igual a n,
con la suma de funciones reales y la multiplicación por escalar definida
por:
R
∀p, q ∈ Pn ( ), (p + q)(x) = p(x) + q(x)
R
∀λ ∈ , (λp)(x) = λp(x).
R
Pruebe que Pn ( ) es espacio vectorial sobre R.
R
4. Indique cuáles de los siguientes conjuntos son s.e.v. de P2 ( ) (conside-
rado como en la parte anterior) y cuáles no lo son. Pruebe su respuesta.
(a) U = {p(x) = a(x2 + x + 1) | a ∈ }. R
(b) U = {p(x) = ax2 + bx + b) | a, b ∈ }.R
(c) U = {p(x) = x2 + ax + b | a, b ∈ }. R
(d) U = {p(x) = ax2 + b | a, b ∈ }.R
(e) U = {p(x) = ax2 + b2 x + x + c | a, b, c ∈ R \ {0}}.
5. Determine la dependencia o independencia lineal de cada uno de los
siguientes conjuntos de vectores:
n −3 4 −7 o
(a) 1
0
, 6 , −5
−5
R 5
⊆ 3.

(b) x2 + 1, x2 − 1, x2 + x + 1 ⊆ P2 ( ). R
R
(c) {( 10 00 ) , ( 10 10 ) , ( 11 10 ) , ( 11 11 )} ⊆ M22 ( )
6. (a) Sean a, b, c tres vectores de un espacio vectorial V . Determine si el
conjunto {a + b, b + c, c + a} es un conjunto l.i.
(b) Sea {u1 , u2 , . . . , uk } un subconjunto l.i. de un espacio vectorial V .
Pruebe que ∀α escalar, el conjunto:
{u1 + αu2 , u3 , . . . , uk } es l.i.
80
Problemas

R
P1. Sea P3 ( ) el conjunto de polinomios de grado menor o igual a 3 con
R
coeficientes reales. Sean p1 , p2 , p3 ∈ P3 ( ) tales que
p1 (x) = 1 + 6x2 , p2 (x) = 4x, p3 (x) = 1 + 3 + 5x2 .
R
Demuestre que P2 ( ) = h{p1 , p2 , p3 }i.
P2. Sean E, F e.v. sobre un cuerpo K. Sea T una función T : E → F , que
satisface:
(1) T (0E ) = 0F . En donde 0E y 0F son los neutros aditivos en cada
e.v.
(2) ∀x ∈ E, ∀α ∈ K: T (αx) = αT (x).
(3) ∀x, y ∈ E, T (x + y) = T (x) + T (y).
Considere
T (E) = {y ∈ F | y = T (x), x ∈ E}.
(a) Muestre que T (E) es un s.e.v. de F .
(b) Suponga además que T satisface que:
∀x ∈ E, T (x) = 0 ⇒ x = 0.
Muestre que si {u1 , . . . , un } ⊆ E es l.i., entonces {T (u1), . . . , T (un )} ⊆

F es l.i.
P3. Sean E y F espacios vectoriales sobre el mismo cuerpo K.
(a) Pruebe que dotando al conjunto E × F de las leyes
∀(x, y), (u, v) ∈ E × F, (x, y) + (u, v) = (x + u, y + v)
∀α ∈ K, ∀(x, y) ∈ E × F, α(x, y) = (αx, αy),

éste resulta ser un e.v. sobre K.
(b) Pruebe que E × {0F } y {0E } × F son subespacios vectoriales de
E × F . Determine 0E×F y pruebe que (E × {0F }) ∩ ({0E } × F ) =
{0E×F }.
(c) Sea {e1 , e2 , . . . , en } ⊆ E un conjunto l.i. en E y {f1 , f2 , . . . , fm } ⊆
F un conjunto l.i. en F . Determine un conjunto l.i. en E × F , de
tamaño n + m.
P4. Sea E el espacio vectorial sobre R de las funciones definidas sobre Z
a valores reales:
E = {f | f : Z → R es función}.
81
(a) Sean a1 , a2 ∈ R con a2 6= 0 y F0 el conjunto de las funciones

f ∈ E que verifican la condición:
Z
∀n ∈ , f (n) + a1 f (n − 1) + a2 f (n − 2) = 0.
Pruebe que F0 es un s.e.v. de E.

(b) Sea ahora F1 el conjunto de las funciones f ∈ E que verifican la
condición:
Z
∀n ∈ , f (n) + a1 f (n − 1) + a2 f (n − 2) = 1.
Pruebe que F1 no es un s.e.v. de E.
82
SEMANA 7: ESPACIOS VECTORIALES

3.5. Generadores de un espacio vectorial
Sea V un espacio vectorial sobre un cuerpo K. Diremos que los vectores
{v1 , ..., vn } ⊆ V , generan V si y sólo sı́: {v1 , ..., vn } ⊆ V
generan V
h{v1 , ..., vn }i = V
o de manera equivalente:
n
X
∀v ∈ V, ∃{λi }ni=1 ⊆ K, tal que v= λi vi .
i=1
Ejemplo:
Tomemos el conjunto {(1, 0), (0, 1), (1, 1)}. Este genera 2 . En efecto,R
(x, y) = x(1, 0) + y(0, 1) + 0(1, 1). Es decir h{(1, 0), (0, 1), (1, 1)}i = 2 . R
Pero, en este caso, la forma de escribir (x, y) no es única:
(x, y) = (x − y)(1, 0) + y(1, 1) + 0(0, 1).

En ambas combinaciones lineales “sobra” un vector. Más aún, constata-
mos que los tres vectores son l.d.:
(1, 1) − (1, 0) − (0, 1) = (0, 0)
Esto nos lleva a la noción de conjunto generador de 2 con un núme-R

ro mı́nimo de vectores linealmente independientes. En nuestro ejemplo
anterior
{(1, 0), (0, 1)} ó {(1, 1), (1, 0)}.
¿Hay alguno más?.
Definición 3.4 (Base). Dado un espacio vectorial V sobre , diremos K

que el conjunto de vectores {vi }ni=1 es una base de V si y sólo sı́: base
(1) {vi }ni=1 es un conjunto l.i.

(2) V = h{v1 , ..., vn }i.
Ejemplos:
K
1. En n , el conjunto {ei }ni=1 , donde ei = (0, ..., 1, 0..,0) es base. En
efecto, ya probamos que son l.i., además, dado x = (x1 , ..., xn ) ∈
K K
Pn
n
,x = xi ei . Esta base de n se denomina base canónica.
i=1
83
2. Estudiemos, en R3
, si el conjunto de vectores, B =

{(1, 1, 0), (1, 0, 1), (0, 1, 1)}, es base. Veamos primero si B es ge-
R
nerador. Sea b = (b1 , b2 , b3 ) ∈ 3 y determinemos si existen esca-
lares, {λ1 , λ2 , λ3 }, tales que: (b1 , b2 , b3 ) = λ1 (1, 1, 0) + λ2 (1, 0, 1) +
λ3 (0, 1, 1). Esto es equivalente a estudiar el sistema de 3 × 3:
    
1 1 0 λ1 b1
 1 0 1   λ2  =  b2  .
0 1 1 λ3 b3
Para resolverlo tomemos la matriz aumentada y escalaremos:

     
1 1 0 b1 1 1 0 b1 1 1 0 b1
 1 0 1 b2  →  0 −1 1 b2 − b1  →  0 −1 1 b2 − b1  ,
0 1 1 b3 0 1 1 b3 0 0 2 b3 + b2 − b1
de donde: λ3 = b3 +b22 −b1 , λ2 = b1 +b23 −b2 , λ1 = b1 +b2 −b3

. Es decir,
R
2
dado b ∈ 3 , b es combinación lineal de B:
b1 + b2 − b3 b1 + b3 − b2 b2 + b3 − b1
(b1 , b2 , b3 ) = (1, 1, 0)+ (1, 0, 1)+ (0, 1, 1).
2 2 2
Luego R3 = hBi. Para determinar que el conjunto B es l.i. (y por
lo tanto base) basta resolver el sistema anterior para b = (0, 0, 0).
En este caso se concluye λ1 = λ3 = λ3 = 0, y por lo tanto son l.i.
R
3. En el espacio vectorial Pn ( ), el conjunto B = {1, x, x2 , ..., xn } es
base. En efecto. Es claro que cualquier polinomio, q de grado ≤ n
se escribe como combinación lineal de los vectores en B:
n
X
q(x) = ai xi .
i=0
para verificar que estos son ℓ.i tomemos la combinación lineal

n
X
λi xi = 0.
i=0
Se tiene que, si el polinomio de la izquierda tiene algún coeficiente

no nulo, entonces es un polinomio de grado entre 0 y n luego posee,
a lo más, n raı́ces. Pero el polinomio de la derecha (polinomio nulo)
tiene infinitas raı́ces. De esto se desprende que λi = 0, i = 0, ..., n.
Otra manera de verificar la independencia lineal es mediante deri-

vación:
n
d X
( λi xi ) = λ1 + 2λ2 x + ... + nλn xn−1 = 0
dx i=0
84
n
d2 X
( λi xi ) = 2λ2 + ... + n(n − 1)λn xn−2 = 0

dx2 i=0
..
. .
n
dn X
( λi xi ) = n!λn = 0
dxn i=0
⇒ λn = 0 ⇒ λn−1 ⇒ ... ⇒ λ1 = 0 ⇒ λ0 = 0
4. Existen espacios vectoriales en los cuales ningún conjunto finito de

vectores es base, por ejemplo, sea S el conjunto de las sucesiones,
es decir:
S = {(un )/un ∈ , ∀n ∈ }.R N
Claramente, con la suma (un )+(vn ) = (un +vn ) y la multiplicación
R
λ(un ) = (λun ), λ ∈ , S es un espacio vectorial sobre . R
Vemos que el conjunto finito de sucesiones Bn = {x , . . . , x(n) },
(1)
(i)
donde xj = 1 si y sólo si i = j (0 en otro caso), es linealmente
independiente. En efecto:
n
X
λi x(i) = (λ1 , λ2 , ..., λn , 0, 0...) = (0, ..., 0, ...) ⇒ λi = 0 ∀i = 1, ..., n.
i=0
Pero, siempre es posible agrandar este conjunto. Basta tomar

N
Bn+1 = Bn ∪ {x(n+1) }. Además ∀n ∈ , Bn no es generador pues
dado n fijo, el vector x(n+1) es linealmente independiente de los
vectores de Bn . Es decir, extendiendo adecuadamente las defini-
ciones de l.i. y generador a conjuntos infinitos (lo cual S
se puede
hacer, pero no lo haremos aquı́), la “base” serı́a B = n≥1 Bn ,
que es un conjunto infinito. Sin embargo, es posible probar que
B tampoco puede generar a todas las sucesiones de S, es sólo un
conjunto l.i.
5. Observemos que el conjunto de las progresiones aritméticas, P A

es un s.e.v. de S, y este tiene una base finita. En efecto 1̄ =
(1, . . . , 1, . . . ), e = (1, 2, 3, . . . , n, . . . ) ∈ P A y además son l.i.:
λ1̄ + βe = (λ + β, λ + 2β, λ + 3β, ..., λ + uβ, ...) = (0, ..., 0, ...)
⇒ (λ + β = 0) ∧ (λ + 2β = 0) ⇒ λ = β = 0.
Además son generadores: Sea (xn )n una progresión de diferencia
d entonces se tiene xn = x0 + nd y por lo tanto:
(xn ) = x0 1̄ + de.
85
Una caracterización de base, que nos será útil más adelante, es la siguiente:

Proposición 3.3. Dado un espacio vectorial V , B = {vi }ni=1 ⊆ V es una
base si y sólo sı́ ∀v ∈ V, v se escribe de manera única como combinación
lineal de los vectores del conjunto B.
Demostración. Demostremos esta propiedad:

⇒) Como B es base, hBi = V , luego v se escribe como combinación lineal
de los vectores en B. Supongamos que esto puede hacerse de dos maneras:
n
X n
X
v= αi vi , v = βi vi .
i=1 i=1
n
P
Se tiene entonces (αi −βi )vi = 0. Como B es un conjunto l.i., concluı́mos
i=1
que αi = βi para todo i.
⇐) Por hipótesis, cualquier vector v ∈ V es combinación lineal del conjunto
n
P
B, luego B es generador. Supongamos que B es l.d., entonces λi vi = 0
i=1
con escalares no todos nulos. Además 0v1 + 0v + ... + 0vn = 0 luego el
vector 0 se escribe de dos maneras distintas, lo cual es una contradicción.
Concluı́mos entonces que B es base.
Observación: Por convención el conjunto vacı́o φ es la base del espacio

vectorial {0}. Esto pues por definición diremos que φ es l.i. y además
el subespacio más pequeño que lo contiene es {0}.
Otra propiedad importante es la siguiente:
Teorema 3.2. Si X = {v1 , . . . , vn } ⊆ V es un conjunto generador, en-

tonces es posible extraer un subconjunto B = {vi1 , . . . , vis } que es base de
V.
Demostración. Procederemos de manera recursiva
1. Elijamos vi1 ∈ B, el primer vector no nulo que encontremos (¿ Qué pa-

sa si todos son cero?). Hagamos B1 = {vi1 }. Claramente B1 es lineal-
mente independiente.
2. Preguntamos ¿X \ B1 ⊆ hB1 i?
Si es cierto: Entonces B1 es base. En efecto, X \ B1 ⊆ hB1 i ⇒
n
P
∀j 6= i1 , vj = λj vi1 . Como V = hXi ⇒ ∀v ∈ V, v = αk vk =
k=1
86
P
αk λk vi1 + αi1 vi1 = λvi1 ∈ hB1 i, con λ ∈ K lo que implica que

k6=i1
V ⊆ hB1 i. Es decir V = hB1 i, luego B1 es l.i. y generador.
Si no es cierto: Entonces ∃vi2 ∈ X \ B1 , vi2 ∈
/ hB1 i. Hacemos B2 =
B1 ∪ {vi2 } y repetimos el procedimiento anterior.
En el k-ésimo paso se habrá generado, a partir de Bk−1 = {vi1 , ..., vik−1 },
(que es linealmente independiente), el nuevo conjunto:
Bk = Bk−1 ∪ {vik }, vik ∈

/ hBk−1 i .
Bk es linealmente independiente: En efecto, sea:

k
X
λj vij = 0.
j=1
k−1
P
Si λk 6= 0 entonces vik = − λ1k λj vij ∈ hBk−1 i que es una contra-
j=1
dicción. Luego λk = 0 y, como Bk−1 es linealmente independiente,
λj = 0 ∀j = 1...k − 1.
Finalmente, como el conjunto de vectores X es finito, en un número fi-

nito de pasos determinamos un conjunto linealmente independiente Bs =
{vi1 , ..., vis }, tal que X \ Bs ⊆ hBs i y de manera análoga a lo ya hecho se
prueba que es generador y por lo tanto base de V .
En la demostración anterior, elegimos el “próximo” vector, vik , para “en-

trar” al conjunto Bk−1 , exigiendo solamente: vik ∈ / hBk−1 i. Obviamente
pueden existir varios vectores con tal propiedad. Esto permite afirmar que,
en general, a partir de B podemos determinar varias bases (a menos claro
que B mismo sea una base).
Ejemplo:
Si B = {(1, 0), (0, 1), (1, 1)}, los subconjuntos
{(1, 0), (0, 1)}, {(1, 0), (1, 1)} y {(0, 1), (1, 1)} son todos bases de
R 2
.
Daremos ahora una generalización del Teorema 3.1.
Teorema 3.3. Supongamos que tenemos B = {vi }ni=1 , base de V y un

conjunto arbitrario X = {wi }m
i=1 ⊆ V . Si m > n, entonces el conjunto X
es l.d.
Demostración. En efecto, como B es base: wi = λ1i v1 + ... + λni vn 1≤

i ≤ m. Tomemos una combinación lineal de los vectores de X:
β1 ω1 + ... + βm ωm = 0, (3.1)
87
reemplazando cada wi como combinación lineal de B, 3.1 equivale a:

m
X
βi [λ1i v1 + ... + λni vn ] = 0
i=1
Xm n
X
⇔ βi λji vj = 0
i=1 j=1
Xn m
X
⇔ vj ( βi λji ) = 0
j=1 i=1
y como B = {vj }nj=1 es l.i., lo anterior es equivalente a

m
X
λji βi = 0 1≤j≤n
i=1
o, de manera matricial Aβ̄ = 0, donde

   
λ11 λ12 ··· λ1m β1
 λ21 λ22 ··· λ2m   β2 
A=  ... .. .. 
 , β̄ =  
 ..  .
. . .
λn1 λn2 ··· λnm βm
Del capı́tulo anterior sabemos que para m > n el sistema anterior tiene
más de una solución (infinitas), luego al menos una no nula. Es decir existen
escalares β1 , ..., βm , no todos nulos, solución de la ecuación 3.1. De donde
concluı́mos que X es l.d.
De este resultado se desprende directamente el corolario siguiente que es

suma importancia:
Corolario 3.1. Si {vi }ni=1 , y {ui }m
i=1 son bases de V , entonces n = m.
Demostración. En efecto, si n > m, de la propiedad anterior concluı́mos

{vi }ni=1 es l.d., lo cual es una contradicción.
Ası́, si existe una base finita, de cardinal n, entonces cualquier otra base
contiene exactamente n vectores.
Esto nos lleva a definir la dimensión de un espacio vectorial.
Definición 3.5 (Dimensión). Diremos que un espacio vectorial V sobre dimensión
K es de dimensión n (finita) si admite una base de cardinalidad n. En caso
que no exista una base finita, hablaremos de espacio vectorial de dimensión
infinita. dimensión infinita
Notaremos dim V al cardinal de una base (dim V = ∞, si V no posee una
base finita). En particular dim{0}=0.
Ejemplos:
1. dim Rn = n.
88
2. dim S = ∞.

3. dim P A = 2.
4. dim Mmn = m · n.
Verifiquemos esta última. Tomemos el conjunto de matrices de 0 y 1:
B = {Ē[α, β] = (eαβ αβ
ij ), eij = 1 ⇔ (α, β) = (i, j) α ∈ {1, ..., m}, β ∈ {1, ..., n}}.
Este conjunto corresponde a la base canónica del espacio de las matrices.

Por ejemplo, para m = 2 y n = 3, el conjunto B está formado por las
matrices:

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
, , , , , .
0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1
Volvamos al caso general, claramente B es l.i.

   
n
m X λ11 ...λ1n 0 ... 0
X . .. 
λαβ E[α, β] =  .
.  =  .
α=1 β=1 λm1 ...λmn 0 ... 0
⇒ λαβ = 0 ∀α, β.
Además, dada A = (aij ) ∈ Mmn (K):
m X
X n
A= aαβ E[α, β].
α=1 β=1
Luego, el conjunto {E[α, β]}α,β es base. Es decir dim Mmn (K) = mn.
Algunas propiedades de los espacios de dimensión finita son las siguientes:
Teorema 3.4.
1. Sea dim V = n. Si {vi }ni=1 es l.i. entonces {vi }ni=1 es base.
2. Sea U un s.e.v de V , luego dim U ≤ dim V más aún se tiene que

dim U = dim V ⇒ U = V .
Demostración.
1. Basta probar que V = h{v1 , ..., vn }i. Supongamos ∃u ∈ / h{v1 , .., vn }i,
luego
B = {u, v1 , ..., vn } es l.i. y |B| = n + 1 > n. Lo que es una contra-
dicción, pues todo conjunto de cardinal mayor que la dimensión debe
ser l.d.
89
2. Supongamos m = dim U > n = dim V , entonces existe {ui }m i=1 base

de U , pero {ui }m
i=1 ⊆ V es l.i., de cardinal mayor que la dimensión,
lo cual contradice el hecho que el máximo conjunto de vectores l.i. es
de cardinalidad n.
Para probar la última parte supongamos U 6= V . Sea {ui }ni=1 una
base de U . Como U 6= V y h{u1 , ..., un }i = U,
∃v ∈ V \ U ⇒ B = {v} ∪ {ui }ni=1 es l.i. en V y |B| > dim V , que al
igual que antes da una contradicción.
Un resultado importante es la posibilidad de que, en un espacio vectorial

V,
dim V = n, un conjunto de vectores linealmente independiente, pueda
completarse hasta formar una base de V .
Teorema 3.5 (Completación de base). Dado V espacio vectorial so- Completación de base
bre K con dim V = n, y un conjunto de vectores l.i.; X = {v1 , . . . , vr }, r <
n, entonces existen vectores vr+1 , . . . , vn , tales que el conjunto {v1 , . . . , vn }
es base de V .
Demostración. Sea U = h{v1 , . . . , vr }i, claramente U 6= V (justifique).

Luego ∃v ∈ V \ U . Definiendo vr+1 = v, el conjunto {v1 , ..., vr , vr+1 } es l.i.
En efecto
r+1
X
λi vi = 0
i=1
r
P
1
Si λr+1 6= 0 entonces, se concluye que vr+1 = − λr+1 λi vi ∈ h{v1 , ..., vr }i
i=1
lo cuál es una contradicción ya que vr+1 ∈ / U . Si λr+1 = 0 ⇒ λi = 0 ∀i =
1, ..., r pues los vectores de X son l.i. Si h{v1 , ..., vr+1 }i = V hemos termi-
nado, sino repetimos el procedimiento.
Ejemplo:
Consideremos, en R4 el conjunto
X = {(1, 1, 0, 0), (0, 1, 0, 0)}.
Claramente este conjunto es l.i. y además (0, 0, 1, 0) ∈/

h{(1, 1, 0, 0), (0, 1, 0, 0)}i. Luego {(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)} es
l.i.
Análogamente, el vector (0, 0, 0, 1) ∈
/ h{(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)}i
luego el conjunto B = {(1, 1, 0, 0)(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} es l.i.
R
y como contiene tantos vectores como dim 4 = 4, es base.
90
3.6. Suma de espacios vectoriales

Recordemos que la unión de subespacios de un espacio vectorial V , no es
necesariamente un espacio vectorial. Definamos una operación entre subes-
pacios que nos permita determinar uno nuevo, que contenga a ambos. Sean
U, W subespacios de V , definimos la suma de subespacios vectoriales suma de subespacios
como sigue: vectoriales
U + W = {v ∈ V /v = u + w, u ∈ U, w ∈ W }.
Es directo que U + W es un s.e.v de V . En efecto, sean x, y ∈ U + W, λ, β ∈ U +W

K, luego x = u1 + w1 , y = u2 + w2 . Además, λx + βy = (λu1 + βu2 ) +
(λw1 + βw2 ) ∈ U + W ya que U y W son s.e.v.
Ejemplo:
Tomemos en R2, los subespacios U = h{(1, 1)}i , W = h{(1, 0)}i
U + W = {v = λ(1, 1) + β(1, 0)/λ, β ∈ R} = R2
En efecto, (x, y) = y(1, 1) + (x − y)(1, 0)

R
Sean, en 3 , los subespacios U = h{(1, 0, 0)}i , W = h{(0, 1, 0)}i
U + W = {(x, y, 0) | x, y ∈ R} 6= R3.
En general, es directo que U ⊆ U + W y W ⊆ U + W . Basta tomar los
elementos de la forma u + 0 y 0 + w, respectivamente.
Dado V = U + W , un vector no necesariamente admite una escritura única
en términos de U y W .
Ejemplo:
Si
U =< {(1, 0), (0, 1)} >, W =< {(1, 1)} >
luego R2 = U + W . Pero el vector (1, 1) se escribe de dos maneras:
(1, 1) = (1, 1) + 0
donde (1, 1) ∈ U y 0 ∈ W , pero además
(1, 1) = 0 + (1, 1)
donde esta vez 0 ∈ U y (1, 1) ∈ W .
En el caso particular, en que la descomposición de un vector de V sea única

en términos de los subespacios, diremos que V es suma directa de U y
W,
Definición 3.6 (Suma directa). Sea un espacio vectorial V y dos sub- suma directa
espacios vectoriales U, W de V . Diremos que el subespacio Z = U + W es
suma directa de U y W , notado U ⊕ W = Z, si ∀v ∈ Z, v se escribe de U ⊕W = Z
91
manera única como

v = u + w, u ∈ U, w ∈ W.
En el caso en que V sea suma directa de U y W , diremos que estos últimos

son suplementarios.
Ejemplo:
R
Sean, por ejemplo, los subespacios de 2 , V =< {(1, 0)} >, W =<
{(0, 1)} >
R 2
= U ⊕ W, pues (x, y) = x(1, 0) + y(0, 1) es única.
Una caracterización útil de la suma directa es la siguiente:
Proposición 3.4. Dado V e.v. y U, W, Z s.e.v. de V , entonces
Z = U ⊕ W ⇔ (Z = U + W ) ∧ (U ∩ W = {0})
Demostración. En efecto:
⇒) Como Z es suma directa de U y W , ∀v ∈ Z, ∃! u ∈ U, w ∈ W tal que

v = u + w ⇒ v ∈ U + W , luego Z = U + W .
Supongamos ahora v ∈ U ∩ W , entonces v = v + 0 = 0 + v. Es decir,
v admite dos escrituras en U + W , luego necesariamente v = 0.
⇐) Como Z = U + W, ∀v ∈ Z, v = u + w, u ∈ U, w ∈ W . Veamos que
esta descomposición es única. Supongamos v = u + w y v = u′ + w′ ,
entonces u − u′ = w′ − w, donde u − u′ ∈ U y w′ − w ∈ W , luego
u − u′ ∈ U ∩ W ⇒ u − u′ = 0 ⇒ u = u′ ⇒ w = w ′ .
Una propiedad interesante de la suma directa es:
Teorema 3.6. Si V = U ⊕ W y V es de dimensión finita, entonces dim dim U ⊕ W

V = dim U + dim W .
Demostración. En efecto, si U o W corresponde al subespacio nulo, {0},

el resultado es directo.
6 W . Sea {ui }ki=1 base de U, {wi }m
Supongamos entonces U 6= {0} = i=1 base
de W . Afirmamos que el conjunto B = {u1 , ..., uk , w1 , ..., wm } es base de
V:
1. B es linealmente independiente:
k
X m
X
λi ui + βi wi = 0
i=1 i=1
92
k
P m
P
Como λi ui ∈ U, βi wi ∈ W y el vector 0 se escribe de manera

i=1 i=1
única en U + W como 0 = 0 + 0, obtenemos:
k
X m
X
λi ui = βi wi = 0
i=1 i=1
y por independencia lineal de {ui }ki=1 , {wi }m

i=1 concluı́mos λ1 = ... =
λk = β1 = ... = βk = 0.
2. B es generador del e.v. V :
Como V = U ⊕ W, ∀v ∈ V, v = u + w, u ∈ U, w ∈ W . Pero u ∈ U, w ∈
Pk
W se escriben como combinación lineal de sus bases: u = αi ui ,
i=1
m
P
w= λi wi , de donde,
i=1
Pk m
P
v= αi wi + λi wi , luego hBi = V .
i=1 i=1
De (1) y (2) es directo que dim V = k + m = dim U + dim W .
Una pregunta importante es la siguiente: dado un s.e.v U de V , ¿ existe

un suplementario de U ?, es decir ¿ un s.e.v W tal que V = U ⊕ W ?
La respuesta es afirmativa, si U = V , basta tomar como suplementario
W = {0}. Si dim U < dim V , tomemos una base de U : X = {ui }ki=1 . Por
el teorema de completación de base, existen vectores {uk+1 , ..., un } tales
que B = X ∪ {uk+1 , ..., un } es base de V . Sea ahora
W = h{uk+1 , ..., un }i. Afirmamos que V = U ⊕W . En efecto, como {u1 , ..., un }
es base de V , todo v ∈ V puede escribirse, de manera única, como combi-
nación lineal de esta base:
k
X n
X
v= αi ui + αi ui
i=1 i=k+1
k
P n
P
Como u = αi ui ∈ U, w = αi ui ∈ W , tenemos que un vector v ∈ V
i=1 i=k+1
se escribe de manera única como v = u + w.
Ejemplos:
Tomemos V = R3 y los subespacios
U = h{(1, 0, 0), (0, 1, 0)}i , W = h{(0, 1, 0), (0, 0, 1)}i
U ∩W = h{(0, 1, 0)}i. En efecto, si v ∈ U ∩W, v = α(1, 0, 0)+β(0, 1, 0) =

γ(0, 1, 0) + δ(0, 0, 1). De donde, α = δ = 0, β = γ. Luego v = γ(0, 1, 0).
Es decir
U ∩W = h{(0, 1, 0)}i, De esto concluı́mos que U +W no es suma directa,
93
R
sin embargo 3 = U + W =

h{(1, 0, 0), (0, 1, 0), (0, 0, 1)}i.
R
En 2 , cualquier par de rectas no colineales, que pasen por el origen,
están asociados a subespacios suplementarios. Luego el suplementario de
un s.e.v. U no es único.
El siguiente resultado, propuesto como ejercicio, extiende el Teorema 3.6 al
caso en que la suma no es necesariamente directa.
Teorema 3.7. Supongamos que V = U + W , entonces dim V = dim U + dim U + W

dim W − dim U ∩ W .
Demostración. Propuesta como ejercicio. Ver la guı́a para indicaciones. ◭ Ejercicio

94
Guı́a
Ejercicios

1. Averigue si el conjunto de polinomios {1 + x3 , 1 − x3 , x − x3 , x + x3 }
R
constituye una base de F = {p ∈ P( ) | gr(p) < 4}. Donde P( ) el es R
espacio de los polinomios a coeficientes reales.
R
2. Sea W es subespacio vectorial de 4 generado por el conjunto
      

 1 1 2 
       
−1
  ,   , 3 .
1
 1  1  2

 

1 −1 3
(a) Determine una base de W y su dimensión.
(b) Extienda la base encontrada antes a una base de R4 .
3. Se desea probar el siguiente resultado: Teorema 3.7
Supongamos que V = U + W , entonces dim V = dim U + dim W −

dim U ∩ W .
Para ello:
Considere U ∩ W como subespacio de U y W . Si se toma {z1 , ..., zk }
base de U ∩ W , se puede extender a
BU = {z1 , ..., zk , u1 , ..., ul } base de U y
BW = {z1 , ..., zk , w1 , ..., wp } base de W.
Se probará que B = {z1 , ..., zk , u1 , ..., ul , w1 , ..., wp } es base de V .
(a) Pruebe que B genera a V . Es decir, tome v ∈ V y pruebe que es

combinación lineal de los vectores de B. Use que V = U + W .
(b) Para probar que B es l.i., tome una combinación lineal de B igual
a cero:
0 = α1 z1 + ... + αk zk + γ1 u1 + ... + γl ul + β1 w1 + ... + βp wp
de donde
−(β1 w1 + ... + βp wp ) = α1 z1 + ... + αk zk + γ1 u1 + ... + γl ul . (3.2)
Pruebe que existen λ1 , . . . , λk ∈ K tales que

−(β1 w1 + ... + βp wp ) = λ1 z1 + ... + λk zk .
(c) Demuestre que β1 = · · · = βp = λ1 = · · · = λk = 0.

(d) Reemplace lo anterior en 3.2 y use que BU es base para probar que
α1 = · · · = αk = γ1 = · · · = γl = 0.
(e) Concluya que B es l.i. y por ende base de V .
(f ) Concluya el resultado buscado.
95
Problemas

P1. Considere los conjuntos W y U definidos por:
 
a b 0
R
W = {M ∈ M33 ( ) | M =  b e c ∧ a+e+i = 0, a, b, c, e, i ∈ R}.
0 c i
 
0 r s
R
U = {M ∈ M33 ( ) | M = r 0 0 , r, s ∈ }. R
s 0 0
(a) Demuestre que W y U son subespacios vectoriales de M33 ( ). R
(b) Encuentre bases y dimensiones para los subespacios U, W, U ∩ W
y U + W , y decida (justificando) si la suma U + W es directa.
¿Cuántos vectores es preciso agregar a una base de U +W para ob-
tener una base de S = {M ∈ M33 (R) | M simétrica}? Justifique
encontrando una base de S.
R
P2. Sea m = 2n con n > 0 y considere el conjunto Pm ( ) de los polinomios
reales de grado menor o igual a m. Si cada p ∈ Pm ( ) se escribe R
p(x) = a0 + a1 x + · · · + am xm , se define el conjunto
R
V = {p ∈ Pm ( ) | ∀i ∈ {0, . . . , m}, ai = am−i .}
(a) R
Probar que V es subespacio vectorial de Pm ( ) sobre los reales.
(b) Encontrar una base de V y deducir que su dimensión es n + 1.
(c) R
Probar que Pm ( ) = V ⊕ Pn−1 ( ). R
(d) Se define
m
X
′
V = {p(x) = R
ai xi ∈ Pm ( ) | ∀i ∈ {0, . . . , m}, ai = −am−i }.
i=0
R
Probar que Pm ( ) = V ⊕ V ′ (asuma que V ′ es un subespacio
R
vectorial de Pm ( )).
R
P3. Si A ∈ Mnn ( ) y V es un subespacio vectorial de Rn, se define:
A(V ) = {Ax | x ∈ V }.
R
(a) (1) Pruebe que si A ∈ Mnn ( ) y V es s.e.v. de n entonces R
A(V ) también es s.e.v. de n . R
R
(2) Sean V, W s.e.v. de n tales que V ⊕ W = n . Pruebe queR
R
si A ∈ Mnn ( ) es invertible entonces A(V ) ⊕ A(W ) = n . R
R
(3) Sean V, W s.e.v. de n tales que V ⊕ W = n . Pruebe queR
R
si A(V ) ⊕ A(W ) = n , entonces A es invertible.
R
Indicación: Pruebe que para todo z ∈ n el sistema Ax = z
tiene solución.
R
(b) (1) Sea W un s.e.v. de n y definamos E = {A ∈ Mnn ( ) | A( n ) ⊂ R R
W }. Muestre que E es un s.e.v. de Mnn ( ). R
R
(2) Sea W = {(t, t) | t ∈ }. Calcule la dimensión de E = {A ∈
R R
M22 ( ) | A( 2 ) ⊂ W }.
96
SEMANA 8: TRANSFORMACIONES LINEALES

4. Transformaciones lineales
4.1. Introducción
R
Sea la matriz A = ( 01 10 ) y multipliquemos los vectores de 2 por esta
matriz. Sea v = ( vv12 ), se tiene entonces Av = ( xx21 ), es decir el vector que se
obtiene de intercambiar las coordenadas de v.
Si tomamos A = −1 0
0 −1 , al multiplicar por el vector v obtenemos Av =
− ( xx12 ) , que es el vector simétrico con respecto al orı́gen.
Estos dos ejemplos nos dan funciones completamente distintas pero ellas
comparten propiedades que son fundamentales: la imagen de la suma de dos
vectores es la suma de las imagenes y la imagen de un vector ponderado por
un real es la imagen del vector ponderada por el mismo escalar. Funciones
que verifican estas propiedades son llamadas lineales y son el objeto de este
capı́tulo. Veamos un caso más general.
R
En n consideremos T como la función:
T : Rn → Rm
v → Av
donde A ∈ Mmn ( ) R
Este tipo de transformaciones tiene dos propiedades fundamentales:
1. T (u + v) = T (u) + T (v) ∀u, v ∈ Rn
2. T (λv) = λT (v) ∀λ ∈ R, v ∈ Rn
En efecto, T (u + v) = A(u + v). Como la multiplicación matricial distribuye
con respecto a la suma:
T (u + v) = Au + Av = T (u) + T (v)
Por otra parte, T (λv) = A(λv) = λAv = λT (v)
4.2. Tranformaciones lineales

Definición 4.1 (Tansformación lineal). Sean U, V dos espacios vecto- Transformación lineal
K
riales sobre el mismo cuerpo . Diremos que una función T : U → V es
una transformación (o función) lineal si y sólo si satisface:
1. ∀u1 , u2 ∈ U, T (u1 + u2 ) = T (u1 ) + T (u2 )

(4.1)
2. ∀u ∈ U, λ ∈ K, T (λu) = λT (u)
Señalemos que la propiedad 4.1 establece un homomorfismo entre los grupos
(U, +) y (V, +).
97
Ejemplos:

1. Cualquier función T : Rn → Rm, X → AX, es lineal.
2. El caso particular, f : R → R, x → ax, a ∈ R es lineal. En efecto,
f (x + y) = a(x + y) = ax + ay = f (x) + f (y). Además, f (λx) =
a(λx) = λax = λf (x). Esta transformación corresponde a una
recta (lı́nea) que pasa por el orı́gen con pendiente a.
R R
3. f : → , x → x2 , no es lineal. En efecto: f (x + y) = (x + y)2 =
x2 + 2xy + y 2 = f (x) + f (y) + 2xy, luego no es lineal. En general
cualquier función real de grado superior a uno , trigonométrica,
etcétera, no es lineal.
R R
4. f : P3 ( ) → 4 , p(x) = a0 + a1 x + a2 x2 + a3 x3 → f (p) =
(a0 , a1 , a2 , a3 ), es lineal. En efecto; si q(x) = b0 + b1 x + b2 x2 + b3 x3 ,
obtenemos
f (p + q) = f ((a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3 ) =
= (a0 + b0 , a1 + b1 , a2 + b2 , a3 + b3 ) = (a0 , a1 , a2 , a3 ) + (b0 , b1 , b2 , b3 )
= f (p) + f (q)
f (λp) = f (λa0 + λa1 x + λa2 x2 + λa3 x3 ) = (λa0 , λa1 , λa2 , λa3 )
= λ(a0 , a1 , a2 , a3 ) = λf (p).
RR
5. Sea Fd ( , ) el conjunto de las funciones reales derivables. Es
directo verificar que este conjunto es un s.e.v. de F( , ). Consi- RR
deremos la transformación:
T : Fd ( ,R R) → F(R, R)
f → T (f )
df
donde T (f )(x) = dx (x) es la función derivada. Es directo, de las
propiedades de derivación que T es lineal.
S ea V e.v sobre K, V = V1 ⊕ V2 y sean:
P1 : V → V1 , P2 : V → V2
v = v1 + v2 → P1 (v) = v1 v = v1 + v2 → P2 (v) = v2
Ambas funciones (¿porqué son funciones?) son lineales. Verifique-
K
mos para P1 : sean λ, β ∈ v = v1 + v2 , u = u1 + u2 , vi , ui ∈ Vi , i =
1, 2.
P1 (λv + βu) = P1 (λv1 + βu1 ) + (λv2 + βu2 )) =
= λv1 + βu1 = λP1 (v) + βP1 (u)
La función, Pi , se denomina la proyección de V sobre Vi .
98
4.3. Propiedades de transformaciones lineales

Proposición 4.1. Sea T : U → V una transformación lineal. Se tiene
entonces:
1. T (0) = 0 ∈ V .
2. T (−u) = −T (u).
3. T es lineal si y sólo si ∀λ1 , λ2 ∈ K, ∀u1 , u2 ∈ U
T (λ1 u1 + λ2 u2 ) = λ1 T (u1 ) + λ2 T (u2 ).
Demostración. Demostremos estas propiedades:

1. T (u) = T (u + 0) = T (u) + T (0)
como V es espacio vectorial (V, +) es un grupo Abeliano, luego pode-
mos cancelar T (u); de donde 0 = T (0).
2. T (−u) = T (−1u) = −1T (u) = −T (u).
3. ⇒) T (λ1 u1 + λ2 u2 ) = T (λ1 u1 ) + T (λ2 u2 ) = λ1 T (u1 ) + λ2 T (u2 ).
⇐) Tomando λ1 = λ2 = 1 se verifica la propiedad (1) de linealidad.
Considerando λ2 = 0, se obtiene la propiedad (2).

Observación: Note que las demostraciones de las propiedades 1 y 2

podrı́an haber sido omitidas, ya que dichas propiedades son consecuen-
cias de que T sea morfismo entre los grupos (U, +) y (V, +).
n
P
Dada una combinación lineal de vectores λi xi ∈ U y la transformación
i=1
lineal,
T : U → V . Se tiene, por inducción, que:
Xn n
X
T( λi xi ) = λi T (xi )
i=1 i=1
Si dim U = n y β = {ui }ni=1

es una base de U , sabemos que u ∈ U se escribe,
Pn
de manera única, como u = αi ui , donde los escalares α = (α1 , ..., αn )
i=1
corresponden a las coordenadas de u con respecto a la base β. Aplicando a
este vector u la transformación lineal T :
Xn n
X
T (u) = T ( αi ui ) = αi T (ui ) (4.2)
i=1 i=1
De este cálculo se desprende que: basta definir la transformación T sobre

una base de U , es decir calcular sólo {T (vi )}ni=1 . Para determinar el efecto
de T sobre un vector u ∈ V arbitrario, basta aplicar la ecuación 4.2.
◭ Ejercicio
99
Ejercicio 4.1: Pruebe que entonces dada una base β = {ui }ni=1 de U
y n vectores X = {vi }ni=1 no necesariamente ℓ.i. de V existe una única
transformación lineal T
T :U →V
u → T (u)
tal que T (ui ) = vi i = 1, ..., n.
Consideremos ahora la transformación:

f :U → n K
u → f (u) = α = (α1 , ..., αn )
que a cada vector u le asocia las coordenadas con respecto a una base fija
β = {ui }ni=1 .
Es claro que f es función (representación única de un vector con respecto

a una base). Además, es lineal. Más aún f es biyectiva (verifı́quelo). Esto ◭ Ejercicio
nos lleva a la siguiente definición.
Definición 4.2 (Isomorfismo). Sea T : U → V una transformación Isomorfismo
lineal, diremos que es un isomorfı́smo si T es biyectiva.
Además diremos que U y V son isomorfos si existe un isomorfı́smo entre
U y V , en cuyo caso lo denotaremos como U ∼ = V.
En nuestro ejemplo anterior f es un isomorfı́smo y U ∼ K

= n . Esto quiere
K
decir que si U tiene dimensión finita n se “comporta” como si fuera n . Esta
isomorfı́a no es única, depende de la base elegida. Por el momento esto no
debe preocuparnos. Calculemos además la imagen, a través del isomorfismo
f , de la base {ui }ni=1 del espacio vectorial U .

0
.
 .. 
f (ui ) = f (0u1 + · · · + 1ui + · · · + 0un ) =  1  = ei ∈
. Kn
..
0
Luego, la base asociada a {ui }ni=1 es la base canónica de Kn .

4.4. Composición de funciones lineales
Consideremos U, V, W espacios vectoriales sobre el mismo cuerpo. Sean T :
U → V y L : V → W dos transformaciones lineales, la composición L ◦ T :
U → W es fácil ver que es una función lineal. Si además L y T son biyectivas
(isomorfı́smos) entonces también lo es L ◦ T .
Otra propiedad importante es que si T : U → V es un isomorfı́smo ten-
dremos que la función inversa, que existe pues T es biyectiva, también
100
es un isomorfı́smo. En efecto sólo resta probar que T −1 es lineal, pues es
K

claro que es biyectiva (¿por qué?). Tomemos v1 , v2 ∈ V, λ, β ∈ . Sean
T −1 (v1 ) = u1 , T −1 (v2 ) = u2 por lo tanto
T (λu1 + βu2 )) = λT (u1 ) + βT (u2 ) = λv1 + βv2 ,
esto quiere decir que
T −1 (λv1 + βv2 ) = λu1 + βu2 = λT −1 (v1 ) + βT −1 (v2 ),
entonces T −1 es lineal.
Una transformación lineal importante es idU : U → U que es la transfor-
mación identidad. Como sabemos que es biyectiva se tiene que idU es un
isomorfı́smo.
Con todos estos ingredientes se puede concluir que la relación entre espacios
vectoriales de ser isomorfos es una relación de equivalencia.
4.5. Subespacios Asociados a una transformación lineal

Definición 4.3 (Núcleo). Sea una transformación lineal T : U → V . Núcleo
Definimos el núcleo de T como el conjunto:
KerT = {x ∈ U/T (x) = 0}.
Claramente, KerT 6= φ ya que como T (0) = 0 tenemos que siempre 0 ∈

KerT . Más aún, KerT es un s.e.v. de U . En efecto, sean x, y ∈ KerT, λ, β ∈
K ;
T (λx + βy) = λT (x) + βT (y) = λ0 + β0 = 0
luego, λx + βy ∈ KerT .
Otro conjunto importante en el estudio de transformaciones lineales es la
imagen:
Definición 4.4 (Imagen). Sea una transformación lineal T : U → V . Imagen
Definimos la imagen de T como el conjunto:
ImT = T (U ) = {v ∈ V /∃u ∈ U : v = f (u)}
ImT es un s.e.v de V . En efecto, sean v1 , v2 ∈ ImT , existen entonces

K
u1 , u2 ∈ U tales que vi = T (ui ), i = 1, 2. Dados λ, β ∈ se tiene:
λv1 + βv2 = λT (u1 ) + βT (u2 ) = T (λu1 + βu2 )

de donde concluı́mos λv1 + βv2 ∈ ImT .
Definición 4.5 (Rango y nulidad). La dimensión de ImT se denomi- Rango y nulidad
na el rango de la transformación T y se nota r. La dimensión del KerT se
llama nulidad y se suele denotar por la letra griega ν.
101
Ejemplo:

Desarrollemos un ejemplo. Sea la transformación lineal:
R
T : 4→ 3
x1
R
x1 +x2
x2
x3 7→ x2 −x3
x4 x1 +x3
o en términos matriciales:
   x1 
1 1 0 0
x 
T (x) =  0 1 −1 0   2 
x3
1 0 1 0
x4
Determinemos los subespacios KerT y ImT . Tenemos que x ∈ KerT ⇔
T (x) = 0, lo que es equivalente a determinar la solución general del

sistema homogéneo:
   x1   
1 1 0 0 0
x 
0 1 −1 0   2  =  0 
x3
1 0 1 0 0
x4
Escalonando:
     
1 1 0 0 1 1 0 0 1 1 0 0
 0 1 −1 0  →  0 1 −1 0  →  0 1 −1 0  (4.3)
1 0 1 0 0 −1 1 0 0 0 0 0
De donde:
x1 = −x2
x1 + x2 = 0 x2 = x3
⇔
x2 − x3 = 0 x3 = x3
x4 = x4
Lo cual permite escribir la solución general en función de dos parámetros:
     
x1 = −x3 x1 −1 0
x2 = x3  x2   1 0
⇔   = x3   + x4  
x3 = x3 x3 1 0
x4 = x4 x4 0 1
102
−1 0
1 , 00 R
es un s.e.v de 4 de dimensión dos.

Luego, KerT = 1
0 1
y1
Determinemos ahora ImT . Sea yy2 ∈ ImT , es decir:
3
     x1 
y1 1 1 0 0
x 
 y2  =  0 1 −1 0   2 
x3
y3 1 0 1 0
x4
     
1 1 0
= x1  0  + x2  1  + x3  −1 
1 0 1
Dn 1 1 0 oE
Luego ImT = 0 , 1 , −1 .
1 0 1
Pero del resultado
1 de escalonar
0 la matriz
que tiene como columnas a
1 0
los vectores 0 , 1 , −1 y 0 , en 4.3 podemos extraer una ba-
Dn 1 1 1 0 0 1 0 oE0 Dn 1 1 0 oE
se de 0 , 1 , −1 , 0 = 0 , 1 , −1 , tomando
1 0 1 0 1 0 1
aquellos vectores asociados a columnas con pivotes de la matriz
escalonada
n o (Importante: ver guı́a de ejercicios y problemas). Es decir,
1 1
0 , 1 . ◭ Ejercicio
1 0
Dn 1 1 oE
Concluı́mos entonces que ImT = 0 , 1
1 0
es un s.e.v. de R3 de
dimensión dos.
R
Observemos en este ejemplo que 4 = dim 4 = dim KerT + dim ImT .
Además T no es inyectiva
ya que KerT contiene más de un vector, es
0
decir el vector 0 tiene más de una pre-imagen. Tampoco es epiyectiva
R3 .
0
ya que dim ImT < 3 = dim
103
Teorema 4.1. Sea T : U → V una transformación lineal entonces
T es inyectiva ⇔ KerT = {0}
Demostración. ⇒) Dado u ∈ KerT, T (u) = 0 = T (0). Como T es

inyectiva, se tiene u = 0.
⇐) Sea T (u1 ) = T (u2 ) ⇔ T (u1 − u2 ) = 0 luego u1 − u2 ∈ KerT = {0}, de
donde u1 = u2 .
De este resultado obtenemos el siguiente Corolario

Corolario 4.1. Una transformación lineal T : U → V , es un isomorfismo
si y sólo si KerT = {0} ∧ ImT = V , o equivalentemente dim ImT = dim V
y dim KerT = 0.
Demostración. Para probar la biyectividad de T , basta notar que KerT =
{0} (inyectividad) y ImT = V (epiyectividad). La otra equivalencia sale de
que ImT = V ⇔ dim ImT = dim V y KerT = {0} ⇔ dim KerT = 0.
La inyectividad de aplicaciones lineales (KerT = {0}) tiene una consecuen-

cia muy importante sobre los conjuntos linealmente independientes.
Teorema 4.2. Si T : U → V es inyectiva, entonces {ui }ki=1 es ℓ.i. en

U ⇒ {T (ui )}ki=1 es l.i. en V .
Demostración. Sea la combinación lineal nula:

Xn Xn
λi T (ui ) = 0 ⇔ T ( λi ui ) = 0
i=1 i=1
n
X n
X
⇔ λi ui ∈ KerT = {0} ⇔ λi ui = 0
i=1 i=1
Como {ui }ni=1 es ℓ.i., λi = 0, i = 1, ..., n.
Se puede probar que en efcto esta propiedad caracteriza las aplicaciones

lineales inyectivas (hacerlo!).
Finalizamos está sección mencionando un ejemplo interesante: Rn+1 ∼

=
R
Pn ( ). En efecto, sea
R R
T : n+1 → Pn ( ) tal que:
 
a0
 a1  n
X
 
 ..  7→
 .
ai xi ∈ Pn ( ) R
i=0
an
Es fácil verificar que T es lineal.
104
Guı́a
Ejercicios

1. El objetivo de este ejercicio es formalizar la técnica mencionada en la
tutorı́a para extraer, de un conjunto generador de un cierto subespacio
vectorial, una base. Esto en el contexto de n . R
Considere v1 , . . . , vm ∈ R n
y U = h{v1 , . . . , vm }i. Sea además la matriz
A, escrita por columnas como A = (v1 , . . . , vm ) ∈ Mnm ( ). Denotamos R
por vij a la coordenada i del vector j y, por ende, a la componente (i, j)
de A.
Escalonando la matriz A, se obtiene:
 
ṽ11 ṽ12 · · ·
 
 0 0 · · · 0 ṽ2j2 
 
 .. 
 0 0 . 
 
 
 0 ṽkjk ṽk(jk +1) ··· 
 
 0 0 ··· 0 ṽ(k+1)jk+1 
Ã =  
 
 .. 
 0 0 . 
 
 0 ṽljl ··· ṽlm 
 
 
 0 0 ··· 0 
 
.. ..
. .

Los coeficientes encerrados en un rectángulo ṽkjk son los pivotes de
la matriz escalonada. Notamos por ṽj a la columna j de la matriz Ã.
(a) Demuestre que el conjunto de vectores {v1 , vj2 , . . . , vjl }, es decir las
columnas correspondientes a los pivotes, es un conjunto l.i.
Indicación: Estudie qué sucede si en la matriz original A sólo hu-
biese puesto los vectores v1 , vj2 , . . . , vjl .
(b) Pruebe que las columnas de Ã que no contienen pivotes, que están
entre la del pivote k y la del k + 1 (es decir ṽjk +1 , . . . , ṽjk+1 −1 ), son
combinación lineal de los vectores ṽ1 , ṽj2 , . . . , ṽjk .
Indicación: Use inducción en k.
(c) Dado un conjunto de vectores {u1 , . . . , um } ∈ Rn y una matriz
R
invertible E ∈ Mnn ( ), demuestre que:
u∈ Rn es combinación lineal de u1, . . . , um ⇔ Eu ∈ Rn es combinación lineal de Eu1, . . . , Eum.

(d) Use el resultado anterior para probar que, las columnas de A que
no están asociadas a pivotes, entre la columna del pivote k y la del
k + 1 (es decir vjk +1 , . . . , vjk+1 −1 ), son combinación lineal de los
vectores v1 , vj2 , . . . , vjk .
(e) Concluya que {v1 , vj2 , . . . , vjl } es base de U .
105
R
2. Sea un conjunto de vectores v1 , . . . , vm ∈ n , con U = h{v1 , . . . , vm }i y

dim(U ) < n. Muestre que, construyendo la matriz A del Ejercicio 1, “au-
R
mentándola” con la identidad en Mnn ( ) (es decir (A|I)) y aplicando
el mismo procedimiento, se consigue:
Extraer una base de U , desde {v1 , . . . , vm }.
Extender dicha base a una base de Rn .
n 1 1 1 o
R3 generado por el conjunto
3. Sea U el subespacio vetorial de 0 , −1 , 1 .
Extraiga una base de U y extiéndala a una base de R3 .
1 2 0
Problemas
R
P1. Sea P3 ( ) el conjunto de los polinomios de grado menor o igual a 3
R
con coeficientes reales. Se define la transformación T : P3 ( ) → P3 ( ) R
por:
T (a0 + a1 x + a2 x2 a3 x3 ) = a0 + (2a1 + a2 )x + (2a2 + a3 )x2 + 2a3 x3 .
(a) Probar que T es una transformación lineal.

(b) Probar que T es una transformación biyectiva.
(c) Si id es la transformación identidad del espacio vectorial P3 ( ) R
pruebe que T − 2 id, (T − 2 id)2 , (T − 2 id)3 y T − id son transfor-
maciones lineales.
Indicación: Recuerde que dada una función f , f k = f ◦ f ◦ · · · ◦ f .
| {z }
k veces
(d) Encontrar bases y dimensión de Ker(T − 2 id), Ker(T − 2 id)2 y

Ker(T − 2 id)3 .
R
(e) Probar que P3 ( ) = Ker(T − 2 id)2 ⊕ Ker(T − id).
R R
P2. (a) Considere la función T : 4 → M22 ( ) definida por
x
y x y+w
T z = .
w 2x + 2y + z + w x + y + z
(1) Demuestre que T es función lineal.

(2) Determine bases y dimensiones para Ker(T ) e Im(T ).
R R
(b) Dada la transformación lineal L : 3 → 2 se sabe que:
*1 1+  
1
 
      1
Ker(L) = 0 , 1 y L 1 = .
  −1
0 0 1
Encuentre en términos

de x1 , x2 y x3 , los valores de y1 y y2 que
x1 y1
satisfacen L x2 = ( y2 ).
x
3
106
P3. Sean V , W e. v.’s sobre R. En V ×W se definen la suma y ponderación

por escalar ası́:
(v, w) + (v ′ , w′ ) = (v + v ′ , w + w′ ) , ∀(v, w), (v ′ , w′ ) ∈ V × W ,

λ(v, w) = (λv, λw) , ∀(v, w) ∈ V × W , ∀λ ∈ R.
Con estas operaciones V × W es un espacio vectorial sobre R (no lo
pruebe).
Dada una función f : V → W se define su gráfico por
Gf = {(v, w) ∈ V × W : w = f (v)} .
(a) Pruebe que f es lineal sı́ y sólo si Gf es subespacio vectorial de

V × W.
(b) Pruebe que {0V } × W es sub–espacio vectorial de V × W .
Nota: 0V denota el neutro aditivo de V .
(c) Sea f : V → W lineal. Pruebe que Gf ⊕ ({0V } × W ) = V × W .
107
SEMANA 9: TRANSFORMACIONES LINEALES

4.6. Teorema del Núcleo-Imagen (TNI)
El propósito de está sección es probar el siguiente teorema.
Teorema 4.3 (Núcleo-Imagen). Sean U, V espacios vectoriales sobre Teorema

K
un cuerpo , T : U → V una transformación lineal, dim U < ∞. Entonces: Núcleo-Imagen (TNI)
dim U = dim KerT + dim ImT.
Demostración. Daremos una demostración constructiva de este teorema.

Sea {u1 , ..., uν } una base de KerT . Completemos esta base a una base de
U
βU = {u1 , ..., uν , uν+1 , ..., un }.
Probaremos que β ′ = {T (uν+1 ), ..., T (un )} es base de ImT . Sea v ∈ ImT es
decir v ∈ V y existe u ∈ U T (u) = v. Como βU es base de U se tendrá que
u = α1 u1 + .... + αν uν + αν+1 uν+1 + .... + αn un ,
de donde
v = T (u) = αν+1 T (uν+1 ) + .... + αn T (un ),
pues T (u1 ) = ... = T (uν ) = 0. Es decir v es combinación de los elementos
de β ′ . Probemos ahora que son l.i., para ello consideremos
αν+1 T (uν+1 ) + .... + αn T (un ) = 0.
Como T (αν+1 uν+1 + .... + αn un ) = αν+1 T (uν+1 ) + .... + αn un T (un ) = 0

se deduce que el vector αν+1 uν+1 + .... + αn ∈ KerT pero entonces existen
escalares λ1 , ..., λν tal que
αν+1 uν+1 + .... + αn un = λ1 u1 + .... + λν uν ,
o equivalentemente
λ1 u1 + .... + λν uν − αν+1 uν+1 − ... − αn un = 0
Como los vectores u1 , ..., un son ℓ.i. se deduce en particular que
αν+1 = ... = αn = 0,
y por lo tanto β ′ = {T (uν+1), ..., T (un )} es base de ImT . Pero entonces

tenemos
dim U = n = ν + (n − ν) = dim KerT + dim ImT.
108
Es directo del TNI que: si dim U = n, y el rango de T es n se tiene

dim KerT = 0, es decir T es inyectiva. Otra aplicación directa es
Teorema 4.4. Sea T : U → V aplicación lineal.

1. Si dim U = dim V entonces
T inyectiva ⇔ T epiyectiva ⇔ T biyectiva.
2. Si dim U > dim V T no puede ser inyectiva.

3. Si dim U < dim V T no puede ser epiyectiva.
4. Como conclusión de (2) y (3)
U isomorfo a V ⇔ dim U = dim V.
Demostración. Probemos sólo (2), el resto queda de ejercicio. Del TNI

se tiene que
dim U = dim KerT + dim ImT < dim V,
como dim KerT ≥ 0 se concluye que
dim ImT < dim V,
y por lo tanto ImT es un s.e.v. estrictamente más pequeño que V , es decir

T no puede ser epiyectiva.
Es importante señalar que en (1c), la implicancia ⇒ es consecuencia de (2)
y (3), mientras que ⇐ se obtiene del hecho de que todo espacio de dimensión
K
finita n es isomorfo a n (ver ejemplo anterior a la Definición 4.2).
◭ Ejercicio
Ejercicio 4.2: Probar que si T : U → V es lineal y W es un subespacio

de U entonces
1. T (W ) es subespacio de V.
2. dim T (W ) ≤ dim U .
3. Si T es inyectiva dim T (W ) = dim W .
109
4.7. Matriz Representante de una Transformación Lineal

K
Vimos anteriormente que, dado un e.v V sobre , dimV = n, se tenı́a
V ∼ K
= n . Esto nos permite “llevar” el trabajo de cualquier espacio de di-
mensión finita a un espacio de n-tuplas. Trataremos de extender esto para
transformaciones lineales, reemplazando estas (en un sentido que precisa-
remos) por matrices.
K
Sean U, V espacios vectoriales sobre un cuerpo , dim U = p, dim V = q.
Sean βU = {u1 , ..., up }, βV = {v1 , ..., vq } bases de U y V respectivamente.
Consideremos finalmente una transformación lineal T : U → V .
Sabemos que T queda completamente determinada por su acción sobre la

base βU
q
X
T (uj ) = aij vi 1≤j≤p
i=1
o bien,
T (u1 ) = a11 v1 + a21 v2 + ... + aq1 vq
T (u2 ) = a12 v1 + a22 v2 + ... + aq2 vq
..
.
T (up ) = a1p v1 + a2p v2 + ... + aqp vq
Es claro que la información importante que define T está contenida en las

coordenadas, (a1j , a2j , ..., aqj ) de cada vector T (uj ), con respecto a la base
βV , en el espacio de llegada. Esta información la guardamos en una matriz
de q filas y p columnas, denominada matriz representante de T , con
respecto a las bases βU y βV : Matriz representante
de T
a a12 ... a1p  MβU βV (T )
11
 21 a22 ...
a a2p 
MβU βV (T ) = 
 .. .. ..  ∈ Mqp ( )K
. . .
aq1 aq2 ... aqp
donde, q = dim U, p = dim V .
En la columna j-ésima de esta matriz, aparecen las coordenadas del vector

T (uj ) con respecto a la base βV :
a 
1j
q
 a2j  X
A•j = .
 . 
 ⇔ T (uj ) = aij vi
. i=1
aqj
110
Observación: Una pregunta interesante es: ¿Qué sucede con esta
matriz si cambiamos las bases?. Esto lo responderemos en breve.
Ejemplo:
Sea T : R4 → R3, definida por
   x1 
1 1 0 0
x 
T (x) =  0 1 1 0 2 .
x3
0 0 1 1
x4
n 1β=β1U={e
Consideremos , e2 , e3 , e4 }, base canónica de 4 ,
1o R
β ′ = βV = 1 , 0 , 1
0 1
0
1
R
base de 3 . Se tiene entonces:
1
1 1 1 1 1 1 0
T (e1 ) = T 00 = 0 = 1 + 0 − 1
0 0 2 0 2 1 2 1
0 1 1 0
1
T (e2 ) = T 10 = 1 = 1 1 + 0 0 + 0 1
0 0 0 1 1
0 0 1 1 0
T (e3 ) = T 0 = 1 =0 1 +0 0 +1 1
1 1 0 1 1
0
0 0
0 1 1 1 1 1 0
T (e4 ) = T 0 = 0 =− 1 + 0 + 1
1 1 2 0 2 1 2 1
de donde:  1 
2 1 0 − 21
 

Mββ ′ (T ) = 

1
2 0 0 1
2

 ∈ M34 ( )

R
− 21 0 1 1
2
n 1 0 0 o
Tomemos ahora, en R3, la base canónica, β′ = 0 , 1 , 0
0 0
:
1
1
T (e1 ) = 0 = 1e′1 + 0e′2 + 0e′3
0
1
T (e2 ) = 1 = 1e′1 + 1e′2 + 0e′3
0
0
T (e3 ) = 1 = 0e′1 + 1e′2 + 1e′3
1
0
T (e4 ) = 0 = 0e′1 + 0e′2 + 1e′3
1
Luego,  
1 1 0 0
Mββ ′ (T ) =  0 1 1 0
0 0 1 1
¡Sorpresa!, esta matriz representante no sólo es distinta de la anterior,
sino que corresponde a la matriz que define T en forma natural. Con-
cluı́mos entonces que: la matriz representante depende de las bases ele-
gidas y que la matriz representante con respecto a las bases canónicas
111
es la matriz asociada a T . Esto último lo podemos verificar en el caso
general:

Consideremos TA : Kp → Kq
x → Ax, A ∈ Mqp ( ) K
Sea β = {e1 , ..., ep } la base canónica de Kp y β′ = {e′1, ..., e′q } la base
K
canónica de q .
Se tiene entonces:
 
  0 a 
a11 ... a1j ... a1p  ..  1j
. a2j 
 .. .. ..   1  = 
TA (ej ) = Aej =  .    
. .  .   ... 
aq1 ... aqj ... aqp  .. 
aqj
0
o bien:
q
X
TA (ej ) = a1j e′1 + ... + aqj e′m = aij e′i
i=1
de donde concluı́mos Mββ ′ (TA ) = A.
Veamos ahora como interactuan T y M = Mββ ′ (T ). Sea u ∈ U , entonces
u = α1 u1 + ... + αp up ,
Pp Pq
y por lo tanto T (u) = j=1 αj T (uj ) pero T (uj ) = i=1 mij vi y por lo
tanto p q q X p
X X X
T (u) = αj mij vi = ( αj mij )vi .
j=1 i=1 i=1 j=1
Ası́ las coordenadas de T (u) con respecto a β ′ son

p
X p
X
αj m1j , . . . , αj mqj ,
j=1 j=1
y por lo tanto si α = (α1 , ..., αp ) son las coordenadas de u entonces M α

son las de T (u). Esto permite trabajar con M en vez de T .
Ya tenemos una matriz que representa T , ahora deseamos “olvidarnos” de
T y trabajar sólo con un representante matricial. Para hacer esto, en alge-
bra acostumbramos establecer una isomorfı́a, en este caso, entre el espacio
K
vectorial de todas estas matrices, Mqp ( ), y aquél de todas las transforma-
ciones lineales. Para ello definamos primero este último espacio.
Definición 4.6. Sea U, V espacios vectoriales sobre K, de dimensiones
dim U = p y dim V = q respectivamente.
Definimos
LK (U, V ) = {T : U → V /T es transformación lineal }
112
Es directo que LK (U, V ), dotado de las operaciones: LK (U, V )

K
(λT )(x) = λT (x), ∀λ ∈ , ∀T ∈ LK (U, V )
(T + T ′ )(x) = T (x) + T ′ (x), ∀T, T ′ ∈ LK (U, V )
es un espacio vectorial sobre el cuerpo K.
Tenemos entonces la propiedad buscada:
LK (U, V ) ∼
= Mqp ( ) K
En efecto, sean βU , βV bases de U y V respectivamente y definamos la
función.
ϕ : LK (U, V ) → Mqp ( ) K
T → ϕ(T ) = MβU βV (T )
Es decir, a una transformación lineal arbitraria le asociamos su matriz
representante con respecto a las bases βU y βV .
1. ϕ es una transformación lineal. Sean βU = {u1 , ..., up }, βV = {v1 , ..., vq },
T, L ∈ LK (U, V ), A = MβU βV (T ), B = MβU βV (L).
Calculemos ϕ(T + L) = MβU βV (T + L).
(T + L)(uj ) = T (uj ) + L(uj ) =

q
X q
X q
X
= aij vi + bij vi = (aij + bij )vi
i=1 i=1 i=1
Luego, la j-ésima columna de MβU βV es el vector:

 
a1j + b1j
 .. 
 .  = A•j + B•j
aqj + bqj
Se concluye entonces:
 
a11 + b11 ...a1j + b1j ...a1p + b1p
 
ϕ(T + L) = MβU βV (T + L) =  ... ..
.
..
. 
aq1 + bq1 ...aqj + bqj ...aqp + bqp
= A + B = MβU βV (T ) + MβU βV (L) = ϕ(T ) + ϕ(L)
De manera análoga se prueba que
ϕ(λT ) = MβU βV (λT ).
113
2. ϕ es biyección. Sean T ∈ Ker(ϕ) ⇔ ϕ(T ) = MβU βV (T ) = 0 ∈
K

Mqp ( )
⇔ T (uj ) = 0v1 + ... + 0vq = 0.
p
P
Por otra parte, ∀u ∈ U, u = αj uj , de donde ∀u ∈ U, T (u) =
j=1
p
P p
P
αj T (uj ) = αj 0 = 0, concluyendo T ≡ 0, la transformación
j=1 j=1
nula. Luego, ϕ es inyectiva. Veamos la epiyectividad. Dada una matriz
K
A = (aij ) ∈ Mqp ( ), le asociamos la transformación lineal T , que
q
P
a la base de U asocia: T (uj ) = aij vi . Es directo que ϕ(T ) =
i=1
Mqp (T ) = A, luego ϕ es epiyectiva. De (1) y (2) concluı́mos que ϕ es
un isomorfismo.
Directamente, de este resultado se tiene: dim LK (U, V ) = dim Mqp ( ) = K
pq = dim U dim V . Es decir, la dimensión del espacio de transformaciones
lineales es finita y corresponde al producto de las dimensiones de U y V .
En el contexto del resultado anterior ¿que relación existe entre la multipli-

cación de matrices y la composición de funciones lineales?.
Veamos que sucede al componer dos transformaciones lineales. Sean T :
U → V, L : V → W transformaciones lineales, luego L ◦ T : U → W es
también lineal. Ahora bien, sean dimU = p, dimV = q, dimW = r con
bases βU = {ui }pi=1 , βV = {vi }qi=1 , βW = {wi }ri=1 , respectivamente. Supon-

gamos además que MβU βV (T ) = B ∈ Mqp ( ), K
K
MβU βV (L) = A ∈ Mpr ( ). La pregunta es ¿cuál es la expresión de MβU βW (L◦
T )? Los “datos” del problema son:
q
X
T (uk ) = bjk vj 1≤k≤p
j=1
Xr
L(vj ) = aij wi 1≤j≤q
i=1
Calculemos ahora:
Xq
(L ◦ T )(uk ) = L(T (uk )) = L( bjk vj ) =
j=1
q
X Xq Xr
= bjk L(vj ) = bjk ( aij wi )
j=1 j=1 i=1
r X
X q
= ( aij bjk )wi 1≤k≤p
i=1 j=1
114
obteniendo

 q q 
P P
 j=1 a1j bj1 ...a b
1j jp 
 j=1 
 .. 
MβU βW (L ◦ T ) =  
 q . 
P Pq 
arj bj1 ... arj bjp
j=1 j=1
= A · B = MβV βW (L) · MβU βV (T )
Hemos probado que la matriz representante de la composición de dos fun-

ciones lineales L ◦ T , es el producto de las matrices representantes.
115
Una aplicación inmediata de este resultado es

◭ Ejercicio
Ejercicio 4.3: T : U → V es una transformación lineal y β, β ′ son

bases de U y V respectivamente entonces
1. T es invertible ssi Mββ ′ (T ) es una matriz invertible.
2. Si T es invertible,
(Mββ ′ (T ))−1 = Mβ ′ β (T −1 ).
Esto nos permite, cuando se estudian transformaciones lineales sobre espa-

cios vectoriales de dimensión finita, trabajar directamente en la estructura
matricial correspondiente, sumando o multiplicando matrices.
En base a lo anterior se tiene el resultado siguiente:
K
Teorema 4.5. Para toda matriz A ∈ Mnn ( ), las propiedades siguientes
son equivalentes
1. A es invertible.
2. TA : Kn → Kn, v → TA(v) = Av es un isomorfismo.
3. El conjunto {A•j}nj=1 es base de Kn .
Demostración. Demostremos primero (2)⇔(3). Para ello recordemos que

A es la matriz representante de TA con respecto a las bases canónicas:
TA (ej ) = Aej = A•j.
2 ⇒ 3) Como TA es isomorfismo, es en particular inyectiva, luego {TA (ej )}nj=1
K K
es ℓ.i ⇔ {A•j }nj=1 es ℓ.i en n . Como dim n = n, este conjunto es base.
3 ⇒ 2) Sabemos A•j = TA (ej ) para 1 ≤ j ≤ n, luego {A•j }nj=1 base, es

K
decir {TA (ej )}nj=1 es base de n , luego ImTA =< {TA (ej )} >= n . Del K
TNI se tiene:
dim Kn = n = dim ImTA + dimKerTA, luego n = n + dim KerTA ,
entonces dim KerTA = 0 y por lo tanto KerTA = {0}.

Además las dimensiones de los espacios de partida y llegada son iguales,
luego TA es isomorfirmo.
(1)⇔(2) es consecuencia del Ejercicio 4.3, usando el hecho de que TA tiene

a A como matriz representante con respecto a las bases canónicas.
116
4.8. Matriz de Pasaje o de Cambio de Base

Cuando definimos la matriz representante vimos que esta dependı́a de las
bases elegidas. De esto surge el problema de la no unicidad de la represen-
tación: una misma transformación lineal tiene asociada más de una matriz,
dependiendo de las bases escogidas.
Sea entonces V un espacio vectorial sobre K, dimV = n, sean β = {vi }i=1

y β ′ = {vi′ }ni=1 dos bases de V . Claramente, los vectores de β ′ tienen una
representación única en la base β:
v1′ = p11 v1 + p21 v2 + ... + pn1 vn

.. .. ..
. . .
vj′ = p1j v1 + p2j v2 + ... + pnj vn
.. .. ..
. . .
vn′ = p1n v1 + p2n v2 + ... + pnn vn
Denominamos matriz de pasaje o de cambio de base de β a β ′ a la matriz: Matriz de pasaje o de

  cambio de base
p11 ... p1j ... p1n
 .. 
P = Pββ ′ = (pij ) =  ... ..
. . 
pn1 ... pnj ... pnn
cuya columna j-ésima corresponde a las coordenadas del vector vj′ , de

la “nueva” base β ′ , con respecto a la “antigua” base β. Es fácil ver que
está matriz es exactamente
Mβ ′ β (idV ),
es decir la matriz representante de la identidad de V, colocando como base

de partida β ′ y de llegada β.
Por otra parte, sabemos que a un vector x ∈ V podemos asociarle de manera

K
biunivoca un vector α = (α1 , ..., αn ) ∈ n , correspondiente a sus coorde-
nadas con respecto a la base β. De manera análoga le podemos asociar
K
α′ = (α′1 , ..., α′n ) ∈ n , sus coordenadas con respecto a la base β ′ .
Se tiene entonces:
n
X n
X Xn n X
X n
v= α′j vj′ = α′j ( pij vi ) = ( pij α′j )vi
j=1 j=1 i=1 i=1 j=1
n
P
Pero, además, v = αi vi .
i=1
Como la representación es única, concluı́mos:
n
X
αi = pij α′j 1≤i≤n
j=1
matricialmente: α = P α′ .
117
Esta ecuación establece la relación entre las coordenadas de un mismo vec-

tor v ∈ V con respecto a ambas bases.
¿Es posible “despejar” α′ ?. Sı́ lo es, y esto es equivalente a probar que P
es invertible. Pero por ser la matriz representante de un isomorfı́smo es
entonces invertible. Además P −1 es la matriz de cambio de base de β ′ a β:
Mββ ′ (idV ).
Observación: Cabe hacer notar que la notación no es muy afortunada,

pues la matriz de cambio de base de β a β ′ es Mβ ′ β (idV ) es decir hay
que expresar los vectores de β ′ en función de los de β.
Estudiaremos ahora la relación que existe entre las distintas matrices re-
presentantes de una misma transformación lineal. Esto lo deduciremos de
la regla que tenemos para la matriz representante de una composición de
aplicaciones lineales. Sea T : U → V lineal y consideremos cuatro bases:
β, β̃ bases de U
β ′ , β̃ ′ bases de V.
La pregunta es ¿cómo se relacionan Mββ ′ (T ) y Mβ̃β̃ ′ (T )?.

Todo sale de la observación
idV ◦ T ◦ idU = T,
y por lo tanto
Mβ̃β̃ ′ (T ) = Mβ̃ β̃ ′ (idV ◦ T ◦ idU ) = Mβ ′ β̃ ′ (idV )Mββ ′ (T )Mβ̃β (idU ). (4.4)
Es decir la nueva matriz representante de T es la antigua multiplicada por

matrices de cambio de base. La mejor forma de recordar esto es con un
diagrama
T
U,β̃ −→ V,xβ̃ ′
 
idU y T  idV
′
U, β −→ V, β
Recorremos este diagrama de dos maneras distintas. para obtener la fórmu-

la 4.4. Notemos que cuando hacemos el recorrido por “abajo” el orden que
aparecen las matrices es reverso: la matriz más a la derecha en 4.4 es la que
actua primero y ası́ sucesivamente.
Las matrices A = Mββ ′ (T ) y B = Mβ̃β̃ ′ (T ) están relacionadas por un par
de matrices invertibles que denotaremos por P, Q:
C = P AQ.
Diremos que entonces A y C son semejantes. Como ejercicio, probar que matrices semejantes
esta es una relación de equivalencia. Un caso importante es cuando Q = ◭ Ejercicio
P −1 , es decir
C = P AP −1 .
118
En este caso especial diremos que A y C son similares. Esta también es matrices similares

una relación de equivalencia.
Se tiene que a diferencia de la semejanza no es fácil saber cuándo dos
matrices son similares. Parte de este problema la estudiaremos en el próxima
sección.
119
Guı́a
Ejercicios

1. Sea T : U → V una transformación lineal. Pruebe que Teorema 4.4
(a) Si dim U = dim V entonces
T inyectiva ⇔ T epiyectiva ⇔ T biyectiva.
(b) Si dim U < dim V T no puede ser epiyectiva.

(c) U isomorfo a V ⇔ dim U = dim V.
2. Probar que si T : U → V es lineal y W es un subespacio de U entonces Ejercicio 4.2
(a) T (W ) es subespacio de V.
(b) dim T (W ) ≤ dim U .
(c) Si T es inyectiva dim T (W ) = dim W .
3. T : U → V es una transformación lineal y β, β ′ son bases de U y V Ejercicio 4.3
respectivamente entonces
(a) T es invertible ssi Mββ ′ (T ) es una matriz invertible.
(b) Si T es invertible,
(Mββ ′ (T ))−1 = Mβ ′ β (T −1 ).
Problemas
R
P1. Sean M22 ( ) el espacio vectorial de las matrices de 2×2 a coeficientes
R R
reales sobre el cuerpo . Sea P2 ( ) el espacio vectorial de los polino-
mios de grado menor o igual a 2 a coeficientes reales sobre el cuerpo
R. Sea
T: R
M22 ( ) −→ P2 ( ) R
a b
c d 7−→ T ( ac db ) = (a + d) + (b + c)x + (a + b + 2c + d)x2 .
(a) Demuestre que T es una transformación lineal.

R
(b) Sean la bases de M22 ( ) y P2 ( ) siguientes: R
βM = {( 10 00 ) , ( 00 10 ) , ( 01 00 ) , ( 00 01 )} , βP = {1, x, x2 }.
Encuentre la matriz representante de T con respecto a las bases

βM y βP .
R
(c) Sean la bases de M22 ( ) y P2 ( ) siguientes: R
′
01
βM = ( 10 01 ) , −1 0 0 1
0 1 , ( 1 0 ) , −1 0 , βP′ = {1 + x, x + x2 , 1 + x2 }.
Encuentre la matriz representante de T con respecto a las bases

′
βM y βP′ .
(d) Calule la dimensión del Núcleo y la dimensión de la Imagen de T .
120
P2. Considere las funciones lineales f y g tales que

R
f : M22 ( ) → R3 y
g: R3 −→ 2
R x1 +x2 −x3

x 7−→ g(x) = 2x1 +x3 .
y las bases

B1 =
1
3
2
4
,
1 0
−1 2
,
0 3
0 −1
,
2 5
2 −4
de M22 ( ) R
y       
 2 0 1 
B2 =  1  , 1 , −2 de 3
 
R
−1 3 1
1 11 1
Sea A = −2 0 0 1 la matriz representante de la función f con
R R3.
2 1 1 −1
respecto a las bases B1 en M22 ( ) y B2 en
(a) Encuentre la matriz representante de B de la función g con res-
R R
pecto a las bases canónicas de 3 y 2 respectivamente.
(b) Obtenga la matriz representante de g ◦ f con respecto a la base
R
B1 en M22 ( ) y a la base canónica de 2 . R
P3. Sea T : V → V una aplicación lineal con V espacio vectorial de dimen-
sión finita. Demuestre que
V = Ker(T ) ⊕ Im(T ) ⇔ Ker(T 2 ) = Ker(T ).
P4. Sea β = {1, x, x2 } la base canónica R

del espacio P2 ( ). Considere
 
0 1 3
Q = 1 0 0 .
1 0 1
R
(a) Encuentre la base β ′ de P2 ( ) tal que Q sea representante de la
R R
identidad de P2 ( ) con β ′ en P2 ( )con β. Si le sirve, si denotamos
por [p]β el vector de coordenadas de p con respecto a la base β,
[p]β = Q[p]β ′ R
∀p ∈ P2 ( ).
R R
(b) Sea T : P2 ( ) → 3 la transformación lineal cuya matriz repre-
R
sentante con respecto a las bases β en P2 ( ) y canónica en 3 es R
la matriz  
0 1 0
A = 0 0 2  .
0 0 0
Calcule la matriz representante de T con respecto a las bases β ′
R R
en P2 ( ) y canónica en 3 , donde β ′ es la base encontrada en
(a).
121
SEMANA 10: TRANSFORMACIONES LINEALES - VALORES Y

VECTORES PROPIOS
4.9. Rango de una matriz y forma de Hermitte

K
Dada una matriz A ∈ Mqp ( ) definimos el rango de A, como el rango de Rango de A
la transformación lineal T (x) = Ax. Denotaremos por r(A) el rango de A.
Ası́ r(A) es la dimensión de la imagen de A.
Como Ax = x1 A•1 + ... + xp A•p si x = (x1 , ..., xp ), entonces la imagen de
A es generada por las columnas de A esto es:
ImA = h{A•1 , ..., A•p }i ,
por lo tanto el rango de una matriz es el número máximo de columnas l.i.
◭ Ejercicio
Ejercicio 4.4: Supongamos que A, B son semejantes es decir existen

matrices invertibles P, Q tal que A = P BQ. Probar que entonces que
A y B tienen el mismo rango:
r(A) = r(B).
Nuestro propósito es probar la recı́proca de lo anterior, esto es si dos ma-

trices de igual dimensión tienen el mismo rango entonces son semejantes.
Para ello necesitaremos lo que se llama la forma normal de Hermitte.
K
Consideremos A ∈ Mqp ( ), ella induce de forma natural una aplicación
lineal T mediante: T (x) = Ax. Es claro que A = Mββ ′ (T ) donde β, β ′
K K
son las bases canónicas de p y q respectivamente. Construiremos aho-
ra dos nuevas bases. Comencemos por una base de KerA: {u1 , ..., uν }, y
K
extendámosla a una base de p
β̃ = {w1 , ..., wr u1 , ..., uν }.
Notemos dos cosas: primero que hemos dado un orden especial a esta base
donde los vectores que agregamos van al principio; y segundo que del teo-
K
rema del núcleo imagen p = dim p = dim ImA + dim KerA y por lo tanto
necesitamos agregar tanto vectores como rango de A es decir r = r(A).
Tomemos ahora X = {v1 , ..., vr } donde vi = Awi , i = 1, ...r. Probaremos
que X es un conjunto l.i.. En efecto si
λ1 v1 + ... + λr vr = 0,
se tendrá que
0 = λ1 Aw1 + ... + λr Awr = A(λ1 w1 + ... + λr wr ),
122
es decir el vector λ1 w1 + ... + λr wr está en el KerA. Como lo hemos hecho

ya varias veces de aquı́ se deduce que los coeficientes deben ser cero. En
efecto, por estar en el KerA se debe tener que
λ1 w1 + ... + λr wr = α1 u1 + ... + αν uν ,
lo que implica que
λ1 w1 + ... + λr wr − α1 u1 − ... − αν uν = 0,
y como los vectores son l.i. se tiene que λ1 = ... = λr = 0.

Extendamos ahora X a una base de q K
β̃ ′ = {v1 , ..., vr , vr+1 , ..., vq },
y calculemos la matriz representante de T con respecto a estas nuevas bases:
Aw1 = v1 = 1v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq

Aw2 = v2 = 0v1 + 1v2 + ... + 0vr + 0vr+1 + ... + 0vq
..
.
Awr = vr = 0v1 + 0v2 + ... + 1vr + 0vr+1 + ... + 0vq ,
Au1 = 0 = 0v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq
..
.
Auν = 0 = 0v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq
por lo tanto la matriz representante es:

Ir 0
Mβ̃β̃ ′ (T ) = ,
0 0
donde Ir es una identidad de tamaño r y el resto son matrices de ceros de

las dimensiones apropiadas. Usualmente esta matriz se denota por H y se
le conoce como la forma normal de Hermitte. Usando el teorema de cambio Forma normal de
de base se encuentra que existen matrices invertibles P, Q tal que Hermitte
A = P HQ.
K
Por otro lado si A, B ∈ Mqp ( ) tienen el mismo rango entonces se demues-
tra que existen matrices invertibles P, Q, R, S tal que
A = P HQ, B = RHS, y por lo tanto A = P R−1 BS −1 Q,
como P R−1 , S −1 Q son invertibles se deduce que A, B son semejantes.
El rango de una matriz es el número máximo de columnas l.i., pero que

hay del número máximo de filas l.i., o lo que es lo mismo, el rango de At .
Veremos acontinuación que
r(A) = r(At ).
123
Usando la forma normal de Hermite, se deduce que existen matrices inver-
tibles P, Q tal que

A = P HQ. At = Qt H t P t ,
que es la forma normal de Hermite para At . Además es claro que r(H) =
r(H t ), pero entonces r(A) = r(H) = r(H t ) = r(At ). En particular se
concluye que r(A) ≤ mı́nimo (p, q).
Un problema que se nos presenta es saber si hay una forma ’fácil’de calcular
el rango de una matriz. La respuesta es si, y se obtiene mediante escalona-
miento. Notemos que la matriz escalonada de A que usualmente se denota
Ã, tiene el mismo rango que A pues estas dos matrices son semejantes. En
efecto Ã se obtiene por premultiplicación de A por matrices elementales que
son invertibles. Pero el rango de Ã es fácil de calcular, pues tiene tantas
filas l.i. como filas no nulas tenga, y esto debido a la forma triangular de
Ã. Por lo tanto el rango de A es el número de filas no nulas en Ã.
Tomemos, por ejemplo, el escalonamiento siguiente:
   
1 1 1 1 1 0 0 1 1 1 1 1 0 0
−1 1 −1 1 1 0 1  0 2 0 2 2 0 1 
   
A =  0 1 1 1 −1 0 1  → Ã =  0 0 1 0 −2 0 12  ,
   
0 −1 −1 −1 1 1 0 0 0 0 0 0 1 1
−1 1 −1 1 1 0 1 0 0 0 0 0 0 0
◭ Ejercicio
Ejercicio 4.5: Probar que r(AB) ≤ r(A) y por lo tanto
r(AB) ≤ mı́nimo (r(A), r(B)).
5. Valores y vectores propios

En esta sección abordaremos el problema de saber cuándo para una apli-
R R
cación lineal L : n → n , es posible encontrar una base B con respecto
a la cual la matriz representante de L sea diagonal. En forma equivalente,
¿cuándo una matriz A de n × n puede descomponerse de la forma
A = P DP −1 con D diagonal ? (5.1)
Este problema de naturaleza puramente algebraica, tiene muchas aplicacio-

nes en otras ramas de la Matemática, por ejemplo en Ecuaciones Diferen-
ciales, Estadı́stica, etc.
Tal vez el teorema más importante de este capı́tulo es el que dice que toda
matriz simétrica puede representarse en la forma (5.1).
Comenzamos con las nociones de valores y vectores propios de una aplica-

ción lineal L : V → V donde V es un espacio vectorial sobre ( = KK R
C
ó ).
124
Definición 5.1 (Vector y valor propio). Diremos que x ∈ V es un Vector y valor propio

vector propio de L si:
(i) x 6= 0
(ii) ∃λ ∈ K tal que L(x) = λx.
En este caso el valor λ ∈ K que satisface (ii) se denomina valor propio
asociado a x.
Diremos que x ∈ V \ {0} es un vector propio de A ∈ Mnn si es vector

propio de la aplicación lineal L dada por L(x) = Ax. Es decir
∃λ ∈ K, Ax = λx.
De la misma manera decimos que λ es valor propio de A.

Para la transformación lineal asociada a una matriz A mencionada ante-
riormente, se tiene:
K
Proposición 5.1. Dada A ∈ Mnn ( ), son equivalentes:
(i) ∃x 6= 0 Ax = λx.
(ii) ∃x solución no trivial del sistema (A − λI)x = 0.
(iii) Ker(A − λI) 6= {0}
(iv) A − λI no es invertible.
K
Necesitamos una forma fácil de determinar qué valores de λ ∈ son valores
propios. Para ello serı́a útil que la condición (iv) pudiera expresarse como
una ecuación en λ. Veremos que el cálculo de los valores propios se reduce a
estudiar un polinomio de grado n cuyos coeficientes dependen de la matriz
A.
Con este objetivo introduciremos una aplicación llamada determinante,

que a cada matriz cuadrada A con coeficientes en K
le asigna un elemento
K
de .
Para ello primero definiremos Aij la submatriz de A que se obtiene a partir
de A eliminado la fila i y la columna j.
Ejemplo:
 
1 2 3
5 6
A = 4 5 6 A11 = .
8 9
7 8 9
Con esto podemos definir el determinante de una matriz por un procedi-

miento inductivo de la siguiente forma.
Definición 5.2 (Determinante). Definimos el determinante de A como Determinante
(i) Si A es de 1 × 1 |A| = a donde A = a.
125
n
P
(ii) Si A es de n × n |A| = (−1)i+1 ai1 |Ai1 |.

i=1

a b
Ası́, si A = , |A| = a11 |A11 | − a21 |A21 | = ad − cb.
c d
◭ Ejercicio
Ejercicio 5.1: Obtener la fórmula para una matriz de 3 × 3.
A continuación daremos las propiedades más importantes de la función

determinante, sin dar demostraciones, las cuales se presentan (por comple-
titud) en el Apéndice.
126
Proposición 5.2. Se tienen las siguiente propiedades:

1. El determinante es una función lineal de las filas de A es decir
     
A1• A1• A1•

 ..   ..   .. 
 .   .   . 
K     
∀t ∈ K, x, y ∈ n :  tx + y  = t  x  +  y 
 .   .   . 

 .   ..   . 
. .
A
An• n• An•
2. Si B se obtiene de A permutando dos filas entonces |A| = −|B|.

3. Si A tiene dos filas iguales |A| = 0.
4. |I| = 1 donde I es la identidad.Si A es triangular superior entonces
n
Q
|A| = aii .
i=1
5. Si a la fila i de la matriz A le sumamos la fila j ponderada por t

entonces el determinante no cambia. Es decir
 A1•   
A1•
 .
..   .. 
   . 
 A   
 i−1•  A 
Si B =   donde i 6= j y A =  i−1•  entonces
 Ai• + tAj•   Ai• 
 ..   . 
   .. 
.
An• An•
|B| = |A|.
6. Si Ã = (ãij ) es una versión escalonada de A y Nσ , el número de
permutaciones de filas realizadas para escalonar A. Entonces:
n
Y
|A| = (−1)Nσ · |Ã| = (−1)Nσ ãii .
i=1
7. A es invertible si y sólo si |A| =

6 0.
8. Una permutación del conjunto {1, 2, ..., n} es una función σ : {1, 2, ...,n} → permutación σ
1 2 ... n
{1, 2, ..., n}, biyectiva. Se suele usar la notación σ = σ(1) σ(2) ... σ(n) .
Dada
 σ permutación del conjunto {1, 2, ..., n}, se define signo(σ) =
una
eeσ(1)
σ(2)
 .  donde e1 , ..., en son las filas de la matriz identidad. De (2)
.
e.
σ(n) P
y (4) se obtiene que signo(σ) ∈ {−1, 1}. Se tiene además |A| =
σ
signo(σ) a1σ(1) a2σ(2) ...anσ(n) donde la suma se extiende sobre todas
las n! permutaciones de {1, ..., n}.
9. |AB| = |A||B|.
127
10. Si A es invertible entonces |A−1 | = 1/|A|.

11. |A| = |At |. Además de (4) si A es triangular inferior entonces |A| =
n
Q
aii .
i=1
12. Para cualquiera i0 , j0 ∈ {1, . . . , n} fijos, se tiene:

n
X
|A| = (−1)i+j0 aij0 |Aij0 | (Cálculo de |A|, usando la columna j0 )
i=1
n
X
|A| = (−1)i0 +j ai0 j |Ai0 j | (Cálculo de |A|, usando la fila i0 )
j=1
La propiedad (7) nos dice que λ es valor propio de A si y sólo si |A−λI| = 0.

Esta ecuación es un polinomio de grado n en λ.
En efecto, usando la formula (8) se tiene
X n
Y
|A − λI| = signo (σ) (A − λI)iσ(i)
σ i=1
si σ es la permutación identidad tendremos

n
Y n
Y
signo (σ) (A − λI)iσ(i) = (aii − λ) = (−1)n λn + q(λ)
i=1 i=1
donde q(λ) es un polinomio de grado ≤ n − 1.

Si σ es distinta de la permutación identidad se tendrá que existe un ı́ndice
n
Q
i ∈ {1, ..., n} tal que i 6= σ(i). De donde ℓ(λ) = signo(σ) (A − λI)iσ(i) =
Q Q i=1
signo (σ) (aii − λ) aiσ(i) es un polinomio de grado ≤ n − 2
i:σ(i)=i i:σ(i)6=i
(este último producto debe contener por lo menos dos términos ¿por qué?)
y por lo tanto
|A − λI| = (−1)n λn + αn−1 λn−1 + ... + α1 λ + α0 ,
donde αn−1 , . . . , α0 dependen de A. Por ejemplo evaluando en λ = 0 se

tiene |A| = α0 .
¿Cuánto vale el coeficiente de λn−1 ?.
Definición 5.3 (Polinomio caracterı́stico). P (λ) = |A − λI| es llama- Polinomio
do el polinomio caracterı́stico de A. caracterı́stico
Ejemplo:

4 −5
A=
2 −3
128
¿Cuáles son los valores propios de A?. Para ello estudiemos A − λI.

4 −5 λ 0 4−λ −5
A − λI = − =
2 −3 0 λ 2 −3 − λ
pero entonces 0 = |A−λI| = −(4−λ)(3+λ)+10 = −(12+λ−λ2 )+10 =

λ2 − λ − 2. Los valores propios son λ1 = 2, λ2 = −1.
Ejemplo:

0 −1 −λ −1
A= |A − λI| = = λ2 + 1 = 0
1 0 1 −λ
R
no tiene solución en , y por tanto A no tiene valores propios reales.
Sin embargo si el cuerpo donde estamos trabajando es C
entonces A
tiene dos valores propios.
Ejemplo:
R
Sea D( ) = { espacio de funciones infinitamente diferenciables de → R
R R
} se prueba fácilmente que D( ) es un espacio vectorial sobre . R
Consideremos
R
L : D( ) → D( )R
df ,
f → Lf =
dt
es decir Lf es la función derivada de f .
Ası́ por ejemplo si f (t) = tn , g(t) = cos(t) se tendrá Lf = ntn−1 ; Lg =

−sen(t). Estudiemos si L tiene vectores propios:
Lf = λf es decir df dt = λf . Esta es una ecuación diferencial y una
solución es: f (t) = ceλt .
R
Luego todo λ ∈ es valor propio y un vector propio es ceλt , c 6= 0.
K
De la definición v es vector propio si v 6= 0 y ∃λ ∈ tal que Av = λv. Ası́,
λ es valor propio si y sólo si existe una solución no nula de la ecuación
(A − λI)v = 0
Cualquier solución no nula de esta ecuación es entonces un vector propio

de A con valor propio λ.
Notemos que si v es vector propio también lo es 10v y en general αv para
K
cualquier α ∈ , α 6= 0.
Además, si v es vector propio, el valor propio asociado es único. Supongamos
que L(v) = λ1 v = λ2 v entonces (λ1 − λ2 )v = 0 . Como v 6= 0 se tendrá λ1 −
λ2 = 0 y por lo tanto λ1 = λ2 .
Para cada valor propio λ de A, introduciremos el subespacio propio Wλ Subespacio propio
que corresponde a Wλ = Ker(A − λI). Notar que este subespacio debe
contener vectores no nulos, pues λ es valor propio.
129
Si A y B son similares es decir si existe P invertible tal que A = P BP −1 ,

entonces los valores propios de A y B son los mismos y más aún, el polinomio
caracterı́stico es el mismo. En efecto:
A − λI = P BP −1 − λP P −1 = P (B − λI)P −1
|(A − λI)| = |(P (B − λI)P −1 )|

= |P ||(B − λI)||P −1 | pero |P −1 | = 1/|P |
= |B − λI|
luego A y B tienen el mismo polinomio caracterı́stico, por lo tanto tienen
los mismos valores propios.
Ejemplo:

4 −5
Sea A = Sabemos que los valores propios son λ1 = 2, λ2 =
2 −3
−1. Calculemos los vectores propios asociados.
λ1 = 2 La ecuación de vectores propios es

x1 2 −5 x1 0
(A − 2I) = =
x2 2 − 5 x2 0
La solución general es x1 = 25 x2 y su espacio propio es:

5
x 5
W2 = Ker(A − 2I) = { 1 /x1 = x2 } = 2 .
x2 2 1
5
Ası́ v es vector propio asociado a λ1 = 2 si y solo si v = α 2 α 6= 0.
1
Para λ2 = −1
5 −5 5 −5
A − (−1)I = A + I = → , luego la solución general
2 −2 0 0
de la ecuación (A + I)x = 0 es: x1 = x2 , y su espacio propio es

1
W−1 = Ker(A − (−1)I) = Ker(A + I) = .
1
130
SEMANA 10: VALORES Y VECTORES PROPIOS

Apéndice
Hemos definido el determinante
Pde una matriz A de n×n en forma recursiva
de la siguiente manera | A |= (−1)j+1 aj1 | Aj1 |, donde Akℓ es la matriz
j
de n − 1 × n − 1, que se obtiene de A eliminándole la fila k y la columna
ℓ. Probaremos ahora las propiedades fundamentales de esta función. Varias
de las propiedades pueden probarse por inducción, dejaremos al lector la
tarea de completar estas demostraciones.
1. Si  
a11 ··· a1n
 .. 
 . 
 
Ã =  ak1 + bk1 ··· akn + bkn  ,
 .. 
 . 
an1 ··· ann
entonces
   
a11 ··· a1n a11 ··· a1n

 ..   .. 
 .   . 
   
|Ã| =  an1 ··· akn  +  bk1 ··· bkn  = |A| + |B|.
 .   . 
 .   .. 
.

an1 ··· ann an1 ··· ann
Por hipótesis de inducción (sobre el tamaño de la matriz) se tiene
| Ãj1 |=| Aj1 | + | B j1 | .
Además, | Ãk1 |=| Ak1 |, luego

n
X n
X
| Ã |= (−1)j+1 ãj1 |Ãj1 | = (−1)j+1 aj1 {| Aj1 | + | B j1 |}+
j=1 j=1
j6=k
(−1)k+1 (ak+1 + bk+1 ) | Ak1 |=| A | + | B |
Análogamente se prueba que si

 
a11 ··· a1n
 .. .. 
 . . 
 
Ã =  tak1 ··· takn  ,
 . 
 .. 
an1 ··· ann
131
entonces  
···

a11 a1n

 .. 
 . 
 
| Ã |= t  ak1 ··· akn  .
 . 
 . 
.

an1 ··· ann
Ası́ visto como función de las filas de A el determinante tiene la propie-

dad lineal siguiente
     
A1• A1• A1•

 A2•   A2•   A2• 
 .   .   . 
 .   .   . 
∀x, y ∈ K n  . 
, t ∈ K : 
 tx + y 
 .   . 
 = t   + 
 x   y 
 .
 .   .   . 
 .   ..   . 
. .
A
An• n• An•
Es decir el determinante es lineal en cada una de las filas de la matriz.

Si estamos considerando matrices de dimensión n entonces diremos que
el determinante es n-lineal.
Probaremos simultáneamente por inducción las propiedades (2) y (3):

2. Si B se obtiene de A permutando dos filas entonces |B| = −|A|. Se dice
que el determinante es una función alternada.
3. Si A tiene dos filas iguales entonces |A| = 0. Supongamos que A tiene
las filas i y j iguales, es decir:

 
A1•
 .. 
 . 
 
 X  ←i
 . 
A=
 .. 
 .
 ←j
 X 
 . 
 .. 
An•
Cada matriz Ak1 tiene dos filas iguales a menos que k = i o k = j de
donde | Ak1 |= 0 si k 6= i k 6= j. Por lo tanto ⇒ | A |= (−1)i+1 ai1 |
Ai1 | +(−1)j+1 aj1 | Aj1 |.
Las matrices Ai1 y Aj1 de dimensión n−1×n−1 son iguales excepto que
la fila X esta en distinta posición. En Ai1 esta en la fila j −1. En Aj1 esta
en la fila i. Ası́ podemos llegar de la matriz Ai1 a la matriz Aj1 mediante
132
j −1−i permutaciones. Por cada permutación hay un cambio de signo en

el determinante (de dimensión n − 1). Luego | Ai1 |= (−1)j−1−i | Aj1 |.
Además ai1 = aj1 ⇒
| A | = ai1 {(−1)i+1 (−1)j−1−i | Aj1 | +(−1)j+1 | Aj1 |}

= {(−1)j − (−1)j }ai1 | Aj1 |= 0
Supongamos que Ã se obtiene de A permutando las filas i y j:
 
A1•
 .. 
 . 
 
 Aj•  ← i
 . 
Ã = 
 .. 
 .
 ←j
 Ai• 
 . 
 . 
.
An•
Tomemos  
A1•
  ..
  .
 
 Ai• + Aj• 
  ←i
 .. 
B= .  ,
 
 Ai• + Aj•  ← j
 
 .. 
 . 
An•
como B tiene dos filas iguales se deduce que
       
A1• A1• A1• A1•
 ..   ..
  ..   .. 
 .   

.
  .   . 
 Ai•   Aj•     
     Ai•   Ai• 
 ..   ..   .   . 

0 =| B |=  .  +  =  .  +  ..  +
 .  .   
A +A   

    
 i• j•   Ai• + Aj•   Ai•   Aj• 
 .   .   .   . 
 ..   ..   ..   . 
.
An• An• An• An•
  A 
A1• 1•
 ..   .. 
 .   . 
  A 
 Aj•   j• 
 .    .. 

 
+  ..  +  .  = 0 + |A| + |Ã| + 0,
   
 Ai•   Aj• 
 .   
 .   . 
 .. 
.
An• An•
133
y por lo tanto

| Ã |= − | A |
4. Sea In la identidad de n × n entonces |In | = 1. En efecto

|In | = 1|In−1 | = 1.
De manera más general se prueba que si A es triangular superior enton-
n
Q
ces |A| = aii , esto también es cierto para una triangular inferior pero
i=1
lo probaremos más tarde.
5. Si a la fila i le sumamos la fila j(i 6= j) amplificada por algún factor,
entonces el determinante no cambia. Sea
 
A1•
 .. 
 . 
 
 Aj• 
 ←j
 .. 
Ã =  .  ,
 
 Ai• + tAj•  ← i
 
 .. 
 . 
An•
entonces  
A1•

 .. 
 . 
 
 Aj• 
  ← j
 . 
| Ã |=| A | +t  ..  =| A |
 
 Aj•  ← i
 
 . 
 .. 

An•
6. Las filas de A son l.d. ⇐⇒| A |= 0. Supongamos que las filas de A son l.d.
es decir ∃λ1 , ..., λn no todos nulos tal que λ1 A1• +λ2 A2• +...+λn An• = 0
podemos suponer sin pérdida de generalidad que λ1 6= 0
 
λ1 A1• + λ2 A2• + ... + λn An•
 A2• 
Ã = 
 .. =

.
An•
 
0
n
X
 A2• 
= .  = (−1)1+1 0· | Ã11 | + (−1)j+1 ãj1 |Ãj1 |,
 .. 
j=2
An•
134
pero para j ≥ 2 la primera fila de Ãj1 es cero luego las filas de Ãj1 son

l.d., por tanto | Ãj1 |= 0. Ası́ | Ã |= 0. Además
     
A2• Ak• An•

 A2•   A2•   A2• 
0 = λ1 |A|+λ2  .. +....+λk  .. +...+λn  ..  = λ1 |A|,
     
. . .

An• An• An•
pero λ1 6= 0 y por lo tanto | A |= 0.
Si las filas son l.i. probaremos que |A| =

6 0. En efecto, mediante opera-
ciones elementales sobre las filas de A (suma de filas y permutación de
filas) se llega a
 
ã11 ã12 ··· ã1n
 0 ã22 ··· ã2n 
 . 
 
Ã =  .. 0 
 . .. .. 
 .. . . 
0 0 0 0 ãnn
n
Q
pero entonces | Ã |= ± | A |. Dado que | Ã |= ãii 6= 0 (ver (4)), se
i=1
concluye que | A |6= 0.
Falta probar que |A| = |At |. Esta proposición no es fácil, para ello
necesitamos la siguiente fórmula:
P
7. |A| = (signo σ) a1σ(1) a2σ(2) ...anσ(n) donde la suma se extiende sobre
σ
todas las permutaciones de {1, ..., n} y signo(σ) se define como
 
eσ(1)

 
signo (σ) =  ...  ,

e
σ(n)
donde {e1 , ...en } es la base canónica de Rn

Ejemplo:

1 2 3 ··· n
σ=
2 1 3 ··· n
eσ(1) = e2
eσ(2) = e1
eσ(i) = ei i≥2
135
 
0 1 0 ··· 0


 1 0 0 ··· 0 
 
signo(σ) =  0 0 1 ··· 0  = (−1)3 | In−1 |= −1, luego signo
 
 ... ..
. 0 

1
(σ) = −1
El término asociado a esta permutación σ en la fórmula (7) es:
−1 a12 a21 a33 a44 ...ann
Notemos que cada término de la fórmula (7) es el producto de una ele-

mento por fila y columna.
Demostremos la fórmula. Dado que A1• = a11 e1 + a12 e2 + ... + a1n en se

tendrá  
ek
n
X  A2• 
| A |=  
a1k  ..  .
k=1 .

An•
n
P
Análogamente A2• = a2ℓ eℓ , luego
ℓ=1
   
  ek ek
ek
n  eℓ  X  eℓ 
 A2•  X    
 .  = a2ℓ  A  a2ℓ  A 
 .   3•  =  3•  .
. ℓ=1  ..  ℓ6=k  .. 
. .
An•
An• An•
Por lo tanto
 
ek  
ek1
 eℓ 
X   X  ek2 
|A| = a1k a2ℓ  Aj•  = 
a1k1 a2k2 ...ankn  . 
 ..  ..
k6=ℓ   k1 ,...,kn
. todos
ekn
a1k1 a2k2 ...ankn distintos
Esta suma es la suma sobre todas las permutaciones

 
ek1

1 2 ··· n  
σ= y  ...  = signo (σ),
k1 k2 kn
ekn
lo que prueba la fórmula deseada. Notemos que lo que se uso en probar

esta fórmula es que el determinante es n-lineal y alternada. Por esto
estudiaremos un poco como son este tipo de funciones.
136
Supongamos que tenemos una función F que asigna a cada matriz cua-
K

drada de n × n un número de , de manera que es n-lineal y alternada
en las filas de la matriz, entonces necesariamente:
F (A) = |A| · F (I)
K
donde F (I) ∈ es el valor que toma para la identidad de tamaño n. Este
resultado dice que toda función n-lineal alternada debe ser un múltiplo
del determinante. De igual forma como lo hicimos para el determinante
se prueba que
 
eσ(1)
X  
F (A) = a1σ(1) ...anσ(n) F  ...  .
σ
eσ(n)
Pero por ser F alternada se tendrá
 
eσ(1)
 
F  ...  = ±F (I)
eσ(n)
el signo depende de si se necesitan un número par o impar de permuta-
ciones para llegar a la identidad pero
 
eσ(1)

 . 
 .. 

e
σ(n)
es exactamente ±1 dependiendo de la paridad del número deP intercam-

bios necesarios para llegar a la identidad. Luego, F (A) = F (I) signo (σ)a1σ(1) ...anσ(n) =
j
F (I)|A|.
8. |AB| = |A||B|
Sea
K
F : Mnn ( ) → K
A → |AB|
probemos que F es n-lineal. En efecto
   
A1• A1•
 ..   .. 
 .   . 
   
C1 =  X  C2 =  Y 
 .   . 
 ..   .. 
An• An•
   
A1• A1• B
 ..   .. 
 .   . 
   
Ã =  X + Y  ÃB =  XB + Y B  ,
 .   . 
 ..   .. 
An• An• B
137
y por lo tanto

   
A1• B A1• B

 ..   .. 
 .   . 
   
F (Ã) = |ÃB| =  XB + Y B  = |C1 B|+|C2 B| = F (C1 )+F (C2 ).
 .   . 
 ..   .. 

A B A B
n• n•
De igual forma se prueba que

   
A1• A1•
 ..   .. 
 .   . 
   
F  tAi•  = tF  Ai•  .
 .   . 
 ..   .. 
An• An•
Si intercambiamos las filas i y j de A y definimos

   
A1• A1• B
 ..   .. 
 .   . 
   
 Aj•  ← i  Aj• B 
 .   . 
Ã = 
 .. 
 ÃB = 
 ..  ,

   
 Ai•  ← j  Ai• B 
 .   . 
 .   . 
. .
An• An• B
se tendrá |ÃB| = −|AB| por lo tanto F (Ã) = −F (A). Del resultado

anterior concluimos que F (A) = |A|F (I) pero F (I) = |IB| = |B| por lo
tanto |AB| = |A||B|
9. Si A es invertible entonces
1
|A−1 | =
|A|
1
en efecto, |A−1 A| = |I| = 1 = |A−1 | · |A| luego |A−1 | = |A| .
Proposición 5.3. Sean σ y σ ′ dos permutaciones entonces signo(σ ◦

σ ′ ) = signo(σ) signo(σ ′ ).
Demostración. Sean
   
eσ(1) eσ′ (1)
   
A =  ...  B =  ... 
eσ(n) eσ′ (n)
138
   
eσ◦σ′ (1) eσ(σ′ (1))

 ..   .. 
C= . = . .
eσ◦σ (n)
′ eσ(σ (n))
′
Si escribimos A en términos de sus columnas, tendremos que el 1 de la

primera columna se ubica en la posición k (fila k) que hace que σ(k) = 1,
pero entonces k = σ −1 (1), por lo tanto A descrita por sus columnas es:
A = (eσ −1 (1) eσ −1 (2) ...eσ −1 (n) ). Como
0 j 6= k
etj ek = , se tiene que la primera fila de BA tendrá la forma:
1 j=k

′ −1
(BA)1j = etσ′ (1) eσ−1 (j) = 1 σ (1) = σ (j) ,
0 sino
es decir (BA)1• es un vector de la base canónica, lo que debemos ave-
riguar es en que posición tiene el ”1”, pero esto se deduce de la ecua-
ción σ ′ (1) = σ −1 (j) pues entonces j = σ(σ ′ (1)) = σ ◦ σ ′ (1), luego
(B · A)1• = eσoσ′ (1) . Ası́ se obtiene:
 
eσ◦σ′ (1)
 eσ◦σ′ (2) 
 
BA =  .. 
 . 
eσ◦σ′ (n)
Por lo tanto C = B · A, de donde |C| = |B||A| y entonces
signo(σ ◦ σ ′ )= signo(σ) signo(σ ′ ). En particular signo(σ −1 )= signo(σ)
pues
signo(σ ◦ σ −1 ) = signo(id) = 1 = signo(σ) signo(σ −1 ),
donde id es la permutación identidad.
10. Probemos ahora que |A| = |At |. En efecto:

X
|At | = signo (σ) (At )1σ(1) (At )2σ(2) ...(At )nσ(n)
σ
X ,
= ( signo(σ))aσ(1)1 , aσ(2) ...aσ(n)n
σ
n
Q n
Q
pero aσ(i)i = aiσ−1 (i) lo que se obtiene reordenando el producto
i=1 i=1
de acuerdo a la primera coordenada. Luego
X
|At | = ( signo(σ))a1σ−1 (1) a2σ−1 (2) ...anσ−1 (n) .
σ
Como signo(σ) = signo(σ −1 ) y la aplicación σ → σ −1 es una biyección

se tiene: X
|At | = ( signo(ν))a1ν(1) ...a2ν(2) = |A|
ν
139
Fórmula para A−1

K K F (A) =
n
P
Sea F : Mnn ( ) → (−1)i+j aij |Aij | que corresponde a
i=1
desarrollar el determinante de A por la columna j.
Se puede probar al igual que hicimos para el determinante que F es
n-lineal y alternada luego F (A) = |A| · F (I) pero F (I) = 1, por tanto
F (A) = |A|. Además si se usa |A| = |At | se prueba que se puede calcular
n
P
|A| utilizando las filas de A esto es: |A| = (−1)i+j aij |Aij |
j=1
Si |A| =
6 0 definamos B mediante:
1
bij = (−1)i+j |Aji |.
|A|
Calculemos AB:
n
X n
X (−1)k+j
(AB)ij = aik bkj = aik |Ajk |.
|A|
k=1 k=1
Analicemos ahora dos casos:

Pn
1
1. j = i (AB)ii = |A| (−1)k+i aik |Aik | = 1
k=1
n
P
2. j 6= i (AB)ij = (−1)k+j a|A|
ik
|Ajk |, que corresponde al determinante
k=1
de la siguiente matriz, calculado usando la fila j
 
a11 ···a1n
 .. .. .. 
 . . . 
 
 ai1 ··· ain  ← i
 . .. .. 
 . 
 . . . 
 ai1 ain  ← j
· · · · · · |A| 
 |A|
 
 . .. .. 
 .. . . 
an1 ··· ann
n
P ajk
Como las filas de esta matriz son l.d. se tiene (−1)k+j |A| |Ajk | = 0,
k=1
y por tanto AB = I lo que implica que
B = A−1 .
Ejemplo:
Sea
a b
A= .
c d
140
Se tendrá que

|A| = ad − bc
|A11 | = d |A12 | = c |A21 | = b |A22 | = a
t
−1 1 d −c 1 d −b
A = = .
|A| −b a |A| −c a
141
Guı́a
Ejercicios

1. Suponga que A, B son semejantes, es decir, existen matrices invertibles
P, Q tal que A = P BQ. Pruebe que A y B tienen el mismo rango:
r(A) = r(B).
2. Probar que r(AB) ≤ r(A) y por lo tanto
r(AB) ≤ mı́nimo (r(A), r(B)).
3. Obtener la fórmula del determinante de una matriz de 3×3.

R
4. Demuestre que si A, B ∈ Mnxn ( ), entonces P (A · B) = P (B · A) si A
es invertible, y donde P (A) denota “el polinomio caracterı́stico de A”
5. Determinar los valores y los vectores propios correspondientes a las ma-
trices siguientes:
 
  3 0 1 0    
2 1 0 0  3 2 2 3 −2 1
3 0 0 
0 2 0 0 −2 1 −6 2 1 −1
1 3 0
0 0 3 1 −1 4 2 −6 4
0 0 0 3
Problemas
K
P1. (a) Pruebe que una matriz A ∈ Mmn ( ) tiene rango 1 si y sólo si
K K
existen u ∈ m , v ∈ n , ambos no nulos tales que A = uv t .
(b) Si α0 , α1 , ..., αn−1 ∈ R y n > 2, probar por inducción que el
polinomio caracterı́stico de la matriz
 
0 0 ... 0 −α0
1 0 ... 0 −α1 
 
 −α2 
A = 0 1 ... 0 
 .. .. .. .. .. 
. . . . . 
0 0 ... 1 −αn−1
n−1
P
es igual a: (−1)n ( αk λk + λn ).
k=0
R
P2. Sean A, B ∈ Mn,n ( ) invertibles y α ∈ R, 0 < α < 1.
a) Sea PA−1 B (·) el polinomio caracterı́stico de A−1 B. Pruebe que

n α
|(αA + (1 − α)B)| = (1 − α) |A|PA−1 B .
α−1
b) Demueste que existe 0 < α < 1 tal que (αA+(1−α)B) es invertible.
142
P3. Sean A, B matrices de n×n con coeficientes reales tales que AB = BA

a) Pruebe que si Bv 6= 0 y v es vector propio de A asociado a λ
entonces Bv también lo es.
b) Muestre que si v es vector propio de A perteneciente a un espacio
propio de dimensión 1, entonces v es vector propio de B.
143
SEMANA 11: VALORES Y VECTORES PROPIOS

K K
Sea L : n → n lineal y sea A la matriz representante de L con respecto
a la base canónica B. Supongamos que existe B ′ = {v1 , . . . , vn } base de
vectores propios, es decir B ′ es una base de n y K
∀ i ∃λi ∈ K Avi = λi vi .
¿Cuál es la matriz representante de L con respecto a B ′ ?
Av1 = λ1 v1 = λ1 v1 + 0v2 + · · · + 0vn

Av2 = λ1 v2 = 0v1 + λ2 v2 + · · · + 0vn
..
.
Avn = λn vn = 0v1 + 0v2 + · · · + λn vn
 
λ1 0 0
 .. 
 0 λ2 . 
MB ′ B ′ (L) =  .. ..  = D que es diagonal.
 . 0 . 0 
0 0 λn
Además se tiene el diagrama
A
B → B
P −1 ↓ ↑ P.
D
B′ → B′
Por lo tanto A = P DP −1
Algunas ventajas de conocer D:

(1) r(A) = r(D) = número de valores propios no nulos.
n
Q
(2) |A| = |P DP −1 | = |P ||D||P −1 | = |D| = λi .
i=1
6 0 entonces ∀iλi 6= 0 y A−1 = P D−1 P −1 donde

(3) |A| =
 
λ−1
1 0
 .. 
D−1 =  . .
0 λ−1
n
En efecto,
A−1 = (P DP −1 )−1 = (P −1 )−1 D−1 P −1 = P D−1 P −1 ,
144
 1 
λ1 0

 .. 
pero D−1 =  . 
1
0 λn
(4)
Am = (P DP −1 )m = (P DP −1 )(P DP −1 ) · · · (P DP −1 )
 m 
λ1 0
 ..  −1
= P Dm P −1 = P  . P
0 λm
n
Como hemos visto A = P DP −1 donde P = MB ′ B (idKn ) es decir tenemos

que expresar los vectores propios en términos de la base canónica, y por lo
tanto P = (v1 , v2 , . . . , vn ), donde los vectores vi son las columnas de P .
Definición 5.4 (Matriz diagonalizable). Diremos que A ∈ Mnn ( ) es K Matriz diagonalizable
K
diagonalizable si n admite una base de vectores propios de A.
Teorema 5.1. A es diagonalizable si y sólo si A es similar a una matriz

diagonal.
Demostración.
(⇒) Hemos visto que si A es diagonalizable entonces
 
λ1 0
A = P DP −1 donde D =  .. 
.
0 λn
y P = (v1 , . . . , vn ). Luego A es similar a una diagonal.
(⇐) Supongamos que A es similar a una diagonal, es decir existe P inver-

tible tal que A = P DP −1 . De manera equivalente:
AP = P D.
d1 0
!
Si suponemos que P = (v1 , . . . , vn ) (notación por columnas) y D = .. ,
.
0 dn
entoces la igualdad anterior se escribe:
d1 0
!
A(v1 , . . . , vn ) = (v1 , . . . , vn ) .. .
.
0 dn
Y por propiedades de la multiplcación de matrices esto equivale a:

(Av1 , . . . , Avn ) = (d1 v1 , . . . , dn vn ).
Finalmente, la igualdad vista por columnas nos dice que ∀i ∈ {1, . . . , n} Avi =
di vi . Es decir, los vectores v1 , . . . , vn son vectores propios de A (son no nulos
pues P es invertibles), con valores propios respectivos d1 . . . , dn .
K
Además, son claramente una base de n , pues son las columnas de P que
es invertible.
145
K

Teorema 5.2. Sea A ∈ Mnn ( ) si {λi }i=1,...,k son valores propios de A
distintos y {vi }i=1...,k son vectores propios de A tal que Avi = λi vi , entonces
{vi }i=1,...,k es un conjunto l.i.
Demostración. Por inducción sobre k. Para k = 1, la propiedad es ob-

viamente cierta. Supongamos
α1 v1 + · · · + αk vk = 0, (5.2)
donde Avi = λi vi y λi i = 1, . . . , k son todos distintos. Entonces
α1 λ1 v1 + · · · + αk λk vk = A(α1 v1 + · · · + αk vk ) = A0 = 0.
Multiplicado (5.2) por λk se tiene α1 λk v1 + · · · + αk λk vk = 0. Luego
α1 (λ1 − λk )v1 + · · · + αk−1 (λk−1 − λk )vk−1 = 0
como {v1 . . . , vk−1 } son l.i. se tiene αi (λi − λk ) = 0 i = 1, . . . ., k − 1. Como

λi 6= λk se debe tener que αi = 0 i = 1, . . . , k − 1 y de (5.2) se concluye que
αk = 0.
Antes de seguir, veremos la extensión natural del concepto de suma di-

recta de más de dos subespacios vectoriales. Definamos primero, dados k
U1 , U2 , . . . , Uk s.e.v. de un espacio vectorial V , la suma de ellos como: + Ui
i=1
( k
)
k X
+ Ui = U1 + U2 + · · · + Uk , v = ui | ∀i ∈ {1, . . . , k}, ui ∈ Ui .
i=1
i=1
Esto es claramente un s.e.v. de V .

Definición 5.5 (Suma directa múltiple). Sea V espacio vectorial y U1 , . . . , Uk
k
subespacios vectoriales de V . Decimos que el subespacio Z = +i=1 Ui es
Lk k
L
suma directa de U1 , . . . , Uk , notado Z = i=1 Ui = U1 ⊕ U2 ⊕ · · · ⊕ Uk , Ui
i=1
si para todo v ∈ Z, v se escribe de manera única como
k
X
v= ui , con ui ∈ Ui , ∀i ∈ {1, . . . , k}.
i=1
Las siguientes propiedades se tienen de manera análoga al caso de dos

subespacios:
Proposición 5.4. Sea V espacio vectorial y Z, U1 , . . . , Uk subespacios vec-

toriales de V , entonces:
   
Mk k k
1. Z = Ui ⇔ Z = + Ui ∧ ∀j ∈ {1, . . . , k}, Uj ∩  + Ui  = {0}.
i=1 i=1
i=1 i6=j
146
k
2. Si Z = + Ui y Z es de dimensión finita, entonces son equivalentes:

i=1
k
M
(a) Z = Ui .
i=1
(b) (∀i ∈ {1, . . . , k})(∀ui ∈ Ui \ {0}) {u1 , . . . , uk } es l.i.
(c) La yuxtaposición de bases de los subespacios Ui es una base (y no
sólo un generador) de Z.
k
X
(d) dim(Z) = dim(Ui ).
i=1
Demostración. Probaremos (a) ⇔ (b) en la parte 2. El resto de las de-

mostraciones, quedan propuestas como ejercicio. ◭ Ejercicio
(b) ⇒ (a) Sea v ∈ Z y dos formas distintas de escribirlo:
k
X k
X
v= wi = wi′ , con wi , wi′ ∈ Ui .
i=1 i=1
De aquı́, suponiendo sin pérdida de generalidad que ∀i ∈ {1, . . . , k ∗ }, wi −

wi′ 6= 0, sale que:
Xk∗
(wi − wi′ ) = 0,
i=1
lo cual es una combinación lineal nula, con escalares no nulos (todos 1), de
los vectores ui = wi − wi′ ∈ Ui \ {0}. Pero esto es una contradicción con el
hecho de que dichos vectores son l.i, por hipótesis.
Ası́ se tiene que la escritura es única y por ende la suma es directa
Lk
(a) ⇒ (b) Supongamos ahora que Z = i=1 Ui . Sea {u1 , . . . , uk }, con
ui ∈ Ui , ∀i ∈ {1, . . . , k}. Estudiemos
k
X
αi ui = 0.
i=1
Como para cada i ∈ {1, . . . , k}, Ui es un s.e.v., luego αi ui ∈ Ui . Ası́, hemos

encontrado una forma de escribir al vector nulo como suma de elementos
de los subespacios Ui .
Por unicidad de dicha escritura,
∀i ∈ {1, . . . , k}, αi ui = 0.
Y esto implica, ya que ui 6= 0, que αi = 0, ∀i ∈ {1, . . . , k}. Es decir,

{u1 , . . . , uk } es l.i.
147
K
Teorema 5.3. Sea A ∈ Mnn ( ), λ1 , . . . , λk los valores propios (distintos)
de A y Wλi = Ker(A−λi I), i ∈ {1, . . . , k}. Si W = Wλ1 +Wλ2 +· · ·+Wλk ,
se tiene que
W = Wλ1 ⊕ Wλ2 ⊕ · · · ⊕ Wλk .
En particular, A es diagonalizable si y sólo si
Kn = Wλ 1 ⊕ Wλ2 ⊕ · · · ⊕ Wλk .
Demostración. Directa de la Proposición 5.4.
K
Corolario 5.1. Supongamos que A ∈ Mnn ( ) y que p(λ) = |A − λI|, el
polinomio caracterı́stico de A, tiene n raı́ces distintas en K
: λ1 , . . . , λn ,
entonces
1. Wλi = Ker(A − λi I) es de dimensión 1.
2. Sea vi ∈ Wλi con vi 6= 0 entonces {v1 , . . . , vn } es una base de vectores
propios.
K
Este teorema da un criterio simple para que A ∈ Mnn ( ) sea diagonizable,
éste es que A tenga n valores propios distintos.
Ejemplo:
Sea  
1 −1 −1
A= −1 1 −1 
−1 −1 1
 
1−λ −1 −1

p(λ) = |A − λI| =  −1 1−λ −1 

−1 −1 1 − λ
= (1 − λ){(1 − λ)2 − 1} − 1{(1 − λ) + 1} − {1 + (1 − λ)}

= (1 − λ)3 − (1 − λ) − (1 − λ) − 1 − 1 − (1 − λ)
= (1 − 3λ + 3λ2 − λ3 ) − 3 + 3λ − 2
= 3λ2 − λ3 − 4
Ahora λ = 2 es una raı́z de p(λ). Por otro lado p(λ)÷λ−2 = −λ2 +λ+2
Ası́ las otras raı́ces de p son λ = −1 y λ = 2. Por lo tanto p(λ) =
−(λ − 2)(λ + 1)(λ − 2) Se puede probar que A tiene una base de vectores
propios por lo que no es necesario que todos los valores propios sean
distintos para que A sea diagonalizable.
148
Ejemplo:

 
1 0 0
Consideremos A =  2 2 0  los valores propios son λ1 = 1, λ2 =
0 0 2 
* + *   +
 1   0 0 
2, λ3 = 2 y W1 =  −2  W2 = 1,0 .
   
0 0 1 
1 0 0
R
Ası́ 3 = W1 ⊕ W2 , y A es diagonalizable similar a D =  0 2 0 
0 0 2
Definición 5.6 (Multiplicidad geométrica). Sean A ∈ Mnn ( ) y λ K Multiplicidad

un valor propio de A. Definimos la multiplicidad geométrica de λ, geométrica, γA (λ)
γA (λ), como la dimensión del espacio propio Wλ = Ker(A − λI).
K
Teorema 5.4. Una matriz A ∈ Mnn ( ) es diagonalizable ssi la suma de
las multiplicidades geométricas de sus valores propios es n.
Demostración. Basta usar el Teorema 5.3 y el hecho de que si λ1 , . . . , λk

son los v.p.’s de A,
k
X
dim(Wλ1 ⊕ · · · ⊕ Wλk ) = γA (λi ).
k=1
K
Definición 5.7 (Multiplicidad algebraica). Sean A ∈ Mnn ( ) y λ un Multiplicidad
valor propio de A. Definimos la multiplicidad algebraica de λ, αA (λ), algebraica, αA (λ)
como la máxima potencia de (x − λ) que divide al polinomio caracterı́stico
de A, pA (x) = |A − xI|.
K
Proposición 5.5. Sean A ∈ Mnn ( ) y λ0 un valor propio de A, entonces:
1 ≤ γA (λ0 ) ≤ αA (λ0 ) ≤ n.
◭ Ejercicio
Ejercicio 5.2: Demuestre la Proposición 5.5. Para ello proceda de la

siguiente manera:
1. Pruebe las desigualdades 1 ≤ γA (λ0 ) y αA (λ0 ) ≤ n.
149
2. Sea γ = γA (λ0 ). Considere una base βλ0 = {v1 , . . . , vγ } de Wλ0 =
Ker(A − λ0 I).
3. Extienda dicha base a una base β = {v1 , . . . , vγ , vγ+1 , . . . , vn } de
K
n
.
4. Calcule la matriz representante de T (x) = Ax, con respecto a la
base β. Es decir, Mββ (T ).
5. Pruebe que
pA (λ) = |A − λI| = (λ − λ0 )γ q(λ).
En donde q(λ) es un polinomio de grado n − γ.

Indicación: Pruebe y use que A y Mββ (T ) son similares.
6. Concluya el resultado.
K
Corolario 5.2. Sea A ∈ Mnn ( ) y pA (λ) su polinomio caracterı́stico. Se
tiene entonces que A es diagonalizable si y sólo si pA (λ) se factoriza com-
pletamente en K
en factores lineales. Es decir:
pA (λ) = cA · (λ − λ1 )αA (λ1 ) (λ − λ2 )αA (λ2 ) . . . (λ − λk )αA (λk ) ,
y además, para todo valor propio λ de A, se tiene que γA (λ) = αA (λ).
Demostración. Supongamos que A es diagonalizable y sean λ1 , . . . , λk

Lk valores propios. Entonces, gracias al Teorema 5.3 tenemos que
sus n
= K
W λi .
K
i=1
Sea entonces la fatorización en del polinomio caracterı́stico de A:
pA (λ) = cA · (λ − λ1 )αA (λ1 ) (λ − λ2 )αA (λ2 ) . . . (λ − λk )αA (λk ) q(λ),
con q(λ) un polinomio.

Pero, gracias a la Proposición 5.5,
k
M k
X k
X
n = dim( Kn) = dim( Wλi ) = γA (λi ) ≤ αA (λi ).
i=1 i=1 i=1
Pk
De donde i=1 αA (λi ) = n.
Ahora
n = gr(pA (λ)) = gr(cA · (λ − λ1 )αA (λ1 ) (λ − λ2 )αA (λ2 ) . . . (λ − λk )αA (λk ) ) + gr(q(λ))
k
X
= αA (λi ) + gr(q(λ)).
i=1
| {z }
n
150
Ası́, gr(q(λ)) = 0. Es decir, es una constante y se tiene la fatorización

buscada.
Ahora, supongamos que pA (λ) se factoriza completamente en K de la si-

guiente manera:
pA (λ) = cA · (λ − λ1 )αA (λ1 ) (λ − λ2 )αA (λ2 ) . . . (λ − λk )αA (λk ) .

Pk
De donde i αA (λi ) = n. Y, supongamos que A no es diagonalizable. Esto
implica que
Mk k
X k
X
dim( Wλi ) = γA (λi ) < n = αA (λi ).
i=1 i=1 i=1
Lo cual contradice la hipótesis de igualdad de las multiplicidades.
C
Corolario 5.3. A ∈ Mnn ( ) es diagonalizable si y sólo si para todo valor
propio λ de A, se tiene que
γA (λ) = αA (λ).
151
Guı́a
Ejercicios

1. Demostrar que dados V espacio vectorial y Z, U1 , . . . , Uk subespacios Proposición 5.4
vectoriales de V , entonces:
   
Mk k k
(a) Z = Ui ⇔ Z = + Ui ∧ ∀j ∈ {1, . . . , k}, Uj ∩  + Ui  = {0}.
i=1 i=1
i=1 i6=j
k
(b) Si Z = + Ui y Z es de dimensión finita, entonces son equivalentes:
i=1
k
M
(1) Z = Ui .
i=1
(2) (∀i ∈ {1, . . . , k})(∀ui ∈ Ui \ {0}) {u1 , . . . , uk } es l.i.
(3) La yuxtaposición de bases de los subespacios Ui es una base (y
no sólo un generador) de Z.
X k
(4) dim(Z) = dim(Ui ).
i=1
K
2. Pruebe que, dados A ∈ Mnn ( ) y λ0 un valor propio de A, entonces: Proposición 5.5
1 ≤ γA (λ0 ) ≤ αA (λ0 ) ≤ n.
Para ello
(a) Pruebe las desigualdades 1 ≤ γA (λ0 ) y αA (λ0 ) ≤ n.
(b) Sea γ = γA (λ0 ). Considere una base βλ0 = {v1 , . . . , vγ } de Wλ0 =
Ker(A − λ0 I).
(c) Extienda dicha base a una base β = {v1 , . . . , vγ , vγ+1 , . . . , vn } de
Kn
.
(d) Calcule la matriz representante de T (x) = Ax, con respecto a la
base β. Es decir, Mββ (T ).
(e) Pruebe que
pA (λ) = |A − λI| = (λ − λ0 )γ q(λ).
En donde q(λ) es un polinomio de grado n − γ.
Indicación: Pruebe y use que A y Mββ (T ) son similares.
(f ) Concluya el resultado.
Problemas
R
P1. (a) Sea P2 ( ) el espacio vectorial de los polinomios a coeficientes
reales de grado menor o igual a 2, y sea T : P2 ( ) → P2 ( ) la R R
transformación lineal definida por
T (a0 + a1 x + a2 x2 ) = (a0 + 2a2 ) + a1 x + (2a0 + a2 )x2 .
152
(1) Verifique que la matriz representante de T con respecto a la
R

base canónica {1, x, x2 } de P2 ( ) (en dominio y recorrido)
es  
1 0 2
A = 0 1 0 .
2 0 1
(2) Calcule A2n para cada n ≥ 1 natural, diagonalizando A.
(3) Calcule T 2n (1 + x + x2 ), donde T 2n = T
| ◦ T ◦{z· · · ◦ T}.
2n
Indicación: Recuerde que la matriz representante de T 2n es
A2n .
(b) Encuentre los valores reales de α y β de modo que la matriz
 
2 α 0 0 0
0 2 α 0 0
 
0 0 2 0 0
 
0 0 0 1 β
0 0 0 0 1
sea diagonalizable.
R
P2. Sea a ∈ . Se define una sucesión de números reales (un )n∈N de la
siguiente manera: u0 = 1, u1 = a, (∀n ≥ 2) un = aun−1 − un−2 .
Sean x0 = ( 10 ), (∀n ≥ 1) xn = ( uun−1
n
).
(a) Demuestre que para todo n ≥ 0 se tiene que xn = An x0 con

A = a1 −1
0 .
(b) Demuestre que si |a| = 2 entonces A no es diagonalizable.
(c) Demuestre que si |a| > 2 entonces A es diagonalizable.
(d) Asuma que |a| > 2 y denote λ1 , λ2 los valores propios de A.
Demuestre que

(1) λ11 y ( λ2
1 ) son vectores propios asociados a λ1 y λ2 , respec-
tivamente.
N λn+1 −λn+1
(2) Para todo n ∈ se tiene que un = 1 λ1 −λ22 .
R
P3. Sean R, S ∈ Mnn ( ), con S invertible. Considere A = RS y B = SR.
R
(a) Pruebe que v ∈ n es vector propio de A asociado al valor propio
λ ∈ R ssi Sv es vector propio de B asociado al mismo valor propio
λ. Concluya que A y B tienen los mismos valores propios.
(b) Sean Wλ (A) = Ker(A− λI) el subespacio propio de A asociado al
valor propio λ ∈ R
y Wλ (B) el subespacio propio de B asociado
a λ. Pruebe que dim(Wλ (A)) = dim(Wλ (B)).
(c) Pruebe que A es diagonalizable ssi B es diagonalizable.
153
SEMANA 12: ORTOGONALIDAD

6. Ortogonalidad
6.1. Conjuntos ortogonales y ortonormales
Recordemos que la proyección de u sobre v 6= 0 está definida por w = hu,vi
hv,vi v.
Este vector w es “el que está más cerca” de u en el espacio h{v}i. Es decir
mı́n ku − λvk = ku − wk.
λ∈ R
Notaremos por u⊥v si hu, vi = 0, es decir si u y v son ortogonales. u⊥v
Definición 6.1 (Conjunto ortogonal/ortonormal). Un conjunto {v1 , . . . , vk } Conjunto

de R
n
1
se dice ortogonal si hvi , vj i = 0 i 6= j. Si además kvi k = hvi , vi i =
2 ortogonal/ortonormal
1, diremos que el conjunto es ortonormal.

En el caso en que {v1 , . . . , vk } es además base de un subespacio vectorial
W , diremos que se trata de una base ortonormal de W . Base
ortogonal/ortonormal
Ejemplo:
La base canónica de Rn es una base ortonormal.
Veamos una propiedad útil de los conjuntos ortogonales:
Proposición 6.1. Sea {v1 , . . . , vk } ⊆ Rn\{0} ortogonal, entonces {v1, . . . , vk }

es l.i.
Pk
Demostración. Sea i=1 αi vi una combinación lineal nula de los elemen-
tos de {v1 , . . . , vk }. Sea j ∈ {1, . . . , k}, luego por propiedades del producto
interno:
* k + k
X X
αi vi , vj = 0 ⇔ αi hvi , vj i = 0.
i=1 i=1
Pero dado que el conjunto es ortogonal, luego hvi , vj i = 0 para i 6= j, de

manera que
2
αj hvj , vj i = αj kvj k = 0.
Y como vj 6= 0, se deduce que αj = 0.
Como este procedimiento es válido para todo j ∈ {1, . . . , k}, se concluye
que {v1 , . . . , vk } es l.i.
Ahora, en el caso de conjuntos ortonormales, hay propiedades importantes

que motivan su búsqueda.
Proposición 6.2. Sea W un subespacio vectorial de Rn y {u1, . . . , uk } una

base ortonormal de W , entonces:
154
1. Si x ∈ W ,

k
X
x= hx, ui i ui .
i=1
2. Si x ∈ Rn y definimos
k
X
z= hx, ui i ui ∈ W,
i=1
entonces (x−z)⊥w, ∀w ∈ W . Y en particular d(x, z) = mı́nw∈W d(x, w),

de hecho ∀w ∈ W \ {z}, d(x, z) < d(x, w).
Demostración.
1. Como {u1 , . . . , uk } es una base de W y x ∈ W , luego
k
X
x= αi ui .
i=0
Tomemos j ∈ {1, . . . , k} y calculemos el producto interno entre x y

uj :
* k +
X
hx, uj i = αi ui , uj
i=0
k
X
= αi hui , uj i .
i=0
Como el conjunto {u1 , . . . , uk } es ortogonal, se tiene que hui , uj i =

0, ∀i 6= j, de donde
hx, uj i = αj huj , uj i = αi · 1.
Repitiendo este procedimiento para todo j ∈ {1, . . . , k}, se concluye
que αj = hx, uj i
Xk
x= hx, ui i ui .
i=1
2. Sea x ∈ Rn , z = Pk
hx, ui i ui y w ∈ W , veamos:
i=1
* k k
+
X X
hx − z, wi = hx, wi − hz, wi = hx, wi − hx, ui i ui , hw, uj i uj ,
i=1 j=1
la última igualdad gracias a que w ∈ W . Ası́, usando las propiedades

del producto interno:
k X
X k
hx − z, wi = hx, wi − hx, ui i hw, uj i hui , uj i
i=1 j=1
155
y como {u1 , . . . , uk } es ortonormal, hui , uj i = 0, ∀i 6= j y

k
X
hx − z, wi = hx, wi − hx, ui i hw, ui i hui , ui i
i=1
k
X
= hx, wi − hx, ui i hw, ui i
i=1
* k
+
X
= hx, wi − x, hw, ui i ui = 0.
i=1
| {z }
w
Para probar que d(x, z) = mı́nw∈W d(x, w), sea w ∈ W distinto de z,

R
luego por el Teorema de Pitágoras en n , probado en el Ejercicio 2.4:
2 2 2
kx − zk + kx − zk = kx − wk .
2
Pero como kx − zk > 0, luego
2 2
kx − zk < kx − wk .
De esta manera
∀w ∈ W, d(x, z) = kx − zk < kx − wk = d(x, w),
de donde se concluye.
6.2. Proyecciones Ortogonales

La Proposición 6.2 motiva la definición proyección ortogonal sobre un sub-
R
espacio vectorial de n . Asumiremos por ahora el siguiente resultado, el
cual demostraremos en la Sección 6.4, que asegura la existencia de una
base ortonormal de cualquier subespacio vectorial de n . R
Proposición 6.3. Todo subespacio vectorial de Rn posee una base orto-
normal.
Definimos entonces:
Definición 6.2 (Proyección ortogonal sobre un s.e.v.). Sea W un Proyección ortogonal
R
subespacio vectorial n y {u1 , . . . , uk } una base ortonormal de W . Defi-
nimos la proyección ortogonal sobre W como la función
P: Rn −→ W
k
P
x 7−→ P (x) = hx, ui i ui ∈ W.
i=1
156
Observación: Notemos que esta definición es correcta, es decir que
P no depende de la base ortonormal considerada y que es función.
Gracias a la Proposición 6.2.2, sabemos que independiente de la base
ortonormal considerada para definirla, la proyección es aquella que mi-
nimiza la distancia de x a W . Ası́, si hubiese dos proyecciones z1 , z2 ,
asociadas a bases distintas y fuesen distintas, luego:
d(x, z1 ) < d(x, z2 ),
lo cual contradice la propiedad que satisface z2 .

De la misma manera se prueba que P es función.
Veamos ahora las propiedades de la proyección ortogonal:
Proposición 6.4. Sea W un subespacio vectorial de Rn y P su proyección

ortogonal asociada, entonces:
1. P es una transformación lineal.
2. ∀x ∈ Rn, ∀w ∈ W, (x − P (x))⊥w.
3. d(x, P (x)) = mı́nw∈W d(x, w).
Demostración. 2 y 3 se deducen de la Proposición 6.2. La demostración

de 1 queda de ejercicio. ◭ Ejercicio
6.3. Subespacio Ortogonal

Definición 6.3 (Subespacio ortogonal). Sea W un subespacio de Rn Subespacio ortogonal
definamos el ortogonal de W como: W⊥
W ⊥ = {u ∈ Rn | ∀w ∈ W hw, ui = 0}.
Proposición 6.5.
(i) W ⊥ es un subespacio de Rn .
(ii) Rn = W ⊕ W ⊥ . Rn = W ⊕ W ⊥
(iii) dim(W ⊥ ) = n − dim(W ).
Demostración.
R
(i) Sea u, v ∈ W ⊥ y λ ∈ , debemos probar que λu + v ∈ W ⊥ . Sea
w ∈ W:
hw, λu + vi = λ hw, ui + hw, vi = 0
lo que es válido para todo w ∈ W . Luego λu + v ∈ W ⊥ por lo tanto
W ⊥ es un subespacio vectorial de n .R
157
R
(ii) Es claro que W + W ⊥ ⊆ n . Para la otra inclusión, dado x ∈ Rn ,

basta notar que
x = P (x) + (x − P (x)).
En donde P es la proyección ortogonal sobre W . Ası́, P (x) ∈ W y
x− P (x) ∈ W ⊥ (gracias a la Proposición 6.4), de donde x ∈ W + W ⊥ .
Nos basta entonces probar que W ∩ W ⊥ = {0}. En efecto si x ∈
W ∩ W ⊥ , en particular es ortogonal a sı́ mismo, es decir hx, xi = 0,
de donde x = 0.
Se concluye entonces que Rn = W ⊕ W ⊥ .
(iii) Se deduce directamente de (ii).
6.4. Método de Gram-Schmidt

El objetivo de esta parte es asociar de forma “canónica” a un conjunto dado
R
de n , una base ortonormal del subespacio generado por él. Este método
es conocido con el nombre de Método de Gram-Schmidt.
Probaremos el siguiente teorema:
Teorema 6.1 (Gram-Schmidt). Dado un conjunto {v0 , . . . , vm } ⊆ Rn ,

existe un conjunto ortonormal {u0 , . . . , uk } tal que
h{v0 , . . . , vm }i = h{u0 , . . . , uk }i .
Demostración. La demostración de este teorema es precisamente el méto-

do Gram-Schmidt, que entrega un procedimiento algorı́tmico para construir
el conjunto buscado. Sea entonces {v0 , . . . , vm } un conjunto de vectores y
definimos el conjunto {u0 , . . . , uk } mediante el Algoritmo 1. Método Gram-Schimdt
Probemos que esta definición del {u0 , . . . , uk } cumple lo pedido. Lo haremos
por inducción en m.
Caso base. Para m = 0, si v0 = 0 luego w0 = 0 y el algoritmo

termina sin generar vectores uj . Esto es consistente con que la única
base de {0} es el conjunto vacı́o.
Si v0 6= 0, por ende w0 6= 0, se tiene el resultado ya que
v0
u0 = ,
kv0 k
que es claramente de norma 1 y además, como es ponderación de v0 ,

se tiene que h{u0 }i = h{v0 }i.
Paso inductivo. Supongamos que dado el conjunto {v0 , . . . , vm−1 },
el conjunto {u0 , . . . , uk−1 } es ortonormal y tal que
h{v0 , . . . , vm−1 }i = h{u0 , . . . , uk−1 }i .
158
Algoritmo 1 Método Gram-Schmidt
v
1: Partamos con w1 = kv1 k ∗.
1
2: Luego, proyectamos v2 sobre el subespacio generado por u1 :
z2 = hv2 , v1 i u1
y restamos esta proyección a v2 :
w2 = v2 − z2
w2
perpendicular a h{u1 }i y normalizamos, u2 = kw2 k ∗.
3: Luego podemos pasar a trabajar con v2
z3 = hv3 , u1 i u1 + hv3 , u1 i u2
w3 = v3 − z3 ,
w3
perpendicular a h{u1 , u2 }i y normalizamos, u3 = kw 3k
∗.
4: se sigue del mismo modo: una vez obtenidos {u1 , . . . , uk }, proyectamos
vk+1 sobre h{u1 , . . . , uk }i y definimos
k
X
zk+1 = hvk+1 , ui i ui
i=0
wk+1 = vk+1 − zk+1 ,
wk+1
perpendicular a h{u1 , . . . , uk }i y normalizamos, uk+1 = kw k+1 k
∗.
5: El proceso termina cuando hemos procesado todos los vi .
159
Con k = dim(h{v0 , . . . , vm−1 }i).

Veamos los dos casos posibles:
k−1
P
Si wk = 0, se tiene que vm = hvm , ul i ul , de donde vk ∈ h{u0 , . . . , uk−1 }i
l=0
y por ende
h{v0 , . . . , vm }i = h{u0 , . . . , uk−1 }i .
Y la base ortonormal generada es {u0 , . . . , uk−1 }.
Ahora si wk 6= 0, según el algoritmo, uk estará definido por:
k−1
!
wk 1 X
uk = = vm − hvm , ul i ul .
kwk k kwk k
l=0
Veamos entonces, para cualquier i ∈ {0, . . . , k − 1}

* k−1
! +
1 X
huk , ui i = vm − hvm , ul i ul , ui
kwk k
l=0
k−1
!
1 X
= hvk , ui i − hvm , ul i hul , ui i
kwk k
l=0
y por hipótesis de inducción, ∀l 6= i, hul , ui i = 0 y hui , ui i = 1, luego

1
huk , ui i = (hvm , ui i − hvm , ui i · 1)
kwk k
= 0.
Es decir, el conjunto {u0 , . . . , uk } es ortogonal, y como es claro que
∀i ∈ {0, . . . , k} kui k = 1, es además ortonormal.
Ahora, por construcción de uk se tiene
k−1
X
vm = kwk k uk + hvm , ul i ul
l=0
es decir, vm es combinación lineal de {u0 , . . . , uk }, lo que equivale a

vm ∈ h{u0 , . . . , uk }i. Ası́, gracias a la hipótesis inductiva, se tiene que
h{v0 , . . . , vm }i ⊆ h{u0 , . . . , uk }i . (6.1)

Por otra parte, uk es combinación lineal de vm y u0 , . . . , uk−1 , ya que
k−1
X hvm , ul i
1
uk = vm − ul .
kwk k kwk k
l=0
R tales que
k−1
P hvm ,ul i
Pero gracias a (6.1), existen α0 , . . . , αm ∈ kwk k ul =
l=0
m
P
αl ul . Ası́ uk ∈ h{v0 , . . . , vm }i y luego
l=0
h{u0 , . . . , uk }i ⊆ h{v0 , . . . , vm }i .
160
Obteniendo lo buscado.

Luego, por Principio de Inducción, se tiene el teorema.
Observación:
Notemos que como corolario del Teorema 6.1, se obtiene la Pro-
posición 6.3.
Además, el Teorema 6.1 puede ser aplicado en particular a una
R
base {v0 , . . . , vn−1 } de n .
Observación: ∗
Observar que si alguno de los vectores a normalizar, v1 o los wi , vale
0, significa que el vi correspondiente no aportará un nuevo vector a la
base, y simplemente se descarta, pasándose a trabajar con vi+1 .
Esto trae como consecuencia que el número de vectores ui sea menor
que el de los vj si estos últimos son l.d.
En general, esto hará que al procesar el k-ésimo vk , estemos producien-
do un ui , con i < k, pero no hemos introducido esto en la descripción
del algoritmo para no confundir la notación.
Ejemplo:
        
 0 1 1 1 

 0  ,  1  ,  1  ,  0  en

R3 .
1 0 1 1
 
1
0
u0 = v0 / hv0 , v0 i , como hv0 , v0 i = 1 se tiene u0 =  0 
2
1
  *   +    
1 1 0 0 1
w1 =  1  −  1  ,  0   0  =  1  .
0 0 1 1 0
 
1
1 1
hw1 , w1 i = 2 ⇒ u1 = √ w1 = √  1 
2 2 0
  *    +   *   +  
1 1 0 0 1 1 1
1 1
w2 =  1  −  1  ,  0   0  −  1  , √  1  √  1 
1 1 1 1 1 2 0 2 0
       
1 0 1 0
1 1
= 1 − 0 − √ √ · 21 = 0
1 1 2 2 0 0
161
1
w2 = 0, por ende ignoramos 1 y redefinimos w2 .

1
  *    +   *   +  
1 1 0 0 1 1 1
1 1
w2 =  0  −  0  ,  0   0  −  0  , √  1  √  1 
1 1 1 1 1 2 0 2 0
             
1 0 1 1 0 1 1
1 1 1 1
= 0 − 0 − √ √ 1 = 0 − 0 − 1 =  −1  .
2 2 0 2 2
1 1 1 1 0 0
1 1
Como hw2 , w2 i = 4 + 4 = 21 , luego
 
1
1
u2 = √ −1  .
2 0
6.5. Producto Hermı́tico

Ahora, extendemos el producto interno de h·, ·i : Rn×Rn → R a h·, ·iH : Cn ×
Cn
C
→ , de la siguiente forma.
! !
u1 v1
Definición 6.4 (Producto Hermı́tico). Dados u = .. ,v = .. ∈ Producto Hermı́tico,
. .
hu, viH
Cn ,
un vn
n
X
hu, viH = uj vj .
j=1
◭ Ejercicio
Ejercicio 6.1: Probar que el producto hermı́tico satisface: ∀λ ∈

C C
, u, v, w ∈ n
1. hu, viH = hv, uiH .
2. hλu + v, wiH = λ hu, wiH + hv, wiH .
3. hu, uiH ∈ R, más aún hu, uiH ≥ 0 y hu, uiH = 0 ⇐⇒ u = 0.
De 1 y 2, se deduce que
hu, λv + wiH = λ̄ hu, viH + hu, wiH .
Observación: Los conceptos de ortogonalidad, proyección ortogonal,

subespacio ortogonal y el método de Gram-Schmidt, pueden desarro-
C
llarse también en n , como espacio vectorial sobre . C
162
SEMANA 13: ORTOGONALIDAD

6.6. Espectro de una matriz simétrica
R
Sea A ∈ Mnn ( ) una matriz simétrica entonces
∀u, v ∈ Rn hAu, vi = hu, Avi. (6.2)

t t t t
En efecto, hAu, vi = (Au) v = u A v = u Av = hu, Avi
R
Probemos ahora que si A ∈ Mnn ( ) satisface 6.2 entonces A es simétrica.
Esto se deduce del siguiente hecho fácil de probar: si {e1 , . . . , en } la base
R
canónica de n y A es una matriz de n × n entonces
hAei , ej i = aji . (6.3)

Utlizando esta propiedad y 6.2 se obtiene que
aij = hAej , ei i = hej , Aei i = hAei , ej i = aji ,
donde además se usa el hecho que el producto interno en Rn es simétrico.
C
Dada A ∈ Mnn ( ), definimos la matriz adjunta de A, A∗ , de la siguiente Adjunta, A∗
forma:
∀k, ℓ (A∗ )kℓ = aℓk .
Ejemplo:

1 i 1 2−i
A= A∗ =
2+i 3 −i 3
Decimos que A es hermı́tica si A = A∗ , notar que si A ∈ Mnn ( ) entonces R Hermı́tica

A = A∗ ⇔ A = At .
De forma análoga al caso simétrico se prueba que

∀u, v ∈ Cn hAu, viH = hu, AviH
si y sólo si A es hermı́tica. Ası́, en particular, ∀u, v ∈ Cn hAu, viH =
R
hu, AviH si A ∈ Mnn ( ) y A es simétrica.
C
Sea A ∈ Mnn ( ) entonces el polinomio caracterı́stico p(λ) = |A − λI| es
un polinomio de grado n con coeficientes complejos y por lo tanto tiene n
C
raı́ces en (con posibles repeticiones). Denotaremos por
σ(A) = {λ ∈ C/|A − λI| = 0}
al conjunto de las raices del polinomio caracterı́stico. Este conjunto lo lla-
R
maremos el espectro de A. Como Mnn ( ) ⊆ Mnn ( ) podemos definir de C espectro, σ(A)
igual manera el espectro de A, para A ∈ Mnn ( ). R
En general el espectro de A es un subconjunto de , aún cuando A ∈ C
R
Mnn ( ), como lo muestra el próximo ejemplo.
163
Ejemplo:



0 1 0
B = −1 0 0 
0 0 1
 
−λ 1 0
B − λI = −1 −λ 0  |B − λI| = (1 − λ){λ2 + 1}
0 0 1−λ
Las raı́ces son λ = 1 λ = ±i. Si B es considerada como matriz de
R
coeficientes reales (es decir estamos trabajando en n ) B tiene un sólo
valor propio que es 1. Si el cuerpo considerado es C entonces B tiene
3 valores propios 1, i, −i. En cualquier caso el espectro de B es σ(B) =
{1, i, −i}.
C
Teorema 6.2. Sea A ∈ Mnn ( ) hermı́tica entonces el espectro de A es
subconjunto de .R
Demostración. Sea λ ∈ σ(A) (en general λ será complejo) entonces, |A−

C
λI| = 0, es decir A − λI no es invertible, luego debe existir v ∈ n , v 6= 0
tal que (A − λI)v = 0. Por lo tanto
hAv, viH = hλv, viH = λ hv, viH ,
pero
hAv, viH = hv, AviH = hv, λviH = λ̄ hv, viH
R
como v 6= 0 hv, viH 6= 0 entonces λ = λ̄ es decir λ ∈ . Se tiene que para A
hermı́tica el polinomio caracterı́stico p(λ) = |A − λI| tiene todas sus raı́ces
reales.
R
Corolario 6.1. Si A ∈ Mnn ( ) es simétrica entonces σ(A) ⊆ R.
C
Teorema 6.3. Si A ∈ Mnn ( ) es hermı́tica y λ1 6= λ2 son valores propios
y v1 , v2 son vectores propios asociados a λ1 y λ2 respectivamente entonces
hv1 , v2 iH = 0.
Demostración. Consideremos hAv1 , v2 iH = hλ1 v1 , v2 iH = λ1 hv1 , v2 iH ,

pero hAv1 , v2 iH
R
= hv1 , Av2 iH = hv1 , λ2 v2 iH = λ̄2 hv1 , v2 iH pero λ2 ∈ y por tanto
(λ1 − λ2 ) hv1 , v2 iH = 0, como λ1 6= λ2 , hv1 , v2 iH = 0.
164
R C
Notemos que si u, v ∈ n ⊆ n , entonces hu, viH = hu, vi, por lo tanto se

obtiene el siguiente corolario importante.
R
Corolario 6.2. Vectores propios de A ∈ Mnn ( ), simétrica, asociados a
valores propios distintos son ortogonales.
Definición 6.5 (Transformación simétrica). Sea W un subespacio de Transformación

Rn y L : W → W una aplicación lineal, diremos que L es simétrica (en simétrica
W ) si
∀u, v ∈ W hL(u), vi = hu, L(v)i
R R
Lema 2. L : n → n es simétrica si y sólo si la matriz representante
R
con respecto a la base canónica de n es simétrica.
Demostración. Si A es la matriz representante de L con respecto a la

base canónica entonces L(u) = Au de donde
hL(u), vi = hAu, vi hu, L(v)i = hu, Avi ,
luego L es simétrica si y sólo si A es simétrica.
◭ Ejercicio
Ejercicio 6.2: Sea W subespacio vectorial de Rn y L : W → W lineal,

probar que:
1. Si B = {u1 , . . . , un } es una base ortonormal de W , entonces
L simétrica ⇔ MBB (L) simétrica.
2. Si B = {u1 , . . . , un } es una base de W y
ϕ: W −→ Rn α1
!
Pk ..
x= i=0 αi ui 7−→ ϕ(x) = . .
αk
Entonces x es vector propio de L asociado al v.p. λ si y sólo si

ϕ(x) es vector propio de MBB (L) asociado al v.p. λ.
Ahora estamos en posición de probar uno de los teoremas más importantes

de la sección.
R
Teorema 6.4. Sea W subespacio de n , dim W ≥ 1 y L : W → W lineal,
simétrica, entonces existe una base ortonormal de W de vectores propios
de L.
165
Demostración. Por inducción sobre la dimensión de W . Si dim W = 1.
Entonces W = h{v}i, con v 6= 0. Notemos que
L(v) ∈ W = h{v}i ,
luego existe λ ∈ R
tal que L(v) = λv. Es decir, λ es un valor propio de L
y v vector propio de L.
Definiendo
1
ṽ = v,
kvk
se tendrá Lṽ = λṽ y además {ṽ} es una base ortonormal de W . Esto prueba
el caso en que la dimensión sea 1.
Supongamos que la propiedad es cierta para espacios de dimensión k−1, por

demostrar que es cierta para espacios de dimensión k. Sea W subespacio
de dimensión k y L : W → W lineal simétrica. Sea B = {w1 , . . . , wk }
base ortonormal de W , gracias al Ejercicio 6.2 la matriz MBB (L) ∈ k es R
simétrica, por lo que tiene todos sus valores propios reales.
Sea λ0 un valor propio cualquiera, por lo tanto existe un vector z =
(z1 , . . . , zk )t 6= 0, tal que MBB (L)z = λ0 z.
Sea v = z1 w1 + z2 w2 + · · · + zk wk ∈ W . Como v 6= 0 (pues z 6= 0 y
{w1 , . . . , wk } es l.i.), luego gracias a la parte 2 del Ejercicio 6.2, es vector
propio de L (ya que ϕ(v) = z).
Sea W̃ = {u ∈ W | hu, vi = 0} el ortogonal de h{v}i con respecto a W . Se
tiene que k = dim W = 1 + dim W̃ lo que implica que dim W̃ = k − 1
Sea u ∈ W̃ ⇒ hL(u), vi = hu, L(v)i = hu, λ0 vi = λ0 hu, vi = 0, luego
L(W̃ ) ⊆ W̃ . Tomemos
L̃ : W̃ → W̃
(la restricción de L a W̃ ),
u → L̃u = Lu
entonces L̃ es lineal y simétrica. Verifiquemos que L̃ es simétrica. Consi-

deremos u, w ∈ W̃
D E D E
L̃(u), w = hL(u), wi = hu, L(w)i = u, L̃(w) ,
es decir L̃ es simétrica en W̃ . Como dim W̃ = k − 1 se tiene por hipótesis

de inducción que existe una base ortonormal de W̃ de vectores propios de
L̃: {w̃1 , . . . , w̃k−1 }, es decir L(wi ) = L̃(w̃i ) = λi w̃i luego w̃1 , . . . , w̃k−1 son
vectores propios de L. Finalmente, consideremos

′ v
B = , w̃1 , . . . ., w̃k−1
kvk
es una base ortonormal de W , de vectores propios de L, y por lo tanto el
resultado queda demostrado.
166
R
Corolario 6.3. Sea A ∈ Mnn ( ), simétrica, entonces A es diagonalizable

y más aún, A = P DP t donde P = (v1 , . . . , vn ) y B ′ = {v1 , . . . , vn } es una A = P DP t
base ortonormal de vectores propios de A. D es la matriz diagonal de los
valores propios correspondientes.
Demostración. Sea L(x) = Ax, entonces L es simétrica. Por el teorema

anterior existe una base ortonormal B ′ = {v1 , . . . , vn } de vectores propios.
−1
Luego Aes diagonizable y más aún A = P DP donde P = (v1 , v2 , . . . , vn )
λ1 0
y D= ··· . Resta por demostrar que P −1 = P t . Calculemos
0 λn

t t 1 i=j
(P P )ij = vi vj = hvi , vj i = ,
0 i 6= j
por lo tanto P t P = I.
Una matriz que satisface P −1 = P t se denomina ortogonal o unitaria. Matriz ortogonal o

unitaria
◭ Ejercicio
Ejercicio 6.3: Verificar que P es ortogonal si y sólo si
∀u, v ∈ Rn hP u, P vi = hu, vi .
Entonces si P es ortogonal kP uk2 = hP u, P ui = hu, ui = kuk2, es decir, P

preserva la norma.
Notemos que no hay unicidad en la base de vectores propios y por lo tanto
una matriz diagonalizable A puede descomponerse de la forma “P DP −1 ”
de muchas maneras. Lo que probamos para una matriz simétrica es que se
puede tomar una base ortonormal de vectores propios y que para esta base
se tiene la descomposición “P DP t ”.
◭ Ejercicio

Ejercicio 6.4: Probar que Pθ =
cosθ
−senθ
senθ
cosθ
es unitaria en R2 .
Ejemplo:
 
2 0 0
A = 0 2 0
0 0 1
los valores propios son λ = 2 y λ = 1 en efecto:
167
 
2−λ 0 0


|A − λI| =  0 2−λ 0  = (2 − λ)2 (1 − λ).
0 0 1−λ
Calculemos el espacio propio de λ = 2.
  
0 0 0 x
0 = (A − 2I)u =  0 0 0   y  ,
0 0 −1 z
  
 x 
luego W2 =  y  | z = 0 . Determinemos W1 :
 
z
  
1 0 0 x
0 = (A − I)u =  0 1 0   y  ,
0 0 0 z
  
 x 
es decir W1 =  y  | x = y = 0 . Por lo tanto una base de vectores
 
z
propios es:
      
 1 1 0 
B′ =  0  ,  1  ,  0 
 
0 0 1
   
1 1 0 1 −1 0
P =  0 1 0  P −1 =  0 1 0 
0 0 1 0 0 1
   
1 1 0 2 0 0 1 −1 0
A = 0 1 00 2 00 1 0
0 0 1 0 0 1 0 0 1
Pero A también posee una base ortonormal de vectores propios:
     
 1 0 0 
0,1, 0
 
0 0 1
   
1 0 0 2 0 0 1 0 0
A = 0 1 00 2 00 1 0.
0 0 1 0 0 1 0 0 1
Observación: Cabe señalar que en el caso de que si no hubiese sido

sencillo obtener a simple vista una base ortonormal del subespacio propio
asociado a λ = 2, podemos utilizar el método de Gram-Schmidt en dicho
subespacio. En general, la base ortonormal de vectores propios de n R
(que sabemos existe en el caso de A simétrica) puede obtenerse utilizando
Gram-Schmidt en cada subespacio propio.
168
El Teorema 6.4 también es cierto para L(x) = Ax, con A hermı́tica, y la

demostración es análoga.
Ejemplo:
Veamos el caso de las proyecciones ortogonales.
R
Dado W subespacio de n consideremos W ⊥ el ortogonal de W . Enton-
R R R
ces n = W ⊕ W ⊥ . Sea además P : n → n , la proyección ortogonal
sobre W .
Esta funcion P verifica
1. P 2 = P .
En efecto: P (u) = w ∈ W luego w = w + 0 es la única descompo-
sición, de donde
P P (u) = P (w) = w.
Se tiene además P (I − P ) = 0.
2. Im(P ) = W y Ker(P ) = W ⊥ .
En efecto, es claro que Im(P ) ⊆ W . Por otro lado, si w ∈
W P (w) = w, luego Im(P ) = W . Ahora si v ∈ W ⊥ v = 0 + v es
la descomposición única y por tanto P (v) = 0, ası́ W ⊥ ⊆ Ker(P ).
Sea v ∈ Ker(P ), luego P (v) = 0 y por tanto v = 0 + v es decir
v ∈ W ⊥.
3. P es simétrica.
En efecto sean u1 = w1 + v1 , u2 = w2 + v2 , luego
hP (u1 ), u2 i = hw1 , w2 + v2 i = hw1 , w2 i + hw1 , v2 i = hw1 , w2 i =
hw1 + v1 , w2 i = hu1 , P (u2 )i
4. Los valores propios de P son 0 ó 1.

Sea P (u) = λu, u 6= 0, entonces como P 2 = P se tiene P (u) =
P 2 (u) = P (P (u)) = P (λu) = λP (u) = λ2 u. De donde (λ2 − λ)u =
0. Como u 6= 0 λ2 − λ = 0 entonces λ = es 0 ó 1.
Identificaremos P con su matriz representante respecto a la base canóni-

ca. Dado que P es simétrica P = ΓDΓt con Γ ortogonal y D satisface:
 
1
 ..   
 . 
  Ir 0
 1   
D= =
 0 
 ..  0 0
 . 
0
Como P y D son similares tienen el mismo rango, ası́ r = r(P ) =

dim(Im(P )) = dim(W ). Γ puede construirse de la siguiente forma: Γ =
169
(Γ1 , . . . , Γn ). Escogemos {Γ1 , . . . , Γr } una base ortonormal de W , la cual
R

completamos a una base ortonormal de n {Γ1 , . . . , Γn }.
Puede comprobarse directamente que I − P es la proyección ortogonal
sobre W ⊥ .
170
Guı́a
Ejercicios

1. Sea W subespacio vectorial de Rn y L : W → W lineal, probar que: Ejercicio 6.2
(a) Si B = {u1 , . . . , un } es una base ortonormal de W , entonces
L simétrica ⇔ MBB (L) simétrica.
(b) Si B = {u1 , . . . , un } es una base de W y
ϕ: W −→ Rn α1
!
Pk ..
x= i=0 αi ui 7−→ ϕ(x) = . .
αk
Entonces x es vector propio de L asociado al v.p. λ si y sólo si ϕ(x)

es vector propio de MBB (L) asociado al v.p. λ.
2. Verificar que P es ortogonal si y sólo si Ejercicio 6.3
∀u, v ∈ Rn hP u, P vi = hu, vi .

3. Probar que Pθ =
cos θ
− sen θ
sen θ
cos θ
es ortogonal en R2 . Ejercicio 6.4
Problemas
P1. Considere la matriz A ∈ M33 ( ) R siguiente,
 
2 1 1
A = 1 2 −1 .
1 −1 2
(a) Calcular los valores propios de A.

(b) Calcular una base de vectores propios de A.
R
(c) Encontrar una matriz P ∈ M33 ( ) y D ∈ M33 ( ), D diagonal, R
tal que A = P DP t .
(d) ¿Es A una matriz invertible?, justifique su respuesta.
0
R
P2. (a) Sea A ∈ M33 ( ). Se sabe que A es simétrica y que 0 es vector
1
propio de A asociado al valor propio 2, y además la dimensión del
Ker(T ) es igual a 2. Calcular A.
1 a 0
(b) Sea A = 0 1 a , donde a es un parámetro real. Calcule los valores
R
0 0 3
de a ∈ para los cuales la matriz A es diagonalizable.
P3. Sean v1 , . . . , vk ∈ Rn ortogonales y de norma 1, sean α1 , . . . , αk ∈
R\ {0}, y
A = α1 · v1 v1t + · · · + αk · vk vkt ∈ Mnn ( ). R

171
⊥
(a) Pruebe que Im(A) = h{v1 , . . . , vk }i, que Ker(A) = h{v1 , . . . , vk }i ,

y determine r(A), es decir el rango de A.
(b) Sea {w1 , . . . wn−k } base ortonormal del Ker(A). Demuestre que
R
{v1 , . . . , vk , w1 , . . . wn−k } es una base de n de vectores propios
de A. Especifique cuál es el valor propio correspondiente a cada
uno de estos vectores propios.

5/4 −3/4
(c) Sea A = −3/4 5/4 . Determine {v1 , v2 } base ortonormal de 2 R
R
y α1 , α2 ∈ tales que
A = α1 · v1 v1t + α2 · v2 v2t .
172
SEMANA 14: FORMAS CUADRÁTICAS

7. Formas cuadráticas
7.1. Formas cuadráticas y matrices definidas positivas
En esta sección estudiaremos las formas cuadráticas inducidas por una ma-
triz simétrica. Las formas cuadráticas aparecen en varias aplicaciones en
matemáticas. Una de ellas es la caracterización de mı́nimos o máximos
para funciones de varias variables. Nosotros nos interesaremos en la carac-
terización de matrices definidas positivas. Al final del capı́tulo estudiaremos
las cónicas en 2 . R
Definición 7.1 (Forma cuadrática). R
Dada A ∈ Mnn ( ) simétrica, Forma cuadrática,
definimos: xt Ax
q: n→ R R
x 7→ q(x) = xt Ax.
q es llamada una forma cuadrática en Rn .
R
Notemos que una forma cuadrática en n es homogénea de grado 2,
R
es decir, ∀x ∈ n q(λx) = λ2 q(x). En efecto, q(λx) = (λx)t A(λx) =
λxt Aλx = λ2 xt Ax = λ2 q(x).
Ejemplo:

q: R 2
→ R, q(x1 , x2 ) = x21 + 2x1 x2 + x22 = (x1 , x2 )
1 1
1 1
x1
x2
.
Se tiene q(1, −1) = 0, en realidad q(x1 , −x1 ) = 0.
Definición 7.2 ((Semi)Definida positiva/negativa). Sea A ∈ Mnn ( ), R (Semi)Definida

simétrica diremos que positiva,
(Semi)Definida
A es definida positiva si ∀x 6= 0 xt Ax > 0. negativa
A es semidefinida positiva si ∀x xt Ax ≥ 0.
A es definida negativa ∀x 6= 0 xt Ax < 0.
A es semidefinida negativa ∀x xt Ax ≤ 0.
Notar que A es definida (semidefinida) positiva ssi −A es definida (semide-

finida) negativa.
173
Ejemplo:

q(x) = 2x21 + 2x1 x2 + 2x22 = (x1 + x2 )2 + x21 + x22

2 1 x1
= (x1 x2 )
1 2 x2

2 1
A = es definida positiva, en efecto, si q(x) = 0 ⇒ x21 =
1 2
2
0, x2 = 0, luego x1 = x2 = 0.
R
Teorema 7.1. Supongamos que A ∈ Mnn ( ) es simétrica. Entonces las
siguientes proposiciones son equivalentes.
1. ∀x 6= 0 x t Ax > 0 (A es definida positiva)
2. Los valores propios de A son positivos.
3. Sea  
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A=
 ...


an1 an2 ··· ann
 
a11 a12 a13
a11 a12
A(1) = [a11 ] A(2) = A(3) =  a21 a22 a23  . . .
a21 a22
a31 a32 A33
. . . A(n) = A
entonces |A(1) | = a11 > 0 , |A(2) | > 0, · · · |A(i) | > 0 · · · |A(n) | =
|A| > 0
4. El método de Gauss utilizando sólo operaciones elementales del ti-

po Epq (α, 1); p < q permite escalonar A y además los pivotes son
siempre positivos.
Demostración. (1) ⇒ (2).

Sea λ un valor propio de A y v 6= 0 un vector propio correspondiente al
valor propio λ.
0 < v t Av = v t (λv) = λv t v = λkvk2 ⇒ λ > 0
174
(2) ⇒ (1). Sabemos que por ser A simétrica tiene la descomposición A =

P DP t , donde las columnas de P son una base ortonormal de vectores pro-
pios y D es la diagonal de los valores propios respectivos. Ası́
xt Ax = xt P DP t x = (P t x)t DP t x,
entonces si definimos z = P t x se tendrá que en términos de estas nuevas

variables la forma cuadrática queda
xt Ax = z t Dz = λ1 z12 + · · · + λn zn2 ≥ 0,
pues los valores propios son positivos. Más aún la única forma en que esta
suma de cuadrados sea cero es que z1 = · · · = zn = 0 es decir z = 0, pero
entonces P t x = 0 ⇒ x = P 0 = 0 (recordemos que P −1 = P t ).
a!
0
(1) ⇒ (3). Sea a 6= 0 y definamos x = .. , entonces
.
0
n
X n
X n
X
0 < xt Ax = xi (Ax)i = xi aij xj
i=1 i=1 j=1 .
2
= a a11 , luego a11 > 0
Sea v = (v1 , . . . , vk )t ∈ Rk , tomemos x = (v1, . . . , vk , 0, . . . , 0)t ∈ Rn

n
X k
X
xt Ax = xi xj aij = vi vj aij = v t A(k) v
i,j=1 i,j=1
si v 6= 0 se tiene x 6= 0, luego v t A(k) v = xt Ax > 0 es decir A(k) es definida

positiva.
De donde A(1) , A(2) , . . . , A(n) = A son todas definidas positivas. Pero una
matriz definida positiva tiene todos sus valores propios positivos (por lo ya
demostrado). Como el determinante es el producto de los valores propios
entonces el determinante es positivo. Luego
|A(1) | > 0, . . . , |A(n) | > 0.
(3) ⇒ (4).
Por inducción sobre i a11 > 0 es el primer pivote. En la etapa i tendremos
 
a11 ã12 ··· ã1i · · · ã1n
 .. .. 
 0 ã22 . . 
 . .. .. 
 .. . ãi−1i−1 .   
  B1 B2
 .. 
Ãi = 
 0 ··· ··· 0 ãii

. = .
 ..  B3 B4
 0 ··· ··· 0 ãii+1 . 

 . .. .. .. .. 
 .. . . . . 
0 ··· ··· 0 ãin ãnn
175
Donde B1 : i × i, B2 : i × n − i, B3 : n − i × i, B4 : n − i × n − i. Por hipótesis

de inducción, se obtuvo Ãi mediante el algoritmo de Gauss, sin utilizar
permutacionesQ de filas pues todos los pivotes ã11 , . . . , ãi−1i−1 son positivos.
Ası́, Ãi = ( Ek )A donde Ek son matrices simples del tipo Ep,q (α, 1) que
k
Q y triangulares inferiores con diagonal 1. Por tanto A = C · Ãi

son invertibles
donde C = ( Ek )−1 es también triangular inferior con unos en la diagonal.
k
Ası́ si C = C 1 C2
C3 C4 donde C1 : i×i, C2 : i×n−i, C3 : n−i×i, C4 : n−i×n−i,
se tendrá C2 = 0 y además C1 es triangular inferior con diagonal 1, y por
lo tanto |C1 | = 1. Luego:
    
C1 0 B1 B2 C1 B1 C1 B2
A=  = .
C2 C3 B3 B4 C2 B1 + C3 B3 C2 B2 + C3 B4
Por lo tanto A(i) = C1 B1 , de donde 0 < |A(i) | = |C1 B1 | = |C1 ||B1 | =
i
Q
|B1 |. Por otro lado B1 es triangular superior, luego |B1 | = ãjj , pero
j=1
ã11 , ã22 , . . . , ãi−1i−1 > 0 se concluye, ãii > 0. Ası́ el método de Gauss no
necesita intercambiar filas y además todos los pivotes son > 0.
(4) ⇒ (1).
Como todos los pivotes son positivos y no hay que hacer intercambios de
filas se tendra que A = LDU , con L triangular inferior D diagonal y U
triangular superior. U y L tienen 1 en la diagonal y dii = ãii . Como A es
simétrica U = Lt entonces
√ √ √
A = LDLt = (L D) ( DLt ) = RRt , con R = L D
y
√ 
ã11 √ 0
√  ã22 
D=
 .. .

.
√
0 ãnn
Dado que |A| = |Ã| = ã11 ã22 , . . . , ãnn > 0 entonces 0 < |A| = |RRt | = |R|2
luego |R| =
6 0, y por lo tanto R es invertible y ası́ su traspuesta.
xt Ax = xt (RRt )x = (Rt x)t Rt x = kRt xk2 .

Si x 6= 0 ⇒ Rt x 6= 0 pues Rt es invertible luego kRt xk2 > 0 de donde
xt Ax > 0 si x =
6 0 es decir A es definida positiva.
Hemos probado de paso la que toda matriz definida positiva tiene la si-
guiente descomposición.
Definición 7.3 (Descomposición de Cholesky). Decimos que A ∈ Mnn ( ) Descomposición de R
admite una descomposición de Cholesky si existe R matriz triangular infe- Cholesky
rior, con diagonal estrictamente positiva tal que
A = RRt .
176
Notemos que A es definida positiva ssi ∃R triangular inferior con diagonal

no nula tal que:
A = RRt .
Observación: Hay que hacer una precisión sobre la propiedad 4 del

teorema anterior. Es fácil ver que la matriz

2 1
A= ,
1 2
es definida positiva, pero si al escalonar utilizamos E12 ( 12 , −1) obte-

nemos la matriz escalonada

2 1
,
0 − 32
y los pivotes no son todos positivos!. Sin embargo si utilizamos

E12 (− 21 , 1) obtenemos
2 1
Ã = .
0 23
Por lo tanto es importante recordar que para estudiar si una matriz es
definida positiva las operaciones elementales permitidas son Epq (α, 1).
7.2. Formas canónicas

Sea q(x) = xt Ax una forma cuadrática. Como A es simétrica, entonces
A = P DP t donde P = (v1 , · · · , vn ) con {v1 , · · · , vn } una base ortonormal
de vectores propios de A y
 
λ1 0
 λ2 
D=  .. ,

.
0 λn
siendo λ1 , . . . , λn los valores propios de A.
Sea y = P t x entonces
n
X
xt Ax = xt P DP t x = y t Dy = λi yi2
i=1
Ası́ haciendo este cambio de variables la forma cuadrática tiene la expresión
q̃(y) = λ1 y12 + λ2 y22 + · · · + λn yn2 .
Ejemplo:
√ !
√ 1 3
q(x) = x21 + 2x22 + 3x1 x2 = xt √
3
2 x.
2 2
177
Consideremos A la matriz que define esta forma cuadrática.

√ !
3
1 2
A = √3 ,
2 2
Calculemos los valores y vectores propios:
√ !
3 3
1√ −λ 2
|A − λI| = 3
= (1 − λ)(2 − λ) − = 0.

2 2−λ 4
Luego el polinomio caracterı́stico es

5
λ2 − 3λ + = 0,
4
cuyas raices son
√ (
5
3± 9−5 3±2 λ1 = 2
λ= = = 1
2 2 λ2 = 2
Calculemos los vectores propios:

λ = 25 ! !
√ √
5 3 3
5 1− − 23
A− I = √ 2 2 = √ 2
3 5 3
2
2 2− 2 2 − 21
las filas son ℓ.d. (¿ por qué?) luego
√
5 3 3 √
(A − I)v = 0 ⇐⇒ − v1 + v2 = 0 ⇔ v2 = 3v1 .
2 2 2
√
Sea v1 = 1, v2 = 3, un vector propio colineal de largo uno es:

1 √1
w1 = .
2 3
1
λ= 2
√ !
1 3
1
A− I = √2 2
2 3 3
2 2
y por lo tanto
√
1 1 3 √
(A − I)v = 0 ⇐⇒ v1 + v2 = 0 ⇔ v1 = − 3v2 .
2 2 2
Un vector propio de largo uno es:
√
1 − 3
w2 = ,
2 1
y una base de ortonormal de vectores propios está formada por {w1 , w2 }.
Se tiene que
√ ! √ ! √ !
3 1 3 5 1 3
1 − 0
A = P DP t = √3 2 = √23 2 2
1 √2 2 .
2 1 0 2 − 3 1
2 2 2 2 2
178
Consideremos el cambio de variables:

√ !
1 3
y1 x1
y= = P t x = √23 2 .
y2 − 2 1 x2
2
La forma cuadrática en términos de y es q̃(y) = 52 y12 + 21 y22 . El cambio

de coordenadas de x a y corresponde a una rotación (¿en qué ángulo?).
Volvamos al caso general. En el sistema y = P t x, la forma cuadrática se

escribe como
n
X p
X r
X
q̃(y) = λi yi2 = λi yi2 + λi yi2
i=1 i=1 i=p+1
donde:
λ1 , . . . , λp son > 0, λp+1 , . . . , λr son < 0, λr+1 = · · · = λn = 0.
Definamos p
zi = λi yi i = 1, . . . , p
p
zi = −λi yi i = p + 1, . . . , r
zi = yi i = r + 1, . . . , n
es decir,
 √λ 0
1 √
 λ2 
 .. 
 . 
 p 
 λp 
 p 
 
 −λp+1 
z=  ..
 y = Qy.

 . 
 √ 
 −λr 
 
 1 
 .. 
 . 
0 1
luego tenemos z = QP t x. En las nuevas variables z, es la forma cuadrática:
q̂(z) = z12 + z22 + · · · + zp2 − zp+1

2 2
− zp+2 · · · − zr2 ,
donde r corresponde al rango de A. El número 2p − r = número de valores

propios positivos menos el número de valores propios negativos, es llamada
la signatura.
El cambio de coordenadas y = P t x corresponde a una rotación de sistemas

de coordenadas. El cambio z = Qy corresponde a dilatar y contraer ciertas
direcciones (homotecia). q q
5 1
En nuestro ejemplo z1 = 2 y1 z2 = 2 y2
179
r r

5 2 1 2 5 1
z12 + z22 =( y1 ) + ( y2 ) = y12 + y22
2 2 2 2
Para ubicar el nuevo sistema, con respecto al inicial, consideremos el pro-

blema en dos etapas. En el cambio y = P t x, el eje correspondiente a “y1 ”
está en la dirección “x” tal que
   
1 1
 0   0
P tx =    
 ...  luego x = P  ...  = v1 ,
0 0
la primera columma de P que corresponde al primer vector propio. De igual

forma el i-ésimo eje del sistema de coordenadas “y” es el i-ésimo vector
propio vi . De igual forma el sistema de coordenadas “z” tiene sus ejes en
las direcciones v1 , . . . , vn , solamente que algunos ejes se han contraı́do y
otros expandido.
Hemos probado el siguiente resultado
Teorema 7.2. Sea xt Ax una forma cuadrática, existe L invertible tal que
si z = Lx, entonces en términos de las variables z la forma cuadrática se
expresa como q̂(z) = z12 + · · · + zp2 − (zp+1
2
+ · · · + zr2 ), donde r=rango A =
número de valores propios 6= 0, p = número de valores propios > 0.
7.3. Cónicas en R 2
Una cónica en R2 es el conjunto solución de una ecuación del tipo

ax2 + by 2 + 2cxy + dy + f x = e
o en forma matricial

a c x x
(x, y) + (d, f ) = e = v t Av + g t v = e,
c b y y
donde
xa cd
A= , g= , v=
yc bf

t λ1 0
Supongamos que A = P DP , con D = y P = (v1 v2 ). Entonces
0 λ2
la ecuación de la cónica es:
e = v t P DP t v + g t v = v t P DP t v + gP P t v.
180
Sea u = P t v. En este nuevo sistema de coordenadas la ecuación de la cónica

es:
f˜
e = ut Du + g̃ t u con g̃ = P t g = ˜ .
d
La expresión que toma la cónica es entonces
e = λ1 u21 + λ2 u22 + f˜u1 + du

˜ 2
1. λ1 = λ2 = 0 (⇔ a = b = c = 0)
El conjunto solución es {(x, y)/dy + f x = e} que en general es una
recta (pudiendo ser vacı́o si d = f = 0 y e 6= 0).
2. El caso interesante es cuando λ1 6= 0 o λ2 6= 0, llamemos
u′1 = u1 − α
u′2 = u2 − β
λ1 (u′1 + α)2 + λ2 (u′2 + β)2 + f˜(u′1 + α) + d(u

˜ ′ + β) = e
2
λ1 (u′1 )2 + λ2 (u′2 )2 + u′1 {2λ1 α + f˜} + u′2 {2βλ2 + d}

˜ = ẽ
con ẽ = e − (λ1 α2 + λ2 β 2 + f˜α + dβ)

˜
Si λ1 = 0 (λ2 6= 0) tomemos: β = − 2λd̃2 , α = 0 se llega a la ecuación
λ2 (u′2 )2 + f˜u′1 = ẽ.
Si f˜ = 0 (u′2 )2 = λẽ2 . Ası́, el conjunto solución serán dos rectas

q
paralelas: u′2 = ± λẽ2 si λẽ2 ≥ 0 (que en realidad es una sola si ẽ = 0)
o será vacı́o si ẽ < 0. Si f˜ 6= 0
λ2
ẽ−λ (u′ )2
u′1 = 2
f˜
2
, que corresponde a una parábola, en las coordenada
′ ′
u1 , u2 . El caso λ1 6= 0 λ2 = 0 es totalmente análogo.
˜ ˜
Falta ver el caso λ1 = 6 0 y λ2 6= 0, tomamos α = − 2λf 1 y β = − 2λd2 .
En el sistema u′1 , u′2 tenemos la ecuación
λ1 (u′1 )2 + λ2 (u′2 )2 = ẽ
3. λ1 > 0, λ2 > 0, ẽ ≥ 0; o λ1 < 0, λ2 < 0, ẽ ≤ 0 la solución es una elipse

(una circunferencia si λ1 = λ2 ) en el sistema u′1 , u′2 Si λ1 > 0, λ2 >
0, ẽ < 0; o λ1 < 0, λ2 < 0, ẽ > 0 no hay solución.
181
4. λ1 > 0 y λ2 < 0 podemos suponer que ẽ ≥ 0 de otra manera multi-

plicamos por −1
λ1 (u′1 )2 − |λ2 |(u′2 )2 = ẽ, que corresponde a una hipérbola con eje de
simetrı́a el eje u′1 . El caso λ1 < 0, λ2 > 0, ẽ ≥ 0 el conjunto solución
es una hipérbola con eje de simetrı́a u′2 .
Notemos que en general el sistema (u1 , u2 ) corresponde a una rotación con
respecto al eje (x, y) y sus ejes están en la dirección de los vectores propio.
El sistema (u′1 , u′2 ) corresponde a una traslación o cambio de origen del
sistema (u1 , u2 ).
182
Guı́a
Ejercicios

t
1. Escriba
 x1  en forma x Ax las siguientes formas cuadráticas, en donde x =
x2
 . :
..
xn
(a) q(x) = −2x21 − 21 x1 x2 + 5x22 . (c) q(x) = x21 +y22 −y32 −x1 x2 +x1 x3 .
(b) q(x) = x1 (2x1 − x2 ) + x2 (3x1 +
x2 ). (d) q(x) = (x1 + x2 )2 − (x1 + x3 )2 .
2. Señale si las matrices siguientes son definidas positivas/negativas, o nin-

guna de las dos:

−1 1 −3 1
(a) . (c) .
1 −1 1 −1
 
1 0 0 0 0  
0 2 0 0 0 −1 2 1 1
 
(b) 0 0 1/2 0 0.
 2 1 1 1
 
0 0 0 (d)  1 1 0 1 .
1 0
0 0 0 0 4 1 1 1 −1
R
3. Sea A ∈ Mnn ( ) una matriz simétrica.
R
(a) Probar que v ∈ n es vector propio de A si y sólo si es vector propio
R
de I − A. Si λ ∈ es el valor propio de A asociado a v, ¿cuál es el
valor propio de I − A asociado a v?
(b) Probar que la matriz I − A es definida positiva si y sólo si todos los
valores propios de A son menores estrictos que uno.
Problemas
P1. Considere la cónica de ecuación 5x2 + 5y 2 + 6xy + 16x + 16y = −15.
Realice el cambio de variables que permite escribir la cónica de ma-
nera centrada y escriba la nueva expresión (escribir explı́citamente el
cambio de variables). Identifique la cónica resultante y dibújela.
R
P2. Sea A ∈ M22 ( ) simétrica definida postiva, b ∈ R2 , c ∈ R y f : R2 →
Rtal que
f (x) = xt Ax − bt x + c.
Se quiere minimizar f .
(a) Sea x0 = 21 A−1 b. Pruebe que f (x) = (x−x0 )t A(x−x0 )−xt0 Ax0 +c.
(b) Concluya que el único mı́nimo de f se alcanza en x0 , i.e., que
R
f (x) ≥ f (x0 ) para todo x ∈ 2 y que la igualdad se alcanza
solamente cuando x = x0 -
183
P3. Sea α ∈ R y considere la ecuación

√ √
αx2 + αy 2 + 2(α − 1)xy − 2x + 2y = 0.
Determine todos los valores de α tales que la ecuación corresponde a:
(a) Circunferencia. (d) Parábola. (g) Un punto.

(b) Elipse. (e) Hipérbola.
(c) Recta o rectas. (f ) Conjunto vacı́o.
184
SEMANA 15: FORMA DE JORDAN

8. Forma de Jordan
8.1. Definición
Estudiaremos aquı́ un procedimiento que permite obtener, a partir de una
matriz A, otra similar con gran cantidad de ceros. Obviamente, el ideal es
obtener una matriz diagonal, pero esto no siempre es posible. Nos confor-
maremos con una forma algo más compleja que la matriz diagonal, pero
con la ventaja de que ésta puede obtenerse para matrices arbitarias.
La idea general de reducir una matriz consiste en determinar una base de
modo que la transformación lineal asociada a la matriz inicial tenga una
representación simple en la nueva base.
Partamos con un ejemplo. Consideremos la transformación lineal TA : 9 → C
C 9
dada por x 7→ Ax, cuya matriz representante J, con respecto a una base
βJ es:
2 1 0 

 0 2 1  
 
 0 0 2 
 
 2 1 
 
J = 0 2 
 
 (2) 
 
 5 1 
 
0 5
(6)
Es claro que σ(A) = {2, 5, 6}, con multiplicidades algebraicas 6, 2, 1 respec-

tivamente.
La base βJ la notaremos como sigue:
1 1 1 1 1 1 2 2 3
βJ = {v11 , v12 , v13 , v21 , v22 , v31 , v11 , v12 , v11 }
De la definición de matriz representante, obtenemos:
1 1
TA (v11 ) = 2v11
1 1 1
TA (v12 ) = v11 + 2v12
1 1 1
TA (v13 ) = v12 + 2v13
1 1
TA (v21 ) = 2v21
1 1 1
TA (v22 ) = v21 + 2v22
1 1
TA (v31 ) = 2v31
2 2
TA (v11 ) = 5v11
2 2 2
TA (v12 ) = v11 + 5v11
3 3
TA (v11 ) = 6v11
185
1
Vemos que v11 es vector propio (cabeza de serie) asociado al valor propio

1 1 1 1
λ1 = 2, v12 es una “cola” asociada a v11 y v13 es “cola” asociada a v12 .
Posteriormente obtenemos otro vector propio asociado a λ1 = 2 con una
cola y finalmente un tercer vector propio asociado a λ1 = 2. Luego se
repite el mismo esquema: un vector propio y una cola asociados a λ2 = 5 y
finalmente un vector propio asociado a λ3 = 6.
En general la matriz J que nos interesa en este párrafo tiene la forma:
λ 1
 
1
 ..
 . 1  

 0 λ1 
 
 .. 
 . 
   
 λ1 1 
 
  .. 


. 1  

 0 λ1 
 
 .. 
 .   
 λr 1 
 
  .. 


. 1  

 λr 
 
 .. 
 . 
   
 λr 1 
 
  .. 
. 1 
λr
donde los bloques son de tamaño s(1, 1), . . . , s(1, p1 ), . . . , s(r, 1), . . . , s(r, pr ),
Pp1 pr
P
y el espectro es σ(A) = {λ1 , . . . , λr }, con multiplicidades s(1, j), . . . , s(r, j),
j=1 j=1
respectivamente. La base se escribe:
1 1 1 1
βJ = {v11 , . . . , v1s(1,1) , v21 , . . . , v2s(1,2) , . . . , vp11 1 , . . . , vp11 s(1,p1 ) , . . . , vprr 1 , . . . , vprr s(r,pr ) }
o mediante una tabla de doble entrada:
↓ ↓ ↓ ↓ ↓
1 1
v11 v21 ··· vp11 1 ··· r
v11 r
v21 ··· vprr 1
1 1
v12 v22 ··· vp11 2 ··· r
v12 r
v22 ··· vprr 2
.. .. .. .. .. ..
. . . . . .
1 1
v1s(1,1) v2s(2,1) ··· vp11 s(1,p1 ) ··· r
v1s(r,1) r
v2s(r,2) ··· vprr s(r,pr )
↓ ↓ ↓ ↓ ↓
(8.1)
186
vectores de la base vectores de la base
···
asociados a λ1 asociados a λr
las flechas indican el encadenamiento de los vectores de base. Por ejemplo
1 1
al vector v1s(1,1) le sigue v21 .
El primer elemento de cada columna corresponde a un vector propio. Bajo
un vector propio figuran las colas asociadas.
Además:
(
k
k k λk vij si j = 1 (1era fila de la tabla)
TA (vij ) = Avij = k k
(8.2)
vij−1 + λk vij si j > 1
Una base βJ , con estas caracterı́sticas se denomina base de Jordan asociada Base de Jordan
a la transformación lineal T y su matriz representante es justamente J.
También es claro que los subespacios propios son:

1
Vλ1 = v11 , . . . , vp11 1 , dim Vλ1 = p1

2
Vλ2 = v11 , . . . , vp22 1 , dim Vλ2 = p2
..
.

r
Vλr = v11 , . . . , vprr 1 , dim Vλr = pr
Los bloques se notan:

 
λi 1
 .. .. 
 . . 
Ji =  .. 
 . 1 
λi
Definición 8.1 (Forma de Jordan). Una transformación lineal Forma de Jordan
TA : Cn −→ n
C
x 7−→ TA (x) = Ax
se reduce a la forma de Jordan si y sólo si es posible determinar una

base βJ con las caracterı́sticas definidas en (8.1) y (8.2).
Veamos otro ejemplo. Sea la matriz:

 
8 1 0 0 0  
0 8 0 0 0 J1
 
J = 0 0 0 1 0 =  J2 
 
0 0 0 0 0 J3
0 0 0 0 0

8 1 0 1
donde J1 = , J2 = , J3 = (0).
0 8 0 0
187
Tenemos σ(J) = {λ1 = 8, λ2 = 0} con multiplicidades 2 y 3 respectivamen-

te.
Vλ1 = V8 = h{e1 }i , Vλ2 = V0 = h{e3 , e5 }i
donde {ei }5i=1 es la base canónica de C5 . De acuerdo a nuestra notación,
la base de Jordan, βJ es:
1 2 2
v11 v11 v21
1 2
v12 v12
asociados a asociados a
Vλ1 Vλ2
Estudiemos el esquema de similitud entre la matriz A (representante de T

con respecto a la base canónica) y βJ :
A
T : C5 → C5
β β β : base canónica
P ↑ ↑ P βJ : base de Jordan
C5 → C5
βJ J βJ
Luego J = P −1 AP o equivalentemente AP = P J. Pero P es la matriz de
1 1 2 2 2
pasaje de la base canónica a βJ = {v11 , v12 , v11 , v21 , v21 }. Es directo que:
1 1 2 2 2
P = (v11 , v12 , v11 , v12 , v21 )
y se tiene:
   
8 1
0 8
1   1 1   1 1
Av11 = P J•1 = P  0  = 8v11 , Av12 = P J•2 = P  0  = v11 + 8v12 ,
   
0 0
0 0
   
0 0
0 0
2   2 2   2 2
Av11 = P J•3 = P  0  = 0v11 , Av12 = P J•4 = P  1  = v11 + 0v12 ,
   
0 0
0 0
 
0
0
2   2
Av21 = P J•5 = P  0  = 0v21
 
0
0
recuperándose la relación (8.2).
Simplifiquemos por un momento la notación. Si escribimos P = (v 1 , . . . , v n )
tal que β = {v 1 , . . . , v n } es base de Jordan, se verifica:
∀i = 1, . . . , n Av i = λi v i o bien Av i = v i−1 + λv i .
188
En el primer caso v i es un vector propio y en el segundo lo denominaremos

vector propio generalizado (existe una “cola”).
En estas condiciones se tiene el teorema siguiente:
Teorema 8.1. Una transformación lineal arbitraria, TA = n → C Cn , x →

Ax, es reductible a la forma de Jordan, o de manera equivalente:
C
∀A ∈ Mnn ( ), ∃J ∈ Mnn ( ) C
matriz de Jordan, similar a la matriz A:
A = P JP −1
donde las columnas de P son los vectores de la base asociada a βJ .
Demostración. La demostración la omitimos aquı́ y no se cubrirá en

clases, sin embargo se presenta en el apéndice de la semana, sólo por
completitud.
8.2. Aplicaciones de la forma de Jordan

8.2.1. Potencias de una matriz
Vimos anteriormente que la diagonalización de matrices nos entregaba una
forma fácil de calcular las potencias de una matriz. Sin embargo, esto sólo
es aplicable a matrices que admitan una diagonalización.
A continuación veremos que la forma de Jordan tiene también utilidad para
el cálculo de potencias, con la ventaja que cualquier matriz cuadrada admite
una forma de Jordan. Veamos primero que la forma de Jordan nos da una
descomposición especial, para cualquier matriz cuadrada.
Si J es la matriz de Jordan de A, cada bloque de J es de la forma:
   
λi 1 0 0 1 0
 . . . .   .. .. 
 . .   . . 
Ji = 

 = λi Ii + 
 
,

 . .. 1   ..
. 1
0 λi 0 0
en donde Ii es la identidad de la dimensión correspondiente. Llamemos Ni
a la segunda matriz de la suma. Esta matriz tiene la siguiente propiedad,
propuesta como ejercicio:
◭ Ejercicio
C
Ejercicio 8.1: Suponga que Ni ∈ Mss ( ), pruebe entonces por in-
N
ducción que ∀m ∈ , ∀p, q ∈ {1, . . . , s},

1 si q = p + m,

m
(Ni )pq =


0 si q 6= p + m.
189
Además deduzca que Nis = 0. Una matriz con esta propiedad, se dice
nilpotente.
Luego, reescribiendola matriz A por bloques:

 
   
 λ1 I1 0 ... 0 N1 0 ... 0 
 
 0 λ2 I2 . . . 0   
0 N2 ... 0 
A=P  .. .. .. ..  +  .. .. .. .. P −1 .
  . . . .   . . . .
 
 0 0 . . . λr Ir 0 0 ... Nr 
| {z } | {z }
D N
Notar que los valores propios λ1 , . . . , λr son los valores propios de A con
posible repetición.
Se tiene que la matriz N es nilpotente, gracias al siguiente ejercicio:
◭ Ejercicio
Ejercicio 8.2: Sea B una matriz diagonal por bloques, es decir

 
B1 0 . . . 0
 0 B2 . . . 0
 
B= . .. .. .. 
 .. . . . 
0 0 ... Br
en donde B1 , . . . , Br son matrices cuadradas y el resto son matrices

cero.
N
Sea m ∈ , pruebe que entonces
 m 
B1 0 ... 0
 0 B2m . . . 0 
 
Bm =  . . .. ..  .
 .. .. . . 
0 0 ... Brm
Concluya que la matriz N anterior es nilpotente.
Hemos probado entonces la siguiente propiedad:
C
Proposición 8.1. Dada A ∈ Mnn ( ), existen una matriz invertible P ,
una matriz diagonal D y una matriz nilpotente N , tales que
A = P (D + N )P −1 .
190
Usaremos lo anterior para calcular potencias de una matriz. Sea A ∈
C N

Mnn ( ) y m ∈ . Queremos calcular Am . Por lo visto en la parte de
diagonalización:
Am = P (D + N )m P t .
Debemos entonces estudiar (D + N )m , que gracias al Ejercicio 8.2 es equi-
valente a estudiar (λi Ii + Ni )m , es decir cada bloque de la forma de Jordan.
Se puede probar que el Teorema del Binomio de Newton es también válido
para matrices, si la multiplicación de éstas conmuta. Este es precisa-
mente el caso de λi Ii y Ni , que conmutan pues λi Ii es ponderación de la
identidad. Luego
m
X
m m
(λi Ii + Ni ) = (λi Ii )m−k Nik .
k
k=0
Para k ∈ {0, . . . , m}, (λi Ii )m−k = λm−k

i Ii . Ası́, gracias al Ejercicio 8.1:
 m
m−k 
0 ... k λi 0
 .. .. 
 . .

m m  m m−k 
 k λi

(λi Ii )m−k Nik = λm−k
i Nik =  
k k  
 .. .. 
 . . 
0 0
m−k
En donde los términos m k λi están ubicados desde la posición (1, k)
C
hasta la (k, n). Notar además que, si λi + Ni ∈ Mss ( ), la matriz anterior
es nula para k ≥ s.
Finalmente, sumando sobre k, se obtiene:
 m m
m−1 m
m−2 m
m−(s−1) 
λi 1 λi 2 λi ... s−1 λi
 .. 
 0 λm m m−1 m m−2 . 
 i 1 λi 2 λi 
 
(λi Ii + Ni )m =  ... ..
.
..
.
..
.
..
. .
 
 . 
 .. ... 0 λm m m−1 
i 1 λi
m
0 ... ... 0 λi
(8.3)
Y tenemos entonces que
 
(λ1 I1 + N1 )m 0 ... 0
 0 (λ2 I2 + N2 )m ... 0 
  −1
Am = P  .. .. .. .. P ,
 . . . . 
0 0 ... (λr Ir + Nr )m
con los bloques (λi Ii + Ni )m como en (8.3).
191
8.2.2. Matriz exponencial

Otra aplicación importante está relacionada con calcular la exponencial de
una matrix, la generalización de la función exponencial real para matrices.
Dicha matriz exponencial tiene utilidad en ciertos métodos de resolución
de ecuaciones diferenciales (que verás en cursos más adelante).
Veamos primero la definición de la matriz exponencial.
Definición 8.2 (Matriz exponencial). Sea A ∈ Mnn ( ). La expo- C Matriz exponencial
C
nencial de A, denotada por eA , es la matriz en Mnn ( ) dada por la serie
de potencias
X∞
1 k
eA = A .
k!
k=0
Esta serie siempre converge, por lo que eA está bien definida.
Observación: El último punto tratado en la definición, acerca de la

convergencia, lo aceptaremos aquı́. Esto sale de los tópicos a tratar en
el curso.
Veamos primero algunas propiedades de la exponencial, las cuales no pro-

baremos aquı́:
C
Proposición 8.2. Dadas matrices B, C ∈ Mnn ( ), se tiene
−1
1. Si C es invertible, eCBC = CeB C −1 .
2. Si BC = CB, entonces eB+C = eB eC = eC eB .
3. Si B es diagonal, B = diag(b1 , . . . , bn ), entonces
eB = diag(eb1 , . . . , ebn ).
C
Sea entonces A ∈ Mnn ( ), que gracias a la Proposición 8.1 se escribe como
A = P (D + N )P −1 , con D matriz diagonal con los vectores propios de A y
N una matriz nilpotente.
Calculamos entonces la exponencial de A, utilizando la Proposición 8.2 y
el hecho de que D y N conmutan (ya se sus bloques conmutan):
eA = P e(D+N ) P −1 = P (eD eN )P −1 .
Veamos eN ,
∞
X 1 k
eN = N .
k!
k=0
Gracias al Ejercicio 8.2 y sumando en k, se tiene que (este paso se puede
formalizar, pero no lo haremos aquı́)
 N1 
e 0 ... 0
 0 eN 2 . . . 0 
 
eN =  . . . ..  .
 .. .. .. . 
0 0 . . . eN r
192
Además, por la Proposición 8.2,

 λ 
e 1 I1 0 ... 0
 0 e λ2
I2 ... 0 
 
eD =  . . .. .. ,
 .. .. . . 
0 0 ... eλr Ir
el i-ésimo bloque de eD eN es:

∞
X s−1
X
1 k 1 k
eλi Ii eNi = eλi Ni = eλi N .
k! k! i
k=0 k=0
C
Ya que si suponemos Ni ∈ Mss ( ), como Ni es nilpotente, para k ≥ s se
tiene Nik = 0. Ası́:
 λi 1 λi 1 λi 1 λi 
e 1! e 2! e ... (s−1)! e
 .. 
 0 eλi 1 λi 1 λi . 
 1! e 2! e 
 
eλi eNi =  ... ..
.
..
.
..
.
..
.  (8.4)
 
 . 
 .. ... 0 eλi 1 λi 
1! e
0 ... ... 0 eλi
Finalmente
 
eλ1 eN1 0 ... 0
 0 eλ2 eN2 ... 0 
  −1
eA = P  . .. .. .. P ,
 .. . . . 
0 0 ... eλr eNr
con cada bloque como en (8.4).
8.2.3. Teorema de Cayley-Hamilton

El Teorema de Cayley-Hamilton señala que una matriz es siempre raiz de
su polinomio caracterı́stico. Para comprender a qué nos referimos con esto,
notemos que dado un polinomio
p(x) = a0 + a1 x + a2 x2 + · · · + an xn ∈ Pn ( ), C
C
podemos asociarle naturalmente una función de Mnn ( ) a Mnn ( ). Dada C
C
X ∈ Mnn ( ):
p(X) = a0 I + a1 X + a2 X 2 + · · · + an X n .
Enunciemos entonces el teorema:
Teorema 8.2 (Cayley-Hamilton). Dada una matriz A ∈ Mnn ( ) y C Cayley-Hamilton

pA (x) su polinomio caracterı́stico, entonces
pA (A) = 0.
193
Demostración. Consideremos A = P JP −1 , la forma de Jordan de A. Sa-
bemos que dos matrices similares tienen el mismo polinomio caracterı́stico,
luego
pA (x) = pJ (x).
Ahora, como J es triangular superior, pJ (x) puede ser calculado como:
pJ (x) = |J − xI| = (x − λ1 )s1 (x − λ2 )s2 . . . (x − λr )sr ,
en donde cada término (x − λi )si corresponde al bloque de Jordan Ji .

Calculemos entonces pA (A). Gracias a lo visto en la parte de diagonaliza-
ción, no es difı́cil probar que:
pA (A) = pJ (A) = P ·pJ (J)·P −1 P (J −λ1 I)s1 (J −λ2 I)s2 . . . (J −λr I)sr P −1 .
Ahora, mirando el bloque i-ésimo del término i de este producto (de di-
mensiones s × s), tenemos que:
(Ji − λi Ii )s = Nis = 0,
ya que gracias al Ejercicio 8.1, la matriz Ni es nilpotente.

Luego, usando el Ejercicio 8.2, se concluye.
8.2.4. Traza de una matriz

Una última utilidad de la forma de Jordan, que veremos, es permitir carac-
terizar la traza de una matriz.
Definición 8.3 (Traza). La traza es la función tr : Mnn ( ) → C C, defi- Traza
nida por:
Xn
C
∀A = (aij ) ∈ Mnn ( ), tr(A) = aii .
k=0
Es decir, es la suma de los elementos de la diagonal de la matriz.
Las siguientes propiedades quedan de ejercicio:

1. La función tr es lineal.
C
2. ∀A, B ∈ Mnn ( ), tr(AB) = tr(BA).
Demostración. Propuesta como ejercicio. ◭ Ejercicio
Ası́, podemos probar el siguiente resultado:
194
C
Proposición 8.4. Sea A ∈ Mnn ( ), con valores propios distintos λ1 , . . . , λr .

Entonces r
X
tr(A) = αA (λi ) · λi .
i=1
En donde recordemos que αA (λi ) es la multiplicidad algebraica de λi .
Demostración. Sea A = P JP −1 , la forma de Jordan de A, luego
tr(A) = tr(P JP −1 ) = tr(P −1 P J) = tr(J).
En donde ocupamos la Proposición 8.3, con P J y P −1 .

Ahora, en la diagonal de J están precisamente los valores propios de A,
repetidos tantas veces como su mutiplicidad algebraica. Ası́,
r
X
tr(A) = tr(J) = αA (λi ) · λi .
i=1
195
SEMANA 14: FORMA DE JORDAN

Probaremos el siguiente teorema:
Teorema 8.3. Una transformación lineal arbitraria, TA = n → C Cn , x →

Ax, es reductible a la forma de Jordan, o de manera equivalente:
C
∀A ∈ Mnn ( ), ∃J ∈ Mnn ( ) C
matriz de Jordan, similar a la matriz A:
A = P JP −1
donde las columnas de P son los vectores de la base asociada a βJ .
Demostración. Por inducción sobre la dimensión, n, del espacio. Es tri-

vialmente cierto para n = 1 (verifique). Supongamos que el resultado se
cumple ∀k ≤ n − 1. Veremos primero:
Caso 1: La matriz A es singular (detA = 0).

En este caso r(A) = r < n, es decir dim Im(TA ) = r(A) = r < n. Sea:
T ′ = T |ImTA : ImTA → ImTA
Por hipótesis, como dim ImTA < n, existe la descomposición de Jordan.
Existe entonces una base de ImTA que verifica las hipótesis. Más explı́ci-
tamente: Si σ(T ′ ) = {λ1 , . . . , λm } y además los subespacios propios:

1 m
Vλ1 = {v11 , . . . , vp11 1 } , . . . , Vλm = h v11 , . . . , vpmm 1 i
obteniéndose la base β, de Jordan para T ′ :
1
v11 ··· vp11 1 → vectores propios de Vλ1
1
v12 vp11 2
.. ..
. . colas asociadas
1 1
v1s(1,1) vps(1,p1)
a los vectores propios de Vλ1
.. .. ..
. . .
m
v11 ··· vpmm 1 → vectores propios deVλm
m
v12 ··· vpmm 2
.. ..
. . colas asociadas
m
v1s(m,1) vpmm s(m,pm )
···
P
donde r = dim ImTA = s(i, j) y se verifica:
i,j
(
k
′ k λk vij si j = 1
T (vij ) = k k
vij−1 + λk vij si j > 1
196
Donde:

 
J11
 .. 
 . 
 
 Jp1 
 
 J12 
 .. 
 . 
 
J = 
 Jp2 2 
 .. 
 . 
 
 
 J1m 
 .. 
 . 
Jpm m
y cada bloque:
 
λk 1
 .. .. 
 . . 
Jik = .. 
 . 1 
λk
k k
es de dimensión s(k, i)×s(k, i), asociado a los vectores de base vi1 , . . . , vis(k,i) .
Subcaso 1: KerTA ∩ ImTA = {0}.

De acuerdo al Teorema del Núcleo-Imagen (TNI), dim KerTA +dim ImTA =
C
n, luego n = KerTA ⊕ ImTA , de donde la base de Jordan será:
βJ = {w1 , . . . , wr } ∪ {z 1 , . . . , z n−r }
n−r
donde {wi }ri=1 es base de Jordan de ImTA y {z i }i=1 es una base del núcleo
de TA .
La matriz asociada es:
 
J11
 .. 
 . 
 
 Jpm m 
J = 
 0  n − r bloques
 .. 
 .  de 1 × 1 con
0 el valor propio 0
que verifica claramente:
TA wi = λi wi ó TA wi = wi−1 + λi wi 1≤i≤r
y además, TA z i = 0z i
1 ≤ i ≤ n − r.

Subcaso 2: KerTA ∩ ImTA = u1 , . . . , up , subespacio de dimensión
p ≥ 1.
197
Es decir ui ∈ KerTA y ui ∈ ImTA . Estos vectores son propios TA (ui ) =

0ui . Además, como ui ∈ ImTA estos son vectores propios de T ′ = T |ImTA .
Por hipótesis de Jordan existen, para cada uno de los vectores ui , un bloque
(eventualmente de 1×1). Sin pérdida de generalidad, supongamos que en la
base de Jordan asociada a T ′ , se tiene λ1 = 0. Luego obtenemos los bloques
siguientes:
1 1 1
v11 v21 ··· vp1
1 1
..
v12 v22 .
.. .. .. vectores propios asociados a λ1 = 0
. . .
1 1 1
v1s(1,1) v2s(1,2) ··· vps(1,p)
que verifican la recurrencia:
1 1
TA v11 = 0 · v11
1 1 1
TA v12 = v11 + 0 · v12
..
.
1 1 1
TA v1s(1,1) = v1s(1,1)−1 + 0 · v1s(1,1) (8.5)
..
.
1 1
TA vp1 = 0 · vp1
..
.
1 1 1
TA vps(1,p) = vps(1,p)−1 + 0 · vps(1,p)
Para “completar” la base de Jordan asociada a ImTA a una base de Cn ,

elegimos el conjunto de vectores β2 = {y j }pj=1 tal que:
Ay 1 = v1s(1,1)
1
Ay 2 = v2s(1,2)
1
..
.
Ay p = vps(1,p)
1
Es decir, los vectores {y j }pj=1 son soluciones de los sistemas asociados al

último vector de cada bloque del vector λ1 = 0. Estos sistemas tienen
1
solución ya que, por hipótesis, vjs(1,j) ∈ ImTA , ∀j = 1, . . . , p.
Pp
Además, son vectores linealmente independientes. En efecto, si cj y j = 0
j=1
entonces p p p
X X X
cj T A y j = cj Ay j = 1
cj vjs(1,j) =0
j=1 j=1 j=1
como, por hipótesis el conjunto 1

{vjs(1,j) }pj=1 es linealmente independiente,
concluı́mos que cj = 0, ∀j = 1, . . . , n.
198
Más aún, los vectores {y j }pj=1 satisfacen:

TA (y j ) = Ay j = vjs(1,j) + 0y j 1 ≤ j ≤ p.
luego podemos redefinir el orden de los vectores en el conjunto β2 ∪ βJ para
obtener una descomposición en bloques de Jordan. Por ejemplo, veamos la
inclusión del vector y 1 .
Tenı́amos (ver Ecuación (8.5)):
1 1
TA v11 = 0v11
..
.
1 1 1
TA v1s(1,1) = v1s(1,1)−1 + 0v1s(1,1)
1
definiendo v1s(1,1)+1 = y 1 , se tiene que
1 1 1
TA v1s(1,1)+1 = v1s(1,1) + 0v1s(1,1)+1
y redefinimos el primer bloque:
1 1 1
v11 , . . . , v1s(1,1) , v1s(1,1)+1 = y1
que satisface la recurrencia de Jordan.
1
En general, para cada bloque asociado a λ1 , agregamos el vector vjs(1,j)+1 =
j
y , lo cual satisface la recurrencia de Jordan. Los nuevos bloques tienen la
forma:  
0 1 0
 .. .. .. 
 . . .
 .. 
 . 1 0
 
 0 1
0 ··· ··· 0
Debemos verificar que el conjunto β2 ∪ βJ es ℓ.i.: Consideremos ϕ una
combinación lineal nula, escrita por bloques:
ϕ = [α111 v11
1
+ α112 v12
1
+ · · · + α11s(1,1) v1s(1,1)
1
]+ ...
+ · · · + [α1p1 vp1
1
+ α1p2 vp2
1
+ · · · + α1ps(1,p) v1s(1,p)
1
]+ ...
+ [αk11 v11
k
+ · · · + αk1s(k,1) v1s(k,1)
k
] + ... (8.6)
+ [αkpk 1 vpk s(1,pk )
+ · · · + αkpk s(k,pk ) vpkk s(k,pk ) ] + ...
1
+ β1 y + β2 y 2 + · · · + β p y p = 0
Aplicando la transformación TA a esta ecuación obtenemos:

TA (ϕ) = Aϕ = [α111 Av11
1
+ α112 A2 v12
1
+ · · · + α11s(1,1) Av1s(1,1)
1
] + ...
· · · + [α1p1 Avp1
1
+ α1p2 Avp2
1
+ · · · + α1ps(1,p) Av1s(1,p)
1
]+
· · · + [αk11 Av11
k
+ · · · + αk1s(k,1) Av1s(k,1)
k
]+
· · · + [αpk 1 Avpk s(1,pk ) + · · · + αkpk s(k,pk ) Avpkk s(k,pk ) ] + . . .
· · · + β1 Ay 1 + · · · + βp Ay p = 0
199
Reemplazando según la recurrencia de Jordan y recordando que λ1 = 0:

Aϕ = [α112 v11
1
+ α113 v12
1 1
+ · · · + α11s(1,1) v1s(1,1)−1 ]+ ...
+ [α1p2 vp1
1
+ α1p3 vp2
1 1
+ · · · + α1ps(1,p) v1s(1,p)−1 ]+ ...
+ [αk11 λk v11
k k
+ · · · + αk1s(k,1) (λk vpkt s(k,1) + v1s(k,1)−1 )]
· · · + [αkpk 1 λk vpkk 1 + · · · + αkpk s(k,pk ) (λk vpkk s(k,pk ) + vpkk s(k,pk )−1 )] + . . .
1 1 1
+ β1 v1s(1,1) + β2 v2s(1,2) + · · · + βp vps(1,p) =0
Reordenando, agregamos cada vector asociado a los escalares βj a su res-

pectivo bloque:
TA (ϕ) = [α112 v11

1 1
+ · · · + α11s(1,1) v1s(1,1)−1 + β 1 v1s(1,1)
1
]+ ...
· · · + {(αk11 λk + αk12 )v11
k k
+ (αk12 λk + αk13 )v12 + ...
k
· · · + (αk1s(k,1)−1 λk + αk1s(k,1) )v1s(k,1)−1 k
+ αk1s(k,1) λk v1s(k,1) } + ··· = 0
como los vectores son ℓ.i se tiene que
α112 = α113 = · · · = α11s(1,1) = β1 = 0

..
.
α1p2 = α1p3 = · · · = α1ps(1,p) = βp = 0
y ∀k ≥ 1 (bloques asociados a λk ):
αk11 λk + αk12 = 0
αk12 λk + αk13 = 0
..
.
αk1s(k,1)−1 λk + αk1s(k,1) = 0
αk1s(k,1) λk = 0
como λk 6= 0, reemplazando desde la última a la primera ecuación, con-

cluı́mos
αkij = 0 ∀k, ∀i, j. Recordemos que, al aplicar TA , desaparecieron los coefi-
cientes
α111 , . . . , α1p1 , pero, como el resto de los coeficientes αkij , βj , es nulo se tiene
en (8.6):
α111 v11
1
+ · · · + α1p1 vp1
1
=0
1 p
Como {vj1 }j=1 es ℓ.i, concluı́mos α111 = · · · = α1p1 = 0, luego el conjunto
β2 o βJ es ℓ.i.
El conjunto anterior β2 ∪ βJ tiene r + p vectores, donde r = dim ImTA , es
decir | β2 ∪ βJ |= p + r ≤ n. Nos falta entonces considerar KerTA \ ImTA ∩
KerTA . Pero esto es fácil, sea:

KerTA = u1 , . . . , up ⊕ h{z1 , . . . , zq }i
200

donde {u1 , . . . , up } = ImTA ∩KerTA y h{z1 , . . . , zq }i es un suplementario

en KerTA .
Afirmamos que la base de Jordan de n está dada por: C
βJ′ = βJ ∪ β2 ∪ β3 , β3 = {zi }qi=1 .
Claramente estos n vectores son ℓ.i., pues si

r
X p
X q
X
αj wj + βj y j + γj zj = 0
j=1 j=1 j=1
aplicando TA y recordando que zj ∈ KerTA obtenemos:

r
X p
X
αj TA wj + βj T A y j = 0
j=1 j=1
que corresponde al análisis de la independencia lineal de β2 ∪βJ que hicimos

q
P
previamente, luego αj = βj = 0. Sólo queda entonces γj zj = 0 de donde
j=1
γj = 0 pués {zj } es ℓ.i.
La matriz de Jordan, agregando los {zi }qi=1 al final de la base, es la siguiente:
 ˜ 
J11
 .. 
 . 
 
 J˜p1 
 
 J12 
 .. 
 . 
 
 Jp2 2 
 
 .. 
J = 
 . 
 
 J1m 
 .. 
 . 
 
 
 Jpm m 
 
 0 
 ··· 
0
donde J˜11 , . . . , J˜p1 son los bloques asociados a λ1 = 0 con la “cola” agre-
gada {yi }. El último grupo de q bloques de 0’s corresponde a la base del
suplementario de
ImTA ∩ KerTA en KerTA .
Con esto hemos demostrado que, si A es regular (no invertible), esta es
reductible a la forma de Jordan.
Veamos ahora el caso invertible: Como A ∈ Mnn ( ), ∃λ ∈ valor propio C C

asociado a A. Consideremos la matriz singular A′ = A − λI. Por el proce-
dimiento desarrollado anteriormente existen matrices J ′ y P invertible tal
201
que:

J ′ = P −1 A′ P ⇔ J ′ = P −1 (A − λI)P
⇔ P J ′ P −1 = A − λI ⇔ A = P J ′ P −1 + λI =
= P J ′ P −1 + λP P −1 = P (J ′ + λI)P −1
luego la matriz de Jordan asociada a TA es J = J ′ + λI, donde λ aparece
en la diagonal principal.
◭ Ejercicio
Ejercicio 8.3: La forma de Jordan es única, salvo permutación del

orden de la base.
202
Guı́a
Ejercicios

C
1. Sea Ni ∈ Mss ( ), definida por
 
0 1 0
 .. .. 
 . . 
 .
 .. 
 . 1
0 0
N
Pruebe por inducción que ∀m ∈ , ∀p, q ∈ {1, . . . , s},

1 si q = p + m,

(Nim )pq =


6 p + m.
0 si q =
Además deduzca que Nis = 0. Una matriz con esta propiedad, se dice
nilpotente.
2. Sea B una matriz diagonal por bloques, es decir
 
B1 0 . . . 0
 0 B2 . . . 0 
 
B= . .. .. .. 
 .. . . . 
0 0 . . . Br
en donde B1 , . . . , Br son matrices cuadradas y el resto son matrices cero.

Sea m ∈ N, pruebe que entonces
 
B1m 0 ... 0
 0 B2m ... 0 
 
Bm = . .. .. .. .
 .. . . . 
0 0 ... Brm
3. Pruebe las siguientes propiedades:

C
C es lineal.
(a) La función tr : Mnn ( ) →
(b) ∀A ∈ Mmn (C), ∀B ∈ Mnm (C), tr(AB) = tr(BA).
4. A ∈ Mnn (C), una matriz no necesariamente diagonalizable tal que
σ(A) ⊆ R. Pruebe que
A tr(A)
|e | = e .
5. Calcule eA , A3 y A5 , para las siguientes matrices:

   
−1 1 1 1 0 0 0 2 1 0 0
(a) . 0 1 0
0 −1  0 0  
0 2 1 0.
(c)
(b) 0 0 1/2 0 0 . 0
 0 2 0
0 0 0 4 1 0 0 0 −1
0 0 0 0 4
203
Problemas

P1. Se define la siguiente recurrencia de números reales
(
xn+1 = 2xn − xn−1 , ∀n ≥ 1
x1 = 1, x0 = 0.
(a) Para n ∈ N, defina vn = ( xx n

n−1 )∈ R2. Encuentre A ∈ M22(R)
tal que
vn+1 = Avn .
(b) Pruebe que vn = An v0 , ∀n ∈ N.
(c) Use lo anterior para resolver la recurrencia, obteniendo un valor
explı́cito para xn .
Indicación: Use la forma de Jordan.
P2. (a) Sea λ ∈ R \ {0}. Pruebe por inducción que
n n
λ 1 λ nλn−1
= ∀n ≥ 1.
0 λ 0 λn
(b) Considere  
4 −1 −3
0 4 1 .
0 0 2
Encuentre P invertible y J en forma de Jordan tal que A =
P JP −1 .
(c) Para la matriz A de la parte anterior y n ≥ 1 cualquiera calcule
An explı́citamente, encontrando expresiones para los coeficientes
de An en función de n.
204

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Importante: Visita regularmente

Departamento de Ingenierı́a Matemática - Universidad de Chile

Definición 1.1 (Matriz). Una matriz A, de m filas y n columnas con matriz

Notamos también la matriz como A = (aij ) y denominamos Mmn ( ) al K Mmn ( ) K

(m = m′ ) ∧ (n = n′ ) ∧ (∀i ∈ {1, ..., m}, j ∈ {1, ..., n}, aij = bij )

Un caso especial de matrices son aquellas de n × 1. Estas matrices se lla-

Demostración. La suma es asociativa y conmutativa, como herencia de

Departamento de Ingenierı́a Matemática - Universidad de Chile

Definición 1.3 (Producto de matrices). Dadas A = (aij ) ∈ Mmr ( ), B = K

Observación: La multiplicación de matrices no es conmutativa.

Departamento de Ingenierı́a Matemática - Universidad de Chile

Como la multiplicación distribuye con respecto a la suma en K:

De la definición de multiplicación matricial, se obtiene E = AB + AC.

Un caso particular muy importante es el de las matrices cuadradas, es matriz cuadrada

En efecto, dada A ∈ Mnn ( ) : K

Concluı́mos entonces que

Departamento de Ingenierı́a Matemática - Universidad de Chile

Proposición 1.3. De existir una matriz B que satisfaga (1.1), esta es

Usando la asociatividad de · tenemos,

pero como B1 A = I, se concluye que

Departamento de Ingenierı́a Matemática - Universidad de Chile

En otros casos sı́ existe inverso, por ejemplo, en M22 ( ), R

lo que se verifica rápidamente.

1.2. Matrices Particulares

2. Triangular superior si y sólo si aij = 0 si i > j: triangular superior

3. Triangular inferior si y sólo si aij = 0 si i < j: triangular inferior

Departamento de Ingenierı́a Matemática - Universidad de Chile

Ejercicio 1.1: Una propiedad que queda propuesta es que si A es

Ai• = (ai1 ai2 . . . ain )

y su j-ésima columna: A•j

AB = (A(B•1 ), ..., A(B•p )) ,

es decir la primera columna de AB es la matriz A por la primera

¿Qué hay de las filas de AB?

constatamos que la primera fila aparece multiplicada por d11 = 2 y la

Aquı́, la primera columna de A aparece multiplicada por 2, la segunda

  a   λ1 a11 ··· λ1 a1p 

Departamento de Ingenierı́a Matemática - Universidad de Chile

De forma más compacta,

Proposición 1.4. Si D = diag(λ1 , . . . , λn ) ∈ Mnn ( ), A ∈ Mnp ( ), B ∈ K K

BD = (λ1 B•1 , ..., λn B•n ). (1.3)

Demostración. Probaremos (1.2), mientras que (1.3) queda propuesta

Otra propiedad, que utilizaremos más adelante, es la siguiente:

Proposición 1.5. El producto de matrices triangulares inferiores (superio-

Demostración. Verifiquemos el caso triangular superior. Sean

Departamento de Ingenierı́a Matemática - Universidad de Chile

En el primer término k < i ⇒ aik = 0. En el segundo término j < i ≤ k ⇒

1.3. Potencias, traspuestas e inversas

Definición 1.8 (Traspuesta). Dada una matriz A = (aij ) ∈ Mmn ( ), K

Departamento de Ingenierı́a Matemática - Universidad de Chile

En el último caso vemos que A = At .

aij = aji ∀i, j = 1, .., n

Algunas propiedades de la trasposición de matrices son las siguientes:

luego Z = C , y por lo tanto (AB) = B At .

Algunas propiedades elementales de matrices invertibles son las siguientes

Departamento de Ingenierı́a Matemática - Universidad de Chile

4. At es invertible y (At )−1 = (A−1 )t . (At )−1 = (A−1 )t

AB(B −1 A−1 ) = A(BB −1 )A−1 = AIA−1 = AA−1 = I.

De manera análoga se prueba (B −1 A−1 )AB = I Como la inversa es única