Algebra Lineal

ALGEBRA
LINEAL
CON EL USO DE MATLAB
AUTORES
Omar Saldarriaga
Ph.D., State University of New York at Binghamton
Profesor Asociado
Instituto de Matem
aticas
Universidad de Antioquia
Hernan Giraldo
Ph.D., Universidad de Sao Paulo
Profesor Asociado
Instituto de Matem
aticas
Universidad de Antioquia
ii
c Copyright by Omar Saldarriaga, 2010.

All rights reserved.
Indice general
1. Algebra
de matrices
1.1. Sistemas de Ecuaciones Lineales
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Operaciones con Matrices y Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
1.3. Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
1.4. Matrices Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
1.5. Inversas Laterales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
2. Espacios Vectoriales
45
2.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.2. Subespacios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
2.3. Independencia Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.4. Conjuntos generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
2.5. Bases
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
2.6. Subespacio generado por un conjunto de vectores . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
2.7. Subespacios fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
2.8. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
2.9. El Teorema de la base incompleta en Rm
81
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Transformaciones Lineales
85
3.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
3.2. Transformaciones Lineales Inyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
3.3. Transformaciones Lineales Sobreyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
3.4. Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
3.5. Espacios Vectoriales Arbitrarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

3.5.1. Transformaciones lineales entre espacios vectoriales arbitrarios. . . . . . . . . . . . . . . . 103
3.6. Propiedades de los Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.7. Suma Directa de Espacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
iii
GIRALDO
Autor: OMAR DARIO SALDARRIAGA, HERNAN
4. Ortogonalidad en Rn
1
119
4.1. Producto interno en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

4.2. Proyecci
on Ortogonal sobre un Vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.2.1. La matriz proyecci
on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.3. Proyecci
on Ortogonal sobre un Subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4. Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.5. El Proceso Gramm-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4.6. La Factorizacion QR de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5. Determinantes
157
5.1. Definicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

5.2. Determinantes y operaciones elementales de fila . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.3. Propiedades del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.4. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.5. La Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.6. Interpretaci
on Geometrica del Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6. Valores y Vectores Propios
187
6.1. Polinomio Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

6.2. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.3. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.3.1. La matriz de una transformacion con respecto a dos bases . . . . . . . . . . . . . . . . . . 207
6.4. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.5. Matrices Simetricas y Diagonalizacion Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
6.6. Formas Cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
7. Aplicaciones
7.1. Potencia de una matriz
225
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
7.1.1. Relaciones de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226

7.1.2. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
7.2. Exponencial de una matriz diagonalizable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7.2.1. Sistemas Lineales de Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . 229
Captulo 1
Algebra
de matrices
En este captulo veremos ... Las letras m,n, i, j y k denotaran n
umeros enteros positivos y denotaremos por
R el conjunto de los n
umeros reales ... mn{m, n} es el menor n
umero entre m y n... el conjunto de matrices de
tamano m n sera denotado por Mmn (R) y por Mn (R) cuando m = n. El conjunto vaco ??
1.1.
Sistemas de Ecuaciones Lineales
Comenzamos esta seccion ilustrando un ejemplo del tema central del captulo, el cual es la soluci
on de
sistemas de ecuaciones lineales, y usaremos este ejemplo para introducir el metodo de soluci
on conocido como
reduccion Gauss-Jordan en matrices.
Consideremos el siguiente sistema de dos ecuaciones en dos incognitas:
x + 3y = 4
(1.1)
4x + 6y = 10
(1.2)
Existen varios metodos para resolver este sistema, por la similitud con el metodo que expondremos en esta
seccion destacamos el de eliminaci
on.
Este metodo usa dos operaciones basicas para llevar a la soluci
on de un sistema lineal las cuales son:
1. Sumar un m
ultiplo de una ecuaci
on a otra ecuaci
on con el objetivo de eliminar una de las variables, por
ejemplo la operaci
on
-4 Ecuaci
on(1.1) + Ecuaci
on(1.2)
elimina la variable x y produce la ecuaci
on 6y = 6.
2. Multiplicar una ecuaci
on por una constante no cero con el objetivo de simplicarla, por ejemplo si multiplicamos la nueva ecuaci
on 6y = 6 por 16 obtenemos y = 1.
3
4
3. Si multiplicamos esta u
ltima ecuaci
on (y = 1) por -3 y se la sumamos a la Ecuaci
on (1.1), obtenemos
x = 1. Finalmente la soluci
on al sistema est
a dada por los valores: x = 1 y y = 1.
Los metodos que veremos en este libro son:
1. El metodo de reduccion Gauss-Jordan, el cual veremos en esta seccion.
2. El metodo de multiplicaci
on por la matriz inversa, este metodo solo funciona en algunos casos, ver Teorema
1.12 en la Seccion 1.3.
3. El metodo de multiplicaci
on por la inversa a la izquierda de la matriz, este metodo solo funciona en algunos
casos, ver Seccion 1.5
4. La regla de Cramer, ver Seccion 5.5.
Retomando las soluciones para un sistema, vale la pena notar que si tenemos un sistema de dos ecuaciones
lineales en dos incognitas, hay tres posibles respuestas y estas son:
1. El sistema tiene solucion u
nica (como en el ejemplo ilustrado anteriormente).
2. El sistema no tiene soluci
on (o soluci
on vaca), caso en el cual, decimos que es inconsistente.
3. El sistema tiene infinitas soluciones, caso en el cual decimos que el sistema es redundante.
Cuando se tiene una ecuaci
on lineal en dos variables, esta representa una lnea recta en el plano, las tres
posibles soluciones descritas corresponden a las diferentes posibilidades geometricas las cuales son: las rectas se
intersectan (solucion u
nica), las rectas son paralelas (solucion vaca) o las rectas coinciden (infinitas soluciones).
Estas se ilustran en la Figura 1.1.
Cuando tratamos de resolver un sistema 33, de tres ecuaciones en tres incognitas, tambien podemos obtener,
al igual que en el caso anterior (caso 22), tres posibles respuestas: soluci
on u
nica, soluci
on vaca o infinitas
soluciones. En este caso, una ecuaci
on en tres variables representa un plano en el espacio, las posibilidades
geometricas se muestran en las Figuras 1.1 y 1.1. Sin embargo, a diferencia del caso 22, la soluci
on vaca no
se obtiene exclusivamente en el caso de que los planos sean paralelos como se observa en la Figura 1.1. Tambien
se puede ver en la Figura 1.1 que hay diferentes casos que conducen a infinitas soluciones y no solo cuando los
planos coinciden.
Uno de los objetivos de la seccion es mostrar que a
un en dimensiones mayores se presentan exactamente las
mismas tres posibilidades. El caso general lo resolveremos usando matrices, asociaremos a cada sistema lineal
una de estas y aplicaremos operaciones elementales de fila para resolver el sistema. Las operaciones elementales
de fila sobre matrices son simplemente operaciones equivalentes a las mencionadas en el metodo de eliminaci
on
al principio de la seccion.
GIRALDO
Definici
on 1.1. Una matriz real es un arreglo rectangular de n
umeros reales en m filas y n columnas
a11 a1n
..
..
..
;
.
.
.
am1 amn
donde aij es un n
umero real para i = 1, . . . , m y j = 1, . . . , n. A esta matriz se le llama una matriz de tama
no
m n.
En esta seccion se esta interesado en operaciondes de fila de una matriz, as en esta seccion se donotar
a la
i-esima fila de una matriz A por Fi . Adem
as, de ahora en adelante el conjunto de matrices de tamano m n
sera denotado por Mmn (R) y por Mn (R) cuando m = n.
1 1
es una matriz de tama
no 22. Esta matriz la definimos en MatLab
Ejemplo 1.1. (MatLab) A =
2
0
de la siguiente forma:
>> A = [1, 1; 2, 0]
y MatLab guardara la matriz como el arreglo rectangular
A=
1
2
0
En general, para definir matrices en MatLab se escriben las entradas entre corchetes, escribiendo las entradas
de las filas separadas con coma y separando las filas con punto y coma.
A un sistema lineal de m ecuaciones con n incognitas,
a11 x1 + + a1n xn = b1
..
.
am1 x1 + + amn xn = bm ,
se le asocia la matriz de tama
no m (n + 1)
a11
..
.
amn
..
.
a1n
..
.
a1n
b1
..
.
bm
llamada la matriz de coeficientes o matriz asociada. Cada fila de esta matriz tiene los coeficientes de cada
una de las ecuaciones incluyendo el termino constante al final de la misma y cada columna est
a asociada a una
incognita excepto la u
ltima columna que contiene los terminos independientes.
1
le corresponde la matriz de coeficientes
Ejemplo 1.2. Al sistema lineal
4
4x + 5y = 6
x + 2y = 3
5 6
Las operaciones descritas al principio de la seccion que se realizan sobre las ecuaciones de un sistema lineal en
el metodo de eliminacon se traducen en operaciones de fila sobre matrices, llamadas operaciones elementales de
fila, las cuales describimos a continuacion.
6
Definici
on 1.2. Sea A una matriz de tama
no m n, una operaci
on elemental de fila sobre A es una de
las siguientes operaciones:
1. Multiplicar una fila por una constante no cero. Se usar
a la notaci
on cFi Fi para indicar que se multiplica
la fila i por la constante c.
2. Sumar un m
ultiplo de una fila a otra fila. Se usar
a la notaci
on cFi + Fj Fj para indicar que se le suma
c veces la fila i a la fila j.
En estos dos pasos, la fila que aparece despues de la flecha es la fila que se debe modificar o simplemente,
a la que se le debe aplicar la operaci
on.
3. Intercambiar dos filas. Se usar
a la notaci
on Fi Fj para indicar que se debe intecambiar la fila i con la
fila j.
x + 3y = 4
Ejemplo 1.3. Al principio de la secci

on resolvimos el sistema de ecuaciones
aplicando las opera-
4x + 6y = 10
ciones
1. -4 Ecuaci
on 1.1 m
as Ecuaci
on 1.2, de la cual obtenemos la ecuaci
on 6y = 6,
2. multiplicamos esta u
ltima ecuaci
on por 61 , obteniendo y = 1,
3. finalmente de, -3 ecuaci

on (y = 1) m
as Ecuaci
on 1.1, obtenemos x = 1.
Como en la matriz asociada a un sistema lineal las ecuaciones se representan en filas, estas operaciones se
traducen en operaciones de fila, de hecho, la primera operaci
on se traduce en la operaci
on de fila 4F1 + F2 , la
segunda en
1
6 F2
y la tercera en 3F2 + F1 . Al aplicar estas operaciones obtenemos
1 3 4 3F2 +F1 F1 1 0
1
3
4
1 3 4
0 1
4 6 10 4F1 +F2 F2 0 6 6 1 F2 F2 0 1 1
1
1
De esta u
ltima matriz obtenemos las ecuaciones x = 1 y y = 1 las cuales nos dan la soluci
on al sistema.
Este u
ltimo ejemplo ilustra el metodo de soluci
on de un sistema lineal con operaciones de fila sobre matrices, el
cual es el objetivo de la seccion. Para ilustrar el caso general debemos mostrar como aplicar operaciones de fila
sobre una matriz de una manera eficiente que garantice una soluci
on, una manera efectiva es llevar la matriz a
una matriz en forma escalonada reducida, la cual definimos a continuacion.
Definici
no m n, decimos que A est
a en forma escalonada reducida si
A satisface las siguientes condiciones:
1. Todas las filas nulas (filas donde todas las entradas, en esa fila, son ceros) est
an en la parte inferior de
la matriz.
2. La primera entrada no cero de una fila no nula es un uno. A esta entrada se le llama pivote.
3. Si dos filas consecutivas son no nulas, entonces el pivote de la fila de arriba est
a mas a la izquierda del
pivote de la fila de abajo.
GIRALDO
4. Todas las entradas de una columna donde haya un pivote son cero, excepto la entrada donde est
a el pivote.
Ejemplo 1.4.
A = 0
Las siguientes matrices est

an
0 0
1 0
B = 0 1
1 0 ,
0 1
0 0
E = 0 0
0 0
0 ,
en forma escalonada reducida:
1 0
C = 0 0 1 ,
,
0
0 0 0
F = 0
0 0
0 0
0 1
D = 0 0
0 0
0 0
G = 0 0
0 0
0 ,
1 ,
donde las entradas * representan un n

umero real arbitrario. De hecho estas son todas las posibles formas escalonadas reducidas que se obtienen de matrices 3 3 no nulas.
Ejemplo 1.5. (MatLab) La forma escalonada reducida
de
1
2
rref como se muestra a continuaci

on. Sea A = 0
3
2 1
>> format rat, A = [1, 2, 3, 1; 0, 3, 2, 1; 2, 1, 8, 1]; R
R=
1
0
0 13
3
1
32
una matriz
se calcula en MatLab con el comando
3 1
2 1,
8
1
= rref (A)
1
3
31
0 0
0
0
El comando format rat se usa para que MatLab entregue la respuesta con n
umeros racionales en cada entrada
de la matriz.
El proceso de aplicar operaciones elementales de fila sobre una matriz hasta llevarla a su forma escalonada
reducida se le conoce como reducci
on Gauss-Jordan. Este proceso nos lleva tambien a determinar si el
sistema tiene soluci
on y a encontrarla en el caso de que exista (ver Teorema 1.2). Primero debemos garantizar
que es posible llevar cualquier matriz a una matriz en forma escalonada reducida por medio de operaciones
elementales.
Teorema 1.1. Aplicando reducci
on Gauss-Jordan, toda matriz se puede llevar a una forma escalonada reducida.
Mas que dar una idea de la prueba, lo que presentamos a seguir, es una descripcion de un algoritmo para
calcular la forma escalonada reducida de una matriz.
Bosquejo de la demostraci
on. La demostraci
on se hace por induccion sobre el n
umero de columnas de A.
Si A tiene una columna y A = 0 entonces A ya est
a en forma escalonada reducida. Si A 6= 0 tomamos
ai1 la primera entrada no nula de A para alg
un i, entonces intercambiamos la primera fila con la i-esima fila
8
obteniendo la matriz
ai1
0
..
.
0 .
ai+1,1
.
..
(1.3)
am1
Para reducir esta matriz, multiplicamos la primera fila por
1
ai1
obteniendo una matriz con un uno en la primera
posicion y a continuacion se usa esta entrada para anular el resto de las entradas como se muestra a continuacion
ai1
0
..
.
0
ai+1,1
.
..
1
ai1
1
0
..
.
0
ai+1,1
.
..
F1 F1
am1
1
0
ai+1,1 F1 +Fi+1 Fi+1
am1
..
.
am1 F1 +Fm Fm
..
.
0
0
.
..
0
como esta u
ltima est
a en forma escalonada reducida obtenemos el resultado para matrices con una columna.
Ahora supongamos que el resultado es cierto para matrices con n 1 columnas y sea A una matriz con n
columnas, usando la induccion obtenemos que podemos reducir las primeras n 1 columnas hasta obtener una
matriz en la forma
... 0 ... 0
0 ... 1 ... 0
. . .. . . ..
.. ..
.
..
0
0
.
..
a1n
a2n
..
.
... 0 ... 1 akn .

... 0 ... 0 ak+1,n
. . .. . . .. ..
.. .. .
0 ... 0 ... 0
amn
Si las entradas ak+1,n , . . . , amn son todas iguales a cero, entonces esta u
ltima matriz ya est
a en forma escalonada
reducida, en caso contrario, suponemos sin perdida de generalidad que ak+1,n 6= 0, ya que si esta es cero haciendo
un intercambio de fila podemos llevar una entrada diferente de cero que este por debajo de esta, como se hizo
en (1.3), despues multiplicamos la fila k + 1 por
1
... 0 ... 0
0 ... 1 ... 0
.
..
0
0
.
..
. . .. . . ..
.. ..
a1n
a2n
..
.
obteniendo
1
... 0 ... 1 akn

... 0 ... 0 ak+1,n
. . .. . . .. ..
.. .. .
0 ... 0 ... 0
1
ak+1,n
... 0 ... 0 a1n

0 ... 1 ... 0 a2n
1
ak+1,n
Fk+1 Fk+1
. . . .
. .. . ..
.
.
0 ... 0 ...
0 ... 0 ...
. . . .
.. . . .. . .
.. ..
. .
1 akn
0 1
.. ..
. .
0 ... 0 ... 0 amn
amn
Finalmente, usando este 1, empleamos operaciones elementales para anular las dem
as entradas de esta columna
como se muestra a continuacion
1
... 0 ... 0 a1n

0 ... 1 ... 0 a2n
. . . .
. .. . ..
.
.
0 ... 0 ...
0 ... 0 ...
. . . .
.. . . .. . .
.. ..
. .
1 akn
0 1
.. ..
. .
0 ... 0 ... 0 amn
a 1 Fk+1 +F1 F1
1n
a 1 Fk+1 +F2 F2
2n
..
.
a 1 Fk+1 +Fk Fk
kn
1
Fk+1 +Fk+2 Fk+2
k+2n
..
.
1
Fk+1 +Fm Fm
amn
... 0 ... 0 0
0 ... 1 ... 0 0
..
.
0
0
.
..
. . .. . . .. ..
. . . . .
... 0 ... 1 0 ,
... 0 ... 0 1
. . .. . . .. ..
.. ...
0 ... 0 ... 0 0
como esta u
ltima matriz est
a en forma escalonada reducida obtenemos por induccion que cualquier matriz se
puede reducir a una matriz en forma escalonada reducida.
GIRALDO
Ejemplo 1.6. Calcular la forma escalonada de reducida de la matriz A = 2 2 1 4 .
3 3 2 6
Aunque sabemos que podemos usar MatLab para calcular esta reducci
on, es importante tambien entender
0 1
el algoritmo propuesto en el teorema anterior, el cual basicamente nos dice que la reducci
on la podemos hacer
columna por columna.
Como la primera columna no es nula pero su primera entrada es cero, entonces intercambiamos la fila
cuya primera entrada sea no nula, en este caso la segunda fila, como esto se debe hacer usando operaciones
elementales, entonces intercambiamos la
primera y la segunda fila
2 2
0 1 1
F F
2
1
0 0
2 1 4
3 3
3 2 6
Luego multiplicamos la primera fila por
este pivote para anular
1
2
1 4
1 1
2 6
para obtener el pivote en la primera columna y despues usamos
las dem
as entradas de esta columna, como se muestra a
1
2 1 4 21 F1 F1 1 1 12 2
0
0 0 1 1
0 1 1
3 2 6
3 3 2 6 3F1 + F3 F3 0
continuaci
on
1 21 2
0 1 1 .
0 12 0
El pivote en la segunda columna, si existiera, debera estar en una fila debajo de la primera y como la segunda
y tercera entrada son ceros, entonces no hay pivote en esta columna, por tanto la tercera entrada en la segunda
fila es el siguiente pivote, usamos
esta entrada para anular las dem

as
1 12 2 21 F2 + F1 F1 1 1
0 0
0 1 1
0 12 0 21 F2 + F3 F3 0 0
entradas en la tercera columna, as
3
0
2
1
1 .
0 12
Finalmente, la cuarta entrada en la tercera fila debe ser el siguiente pivote, para convertirlo en un uno,
multiplicamos la tercera fila por -2 y despues usamos el pivote para anular las dem
as entradas en la cuarta
columna, esto lo hacemos de la siguiente forma
1 1 0
3
2
1 1
+ F1 F1 1
1 F3 + F2 F2 0
1
0
3
3
2 2 F3
1 0 0
(1.4)
0 0 1
0 0 1
1
0 1 0 .
0 0 0 12 2F3 F3 0 0 0
0 0 1
1 1 0 0
Por tanto la matriz 0 0 1 0 es la forma escalonada reducida de A.
0 0 0 1
El algoritmo anterior es el que se deduce del bosquejo de la demostraci
on del teorema anterior, en donde
se calculan los pivotes columna por columna, otra forma de aplicar reducci
on Gauss-Jordan es calculando los
pivotes fila por fila en donde se debe aplicar la definici
on paso a paso.
10
Por ejemplo, si queremos calcular la forma escalonada reducida de la matriz A de esta forma, n
otese que el
pivote en cada fila debe ser la primera entrada no nula de la fila, por tanto la tercera entrada de esta fila debe
ser el primer pivote, luego usamos esa entrada para anular las dem
as entradas en su respectiva columna como
se indica a continuaci
on
0 0
1
4 F1 + F2 F2 2 2
6 2F1 + F3 F3 3 3
0 1
2 1
3 2
1 1
0 3 .
0 4
Con estos pasos estamos garantizando el cumplimiento de la condiciones 2. y 4. de la Definici

on 1.3.
El siguiente paso es encontrar el pivote en la segunda fila convertirlo en un uno y usarlo para anular las
restantes entradas en su respectiva columna. Para la segunda fila se tiene que el pivote corresponde a la primera
entrada en esta fila, para convertirlo en un 1 se multiplica la segunda fila por
0 1
2 0
3 0
1
0 0
1
3 2 F2 F2 1 1
3 3
4
3
.
2
1
2
despues se usa el pivote para anular las dem

as entradas en su columna, en este caso, la primera columna.
0 0 1
1 1 0
3 3 0
4 3F2 + F3 F3 0
3
0 1
1 0
3
.
2
21
0 0
Antes de continuar con el siguiente pivote notemos que los pivotes en esta u
ltima matriz no satisfacen la
condici
on 3. de la Definici
on 1.3, ya que el pivote de la segunda fila est
a a la derecha del primer pivote y no a
la izquierda, para organizarlos, intercambiamos las dos primeras filas:
0 0
1 1
0 0
1 F1 F2 1 1
0 0
0
2
1
0 0
0 2
1
3
2
1 .
0 21
Finalmente observamos que la primera entrada no nula de la tercera fila es la u

ltima entrada en esta fila, para
convertirla en un uno y anular la otras entradas
de la u
ltima columna repetimos los pasos que hicimos en (1.4)
1 1 0 0
y obtenemos nuevamente que la matriz 0 0 1 0 es la forma escalonada reducida de A.
0 0 0 1
2 4
Ejemplo 1.7. Calcule la forma escalonada reducida de la matriz A = 2 4
1 2
2 .
GIRALDO
11
Las operaciones para reducir esta matriz son las siguientes:
F1 1 2 1
2 4
2 4
2 2F1 + F2 F2
2
1 2
1 F1 + F3 F3
1 2
1
1 2 0
F2 + F1 F1
0 0 1 .
2F1 + F3 F3 0 0 0
4 2
1
2 F1
1 2
0 0
0 0
1
4 F2
1 2
F2 0 0
0 0
Ahora que sabemos que toda matriz se puede llevar, por medio de operaciones elementales, a una matriz en
forma escalonada reducida, debemos tambien saber para que nos sirve este resultado en terminos de soluciones
de sistemas de ecuaciones lineales. El siguiente teorema nos muestra la utilidad de poder reducir matrices a su
forma escalonada reducida ya que de esta u
ltima podemos determinar si un sistema tiene soluciones y en el caso
afirmativo tambien nos permite saber si la soluci
on es u
nica o existen infinitas.
a11 x1 + + a1n xn = b1
a11
..
.
Teorema 1.2. Considere el sistema de ecuaciones
, sea A = ..
.
b1
..
.
am1 x1 + + amn xn = bm
am1 amn bm
la matriz de coeficientes asociada al sistema y sea A la forma escalonada reducida de A. Tenemos los siguientes
..
.
a1n
..
.
casos:
1. Si A tiene pivote en todas las columnas excepto la u
ltima entonces el sistema tiene soluci
on u
nica.
2. Si A tiene pivote en la u
ltima columna entonces el sistema tiene soluci
on vaca.
3. Si A no tiene pivote en la u
ltima columna y hay al menos otra columna sin pivote entonces el sistema
tiene infinitas soluci
ones.
1 0
.
.
Demostraci
on.
1. En este caso tenemos que A = .. . . . ..
0 1
al final, las cuales omitimos al no aportar ninguna informacion
c1
..
y posiblemente algunas filas de ceros
.
cn
adicional.
De esta matriz se obtienen las ecuaciones x1 = c1 , . . . , xn = cn la cuales corresponden a la u

nica soluci
on
al sistema.
2. Como A tiene un pivote en la u
ltima columna y un pivote es la primera entrada no nula de una fila
h
i
entonces tenemos que la matriz A tiene una fila de la forma 0 0 1 y de esta fila se obtiene la
ecuaci
on 0 = 1, lo cual implica que el sistema es inconsistente.
3. Supongamos sin perdida de generalidad que las dos u

ltimas columnas de A no tienen pivote y que las
12
dem
as si, entonces A tiene la forma
.
A = ..
..
.
0
..
.
c1
..
.
1 cn1
d1
..
.
dn1
y posiblemente algunas filas cero de las cuales precindimos. As obtenemos las ecuaciones x1 + c1 xn =
d1 , . . . , xn1 + cn1 xn = dn1 o equivalentemente
x 1 = d1 c 1 x n ,
...,
xn1 = dn1 cn1 xn .
Las cuales corresponden a las soluciones del sistema y por cada valor asignado a la variable xn obtenemos
una soluci
on, por tanto el sistema tiene infinitas soluciones.
Un razonamiento similar demuestra esta afirmacion cuando la columna sin pivote est
a en una columna
diferente y tambien en el caso en donde hay varias columnas sin pivotes.
A las variables correspondientes a columnas sin pivote se les llamar

a variables libres y a las dem
as se les
llamara variables b
asicas o no libres. La siguiente obervaci
on nos servira mas adelante.
Observaci
on 1.1. Los recprocos de las tres afirmaciones del teorema anterior tambien son ciertos, en la
Secci
on 1.4 veremos que las operaciones elementales de fila son reversibles lo cual permite aplicar operaciones
elementales de fila a A hasta recuperar la matriz A lo que nos lleva de las soluciones al sistema original.
Corolario 1.3. Un sistema lineal con m
as variables que ecuaciones (n > m) nunca tiene soluci
on u
nica.
Ejemplo 1.8. En este ejemplo se muestra las posibles soluciones para sistemas 2 2 seg
un sus matricces
escalonadas reducidas.
x + 2y = 3

4x + 5y = 6
1 0 1
1 2 3
. Por el Teorema 1.2 el sistema tiene so y que la matriz escalonada reducida era
0 1 1
4 5 6
luci
on u
nica y esta dada por x = 1 y y = 1, la cual se muestra en la Figura 1.1.
1
1
4
4
x
+
y
=
1
3
3
2. Al sistema lineal 3
y su matriz escalonada
le corresponde la matriz de coeficientes 3
1
1
1
1
x
+
y
=
1
3
3
3
3
1 3 0
. Por el Teorema 1.2 el sistema tiene soluci
on vaca, lo cual se muestra en la Figura
reducida es
0 0 1
1.1.
1 3 3
x + 3y = 3
y su matriz escalonada
3. Al sistema lineal
2 6 6
2x + 6y = 6
1. En el Ejemplo 1.3 se obtuvo que al sistema lineal
GIRALDO
reducida es
3 3
0 0
Figura 1.1.
13
. Por el Teorema 1.2 el sistema tiene infinitas soluciones, lo cual se muestra en la
Ejemplo 1.9. Determine si el sistema

de forma parametrica.
x1 + x2 + x3 + x4 = 4
tiene soluciones y en el caso afirmativo escribalas
x3 x4 = 3
Soluci
on. La matriz de coeficientes es
1 1
0 0
1 1 3
y su forma escalonada reducida est

a dada por A =
1
. Por el Teorema 1.2 el sistema tiene infinitas soluciones las cuales se pueden dar en forma
0 0 1 1 3
parametrica leyendo el sistema de ecuaciones de la matriz A , las cuales son x1 + x2 + 2x4 = 1 y x3 x4 = 3,
1 1
y escribiendo las variables b

asicas en terminos de las variables libres obtenemos
x1 = 1 x2 2x4
x3 = 3
+ x4 .
De acuerdo a estas ecuaciones las variables x2 y x4 toman valores arbitrarios y por cada par de valores que se le
asignen a estas variables, se tiene una soluci
on particular, si a estas variables les asignamos valores parametricos
x2 = t y x4 = u obtenemos todas las soluciones parametricas al sistema:
x1 = 1 t 2u
x2 = t
x3 = 3 + u
x4 = u.
Ejemplo 1.10. Considere el sistema
1
2
0
3
2 1
x + 2y + 3z = 1
a dada por A =
3y 2z = 1 . La matriz asociada al sistema est
2x y 8z = 1
2 1 cuya forma escalonada reducida R fue calculada en en el Ejemplo 1.5
8
1
1
1 0 13
3
3
R = 0 1 32 31 .
0 0
0
0
De aqu tenemos que el sistema tiene infinitas soluciones las cuales estan dadas por
x=
1
3
13
3 z
y = 31 + 23 z,
14
asignando el valor parametrico z = t a la variable libre z, obtenemos las soluciones parametricas al sistema:
x=
1
3
13
3 t
y = 13 + 32 t
z=
x + 2y + 3z = 1
Ejemplo 1.11. (MatLab) El sistema 2x 4y 6z = 1 tiene matriz asociada al sistema dada por
2x y 8z = 1
1
2
3 1
A = 2 4 6 1 .
2 1 8
1
Usando MatLab para calcular la forma escalonada reducida de A,
(>>format rat, A = [1, 2, 3, 1; 2, 4, 6, 1; 2, 1, 8, 1]; R = rref (A)), obtenemos la matriz
1 0 13
0
3
2
R = 0 1 3 0 .
0 0
0 1
Como esta u
ltima matriz tiene un pivote en la u
ltima columna, entonces por el Teorema 1.2 el sistema no tiene
soluci
on.
Del Teorema 1.2 tambien se desprende el siguiente corolario, para el cual necesitamos la siguiente definicion.
Definici
on 1.4. Un sistema lineal homog
eneo es un sistema lineal de la forma
a11 x1 + + a1n xn = 0
..
,
.
am1 x1 + + amn xn = 0
es decir, un sistema donde todos los t
erminos independientes son cero.
Corolario 1.4. Un sistema lineal homogeneo siempre tiene soluci
on.
Terminamos la seccion con la definicion de rango de una matriz.
Definici
on 1.5. Sea A una matriz y A su forma escalonada reducida. Definimos el rango de A, denotado por
rango(A), como el n
umero de pivotes de A .
Ejemplo 1.12. Para las matrices del Ejemplo 1.4 se tiene que
rango(A) = 3, rango(B) = rango(C) = rango(D) = 2 y
rango(E) = rango(F ) = rango(G) = 1.
GIRALDO
15
Problemas
1.1.1. Use el metodo Gauss-Jordan para resolver los siguientes sistemas.
a.
d.
x 2y + 3z = 7
2x + y z = 7
b.
2x + 4y 4z = 6
2x 5y + 4z = 6
2x y z = 7
x + 16y 14z = 3
x + 2y + 3z = 1
x + 2y + 3z + w = 7
4x + 5y + 6z = 2
e.
4x + 5y + 6z + 2w = 7
c.
xy+z =4
2x + y + z = 3
x + 2y + 3z + 4w = 1
f.
7x + 8y + 9z + 4w = 7
7x + 8y + 9z = 4
x+yz =7
x + 2y + 3z + 3w = 2
x + 2y + 2z + 2w = 3
x+ y+ z+ w =1
1.1.2. Encuentre las soluciones parametricas al sistema y u

selas para calcular dos soluciones particulares:
x 2y + 3z + w = 3
y
=2
w=1
1.1.3. Demuestre que el sistema
2x y + 3z =
3x + y 5z =
es consistente si y s
olo si = 2 3.
5x 5y + 21z =
1.1.4. Para los sistemas cuyas matrices aumentadas est
an dadas en los numerales desde a. hasta c. determine
los valores y para los cuales el sistema tiene:
I. Ninguna soluci
on.
II. Soluci
on u
nica.
III. Infinitas
a. 0
soluciones y en este caso dar dos soluciones particulares.
1 0
0
0
b. 0 1
1
1
0 0 2 + + 1
0 + 2
1.1.5. Muestre que el sistema
ax + by = 0
cx + dy = 0
c.
1 0
0 1
0 0
2
1
tiene soluci
on si y s
olo si ad bc = 0.
1.1.6. Haga una lista de todas las matrices 34 que esten en forma escalonada reducida.
1.1.7. Demuestre el Corolario 1.3 y el Corolario 1.4.
1.1.8. Muestre que si el n
umero de ecuaciones en un sistema lineal homogeneo es menor que el n
umero de sus
inc
ognitas, entonces el sistema tiene una soluci
on no trivial.
16
1.1.9. Muestre que efectuar operaciones elementales en un sistema de ecuaciones produce un sistema ecuaciones
equivalente. Dos sistemas de ecuaciones son equivalentes si tienen las mismas soluciones.
1.1.10. Usando el Problema 1.1.9, muestre que un sistema de ecuaciones es equivalente al sistema de ecuaciones
que se obtiene de la correspondiente matriz escalonada reducida.
1.1.11. Si A es una matriz de tama
no m n, demuestre que el rango(A) mn{m, n}.
1.1.12. Demuestre que el sistema homogeneo
ax + by = 0
tiene infinitas soluciones si y s

olo si ad bc = 0
cx + dy = 0
1.2.
Operaciones con Matrices y Vectores
En esta seccion se expondran las operaciones basicas entre matrices y vectores y se mostraran las propiedades
que estas operaciones satisfacen.
Definici
on 1.6. Definimos vector columna (fila) como una matriz con una sola columna (fila).

1

h
i

Ejemplo 1.13. v = 2 es un vector columna y w = 0 1 es un vector fila.

1
Definici
on 1.7. (Operaciones con matrices y vectores)
a11 a1n
b11
..
.
.
..
1. (Suma de matrices) Sean A = ..
y B = ..
.
.
am1 amn
bm1
definimos la matriz A + B como la matriz dada por:
A+B =
a11 + b11
..
.
..
.
a1n + b1n
..
.
am1 + bm1
amn + bmn
Similarmente, definimos la suma de los vectores x =
..
x
.
1
xn
b1n
..
matrices del mismo tama
no,
.
bmn
..
.
x 1 + y1
y1

..
.
y y = .. como el vector x + y =
.
.

x n + yn
yn
" a1 #
..
Identificando vectores v =
con el vector en Rn iniciando en el origen y terminando en el punto
.
an
(a1 , . . . , an ), obtenemos que la suma de vectores se rige por la Ley del paralolegramo, ver
1.7. En la
Figura

a
1
a1
siguiente figura vemos la representaci

on geometrica de los vectores v = en R2 y w = a2 en R3 .
a2
a3
GIRALDO
17
a11 a1n
..
.
..
2. (Producto de una matriz por un escalar) Sea A = ..
una matriz de tama
no m n y un
.
.
am1 amn
escalar (constante real arbitraria), definimos la matriz A como la matriz dada por
a11
..
A = .
am1
..
.
a1n
..
.
.
amn
x1

.
Similarmente, definimos el producto de un vector x = .. por un escalar R como el vector x =

xn
x1
..
. .
xn
2 2
Ejemplo 1.14. (MatLab) Sean A = 1 3 y B = 3
1
0
1
2A en MatLab como sigue
1 . Podemos calcular las matrices A + B y
>> A = [1, 2; 1, 3; 0, 1]; B = [2, 2; 3, 1; 1, 1]; A + B, 2 A

Obteniedo las matrices:
A+B = 2
2 A = 2 6 .
0
2
Notaci
on 1. Denotaremos por Omn a la matriz de ceros de tama
no m n, o simplemente por O si no hay
lugar a confusi
on y al vector cero lo denotaremos por n o simplemente si no hay lugar a confusi
on.
Si A es una matriz, denotamos por Ai el vector fila formado por la i-esima fila de A y por Ai el vector
columna formado por la i-esima columna de A.
El siguiente teorema establece las propiedades que satisfacen estas operaciones en matrices y vectores.
Teorema 1.5. Sean A, B y C matrices de tama
nos m n, y escalares, entonces tenemos
1.
(A + B) + C = A + (B + C)
2.
A + Omn = Omn + A = A
3.
A + (1A) = 1A + A = O
4.
A+B =B+A
5.
(A + B) = A + B
6.
( + )A = A + A
7.
()A = (A)
8.
1A = A
18
De la Propiedad 3. de este teorema se observa que 1A es el inverso aditivo de A y este sera denotado por
A (el inverso aditivo de una matriz es u
nico, ver Problema 1.2.4 ). En este sentido la diferencia de dos matrices
A y B, A B, se define como: A + (B).
El siguiente teorema establece las propiedades analogas que se cumplen para vectores.
Teorema 1.6. Sean x, y y z vectores con n componentes, y escalares, entonces tenemos
1.
(x + y) + z = x + (y + z)
2.
x + n = n + x = x
3.
x + (1x) = 1x + x = n
4.
x+y =y+x
5.
(x + y) = x + y
6.
( + )x = x + x
7.
()x = (x)
8.
1x = x
A continuacion se da la definicion de producto interno de vectores y transpuesta de una matriz, lo cual

permitira definir el producto de matrices.

x1
y1

..
..
Definici
on 1.8. Sean x = . y y = . vectores columna de n componentes, definimos el producto

xn
yn
interno o producto escalar de los vectores x y y, denotado por x y, por la f
ormula
x y = x 1 y1 + + x n yn =
n
X
x i yi .
i=1
a11 a1n
..
.
..
Definici
on 1.9. Sea A = ..
no m n, definimos la matriz transpuesta
una matriz de tama
.
.
am1 amn
t
de A, denotada por A , como la matriz cuyas columnas son las filas de A, esto es:
a11
At = ..
a1n
..
.
am1
..
.
.
amn
Si una matriz A satisface que At = A, decimos que A es sim

etrica.
Si una matriz A satisface que At = A, decimos que A es antisim
etrica.
2 1
2 3 1
entonces At = 3 2
Ejemplo 1.15. Si A =
.
1 2
1
1 1
2 1
1
Si B = 1
2 1 entonces B t = B y B es una matriz simetrica.
1 1
2
GIRALDO
19
Ejemplo1.16. (MatLab)El comando en MatLab para calcular la transpuesta de una matriz es transpose.
32 10
78
Sea A = 3
56 89, as para calcular su transpuesta se hace:
45
0
9
>> A = [32, 10, 78; 3, 56, 89; 45, 0, 9]; T = transpose(A)
32
3 45
Obteniedo la matriz T = At = 10
56 0 .
78 89 9
Ahora pasemos a definir el producto de matrices.
a11 a1n
..
.
..
no m n y B =
Definici
on 1.10. (Producto de matrices) Sea A = ..
una matriz de tama
.
.
am1 amn
b11 b1q
..
..
..
de tama
no n q. Definimos el producto A B, usualmente denotado por AB, como la matriz
.
.
.
bn1 bnq
c11 c1q
Pn
..
.
..
de tama
no m q dada por AB = ..
donde cij = k=1 aik bkj = ai1 b1j + ai2 b2j + + ain bnj ,
.
.
cm1 cmq
para i = 1, . . . , m y j = 1, . . . , q.
Notese que la ij-esima entrada de la matriz AB es la suma de los productos de cada entrada en la fila i de A
por la respectiva entrada de la columna j de B, esto es:
a
11
.
..
a
i1
.
.
.
am1
..
.
..
.
a1n
..
.
b11
.
.
ain
..
. bn1
amn
Este producto coincide con el producto escalar Ai

columna de B.
t
..
.
b1j
..
.
..
.
b1q
..
.
bnj
bnq
Bj , donde Ai es la i-esima fila de A y Bj es la j-esima
Ejemplo 1.17. Calcular el producto AB donde A =
yB=
2
3
1
1 .
20
Soluci
on. Vamos a calcular cada una de las entradas cij de la matriz AB:

2
1
2
h
it

1 t
c11 = A B1 = 1 1 0 2 = 1 2 = 2 + 2 + 0 = 4,

1
0
1

0
1
0
h
it

1 t
c12 = A B2 = 1 1 0 1 = 1 1 = 0 1 + 0 = 1,

0
0
0

2
2
2
h
it

2 t
c21 = A B1 = 2 2 3 2 = 2 2 = 4 4 3 = 3,

1
3
1

0
2
0
h
it

2 t
c22 = A B2 = 2 2 3 1 = 2 1 = 0 + 2 + 0 = 2.

0
3
0
De estos resultados tenemos
AB =
Ejemplo 1.18. (MatLab) Sean A =
1
2
podemos calcular el producto de matrices en
c11
c12
c21
c22
1
0
y B =
2 1 las matrices del ejemplo anterior,
2 3
1 0
MatLab usando el comando *, como se muestra a continuaci
on:
>> A = [1, 1, 0; 2, 2, 3]; B = [2, 0; 2, 1; 1, 0]; C = A B, D = B A

Obtienendo las matrices:
4 1
y D = 0
C=
3
2
1
3 .
1
0
4
El ejemplo anterior nos muestra que el producto de matrices no es en general conmutativo pero si satisface la
asociatividad.
Teorema 1.7. Sean A, B y C matrices de tama
nos m n, n p y p q, respectivamente. Entonces se tiene
que
A(BC) = (AB)C.
Demostraci
on. Sean aij , bij y cij las entradas de las matrices A, B y C respectivamente, y sean dij y eij las
entradas de las matrices AB y BC respectivamente. Por definicion del producto de matrices tenemos que
dij =
n
X
k=1
aik bkj
eij =
p
X
h=1
bih chj .
GIRALDO
21
Ahora, sean fij y gij las entradas de las matrices A(BC) y (AB)C respectivamente. Entonces
fij =
n
X
aik ekj =
k=1
gij =
p
X
h=1
n
X
aik
k=1
dih chj =
p
X
bkh chj =
h=1
p X
n
X
p
n X
X
aik bkh chj =
h=1 k=1
De las ecuaciones (1.5) y (1.6) tenemos que (AB)C = A(BC).
aik bkh chj
(1.5)
k=1 h=1
p
n X
X
aik bkh chj .
(1.6)
k=1 h=1
Una matriz con igual n

umero de filas y columnas, es de decir de tama
no n n, se llama matriz cuadrada.
El producto de matrices cuadradas satisface otras propiedades importantes, entre ellas la existencia de una
matriz neutra bajo
a la cual se le llama la matriz identidad y se denota por In . Esta matriz se
el producto,
1 0
.
.. . .
define por In = .
. .. , es decir, la matriz identidad es la matriz cuyas entradas en la diagonal principal
0 1
son uno y ceros por fuera esta. Listamos a continuacion mas propiedades de las operaciones con matrices.
Teorema 1.8. Sean A y C matrices de tama
nos m n y n q respectivamente, entonces se tiene lo siguiente:
1. Im A = A y AIn = A. En particular si A es una matriz cuadrada de tama
no n n entonces AIn = In A = A.
2. Okm A = Okn y AOnk = Omk para cualquier k = 1, 2, 3, . En particular si A es una matriz cuadrada de
tama
no n n entonces AOnn = Onn A = Onn .
3. (A + B)C = AC + BC, donde B es una matriz de tama
no m n.
4. A(B + C) = AB + AC, donde B es una matriz de tama
no n q.
A continuacion listamos tres propiedades, que aunque parecen no tener mucha importancia, seran muy u
tiles
en muchas demostraciones en el resto del libro.
A1
.
Lema 1.9. Sean A = .. una matriz de tama
no m n donde A1 , . . . , Am son las filas de A, B =
Am

x1

h
i
..
no n q donde B1 , . . . , Bq son las columnas de B y x = . un vector columna,
B1 Bq de tama

xq
entonces
1. Las columnas del producto AB son los vectores columna AB1 , . . . , ABq , es decir
h
i
AB = AB1 ABq .
A1 B
.
2. Las filas del producto AB son los vectores fila A1 B, . . . , Am B, esto es, AB = .. .
Am B
22
3. El producto Bx es el vector x1 B1 + + xq Bq . Es decir, el vector Bx es una combinacion lineal de las
columnas de B con coeficientes tomados de x.
En el siguiente ejemplo se muestra como puede ser usado el lema anterior para realizar el producto de matrices.

2

1
0 3
1 3
y x = 3
, B =
Ejemplo 1.19. Sean A =
. El producto AB se puede ver de las

2 1 1
4 1
1
siguientes formas
h
i
1 3 B
i y
AB = h
4 1 B

3
0
1
AB = A A A
1
1
2

3
1
3
1
= 1 + 2 0 1
1
4
1
4
5 3 0
.
=
2 1 11

3
1
3 + 1
1
4
El producto Bx es una combinaci

on de las columnas de B:

5
3
0
1
Bx = 2 3 + 1 = .
8
1
1
2
El producto de matrices sirve para establecer otra conexion entre matrices y sistemas de ecuaciones lineales. Sea
a11 x1 + + a1n xn = b1
..
un sistema de ecuaciones lineales, entonces por definicion del producto de matrices
.
am1 x1 + + amn xn = bm

a11 a1n
x1

.
..
..
.. , x = ...
tenemos que este sistema es equivalente a la ecuaci
on matricial Ax = b donde A = .

am1 amn
xn

b1

.
on matricial Ax = b en lugar del sistema de ecuaciones.
y b = .. . En lo que sigue del libro usaremos la ecuaci

bm
Terminamos la seccion definiendo matrices triangulares y matriz diagonal, que aparecen muy a menudo en
varias partes del libro.
a11
..
Definici
on 1.11. Sea A = .
an1
..
.
a1n
..
una matriz de tama
no n n, decimos que
.
ann
GIRALDO
23
1. A es triangular superior si aij = 0 para i > j.

2. A es triangular inferior si aij = 0 para i < j.
3. A es diagonal si aij = 0 para i 6= j.
1 2 3
1 0
Ejemplo 1.20. Las matrices A = 0 3 1, B = 2 3
0 0 2
1 2
triangular superior, triangular inferior y diagonal.
0
1
0 y C = 0
2
0
0 0
3 0 son, respectivamente,
0 2
Problemas

2
3

1.2.1. Ejecutar las operaciones indicadas con los vectores v = 1, w = 1 y z = 5 .

0
2
3
a.
A+B
b.
b.
3v
AB
c.
3w
d. 3v + 2d 3w.
2 2
1
2
1.2.2. Ejecutar las operaciones indicadas con las matrices A = 1 3 y B = 3

1 .
1
1
0
1
a.
v+w
c.
3A
d.
3A + 2B.
1.2.3. Es muy posible que los estudiantes que esten tomando

algebra lineal por primera vez esten acostumbrados
a que al multiplicar dos cosas distintas de cero su resultado sea distinto de cero. En la multiplicaci
on de matrices
esto puede no ocurrir. Al resolver este problema encontrar
an ejemplos de esta situaci
on y de otras situaciones
a las que posiblemente no esten acostumbrados.
1
3
3
0 1
, C =
, B =
Sean A =
1
52 52
0 0
los siguientes productos:
0
1 0
0
, E =
, D =
0
0 0
0
(a) AA, F F F y BC. Puede concluir algo m

as general del producto BC?
(b) DD y EE.
1.2.4. Demuestre que el inverso aditivo de una matriz es u
nico.
1.2.5. Sean A y B matrices de tama
nos m n. Muestre que
(a) (A + B)t = At + B t .
(b) (AB t )t = BAt .
0
yF =
0
1
0
1 0
0 1. Calcule
0 0
24
nos m n y n p, demuestre que (AB)t = B t At .
1.2.7. Demuestre los Teoremas 1.5, 1.6 y 1.8.
1.2.8. Una matriz cuadrada se llama una matriz de probabilidad si cada componente es no-negativa y la suma
de los elementos de cada fila es 1. Demuestre que si A y B son dos matrices de probabilidad tama
nos m n y
n q, entonces AB es una matriz de probabilidad.
1.2.9. Si A y B son matrices simetricas demuestre lo siguiente
1. A + B es simetrica.
2. (AB)t = BA.
1.2.10. Si A es una matriz de tama
no m n, demuestre que AAt y At A son matrices simetricas.
1.2.11. Sea A Mn (R), muestre que A+At es simetrica y AAt es antisimetrica y A = 21 (A+At )+ 21 (AAt ).
Es decir, toda matriz cuadrada se puede expresar como la suma de una matriz simetrica y una antisimetrica.
1.2.12. Sean A, B Mn (R), demuestre lo siguiente
1. Si A y B son triangulares superiores, entonces AB es triangular superior.
2. Si A y B son triangulares inferiores, entonces AB es triangular inferior.
3. Si A y B son matrices diagonales, entonces AB es diagonal.
4. En todos los anteriores casos, si las entradas en las diagonales principales de A y de B son, respectivamente, a11 , . . . , ann y b11 , . . . , ann , entonces las entradas en la diagonal principal de AB son a11 b11 , . . . , ann bnn .
" 0 #
1
1.2.13. Sean A, B Mn (R) con B = .. . . . .. diagonal, demuestre lo siguiente:
.
.
0 n
1. Si las columnas de A son C1 , . . . , Cn entonces las columnas de AB son 1 C1 , . . . , n Cn . Es decir, si

A = [ C1 Cn ] entonces AB = [ 1 C1 n Cn ].
"F #
1
2. Si las filas de A son F1 , . . . , Fn entonces las columnas de BA son 1 F1 , . . . , n Fn . Es decir, si A = ..
.
Fn
" F #
1 1
..
.
entonces BA =
.
n Fn
1.2.14. Si A Mmn (R), demuestre que rangoA = 1 si y s

olo si existen vectores v Rm y w Rn tal que
A = vwt .
1.2.15. Sean v1 , v2 y v3 vectores en Rn y un escalar. Demuestre lo siguiente:

v1 = 0,
v1 v2 = v2 v1 ,
v1 (v2 + v3 ) = v1 v2 + v1 v3 ,
(v1 ) v2 = v1 (v2 ) = (v1 v2 )
v1 v2 0.
1.2.16. Si A y B son matrices cuadradas que conmutan y son nilpotentes entonces A + B es nilpotente.
GIRALDO
1.3.
25
Inversa de una Matriz
Las matrices invertibles juegan un papel fundamental en el algebra lineal, en particular la posibibilidad de
tener la inversa de una matriz nos permitir
a resolver algunos sistemas de ecuaciones lineales de manera muy
simple. Se comienza esta seccion con la definicion de este concepto.
Definici
on 1.12. Sea A una matriz cuadrada de tama
no n n, decimos que A es invertible si existe una
matriz B de tama
no n n tal que AB = BA = In .
2 1
es invertible ya que el producto
Ejemplo 1.21. La matriz A =
1 1

1 0
1
= I2 .
=
0 1
2

1
2 1
1
=
1
1 1
2
1
1
Ejemplo 1.22. No toda matriz tiene inversa, por ejemplo, si la matriz A =
entonces existira una matriz B =
tendramos que
a+b
c+d
invertible.
= I2 =
1 1
0 0
tuviera una inversa,
tal que AB = BA = I2 . Sin embargo AB =
1 0
0 1
a+b
c+d
, por tanto 0=1 lo cual es una contradicci

on y A no puede ser
En general si A es una matriz con una fila de ceros entonces A no es invertible. Esta afirmacion se deja como
ejercicio, Problema 1.3.5.
Las matrices invertibles satisfacen las siguientes propiedades.
Lema 1.10. Sea A una matriz n n una matriz invertible, entonces la inversa es u
nica.
Demostraci
on. Sean B y C matrices inversas de A, es decir
AB = BA = In
AC = CA = In .
Entonces utilizando una de las propiedades de la matriz identidad del Teorema 1.8 tenemos que:
B = BIn = B(AC) = (|{z}
BA )C = In C = C.
In
Notaci
on 2. Como la inversa de una matriz invertible es u
nica, entonces de ahora en adelante la denotaremos
por A1 .
Teorema 1.11. Sean A y B matrices de tama
nos n n, entonces:
26
1. Si A y B son invertibles entonces AB es invertible y (AB)1 = B 1 A1 .
2. A es invertible si y s
olo si At es invertible y en este caso se tiene que (At )
Demostraci
on.
t
= A1 .
1. Utilizando la propiedad asociativa del producto de matrices (Teorema 1.7) se tiene que
1 1
1
1
(AB)(B 1 A1 ) = A BB
| {z } A = AIA = AA = I
=I
y de igual forma (B 1 A1 )(AB) = I, entonces la matriz B 1 A1 es la inversa de AB. Como la inversa

es u
nica tenemos que (AB)1 = B 1 A1 .
2. Supongamos que A es invertible, por el Problema 1.2.6 tenemos que At (A1 )t = (A1 A)t = I t = I y
adem
as (A1 )t At = (AA1 )t = I t = I, entonces la matriz (A1 )t es la invera de At , como la inversa es
u
nica obtenemos que (At )1 = (A1 )t .
La demostraci
on del recproco es analoga.
1 1 3
1 1 2
Ejemplo 1.23 (MatLab). Sean A = 1 2 2 y B = 0

0 1, de acuerdo al teorema anterior hay
2
0 2
1 2 2
dos maneras de calcular (AB)1 , las cuales son multiplicar A y B y despues calcular su inversa, o calcular B 1
y A1 y multiplicarlas. El comando para calcular la inversa de una matriz es inv, a continuaci
on exhibimos
estos c
alculos en MatLab.
>> format rat, A = [1, 1, 3; 1, 2,
= [1, 1,
2; 0, 0, 1; 1, 2,2]; C = inv(AB), D = inv(B)inv(A)
2; 2, 0, 2]; B
8
3
Obteniendo las matrices C = 34
1
3
7
3
2
3
23
7
6
8
3
5
y D = 34
6
1
6
1
3
7
3
2
3
23
7
6
5
,
6
las cuales son iguales.
1
6
El teorema tambien nos dice que hay dos maneras de calcular la inversa de At , una de forma directa y la
otra se obtiene al transponer A1 .

>> format rat, A = [1, 1, 3; 1, 2, 2;
2, 0, 2]; E = transpose(inv(A))
Obteniendo E =
23
1
3
2
3
13 y si se calcula de la siguiente forma,
1
1
2
3
6
6
>> format rat, A = [1, 1, 3; 1, 2, 2; 2, 0, 2]; F = inv(transpose(A))
1
3
23
se obtiene lo mismo.
Si Ax = b es un sistema de ecuaciones con A invertible, entonces el sistema tiene soluci
on u
nica y esta es facl
de calcular como se muestra a continuacion.
Teorema 1.12. Sea Ax = b un sistema de ecuaciones lineales de n ecuaciones con n incognitas. Si A es
invertible entonces el sistema tiene soluci
on u
nica y esta est
a dada por x = A1 b.
GIRALDO
27
Demostraci
on. Se deja como ejercicio.
x y + 3z = 2
Ejemplo 1.24. (MatLab) Resuelva el sistema lineal x 2y + 2z = 1.

2x
+ 2z = 0
2
3

Soluci
on. El sistema es equivalente a la ecuaci
on Ax = b con A = 1 2 2 y b = 1 y de acuerdo al

0
2
0 2
teorema anterior la soluci
on est
a dada por x = A1 b la cual calculamos con MatLab
1 1
>> A = [1, 1, 3; 1, 2, 2; 2, 0, 2]; b = [2; 1; 0]; x = inv(A) b

1

on al sistema est
a dada por x = 1, y = 0 y z = 1.
Obteniendose el vector x = 0 . Entonces la soluci

1
Problemas
1.3.1. Demuestre que una matriz A =
es su propia inversa si y s
olo si A = I o a = d y bc = 1 a2 .
1.3.2. Encuentre cuatro matrices 22 que sean sus propias inversas.

1.3.3. Sea A una matriz m n y sea B una matriz n m con n < m, demuestre que AB no es invertible.
(Ayuda: Demuestre que existe x 6= 0 tal que ABx = 0.)
Sean A, B y C matrices de tama
no n n.
1.3.4. Demuestre que si A = BC con A y B invertibles entonces C es invertible.
1.3.5. Demuestre que si una matriz A tiene una fila o una columna de ceros, entonces A no es invertible (Use
el Lema 1.9.)
1.3.6. Demuestre el Teorema 1.12.
1.3.7. Demuestre que A1 es invertible y que (A1 )1 = A.
1.3.8. Si A es 4 3 y B es 3 4 muestre que AB 6= I. (Ayuda: Muestre que la ecuaci
on Bx = 0 tiene una
soluci
on no trivial.)
1.3.9. Generalizando el problema anterior, si A es m n y B es n m y m > n entonces AB 6= I.
28
1.4.
Matrices Elementales
En esta seccion introduciremos las matrices elementales las cuales est

an asociadas a las operaciones elementales definidas en la Seccion 1.
Definici
on 1.13. Sea E una matriz de tama
no n n, decimos que E es una matriz elemental si E se obtiene
de la identidad al aplicar una operaci
on elemental de fila.
Ejemplo 1.25. Las siguientes matrices son matrices elementales:
1
0
1 2 0
0 1 0
B = 0 1 0 y C = 0 3
A = 1 0 0 ,
0
0
0 0 1
0 0 1
0 .
Cada una de estas matrices se obtiene al aplicar una operaci

on sobre la matriz identidad, como se muestra a
conitunaci
on:
0 1 0
0
F F
2
1
1 0 0 = A,
1 0
0 0 1
0 1
0
1 2 0
2F + F F
1
1
2
0 1 0 = B,
0
1
0 0 1
1 0
0
1
0
1 0
0 1
0 0
1
0
0
0
3F2 F2
0
1
3 0 = C.
0 1
Notaci
on 3. Como hay tres tipos diferentes de operaciones elementales, hay un n
umero igual de tipos de
matrices elementales, entonces usaremos la siguiente notaci
on.
Eij denotar
a la matriz elemental que se obtiene al intercambiar las filas i y j de la matriz identidad.
Eij (c) denotar
a la matriz que se obtiene al sumar c veces la fila i a la fila j de la matriz identidad.
Ei (c) la matriz que se obtiene al multiplicar por la constante c la fila i de la matriz identidad.
Ejemplo 1.26. En el ejemplo anterior tenemos que A = E12 , B = E21 (2) y C = E2 (3).
La importancia de las matrices elementales reside en el hecho de que estas matrices reemplazan las operaciones elementales ya que aplicar una operaci
on elemental a una matriz A es equivalente a multiplicar la matriz
elemental correspondiente a la operaci
on por A. Esto lo expresamos en el siguiente teorema.
Teorema 1.13. Sea A una matriz de tama
no m n y E una matriz elemental de tama
no m m asociada a
una operaci
on elemental de fila, el producto EA es la matriz que se obtiene al aplicar la operaci
on elemental de
fila a la matriz A.
GIRALDO
29
La demostraci
on de este teorema se hace verificando que al aplicar una operaci
on elemental se obtiene la
misma matriz que al multiplicar la matriz asociada a la operaci
on elemental, se debe considerar un caso por cada
operaci
on elemental. La verificacion es sencilla y preferimos mostrar un ejemplo que compruebe la afirmacion.
2 2
Ejemplo 1.27. Sea A = 0 1
4 5
1 1
2
la matriz 0 1 1.
4 5
1
on que multiplica la primera fila por

1. Al aplicar la operaci
1
2
1
2
obtenemos
N
otese que la matriz elemental asociada a esta operaci
on es la matriz E1 ( 12 ) = 0 1 0 y es f
acil
0 0
1
1 1
2
1
verificar que E1 ( 2 )A = 0 1 1.
4 5
1
2 2
4
Si en la matriz A sumamos -2 veces la fila 1 a la fila 3 obtenemos la matriz 0 1 1.
0 1 7
1 0 0
acil
N
otese que la matriz elemental asociada a esta operaci
on est
a dada por E13 (2) = 0 1 0 y es f
2 0 1
2 2
4
verificar que E13 (2)A = 0 1 1.
0 1 7
2 2
4
Finalmente, si en la matriz A intercambiamos las filas 2 y 3 obtenemos la matriz 4 5

1 . La matriz
0 1 1
2 2
4
1 0 0
acil ver que E23 A = 4 5

elemental asociada a esta operaci
on de fila es E23 = 0 0 1 y f
1 .
0 1 1
0 1 0
Las operaciones elementales de fila son reversibles, es decir, al aplicar una operaci
on elemental de fila, siempre
se puede aplicar otra operaci
on elemental que deshaga la operaci
on aplicada. Esto se muestra en el siguiente
ejemplo.
Ejemplo 1.28. Para ilustrar la reversibilidad de las operaciones elementales consideremos la matriz A =
30
on,
2 0 2, si intercambiamos las filas 1 y 2 de esta matriz y aplicaramos nuevamente la misma operaci
3 1 0
obtenemos la matriz orginal como se muestra a continuaci
on
0 1 3
2 0 2
0 1 3
F F
F F
2
2
1
1
2 0 2
0 1 3
2 0 2 .
3 1 0
3 1 0
3 1 0
En general, si se intercambian dos filas de una matriz, la operaci

on se puede revertir al volver a intercambiarlas
una vez m
as. Esto a la vez nos dice que la matriz elemental Eij , asociada a esta operaci
on de intercambio de
1
= Eij .
dos filas, es invertible y es igual a su propia inversa, esto es Eij
Volviendo a la matriz A, si multiplicamos la fila 2 por
1
2
y despues multiplicamos la misma fila por 2 obtenemos
la matriz original como se muestra a continuaci

on
0 1
0 1 3
1
2 0 2 2 F2 F2 1 0
3 1
3 1 0
0 1 3
3
1 2F2 F2 2 0 2 .
3 1 0
0
En general, si se multiplica una fila de una matriz por una constante c 6= 0, la operaci
on se puede revertir al
volver a multiplicar la misma fila de la nueva matriz por la constante
1
c.
Esto a la vez nos dice que la matriz
elemental Ei (c), asociada a esta operaci

on de multiplicar la fila i por una constante c 6= 0, es invertible y su

inversa est
a dada por Ei (c)1 = Ei 1c .
Una vez mas regresamos a la matriz A, si le sumaramos
1
2
la fila 2 a la fila 1 obtenemos la matriz original como se
1
0 1 3 2 F2 + F1 F1
1 1
2 0 2
2 0
3 1 0
3 1
muestra a continuaci
on
1
4 2 F2 + F1 F1
0
2
2
0
3
de la fila 2 a la fila 1 y despues le sumaramos
1
2
de
1 3
0 2 .
1 0
Com
unmente, si se le suma c veces la fila i de una matriz a la fila j, la operaci
on se puede revertir al volver
a sumar c veces la fila i a la fila j. Esto una vez mas nos dice que la matriz elemental Eij (c), asociada a
esta operaci
on de sumar c veces la fila i a la fila j, tambien es invertible y su inversa est
a dada por Eij (c)1 =
Eij (c) .
De acuerdo a lo observado en el ejemplo anterior tenemos el siguiente resultado.
Teorema 1.14. Toda matriz elemental es invertible y las inversas estan dadas por

1
1
.
= Eij ,
Eij (c)1 = Eij (c) y Ei (c)1 = Ei
Eij
c
Al aplicar reduccion Gauss-Jordan a una matriz, por cada operaci
on elemental de fila, hay una matriz
elemental, la matriz que se obtiene al aplicar la operaci

on de fila a la matriz identidad. Como toda matriz se
puede reducir a una forma escalonada reducida, entonces se tiene el siguiente teorema.
GIRALDO
31
Teorema 1.15. Toda matriz se puede expresar como el producto de un n

umero finito de matrices elementales
por una matriz en forma escalonada reducida. Mas concretamente, si A es una matriz de tama
no m n, existen
matrices elementales E1 , . . . , Ek todas de tama
no m m y una matriz escalonada reducida A tal que
A = E1 Ek A .
Demostraci
on. El resultado se sigue de los Teoremas 1.1 y 1.13 teniendo en cuenta que a cada operaci
on
elemental tiene asociada una matriz elemental.
1 1 0
Ejemplo 1.29. Expresar la matriz A = 1 1 2 como un producto de matrices elementales por una matriz
2 2 2
en forma escalonada reducida.
Soluci
on. Necesitamos aplicar reducci
on Gauss-Jordan a la matriz A indicando las matrices elementales asociadas a
cada operaci
on aplicada
1 0
1 1
1 2 F1 +F2 F2 0 0
2 2
2 2
| {z }
E12 (1)
0
1
0
2
2 2F1 +F3 F3 0
{z
}
|
E13 (2)
Por el Teorema 1.13 tenemos que E23 (2)E2

tiene que
1
2
1 0
1
0 2 12 F2 F2 0
0 2
0
| {z }
E2 ( 21 )
1 0
1 1 0
0 0 1 .
0 1
0 2 2F2 +F3 F3 0 0 0
{z
}
|
E23 (2)
1 1 0
E13 (2)E12 (1)A = A con A = 0 0 1. Entonces se
0 0 0
A = E12 (1)1 E13 (2)1 E2
1
1
E23 (2)1 A
2
= E12 (1)E13 (2)E2 (2)E23 (2)A .

Escribiendo las matrices de manera
1 0
A = 1 1
0 0
explicita tenemos:
0
1 0 0
1 0
0 0 1 0 0 2
1
2 0 1
0 0
A continuaci
on verificamos el resultado con MatLab
0
1 0
0 0 1
1
0 2
0
1 1 0
0 0 0 1 .
1
0 0 0
>> E1=[1 0 0;1 1 0;0 0 1]; E2=[1 0 0;0 1 0;2 0 1]; E3=[1 0 0;0 2 0;0 0 1]; E4=[1 0 0;0 1 0;0 2 1]; A =[1 1
0;0 0 1;0 0 0]; A = E1 E2
E3 E4 A
1 1
Obteniendo la matriz A = 1 1
2 2
2 .
32
Ahora usaremos matrices elementales para dar un criterio de invertibilidad de una matriz. Primero debemos
observar lo siguiente.
Lema 1.16. Sea A una matriz de tama
no n n en forma escalonada reducida, entonces A es invertible si y
s
olo si A = I.
Demostraci
on. Supongamos que A es una matriz escalonada reducida invertible y razonemos por el
absurdo, supongamos que A 6= I, entonces A tiene al menos una columna sin pivote y al ser de tama
no n n,
A debe tener al menos una fila de ceros, entonces por el Problema 1.3.5 A no puede ser invertible, lo cual es un
absurdo. Concluimos que A = I.
Si A = I entonces A es claramente invertible.
De esto se desprende el siguiente resultado.
no n n, entonces A es invertible si y s
olo si A se puede escribir
como un producto de matrices elementales.
Demostraci
on. Supongamos que A es invertible. Por el Teorema 1.15 sabemos que A = E1 Ek A
con E1 , . . . , Ek matrices elementales y A en forma escalonada reducida, como A es invertible y las matrices
elementales tambien son invertibles tenemos que A es invertible, entonces por el Lema 1.16 tenemos que A = I
y por tanto A = E1 Ek es un producto de matrices elementales.

Si A = E1 Ek es un producto de matrices elementales, como las matrices elementales son invertibles
entonces A es el producto de matrices invertibles y por el Teorema 1.11 tenemos que A es invertible.
0
1
2
Ejemplo 1.30. Expresar la matriz A = 1

0
1 y su inversa como un producto de matrices elementales.
1 2 2
Soluci
on. Abajo se muestra la reducci
on Gauss-Jordan de esta matriz indicando la matriz elemental asociada
a cada operaci
on aplicada de acuerdo a la Notaci
on 3.
1 2
0
F2 +F3 F3 0
| {z }
E23 (1)
F1 F2
| {z }
0 1
E12
1 2
0 1
{z
E31 (1)
0 0
0 0
1 2 2F3 +F2 F2 0
0 1
0
|
{z
}
E32 (2)
De aqu tenemos que E32 (2)E31 (1)E23 (1)E13 (1)E12 A = I, por tanto
A1 = E32 (2)E31 (1)E23 (1)E13 (1)E12
1 1
E13 (1)
0
2
1 2 F1 +F3 F3 0
| {z }
1
F3 +F1 F1
1 0
0 1
GIRALDO
33
1
A = E12
E13 (1)1 E23 (1)1 E31 (1)1 E32 (2)1
= E12 E13 (1)E23 (1)E31 (1)E32 (2).

Las matrices elementales tambien nos ayudan a demostrar un algoritmo para calcular la inversa de una matriz,
el cual enunciamos a continuacion.
Notaci
on 4. Sea A y B matrices con el mismo n
umero de filas, a la matriz obtenida de juntar ambas matrices
i
h
se llamar
a matriz aumentada y se denotar
a por A B .
Teorema 1.18. (Algoritmo para calcular la inversa de una matriz) Sea A una matriz invertible de tama
no nn,
h
i
h
i
al aplicar reducci
on Gauss-Jordan a la matriz aunmentada A I obtenemos la matriz I A1 . M
as
i
h
a
un, si B es una matriz de tama
no n q, al aplicar reducci
on Gauss-Jordan a la matriz aumentada A B
h
i
obtenemos la matriz I A1 B .
Demostraci
on. Sean E1 , . . . , Ek las matrices elementales asociadas a las operaciones elementales necesarias
para reducir la matriz A a su forma escalonada reducida A . Como A es invertible entonces A = I y tenemos
h
i
que Ek E1 A = I. Al aplicar las operaciones E1 , . . . , Ek a la matriz A | I obtenemos
E
k
2
1
E k E1 A | E k E1 .
[E2 E1 A | E2 E1 ] . . .
[E1 A | E1 I = E1 ]
[A | I]
| {z }
(1.7)
=I
Como Ek E1 A = I y como la inversa de una matriz cuadrada es u

nica, entonces Ek E1 = A1 , as la
h
i
u
ltima matriz en la Ecuaci
on (1.7) es igual a I | A1 .
El mismo analisis muestra la segunda parte.
1 calcular A1 .
2 2
Ejemplo 1.31. (MatLab) Sea A = 1
Soluci
on. Usando MatLab para calcular la forma escalonada reducida de la matriz
>> AI = [0, 1, 2, 1, 0, 0; 1, 1, 1, 0, 1, 0; 1, 2, 2, 0,0,1]; rref (AI)
Obteniendo la matriz aumentada
inversa A
0
2
= 1 2
1
1
2.
1 0
= 0 1
0 0
Ejemplo 1.32. (MatLab) Sean A = 1

1
1 2
0 1
A I
obtenemos
2 2 , de lo cual se sigue que la matriz
1
1
1 2
1 y B = 2 3, calcular A1 B.
0 1
2
34
Soluci
on. De acuerdo al teorema
anterior debemos encontrar la forma escalonada reducida de la matriz au
0
1
2 1 2
i
h
mentada C = A B = 1
1
1 2 3 , la cual calculamos usando MatLab
1 2 2 0 1
>> C = [0, 1, 2,
1, 2; 1, 1, 1, 2, 3; 1, 2,
2, 0, 1]; rref (C)
1 0 0
4
7
4
7
y se obtiene 0 1 0 5 10 . De acuerdo al teorema anterior A1 B = 5 10.
0 0 1
3
6
3
6
Observaci
on 1.2. Del Teorema 1.18 se sigue que al aplicar reducci
on Gauss-Jordan a una matriz invertible A
se obtiene I, si se aplican las mismas operaciones elementales que se aplicaron a A para reducirla a I entonces
se obtiene el producto de las correspondientes matrices elementales, producto que a su vez es igual a A1 . Es
decir, si E1 , . . . , Ek son las matrices elementales asociadas a las operaciones elementales que se usaron para
reducir la matriz A, entonces al aplicar las mismas operaciones elementales y en el mismo orden sobre la matriz
I, el resultado final es A1 .
Esto es cierto ya que aplicar una operaci
on elemental a una matriz es equivalente a multiplicar por la matriz
elemental asociada a la operaci
on a la izquierda, al comenzar con I obtenemos
E
k
2
1

Ek E1 = A1 .
E1 I = E1
I
Observaci
on 1.3. Si en el Teorema 1.18 las columnas de la matriz B son los vectores B1 , . . . , Bq , entonces al
i h
i
h
aplicar reducci
on Gauss-Jordan a la matriz aumentada A B = A B1 Bq obtenemos la matriz
h
i
A1 B = A1 B1 A1 Bq , obteniendo soluciones simultaneas a los sistemas Ax = B1 , . . . , Ax = Bq .
Ejemplo 1.33. Usar la observaci
on anterior para resolver los sistemas
x2 + 2x3 = 2
x2 + 2x3 = 1
x1 + x2 + x3 = 2
x1 2x2 2x3 = 0
x1 + x2 + x3 = 3
x1 2x2 2x3 = 1.
Soluci
on. Estos sistemas son equivalentes a las ecuaciones matriciales

0
1
2
1
2
Ax = b1 y Ax = b2 donde, A = 1
1
1 , b1 = 2 y b 1 = 3 .

1 2 2
0
1
Estos se pueden resolver

simultaneamente calculando la forma escalonada
reducida de la
matriz aumentada
4
7
1 0 0
0
1
2 1 2
i
h
a dada por 0 1 0 5 10 (ver ejemplo ante1

1 2 3 , la cual est
A b 1 b2 = 1
3
6
1 2 2 0 1
0 0 1
rior) y por tanto las respectivas soluciones a los sistemas est
an dadas por

7
4

y
x = 10 .
x = 5

6
3
GIRALDO
35
Terminamos la seccion con el siguiente teorema que sera u

til en el proximo captulo, en este teorema se
explota el hecho de que las operaciones elementales son reversibles.
Teorema 1.19. Sea A una matriz de taman
o m n y A su forma escalonada reducida. Entonces Ax = 0 si
y s
olo si A x = 0, es decir, x es una soluci
on al sistema homogeneo Ax = 0 si y s
olo si x es una soluci
on al
sistema A x = 0.
a1n
a11 x1 + + a1n xn = 0
..
..
, entonces el sistema es equivalente a
.
.
amn
am1 x1 + + amn xn = 0,
h
i
el cual se puede resolver aplicando las operaciones elementales de fila a la matriz aumentada A 0 . Si aplicamos
h
i
operaciones hasta llegar a la forma escalonada reducida obtenemos la matriz A 0 , la cual nos da las soluciones
a11
..
Demostraci
on. Si A = .
am1
..
.
al sistema A x = 0. Ahora como las operaciones elementales son reversibles, comenzando con el sistema A x = 0,
podemos llegar al sistema Ax = 0. Por tanto Ax = 0 si y s
olo si A x = 0.
Problemas
1.4.1. Determine si las siguientes
A = 1
matrices son invertibles y en caso afirmativo calcule su inversa.
2 0
4
2 0 4
1 1
2 2 , B = 0 2 2 y C = 0 2 10 .
3 1
1
3 1 1
4 1
1.4.2. Escriba las siguientes matrices y sus
A = 1
1.4.3. Escribala
1
1
reducida. A =
inversas como producto de matrices elementales.
2 0 4
1 1
y
B
=
0 2 2 .
2 2
3 1 1
4 1
matriz A como un producto de matrices elementales por una matriz en forma escalonada
1 1 1 1 1
1 1 1 1 2
.
1 1 1 2 3
1 1 2 3 4
1.4.4. si A y B tienen la misma forma escalonada reducida entonces existen matrices elementales E1 , . . . , Es
tal que A = E1 Es B.

nos m n y n q respectivamente. Demuestre que rango(AB) rango(A)
(Ayuda: Use el Lema 1.9 y el Teorema 1.15)
36
1.5.
Inversas Laterales
En esta seccion se definir

a el concepto de inversa lateral, que generaliza el concepto de invertibilidad de
una matriz. Veremos que hay matrices que no son invertibles que tienen inversa a la izquierda o a la derecha y
mostraremos criterios claros que nos permitir
an decidir cuando una matriz posee inversas laterales y algoritmos
para calcularlas. Terminaremos el captulo con un teorema que reune todas las propiedades equivalentes a que
una matriz sea invertible.
Definici
no m n.
1. Decimos que A tiene inversa a la izquierda si existe una matriz L de tama
no n m tal que LA = In .
2. Decimos que A tiene inversa a la derecha si existe una matriz R de tama
no n m tal que AR = Im .
yB=
0
0 1 1
0
es una inversa a la derecha de A y a la vez, A es
Ejemplo 1.34. Sean A =
1 0
acil c
alculo nos muestra que AB = I2 y por tanto B
0, un f
1
una inversa a la izquierda de B. N
otese adem
as que ni A ni
B son invertibles pues no son matrices cuadradas.

Tenemos el siguiente criterio para caracterizar las matrices que tienen inversa a la derecha. En lo que sigue,
para i = 1, . . . , n denotaremos por ei al vector columna en Rn cuya entrada es uno en la posicion i y cero en
las dem
as entradas, es decir,
1
0
0
e1 = .. ,
.
0
0
0
1
0
e2 = .. ,
.
0
0
0
0
...
0
en = .. .
.
0
1

no m n, entonces las siguientes afirmaciones son equivalentes:
1. A tiene inversa a la derecha.
2. El sistema Ax = b tiene soluci
on para cada b Rm .
3. rango(A) = m = n
umero de filas de A.
4. La funci
on TA : Rn Rm definida por TA (x) = Ax es sobreyectiva.
Demostraci
on. Vamos a demostrar que 1 2, 2 3 y 2 4.
h
i
1 2Si A tiene inversa a la derecha, existe R = R1 Rm de tama
no n m tal que AR = I. Sea
GIRALDO
37
b = b1 e1 + + bm em Rm entonces el vector c = b1 R1 + + bm Rm es una soluci

on al sistema Ax = b ya que
Ac = A(b1 R1 + + bm Rm ) = b1 AR1 + + bm ARm

b1
h
i
..
= AR1 ARm .

bm
h
i
= A R1 Rm b
{z
}
|
=R
= |{z}
AR b
=I
= b.
2 1Supongamos que la ecuaci

on Ax = b tiene soluci
on para cada b, entonces para cada i = 1, . . . , m, la
ecuacion Ax = ei tiene soluci
on. Sean r1 , . . . , rm las soluciones respectivas dichas ecuaciones. Es decir,
Ar1 = e1 , . . . , Arm = em .
h
Sea R = r1
i
rm , entonces se tiene que
h
AR = A r1
rm
Por tanto R es la inversa a la derecha de A.
"
Ar1
= |{z}
=e1
#
h
Arm =
e1
|{z}
=em
i
em = I m .
2 3Supongamos que Ax = b tiene soluci

on para cada b y sabemos que rango(A) m = n
umero de filas de
A. Si rango(A) < m, entonces las forma escalonada A de A tiene al menos una fila de ceros. Sean E1 , . . . , Ek
matrices elementales tal que A = E1 Ek A y sea b = Ek1 E11 em entonces al aplicar reduccion Gaussh
i
Jordan a la matriz A b usando las operaciones elementales de fila asociadas a las matrices E1 , . . . , Ek
#
"
i
h
E
E
b
E
E
A
1
k
1
k
ltima fila de A es de ceros, entonces
obtenemos la matriz | {z } | {z } = A em . Como la u
=A
em
on Ax = b no tiene soluci
on, lo que
el sistema es inconsistente, es decir, para b = Ek1 E11 em , la ecuaci
contradice la hip
otesis. Por tanto rango(A) = m.
3 2Si rango(A) = m = # de filas, entonces A tiene un pivote en cada fila, por tanto para todo b Rm
i
h
ltima columna y as el sistema Ax = b siempre tiene al
se tiene que la matriz A b no tiene pivote en la u
menos una soluci
on.
2 4Si la ecuaci
on para todo b, entonces para todo b Rm , existe c Rn tal que
b = Ac = TA (c). Por tanto TA es sobre.
4 2Si TA es sobre, para todo b Rm , existe c Rn tal que b = TA (c) = Ac, es decir, x = c es una soluci
on
al sistema Ax = b.
La parte 3. de este teorema nos dice que una matriz tiene inversa a la derecha si y s
olo si su forma escalonada
reducida tiene un pivote en cada fila. El teorema tambien nos ofrece un metodo calcular la inversa a la derecha, el
38
cual est
a casi explcito en la demostraci
on de 1 2, ya que en ese numeral se prueba que las columnas R1 , . . . , Rm
de la inversa a la derecha R son las respectivas soluciones a las ecuaciones Ax = e1 , Ax = e2 , . . . , Ax = en como
se ilustra en el siguiente ejemplo.
Procedimiento 1.1. Sea A una matriz de tama
no m n y A la forma escalonada reducida de A, si A tiene
un pivote en cada fila entonces A tiene una inversa a la derecha, para calcularla hacemos lo siguiente:
1. Para i = 1, , m, calculamos una soluci
on ri al sistema Ax = ei , es decir, un vector ri tal que Ari = ei .
Sabemos que estos vectores existen por el Teorema 1.2.
h
2. Se hace R = r1
anterior.
i
rm la matriz cuyas columnas son los vectores r1 , , rm calculados en el paso
De acuerdo al Teorema 1.20, la matriz R es una inversa a la derecha de A.
1 2 2
tiene inversa a la derecha y en caso afirmativo
Ejemplo 1.35. Determine si la matriz A =
1 0 4
calcular una inversa a la derecha de A.
1
0
4
se tiene que rango(A) =
Soluci
on. Como la forma escalonada de reducida de A es la matriz A =
0 1
3
2 = n
umero de filas, por tanto A tiene inversa a la derecha por el Teorema 1.20.
Para encontrar la inversa a la derecha de A debemos encontrar soluciones a las ecuaciones
Ax = e1y Ax =
0
0

1
1
e2 . Se puede verificar que soluciones particulares a estas ecuaciones est
an dadas por r1 = 2 y r2 = 4 y

1
0
4
por tanto una inversa a la derecha de A est
a dada por
0
0
h
i
R = r1 r2 = 12 14 .
1
0
4
El siguiente teorema carateriza las matrices con inversa a la izquierda, las propiedades son analogas a las del
teorema anterior para la inversa a derecha.
no m n, entonces las siguientes afirmaciones son equivalentes:
1. A tiene inversa a la izquierda.
2. El sistema Ax = b tiene a lo sumo una soluci
on para cada b Rm .
3. La funci
on TA : Rn Rm definida por TA (x) = Ax es inyectiva.
4. El sistema Ax = m tiene soluci
on u
nica.
5. rango(A) = n = n
GIRALDO
39
Demostraci
on. Para este teorema demostraremos las equivalencias en el orden 1 2, 2 3, 3 4, 4 5 y
5 1.
1 2Supongamos que A tiene inversa a la izquierda L , y sean v y w soluciones al sistema Ax = b. Entonces
b = |{z}
v = Iv = L |{z}
Av = L |{z}
LA w = Iw = w.
=Aw
=b
=I
Como v = w el sistema tiene a lo sumo una soluci

on.
2 3Supongamos que Ax = b tiene a lo sumo una soluci

on para todo b y que TA (v) = TA (w), entonces
Av = Aw. Sea b = Av, entonces la ecuaci
on Ax = b tiene dos soluciones v y w, entonces v = w.
3 4Supongamos que TA es inyectiva. Entonces si v es tal que Av = se tiene que = Av = TA (v) y como
TA () = A = entonces TA (v) = TA () y como TA es inyectiva, v = .
4 5 Supongamos que el sistema Ax = tiene soluci
on u
nica, entonces por el Teorema 1.2 la forma
i h
i
h
escalonada reducida de la matriz A = A , donde A es la forma escalonada reducida de A tiene
un pivote en todas la columnas excepto la u
ltima, es decir, A tiene un pivote en cada columna y por tanto
rango(A) = n = n
5 1Supongamos que rango(A) = n, entonces la forma escalonada A de A tiene un pivote en cada columna,
por tanto
0
0 1 0
1 0
.. ..
. .
A =
00 00
. .
.. ..
. . ..
. .
1 .
0
. . ..
..
0 0 0
Sean E1 , . . . , Ek matrices elementales tal que A = E1 Ek A y sea

B = Ek1 E11 , entonces A = BA. Sean B 1 , . . . , B m
tenemos lo siguiente
B1A
B1
.
.
A = BA = .. A = .. .
BmA
Bm
B1
.
las filas de B, es decir B = .. . Como A = BA
m
B
B1

.
Ahora tomemos C = .. la matriz formada con las primeras n filas de B, veamos

Bn
a la izquierda de A.

1 0
B1A
B1

0 1
.
.
CA = .. A = .. = primeras n filas de A =
.. .. . .

. .
.
n
n
B A
B
0 0
que C es la matriz inversa
.. = I.
.
40
Este teorema tambien nos da una forma de determinar si una matriz tiene inversa a la izquierda (se calcula el
rango y la matriz tiene inversa a la izquierda si y s
olo si el rango es igual al n
umero de columnas). El teorema
tambien provee un algorimo para calcular dicha matriz, el cual se describe a continuacion.
Procedimiento 1.2. Sea A una matriz de tama
no m n y sea A la forma escalonada de de A, si A tiene
un pivote en cada columna entonces A tiene una inversa a la izquierda. Si A tiene inversa a la izquierda esta
se puede calcular haciendo lo siguiente:
1. Se aplica reducci
on Gauss-Jordan a la matriz.
2. Se calcula el producto de las matrices elementales Ek E1 asociadas a las operaciones elementales usadas
en el paso anterior. Este producto se puede calcular directamente aplicando sucesivamente las operaciones
elementales que se aplicaron en el paso anterior para reducir la matriz A comenzando con la matriz
identidad Im , con m = n
3. La matriz L formada por las primeras n filas de la matriz Ek E1 es la inversa a la izquierda.
Ejemplo 1.36. (MatLab) Para cada una de las matrices abajo, determine si tienen inversa a la izquierda y
encuentrela en caso afirmativo.
Soluci
on.
a. A = 4
b. B =
1 1
2 1
1 1
c. C = 0
1 .
1. Usando MatLab para calcular el rango de la matriz A obtenemos

>> A = [2, 1; 4, 2; 2, 1]; r = rank(A)
que r = 1, as como rango(A) = 1 < n
umero de columnas, entonces por el Teorema 1.21 la matriz no
tiene inversa a la izquierda.
2. La matriz B tiene 2 filas, de donde rango(B) 2 < 3 =n
umero de columnas. Por tanto B no tiene
inversa a la izquierda.
3. El rango de esta matriz C es dos, entonces C tiene inversa a la izquierda. Para calcular una inversa a la
izquierda debemos aplicar el procedimiento descrito arriba,
1. Apliquemos reducci
on Gauss-Jordan a la matriz C
1 1
1
0
0
1
2
1 2F1 +F3 F3 0
|
{z
}
E1
1 F2 +F1 F1 1 0
1 0
0 1
0 1 .
1
3
0 3 3F2 +F3 F3 0 0
|
| {z }
{z
}
E2
E3
GIRALDO
41
Donde E1 , E2 y E3 son las matrices elementales asociadas a cada una de las operaciones ejecutadas.
2. Aplicamos las operaciones efectuadas en la reducci
on a la matriz identidad 3 3. Esto es equivalente a
multiplicar las matrices elementales asociadas a las operaciones.
1 0 0 F2 +F1 F1
1
1 0 0
0 1 0
0
0 1 0
2
0 0 1 2F1 +F3 F3 2 0 1
|
|
{z
}
E1
3. La matriz L =
1 1
0 1
izquierda de C.
1
0
{z
E2 E1
0 = E3 E2 E1 .
1
1
0
1
3F2 +F3 F3 2 3
1
}
0
, obtenida al suprimir la u
ltima fila a la matriz E3 E2 E1 , es una inversa a la
0
Hay otra forma de calcular la inversa a la izquierda de una matriz. Es facil ver que si R es una inversa a la
derecha de At entonces L = Rt es una inversa a la izquierda de A. Esto se ilustra en el siguiente ejemplo.
1 1
Ejemplo 1.37. (MatLab) Calcular una inversa a la izquierda de la matriz C = 0

1 .
2
1
Soluci
on. Para calcular la inversa a la derecha de C t , necesitamos resolver las ecuaciones C t x = e1 y C t x = e2 .
Estas soluciones las calculamos con MatLab
>> C t =[1,0, 2; 1, 1,
1]; e1 = [1; 0]; e2 = [0; 1]; r1 = A\e1, r2 = A\e2
1
2
3
3

r1 = 0 y r2 = 0 .

1
3
1
3
1
3
Entonces una inversa a la derecha de C t es la matriz R = 0
C es la matriz L = Rt =
1
3
32
1
3
1
3
1
3
23
0 , por tanto una inversa a la izquierda de
1
3
De estos resultados obtenemos la siguiente caracterizaci

on para matrices invertibles.
Corolario 1.22. (Caracterizaci
on de una matriz invertible) Sea A una matriz cuadrada de tama
no n n,
entonces las siguientes afirmaciones son equivalentes:
1. A es invertible.
2. A tiene inversa a la izquierda.
42
3. El sistema Ax = b tiene a lo sumo una soluci
on para cada b Rn .
4. La funci
on TA : Rn Rn definida por TA (x) = Ax es inyectiva.
5. El sistema Ax = n tiene soluci
on u
nica.
6. rango(A) = n = n
umero de columnas de A = n
umero de filas deA.
7. A tiene inversa a la derecha.
8. El sistema Ax = b tiene soluci
on para cada b Rm .
9. La funci
on TA : Rn Rn definida por TA (x) = Ax es sobreyectiva.
10. La funci
on TA : Rn Rn definida por TA (x) = Ax es biyectiva.
11. At es invertible.
12. A es un producto de matrices elementales.
Demostraci
on. Las condiciones 1. y 12. son equivalentes por el Teorema 1.17, las condiciones 1. y 11. son
equivalentes por el Teorema 1.11, las condiciones 2. a 6. son equivalentes por el Teorema 1.21 y las condiciones
6. a 10. son equivalentes por el Teorema 1.20. Es suficiente demostrar que 1 2.
1 2Si A es invertible, entonces A1 A = I y por tanto A1 es inversa a la izquierda de A.
2 1Si A tiene inversa a la izquierda, entonces existe B tal que BA = I y por el Teorema 1.21, rango(A) = n =
n
umero de columnas. Como A es cuadrada entonces el n
umero de filas es igual al n
umero de columnas e igual
al rango(A), entonces por el Teorema 1.20, A tiene una inversa a la derecha C, de donde AC = I, entonces se
tiene que
B = BI = B(AC) = (BA)C = IC = C.
Entonces BA = AB = I y por tanto A es invertible y B = A1 .
Problemas
1.5.1. Determine cual de las matrices tiene inversa a la izquierda o a la derecha y compute una para las que la
tengan:
a.
1 1
2 2
b.
2 1
3
5
.
1
c.
8 .
d.
2 .
GIRALDO
43
1.5.2. Encuentre soluciones a las ecuaciones Ax = e1 y Ax = e2 con A =
una inversa a la derecha de la matriz A.
1 1
3 1
1 2
y u
selas para calcular
1 1 2
.
1.5.3. Calcule una inversa a la izquierda de la matriz A =
1 2 3
1 2 4
1 1 1 1 1 1
1 1 1 1 1 2
de dos formas: primero usando
1.5.4. Calcule una inversa a la derecha de la matriz B =
1 1 1 1 2 3
1 1 1 2 3 4
el Procedimiento 1.1 y despues usando el Procedimiento 1.2 para calcular una inversa a la izquierda de B t .
1.5.5. Demuestre que si una matriz A de tama
no m n tiene inversa a la izquierda L e inversa a la derecha
R, entonces L = R y m = n.
1.5.6. Demuestre que L es una inversa a la izquierda de A si y s
olo si Lt es in inversa a la derecha de At .
Concluya que si rango(A) = n
umero de columnas de A, entonces rango(At ) = rango(A).
1.5.7. Si A es 4 3 y B es 3 4 muestre que AB no es invertibe. (Ayuda: Muestre que la ecuaci
on Bx = 0
tiene una soluci
on no trivial.)
1.5.8. Gerenalizando el problema anterior, si A es n m y B es m n con m < n muestre que AB no es
invertible.
1.5.9. Muestre que una matriz no cuadrada no puede tener inversa a la izquierda y a la derecha.
1.5.10. Muestre que una matriz no cuadrada no puede ser la inversa a la izquierda y a la derecha de otra
matriz.
1.5.11. Muestre que Ax = b tiene soluci
on para todo b si y s
olo si At y = 0 tiene soluci
on u
nica.
1.5.12. Muestre que las matrices inversas a izquierda o derecha de una matriz no cuadrada no son u
nicas, de
hecho, pueden existir infinitas.
El siguiente ejercicio tiene el proposito de mostrar que en la definicion de matrices cuadradas invertibles es
suficiente exigir que existe B tal que AB = I.
1.5.13. Sea A Mn (R) una matriz y suponga que existe B tal que AB = I. Demuestre lo siguiente:
1. rangoA = n.
2. existe C tal que CA = I.
44
3. C = B
4. A es invertible.
Captulo 2
Espacios Vectoriales
2.1.
Definici
on y Ejemplos
En el captulo anterior se dieron ejemplos, sin mencionarlo, de espacios vectoriales. Mas concretamente en los
Teorema 1.5 y 1.6 se mostr
o que el conjunto de matrices de tama
no m n y el conjunto de vectores columna
Rn son espacios vectoriales. Solo nos falta enunciar la definicion y ver que estos conjuntos la satisfacen. En
este captulo solo trabajaremos sobre Rn y los teoremas seran acerca de este conjunto, en el Captulo 3 se
demostraran los teoremas generales.
Definici
on 2.1. Sea V un conjunto no vacio con dos operaciones + : V V V y : R V V , decimos
que V es un espacio vectorial sobre R si para todo x, y y z V y para todo y R se cumple lo siguiente:
1. (x + y) + z = x + (y + z),
2. existe V tal que + x = x + = x, (A se le llama el neutro de V )
3. existe w tal que x + w = w + x = , (A w se le llama el inverso aditivo de x)
4. x + y = y + x,
5. (x + y) = x + y,
6. ( + ) x = x + x,
7. ( x) = () x,
8. 1 x = x.
Ejemplo 2.1.
1. El conjunto de vectores en Rm es un espacio vectorial, por el Teorema 1.6.
2. El conjunto de matrices m n es un espacio vectorial, esto por el Teorema 1.5. A este conjunto lo denotaremos por Mmn (R) cuando las entradas sean reales y por Mmn (C) cuando las entradas sean complejas.
En el caso en que m = n, usaremos la notaci
on Mn (R) o Mn (C).
3. Sea Pn = {a0 + a1 t + + an tn | a0 , . . . , an R} el conjunto de polinomios de grado a lo sumo n en la
indeterminada t, este conjunto es un espacio vectorial sobre R bajo las operaciones:
45
46
a0 + a1 t + + an tn + b0 + b1 t + + bn tn = (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn y
(a0 + a1 t + + an tn ) = a0 + a1 t + + an tn .
Veamos que estas operaciones satisfacen todas las propiedades de la
definici
on de espacio vectorial.
Sean p1 = a0 + a1 t + + an tn , p2 = b1 t + + bn tn y p3 = c0 + c1 t + + cn tn Pn , , R,
1.
(p1 + p2 ) + p3 =(a0 + a1 t + + an tn + b0 + b1 t + + bn tn )
+ c 0 + c 1 t + + c n tn
=(a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
+ c 0 + c 1 t + + c n tn
(definici
on de suma en Pn )
=((a0 + b0 ) + c0 ) + ((a1 + b1 ) + c1 )t + . . .
+ ((an + bn ) + cn )tn
(definici
on de suma en Pn )
=(a0 + (b0 + c0 )) + (a1 + (b1 + c1 ))t + . . .
+ (an + (bn + cn ))tn
(asociatividad en R)
=a0 + a1 t + + an tn + (b0 + c0 ) + (b1 + c1 )t + . . .
+ (bn + cn )tn
(definici
on de suma en Pn )
=a0 + a1 t + + an tn
+ (b0 + b1 t + + bn tn + c0 + c1 t + + cn tn )
(definici
on de suma en Pn )
=p1 + (p2 + p3 )
2. Sea = 0 el polinomio constante = 0, entonces
p1 + = a 0 + a 1 t + + a n t n + 0 = a 0 + a 1 t + + a n t n = p1
3. Sea w = a0 a1 t + an tn entonces
w + p1 = a0 a1 t + an tn + a0 + a1 t + + an tn +
= (a0 + a0 ) + (a1 + a1 )t + + (an + an )tn
= 0 = .
GIRALDO
47
4.
p 1 + p 2 = a 0 + a 1 t + + a n t n + b0 + b1 t + + bn t n
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
(Definici
on de suma en Pn )
= (b0 + a0 ) + (b1 + a1 )t + + (bn + an )tn
(Conmuatitividad en R)
= b0 + b1 t + + bn t n + a 0 + a 1 t + + a n t n
(Definici
on de suma en Pn )
= p2 + p1
5.
(p1 + p2 ) = (a0 + a1 t + + an tn + b0 + b1 t + + bn tn )
= ((a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn )
definici
on de suma en Pn
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
definici
on de producto por escalar en Pn
= (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn
distributividad en R
= a0 + a1 t + + an tn + b0 + b1 t + + bn tn
definici
on de suma en Pn
= (a0 + a1 t + + an tn ) + (b0 + b1 t + + bn tn )
definici
= p1 + p2
48
6.
( + ) p1 = ( + ) (a0 + a1 t + + an tn )
= ( + )a0 + ( + )a1 t + + ( + )an tn
definici
= (a0 + a0 ) + (a1 + a1 )t + + (an + an )tn
ditributividad en R
= a0 + a1 t + + an tn + a0 + a1 t + + an tn
definici
on de suma en Pn
= (a0 + a1 t + + an tn ) + (a0 + a1 t + + an tn )
definici
= p1 + p1
7.
() p1 = () (a0 + a1 t + + an tn )
= ()a0 + ()a1 t + + ()an tn
definici
= (a0 ) + (a1 )t + + (an )tn
asociatividad en R
= (a0 + a1 t + + an tn )
definici
= ( (a0 + a1 t + + an tn ))
definici
= ( p1 )
8.
1 p1 = 1 (a0 + a1 t + + an tn ) = 1 a0 + 1 a1 t + + 1 an tn
= a 0 + a 1 t + + a n tn
= p1 .
4. El conjunto de polinomios con entradas en R,
R[t] = {a0 + a1 t + + an tn | a0 , . . . , an R, n N {0}} ,
es un espacio vectorial.
GIRALDO
49
5. Si X es un conjunto, el conjunto de funciones de X en R,

F(X, R) = {f : X R | f es una funci
on },
es un espacio vectorial sobre R con las operaciones de suma y producto por escalar definidos por:
(f + g)(x) = f (x) + g(x)
(f )(x) = f (x).
Los detalles se dejan como ejeercicio al lector.

Los espacios vectoriales satisfacen las siguientes propiedades que se desprenden de la definicion.
Teorema 2.1. Sea V un espacio vectorial, x V y R entonces
1. El neutro es u
nico, es decir, si y son neutros entonces = ,
2. el inverso aditivo de x es u
nico, es decir, si w y w son inversos aditivos de x entonces w = w , (dada la
unicidad del inverso aditivo de x, este ser
a denotado por x)
3. = ,
4. 0 x = ,
5. 1 x = x,
Demostraci
on.
6. Si x = entonces = 0 o x = .
1. = + = + = .
2. w = w + = w + (x + w ) = (w + x) + w = + w = w .
3. + = ( + ) = , sumando el inverso aditivo de a ambos lados tenemos: = .
4. 0x = (0 + 0)x = 0x + 0x, sumando el inverso aditivo de 0x a ambos lados tenemos que = 0x.
5. 1x + x = 1x + 1x = (1 + 1)x = 0x = . como el inverso aditivo de x es u
nico, tenemos que 1x = x.
6. Supongamos que x = y que 6= 0. Si multiplicamos a ambos lados por
1
1
(x) =
| {z }
|{z}
1x =
|{z}
=x
|{z}
1
tenemos que
x=
=1
Problemas
2.1.1. Demuestre que R+ = {x R | x > 0} es un espacio vectorial bajo las operaciones

x y = xy
para todo x, y R+ y todo R.
x = x ,
50
2.1.2. Generalizando el problema anterior, demuestre que el conjunto
n
(R+ ) = {(x1 , . . . , xn ) | x1 , . . . , xn R+ } es un espacio vectorial bajo las operaciones

(x1 , . . . , xn ) (y1 , . . . , yn ) = (x1 y1 , . . . , xn yn )
(x1 , . . . , xn ) = (x
1 , . . . , xn ).
2.1.3. Determine cuales de los siguientes conjuntos son espacios vectoriales con las operaciones indicadas. Si
no lo son, enuncie las propiedades que no cumplen.
1. El conjunto de matrices simetricas, {A Mn (R) | At = A}, bajo la suma y el producto por escalar usual de
matrices. (La suma y producto usual de matrices se dieron en la Definici
on ??.)
2. El conjunto de matrices anti-simetricas, {A Mn (R) | At = A}, bajo la suma y el producto por escalar
usual de matrices.
x
3. El conjunto R+ R = x, y R, x > 0 bajo la suma y el producto por escalar usual de R2 . (La suma
y
y producto usual de vectores en Rn se dieron en la Definici
on ??.)
x
4. El conjunto (R \ R+ ) (R \ R+ ) = x, y R, x, y < 0 bajo la suma y el producto por escalar usual
y
de R2 .
5. El conjunto

R+ R+ R \ R+ R \ R+ = (x, y) R2 | x, y 0
bajo la suma y producto por escalar usuales de R2 .

x, y 0

6. El conjunto y x, y R, x > 0 bajo la suma y el producto por escalar usual de R3 .
xy
7. El conjunto {a + at2 + + at2n | a R} bajo las operaciones de suma y producto por escalar usual de
polinomios. (Ver Ejemplo 2.1 tem 3.)
a
8. El conjunto
a

1
a R bajo las operaciones usuales para matrices.

9. El conjunto {a0 + a1 t + + an tn | a0 = 1} bajo las operaciones de suma y producto por escalar usual de
polinomios.
2.1.4. Demuestre que R R \ {0} es un espacio vectorial con las operaciones (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 b2 )
y (a, b) = (a, b ).
GIRALDO
51
1 a
a R es un espacio vectorial bajo la suma definida por
2.1.5. Demuestre que el conjunto V =

0 1
A B = AB donde AB denota el producto usual de matrices y el producto por escalar definido por
1 a
1 a
.
=
0 1
0 1
2.1.6. Demuestre que un plano que pasa por el origen,

S = (x, y, z) R3 | x + y + z = 0,

, , R ,
es un espacio vectorial bajo la suma y producto por escalar usuales de R3 .
2.1.7. Generalizando el problema anterior, demuestre que un hiperplano que pasa por el origen,
S = {(x1 , . . . , xn ) Rn | 1 x1 + + n xn = 0,
1 , . . . , n R} ,
es un espacio vectorial bajo la suma y producto por escalar usuales de Rn .

2.1.8. Generalizando a
un m
as el Problema 2.1.6, demuestre que el conjunto de soluciones a un sistema homogeneo,
S=
11 x1 + + 1n xn = 0
..
,
.

(x1 , . . . , xn ) Rn
n1 x1 + + nn xn = 0
ij R, para i, j = 1, . . . , n.
es un espacio vectorial bajo la suma y producto por escalar usuales de Rn .
Ayuda: Recuerde
al sistema
de ecuaciones son las soluciones a la ecuaci
on matricial
que las soluciones

x1
11 1n

..
..
.. y x = ...
Ax = 0 con A = .
.
.

xn
n1 nn
2.1.9. Demuestre que los conjuntos dados en los numerales 4. y 5. del Ejemplo 2.1 son espacios vectoriales con
las operaciones indicadas.
2.1.10. Sea V un espacio vectorial y sean x, y V , para cada una de las siguientes ecuaciones, demuestre que
existe un u
nico z V que la satisface
1.
2.2.
x + z = y.
2.
x z = y.
3.
z = x.
4.
x + z = y.
Subespacios
En esta seccion se dar

a un criterio para determinar si un subconjunto de un espacio vectorial es un subespacio
y como construir nuevos subespacios de otros.
52
Definici
on 2.2. Sea V un espacio vectorial y 6= W V , decimos que W es un subespacio de V si W es
tambien un espacio vectorial bajo las mismas operaciones de suma y producto por escalar de V .
Ejemplo 2.2.
1. En el Ejemplo 2.1 vimos que Pn es un espacio vectorial para todo n, como Pn1 Pn y
ambos son espacios vectoriales, tenemos que Pn1 es un subespacio de Pn .

2. Tambien tenemos que Pn es un subespacio de R[t] para todo n, al ser un espacio vectorial y subconjunto
de R[t].
3. El conjunto de n
umeros reales R es un espacio vectorial, el conjunto de n
umeros complejos C tambien es
un espacio vectorial, como R C tenemos que R es un subespacio de C.
En teora para demostrar que un subconjunto no vacio de un espacio vectorial V es un subespacio es necesario
determinar si cumple las ocho condiciones de la definicion, sin embargo, el siguiente teorema nos da un criterio
en el que solo es necesario mostrar que este es cerrado bajo la suma y el producto por escalar.
Teorema 2.2. Sea V un espacio vectorial y 6= W V , entonces W es un subespacio de V si para todo
w, w W y para todo R se satisface que

1.
w + w W,
2.
w W.
Demostraci
on. Debemos demostrar W cumple las ocho condiciones de espacio vectorial.
1. La asociatividad se cumple para todo v, v y v V , entoncs en particular si estos est
an en W .
2. Como W 6= , existe w W , entonces por hip
otesis tenemos que w = (1)w W , en consecuencia
0 = w + w W .
3. Si w W entonces por la hip
otesis 2. tenemos que w = (1)w W .
4-8. Estas propiedades se cumplen para todo w, w V , en particular si w, w W .
Por tanto W es un espacio vectorial y como W V , tenemos que W es un subespacio de V .

..
Ejemplo 2.3. Sea H = . xn = 0 Rm , demuestre que H es un subespacio de Rm .
x
n
Soluci
on. Primeron
otese
H 6= ya que n H, veamos que H satisface las condiciones 1. y 2. del
que
y1
x1

.. ..
Teorema 2.2. Sean . , . H y R, entonces xn = 0 = yn por tanto

yn
xn

x1
y1
x 1 + y1
x 1 + y1
x1
x1
x1

..
.. ..
..
..
.. ..
=
H
y
=
. + . =
H.
.

.
.
. .
xn
yn
x n + yn
0
xn
0
0
GIRALDO
53
El Teorema 2.2 no solo facilita la verificacion de si un subconjunto es un subespacio, tambien facilita las
demostraciones de los siguientes teoremas.
Teorema 2.3. Sea V un espacio vectorial y sean W1 y W2 subespacios de V entonces W1 W2 es un subespacio
de V .
Demostraci
on. Como W1 y W2 son subespacios, entonces 0 W1 y 0 W2 , se sigue que 0 W1 W2 y por
tanto W1 W2 6= . Ahora mostremos que el conjunto W1 W2 satisface las condiciones 1. y 2. del Teorema
2.2.
Sean w, w W1 W2 , entonces w, w W1 y w, w W2 , luego w + w W1 y w + w W2 , por tanto
w + w W1 W2 .
Sea R, como W1 y W2 son subespacios tenemos que w W1 y w W2 , por tanto w W1 W2 .

Concluimos que W1 W2 es un subespacio de V .
Teorema 2.4. Sea V un espacio vectorial y sean W1 y W2 subespacios de V y definamos
W1 + W2 = {w1 + w2 | w1 W1 y w2 W2 }
entonces W1 + W2 es un subespacio de V .
Demostraci
on. Esta se deja como ejercicio.
Problemas
a
2.2.1. Sea V = M2 (R), demuestre que H1 =
0
pacios de V y describa el conjunto H1 H2 .
b
a, b, c R y H2 =

b
b
a, b R son subes
2.2.2. Demuestre el Teorema 2.4

n

.
2.2.3. Demuestre que un hiperplano H de R , H = . 1 x1 + + n xn = 0, 1 , . . . , n R es un
n
subespacio de Rn .
2.2.4. Sea A una matriz m n, demuestre que el conjunto H = {x Rn | Ax = 0} es un subespacio de Rn .
(Este ejercicio es una generalizaci
on del ejercicio anterior, n
otese que en el ejercicio anterior la matriz A es la
matriz A = [1
n ]. )
2.2.5. La traza de una matriz A = (aij ) Mn (R) se define como tr(A) = a11 + + ann . Demuestre que
el conjunto de matrices de traza cero es un subespacio de Mn (R), a este subespacio se le denota por sln (R) o
sl(n, R).
54
2.2.6. Sean A, B Mn (R) y , R, demuestre que
1. tr(A + B) = tr(A) + tr(B),
2. tr(AB) = tr(BA)
3. tr(At ) = tr(A).
2.2.7. De ejemplos de subconjuntos de R2 que cumplan lo siguiente:
1. que sea cerrado bajo el producto por escalar pero no que sea cerrado bajo la suma,
2. que sea cerrado bajo la suma pero que no sea cerrado bajo el producto por escalar.
2.2.8. Demuestre que el conjunto soluci
on de el sistema homogeneo
a11 x1 + + a1n xn = 0
..
.
am1 x1 + + amn xn = 0
n
es un subespacio de R
.

x1
a11 a1n

..
.
.
..
on al
la matriz del sistema, demuestre que x = .. es una soluci
Ayuda: Sea A = ..
.
.

xn
am1 amn
sistema si y s
olo si Ax = 0 y use el Ejercicio 2.2.4.
2.2.9.
1. Construya un contraejemplo que muestre que la uni

on de subespacios no es un
subespacio.
2. Sea V un espacio vectorial y W1 y W2 subespacios de V , demuestre que W1 W2 es un subespacio si y
s
olo si W1 W2 o W2 W1 .
2.2.10. Sea V un espacio vectorial y sean W1 y W2 subespacios de V , demuestre que W1 + W2 es el subespacio
m
as peque
no que contiene a W1 y a W2 .
2.2.11. Demuestre que el conjunto de matrices simetricas,
Sn = {A Mn (R) | A es simetrica },
es un subespacio de Mn (R).
2.2.12. Demuestre que el conjunto de matrices antisimetricas,
An = {A Mn (R) | A es antisimetrica },
es un subespacio de Mn (R).
GIRALDO
55
2.2.13. Una funci

on se llama par si f (x) = f (x), para todo x. Demuestre que el conjunto de funciones pares
es un subespacio vectorial de F(R, R).
Demuestre tambien que el subconjuto formado por las funciones impares, funciones tal que f (x) = f (x),
para todo x, tambien es un subespacio de F(R, R).
2.2.14. Sea F = F([0, 1], R), el conjunto de funciones del intervalo [0, 1] en R, demuestre que los siguientes
subconjuntos son subespacios de F:
1. el conjunto C([0, 1], R) de funciones continuas del intervalo [0, 1] en R,
Z 1

f (x)dx = 0 .
2. el conjunto f F
0
2.2.15. Sea V un espacio vectorial y sean H1 y H2 subespacios, demuestre que H1 H2 es el subespacio m

as
grande contenido en H1 y H2 .
2.2.16. Sea V = {f : R R | f es una funci
on } el espacio de funciones de R en R. Determine si los
siguientes conjuntos son subespacios de V .

1. H1 = f V lm f (x) = + .
x0
2.
H2 =

f V

lm f (x) = 0 .
x
2.2.17. Sean H, K y L subespacios de un espacio vectorial V . Haga lo siguiente

1. Muestre que (H K) + (H L) H (K + L).
2. Exhiba un contraejemplo que muestre que la igualdad H (K + L) = (H K) + (H L) no es cierta.
3. Muestre que si K H entonces H (K + L) = K + (H L).
4. Muestre que H + (K L) (H + K) (H + L).
5. Exhiba un contraejemplo que muestre que la igualdad H + (K L) = (H + K) (H + L) no es cierta.
2.2.18. Si A V es un subconjunto de un espacio vectorial V , definimos L(A) como el conjunto L(A)=intersecci
on
de subespacios que contienen a A, muestre lo siguiente:
1. L({x}) = {ax : a R}
2. H es un subespacio de V si y s
olo si L(W ) = W .
3. Si A B entonces L(A) L(B).
4. Si H1 y H2 son subespacios entonces L(H1 H2 ) = H1 + H2 .
5. L(A) es el subespacio m
as peque
no que contiene a A.
2.2.19. Muestre que {p R4 [t] |
R1
0
p(x)dx = 0} es un subespacio .
56
2.3.
Independencia Lineal
En esta secci
on se estudiar
a el concepto de independencia lineal el cual nos permitir
a determinar cuando
un vector en un conjunto dado de vectores se puede expresar en terminos de los dem
as. Tambien se dar
a un
criterio que nos permitir
a determinar computacionalmente cuando un conjunto de vectores en Rm es linealmente
independiente. Se usar
a muy a menudo la frase combinaci
on lineal, la cual definimos a continuaci
on.
Definici
on 2.3. Sea V un espacio vectorial y sean v1 , . . . , vk V , una combinaci
on lineal de estos vectores es
una expresi
on de la forma
1 v 1 + + k v k ,
donde 1 , . . . , k son reales.
Definici
on 2.4. Sea V un espacio vectorial y sean v1 , . . . , vk V , decimos que el conjunto {v1 , . . . , vk } es
linealmente independiente si la u
nica combinaci
on lineal de los vectores v1 , . . . , vk que produce el vector nulo es
la trivial, es decir, si se tiene que 1 v1 + + k vk = 0 entonces 1 = 2 = = k = 0. En este caso tambien
diremos que los vectores v1 , . . . , vk son linealmente independientes o simplemente LI para simplificar.
Si el conjunto {v1 , . . . , vk } no es linealmente independiente, decimos que es linealmente dependiente o simplemente LD para simplificar.
Observaci
on 2.1. De la definici
on anterior se deprende que si el conjunto {v1 , . . . , vk } es LD si existe una
combinaci
on lineal de los vectores v1 , . . . , vk que se anula, es decir, {v1 , . . . , vk } es LD si y s
olo si existen
constantes 1 , . . . , k , no todas cero, talque
1 v1 + + k vk = 0.
(2.1)
Lo que es equivalente a decir que alguno de los vi se puede escribir como una combinaci
on lineal de los demas,
esto ya que al menos uno de los i 6= 0, por tanto despejando por vi en (2.1) tenemos
vi =
1
i1
i+1
k
v1
vi1
vi+1
vk .
i
i
i
i
Es decir, un conjunto es LD si y s
olo si uno de los vectores es una combinaci
on lineal de los dem
as.

0
0
1
Ejemplo 2.4. Los vectores v1 = y v2 = son LI ya que si suponemos que 1 v1 + 2 v2 = tenemos
0
1
0
que

0
= 1 v 1 + 2 v 2 =
0
2
1
lo que implica que 1 =

2 = 0.
2
1
Los vectores v1 = y v2 = son LD ya que v2 = 2v1 lo que es equivalente a escribir 2v1 + v2 = 0 y
2
1
por la definici
on se sigue que v1 y v2 son LD.
GIRALDO
57
De la u
ltima observaci
on obtenemos una interpretaci
on geometrica que podemos usar para conjuntos peque
nos
de vectores la cual exhibimos a continuaci
on.
El conjunto de vectores {v, w} es LD si y s
olo si w = v, es decir, el conjunto {v, w} es LD si y s
olo si w
es un m
ultiplo de v. La siguiente figura nos muestra las posibilidades y aunque se usa una gr
afica en R2 , vale
la pena aclarar que la mismos casos se cumplen para un par de vectores en dimensiones mayores.
w
w
v
Vectores LD
Vectores LI
Un conjunto formado por tres vectores {v, w, z} es LD si y s

olo si uno de ellos es combinaci
on lineal de los
otros. Esta u
ltima propiedad nos lleva a dos casos:
Caso 1: Dos vectores, digamos w y z, son ambos m
ultiplos de v. En este caso los tres vectores est
an contenidos
en una lnea.
Caso 2: Un vector, digamos z, es combinaci
on lineal de v y w, pero v no es m
ultiplo de w. En este caso
tenemos que z es de la forma z = v + w y como la suma de dos vectores se rige por la ley del paralelogramo,
esta u
ltima ecuaci
on implica que z est
a contenido en el mismo plano que contiene a v y w.
Concluimos que tres vectores son LD si y s
olo si estos est
an contenidos en una lnea o en un plano.
En consecuencia tenemos que tres o m
as vectores en R2 son necesariamente LD. La siguiente figura nos
muestra los posibles casos geometricos de tres vectores
z
v
z
b
w
b
v
Vectores LD
Vectores LD
Vectores LI
Del Teorema 2.5 se deduce facilmente que cuatro o m

as vectores en R3 son LD, por tanto, para exhibir
geometricamente cuatro vectores LI se necesitan al menos 4 dimensiones y por este motivo no podemos exhibir
m
as figuras en las que se consideren cuatro o m
as vectores LI.
1
2
1

Ejemplo 2.5. 1. El conjunto v1 = 1 , v2 = 3 , v3 = 9 es LD ya que v3 = 3v1 2v2 de donde
6
0
2
3v1 2v2 v3 = 0.
58

1
0
1

2. El conjunto de vectores v1 = 1 , v2 = 1 , v3 = 0 es LI ya que si existieran constantes 1 , 2 , 3
1
1
0
tal que 1 v1 + 2 v2 + 3 v3 = 0 entonces tendramos que

1
0
1
0

0 = 1 v1 + 2 v2 + 3 v3 = 1 1 + 2 1 + 3 0

1
1
0
0

+ 3
1 3 1
= 1 + 2 + 0 = 1 + 2

0
2
3
2 + 3
1 + 3 = 0
on matricial
De donde 1 + 2 = 0, el cual es equivalente a la ecuaci
2 + 3 = 0
1 0
1 1
0 1

0
1
1

0 2 = 0 .

0
1
3
(2.2)
Al aplicar reducci
on Gauss-Jordan a la matriz 1 1 0 obtenemos la matriz identidad, luego la u
nica soluci
on
0 1 1
al sistema (2.2) es la trivial, 1 = 0, 2 = 0 y 3 = 0. Por tanto el conjunto {v1 , v2 , v3 } es LI.
1 0
En Rm es f
acil establecer un criterio para determinar si un conjunto de vectores es LI o no. De la definici
on se
sigue que un conjunto de vectores {v1 , . . . , vk } Rm es LD si existen constantes 1 , . . . , k , no todas cero tal
que 1 v1 + + k vk = 0 pero esta ecuaci
on la podemos escribir matricialmente de la siguiente forma

1
i
h
..
0 = 1 v 1 + + k v k = v 1 v k . .

k

0
1
h
i
.
.
De esto se sigue que los vectores son LD si la ecuaci
on 1 v1 + + k vk = v1 vk .. = .. tiene

0
k
soluciones no triviales lo cual, por el Teorema 1.21, es equivalente a que el rango de A es igual al n
umero de
sus columnas. Este criterio lo enunciamos a continuaci

on en le siguiente teorema.
h
i
Teorema 2.5. Sea {v1 , . . . , vk } Rm y sea A = v1 vk la matriz cuyas columnas son los vectores
v1 , . . . , vk , entonces el conjunto {v1 , . . . , vk } es LI si y s
olo si rangoA = k = # de columnas de A.
GIRALDO
59
Demostraci
on. El conjunto {v1 , . . . , vk } es LI si y s
olo si las u
nicas constantes 1 , . . . , k tal que 1 v1 + +

1
0
h
i
.. ..
k vk = 0 son 1 = = k = 0 si y s
olo si la u
nica soluci
on al sistema v1 vk . = . es el vector
{z
}
|
=A
k
0

0
1

.. ..
. = . y por el Teorema 1.21 esto es equivalente a que rangoA = k = # de columnas de A.

0
k
En este captulo nos concentraremos en estudiar criterios que aplican solo para vectores en Rm , pero estos
ser
an generalizados a espacios vectoriales arbitrarios de dimensi
on finita en la Captulo 3 usando los teoremas
de isomorfismo.
Del teorema se deduce el siguiente procedimiento computacional para determinar si un conjunto de vectores
es LI y si no lo son, tambien nos permite encontrar la dependencia lineal entre los vectores, el procedimiento se
enuncia a continuaci
on.
Procedimiento 2.1. (Procedimiento para determinar si un conjunto de vectores de Rm es linealmente independiente.) Sea {v1 , . . . , vk } un conjunto de vectores en Rm , para determinar si este conjunto es
LI hacemos lo siguiente:
h
1. Aplicamos reducci
on Gauss-Jordan a la matriz A = v1
i
vk .
2. Si la forma escalonada reducida A de A tiene un pivote en cada fila entonces los vectores son LI, si no
entonces los vectores son LD.
1

.
3. Si los vectores son LD, entonces el sistema Ax = 0 o equivalentemente A x = 0 tiene soluci
on. Si x = ..

k
es una soluci
on a este sistema, las constantes 1 , . . . , k satisfacen
1 v 1 + + k v k = 0
la cual nos da una dependencia lineal entre los vectores.
Ejemplo 2.6. Determine si el conjunto de vectores es LI, si no lo es, encontrar una dependencia lineal entre
ellos.
0
1
2
1

1. v1 = 1 , v2 = 1 , v3 = 1 , v4 = 1
1
2
1
0
1
0
1

2. v1 = 1 , v2 = 1 , v3 = 0
1
1
0
60
Soluci
on. 1. Necesitamos
aplicar
1
2 1
h
i
v 1 v 2 v 3 v 4 = 1
1
1
0 1
2
reducci
on Gauss-Jordan a la matriz
0
a dada por
1, cuya forma escalonada reducida est
1 0
3
2
A = 0 1 2 1 .
0 0 0
0
Como rango(A) = 2 < # de columnas de A entonces los vectores son LD. Para encontrar una dependencia
lineal entre estos vectores resolvemos el sistema A x = 0, el cual nos da las ecuaciones x1 + 3x3 + 2x4 = 0 y
x2 2x3 x4 = 0 o equivalentemente
x1 = 3x3 2x4
x2 = 2x3 + x4 ,
con x3 y x4 son variables libres, entonces si hacemos x3 = x4 = 1 obtenemos la soluci

on particular x1 = 5,
x2 = 3 y x3 = x4 = 1, por tanto una dependencia lineal entre los vectores est
a dada por
5v1 + 3v2 + v3 + v4 = 0.
h
i
2. En este caso necesitamos escalonar la matriz v1 v2 v3 = 1
0
es A = I y por tanto rango(A) = # de columnas de A y los vectores
1 0, cuya forma escalonada reducida
1 1
v1 , v2 y v3 son LI.
0
Ejemplo 2.7. Determine si el conjunto de vectores dado es linealmente independiente:

(
"1#
"1#
"1#
"1# )
2
1
1
1

1
1
1
1
1
1. v1 = 1 , v2 = 1 , v3 = 1 v4 = 2 ,
2. w1 = 11 , w2 = 11 , w3 = 12 , w4 = 23 , w5 = 34
1
1
1
2
2
3
3
4
Soluci
on.
1. Al aplicar reducci
on a la matriz A = [v1 v2 v3 v4 ] obtenemos la matriz A =
rangoA = 4 y por tanto los vectores v1 , v2 , v3 y v4 son LI.
"1 0 0 0#
0
0
0
0
1
0
0
0
on a la matriz A = [w1 w2 w3 w4 w5 ] obtenemos la matriz A =
0
1
0
0
0
0
1
0
, lo que implica que
1 0 0 0 1
0 1 0 0 0
0 0 1 0 0
0 0 0 1 1
, se sigue que
rangoA = 4 < # de columnas de A y por tanto los vectores w1 , w2 , w3 , w4 y w5 son LD.
Para calcular una dependencia lineal entre estos vectores debemos obtener una soluci
on a la ecuaci
on
Ax = 0 o equivalentemente a la ecuaci
on A x = 0. Usando la matriz en forma escalonada reducida se
obtiene que una soluci
on x = (x1 , x2 , x3 , x4 , x5 ) a la ecuaci
on Ax = 0 satisface las ecuaciones
x1 + x5 = 0
x2 = 0
x3 = 0
x4 + x5 = 0
con x5 libre. Asignando el valor x5 = 1 obtenemos que x1 = 1, x2 = 0 = x3 y x4 = 1, por tanto los

vectores w1 , w2 , w3 , w4 y w5 satisfacen la relaci
on:
w1 w4 + w5 = 0.
GIRALDO
61
Terminamos la secci
on con un corolario que nos ser
au
til mas adelante.
Corolario 2.6. Un conjunto de vectores linealmente independientes de Rm tiene a lo sumo m vectores.
h
i
Demostraci
on. Sean v1 , . . . , vk Rm vectores linealmente independientes y sea A = v1 vk , dado que
las columnas de A son vectores en Rm , tenemos que la matriz tiene tama
no m k y es obvio que rango(A)
mn{m, k} y por el Teorema 2.5 tenemos que rango(A) = k = # de columnas, por tanto se tiene que
k = rango(A) mn{m, k} m.
Problemas
2.3.1. Determine cuales de los siguientes conjuntos son LI, si no lo son, encuentre una dependencia lineal entre
los vectores:

1
1

a. 2 , 1
1
3
1
1
1

b. 2 , 1 , 1
3
1
3
1
1
1

c. 2 , 1 , 1
3
3
1
2.3.2. Encuentre el valor de a para los que los vectores son LI

1
1
2

2 , 2 , 1 .
a
3
2
1 1 1
2 1 1
d. , ,
3 1 3
4
1
1
2.3.3. Determine la relaci

on entre y para que los vecores v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (, , + )
sean LD y exhiba una dependencia lineal entre los vectores.
2.3.4. Encuentre vectores v1 , v2 y v3 de tal forma que v1 , v2 sean LI y v2 , v3 sean tambien LI pero que v1 , v2 , v3
sean LD.
2.3.5. Sea V un espacio vectorial y sean v, w V , demuestre que {v, w} es LD si y s
olo si w = cv con c R,
es decir, si w es un m
ultiplo de v.
2.3.6. Sean v, w R3 con v 6= 0, demuestre que
1. si v, w son LD entonces {v, w} es una lnea que pasa por el origen,
2. si v, w son LI entonces {v, w} es un plano que pasa por el origen.
2.3.7. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean w1 = v1 v2 , w2 = v2 v3 y w3 = v3 . Demuestre
que {v1 , v2 , v3 } es LI si y s
olo si {w1 , w2 , w3 } es LI.
62
2.3.8. Sea V un espacio vectorial, sean v1 , v2 , v3 V vectores LI, demuestre que los vectores v1 + v2 , v2 + v3 y
v3 + v1 son LI y los vectores v1 v2 , v2 v3 y v3 v1 son LD.
2.3.9. Demuestre que si el conjunto {v1 , . . . , vn } es LI y k < n entonces el conjunto {v1 , . . . , vk } tambien es LI.
2.3.10. Demuestre que si el conjunto {v1 , . . . , vn } es LD y vn+1 es otro vector entonces el conjunto {v1 , . . . , vn , vn+1 }
tambien es LD.
2.3.11. Sean v, w R3 vectores LI, demuestre que gen{v} + gen{w} es el plano que contiene a los vectores v
y w.
2.3.12. Sean v, w R3 vectores LD, demuestre que gen{v} + gen{w} es la lnea que contiene al vector v.
2.3.13. Demuestre que los polinomios 1, t, t2 , . . . , tn son LI.

0
0 0
0 1
1 0
y
,
,
2.3.14. Demuestre que las matrices
0
1 0
0 0
0 0
0
son LI.
1
2.3.15. Demuestre que el conjunto {sen(x), sen(2x), cos(x), cos(2x)} es LI.

2.3.16. Muestre que el conjunto los subconjuntos de M2 (R) son LI.
1. {E11 , E22 , E12 + E21 }.
2. {E12 , E21 , E11 E22 }.
En general denotamos por Eij a la matriz cuya ij-esima entrada es 1 y ceros en las dem
as posiciones.
2.4.
Conjuntos generadores
El concepto m
as importante en
algebra lineal es el concepto de base para un espacio vectorial, el cual se define
a partir de la independencia lineal y de conjunto generador. El Corolario 2.6 mostr
o que un conjunto linealmente
independiente en Rm tiene a lo sumo m vectores y en esta secci
on veremos como un conjunto generador en Rm
tiene al menos m vectores, mostrando como los dos conceptos se balancean.
Definici
on 2.5. Sea V un espacio vectorial, decimos que los vectores v1 , v2 , . . . , vk generan a V , si para todo
v V existen escalares 1 , 2 , . . . , k tal que
v = 1 v 1 + + k v k .
Tambien diremos que V es generado por el conjunto de vectores {v1 , . . . , vk }, lo cual denotaremos por V =
gen{v1 , . . . , vk }. Al conjunto {v1 , . . . , vk } se le llama conjunto generador de V .
La definici
on misma nos permite dar una interpretaci
on geometrica, para dimensiones 1, 2 y 3, de conjuntos
generadores. Veremos que en general el conjunto generado por unos vectores depende de si estos son LI o LD
GIRALDO
63
Conjunto generado por un vector {v}: de la definici

on, el conjunto generado por un vector, es el conjunto
{v | R}, es decir, el conjunto de m
ultiplos escalares de v. Sabemos de las propiedades de producto de un
escalar por un vector, que este es el conjunto de m
ultiplos de v y por tanto si v 6= 0 este coincide con la lnea
que contiene a v. Si v = 0 entonces gen{v} = {0} el subespacio trivial. De esto se sigue que un vector no nulo
en R genera a R, pero un vector no nulo en Rm , con m 2, no es suficiente para generar este espacio.
v
Lnea generada por v

Conjunto generado por dos vectores v1 y v2 no nulos. Distinguimos dos casos
Caso 1: los vectores v1 y v2 son LD, o equivalentemente, uno de los vectores es un m
ultiplo del otro, digamos
v2 = v1 . En este caso el conjunto generado por estos vectores, que por definici
on es el conjunto {v1 + v2 |
, R}, es en realidad una combinaci
on lineal de v1 ya que dadas la relaci
on entre v1 y v2 obtenemos que
una combinaci
on lineal de estos es de la forma
v1 + v2 = v1 + v1 = ( + ) v1
|{z}
v1
y obtenemos que gen{v1 , v2 } = gen{v1 } es la lnea que contiene a v1 .
Caso 2: los vecores son LI, o equivalentemente, ning

un vector es m
ultiplo del otro. En este caso tenemos que
el conjunto generado por los vectores v1 , v2 , el cual por definici
on es el conjunto {v1 + v2 | , R} es, por
la ley del paralelogramo, el plano que contiene a los dos vectores. Se sigue de esto que R2 es generado por dos
vectores no colineales pero dos vectores no pueden generar Rm con m 3.
v1
v2
v1
v2
Dos vectores LD generan una lnea
Dos vectores LI generan un plano
Conjunto generado por tres vectores {v1 , v2 , v3 }. Distinguimos dos casos

Caso 1: los vectores son LD, es decir, un vector es combibaci
on lineal de los dem
as, digamos v3 = 1 v1 +2 v2 ,
en este caso el conjunto generado por los vectores v1 , v2 , v3 que consta de los vectores de la forma 1 v1 + 2 v2 +
3 v3 es en realidad generado por los vectores v1 y v2 ya que
1 v 1 + 2 v 2 + 3
v3
|{z}
1 v1 +2 v2
= 1 v1 + 2 v2 + 3 (1 v1 + 2 v2 ) = (1 + 3 1 )v1 + (2 + 3 2 )v2 gen{v1 , v2 }
64
y por el caso anterior, sabemos que el generado por dos vectores es una lnea o un plano.
Caso 2: los vectores v1 , v2 , v3 son LI. En este caso los vectores generan un espacio 3-dimensional. De esto
se sigue que tres vectores LI en R3 generan el espacio 3-dimensional, pero tres vectores no son suficientes para
generar Rm con m 4.
v3
v1
v2
v3
v1
v3
v1
b
b
v2
Tres vectores LD generan
una lnea o un plano
v2
Tres vectores LI generan
un espacio 3-dimensional
La siguiente es una caracterizaci

on que sirve para determinar cuando un conjunto de vectores es un conjunto
generador de Rm .
h
Teorema 2.7. Sean v1 , v2 , . . . , vk vectores en Rm y sea A = v1
i
vk la matriz cuyas columnas son los
vectores v1 , v2 , . . . , vk . Entonces el conjunto {v1 , v2 , . . . , vk } es un conjunto generador si y s

olo si rango(A) =
m = # de filas de A.
Demostraci
on. Por definicion el conjunto {v1 , v2 , . . . , vk } es un conjunto generador si y s
olo si para todo

1
h
i
..
m
b R , existen escalares 1 , . . . , k tal que b = 1 v1 + + k vk = v1 vk . = Ax donde
|
{z
}
A
k

1

..
olo si la ecuaci
on para todo b Rm y esto, por el Teorema 1.20, es
x = . , si y s

k
equivalente a que rango(A) = m = # de filas de A.
De este teorema se desprende un procedimiento para determinar si un conjunto de vectores es un conjunto
generador de Rm , el cual describimos a continuaci
on.
Procedimiento 2.2. (Procedimiento para determinar si un conjunto de vectores de Rm es un
conjunto generador) Sean v1 , v2 , . . . , vk vectores en Rm , entonces
h
1. Forme la matriz A = v1
i
vk .
2. Aplique reducci
on Gauss-Jordan a A para calcular la forma escalonada reducida A de A.
3. Si A tiene un pivote en cada fila, entonces los vectores v1 , v2 , . . . , vk generan a Rm , de otra forma no
generan.
GIRALDO
65
Ejemplo 2.8. Determine si el conjunto de vectores genera a R3 ,
1
0
2
1

1. v1 = 2 , v2 = 4 , v3 = 1 , v4 = 0
3
1
10
5
0
2
1

2. v1 = 2 , v2 = 4 , v3 = 1
1
9
5
Soluci
on.
h
i
1. Siguiendo los pasos indicados en el procedimiento, primero formamos la matriz A = v1 v2 v3 v4 =
1 2 0 1
2 4 1
0 . Ahora calculamos la matriz escalonada reducida de A, usando MatLab obtenemos
5 10 1 3
>> A = [1 2 0 1; 2 4 1 0; 5 10 1 3]; rref (A)
ans =
1 2 0 1
0
0 1
2
0
0 0
0
Como rango(A) = 2 < 3 = # de filas, entonces los vectores no
1 2
h
i
2. En este caso formamos la matriz A = v1 v2 v3 = 2 4
5 9
reducida de A, usando MatLab obtenemos
generan a R3 .
1 . Ahora calculamos la matriz escalonada
>> A = [1 2 0; 2 4 1; 5 10 1]; rref (A)

ans =
1 0 0
0 1 0
0 0 1
Como rango(A) = 3 = # de filas, entonces estos vectores generan a R3 , es decir, gen{v1 , v2 , v3 } = R3 .
Corolario 2.8. Sean v1 , v2 , . . . , vk vectores en Rm , si k < n entonces los vectores v1 , v2 , . . . , vk no generan a
Rm .
h
Demostraci
on. Sea A = v1
i
vk , entonces rango(A) k < m = # de filas de A, entonces por el
Teorema 2.7, el conjunto no genera a Rm .
El siguiente corolario es la versi

on del Corolario 2.6 para conjuntos generadores.
Corolario 2.9. Un conjunto generador de Rm tiene al menos m vectores.
66
Teorema 2.10. Si los vectores v1 , . . . , vm Rm son linealmente independientes, entonces generan a Rm , es
decir, gen{v1 , . . . , vm } = Rm .
h
Demostraci
on. Sea A = v1
i
vm , como los vectores v1 , . . . , vm son linealmente independientes entonces,
por el Teorema 2.5, se tiene que rango(A) = m = # de columnas, pero la matriz A es de tama
no m m, por
tanto # de filas=# de columnas. Luego rango(A) = m = # de filas de A. Por tanto por el Teorema 2.7 los
vectores v1 , . . . , vm generan a Rm .

1
0
1

Ejemplo 2.9. En el Ejemplo 2.6 se encontr
o que los vectores v1 = 1 , v2 = 1 y v3 = 0 son linealmente

1
1
0
3
independientes, entonces por el teorema anterior se tiene que estos vectores generan R .
Problemas
2.4.1. Determine si el conjunto de vectores genera a R3 .

1
3
1
1
3
1
1

b. 1 , 1 , 1 , 2
a. 1 , 1 , 1
2
2
2
2
2
2
2.4.2. Determine si el conjunto de vectores genera a R4

1 1 2 1
1 1 2 0
a. , , ,
b.
3 1 2 1
1
2
2
0
1 1 2 1
1 1 2 7
, , ,

3 1 2 5
1
2
2
3
2.4.3. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean w1 = v1 v2 , w2 = v2 v3 y w3 = v3 . Demuestre

que el conjunto {v1 , v2 , v3 } genera a V si y s
olo si el conjunto {w1 , w2 , w3 } genera a V .
2.4.4. Sea V un espacio vectorial y sean v1 , . . . , vk V , el conjunto generado por los vectores v1 , . . . , vk se
define como
gen{v1 , . . . , vk } = {1 v1 + + k vk | 1 , . . . , k R }.
Demuestre que gen{v1 , . . . , vk } es un subespacio de V .
2.4.5. Sea V un espacio vectorial y sean v1 , . . . , vk , w1 , . . . , wl V , demuestre que
gen{v1 , . . . , vk } + gen{w1 , . . . , wl } = gen{v1 , . . . , vk , w1 , . . . , wl }.
2.4.6. Demuestre que los polinomios 1, t, t2 , . . . , tn generan a Pn .
GIRALDO
2.4.7. Demuestre que las matrices
1
0

0
0 1
0
,
,
1
0 0
0
67

0 0
0
generan a M2 (R).
y
0 1
0
2.4.8. Demuestre que S2 (R) = gen{E11 , E22 , E12 + E21 } y A2 (R) = gen{E12 E21 }.
2.4.9. sl2 (R) = gen{E12 , E21 , E11 E22 }.
2.5.
Bases
Al unir los conceptos de independencia lineal y conjunto generador se consigue uno de los conceptos m
as
importantes del
algebra lineal: el concepto de base de un espacio vectorial el cual definimos a continuaci
on.
Definici
on 2.6. Sea V un espacio vectorial y sean v1 , . . . , vn V , decimos que el conjunto {v1 , . . . , vn } es una
base para V si
1. los vectores v1 , . . . , vn son linealmente independientes,
2. los vectores {v1 , . . . , vn } generan a V .
De los Corolarios 2.6 y 2.9 de las secciones anteriores tenemos lo siguiente.
Teorema 2.11.
1. Toda base de Rm tiene exactamente m vectores.
2. Un conjunto de m vectores linealmente independientes de Rm es una base.

Demostraci
on.
1. Se sigue de los corolarios 2.6 y 2.9.
2. Se sigue de el Teorema 2.10.

0
2
1

Ejemplo 2.10. En el ejemplo anterior se comprob
o que los vectores v1 = 2 , v2 = 4 y v3 = 1 son

1
9
5
linealmente independientes, por tanto generan y forman una base para R3 .
El u
ltimo teorema garantiza que todas las bases de Rm tienen m vectores, en general para todos los espacios
vectoriales con un n
umero finito de generadores (tambien llamados finito dimensionales) se cumple que todas las
bases tienen exactamente el mismo n
umero de elementos. Abajo en el Teorema 2.15 se demostrar
a este hecho
para subespacios de Rm , el caso general se demostrar
a en la Secci
on 3.4. Por ahora daremos un argumento
computacional que nos permitir
a determinar si un conjunto de vectores es una base para Rm .
h
i
Teorema 2.12. Sean v1 , . . . , vm Rm y A = v1 vm entonces el conjunto {v1 , . . . , vm } es una base
para Rm si y s
olo si rango(A) = m.
La demostraci
on de este teorema es una aplicaci
on inmediata de los Teoremas ?? Tenemos adem
as el siguiente corolario.
68
h
Corolario 2.13. an v1 , . . . , vm Rm y A = v1
Rm si y s
olo si A es invertible.
i
vm entonces el conjunto {v1 , . . . , vm } es una base para
Demostraci
on. La demostraci
on se sigue del teorema anterior y el Corolario 1.22.
Nuevamente este teorema da un procedimiento para determinar si un conjunto de vectores es una base, el cual
consiste en formar una matriz con los vectores dados y determinar si el rango de esta matriz es el # de filas e
igual al # de columnas. Como lo mostramos en el siguiente ejemplo.
Ejemplo 2.11. Determine en cada caso si el conjunto de vectores dados forma una base para R3 .
1
2
1
1
1
1

1. v1 = 1 , v2 = 2 , v3 = 1
2. v1 = 1 , v2 = 2 , v3 = 1
3
6
4
3
3
4
Soluci
on.
on Gauss-Jordan a la matriz A = 1
2 1 formada por los vectores v1 , v2 y v3 ,
3 6
3
1 2 0
obtenemos la matriz 0
0 1. Esta matriz tiene rango 2 y por tanto los vectores v1 , v2 y v3 no forman
0
0 0
una base para R3 , ya que no son LI.
1 1 1
2. El aplicar reducci
on Gauss-Jordan a la matriz A = 1 2 1, formada por los vectores v1 , v2 y v3 ,
3 3 4
1 0 0
obtenemos la matriz 0 1 0 . Como esta matriz tiene rango 3, entonces los vectores v1 , v2 y v3 forman
0 0 1
una base para R3 , ya que son LI y tres vectores LI generan a R3 .
Problemas
2.5.1. Encuentre una base de R4 que contenga los vectores (1, 2, 2, 1) y (1, 0, 2, 2).
2.5.2. Calcule una base del subespacio {p R4 [t] |
R1
0
p(x)dx = 0} de R4 [t].
2.5.3. Muestre que el conjunto {E12 , E21 , E11 + E22 } es una base de S2 (R).
2.5.4. Muestre que el conjunto {E12 , E21 , E11 E22 } es una base de sl2 (R).
GIRALDO
69
2.5.5. Demuestre que {Eij + Eji | 1 i < j n} {Eii | 1 i n} es una base de Sn (R).
2.5.6. Demuestre que {Eij Eji | 1 i < j n} es una base de An (R).
2.5.7. Demuestre que {Eij | 1 i n} {Ejj Ej+1,j+1 | 1 j < n} es una base para sln (R).
2.5.8. Sea V un espacio vectorial y X Y V tal que X es LI y V = genY entonces existe una base Z tal
que X Z Y . En particular si Y es una base muestre que existe S Y tal que XU S es una base de V .
2.6.
Subespacio generado por un conjunto de vectores
Cuando se tiene un conjunto de vectores en Rm , el conjunto de combinaciones lineales de estos es un

subespacio, el cual podra ser todo Rm en el caso de que estos generen o un subespacio propio, si estos no generan
a Rm . Al conjunto de combinaciones lineales de un conjunto de vectores se le llama el conjunto generado por
los vectores y lo definimos a continuaci
on.
Definici
on 2.7. Sea V un espacio vectorial y sean v1 , . . . , vk V , definimos el conjunto generado por estos
vectores, denotado por gen{v1 . . . , vk }, como el conjunto de combinaciones lineales de los vectores v1 , . . . , vk .
Esto es,
gen{v1 . . . , vk } = {1 v1 + + k vk | 1 , . . . , k R } .
Es f
acil mostrar que el conjunto generado por los vectores v1 , . . . , vk V es un subespacio de V , ver Problema
2.4.4, por esta raz
on al conjunto gen{v1 . . . , vk } lo llamaremos el subespacio generado por los vectores v1 , . . . , vk .
A continuaci
on demostramos que todo subespacio de Rm tiene una base finita y en consecuencia todo subes-
pacio H de Rm es el subespacio generado por un conjunto finito de vectores, es decir, existen vectores v1 ,
. . . , vk Rm tal que H = gen{v1 , . . . , vk }.
Teorema 2.14. Sea H 6= {0} un subespacio de Rm , entonces existen vectores v1 , . . . , vk Rm tal que
{v1 , . . . , vk } es una base de H.
Demostraci
on. Sea 0 6= v H, si H = gen{v} terminamos, si no, existe v2 H \ gen{v}.
Si H = {v, v2 } terminamos la demostraci
on, si no, tomamos v3 H \ gen{v, v2 }. Continuando de manera
inductiva obtenemos vectores v1 , . . . , vk tal que H = gen{v, v2 , . . . , vk }
Debemos demostrar que los vectores son linealmente independientes. Por induccion notese que {v} es LI, ya
que si v = 0, como v 6= 0 entonces tenemos que = 0.
Ahora, supongamos que el conjunto {v, v2 , . . . , vk1 } es LI y veamos que {v, v2 , . . . , vk1 , vk } es LI. Para
esto supongamos que
v + 2 v2 + + k vk = 0.
(2.3)
Veamos por el absurdo que k = 0 ya que si k 6= 0 tenemos que k vk = 1 v1 k1 vk1 y por

tanto
vk =
1
k1
v1
vk1 gen{v1 , . . . , vk1 }
70
lo que contradice la escogencia del vector vk .
Se sigue que k = 0 y la Ecuaci
on 2.3 se reduce a v + 2 v2 + + k1 vk1 = 0 y como {v, v2 , . . . , vk1 }
es LI tenemos que 2 = = k1 = 0 y por tanto {v, v2 , . . . , vk1 , vk } es LI.
El hecho de que los vectores v1 , . . . , vk son LI para todo k garantiza que el proceso termina en un n
umero
finito de pasos, de hecho se pueden tomar a lo sumo m vectores de esta forma, esto es debido a que los vectores
v1 , . . . , vk Rm entonces el Corolario 2.6 garantiza que k m.
Concluimos que el conjunto {v, v2 , . . . , vk } es una base de H y k m.
La demostraci
on de este teorema se puede adaptar para demostrar que todo subespacio de un espacio vectorial
con una base finita tiene una base finita. Existe tambien una demostraci
on de que todo espacio vectorial tiene
una base usando el Axioma de elecci
on.
De este teorema deducimos adem
as que todo subespacio de Rm tiene una base con a lo sumo m vectores,
veamos que el n
umero de vectores en una base es un invariante, al cual llamaremos la dimensi
on del subespacio.
Teorema 2.15. Sea V un subespacio de Rm y sean {v1 , . . . , vk } y {w1 , . . . , wl } bases para V , entonces k = l.
Es decir, todas las bases de V tienen exactamente el mismo n
umero de vectores.
Demostraci
on. Primero supongamos que l > k, como los vectores v1 , . . . , vk forman una base para V , entonces
por definicion de base tenemos que V = gen{v1 , . . . , vk } y por tanto para i = 1, . . . , l existen constantes
1i , . . . , ki tal que
h
wi = 1i v1 + + ki vk = v1
Uniendo estas ecuaciones obtenemos:
w1
i h
wl = v 1
11
i
..
vk .
k1
..
.
1i
i
.
vk .. .

ki
1l
h
..
= v1
.
kl
i
vk A,
(2.4)
11 1l
..
.
..
donde A = ..
. Como l > k, entonces el sistema Ax = 0 tiene mas variables que ecuaciones y por
.
.
k1 kl
tanto este sistema tiene al menos una soluci
on no trivial, es decir, exiten constantes no todas nulas 1 , . . . , l
tal que

1
0

.. ..
A . = . .

l
0
(2.5)
GIRALDO
71
1

.
Luego, multiplicando la Ecuaci
on (2.4) a la derecha por .. , obtenemos

l
h
w1
1
i h
.
wl .. = v1

l
vk
1

.
A ..

l
| {z }
h
= v1
=0 por Ec. (2.5)

0
0
i
.. ..
vk . = . .

0
0

0
1
h
i
.. ..
ltimo sistema es equivalentemente, por el Lema 1.9, a la ecuacion
Es decir w1 wl . = . , este u

0
l
1 w1 + + l wl = 0, y se sigue que los vectores w1 , . . . , wl son linealmente dependientes lo que contradice el
hecho de que forman una base para V , por tanto k l.

De igual forma se demuestra que l k y por tanto k = l.
Este lema motiva la siguiente definici
on.
Definici
on 2.8. Definimos la dimensi
on de un subespacio de H de Rm , la cual denotaremos por dim H, como
el n
umero de elementos en una base de H.
Problemas
2.6.1. Sea V un espacio vectorial, sean v1 , v2 , v3 V y sean u1 = v1 v2 , u2 = v2 v3 y u3 = v3 . Demuestre

que el conjunto {v1 , v2 , v3 } genera a V si y s
olo si el conjunto {u1 , u2 , u3 } genera a V .
2.6.2. Sean H y K subespacios de Rn con dim H = dim K y H K. Demuestre que H = K.
2.6.3. Sean v1 , . . . , vk Rn y V = gen{v1 , . . . , vk } entonces dim H k.
2.7.
Subespacios fundamentales
Dada una matriz A se pueden definir cuatro subespacios determinados por esta, los cuales definimos a
continuaci
on.
Definici
no m n definimos los siguientes subespacios:
1. El espacion nulo de A, denotado N ul(A), se define como
N ul(A) = {x Rn | Ax = 0.}
72
2. El espacio columna, denotado Col(A), se define como
Col(A) = gen{c1 , . . . , cn },
donde c1 , . . . , cn son las columnas de A.
3. El espacio fila de A, denotado por F il(A), se define como
t
F il(A) = gen{f1t , . . . , fm
},
donde f1 , . . . , fm son las filas de A.

4. El espacio nulo a izquierda de A, denotado por N uliz(A), se define como
N uliz(A) = {x Rm | At x = 0.}
De acuerdo al Problema 2.4.4, el espacio columna, Col(A), y el espacio fila, F il(A), de una matriz A son
subespacios de Rm y Rn , respectivamente, y por el Problema 2.2.8 los conjuntos N ul(A) y N uliz(A) tambien
son subespacios de Rn y Rm , respectivamente.
El prop
osito ahora es dar un procedimiento que nos permita hallar una base para los subespacios fundamentales.
Calcular el espacio nulo de una matriz A es mas sencillo, ya que los vectores x en este espacio son soluci
on a la
ecuaci
on Ax = 0, o equivalentemente, la ecuaci
on A x = 0 con A la esaclonada reducida de A. El procedimiento
para calcular una base para el espacio columna se sigue del siguiente teorema.
no m n y sea A la forma escalonada reducida de A. Entonces los
vectores para los cuales la columna de A tiene un pivote, forman una base para Col(A) y por tanto dim Col(A) =
rango(A). Adem
as se tiene que dim N ul(A) = n rango(A).
Demostraci
on. Sea k = rango(A), sin perdida de generalidad, supongamos que las primeras k columnas de
A tienen pivote, es decir
1
..
.
0
A =
0
.
..
0 b1,k+1 b1n
. . ..
..
..
.
1 bk,k+1
0
0
. . ..
..
0 0
..
.
.
. ..
bkn
0
. . ..
. .
..
(2.6)
Sean c1 , . . . , cn las columnas de A, vamos a demostrar que los vectores c1 , . . . , ck forman una base para Col(A).
Primero notese que los vectores c1 , . . . , ck son linealmente independientes ya que estos forman las primeras
i
h
a dada por las
columnas de A y por tanto la forma escalonada reducida de la submatriz c1 ck est
primeras k filas de A y de la Ecuaci

on (2.6), se obtiene que esta tiene un pivote en cada columna, luego por el
Teorema 2.5, los vectores c1 , . . . , ck son linealmente independientes.
Antes de demostrar que estos vectores generan el espacio columna, calculemos una base para el espacio nulo.
GIRALDO
73
x1

.
Para esto tomemos x = .. , de la Ecuaci
on (2.6) tenemos lo siguiente

xn
x1

..
olo si Ax = 0 si y s
olo si A x = 0 si y s
olo si
. N ul(A) si y s

xn
x1 +b1,k+1 xk+1 ++b1n xn =0
..
.
xk +bk,k+1 xk+1 ++bkn xn =0
x1 =b1,k+1 xk+1 b1n xn
..
.
xk =bk,k+1 xk+1 bkn xn
b
x1 b1,k+1 xk+1 b1n xn

b1n
1,k+1
..
.
.
.
.
..
.
..
.
xk
bk,k+1 xk+1 bkn xn

bkn
bk,k+1
si y s
olo si xk+1 =
. (2.7)
xk+1
= xk+1 1 + + xn
0
.
.
.
.
..
..
..
..
si y s
olo si
xn
xn
b
b
b1n
b1n
1,k+1
1,k+1
.
.
.
.
.
..
..
.
..
bkn
bkn . N
bk,k+1
bk,k+1
otese adem
as que los vectores
Entonces N ul(A) = gen
1 ,...,
1 ,...,
0
0
.
.
.
.
..
..
..
..
son claramente LI y por tanto forman una base para N ul(A). De esto se sigue que los vectores c1 , , cn
satisfacen las ecuaciones
b

1,k+1
0
.. h

.
..
bk,k+1
. = A
1 = c1

.
..
0
..
.

b1n
0
.

.. h
..
bkn
. = A 0 = c1

..
0
.
1
1,k+1
.
i
..
bk,k+1
cn 1
.
..
0
b1n
.
i ..
bkn
cn 0
..
.
1
Por el Lema 1.9 tenemos que estas ecuaciones matriciales son equivalentes a las ecuaciones
b1,k+1 c1 bk,k+1 ck + ck+1 = 0
b1n c1 bkn ck + cn = 0
o equivalentemente
ck+1 = b1,k+1 c1 + + bk,k+1 ck
o equivalentemente
cn = b1n c1 + + bkn ck
..
.
Obtenemos que cada uno de los vectores ck+1 , . . . , cn es una combinacion lineal de los vectores c1 , . . . , ck . Por
74
tanto si x Col(A), obtenemos que
x =1 c1 + + k ck + k+1 ck+1 + + n cn
=1 c1 + + k ck + k+1 (b1,k+1 c1 + + bk,k+1 ck ) + + n (b1n c1 + + bkn ck )
=(1 + k+1 b1,k+1 + + n b1n )c1 + + (k + k+1 bk,k+1 + + n bkn )ck gen{c1 , ck }
Concluimos que ColA = gen{c1 , . . . , ck }, entonces los vectores c1 , . . . , ck generan a Col(A) y como son linealmente independientes entonces forman una base para Col(A).
Finalmente, observese que dim Col(A) = k = rango(A) y por la Ecuaci
on (2.7) tenemos que dim N ul(A) =
n k = n rango(A).
De este resultado se desprende el siguiente corolario el cual ser
a clave para la demostraci
on del Teorema
3.20, el cual es uno de los teoremas m
as importantes del
algebra lineal.
Corolario 2.17. Sea A una matriz de tama
no m n, entonces
dim Col(A) + dim N ul(A) = n = # de columnas de A.
1 0
Ejemplo 2.12. Calcule los cuatro subespacios fundamentales de la matriz A = 2 2 1
3 3 1
Calculando la forma escalonada reducida de A obtenemos
1 1 0 1
1 1 0 1
1 1 0 1
0
2 2 1 4 2F1 +F2 F2 0
0 1 2
0 1 2
0 0 0
3 3 1 5 2F1 +F3 F3 0 0 1 2 F2 +F3 F3 0
on:
4. Soluci
entonces por el teorema anterior la primera y tercera columna de A forman una base para el espacio columna
de A, es decir
0
1

Col(A) = gen 2 , 1 .
1
3
Ahora para el espacio nulo resolvemos el sistema Ax = 0 o equivalentemente A x = 0 y obtenemos lo siguiente

x
1
0
x
x1 = x2 x4
x1 x2 + x4 = 0
2
A = 0
x3
x3 + 2x4 = 0
x3 = 2x4

0
x4

1
1
x2 x4
x1

1
1
x2 x2
= x2 + x4 .

=
2
0
x3 2x4

1
0
x4
x4
GIRALDO
75
1
1
1 1
Por tanto N ul(A) = gen , .
0 2
0
1
Para calcular el espacio fila y el nulo
1
2
3
1 2 3 F1 +F2 F2
0
1
1
1
4
5 F1 +F4 F4
a izquierda, calculamos la escalonada reducida de At
1 2 3 2F2 +F1 F1 1 0
1 2 3
0 1
0 1 1
0 0 0
F2 F3
0 0
0 0 0
0 1 1
0 2 2 2F2 +F4 F4 0 0
0 2 2
1 2
1
1 2

on At x = 0 si y
as un vector x = x2 satisface la ecuaci
Se sigue que F il(A) = gen
, , adem
1
0
x3
1
4
solo si

0

x
x
x1
1
1 3

x
+
x
=
0
x
=
x
0
1
3
1
3
x2 = x3 = 1 .
At x2 =
0
x2 + x3 = 0
x2 = x3

x3
x3
x3
1
0

Por tanto N uliz(A) = gen 1 .
El siguiente teorema nos permite calcular bases alternativas para el espacio columna y el espacio fila de una
matriz.
Teorema 2.18. Sea A una matriz, entonces tenemos que F ilA = F ilA donde A es la forma escalonada
reducida de A, adem
as se tiene que dim F ilA = rango(A). Es decir, el espacio fila de una matriz coincide con
el espacio de su forma escalonada reducida.
Demostraci
on. Sean f1 , . . . , fm las filas de A y sean f1 , . . . , fk las filas no nulas de A , entonces k = rango(A).
Como A se obtiene de A aplicando operaciones elementales de fila, las cuales envuelven combinaciones lineales
de filas de A, entonces tenemos que fi gen{f1 , . . . , fm }, para i = 1, . . . , k. De esto se deduce que F ilA F ilA.
Ahora, como las operaciones elementales son reversibles y podemos recuperar la matriz A de A por medio
de operaciones elementales, entonces tenemos que fi gen{f1 , . . . , fk }, para i = 1, . . . , m. Deducimos que

F ilA F ilA y por tanto F ilA = F ilA.
Es facil ver que los vectores f1 t , . . . , fk t son LI ya que la matriz A est

a en forma escalonada reducida y los
pivotes est
an en diferentes columnas, por tanto estos forman una base de A, concluimos que dim F ilA = k =
rango(A).
76
no m n, entonces rango(A) = rango(At ).
Demostraci
on. De la definicion de espacio fila y espacio columna tenemos que F il(A) = Col(At ) y por el
teorema anterior dim F il(A) = rango(A) y por el Teorema 2.16 tenemos que dim Col(At ) = rango(At ), por
tanto
rango(A) = dim F il(A) = dim Col(At ) = rango(At ).
1 1
0 1
o que las matrices

1 4 la matriz del Ejemplo 2.12. En ese ejemplo se calcul
1 5
1 0 1
1 1 0 1
0 1 1
t
t
y como
escalonadas reducidas de A y A respectivamente son A = 0
0 1 2 y (A ) =
0 0 0
0
0 0 0
0 0 0
0
1
Col(A) = F il(At ) = F il(At ) se tiene que Col(A) = gen v1 = 0 , v2 = 1 . Se deja como ejercicio al
1
1
lector verificar que v1 = c1 2c3 y v2 = c3 , donde c1 y c3 son la primera y tercera columna de la matriz A, lo
3 3
que verifica que en realidad el espacio generado por v1 y

v2 es igual
de A.
espacio columna
al
0
1
0
1
, w2 = . Se deja como ejercicio al
Adem
as F il(A) = F il(A ), entonces F il(A) = gen w1 =
1
0
2
1
lector verificar que w1 = f1 y w2 = 2f1 + f2 donde f1 y f2 son la primera y segunda fila de A. Lo que verifica
que el espacio generado por w1 y w2 es igual al espacio fila de A.

AGREGAR EJEMPLO MATLAB
Problemas
2.7.1. Encuentre los cuatro subespacios fundamentales de la matriz
1 2
1
1 2
1 2
a. A = 2
4 c. C = 5 6
4 b. B = 2 2
9 10
1
9
2
1
2
3
7
11
Encuentre una base para el subespacio soluci

on del sistema lineal
a.
2x1 x2 + 3x3
=0
4x1 + 2x2 6x3
=0
b.
2x1 x2 + 3x3
=0
x1 + x2 x3
=0
12
GIRALDO
77
Ayuda: Escriba el sistema en la forma Ax = 0, por el Ejercicio 2.2.4 tenemos que x es soluci
on al sistema si y
s
olo si x N ul(A).
2.7.2. Sean A y B matrices tal que AB = 0, demuestre que Col(B) N ul(A) y F il(B) N uliz(A).
2.7.3. Determine las dimensiones de los cuatro subespacios fundamentales de una matriz que satisface:
a. A es 8 7 con rango 5.
b. A es 7 5 con rango 5.
2.7.4. Determine el tama

no de A para que dim N ulA = dim N ulizA + 1.
2.7.5. muestre que b ColA si y s
olo si Ax = b tiene soluci
on. (El espacio columna es el espacio soluci
on a la
ecuaci
on Ax = b).
2.7.6. Demuestre o de un contraejemplo de las siguientes afirmaciones
1. Si las columnas de A son LD tambien lo son las filas de A.
2. Si las columnas de A son LI tambien lo son las filas de A.
3. Si X es una base de Rn y W Rn es un subespacio entonces un subconjunto de X es una base de W .
2.7.7. Si A = [I2 I2 ] determine ColA y N ulA.
2.7.8. Si A es 34 con N ulA = gen{(1, 1, 1, 0)} determine lo siguiente
1. rangoA,
2. la forma escalonada A de A,
3. F ilA
1 1
1 0
2.7.9. Si A = 0 0 0 1, cuales de los subespacios N ulA, N ulizA, ColA y F ilA se pueden determinar y
0 0 0 0
que se puede decir de los demas.
2.7.10. Determine el espacio columna en los siguientes casos
1. si A es 3 6 y Ax = b tiene soluci
on para todo b,
2. si A es 44 y Ax = 0 tiene soluci
on u
nica,
3. A es 2 3 y A tiene una inversa a derecha.
2.7.11. Sea A una matriz 4 3, si N ulA = gen{(1, 1, 1), (1, 0, 0)} determine la forma escalonada reducida A
de A y una base para F ilA.
2.7.12. Sea A Mn (R), Nk = N ul(Ak ) y Ck = Col(Ak ), demuestre que para todo k 1 se tiene que
78
1. Nk Nk+1
2. Ck+1 Ck
2.7.13. Si A Mmn (R) es una matriz, muestre que
Col(A) = {Ax | x Rn } = ({b | existe x tal que b = Ax})
Este ejercicio muestra que el espacio columna es el conjunto soluci
on de la ecuaci
on Ax = b.
2.7.14. Sea A Mmn (R) y B Mnq (R), muestre que lo siguiente
1. Col(AB) Col(A) y deduzca que rango(AB) rango(A)
2. Si B tiene inversa a la derecha, en particular si B es invertible, entonces Col(AB) = Col(A). Concluya
que en este caso se tiene que rango(AB) = rango(B).
2.7.15. Sea A Mmn (R) y B Mnq (R), muestre que lo siguiente
1. rango(AB) rango(B). (Ayuda: Use el hecho que rango(At ) = rango(B t ).)
2. rango(AB) mn{rango(A), rango(B)}
3. Si B es invertible entonces rango(BA) = rango(A).
2.7.16. Sean A, B Mn (R) con B invertible, demuestre que rango(A) = rango(B 1 AB).
2.7.17. Si A es m p y B es p q con m < p < q y AB = 0, muestre que rangoA + rangoB m.
2.7.18. De un ejemplo de dos matrices A y B tal que Col(AB) 6= Col(A).
2.7.19. Si A es 8 10 con rango 6 determine las dimensiones de N ulA y N ulizA. Repetir si A es (m + 1) m
con rango m 1.
2.8.
Subespacio generado
En esta secci
on abordaremos dos preguntas acerca de un subespacio H generado por vectores v1 . . . , vn en
m
R , las primera de las cuales es:

1. Si los vectores v1 , . . . , vn no son linealmente independientes, como encontrar una base para H.
h
i
Si hacemos A = v1 vn entonces Col(A) = gen{v1 , . . . , vn } = H y aplicando el Teorema 2.16 obtenemos
una base para Col(A) = H.

0
2
1

Ejemplo 2.14. Calcular una base para H = gen{v1 , v2 , v3 } donde v1 = 2 , v2 = 4 y v3 = 1 .

1
10
5
GIRALDO
79
2 0
5 1 obtenemos A = 0
0
5 1
Soluci
on. Aplicando reducci
on Gauss-Jordan a la matriz A = 2
5
Entonces los vectores v1 y v3 forman una base para H.
2 0
0
0
1 .
La segunda pregunta es conocida como el Test de membresa y dice lo siguiente.

2. Si H es un subespacio de Rm con base {v1 , . . . , vk } y b es un vector en Rm , como determinar si b H.
h
Haciendo A = v1
tenemos que b H si y s
olo si existen constantes 1 , . . . , k tal que b =

1
1

h
i
..
..
olo si la ecuaci
on
1 v1 + + k vk = v1 vk . = Ax con x = . . En otras palabras, b H si y s

k
k

1

..
on a esta ecuaci
on, entonces b = 1 v1 + + k vk .
Ax = b tiene soluci
on y si x = . es una soluci

k
1
0
1

Ejemplo 2.15. Sea H = gen v1 = 2 , v2 = 1 y sea b = 2, determinar si b H, en caso afirmativo
1
1
5
expresar a b como combinaci
on lineal de v1 y v2 .
vk
Soluci
on. Aplicando reducci
on Gauss-Jordan a la matriz 2
1 0
2 1
5 1
2F1 +F2 F2
5F1 +F3 F3
1 0
0 1
0 1
1 2 obtenemos
1
1
F2 +F3 F3
1 0
0 1
0 0
se sigue que la ecuaci

on 1 = 1 y 2 = 4, por tanto b = v1 4v2 .
En el siguiente ejemplo se muestra que algunas veces los subespacios de Rn aparecen como el espacio nulo de
una matriz.
Ejemplo 2.16. Calcular una base para cada uno de los siguientes subespacios.

1. H = y = mx, m R
y

2. H = y x = at, y = bt y z = ct, a, b, c R .
80

3. H = y ax + by + cz = 0, a, b, c R, c 6= 0

4. H = y x + y + z = 0, 2x y z = 0 .

1
x
1
x
x
x
ultiplo de .
olo si es un m
olo si y = mx si y s
olo si = = x si y s
1. H si y s
1
y
m
mx
y
y

1
Por tanto H = gen .
1

x
a
at
x
x

ultiplo
olo si y es un m
olo si x = at, y = bt y z = bt si y solo si y = bt = t b si y s
2. y H si y s

z
c
ct
z
z

de b . Por tanto H = gen b .
c
c

x
x
x
1

a
b
olo si ax + by + cz = 0 si y s
olo si z = c x c y si y s
3. y H si y s
olo si y =
= x 0 +
y

z
ac x cb y
z
ac

1
1
x
0
0
0

on lineal de 0 y 1 . Por tanto H = gen 0 , 1 .
olo si y es una combinaci
y 1 si y s
b
a
ac
z
cb
cb
c
c

x
x

0
1
1
1
olo si
olo si x + y + z = 0 y 2x y z = 0 si y solo si
4. y H si y s
y = si y s

0
2 1 1
z
z

x

1
1
1

. Para calcular el espacio nulo de A aplicamos reducci
on Gauss-Jordan
y N ul(A) con A =

2 1 1
z
2 1
2F1 +F2 F2
0 3
F2 +F1 F1
0 0
1 1
1
3 F2 F2
1 1
0 1
GIRALDO
81

0
x
x

olo si x = 0 y y + z = 0 si y solo si x = 0 y y = z si y s
olo si y = z =
Entonces y N ul(A) si y s

z
z
z

0
0

z 1. Por tanto H = gen 1 .
1
1
Terminamos el captulo con con un teorema que ser
a muy u
til en el pr
oximo captulo.
no m n, entonces
1. N ul(A) = 0 si y s
olo si rango(A) = n = # de columnas de A.
2. Col(A) = Rn si y s
olo si rango(A) = m = # de filas de A.
Demostraci
on.
1. N ul(A) = 0 si y s
olo si la u
nica soluci
on a la ecuaci
on Ax = 0 es x = 0 si y s
olo si
rango(A) = n = # de columnas de A (Teorema 1.21.)

2. Col(A) = Rn si y s
olo si b Col(A) para todo b Rn si y s
olo si para todo b Rn , Ax = b si y s
olo si la
ecuaci
on para todo b Rn si y s
olo si rango(A) = m = # de filas de A (Teorema
1.20.)
Problemas
2.8.1. Encuentre una base para cada uno de los siguientes subespacios:
x
x

b. H = y x = t, y = 2t, z = 3t
a. H = y 3x y = 0
2.9.

c. H = x + y + z + w = 0
..
d. H = . a1 x1 + + an xn = 0, an 6= 0
El Teorema de la base incompleta en Rm
En el Corolario 2.6 se demostr

o que si v1 , . . . , vk son vectores linealmente independientes en Rm entonces
k m. El Teorema de la base incompleta dice que si k < m se pueden escoger vectores wk+1 , . . . , wm talque
v1 , . . . , vk , wk+1 , . . . , wm forman una base para Rm .
82
Teorema 2.21. (Teorema de la base incompleta) Sean v1 , . . . , vk vectores linealmente independientes en Rm .
Si k < m se pueden escoger vectores wk+1 , . . . , wm talque v1 , . . . , vk , wk+1 , . . . , wm forman una base para Rm .
h
i
Demostraci
on. Sea A = v1 vk la matriz cuyas columnas son los vectores v1 , . . . , vk , como estos son
linealmente independientes, entonces por el Teorema 2.5 tenemos que rango(A) = k y por tanto la forma
escalonada reducida A de A tiene un pivote en cada fila, luego A tiene la forma
1 0
.
.
. ..
. ..
.
1
= e e
A =
1
k
0 0
. .
. . ...
..
donde ei es el vector con un uno en la i-esima componente y ceros en las demas componentes. Sean E1 , . . . , Es
matrices elementales talque
A = Es E1 A
(2.8)
y sea B = E11 Es1 entonces tenemos lo siguiente

Afirmaci
on 1. Las primeras k columnas de B son los vectores v1 , . . . , vk
Demostracion de la afirmaci
on: de la ecuaci
on (2.8) se sigue que
h
A = E11 Es1 A = BA = B e1
|
{z
}
=B
i h
ek = Be1
Bek
como las columnas de A son los vectores v1 , , vk entonces tenemos que Be1 = v1 , . . . , Bek = vk , luego
h
i
B = BI = B e1 ek ek+1 em
#
"
Be
Be
Be
Be
k+1
m
k
1
= |{z}
|{z}
vk
v1
h
= v1
vk
Bek+1
Bem
Afirmaci
on 2. Las columnas de B son linealmente independientes.
Demostracion de la afirmaci
on: Como B es un producto de matrices invertibles, entonces B es invertible,
luego por el Corolario 1.22 tenemos que rango(A) = m entonces por el Teorema ?? los vectores son linealmente
independientes.
Ahora, como B tiene m columnas linealmente independientes, entonces estas forman una base para Rm , es
decir, los vectores v1 , . . . , vk , wk+1 , . . . , wm forman una base, donde wk+1 , . . . , wm son las u
ltimas columnas de
B.
Este teorema exhibe un metodo computacional para completar una base, el cual escribimos a continuaci
on:
GIRALDO
83
Procedimiento 2.3. (Procedimiento para completar una base en Rm ) Sean v1 , . . . , vk vectores linealmente independientes en Rm con k < m, para calcular vectores wk+1 , . . . , wm talque los vectores v1 , . . . , vk , wk+1 , . . . , wm
forman una base, hacemos lo siguiente
h
1. Sea A = v1
i
vk la matriz formada con los vectores v1 , . . . , vk
2. Sea C el producto de las matrices elementales talque A = CA , esta matriz se calcula hallando la forma
h
i
h
i
escalonada reducida de la matriz A I ya que esta est
a dada por A C
3. Hacemos B = C 1
Si las columnas de B son linealmente independientes y por tanto forman una base para Rm y por el teorema
anterior, las primeras columnas de B son los vectores v1 , . . . , vk .

1
0

Ejemplo 2.17. (MatLab) Sean v1 = 1 y v2 = 1, calcular un vector v3 talque los vectores v1 , v2 , v3

2
1
3
forman una base para R .
0 1
Soluci
on. Sea A = v1 v2 = 1 1, entonces hacemos lo siguiente
1 2
h
i
1. calculamos la forma escalonada reducida de la matriz A I usando MatLab
i
>> A = [01; 11; 12]; R=rref([A, eye(3)])

R=
1 0
0 2/3
1/3
0 1
1/3
1/3
0 0 1 1/3 1/3
El producto de las matrices elementales es la matriz compuesta por las 3 u
ltimas columnas de R, la cual
podemos definir usando MatLab como sigue
>> C = [R(:, 3), R(:, 4), R(:, 5)]
C=
0 2/3
1/3
1/3
1/3
1 1/3
1/3
2. Ahora calculamos B = C 1 como sigue

B = inv(C)
B=
0
1 1
84
N
otese que efectivamente
las dos primeras columnas de esta matriz son los vectores v1 y v2 y por tanto los
1

vectores v1 , v2 y v3 = 0 forman una base para R3 .

0
Captulo 3
Transformaciones Lineales
Carreta
3.1.
Definici
on y Ejemplos
En este captulo se estudiar

an funciones entre espacios vectoriales que preservan la estructura, estas funciones se llaman tranformaciones lineales, comenzamos con la definici
on.
Definici
on 3.1. Sean V y W espacios vectoriales y T : V W una funci
on, decimos que T es una transformaci
on lineal si satisface:
1. T (v + v ) = T (v) + T (v ), para todo v, v V .
2. T (v) = T (v), para todo v V y para todo R.
Observaci
on 3.1. Como consecuencia de la definici
on tenemos que si T : V W es una transformaci
on
lineal, v1 , . . . , vn V y 1 , . . . , n R entonces
1. T (1 v1 + 2 v2 ) = 1 T (v1 ) + 2 T (v2 ), y en general
2. T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ).
Ejemplo 3.1.
1. Sean V y W espacios vectoriales sobre R. La funci

on nula f : V W definida por f (v) = 0,
para todo v V y la funci

on identidad Id : V V definida por Id(v) = v son transformaciones lineales.
2. Si a R, entonces Ta : R R dada por Ta (x) = ax para todo x R, es una transformaci
on lineal. El
gr
afico de Ta es una recta pasando por el origen (0, 0) R2 con pendiente a.
3. Sean a1 , , an R. La funci
on T : Rn R definida por T (1 , , n ) =
Pn
i=1
ai i , es una transfor-
maci
on lineal tal que T (ei ) = ai , donde los ei denotan los elementos de la base can
onica de Rn .
85
86
4. La funci
on T : R2 R definida por T (x, y) = x + y es una transformaci
on lineal ya que
T ((x, y) + (x , y )) = T (x + x , y + y ) = x + x + y + y = (x + y) + (x + y ) = T (x, y) + T (x y ) .
T ((x, y)) = T (x, y) = x + y = (x + y) = T (x y ) .
5. Si A es una matriz m n, la funci
on T : Rn Rm definida por T (v) = Av es una transformaci
on lineal
ya que satisface los axiomas 1 y 2 de la definici
on, m
as especficamente tenemos que
T (v + w) = A(v + w) = Av + Aw = T (v) + T (w)
T (v) = A(v) = Av = T (v).

Destacamos las siguientes propiedades que cumple cualquier transformaci
on lineal.
Teorema 3.1. Sean V y W espacios vectoriales y T : V W una transformaci
on lineal, entonces
1. T (0) = 0.
2. T (v) = T (v).
Demostraci
on.
1. T (0) = T (0 + 0) = T (0) + T (0) por tanto T (0) = 0.
2. T (v) = T ((1)v) = 1T (v) = T (v).
Por ahora nos concentraremos por ahora solo en transformaciones lineales de Rn en Rm , ya que estas,
como se muestra en el siguiente teorema, son de la forma dada en el tem 5 del Ejemplo 3.1, es decir, para
toda transformaci
on lineal se puede encontrar una matriz A de tama
no m n tal que T (x) = Ax. Pasamos a
enunciar el teorema.
Teorema 3.2. Sea T : Rn Rm una transformaci
on lineal, sea {e1 , . . . , en } la base est
andar de Rn y
A = [T (e1 )
T (en )], la matriz cuyas columnas son los vectores T (e1 ), . . . , T (en ), entonces T (x) = Ax,
para todo x Rn . M
as aun, esta matriz es la u
nica con la propiedad que T (x) = Ax.

1

..
Demostraci
on. Sea x = . Rn , entonces x = 1 e1 + + 1 en y tenemos lo siguiente

n
T (x) = T (1 e1 + + 1 en ) = 1 T (e1 ) + + 1 T (en )

1

..
= [T (e1 ) T (en )] . = Ax.
{z
}
|
=A
n
GIRALDO
87
Ahora si B es una matriz tal que T (x) = Bx para todo x, entonces en particular los vectores de la base est
andar
tenemos que
T (ei ) = Bei = i-esima columna de B, para i = 1, . . . , n.
Pero T (ei ) es tambien la i-esima columna de A, se sigue que B = A.
La matriz A en el teorema anterior depende de los vectores en la base est
andar, la siguiente definici
on es
para hacer claridad respecto a esto.
Definici
on 3.2. Si T : Rn Rm es una transformaci
on lineal y E = {e1 , . . . , en } es la base est
andar de
Rn , a la matriz A = [T (e1 )
A = E TE .
on y ser
a denotada por
T (en )] se le llama la matriz de la transformaci

x
Ejemplo 3.2. Calcular la matriz de la transformaci
on T : R2 R definida por T = x + y.
y
Soluci
on. De acuerdo al teorema anterior debemos calcular T (e1 ) y T (e2 ):

0
1
y
T (e2 ) = T = 0 + 1 = 1.
T (e1 ) = T = 1 + 0 = 1
1
0
Luego la matriz de la transformaci
on es
E TE
= [1
1].
x

x
+
2y

.
Ejemplo 3.3. Calcular la matriz, E SE , de la transformaci
on S : R3 R2 definida por S y =

y 3z
z
Soluci
on. En este caso debemos calcular S(e1 ), S(e2 ) y S(e3 ).

1
0

1 + 2 0 1
0 + 2 1 2
S(e1 ) = S 0 =
, S(e2 ) = S 1 =
=
=

0
030
1
130
0
0

0

0
0
+
2
0

= .
y
S(e3 ) = S 0 =

3
031
1
1 2
0
.
Por tanto la matriz de la transformaci
on es E SE =
0 1 3
En el siguiente teorema demostraremos que la composici
on de transformaciones lineales es una transforma-
ci
on lineal adem
as veremos que la matriz de la transformaci
on compuesta es el producto de las matrices de las
respectivas transformaciones.
Teorema 3.3. Sean V, W y Z espacios vectoriales y sean T : V W y S : W Z transformaciones
lineales, entonces S T es una transformaci

on lineal. M
as a
un, si V = Rn , W = Rm y Z = Rq entonces la
matriz de la transformaci
on S T est
a dada por
E SE E
TE , es decir,
E (S
T ) E = E SE E T E .
88
Demostraci
on. Primero demostremos que S T es una transformacion lineal, sean v, v V y R,
S T (v + v ) = S(T (v + v )) = S(T (v) + T (v )) = S(T (v)) + S(T (v ))
= S T (v) + S T (v )
S T (v) = S(T (v) = S(T (v)) = S(T (v)) = S T (v)

Ahora demostremos la segunda parte, sean A =E TE y B =E SE , entonces T (v) = Av para todo v Rn y
S(w) = Bw para todo w Rm . Veamos que BA es la matriz de S T , es decir, S T (v) = BAv para todo
v Rn .
S T (v) = S(T (v)) = S(Av) = BAv.

De la propiedad de unicidad que satisface la matriz de S T concluimos que BA es la matriz de S T .
Ejemplo 3.4. Sean T y S las transformaciones lineales definidas en los Ejemplos 3.2 y 3.3 entonces la matriz
de la transformaci
on T S,
E (T
S)E , est
a dada por
i 1 2
E (T S)E =E TE E SE = 1 1
0 1
h

Por tanto T S 2 = 1 3

3
h
= 1 3
3
i
3 .
i

3 2 = 1 + 32 33 .

3
Ejemplo 3.5. (MatLab) Sean T : R3 R4 y S : R4 R3 las transformaciones lineales definidas por

T (x) = Ax y S(x) = Bx con
A=
3 2
1
1 1 1
2 0 1
0 1 2
yB=
Es f
acil ver que si T (x) = Ax para todo x entonces A =
1 2 1 3
1 2 1 0
2 0 1 1
E TE
es la matriz de la transformaci
on. Por tanto
obtenemos que las matrices de las compuestas T S y S T son las matrices AB y BA, respectivamente. Por
tanto T S(x) = ABx para todo x R4 y S T (y) = BAy para todo y R3 . Usando Matlab obtenemos que
3 10 4 10
h 7 7 4 i
AB = 20 44 13 45 y BA = 1 0 0 .
4 5
5 2 3 2
Del Teorema 3.2 obtenemos que el conjunto de transformaciones lineales L(Rn , Rm ) de Rn en Rm est
a en
correspondencia uno a uno con el conjunto de matrices Mm,n (R)
L(Rn , Rm )
Mm,n (R)
A = E TE
T (x) = Ax
la correspondencia es tal que la composici

on de transformaciones se traduce en producto de matrices, tambien
veremos que la inversa de una transformaci
on invertible se corresponde con la inversa de su matriz, la imagen
de la transformaci
on con el espacio columna de la matriz y el kernel de la transformaci
on (este se define en la
GIRALDO
89
pr
oxima secci
on) con el espacio nulo de la matriz. En general tendremos que la matriz de una transformaci
on
se puede usar para conseguir informaci
on u
til acerca de la transformaci
on, por ejemplo, esta se puede usar para
determinar si una transformaci
on lineal es inyectiva, si es sobre, si es biyectiva. Esto lo veremos en las secciones
3.2-3.4
Problemas
3.1.1. Determine si la funci
on dada es una transformaci
on lineal y en los casos afirmativos, calcule la matriz
de la transformaci
on lineal correspondiente.
y
x
.
1. T : R2 R2 definida por T =
x
y

xy
2. T : R2 R3 definida por T = x + 1.
y
y2

x

y
y

.
3. T : R4 R2 definida por T
=
z
zw

w

xz
x

4. T : R3 R3 definida por T y = y z .

xz
z

x

x
z

.
5. T : R3 R2 definida por T y =

yz
z
6. T : Rn Rn1
x
1

definida por T =

xn
x1 xn
x1 + x2 xn
..
.
x1 + + xn1 xn

2
1

1
0
1

3.1.2. Sea T : R2 R3 tal que T = 2 y T = 1. Calcule la matriz de T y T .

1
1
0
2
2
3.1.3. Calcule la matriz de la transformaci
on que rota el plano 90 y luego proyecta sobre el eje y.
3.1.4. Sea V = F([a, b], R el conjunto de las funciones continuas del intervalo [a,b] en R. Demuestre que la
Rb
funci
on T : V R definida por T (f ) = a f (x)dx es una transformaci
on lineal.
90
3.1.5. Muestre que una funci
on T : Rn R es una transformaci
on lineal si y solamente si existen a1 , , an
Pn
R tales que T (x1 , , xn ) = i=1 ai xi .
3.1.6. Considere la funci

on D : P3 P2 definida por D(a + bt + ct2 + dt3 ) = b + 2ct + 3dt2 . Demuestre que
D es una transformaci
on lineal.
En forma m
as general demuestre que la funci
on D : Pn+1 Pn definida por D(p(t)) = p (t) es una
transformaci
on lineal.
3.1.7. Considere la funci
on I : P2 P3 definida por I(a + bt + ct2 ) = at + 21 bt2 + 13 ct3 . Demuestre que I es
una transformaci
on lineal.
En forma m
as general demuestre que la funci
on I : Pn Pn+1 definida por D(p(t)) =
transformaci
on lineal.
3.2.
Rt
0
p(x)dx es una
Transformaciones Lineales Inyectivas
En esta secci
on veremos que la inyectividad de una transformaci
on lineal est
a ligada a con la nulidad de la
matriz de la transformaci
on, y esto a su vez, depende de si kernel de la transformaci
on es trivial. Comenzamos
con la definici
on de kernel de una transformaci
on.
Definici
on 3.3. Sean V y W espacios vectoriales y sea T : V W una transformaci
on lineal, definimos el
n
ucleo o kernel de T como el conjunto
ker(T ) = {x V | T (x) = 0}.
Para transformaciones lineales de Rn en Rm , la matriz de la transformaci
on se puede usar para calcular el
kernel. Este es el resultado del siguiente teorema.
Lema 3.4. Sea T : Rn Rm una transformaci
on lineal y sea A =
E TE
la matriz de la transformaci
on,
entonces ker(T ) = N ul(A).

Demostraci
on. x ker(T ) si y s
olo si 0 = T (x) = Ax si y s
olo si x N ul(A).
Concluimos que ker(T ) = N ul(A).
Ejemplo 3.6. Calculemos el kernel de la transformaci
on lineal S
definida en el Ejemplo 3.3.
1 2
0
, necesitamos calcular N ul(A), para lo cual
Soluci
on. La matriz de la transformaci
on es A =
0 1 3
necesitamos la escalonada reducida de A:
1 2
0 1
F1 2F2 F1
1 0
0 1
.
3
GIRALDO
91

x

x = 6z

olo si se satisfacen las ecuaciones
.
Luego tenemos que un vector v = y N ul(A) = N ul(A ) si y s

y = 3z
z

6
6z
x
x

olo si y = 3z = z 3 .
Entonces tenemos que v = y N ul(A) si y s

1
z
z
z

Por tanto tenemos que ker(T ) = N ul(A) = gen 3 .
1
El siguiente resultado muestra la relaci
on entre la inyectividad de una transformaci
on lineal y la trivialidad
del kernel.
Teorema 3.5. Sea T : V W una transformaci
on lineal, entonces T es inyectiva si y s
olo si ker(T ) = {0}.
Demostraci
on. Supongamos que T es inyectiva, entonces si T (v) = T (w), tenemos que v = w.
Ahora, supongamos que v ker(T ), entonces T (v) = 0 = T (0), luego v = 0 y por tanto ker(T ) {0}. La
otra inclusi
on se da ya que ker(T ) es un subespacio de V y por tanto 0 ker(T ). Concluimos que ker(T ) = {0}.
Supongamos que ker(T ) = {0} y demostremos que si T (v) = T (w), entonces v = w, para todo v, w V .
Supongamos entonces que T (v) = T (w). Luego T (v w) = T (v) + T (w) = T (v) T (w) = 0, se sigue que
v w ker(T ) = {0} por tanto v w = 0 o equivalentemente v = w. Concluimos que T es inyectiva.
En el caso particular de transformaciones lineales que van de Rn en Rm , el Teorema 3.5 y el Lema 3.4 nos
dan un algoritmo para calcular el kernel, este se hace evidente con el siguiente resultado.
on lineal y sea A =
E TE
la matriz de la transformaci
on.
Entonces T es inyectiva si y s
olo si rango(A) = n = n
Demostraci
on. T es inyectiva si y s
olo si ker(T ) = {0} (Teorema 3.5) si y s
olo si N ul(A) = {0} (Lema 3.4) si
y s
olo si rango(A) = n (Teorema 2.16).
Este teorema nos da una manera de determinar si una transformaci
on lineal es inyectiva y en caso negativo,
usamos el Lema 3.4 para calcularlo. A continuaci
on damos los siguientes ejemplos.

x

x
+
2y
es
Ejemplo 3.7. Determine si la transformaci
on lineal T : R3 R2 definida por T y =

y 3z
z
inyectiva.
Soluci
on. En el Ejemplo 3.6 vimos que la matriz de la transformaci
on es A =
escalonada reducida de A es A =
de A, por tanto A no es inyectiva.
1 0
0 1 3
1 2
0 1
y la forma
3
. De esto deducimos que rango(A) = 2 < n

umero de columnas
92
2
3 4 5
y sea T : R4 R4 la transformaci
on lineal definida
Ejemplo 3.8. (MatLab) Sea A =
3
4
5 6
4
5
6 7
por T (v) = Av. Determine si T es inyectiva y calcular su kernel.
Soluci
on. Como la matriz de la transformaci
on es la u
nica para la cual T (v) = Av, tenemos que A = E TE es
la matriz de la tranformaci
on, para determinar si T es o no inyectiva, necesitamos calcular el rango de A, lo
cual calculamos como sigue en MatLab:
>> A = [1, 2, 3, 4; 2, 3, 4, 5; 3, 4, 5, 6; 4, 5, 6, 7]; rank(A)
y as se obtiene que rango(A) = 4 = n
umero de columnas de A y se sigue que T es inyectiva y ker(T ) = {0}.
1 2
1
1 1
1
0
1 3 1
Ejemplo 3.9. (MatLab) Sea A = 0

1 1
1 1 y sea T : R5 R5 definida por T (x) = Ax,
0
1 1
1 1
1
0
1 3 1
determine si T es inyectiva y calcular ker(T ).
Soluci
on. Primero calculamos el rango de A para determinar si la transformaci
on es inyectiva,
>> A = [1, 2, 1, 1, 1; 1, 0, 1, 3, 1; 0, 1, 1, 1, 1; 0, 1, 1, 1, 1; 1, 0, 1, 3, 1]; rank(A)
y obtenemos que rango(A) = 3 y por tanto T no inyectiva. Para calcular el kernel, computamos el subespacio
nulo de A.
>> null(A, r )
1 3
1
1

Obtenemos que ker(T ) = N ul(A) = gen 1 , 0 .
0 1
0
0
Problemas
3.2.1. Calcular el kernel de las transformaciones lineales del Problema 3.1.1.

3.2.2. Determine cuatro transformaciones lineales de R3 en R3 cuyos n
ucleos tengan dimensiones 0, 1, 2 y 3
respectivamente.
3.2.3. Sea T : Rn Rm una transformaci
on lineal. Demuestre que si T es inyectiva entonces n m.
on lineal y A = E TE la matriz de T . Demuestre que T es inyectiva
si y s
olo si A tiene inversa a la izquierda.
3.2.5. Demuestre que si T : U V y S : V W son inyectivas entonces S T es inyectiva, es decir, la
composici
on de transformaciones inyectivas es inyectiva.
GIRALDO
93

nos m n y n p, respectivamente. Demuestre que si A y B tienen ambas
inversa a la izquierda entonces AB tiene inversa a la izquierda. (Ayuda: Use los dos u
ltimos problemas.)
3.2.7. Demuestre que si T : Rn Rm es inyectiva entonces existe una transformaci
on lineal S : Rm Rn
tal que S T = id. (Ayuda: Use el Problema 3.2.4.)
3.3.
Transformaciones Lineales Sobreyectivas
Comenzamos recordando las definiciones de imagen de una funci

on y de funci
on sobreyectiva.
Definici
on 3.4. Sean V y W espacios vectoriales y T : V W una transformaci
on lineal,
1. Definimos la imagen de T , denotada por Im(T ), como el conjunto
Im(T ) = {T (v) | v V } = {w W | existe v V tal que w = T (v)}.
2. Decimos que T es sobreyectiva si Im(T ) = W .
Cuando la transformaci
on est
a definida de Rn en Rm podemos calcular la imagen usando la matriz de la
transformaci
on. Este hecho se demuestra en el siguiente teorema.
Teorema 3.7. Sean T : Rn Rm una transformaci
on lineal y A = E TE la matriz de T , entonces
Im(T ) = Col(A).
Demostraci
on. Sean A1 , . . . , An las columnas de A entonces tenemos lo siguiente:
..
.
w Im(T ) si y s
olo si existe v Rn tal que w = T (v) = Av si y s
olo si existe v = (1
1

.
olo si w gen{A1 , . . . , An } = Col(A).
n ) Rn tal que w = Av = [A1 , . . . , An ] .. = 1 A1 + + n An si y s

n
Por tanto Im(T ) = Col(A).
1
0
on lineal definida por T (x) = Ax, calcular

Ejemplo 3.10. Sea A = 1 2 y T : R2 R3 la transformaci
3
0
la imagen de T .
Soluci
on. De acuerdo al teorema anterior necesitamos calcular
Col(A).
1 0
Si calculamos la forma escalonada de A obtenemos A = 0 1 y por tanto por el Teorema 2.16
0 0

0
1

Im(T ) = Col(A) = gen 1 , 2 .
3
0
94
El teorema anterior nos muestra como la matriz de la transformaci
on se puede usar para calcular la imagen de
una transformaci
on, esta tambien sirve para determinar si la transformaci
on es sobreyectiva, esto lo mostramos
a continuaci
on.
on lineal y A la matriz de T , entonces T es sobreyectiva si
y s
olo si rango(A) = m = n
Demostraci
on. T es sobre si y s
olo si Rm = Im(T ) = Col(A) (Teorema 3.7) y Col(A) = Rm si y s
olo si
rango(A) = m = n
umero de filas de A (Teorema 2.16).
El Teorema 3.7 nos dice que encontrar la imagen de una transformaci
on es equivalente a encontrar el
espacio columna de la matriz de la transformaci
on y el teorema anterior reduce el problema de determinar si la
transformaci
on es sobre a encontrar el rango de esta matriz. Esto lo ilustramos en los siguientes ejemplos.
Ejemplo 3.11. Determine si la transformaci
on del ejemplo
anterior
es sobreyectiva.
1 0
umero de
Soluci
on. La forma escalonada de la matriz de T es A = 0 1 y por tanto rango(A) = 2 < 3 = n
0 0
filas de A, concluimos que T no es sobreyectiva.
Ejemplo 3.12. (MatLab) Sea T la transformaci
on del Ejemplo 3.9, determine si T es sobre y calcular Im(T ).
Soluci
on. En el Ejemplo 3.9 se obtuvo que el rango de la matriz A =E TE es 3 y por tanto T no es sobre.
Para calcular Im(T ) necesitamos calcular el espacio columna de A, el cual podemos calcular con la escalonada
reducida de A.
>> A = [1, 2, 1, 1,1; 1, 0, 1, 3, 1; 0, 1,

1, 1, 1; 0, 1, 1, 1, 1; 1, 0,
1,
(A)
rref
3,1];A =
1 0
1 3 0
1
2
0 1 1
1 0
1
0
1
se obtiene que A 0 0
0
0 1 y por tanto Im(T ) = 0 , 1 , 1 , es decir, ImT es gene
0 0
0 1 1
0
0 0
1
0 0
0
0 0
1
0
rada por la primera, segunda y quinta columna de A.
Otra forma de calcular la imagen es usando el comando colspace(sym(A)), el cual produce una base de
Col(A) = Im(T ).
>> A = [1, 2, 1, 1, 1; 1, 0, 1, 3, 1; 0, 1, 1, 1, 1;
0,1,
1,1,1; 1,
1, 3, 1]; colspace(sym(A))
0,
0
0
0
1
0

y de esta manera obtenemos que el conjunto 0 , 0 , 1 es una base para Im(T ).
0 0 1
0
0
1
Problemas
GIRALDO
95
3.3.1. Sea T : R2 R2 definida por T (x, y) = (y, 0), muestre que ker T = ImT .
3.3.2. Calcular la imagen de las transformaciones lineales del Problema 3.1.1.
3.3.3. Sean V y W los subespacios de R4 determinados por V = gen {(1, 0, 1, 1), (0, 1, 1, 1)} y W =

(x, y, z, t) R4 : x + y = 0 y t + z = 0 . Determine una transformaci
on lineal T : R4 R4 tal que ker(T ) =
V y Im(T ) = W .
3.3.4. Encuentre una transformaci

on lineal T : R4 R4 tal que: ker(T ) = gen {(1, 0, 1, 0), (1, 0, 0, 1)} y
Im(T ) = {(1, 1, 0, 2), (0, 1, 1, 0)}.
3.3.5. Sea V un espacio vectorial y T : V V una transformaci
on lineal. Demuestre que las siguientes
condiciones son equivalentes:
1. ker(T ) Im(T ) = {0}.
2. Si (T T )(v) = 0 para v V , entonces T (v) = 0.
3.3.6. Sean A Mn (R) y T : Rn Rn definida por T (v) = Av, sea T k = |T {z
T} y Ck = Col(Ak ),
kveces
demuestre que para todo k 1 se tiene que

1. Ck = Col(Ak ).
2. T (Ck ) = Ck+1 , donde T (Ck ) = {T (v) | v Ck }.

3.3.7. Sean T : U V y S : V W transformaciones lineales sobreyectivas. Demuestre que S es
sobreyectiva.
on lineal y A = E TE la matriz de T . Demuestre que T es sobreyectiva
si y s
olo si A tiene inversa a la derecha.
3.3.9. Demuestre que si T : Rn Rm es sobreyectiva entonces existe una transformaci
on lineal S : Rm Rn
tal que T S = id y muestre que S es inyectiva.
nos m n y n p, respectivamente. Demuestre que si A y B tienen ambas
inversa a la derecha entonces AB tiene inversa a la derecha. (Ayuda: Use los dos u
ltimos problemas.)
3.3.11. Demuestre que si T : Rn Rm es sobreyectiva entonces n m.
3.3.12. Si T : V V es una transformaci
on lineal y H V es un subespacio, decimos que H es T -invariante
si T (H) H. Muestre que ImT y ker T son T -invariantes.
3.3.13. Si T : V V es una transformaci
on lineal y W V es un subespacio T -invariante muestre que
T/W : W W es una transformaci
on lineal, donde T/W es la restricci
on de T a W .
96
3.3.14. Sea T : V W una transformaci
on lineal y H W un subespacio. La imagen inversa de H se define
como el conjunto
T 1 (H) = {v V | T (v) H}.
Muestre que T 1 (H) es un subespacio.
3.3.15. Si T : V W y S : W Z son transformaciones lineales con S sobreyectiva entonces Im(T ) =
Im(T oS). (Ayuda:Use el Problema 2.7.14.)
3.3.16. Sean T, S : V V transformaciones lineales, demuestre que Im(T + S) ImT + ImS, donde
T +S : V V es la transformaci
on lineal definida por (T +S)(v) = T (v)+S(v), y concluya que rango(A+B)
rangoA + rangoB.
3.4.
Isomorfismos
Las transformaciones lineales biyectivas (inyectivas y sobreyectivas) se llaman isomorfismos, la palabra isomorfismo significa igual forma, en este sentido se usa el termino isomorfismo para las transformaciones que
preservan la estructura de espacio vectorial. En esta secci
on veremos como los isomorfismos preservan la estructura de los espacios vectoriales. Comenzamos con la definici
on de isomorfismo.
Definici
on 3.5. Sean V y W espacios vectoriales y T : V W una transformaci
on lineal, decimos que
T es un isomorfismo si es una funci
on biyectiva. Tambien diremos que V es isomorfo a W si existe un
isomorfismo entre ellos, lo cual denotaremos V
= W.
Los Teoremas 3.6 y 3.8 implican lo siguiente.
on lineal y A =E TE la matriz de T , entonces T es un
isomorfismo si y s
olo si rango(A) = m = n.
Corolario 3.10. Rn
olo si m = n.
= Rm si y s
Ejemplo 3.13. Sea T : R2 R2 la tranformaci

on lineal cuya matriz es A =
un isomorfismo.
, determinar si T es
1 1
Soluci
on. La forma escalonada reducida de A es la matriz A = I, por tanto T es un isomorfismo.
Teorema 3.11. Sea T : Rn Rn una transformaci
on lineal y A = E TE la matriz de T , entonces su funci
on
inversa T 1 es una transformaci
on lineal y su matriz de transformaci
on es A1 .
Demostraci
on. Primero veamos que T 1 es lineal. Sean y1 , y2 Rn , como T es sobre, existen x1 , x2 Rn tal
que y1 = T (x1 ) y y2 = T (x2 ), entonces
T 1 (y1 + y2 ) = T 1 (T (x1 ) + T (x2 )) = T 1 (T (x1 + x2 )) = x1 + x2
= T 1 (y1 ) + T 1 (y2 ).
GIRALDO
97
Ahora, sea R, entonces tenemos

T 1 (y1 ) = T 1 (T (x1 )) = T 1 (T (x1 )) = x1 = T 1 (y1 ).
Por tanto T 1 es lineal. Ahora veamos que A1 es la matriz de transformacion de T . N
otese que si y Rn
entonces y = AA1 y = T (A1 y), aplicando T 1 a ambos lados obtenemos
T 1 (y) = A1 y.
Conluimos que A1 es la matriz de T 1 .
Observaci
on 3.2. En general si T : V W es un isomorfismo, entonces T 1 : W V tambien es una
transformaci
on lineal.
2
2
Ejemplo
3.14.
on lineal T : R
matriz es
R cuya
En el ejemplo anterior vimos que la transformaci
1/2
1/2
1
1
. Es decir, la
es invertible, entonces T 1 es un isomorfismo y su matriz es A1 =
A=
1/2 1/2
1 1

1
x
(x
+
y)
.
transformaci
on est
a dada por T = 2
1
y
2 (x y)
Hasta ahora la mayora de los teoremas que hemos visto en el captulo y en el anterior aplican solamente al
espacio vectorial Rn y a transformaciones lineales de Rn en Rm . Vamos a usar la teora de isomorfismos para

generalizar los teoremas vistos, comenzamos con un resultado que nos va a servir de puente para extender estos
teoremas.
Teorema 3.12. Sea V un espacio vectorial y X = {v1 , . . . , vn } una base para V , entonces V
= Rn . Un
isomorfismo entre estos espacios est

a dado por la funci
on T : V Rn definida por T (1 v1 + + n vn ) =

1

..
on se le conoce como el isomorfismo can
onico.
. , a esta funci

n
Demostraci
on. Veamos que T es un isomorfismo.
T es lineal: Sean v, w V y R, como {v1 , . . . , vn } es una base para V , existen 1 , . . . , n , 1 . . . , n R tal

que v = 1 v1 + + n vn y w = 1 v1 + + n vn , luego
T (v + w) = T (1 v1 + + n vn + 1 v1 + + n vn )
= T ((1 + 1 )v1 + + (n + n ))

1
1
1 + 1

..
.. ..
=
= . + .
.

n
n
n + n
= T (1 v1 + + n vn ) + T (1 v1 + + n vn )
= T (v) + T (w).
98
T (v) = T ((1 v1 + + n vn ))
= T (1 v1 + + n vn )

1
1

..
..
= . = .

n
n
= T (1 v1 + + n vn )
= T (v).
T es inyectiva: Para esto veamos que ker(T ) = {0}.
1

.
Sea v = 1 v1 + + n vn ker(T ), entonces 0 = T (v) = .. . Entonces 1 = = n = 0 y por

n
tanto v = 0.
La otra inclusi
on es inmediata ya que T (0) = 0 y por tanto 0 ker(T ).

1

..
T es sobreyectiva: Sea y = . Rn , y sea v = 1 v1 + + n vn V , entonces tenemos que

n

1

..
T (v) = T (1 v1 + + n vn ) = . = y.

n
Por tanto T es sobreyectiva.
Concluimos que T es un isomorfismo.

Observaci
on 3.3. N
otese que en el teorema anterior la transformaci
on T depende de la base X, m
as a
un, por
cada base de V tenemos un isomorfismo distinto. Debido a la dependencia de la base, en adelante denotaremos
a esta transformaci
on por RX .
Ejemplo 3.15. El conjunto X = {1, t, t2 , t3 } es una base del espacio V = P3 , por tanto V es isomorfo a R4 y
el isomorfismo est
a dado por

a
0

a1
RX (a0 + a1 t + a2 t2 + a3 t3 ) =
.
a2

a3
El n
umero de vectores en una base es invariante, este hecho se demostr
o en el Captulo 2 Teorema 2.15 pero
s
olo en el caso de subespacios de Rn , a continuaci
on lo demostramos para espacios vectoriales en general.
Teorema 3.13. Sea V un espacio vectorial y sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm } bases para V, entonces
m = n.
GIRALDO
99
Demostraci
on. Por el teorema anterior tenemos que V
= Rm , luego Rn
= Rm . Luego por el
= Rn y V
Corolario 3.10 tenemos que m = n.
Esto nos permite definir la dimensi
on de espacios vectoriales, al tener que el n
umero de vectores en una base
es invariante.
Definici
on 3.6. Sea V un espacio vectorial, definimos la dimensi
on de V, denotada por dim V , como el n
umero
de vectores en una base de V. Es decir, si {v1 , . . . , vn } es una base para V entonces dim V = n.
1. Como el conjunto {1, t, . . . , tn } es una base para Pn , tenemos que dim Pn = n + 1.

1 0
0 0
0 0
0 1
, por tanto dim M22 (R) = 4.
,
,
,
2. Una base para M22 (R) est
a dada por
0 0
0 1
1 0
0 0
Ejemplo 3.16.
3. En general tenemos que dim Mmn (R) = mn. Una base para este espacio est
a dada por {eij | i =
1, . . . , n, j = 1, . . . , m}, donde eij es la matriz m n con un 1 en la posici
on ij y cero en las dem
as
posiciones.
El siguiente teorema muestra como los isomorfismo conservan la estructura de los espacios vectoriales, en
otras palabras, el siguiente teorema justifica por que las transformaciones biyectivas son llamadas isomorfismos.
Teorema 3.14. Sean V y W espacios vectoriales, T : V W un isomorfismo, {v1 , . . . , vn } V y v V .
Entonces se tiene lo siguiente:
1. El conjunto {v1 , . . . , vn } es linealmente independiente si y s
olo si el conjunto {T (v1 ), . . . , T (vn )} es linealmente independiente.
2. El conjunto {v1 , . . . , vn } genera a V si y s
olo si el conjunto {T (v1 ), . . . , T (vn )} genera a W .
3. El conjunto {v1 , . . . , vn } es una base para V si y s
olo si el conjunto {T (v1 ), . . . , T (vn )} es una base para
W.
4. dim V = dim W .
5. v gen{v1 , . . . , vn } si y s
olo si T (v) gen{T (v1 ), . . . , T (vn )}.
Demostraci
on.
1. Supongamos que el conjunto {v1 , . . . , vn } es linealmente independiente y suponga-
mos que 1 T (v1 ) + + n T (vn ) = 0. Entonces 0 = T (0) = T (1 v1 + + n vn ). Como T es inyectiva,

tenemos que 1 v1 + + n vn = 0. Ahora, como {v1 , . . . , vn } es linealmente independiente, tenemos que
1 = = n = 0. De aqu concluimos que {T (v1 ), . . . , T (vn )} es linealmente independiente.
Supongamos que {T (v1 ), . . . , T (vn )} es linealmente independiente y supongamos que 1 v1 + +
n vn = 0. Entonces tenemos que 0 = T (0) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ). Como
{T (v1 ), . . . , T (vn )} es linealmente independiente tenemos que 1 = = n = 0. Por tanto {v1 , . . . , vn }
es linealmente independiente.
100
2. Como T es un isomorfismo, es en particular inyectivo y sobreyectivo, por tanto ker(T ) = {0} y W = Im(T ).
Entonces tenemos lo siguiente:
{T (v1 ), . . . , T (vn )} genera a W si y s
olo si {T (v1 ), . . . , T (vn )} genera a Im(T ) si y s
olo si para todo v V
existen constantes 1 , . . . , n tal que T (v) = 1 T (v1 ) + + n T (vn ) si y s
olo si para todo v V existen
constantes 1 , . . . , n tal que T (v) = T (1 v1 + + n vn ) si y s
olo si para todo v V existen constantes
1 , . . . , n tal que 0 = T (1 v1 + + n vn ) T (v) = T (1 v1 + + n vn v) si y s
olo si para todo
v V existen constantes 1 , . . . , n tal que 1 v1 + + n vn v ker(T ) = {0} si y s
olo si para todo
v V existen constantes 1 , . . . , n tal que 1 v1 + + n vn v = 0 si y s
olo si para todo v V existen
constantes 1 , . . . , n tal que v = 1 v1 + + n vn si y s
olo si {v1 , . . . , vn } genera a V .
3. Es inmediato de 1 y 2.
4. Es inmediato de 3
5. v gen{v1 , . . . , vn } si y s
olo si existen constantes 1 , . . . , n tal que v = 1 v1 + + n vn si y s
olo si
existen constantes 1 , . . . , n tal que T (v) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ) si y s
olo si
T (v) gen{T (v1 ), . . . , T (vn )}.
En la pr
oxima secci
on explotaremos toda la potencia de los Teoremas 3.6 y 3.14, lo cual nos permitir
a estudiar
independencia lineal, conjuntos generadores y bases en espacios vectoriales arbitrarios. Tambien nos ayudar
aa
estudiar inyectividad, sobreyectividad y biyectividad de transformaciones lineales entre espacios vectoriales arbitrarios.
Problemas
1 a
a R el espacio vectorial con suma definida por A B = AB donde AB denota

3.4.1. Sea V =

0 1
1 a
1 a
. Demuestre que
=
el producto usual de matrices y el producto por escalar definido por
0 1
0 1
V
= R exhibiendo un isomorfismo entre estos espacios.
3.4.2. Muestre que las siguientes transformaciones lineales de R3 en R3 son invertibles y determine su transformaci
on lineal inversa.
1. T (x, y, z) = (x 3y 2z, y 4z, z).
2. T (x, y, z) = (x, x y, 2x + y z).
3.4.3. Sea T : R2 R2 dada por T (x1 , x2 ) = (x1 + x2 , x1 ) para todo (x1 , x2 ) R2 . Demuestre que T es un
isomorfismo y determine T 1 .
GIRALDO
101
3.4.4. Sea V un espacio vectorial y S, T : V V transformaciones lineales invertibles. Demuestre que S T
es invertible y (S T )1 = T 1 S 1 .
3.4.5. Sean T : R3 R2 y S : R2 R3 transformaciones lineales. Demuestre que S T no es invertible.

De un ejemplo donde T S es invertible.
3.4.6. Sea A Mn (R) y T : Mn (R) Mn (R) la funci
on definida por T (X) = AX. Muestre que T es una
transformaci
on lineal y muestre que T es invertible si y s
olo si A es invertible.
3.4.7. Sea T : V V un transformaci
on lineal, Ck = Im(T k ) y Nk = ker(T k ), demuestre lo siguiente:
1. Ck+1 Ck ,
2. T (Ck ) = Ck+1 . (Recuerde que para H V se define T (H) como el conjunto T (H) = {T (h) | h H},)
3. Nk Nk+1 ,
4. T (Nk ) Nk ,
3.4.8. Si T : V W y S : W V son transformaciones lineales muestre que
1. Im(S T ) Im(S),
2. Si T admite una inversa a la derecha entonces Im(S T ) = Im(S).
3.5.
Espacios Vectoriales Arbitrarios
En esta seccion veremos como los Teoremas 3.6 y 3.14 nos permiten resolver las preguntas sobre independencia
lineal, conjuntos generadores y bases en espacios vectoriales arbitrarios con un procedimiento Gauss-Jordan.
Ejemplo 3.17. Considere los polinomios p1 = 1 2t2 , p2 = t + t2 t3 y p3 = t + 3t2 en P3 . Determinar si los
polinomios son linealmente independientes.

a
0

a1
Soluci
on. Por el Teorema 3.6 la funci
on T = RX : P3 R4 determinada por T (a0 +a1 t+a2 t2 +a3 t3 ) =

a2

a3
es un isomorfismo. Entonces por
3.14 tenemos
{p
1 , p2 , p3 } es linealmente indepen el Teorema

que
el conjunto

1
0
0
0
1
1
, T (p2 ) = , T (p3 ) = es linealmente independiente.
diente si y s
olo si el conjunto T (p1 ) =

2
1
3
0
1
0
1
0 0
0
1 1
Sabemos por el Teorema 2.5 que este u

ltimo conjunto es LI si la matriz [T (p1 ) T (p2 ) T (p3 )] =
2
1 3
0 1 0
102
tiene rango igual al n
umero de columnas. Aplicando
1 0
0 1
calonada reducida de esta matriz es la matriz
0 0
0 0
tanto los polinomios {p1 , p2 , p3 } son LI.
el procedimiento
Gauss-Jordan obtenemos que la forma es
0
0
. Luego los vectores {T (p1 ), T (p2 ), T (p3 )} son LI y por
5 1
0 3
0
1
2
, determine
y M4 =
, M3 =
, M2 =
Ejemplo 3.18. (MatLab) Sean M1 =
5 3
1 0
1 1
0
0
si las matrices son LI en M22 (R) y si no lo son encontrar una dependencia lineal entre ellos.
Soluci
on. El procedimiento es an
alogo
on T : M22 (R) R4
al ejemplo anterior. Por el Teorema 3.6 la funci
a

b
a c
= es un isomorfismo. Entonces el conjunto {M1 , M2 , M3 , M4 } es linealdeterminada por T

c
b d

d
mente
independiente
si
y
s
o
lo
si
el
conjunto
1
0
0
5
0
1
1
5
, T (M2 ) = , T (M3 ) = , T (M4 ) = es linealmente independiente. Al calcular
T (M1 ) =

2
1
3
1
0
1
0
3
1 0 0 5
0
1
0
3
, por
la forma escalonada de la matriz A = [T (M1 ) T (M2 ) T (M3 ) T (M4 )] obtenemos A =
0 0 1 2
0 0 0
0
tanto los vectores no son LI y tenemos que T (M4 ) = 5T (M1 ) 3T (M2 ) 2T (M1 ), como T es un isomorfismo
tenemos que M4 = 5M1 3M2 2M3 , lo que nos da una dependencia lineal entre las matrices M1 , M2 , M3 y
M4 .
Ejemplo 3.19. Sean M1 , M2 , M3 y M4 las matrices

del
on de
ejemplo anterior, calcular una base y la dimensi
1 1
H.
H = gen{M1 , M2 , M3 , M4 } y determine si M =
1 3
Soluci
on. De acuerdo al ejemplo anterior sabemos que M1 , M2 y M3 son LI y que M4 es una combinaci
on
lineal de estas, por tanto {M1 , M2 , M3 } es una base para H y dim(H) = 3.

Para determinar si M H, usamos el Teorema 3.14 el cual dice que M H si y s
olo si T (M ) T (H) si y
s
olo si existen constantes 1 , 2 , 3 tal que T (M ) = 1 T (M1 ) + 2 T (M2 ) + 3 T (M3 ) si y s
olo si el conjunto
{T (M1 ), T (M2 ), T (M3 ), T (M )} es LD.
GIRALDO
Esto lo podemos saber calculando la forma escalonada reducida de la matriz
1
0 0
0
1 1
A = [T (M1 ) T (M2 ) T (M3 ) T (M )] =
2
1 3
0 1 0
103
1
.
Despues de hacer los respectivos c

alculos podemos notar que A = I y por tanto los vectores son LI. Concluimos
que T (M )
/ T (H), luego M
/ H.
Problemas
3.5.1. Encuentre una base para {p R3 [x] | p(1) = 0}.
3.5.1.
Transformaciones lineales entre espacios vectoriales arbitrarios.
En esta seccion definiremos la matriz de una transformacion con respecto a una base del dominio y otra del
codominio. Esto nos permitir
a calcular el kernel y la imagen de una transformacion lineal de manera computacional. La matriz de la transformacion con respecto a dos bases dadas nos permitira ver una transformacion lineal
entre espacios arbitrarios como una transformacion de Rn en Rm . En las siguientes observaciones introducimos
la matriz de una transformacion con respecto a dos bases.
Observaci
on 3.4. Sean V y W espacios vectoriales, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm } bases de V
y W respectivamente y T : V W una transformaci
on lineal. Por el Teorema 3.12 tenemos los isomorfismos
can
onicos RX : V Rn y RY : W Rm definidos por
RX (1 v1 + + n vn ) = (1 , . . . , n )
RY (1 w1 + + m vm ) = (1 , . . . , m ).
Por tanto tenemos el siguiente diagrama:

T
/W
RY
RX

Rn
/ Rm ,
1
as se obtiene una transformaci
on lineal S : Rn Rm , la cual est
a dada por S = RY T RX
.
Esta transformaci
on tiene asociada una matriz
E SS
la cual nos permitir

a calcular el kernel y la imagen de
T.
Teorema 3.15. Usando la notaci
on de la Observaci
on 3.4. Sean V y W espacios vectoriales, X = {v1 , . . . , vn }
una base para V , Y = {w1 , . . . , wm } una base para W y T : V W una transformaci
on lineal. Entonces
tenemos lo siguiente:
104
1. S es inyectiva si y s
olo si T es inyectiva.
2. S es sobreyectiva si y s
olo si T es sobreyectiva.
3. S es un isomorfismo si y s
olo si T es un isomorfismo.
Demostraci
on. Por la definicion de S tenemos que T = RY1 S RX , adem
as como RX y RY son isomorfismos,
son en particular inyectivos y sobreyectivos.
1. Si S es inyectiva entonces T = RY1 S RX es una composicion de transformaciones inyectivas y por tanto
es T inyectiva.
1
Si T es inyectiva entonces S = RY T RX
es una composicion de transformaciones inyectivas y por tanto
S es inyectiva.
2. Si S es sobreyetiva entonces T = RY1 S RX es una composicion de transformaciones sobreyectivas y por
tanto es T sobreyectiva.
1
es una composicion de transformaciones sobreyectivas y
Si T es sobreyectiva entonces S = RY T RX
por tanto S es sobreyectiva.

3. Se sigue de 1. y 2.
Este teorema nos permite asociar a cualquier transformacion lineal entre espacios vectoriales arbitrarios
una transformacion lineal de Rn en Rm que respeta la inyectividad, la sobreyectividad y le biyectividad de la
transformacion, de este se deduce los siguientes resultados que nos dicen como determinar si la transformacion
es inyectiva y/o sobreyectiva, tambien como calcular el kernel y la imagen.
Corolario 3.16. Usando la notaci
on de la Observaci
on 3.4. Sean V y W espacios vectoriales, X = {v1 , . . . , vn }
una base para V , Y = {w1 , . . . , wm } una base para W , T : V W una transformaci

on lineal, S = Rn Rm
y A = E SE la matriz de la transformaci
on S. Entonces
1. T es inyectiva si y s
olo si rango(A) = n
2. T es sobreyectiva si y s
olo si rango(A) = n
3. T es un isomorfismo si y s
olo si rango(A) = n
umero de filas de A = n
Demostraci
on. Esto es una consecuencia inmediata del teorema anterior y los Teoremas 3.6, 3.8 y 3.9.
Corolario 3.17. Sean V y W espacios vectoriales, sea X = {v1 , . . . , vn } una base para V , Y = {w1 , . . . , wm }
una base para W , T : V W una transformaci
on lineal. RX : V Rn y RY : W Rm los isomorfismos
1
can
onicos de V y W , respectivamente, sea S = RY T RX
: Rn Rm y sea A =
transformaci
on S. Entonces tenemos lo siguiente:
1
1
1. ker(T ) = RX
(ker(S)) = RX
(N ul(A)).
E SE
la matriz de la
GIRALDO
105
2. Im(T ) = RY1 (Im(S)) = RY1 (Col(A)).

Adem
as se sigue que
1
1
{x1 , . . . , xr } es una base de N ul(A) si y s
olo si {RX
(x1 ), . . . , RX
(xr )} es una base de ker(T ) y
{y1 , . . . , ys } es una base de Col(A) si y s

olo si {RY1 (y1 ), . . . , RY1 (ys )} es una base de Im(T ).
Demostraci
on.
1.
v ker(T ) si y s
olo si
0 = T (v) = RY1 S RX (v)
si y s
olo si
RX (v) ker(S) = N ul(A)
si y s
olo si
1
v RX
(N ul(A)).
si y s
olo si
S RX (v) = 0
2.
w Im(T ) si y s
olo si existe v V tal que w = T (v) = RY1 S RX (v)
si y s
olo si existe v V tal que RY (w) = S(RX (v))
si y s
olo si RY (w) Im(S) = Col(A)
si y s
olo si w RY1 (Col(A)).
A continuacion daremos ejemplos de como usar estos corolarios para calcular la imagen y el kernel de
transformaciones lineales.
Ejemplo 3.20. Considere la transformaci
on lineal derivaci
on D : P3 P2 definida en el Problema 3.1.6.
Determinar si es inyectiva y/o sobreyectiva, si es un isomorfismo, calcular el kernel y la imagen de D.
Soluci
on. Los conjuntos X = {1, t, t2 , t3 } y Y = {1, t, t2 } son bases de P2 y P3 , respectivamente. Se tienen los
isomorfismos RX : P3 R4 y RY : P2 R3 definidos por RX (a0 + a1 t + a2 t2 + a3 t3 ) = (a0 , a1 , a2 , a3 ) y
RY (a0 + a1 t + a2 t2 ) = (a0 , a1 , a2 ) (Los isomorfismos can

onicos de P3 y P2 , respectivamente).
1
La transformaci
on S = R Y D R X
: R4 R3 est
a dada por
1
S(a, b, c, d) = RY D RX
(a, b, c, d) = RY D(a + bt + ct2 + dt3 ) = RY (b + 2ct + 3dt2 ) = (b, 2c, 3d)
La matriz de esta transformaci

on es
A =E SE = [S(e1 )
S(e2 )
0 1
S(e3 )
0 0
0 1
S(e4 )] = 0 0
0 0
0 0
2 0
0 3
on S es sobreyectiva pero no
y su forma escalonada est
a dada por A = 0 0 1 0. Por tanto la transformaci
0 0 0 1
inyectiva. Del Teorema 3.15 tenemos que D es sobreyectiva pero no inyectiva, por tanto no es un isomorfismo.
106
Ahora pasamos a calcular el kernel y la imagen. Como D es sobre entonces Im(D) = P2 . Para el kernel,
1
usamos el Corolario 3.17, el cual nos dice que si calculamos una base de N ul(A) y aplicamos RX
obtenemos
una base de ker(D).

N
otese que

1
1
1
1

0
2 0
2

N ul(A ) = N ul(A) si y s
olo si 2 = 3 = 4 = 0 si y s
olo si
= = 1 .

0
3 0
3

0
0
4
4

0
1
(x1 ) = 1} una base para ker(D).

Se sigue que x1 = es una base de N ul(A) = ker(S). Por tanto {RX
0
Es decir
ker(D) = gen{1} = { polinomios constantes }.
Ejemplo 3.21. Considere la transformaci

on lineal integraci
on I : P2 P3 definida en el Problema 3.1.7.
Determinar si I es inyectiva y/o sobreyectiva, si es un isomorfismo, calcular el kernel y la imagen de I.
Soluci
on. Nuevamente consideramos las bases del problema anterior Y = {1, t, t2 } y X = {1, t, t2 , t3 } y los
isomorfismos RX : P3 R4 definido por RX (a0 + a1 t+ a2 t2 + a3 t3 ) = (a0 , a1 , a2 , a3 ) y RY : P2 R3 definido
por RY (a0 + a1 t + a2 t2 ) = (a0 , a1 , a2 ).
a dada por
En este caso la transformaci
on S = RX I RY1 : R3 R4 est

b 2 c 3
b c
1
2
S(a, b, c) = RX I RY (a, b, c) = RX I(a + bt + ct ) = RX at + t + t = a, ,
2
3
2 3
on es
1
0
0
A =E SE = [S(e1 ) S(e2 ) S(e3 )] =
0 1/2
0
0
0
1/3
1 0 0
0
1
0
. Por tanto la transformaci
y su forma escalonada reducida est
a dada por A =
on S es inyectiva pero
0 0 1
0 0 0
no sobreyectiva, luego por el Teorema 3.15 tenemos que I es inyectiva pero no sobreyectiva, por tanto no es un
isomorfismo.
Ahora pasamos a calcular el kernel y la imagen. Como I es inyectiva entonces ker(I) = {0}. Para calcular
1
la imagen, usamos el Corolario 3.17, el cual no dice que si calculamos una base de Col(A) y aplicamos RX
obtenemos una base de Im(I).
GIRALDO
107
De la matriz A obtenemos que una base para Col(A) = Im(I) est

a dada por el conjunto

0
0
0
0
y1 = 10 , y2 = 1/2
, y3 = 00
,
0
1/3

1
1
1
ya que A tiene pivotes en las tres columnas. Por tanto el conjunto {RX
(y1 ), RX
(y2 ), RX
(y3 )} = t, 12 t2 , 13 t3
es una base para Im(I). Es decir

1 2 1 3
Im(I) = gen t, t , t = gen{t, t2 , t3 }.
2 3
1 1
y sea T : M22 (R) M22 (R) la funci
on definida por T (A) = AM .
Ejemplo 3.22. Sea M =
1
1
Demuestre que T es una transformaci
on lineal, determine si T es inyectiva y/o sobreyectiva, si es un isomorfismo

y calcular el kernel y la imagen de T .

Soluci
on. Primero veamos que T es una transformaci
on lineal. Sean A1 , A2 M22 (R) y R,
T (A1 + A2 ) = (A1 + A2 )M = A1 M + A2 M = T (A1 ) + T (A2 )
T (A1 ) = (A1 )M = (A1 M ) = T (A1 ).

Fijemos la base
X=
E11
0
0 0
1 0
, E12 =
, E21 =
=
0
1 0
0 0
0
1
, E22 =
0
0
y consideremos el isomorfismo RX : M22 R4 definido por
a c
= RX (aE11 + bE21 + cE12 + dE22 ) = (a, b, c, d).
R X
b d
1
La transformaci
on S = R X T R X
: R4 R4 est
a dada por
1
S (a, b, c, d) = RX T RX
(a, b, c, d) = RX T
= R X

on es
ac
a + c
bd
b + d
= R X
= (a c, b d, a + c, b + d).
0
1
0 1
A = E SE = [S(e1 ) S(e2 ) S(e3 ) S(e4 )] =
1
0
1
0
0 1
0
1
1 0 1
0
0
1
0
1
. Luego S no es inyectiva ni sobreyectiva y
y su forma escalonada reducida es la matriz A =
0 0
0
0
0 0
0
0
tampoco un isomorfismo.
108
a dada por las dos primeras columnas de A, es decir,

De lamatriz
que una base para Col(A) est
A tenemos
0
1
1
0
, m2 = es una base para Col(A) = Im(S). Por tanto se tiene que una base para Im(T )
m1 =

0
1
1
0
est
a dada por
1 1
0
0
1
1
.
,
{RX
(m1 ), RX
(m2 )} =
0
1 1
0
Ahora para calcular ker(T ) necesitamos una base para N ul(A). Para esto n
otese que

2
1 = 3
N ul(A) = N ul(A ) si y s
olo si

3
2 = 4

4

1
0

2 4
0
1

si y s
olo si
= = 3 + 4 .
3 3
1
0

4
4
0
1
1
0
1

1
0
Se sigue que el conjunto x1 = , x2 = es una base para N ul(A) = ker(S). Por tanto el conjunto
0
1
1
0
1
1
1
(x2 )} =
(x1 ), RX
{RX
0
es una base para ker(T ).

0
1
,
1
0
0
,
1
1
y sea T : M22 (R) M22 (R) la funci
on definida por T (B) = M B. Demuestre
Ejemplo 3.23. Sea M =
1 1
que T es una transformaci
on lineal, determine si T es inyectiva y/o sobre, si es un isomorfismo y calcular el
kernel y la imagen de T .
Soluci
on. Con un argumento similar al del ejemplo anterior se demuestra que T es una transformaci
on lineal.
Para los dem
as c
alculos fijemos la base de M22 (R)
X=
E11
0
0 0
1 0
, E12 =
, E21 =
=
0
1 0
0 0
y tomemos el isomorfismo RX : M22 R4 definido por
R X
0
1
, E22 =
0
0
= RX (aE11 + bE21 + cE12 + dE22 ) = (a, b, c, d).
GIRALDO
109
1
En este caso la transformaci
on S = R X T R X
: R4 R4 est
a dada por

a
a c
1
= R X M
S(a, b, c, d) = RX T RX (a, b, c, d) = RX T
b
b d
2a + b 2c + d
= (2a + b, a + b, 2c + d, c + d).
= RX
a+b
c+d
c
d

on es
A=
E SE
= [S(e1 )
S(e2 )
S(e3 )
1 0
0 1
y su forma escalonada reducida es la matriz A =
0 0
0 0
sobreyectiva y por tanto es un isomorfismo.
2 1
1 1
S(e4 )] =
0 0
0 0
0 0
0 0
0 0
2 1
1 1
0 0
= I. De esto concluimos que S es inyectiva y
1 0
0 1
Como T es un isomorfismo tenemos que ker(T ) = {0} y Im(T ) = M22 (R).
Problemas
3.5.2. Calcule la matriz de la tranformaci
on T : R3 [t] R3 [t] definida por T (p) =
d
dt [(2
+ t)p].
3.5.3. Sean V un espacio vectorial de dimensi

on finita y T : V V una transformaci
on lineal. Suponga que
existe S : V V tal que T S = IdV . Demuestre que T es invertible y S = T 1 . De un ejemplo que muestre
que lo anterior es falso cuando V no es de dimensi

on finita.
3.5.4. Sea T : U V una transformaci
on lineal inyectiva. Muestre que V tiene un subespacio isomorfo a U .
Sea T : V V una transformacion lineal y X una base de V , demuestre que T : V V es invertible si y
s
olo si la matriz
X TX
es invertible.
3.5.5. Sea V un espacio vectorial con dim V 3. Muestre que una funci
on T : V V es una transformaci
on
lineal si y s
olo la restricci
on de T a cada subespacio vectorial de V con dimensi
on 2 es una transformaci
on
lineal.
3.5.6. Si T : V W y S : W Z son transformaciones lineales entonces Im(T S) Im(T ) y Im(T S)
Im(S).
3.5.7. Si T, S : V V son transformaciones lineales y T S es invertible entonces T y S son invertibles.
De un ejemplo en el que T : V W y S : W V con T S invertible pero ni T ni S son invertibles.
110
3.5.8. Sea T : Mn (R) Mn (R) definida por T (A) = A At . Demuestre que ker T = Sn(R) es el conjunto de
marices simetricas y la imagen Im(T ) = An (R) es el conjunto de matrices antisimetricas.
3.5.9. Si T : V W y S : W V son transformaciones lineales con dim V > dim W entonces S T no es
invertible.
3.6.
Propiedades de los Espacios Vectoriales
En esta seccion estudiaremos resultados clasicos de espacios vectoriales, como el Teorema de la Base Incompleta y los teoremas de la dimension, entre otros. Comenzamos con el siguiente resultado que garantiza que la
representaci
on de un vector en terminos de una base es u
nica salvo el orden.
Teorema 3.18. Sea V un espacio vectorial, {v1 , . . . , vn } una base de V y v V , entonces existen constantes
u
nicas 1 , . . . , n talque v = 1 v1 + + n vn .
Demostraci
on. Supongamos que existen constantes 1 , . . . , n talque v = 1 v1 + + n vn y supongamos
que existen otras constantes 1 , . . . , n tal que v = 1 v1 + + n vn . Entonces restando estas dos ecuaciones
obtenemos:
0 = v v = 1 v1 + + n vn (1 v1 + + n vn ) = (1 1 )v1 + + (1 n )vn
luego, como los vectores v1 , . . . , vn son LI, entonces 0 = 1 1 = = n n , por tanto 1 = 1 , . . . , n = n
y las constantes son u
nicas.
Los siguientes resultados son generalizaciones de los Teoremas 2.11 tem 2. y 2.16 que se enunciaron y se
demotraron en el Captulo 2.
Teorema 3.19. Sea V un espacio vectorial y sea {v1 , . . . , vn } un conjunto linealmente independiente. Si
dim(V ) = n entonces {v1 , . . . , vn } es una base para V.
Demostraci
on. Como dim(V ) = n entonces V tiene una base X con n elementos, aplicando el Teorema 3.12
existe un isomorfismo T = RX : V Rn y por el Teorema 3.14 tem 1 el conjunto {T (v1 ), . . . , T (vn )} es
linealmente independiente en Rn , luego por el Teorema 2.11 tem 2, este conjunto forma una base para Rn .
Aplicando nuevamente el Teorema 3.14 tem 1 tenemos que {v1 , . . . , vn } es una base de V .
Teorema 3.20. Sean V y W espacios vectoriales con dim(V ) = n y sea T : V W una transformaci
on
lineal. Entonces
dim(ker T ) + dim(ImT ) = n.
Demostraci
on. Sea m = dim(W ), sean X y Y bases de V y W respectivamente, y sean RX : V Rn y
1
RY : W Rm los isomorfismos can
onicos de V y W , respectivamente. Definamos S = RY T RX
y sea
A = E SE la matriz de transformacion de S, entonces por el Corolario 2.17 tenemos que

dim(N ulA) + dim(ColA) = n.
GIRALDO
111
Ahora por el Corolario 3.17, se tiene que dim(ImT ) = dim(ImS) = dim(ColA) y dim(KerT ) = dim(KerS) =
dim(N ulA) entonces tenemos
dim(ImT ) + dim(KerT ) = dim(ImS) + dim(N ulS) = dim(ColA) + dim(N ulA) = n.
Ahora pasamos a demostrar el teorema de la base incompleta en su version general, para facilitar su demostracion veamos el siguiente lema.
Lema 3.21. Sea V un espacio vectorial, {v1 , . . . , vk } V un conjunto de vectores linealmente independientes
y w V . Si w
/ gen{v1 , . . . , vk } entonces el conjunto {v1 , . . . , vk , w} es linealmente independiente.
Demostraci
on. Supongamos que w
/ gen{v1 , . . . , vk }. Para demostrar que {v1 , . . . , vk , w} es linealmente
independiente, supongamos que
1 v1 + + k vk + w = 0
(3.1)
y veamos que las constantes son todas cero.

Primero notese que = 0, ya que si 6= 0, entonces de la Ecuaci
on 3.1 tenemos que w = 1 v1 k vk
y por tanto w gen{v1 , . . . , vk } lo que contradice la hip
otesis, por tanto = 0.
Entonces la Ecuaci
on 3.1 se reduce a 1 v1 + + k vk = 0. Pero por hip
otesis {v1 , . . . , vk } es un conjunto
LI, se sigue por tanto que 0 = 1 = = k .
De esto concluimos que {v1 , . . . , vk , w} es linealmente independiente.
Teorema 3.22. (Teorema de la Base Incompleta) Sean V un espacio vectorial con dim(V ) = n, {v1 , . . . , vk }
un conjunto de vectores linealmente independientes con k < n. Entonces existen vectores vk+1 , . . . , vn tal que
{v1 , . . . , vk , vk+1 , . . . , vn } es una base para V .
Demostraci
on. Como {v1 , . . . , vk } es linealmente independiente, entonces dim gen{v1 , . . . , vk } = k y como
k < n entonces gen{v1 , . . . , vk } =
6 V , por tanto existe v V tal que v
/ gen{v1 , . . . , vk }, entonces aplicando el
lema anterior tenemos que {v1 , . . . , vk , v} es LI.
Tomemos vk+1 = v y as tenemos que {v1 , . . . , vk , vk+1 } es linealmente independiente. Si n = k + 1 entonces
V = gen{v1 , . . . , vk , vk+1 } y por tanto {v1 , . . . , vk , vk+1 } es una base de V . En el caso k + 1 < n tenemos que
gen{v1 , . . . , vk , vk+1 } 6= V y existe w V tal que w
/ gen{v1 , . . . , vk , vk+1 }, entonces aplicando de nuevo el
lema anterior tenemos que {v1 , . . . , vk , vk+1 , w} es linealmente independiente.
Hacemos vk+2 = w y tenemos que {v1 , . . . , vk , vk+1 , vk+2 } es linealmente independiente.
Continuando de manera inductiva conseguimos vectores vk+1 , . . . , vn tal que {v1 , . . . , vk , vk+1 , . . . , vn } es
linealmente independiente, entonces como dim(V ) = n, por el Teorema 3.19 tenemos que
{v1 , . . . , vk , vk+1 , . . . , vn } es una base para V .
Teorema 3.23. Sea V un espacio vectorial y sean W1 y W2 subespacios de V . Entonces
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) dim(W1 W2 ).
112
Demostraci
on. Sea n = dim(V ), r = dim(W1 ), s = dim(W2 ) y t = dim(W1 W2 ). Sea {w1 , . . . , wt } una base
para W1 W2 , por el Teorema de la Base Incompleta, existen vectores xt+1 , . . . , xr tal que {w1 , . . . , wt , xt+1 , . . . , xr }
es una base para W1 y existen vectores yt+1 , . . . , ys tal que {w1 , . . . , wt , yt+1 , . . . , ys } es una base para W2 .
Afirmaci
on 1: El conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es linealmente independiente.
Para demostrar esta afirmaci
on, supongamos que
1 w1 + + t wt + t+1 xt+1 + + r xr + t+1 yt+1 + + s ys = 0.
(3.2)
Sea v = t+1 yt+1 + + s ys W2 , entonces por la Ecuaci

on 3.2 tenemos que
v = t+1 yt+1 + + s ys = 1 w1 t wt t+1 xt+1 + r xr W1
por tanto v W1 W2 , entonces existen constantes 1 , . . . , t tal que v = 1 w1 + + t wt . Se sigue que
0 = v v = 1 w1 + + t wt t+1 yt+1 s ys ,
pero como {w1 , . . . , wt , yt+1 , . . . , ys } es linealmente independiente, por ser base de W2 , entonces
0 = 1 = = t = 1 = = s .
Entonces la Ecuaci
on 3.2 se reduce a 1 w1 + + t wt + t+1 xt+1 + + r xr = 0, pero el conjunto
{w1 , . . . , wt , xt+1 , . . . , xr } es linealmente independiente, por ser base de W1 , entonces
0 = 1 = = t = 1 = = s .
Concluimos que {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es linealmente independiente, lo que demuestra la Afirmacion 1.
Afirmaci
on 2: El conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } genera a W1 + W2 .
Tomemos w W1 + W2 , entonces existen x W1 y y W2 tal que w = x + y.
Como {w1 , . . . , wt , xt+1 , . . . , xr } es una base para W1 , existen constantes 1 , . . . , r tal que
x = 1 w1 + + t wt + t+1 xt+1 + + r xr .
(3.3)
Similarmente existen constantes 1 , . . . , s tal que

y = 1 w1 + + t wt + t+1 yt+1 + + s ys .
De las Ecuaciones 3.3 y 3.4 tenemos que
w =x + y
=1 w1 + + t wt + t+1 xt+1 + + r xr
+ 1 w1 + + t wt + t+1 yt+1 + + s ys
=(1 + 1 )w1 + + (t + t )wt + t+1 xt+1 + + r xr + t+1 yt+1 + + s ys .
(3.4)
GIRALDO
113
Lo que demuestra la Afirmaci

on 2.
De las Afirmaciones 1. y 2. tenemos que el conjunto {w1 , . . . , wt , xt+1 , . . . , xr , yt+1 , . . . , ys } es una base para
W1 + W2 . Por tanto
dim(W1 + W2 ) = t + r t + s t = r + s t = dim(W1 ) + dim(W2 ) dim(W1 W2 ).
Problemas
3.6.1. Sea V un espacio vectorial de dimensi
on n.
1. Si n es impar, demuestre que no existe ninguna transformaci
on lineal T : V V tal que ker(T ) = Im(T ).
2. Exhiba un contraejemplo a la afirmaci
on anterior si n es par.
3.6.2. Muestre que si T : V W es una transformaci
on lineal inyectiva, entonces dim V dim W .
3.6.3. Considere una transformaci
on lineal T : V W , donde V y W son espacios vectoriales de dimensi
on
finita tales que dim W < dim V .
1. Demuestre que existe un elemento no nulo v V talque T (v) = 0.
2. Si X es una base arbitraria de V , existe un vector v X tal que T (v) = 0? Demuestre o de un contra ejemplo.
3.6.4. Sea T : V V una transformaci
on lineal demuestre que las siguientes afirmaciones son equivalentes
1. T es invertible
2. T es inyectiva
3. T es sobreyectiva
3.6.5. El problema anterior no es cierto en dimensi
on infinta, muestre que la transformaci
on lineal T : R[t]
Rt
R[t] definida por T (p) = 0 p(x)dx es inyectiva pero no sobre y la transformaci
on T : R[t] R[t] definida por
T (p) = p es sobre pero no inyectiva.
Los dos siguientes problemas bosquejan otra forma de demostrar el Teorema 3.20
3.6.6. Sean V y W espacios vectoriales, T : V W una transformaci
on lineal y {v1 , . . . , vt } una base de ker T .
Si vt+1 , . . . , vn son vectores tal que {v1 , . . . , vt , vt+1 , . . . , vn } es una base de V entonces {T (vt+1 ), . . . , T (vn )} es
una base de Im(T ).
3.6.7. Sean V y W espacios vectoriales, T : V W una transformaci
on lineal y {w1 , . . . , wt } una base de
Im(T ) y sean v1 , . . . , vt vectores tal que wi = T (vi ), para i = 1, . . . , t. Demuestre lo siguiente
1. El conjunto {v1 , . . . , vt } es linealmente independiente.
114
2. Si vt+1 , . . . , vn son vectores tal que {v1 , . . . , vt , vt+1 , . . . , vn } es una base de V entonces {vt+1 , . . . , vn } es una
base de ker(T ).
3.6.8. Muestre que la funci
on
tr :
Mn (R)
es una TL sobreyectiva con ker tr = sln (R) = {A

A
7 tr(A)
Mn (R) | trA = 0}. Use esto y el Teorema de la Dimensi
on para transformaciones lineales para determinar
dim sln (R).
3.7.
Suma Directa de Espacios
Terminamos el captulo con la definici

on de suma directa y las propiedades m
as relevantes.
Definici
on 3.7. (Suma Directa) Sean V un espacio vectorial y W1 y W2 subespacios de V , decimos que V
es la suma directa de W1 y W2 , lo cual denotamos por V = W1 W2 , si V = W1 + W2 y W1 W2 = {0}.
Los siguientes resultados exhiben condiciones suficientes y necesarias para que un espacio sea suma directa
de dos subespacios.
Teorema 3.24. Sean V un espacio vectorial y W1 y W2 subespacios de V . Entonces V = W1 W2 si y s
olo si
V = W1 + W2 y dim W1 + dim W2 = dim V .
Demostraci
on. Si V = W1 W2 entonces por definicion tenemos que V = W1 + W2 y por el Teorema de
la dimension (Teorema ??) tenemos que
dim V = dim W1 + dim W2 dim(W1 W2 ) = dim W1 + dim W2 .
|
{z
}
=0
Si V = W1 + W2 y dim W1 + dim W2 = dim V por el Teorema de la dimension tenemos que

dim V = dim W1 + dim W2 dim(W1 W2 ),
se sigue que dim(W1 W2 ) = 0 y por tanto V = W1 W2 .
Teorema 3.25. Sean V un espacio vectorial, W1 y W2 subespacios de V y X y Y bases para W1 y W2 ,
respectivamente. Entonces V = W1 W2 si y s
olo si X Y es una base para V .
Demostraci
on. Supongamos que V = W1 W2 y sean X = {v1 , . . . , vr } y Y = {w1 , . . . , ws } bases de W1
y W2 . Veamos que {v1 , . . . , vr , w1 , . . . , ws } es LI.
Supongamos que
1 v 1 + + r v r + 1 w1 + + s ws = 0
(3.5)
y definamos x = 1 v1 + + r vr entonces x W1 y de (3.5) se sigue que x = 1 v1 + + r vr = (1 w1 +

+ s ws ) y por tanto x W2 . Se sigue que x W1 W2 pero por hip
otesis W1 W2 = {0}, luego x = 0 y
como x = 1 v1 + + r vr y {v1 , . . . , vr } es LI por ser base para W1 tenemos que 1 = = r = 0. Adem
as
como (1 w1 + + s ws ) = x = 0 y {w1 , . . . , ws } es LI entonces 0 = 1 = = s .
GIRALDO
115
Concluimos que X Y = {v1 , . . . , vr , w1 , . . . , ws } es LI. Ahora, por el teorema anterior dim V = dim W1 +
dim W2 = r + s entonces X Y es un conjunto LI con r + s = dim V elementos y por tanto es una base de V .
Supongamos que X Y = {v1 , . . . , vr , w1 , . . . , ws } es una base para V .
Afirmaci
on 1. V = W1 + W2
Demostracion. Sea v V , como {v1 , . . . , vr , w1 , . . . , ws } es una base para V , existen constantes 1 , . . . , r , 1 , . . . , s
tal que
v = 1 v1 + + r vr + 1 w1 + + s ws W1 + W2 .
{z
} |
|
{z
}
W1
W2
La otra inclusi
on es clara ya que como W1 y W2 son subespacios entonces W1 + W2 es un subespacio, en
particular es un subconjunto. Esto demuestra la afirmacion.
Afirmaci
on 2. W1 W2 = {0}.
Demostracion. Sea v W1 W2 , entonces v W1 y v W2 . Como {v1 , . . . , vr } es una base de W1 , existen
constantes 1 , . . . , r tal que
v = 1 v 1 + + r v r .
(3.6)
Un argumento similar garantiza la existencia de constantes 1 , . . . , s tal que

v = 1 v 1 + + r v r .
(3.7)
De las ecuaciones 3.6 y 3.7 tenemos que

0 = v v = 1 v 1 + + r v r 1 w1 + + s ws .
Ahora, como {v1 , . . . , vr , w1 , . . . , ws } es linealmente independiente, por ser base para V , tenemos que 0 = 1 =
= r = 1 = = s . Por tanto v = 1 v1 + + r vr = 0 y W1 W2 {0}. La otra inclusi
on es trivial ya
que 0 W1 + W2 luego {0} W1 W2 . Lo que prueba la afirmacion.
De las afirmaciones 1. y 2. tenemos que V = W1 W2 .
Terminamos la secci
on con una u
ltima caracterizaci
on de la suma directa de espacios vectoriales.
Teorema 3.26. Sea V un espacio vectorial, sean W1 y W2 subespacios de V . Entonces V = W1 W2 si y s
olo
si para todo v V existen vectores u
nicos w1 W1 y w2 W2 tal que v = w1 + w2 .
Demostraci
on. : Supongamos que V = W1 W2 , entonces por definicion tenemos que V = W1 + W2 ,
por tanto para v V existen w1 W1 y w2 W2 tal que v = w1 + w2 .
Ahora veamos que estos vectores son u

nicos: supongamos que v = w1 +w2 y que v = w1 +w2 con w1 , w1 W1
y w2 , w2 W2 . Entonces tenemos que
0 = v v = (w1 w1 ) + (w2 w2 )
se sigue que w1 w1 = w2 w2 W2 , pero como w1 , w1 W1 tenemos que w1 w1 W1 y por tanto
w1 w1 W1 W2 = {0}, obtenemos que w1 w1 = 0 o equivalentemente w1 = w1 . Similarmente se demuestra
que w2 = w2 .
116
: Supongamos que para todo v V existen vectores u
nicos w1 W1 y w2 W2 tal que v = w1 + w2 .
Se sigue que V = W1 + W2 , ahora veamos que W1 W2 = {0}.
Sea x W1 W2 , entonces x = 0 + x W1 + W2 y x = x + 0 W1 + W2 , como la expresi
on es u
nica se
sigue que x = 0.
Problemas
3.7.1. Demuestre que si T : V V es una transformaci
on lineal tal que T T = T entonces V = Im(T )
ker(T ).
3.7.2. Exhiba un ejemplo de una transformaci
on lineal T : V V tal que ker(T ) Im(T ) 6= {0}.
3.7.3. Sean W1 y W2 subespacios de un espacio vectorial V , demuestre que V = W1 W2 si y s
olo si dim W1 +
dim W2 = dim V y W1 W2 = {0}.
3.7.4. Demuestre que R2 = gen{(1, 0)} gen{(1, 1)}.
3.7.5. Demuestre que el espacio de matrices n n es la suma directa del subespacio de matrices simetricas y el
subespacio de matrices antisimetricas, es decir, Mn (R)
= Sn (R) An (R). (Ayuda: Use el Ejercicio 1.2.11).
3.7.6. Sean V = F(R, R) el conjunto de las funciones f de R en R, W1 = {f V : f (x) = f (x), x R} y

W2 = {f V : f (x) = f (x), x R}. Demuestre que W1 y W2 son subespacios de V y que V = W1 W2 .
3.7.7. Muestre que todo espacio vectorial finitamente generado es una suma directa de subespacios vectoriales
de dimensi
on 1.
3.7.8. Demuestre que si W es un subespacio de un espacio vectorial V entonces existe un subespacio Z de V
tal que V = W Z
3.7.9. Demuestre que si V = W1 Wn , entonces
1. dim V =
Pn
i=1
dim Wi .
2. Si v V entonces v se escribe de manera u

nica como v = w1 + + wn , con wi Wi para i = 1, . . . , n.
3.7.10. Sean H1 y H2 subespacios de un espacio vectorial V , si dim H1 = dim H2 = dim V 1 entonces
dim(H1 H2 ) = dim V 2. Deduzca que dos planos en R3 siempre siempre tienen una intersecci
on no trivial.
3.7.11. Sean H y K subespacios de un espacio vectorial V , si dim H = dim V 1 y KH entonces dim(H K) =

dim K 1.
3.7.12. Si A, B V son subconjuntos de un espacio vectorial V y A B = muestre que L(AU B) =
L(A) L(B), donde L(A) = intersecci
on de los subespacios que contienen a A.
3.7.13. Sean V = W1 Wt y Bi Wi , para i = 1, . . . , t. Considere B = B1 Bt .
GIRALDO
117
1. Muestre que si Bi es LI para i = 1, . . . , t, entonces B es LI.

2. Muestre que si Bi es una base para Wi para i = 1, . . . , t, entonces B es una base de V .
3.7.14. Si W1 = {A Mn (R) | aij = 0 para i j} es el conjunto de matrices estrictamente triangulares
superiores y y W2 = {A Mn (R) | aij = 0 para i < j} es el conjunto de matrices triangulares inferiores
entonces Mn (R) = W1 W2 .
3.7.15. Si V y W son subespacios de Rn con dim V >
n
2
y dim W >
n
2
entonces V W 6= .
3.7.16. Sea T : V W una transformaci

on lineal, si V = H1 H2 y T (H1 ) T (H2 ) = {0} entonces
T (V ) = T (H1 ) T (H2 ).
3.7.17. Si T : V W es un isomorfismo y V = H1 H2 entonces W = T (H1 ) T (H2 ).
3.7.18. Sea T : V V una TL, demuestre que existe k > 0 tal que V = Im(T k ) Ker(T k ).
3.7.19. Si T : V W un isomorfismo y V = H1 H2 entonces W = T (H1 ) T (H2 ).
118
Captulo 4
Ortogonalidad en Rn
En este captulo se define el producto interno usual en espacios vectoriales sobre R y se muestra como se
define, a traves de este producto, la norma de un vector y el
angulo entre vectores en Rn . Esto a la vez nos
permitir
a hablar de ortogonalidad y proyecci
on ortogonal de un vector sobre un subespacio. Se dar
a tambien
el metodo de los mnimos cuadrados, el cual es una aplicaci
on de proyecci
on ortogonal. Al final se define el
concepto de base ortogonal, la importancia de estas bases y el proceso de Gramm-Schmidt, el cual es un metodo
para calcular este tipo de bases. Se termina el captulo con la llamada descomposici
on QR de una matriz, la
cual se obtiene a partir del proceso Gramm-Schmidt.
4.1.
Producto interno en Rn
Comenzamos el captulo con la definici

on de producto interno o producto escalar de vectores en Rn .

1
1

.
.
Definici
on 4.1. Sean v = .. y w = .. vectores en Rn , definimos el producto escalar de v y w,

n
n
denotado por v w, por la f
ormula
v w = 1 1 + + n n =
n
X
i i .
i=1

1
1

Ejemplo 4.1. Sean v = 2 y w = 1, entonces v w = 1 (1) + 2 (1) + 3 2 = 1 2 + 6 = 3.

2
3

1
1

Ejemplo 4.2. (MatLab) Sean v = 1 y w = 1. El producto escalar v w se calcula en MatLab como se

0
1
muestra a continuaci
on
119
120
>> v = [1; 1; 1]; w = [1; 1; 0]; v w
y se tiene que v w = 2.
Observaci
on 4.1. (Propiedades del producto escalar) Sean v, w, z Rn
1. (v + w) z = v z + w z
2. v (w + z) = v w + v z
3. (v) w = v (w) = v w
4. v v 0 y v v = 0 si y solo si v = 0.
5. v w = w v.
El producto por escalar induce una geometra en Rn , ya que a partir de este, podemos definir la longitud (o
norma) de un vector y la distancia entre vectores.
1

.
Definici
on 4.2. (Norma de un vector) Sea v = .. un vector en Rn , definimos la norma de x, denotada

n
por ||v||, por la f
ormula
q
||v|| = v v = 12 + + n2 .
1

a dada por
Ejemplo 4.3. De acuerdo a esta f
ormula, la norma del vector v = 1 est

2
||v|| =
(1)2 + (1)2 + 22 =
6.
Definici
on 4.3. (Distancia entre vectores) Sean v y w vectores en Rn , la distancia entre v y w est
a dada
por la f
ormula ||w v||.

1
1

Ejemplo 4.4. Sean v = 2 y w = 1, entonces la distancia entre v y w est
a dada por

3
2
||w v|| =
(1 1)2 + (1 2)2 + (2 3)2 =
14.
Observaci
on 4.2. Si v y w son vectores en Rn , entonces se cumple que
v w = ||v|| ||w||cos,
donde es el
angulo formado por v y w.
(4.1)
GIRALDO
121
vw
O
La Ecuaci
on (4.1) se obtiene de la siguiente forma: aplicando la ley de cosenos (en el plano generado por
los vectores v y w ) obtenemos
||v w||2 = ||v||2 + ||w||2 2||v||||w|| cos ,
(4.2)
pero, por la definici

on de norma y las propiedades del producto escalar tenemos
||v w||2 = (v w) (v w) = v v v w w v + w w = ||v||2 2v w + ||w||2 .
(4.3)
Por tanto de las Ecuaciones (4.2) y (4.3) se tiene que

v w = ||v|| ||w||cos.
Definici
on 4.4. (Vectores ortogonales) Sean v, w Rn .
1. Decimos que v y w son ortogonales si v w = 0.
2. Usando la Ecuaci
on (4.1) definimos el
angulo entre v y w, esto es,

vw
1
El
angulo entre v y w = cos
.
(4.4)
||v|| ||w||

1
1

angulo que forman v y w y determinar si son
Ejemplo 4.5. Sean v = 1 y w = 1, encuentre el

1
2
ortogonales.
Soluci
on. El producto escalar v w = 1 1 + 2 = 2, entonces los vectores no son ortogonales. El
angulo
formado por v y w est
a dado por la Ecuaci
on (4.4), as:
!

vw
2
2
1
1
1

= cos
= cos
= cos
.
||v||||w||
3
6 3

1
1

0
0

Ejemplo 4.6. Calcular el
angulo formado por los vectores v =
y w = .
1
0

0
1
on
Soluci
on N
otese que v w = 1 + 0 + 0 + 0 = 1, ||v|| = 2 y ||w|| = 2. Entonces de acuerdo a la Ecuaci
(4.4) tenemos que
el
angulo entre v y w = cos1
vw
||v|| ||w||
= cos1
1

2 2
= cos1

1
= 60 .
2
122
Definici
on 4.5. (Espacios ortogonales) Sean V y W subespacios de Rn , decimos que V y W son ortogonales
si v w = 0 para todo v V y w W .

1
1
0
1 1
1
, y W = subespacios de R4 , entonces V y W son
Ejemplo 4.7. Sean V = gen

2 1
0
1
1
0
a

1
1 a + b
+ b =
y todo elemento
ortogonales ya que todo elemento en v V tiene la forma v = a

2
1 2a + b

0
1
b

1
c

1 c

w W tiene la forma w = c
umeros reales, por tanto
= , donde a, b y c son n
0 0

1
c
v w = ac + (a + b)(c) + (2a + b)0 + bc = ac + ac bc + bc = 0.
Los subespacios ortogonales satisfacen lo siguiente.

Lema 4.1. Sean V y W subespacios ortogonales de Rn , entonces
1. V W = {0},
2. Si {v1 , . . . , vr } y {w1 , . . . , ws } son bases para V y W , respectivamente, entonces el conjunto
{v1 , . . . , vr , w1 , . . . , ws }
es linealmente independiente.
Demostraci
on. 1. Sea v V W , entonces como V y W son ortogonales se tiene que v v = 0 y por las
propiedades del producto interno se tiene que v = 0.
2. Supongamos que 1 v1 + + r vr + 1 w1 + + s ws = 0, entonces
1 v1 + + r vr = 1 w1 s ws V W.
Por la parte 1. tenemos que 1 v1 + + r vr = 0 y por tanto 1 = = r = 0, de esto se sigue que
1 w1 s ws = 0 y como {w1 , . . . , ws } es una base entonces 1 = = r = 0.
El caso que estudiaremos a fondo en este captulo es cuando los dos subespacios ortogonales son complementarios, esto lo definimos a continuaci
on.
Definici
on 4.6. (Complemento ortogonal) Sea V un subespacio de Rn , definimos el complemento ortogonal de V, al cual denotaremos por V , como el conjunto
V = {w Rn | v w = 0, para todo v V }.
GIRALDO
123
El siguiente teorema nos da un algoritmo para calcular la base para el complemento ortogonal de un subespacio
V de Rn .
no m n, entonces tenemos que:
1. F il(A) = N ul(A),
2. Col(A) = N uliz(A).
Demostraci
on. Sean F1 , . . . , Fm las filas y C1 , . . . , Cn las columnas de A.
1. Para la demostraci
on de este tem usamos el Lema 1.9.
Sea x F il(A) , entonces v x = 0 para todo v F il(A), en particular, 0 = Fit x = Fi x, para i = 1, . . . , m.
De donde
es decir x N ul(A).

F1
F1 x
0

..
.. ..
Ax = . x = . = . ,

Fm
Fm x
0
F1 x
.
Sea x N ul(A), entonces 0 = Ax = .. , por tanto para i = 1, . . . , m tenemos que 0 = Fi x = Fit x.
Fm x
Ahora si v F il(A), entonces v = a1 F1 + + am Fm y por tanto v x = a1 F1 x + + am Fm x = 0 y por
| {z }
| {z }
tanto x F il(A) .
=0
=0
2. Como Col(A) = F il(At ) por el tem 1. se sigue que Col(A) = F il(At ) = N ul(At ) = N uliz(A).
A continuaci
on describimos el procedimiento para calcular el complemento ortogonal, el cual se deduce del
teorema anterior.
Procedimiento 4.1. (C
alculo del complemento ortogonal). Sea {v1 , . . . , vk } una base para V , para cal-
cular una base para V hacemos lo siguiente:

vt
1
.
1. Definimos la matriz A = .. y de esta forma V = F il(A).

vkt
2. Sea W = N ul(A) entonces W = V , esto por el Teorema 4.2, ya que V = F il(A) = N ul(A) = W .

1 0
0
0
, .
Ejemplo 4.8. Calcular V si V = gen
0 1
1
1
124

0
1

0
0
1 0
v1t

=
Soluci
on. Sea v1 =
y v2 = , debemos calcular N ul(A) donde A =
1
0
0 0
v2t

1
1
est
a en forma escalonada reducida entonces tenemos que

x
1

x2
x = x4
N ul(A) si y solo si 1

x3
x3 = x4

x4

1
0
x4
x1

0
1
x2 x2
= x2 + x4 .

si y solo si

=
1
0
x3 x4

1
0
x4
x4
0 1
1 1
, como A
1
0
1 0
, es una base para V .
Por el procedimiento indicado arriba y el Teorema 2.16 se concluye que

0 1
0
1
Ejemplo 4.9. (MatLab)

Calcular
el complemento ortogonal V del subespacio V de R5 generado por los
2
1

1
3

vectores v1 = 1 y v2 = 2.

0
2

1
1

v1t
Soluci
on. Sea A = , necesitamos calcular N ul(A), lo cual hacemos en MatLab como sigue
v2t
>> format rat, A = [2, 1, 1,
0,1; 1, 3,2, 2,

1]; null(A)
4/7
2/7
5/7
3/7 4/7 1/7
Se obtiene que V = gen 1 , 0 , 0 .
0
1
0
1
0
0
Terminamos le secci
on con el siguiente resultado que explica porque a V se le llama el complemento orto-
gonal de V .
Corolario 4.3. Sea V Rn un subespacio entonces Rn = V V .
GIRALDO
125

vt
1
.
Demostraci
on. Sea {v1 , . . . , vk } una base de V , definiendo A = .. , por el procedimiento anterior tenemos

vkt
que V = F il(A) y V = N ul(A) y por tanto
dim V + dim V = dim F il(A) + dim N ul(A) = dim Col(A) + dim N ul(A) = n = dim Rn .
N
otese adem
as que V y V son, por definicion, conjuntos ortogonales y por tanto V V = {0} (Lema 4.1),
se sigue del Problema 3.7.3 que Rn = V V .
Problemas
4.1.1. Sean v = (2, 3, 5) y w = (3, 0, 4) determine lo siguiente:

a. ||v||
b. ||w||
c. v w
d. el
angulo formado por v y w
e. la distancia entre v y w
4.1.2. Determine si el par de vectores dados es ortogonal, si no lo es, determine el

angulo formado por ellos.
a. v = (2, 3) y w = (3, 2)
b. v = (1, 4, 7) y yw(2, 3, 2)
c. v = (1, 1, 1) y w = (1, 1, 1).
4.1.3. Encuentre la relaci

on entre y para que los vectores v = (1, 1, 2, ) y w = (, 2, 3, 4) sean ortogonales.
4.1.4. Calcule una base para V en cada uno de los siguientes casos:
1.
V = gen{(1, 3, 1), (1, 1, 2)}
2.
V = gen{(2, 1, 1, 0)}
3.
V = gen{(1, 0, 0, 0, 1), (1, 2, 3, 4, 5)}
4.1.5. Calcule una base para V si V = {(x, y, z, t) | x + 2y + 3z + 4t = 0}.
1 1 1 0
.
4.1.6. Calcule una base para V = F ilA donde A =
0 1 1 1
4.1.7. Sean v, w, z Rn , si se sabe que v w = 3, v v = 4, v z = 1, w w = 1 y w z = 2, determine lo

siguiente:
1. una combinaci
on lineal de los vectores w y z que sea ortogonal a v,
2. la distancia entre los vectores v y w.
3. Explique porque el
angulo formado por v y z es obtuso.
4. v (w)
5. v (w + z)
6. (v 2w) (w 3z)
7. el
angulo formado por v y w
4.1.8. Determine todos los vectores v Rn tal que ||v|| = con un real positivo.
4.1.9. Demuestre las propiedades de producto escalar enunciadas en la Observaci
on 4.1
126
4.1.10. Determine el
angulo que forma el vector v = (1, 1, 1, 1) con cada uno de los vectores de la base est
andar
de R4 .
4.1.11. Sea A Mn (R) una matriz simestrica, demuestre que N ulA es el complemento ortogonal de ColA.
4.1.12. Demuestre que si V = {(x1 , . . . , xn ) | 1 x1 + + n xn = 0} entonces se tiene que
V = gen{(1 , . . . , n )}.
4.1.13. Sean v, w Rn , demuestre que v + w y v w son ortogonales si y s

olo si ||v|| = ||w||.
Deduzca que un paralelogramo es un rombo si y s
olo si sus diagonales son perpendiculares.
4.1.14. Sea A Mn (R), demuestre que Rm = F ilA N ulA, deduzca que si V Rn es un subespacio entonces
Rm = V V .
4.1.15. Sea A Mn (R) una matriz, demuestre que v N ulA F ilA si y s

olo si v = 0.
4.1.16. Encuentre una matriz A tal que el vector v = (1, 2, 2) pertenezca a
1. al espacio fila y el espacio columna de A,
2. al espacio nulo y el espacio columna de A.
4.1.17. Sean V, W Rn subespacios, demuestre
1. Si V W entonces W V ,
2. (V ) = V ,
3. (V + W ) = V W ,
4. (V W ) = V + W .
4.1.18. Encuentre contraejemplos que muestren que las siguientes afirmaciones son falsas
1. Si V y W son subespacios ortogonales de Rn entonces V y W son subespacios ortogonales.
2. Si V y W son subespacios ortogonales y W y Z son subespacios ortogonales entonces V y Z son subespacios
ortogonales.
3.
4.1.19. Calcule una base de V si se sabe que {(1, 2, 1, 0), (0, 2, 1, 3)} es una base de V
4.1.20. Demuestre que para todo v, w Rn se tiene que |v w| ||v||||w||. (Esta desigualdad se conoce como la
desigualdad de Cauchy-Schwartz.)
4.1.21. Demuestre que lo siguiente
1. v w = 0 para todo w Rn si y s
olo si v = 0.
GIRALDO
127
2. v = w si y s
olo si v z = w z para todo z Rn .
4.1.22. Demuestre que para todo v, w Rn se cumple lo siguiente
1. v w = 14 (||v + w||2 ||v w||2 ),
2. v w = 12 (||v + w||2 ||v||2 ||w||2 ),
3. ||v + w||2 + ||v w||2 = 2||v||2 + 2||w||2 . (Esta igualdad es conocida como la Ley del paralelogramo.)
4.1.23. Un vector u Rn se llama si ||u|| = 1. Demuestre que si w Rn el vector u =
1
||w|| w
es unitario.
Muestre adem
as que si u y w son vectores LD con u unitario (esto es equivalente a decir que u y w est
an
en la lnea ) entonces w = ||w||u. (El caso positivo se da cuando los vectores tienen la misma direcci
on).
4.2.
Proyecci
on Ortogonal sobre un Vector
En esta secci
on se muestra como calcular la proyecci
on ortogonal de un vector sobre otro, la f
ormula que
se obtiene se verifica f
acilmente. Usaremos la f
ormula obtenida para generalizarla obteniendo la f
ormula de la
proyecci
on de un vector en un subespacio.
Definici
on 4.7. Sean v y w vectores en Rn , la perpendicular desde el extremo del vector v a la lnea que
contiene a w determina un punto sobre esta lnea, el vector que va desde el origen hasta este punto es llamado
la proyecci
on ortogonal de v sobre w, denotado por proyw v.
v
b
p = proyw v
p = proyw v
p = proyw v
N
otese que el vector proyw v es el m
ultiplo de w m
as cercano a v.
La siguiente proposici
on proporciona una f
ormula para calcular la proyecci
on ortogonal de un vector sobre
otro.
Proposici
on 4.4. Sean v y w vectores en Rn , la proyecci
on ortogonal del vector v sobre el vector w est
a dada
por
proyw v =
vw
w.
ww
Demostraci
on. Sea p = proyw v, el
angulo formado entre v y w y u un vector unitario en la direccion de w
128
v
w
1
||w|| w
p = proyw v
Se sigue que p = ||p||u y u =
(Problema 4.1.23 ) y por tanto

p=
||p||
w.
||w||
(4.5)
Como el triangulo OBP en la figura anterior es un triangulo rectangulo, tenemos que cos =
de la Observaci
on 4.2 se sigue que
vw
||w||
||p||
||v|| .
Adem
as,
= ||v|| cos . Por tanto

||p|| =
vw
.
||w||
(4.6)
De las Ecuaciones (4.5) y (4.6) se sigue que

p=
vw
vw
w=
w.
2
||w||
ww
Ejemplo 4.10. Sean v = (1, 0, 1, 1) y w = (2, 2, 1, 0), se sigue que v w = 3 y w w = 9. Por tanto
proyw v = 39 w = 13 w = (2/3, 2/3, 2/3, 0).
4.2.1.
La matriz proyecci
on.
La u
ltima f
ormula se puede expresar matricialmente de la siguiente forma:
N
otese que wwt es una matriz y a la matriz
P =
1
wwt
wt w
wt v
1
vw
w = t w = t wwt v.
ww
ww
ww
(4.7)
se le llama la matriz de la proyecci

on sobre w y tiene la propiedad que para todo v Rn , P v = proyw v.

1
1

Ejemplo 4.11. Sean v = 1 y w = 0, calcular la matriz que proyecta sobre w y usarla para calcular

2
1
proyw v.
1 0 2
Soluci
on. N
otese que w w = w w = 5 y ww = 0 0 0
2 0 4
matriz
1 0
1
P = 0 0
5
2 0
t
por tanto la matriz de la proyecci

on sobre w es la
0 .
GIRALDO
Ahora, proyw v = P v =
1
5
1 0
0 0
2 0

1
2

0 1 =

1
4
"7#
Ejemplo 4.12. (MatLab)Sean a =

proyw v del vector v sobre w.
7
7
7
7

3

1
0 .
5

6
" 2 #
yb=
1
1
0
1
129
, calcule la matriz que proyecta sobre w y la proyecci

on
Soluci
on. La matriz de que proyecta sobre w est
a dada por P =
1
wwt . Esto lo podemos calcular con MatLab
wt w
como sigue
>> format rat, w = [2; 1; 1; 0; 1]; P = inv(w w) (w w )
as la matriz de la proyecci
on est
a dada por
P =
4/7 2/7 2/7 0 2/7

2/7 1/7 1/7 0 1/7
2/7 1/7 1/7 0 1/7
0
0
0 0 0
2/7 1/7 1/7 0 1/7
Para calcular la proyecci

on del vector v sobre w, proyw v, seguimos los comandos en MatLab
>> v = [7; 7; 7; 7; 7]; P v
Se obtiene que proyw v = w.
La matriz de la proyecci
on satisface las siguientes condiciones.
Teorema 4.5. Sea w Rn y P =
1
on, entonces para todo v Rn tenemos lo
wwt la matriz proyecci
wt w
siguiente
1. P v = proyw v gen{b},
2. v P v w,
3. P P v = P v, en general P 2 = P ,
4. si v gen{w} entonces P v = v,
5. v w si y solo si P v = 0.
Demostraci
on. Se deja como ejercicio.
Problemas
4.2.1. Sean v = (2, 3, 5) y w = (3, 0, 4) calcule lo siguiente:

a. proyw v
b. proyw v
c. la matriz de la proyecci
on sobre w y
d. la matriz de la proyecci
on sobre v
4.2.2. Repita el problema anterior si v = (0, 1, 2, 3, 2, 1, 0) y w = (3, 2, 1, 0, 1, 2, 3). (Use Matlab).

4.2.3. Determine el m
ultiplo del vector v = (2, 2, 1) m
as cercano al vector w = (1, 1, 1).
130
4.2.4. Si v y w son vectores en Rn tal que v w = 4, w w = 2 y v v = 1, determine los vectores proyw v y
proyv w en terminos de w y v respectivamente.
4.2.5. Encuentre la matriz de la proyecci
on sobre la lnea x + y = 0 en R2 .
4.2.6. Demuestre el Teorema 4.5.
4.2.7. Sea v = (1, 2, 2, 3), si sabe que la proyecci
on proyw v de v sobre un vetor w est
a dada por proyw v =
(2, 2, 2, 2) y ||w|| = 2, determine el vector w.
4.2.8. Demuestre que la proyecci
on proyw v es independiente del vector escogido en gen{w}. Es decir,
proyw v = proyw v,
para todo R.
4.2.9. Demuestre que si Pv es la matriz que proyecta sobre un vector v Rn entonces rangoPv = 1. (Este es
un caso particular del Problema 1.2.14).
4.3.
Proyecci
on Ortogonal sobre un Subespacio
El principal objetivo de la secci

on es extender el concepto de proyecci
on sobre un vector, al de proyecci
on
sobre un subespacio (ver figura abajo) y construir una matriz P que al multiplicarla por un vector x, el resultado
P x es el vector proyecci
on. De hecho, esta matriz ser
a obtenida generalizando la matriz dada por la Ecuaci
on
(4.7) y la definiremos como sigue.
h
Sea {v1 , . . . , vk } una base para un subespacio H de Rn y sea A = v1
matriz
i
vk , vamos a demostrar que la
P = A(At A)1 At
(4.8)
satisface las condiciones de la matriz proyecci

on enunciadas en el Teorema 4.5.
v
H
p = proyH v
b
Proyecci
on de v sobre H
N
otese que la F
ormula (4.7) la podemos escribir en la forma:
P =
1
vv t = v(v t v)1 v t ,
vt v
GIRALDO
131
de esta manera se ve que en realidad que (4.8) es simplemente una generalizaci

on de (4.7).
Ahora vamos a demostrar que la matriz definida en (4.8) determina la proyecci
on sobre el subespacio H.
Para esto necesitaremos los siguientes lemas preliminares.
Lema 4.6. Sea A una matriz, entonces N ul(A) = N ul(At A).
Demostraci
on. Sea x N ul(A), entonces Ax = 0 y por tanto At Ax = At 0 = 0. Concluimos que
x N ul(At A).
Sea x N ul(At A), entonces At Ax = 0, y multiplicando a la izquierda por xt tenemos que xt At Ax =
xt 0 = 0, por tanto
0 = xt 0 = xt At Ax = (Ax)t Ax = Ax Ax = ||Ax||2 ,
de donde ||Ax|| = 0, pero por las propiedades del producto escalar, esto implica que Ax = 0 y por tanto
x N ul(A).
h
Lema 4.7. Sea A = v1
dientes entonces
i
vk una matriz donde {v1 , . . . , vk } son las columnas y son linealmente indepen-
1. At A es invertible.
2. La matriz (At A)1 At es una inversa a la izquierda de A.
Demostraci
on. 1. Como las columnas de A son linealmente independientes entonces
rango(A) = k, as por el Teorema 2.16 se tiene que N ul(A) = {0}, entonces por el lema anterior N ul(At A) =
N ul(A) = {0} de donde rango(At A) = n

umero de columnas de (At A), pero (At A) es una matriz cuadrada,
entonces
rango(At A) = n
umero de columnas de (At A) = n
umero de filas de (At A),
y por el Corolario 1.22, At A es invertible.
2. Como (At A)1 At A = I entonces (At A)1 At es una inversa a la izquierda de A.
1 0
Ejemplo 4.13. Calcular una inversa a la izquierda de la matriz A = 1 1.
1 2
Soluci
on. Observe que los vectores columna de la matriz A son linealmente independientes. Comencemos calculando At A y su inversa.
At A =
1 1
0 1
1
1
1
2
1
1 =
3
2
3
5
3
1
y por tanto (At A)1 =
.
6
5
3
3
Por el Lema 4.7 resta calcular (At A)1 At , esto es,
1
5
3
1
L = (At A)1 At =
6 3
0
3
5
1
=
6 3
1 2
1 1
2 1
.
0
3
132
El lector puede verificar f
acilmente que LA = I.
Ejemplo 4.14. (MatLab) Usar MatLab para calcular la inversa a la izquierda de la matriz A =
"1
2 1 2
1 1 2 1
1 3 2 2
1 2 2 1
1 1 3 2
Soluci
on. Usamos MatLab para calcular la inversa a la izquierda con la f
ormula dada en el Teorema 4.7, como
sigue
>> format rat; A = [1, 2, 1, 2; 1, 1, 2, 1; 1, 3, 2, 2; 1, 2, 2, 1; 1, 1, 3, 2]; L = inv(A A) A
la inversa a la izquierda de A est
a dada por
" 2/3
L=
1
1/3
1
1/12 1/4
1/6
1/4
13/24 1/8 1/12 1/8
11/24 1/8 1/12 7/8
4/3
1/12
11/24
11/24
El siguiente resultado es el caso dual del lema anterior, m

as especficamente, el caso en que las filas de la
matriz son LI.
Corolario 4.8. Sea A una matriz cuyas filas son linealmente independientes, entonces se tiene que
1. AAt es invertible,
2. La matriz At (AAt )1 es una inversa a la derecha de A.
Demostraci
on. Como las filas de A son linealmentes entonces las columnas de At son linealmente independientes, usando el Lema 4.7 tenemos que (At )t At = AAt es invertible y por tanto (AAt )1 existe y adem
as
como AAt (AAt )1 = I, es decir, la matriz At (AAt )1 es una inversa a la derecha de A.
1 1 1
, calcular una inversa a la derecha de A.
Ejemplo 4.15. Sea A =
0 1 1
Soluci
on: Es f
acil ver que las filas de A son linealmente independientes. Primero calculamos AAt y su inversa
1 0
1
1
1
3
2
2
2
1
de donde (AAt )1 =
.
AAt =
1 1 =
2 2
0 1 1
2 2
3
1 1
Ahora calculamos la inversa a la derecha At (AAt )1
1 0
1
2
R = At (AAt )1 = 1 1
2 2
1 1
Nuevamente se deja al lector verificar que AR = I.
2 2
= 1
0
1 .
2
3
0
1
Ahora usamos los resultados obtenidos en esta secci

on para construir la matriz proyecci
on de un vector sobre
un subespacio dado.
h
Teorema 4.9. Sean H un subespacio de Rn , {h1 , . . . , hk } una base para H y A = h1
P = A(At A)1 At entonces para todo v Rn se tiene lo siguiente
i
hk . Si definimos
GIRALDO
133
1. P v H,
2. v P v H ,
3. P 2 = P ,
4. v H si y s
olo si P v = v,
5. v H si y s
olo si P v = 0.
Demostraci
on. Primero observese que H = Col(A) y que si x Rk , entonces Ax Col(A) = H, esto ya que

x1

..
si x = . entonces

xk

x1
h
i
..
(4.9)
Ax = h1 hk . = x1 h1 + + xk hk Col(A) = H.

xk
Mas a
un, si h H, entonces h = x1 h1 + + xk hk y por la Ecuaci
on (4.9) h = Ax.
1. P v = A (At A)1 At v = Av Col(A) = H.

|
{z
}
v
2. Debemos demostrar que si h H entonces h (v P v) = 0.

Sea h H, entonces existe x tal que h = Ax y por tanto
h (v P v) = Ax (v P v) = Ax v Ax P v
= (Ax)t v (Ax)t P v
= xt At v xt At P v
= xt At v xt At A(At A)1 At v
|
{z
}
I
= x A v x A v = 0.
3. P 2 = P P = A (At A)1 At A(At A)1 At = A(At A)1 At = P .
{z
}
|
I
4. Sea v H, entonces existe x tal que v = Ax y por tanto
P v = P Ax = A (At A)1 At A x = Ax = v.
|
{z
}
I
Para la otra implicaci

on si v = P v, por el numeral 1. tenemos P v H, por tanto v = P v H.
5. Supongamos que v H , entonces v h = 0, para todo h H, en particular v hi = 0 para i = 1, . . . , k.
Entonces tenemos que

ht1
ht1 v
h1 v
0

..
.. .. ..
t
A v = . v = . = . = . ,

htk
htk v
hk v
0
134
y por tanto
P v = A(At A)1 |{z}
At v = A(At A)1 0 = 0.
=0
Supongamos que P v = 0, entonces A(A A)
A v = 0, multiplicando esta ecuacion a ambos lados por At
obtenemos
At 0 = At A(At A)1 Av = IAt v = At v.
|{z}
|
{z
}
=0
=I
ht
1
.
Como At = .. tenemos que 0 = hti v = hi v, para i = 1, . . . , k. Por tanto v H .

htk
Estas propiedades demuestran que P v satisface las condiciones del vector proyecci
on de v sobre H.
h
Definici
on 4.8. Sean H un subespacio de Rn , {v1 , . . . , vk } una base para H, A = v1
Definimos la proyecci
on de v sobre H, denotada por proyH v, como el vector:
proyH v = P v,
donde P es la matriz P = A(At A)1 At .

1
0
1

Ejemplo 4.16. Sean v = 1 y H = gen 1 , 1 , calcular el vector proyH v.
0
3
1
1 0
Soluci
on. Sea A = 1 1, entonces proyH v = A(At A)1 At v.
0 1
At A =
1
0
1 0
2
1
1 0
2
1
de donde (At A)1 =
1 1 =
3 1
1 2
1 1
0 1
Finalmente tenemos
A(At A)1 = 1
0
1
2
1
3 1
1
2 1
= 1
1
1 .
3
2
1
2
1
1
1
proyH v = A(At A)1 At b = 1

1
3
0
1
2
1
,
2

1
0
0
1
1 0
1 = 6 = 2
,
1 1 3
3
2
6
i
vk y v Rn .
GIRALDO
135

0

entonces proyH v = 2 .

2
Ejemplo 4.17.
matriz que
sobre el subespacio
H de R6 generado por los
2proyecta
la1
2Calcular
1 (MatLab)
11
1
vectores v1 = 11 , v2 =
1
0
1
3 ,
1
1
1
3
0
2
1
v3 = 21 y v4 = 21 . Si b = 11e1 =
0
0
0
0
0
calcular proyH b.
Soluci
on. La matriz de la proyecci
on est
a dada por P = A(At A)1 At , usamos el siguiente comando en MatLab
>> A = [1, 2, 1, 2; 1, 1, 2, 1; 1, 3, 2, 2; 1, 1, 1, 1; 1, 1, 3, 2; 0, 1, 0, 1]; P = A inv(A A) A
obtenemos que la matriz de la proyecci
on est
a dada por
P = proyH
7/11 1/11 1/11 3/11 1/11 4/11

1/11 8/11 3/11 2/11 3/11 1/11
1/11 3/11 8/11 2/11 3/11 1/11
3/11 2/11 2/11 6/11 2/11 3/11

1/11 3/11 3/11 2/11 8/11 1/11
4/11 1/11 1/11 3/11 1/11 7/11
7 1 1 3
8 3 2
1 11 3
8 2
=
3 2 2 6
11 1 3 3 2
1 4
3 1
3 1
2 3 .
8 1
4 1 1 3 1 7
La proyecci
on del vector b sobre H est
a dado por proyH b = P b, as que en MatLab hacemos lo siguiente
>> b = [11; 0; 0; 0; 0; 0]; P b
y obtenemos que proyH b =
7
1
1
3 .
1
4
Terminamos la secci
on con la siguiente observaci
on.
Observaci
on 4.3. Por el Corolario 4.3, si H es un subespacio de Rn entonces Rn = H H . Por tanto todo
vector v R se puede descomponer como una suma de un vector en H y un vector en H . Esto se logra de la
siguiente forma.
Sea v Rn y P la matriz que proyecta sobre H, entonces por el Teorema 4.9 se tiene que P v H y vP v H .
Por tanto
v = |{z}
Pv +v Pv
| {z }
H
es la descomposici
on de un vector como suma de un vector en H y un vector perpendicular a H. N
otese que,
por el Teorema 3.26, esta descomposici
on es u
nica .
Ejemplo 4.18. En el ejemplo anterior, H = gen{v1 , v2 , v3 , v4 } R6 y x = 11e1 , como proyH x =
entonces podemos descomponer a x como la suma de vectores
x = proyH x + (x proyH x) =
| {z } |
{z
}
H
Problemas
7
1
1
3
1
4
4
1
1
3 .
1
4
7
1
1
3 ,
1
4
136
4.3.1. Sea A = 1
2
b sobre H.
on de
1, b = 0 y H = ColA. Calcule la matriz que proyecta sobre H y la proyecci

1
4
1
4.3.2. Sea V = gen{(1, 2, 0, 0), (1, 0, 1, 0)}, calcule la matriz que proyecta sobre V y el vector en V m
as cercano
al vector v = (2, 1, 0, 1).
4.3.3. Sea V = gen{(1, 1, 0, 1), (0, 0, 1, 0)}, calcule la matriz que proyecta sobre V y la proyecci
on del vector
v = (2, 1, 0, 1) sobre V .
"1 1 1 1#
4.3.4. Sean A =
1
1
1
0
1
2
0
1
1
3
0
1
2
4
0
0
yB=
1 1 1 1 1
1 1 0 2 1
1 1 0 3 2
1 1 0 4 3
. Use MatLab para calcular lo siguiente
1. una inversa a la izquierda de la matriz A,

2. una inversa a la derecha de la matriz B,
3. las matrices que proyectan sobre ColA y ColB,
4. la proyecci
on del vector v = (1, 2, 3, 2, 1) sobre ColA,
5. la proyecci
on del vector w = (1, 2, 2, 1) sobre ColB.
4.3.5. Sea A una matriz 43, se sabe que At A = 1
1 1
0 , determine N ulA y F ilA.
0
0
4.3.6. Sea W Rn un subespacio y sean P1 , P2 las matrices que proyectan sobre W y sobre W , respectivamente. Demuestre que P1 + P2 = I y que P1 P2 = 0.
4.3.7. Si P = P t P muestre que P es una matriz proyecci
on, es decir, P 2 = P .
4.3.8. Sea H Rn y P la matriz que proyecta sobre H, demuestre lo siguiente
1. ColP = H y rangoP = dim H.
2. N ulP = H . (Recuerde que P es simetrica.)
Use lo anterior para calcular bases para H y H si P =
1
3
1 2
1 1
1 .
4.3.9. Sea H Rn un subespacio y sea P la matriz que proyecta sobre H, demuestre que
H = {v Rn | P v = v}.
En general, muestre que si P Rn es una matriz proyecci
on, es decir, P 2 = P entonces ColP = {v Rn |
P v = v}.
GIRALDO
137
4.3.10. Sea H un subespacio vectorial de Rn y P es la matriz que proyecta sobre H. Viendo a P como aplicaci
on
lineal
P :
Rn
Rn
, demuestre que P/H = IdH donde P/H : H H es la restricci

on de P a H.
v
7 P v
Demuestre tambien que P/H 0.
4.3.11. Sea H Rn un subespacio y w Rn , definimos el conjunto w + H como
w + H = {w + h | h H}.
Sean v Rn y w H, demuestre que proyH v = w si y s
olo si v w + H .
4.4.
Mnimos Cuadrados
El metodo de los mnimos cuadrados consiste en encontrar una soluci

on
optima a un sistema que no tiene
soluci
on. La idea es la siguiente.
Dado un sistema de ecuaciones Ax = b, sabemos que el sistema tiene soluci
on si y solo si b Col(A), esto
ya que
h
b = Ax = C1
x1
i
.
Cn .. = x1 C1 + + xn Cn gen{C1 , . . . , Cn } = Col(A),

xn
donde C1 , . . . , Cn son las columnas de A.
De esto se deduce que si el sistema Ax = b es inconsistente, entonces b

/ Col(A) y el vector m
as cercano a
b que pertence a Col(A) es el vector proyCol(A) b = A(At A)1 At b. Como el sistema Ax = b es inconsistente, lo
reemplazamos por el sistema consistente A
x = proyCol(A) b = A(At A)1 At b. Este u
ltimo sistema tiene soluci
on
dada por x
= (At A)1 At b. A esta soluci
on la llamamos la soluci
on de los mnimos cuadrados.
Definici
on 4.9. Sea A una matriz cuyas columnas son linealmente independientes y b Rn , si el sistema
Ax = b es inconsistente entonces la soluci
on de los mnimos cuadrados al sistema est
a dada por
1 t
A b.
x
= At A
Esta soluci
on al sistema Ax = b es la mejor en el sentido que este se reemplaza por el sistema Ax = b donde
b = proyColA b es el vector m
as cercano a b para el cual el sistema Ax = b si tiene soluci
on.

1
2 1

acilmente que el
Ejemplo 4.19. Considere el sistema Ax = b donde A = 1 1 y b = 2. Se verifica f

0
1 1
sistema es inconsistente (usar el Teorema 1.2). Como las columnas de A son LI, se puede usar el metodo de
los mnimos cuadrados para calcular la mejor soluci
on. Esta est
a dada por x
= (At A)
a continuaci
on.
At b, y la calculamos
138
At A =
da por
2
1
2 1
6 2
1 1
de donde (At A)1 =

1 1 =
2 3
1 1
1 1
1 t
1 3 2 2
x
= At A
Ab=
14 2
1
6
1
14
3
2
2
entonces la mejor soluci
on est
a da6
1 1
6
1
.
2 =
1 1 14 18
0
Otra aplicaci
on de los mnimos cuadrados es la de ajustar datos encontrados en observaciones, que se esperan
se ajusten a una linea pero sin embargo los puntos obtenidos experimentalmente no son colineales. Supongamos
que los valores observados son (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) y supongamos que los datos deben satisfacer la
ecuaci
on y = mx + b, esto es,
y1 = mx1 + b
y2 = mx2 + b
..
.
yn = mxn + b

x1 1
y1

.. m
. .
, como los puntos (x1 , y1 ), . . . , (xn , yn )
Esto lo podemos escribir matricialmente en la forma .. = ..
.
b

xn 1
yn
no todos satisfacen la ecuaci
on y = mx + b, el sistema es inconsistente. Usando la soluci
on de los mnimos cua
drados obtenemos que la mejor soluci

on al sistema esta dado por
x1
..
donde A = .
xn

y1
1

..
..
y y = . .
.

1
yn
1 t
x
= At A
A y,
Ejemplo 4.20. Supongamos que los valores observados son (2, 0), (1, 0) y (2, 3), es f
acil ver que estos valores
no pertecen son colineales. Los valores m y b de la linea y = mx
+ b que mejor
an dados
se ajusta a los datos est

2 1
0
1
= (At A) At y con A = 1 1 y y = 0.
en el vector x
= donde x
b
2 1
3
2 1
9
1
3
1
2
1
2
, entonces se tiene que (At A)1 = 1

, y por
1 1 =
N
otese que At A =
26
1 3
1
9
1 1 1
2 1
GIRALDO
tanto
x
= (At A)1 At y =
De aqu tenemos que m =

y=
15
26 x
15
26
y b=
1 3 1 2
26 1
1
9
21
26
139
15
1 2
15
1
= 26 .
0 =
21
1 1 26 21
26
3
y por tanto la ecuaci

on de la linea que mejor se ajusta a los datos es
21
26 .
Los mnimos cuadrados tambien se pueden usar para calcular ecuaciones polin
omicas de cualquier grado (en
general cualquier funci
on) que mejor se ajusten a ciertos datos, generalizando el ejemplo anterior que se hizo
para lineas. Esto lo ilustramos a contiuaci
on.
Ejemplo 4.21. (MatLab) Un experimeto arroj
o los puntos (1, 2), (1, 0), (3, 1) y (2, 1), si se espera que
estos puntos esten sobre una par

abola y = ax2 + bx + c, calcule la ecuaci
on de la par
abola que mejor se ajuste
a los datos.
Soluci
on. Como se espera que los puntos satisfagan la ecuaci
on y = ax2 + bx + c, evaluando esta en los puntos
obtenemos
2=ab+c
0=a+b+c
1 = 9a + 3b + c
1 = 4a + 2b + c

1 1 1
2

1
1 1 0
b = , el cual es inconsistente (ver Teorema
Estas ecuaciones son equivalentes al sistema

9
3 1 1
c

4
2 1
1
1.2), por tanto, usando MatLab para calcular la soluci
on de losmnimos cuadrados
para
obtener los coeficientes
1 1 1
2

1
0
1 1
y v = , obtenemos
a, b y c, los cuales estan dados por x
= (At A)1 At v con A =

9
1
3 1

4
2 1
1
>> A = [1,1, 1; 1, 1, 1; 9,
= inv(A A) A v
3, 1; 4, 2, 1]; v = [2; 0; 1; 1]; x
21/44
on que mejor se ajusta a los datos es

as x
= 283/220 . De este resultado obtenemos que la ecuaci
7/22
y=
7
21 2 283
x
x+
44
220
22
220y = 105x2 283x + 70.
El siguiente ejemplo muestra como este metodo se puede usar en problemas del da a da.
140
Ejemplo 4.22. La demanda d de un artculo en venta depende del precio p del mismo. En un concesionario
de motocicletas se observo lo siguiente:
Si el precio por unidad es $3 millones se venden 5 motos en un da. Si el precio se incrementa a $3.5 millones
se venden 4 motos en da y cuando el precio se incrementa a $4 millones, se venden solo 2 motos en el da.
Asumiendo que la relaci
on entre precio y demanda es lineal, d = pm + b, determine la ecuaci
on que mejor
se ajusta a estos datos. Determine cuantas motos se venderan en un da si se fija el precio en $2.7 millones.
Soluci
on. De acuerdo a los datos tenemos el sistema
5 = 3m + b
4 = 3,5m + b
2 = 4m + b
donde el precio est
a dado en millones.

5
1

y v = 4. Se verifica
Escrito matricialmente tenemos la ecuaci
on Ax = v con A = 3,5 1, x =

b
2
4 1
que el sistema es inconsitente. La soluci
on de los mnimos cuadrados est
a dada por
3
.
x
= (At A)1 At v =
14,16
Se sigue que la ecuaci

on que mejor se ajusta a los datos es d = 3p + 14,16.
Si se fija el precio en $2.7 millones, se obtiene una demanda diaria d = 3 2,7 + 14,16 = 6,06, es decir, se
espera vender unas 6 motos por ese precio.
La interpretaci
on de la pendiente es el crecimiento de la demanda por cada incremento de un mill
on en el
precio (ya que d (p) = m esta es la raz
on de cambio de la demanda con relaci
on al precio). En este caso, como
m = 3, quiere decir que por cada incremento de un mill
on en el precio, la demanda disminuye en 3.
El siguiente ejemplo muestra que, incluso en algunos casos, se puede hasta encontrar curvas no polin
omicas
que se ajusten a un sistema de datos.
Ejemplo 4.23. Encuentre la curva exponencial y = aecx que mejor se ajuste a los puntos (1, 1), (2, 8) y (3, 8).
Soluci
on. La curva la podemos linearizar aplicando logaritmo a ambos lados
ln y = ln(becx ) = ln b + cx |{z}
ln e = ln b + cx.
=1
Por tanto reemplazando los datos en esta ecuaci

on obtenemos el sistema

1
0
0 = ln 1 = ln b + c

ln 8 = ln b + 2c equivalente al sistema ln 8 = 1

1
ln 8
ln 8 = ln b + 3c
1
ln b
2 .
c
3
GIRALDO
141
Este sistema
los mnimos cuadrados est
a dada por x
= (At A)1 At v donde

on de
es inconsistente yla soluci

0
0
1 1

4/3
1/3
2/3
ln
b

, por tanto
otese que (At A)1 At =
= y v = ln 8 = ln 2 3. N
A = 1 2, x
1/2
0
1/2
c
3
ln 8
1 3
x
= ln 2
4/3
1/2
1/3
0
ln
2
1
2/3
ln(1/2)
.
=
3 = ln 2
3 ln 2
3/2
1/2
1,04
2
3
Se sigue que ln b = ln(1/2), lo que implica que b = 1/2, y c 1,04. Concluimos que la ecuaci
on de la mejor
curva est
a dada por
y=
1 1,04x
e
.
2
Problemas
Ejemplo 4.24. Use mnimos cuadrados para calcular la mejor soluci

on al sistema

1
1 0

3x = 10

b. Ax = v si A = 0 1 y v = 1 .
a.

4x = 5
0
1 1
4.4.1. Determine la ecuaci

on que mejor se ajusta a los puntos (1, 1), (2, 4), (3, 8) y (4, 8) si la relaci
on es
1. lineal (y = mx + b),
2. cuadr
atica (y = ax2 + bx + c),
3. exponencial (y = aebx ).
4.4.2. Si en el Ejemplo 4.22 se sabe adem
as que por el precio de $4.5 millones no se logr
o ninguna venta,
determine
1. la ecuaci
on lineal d = mp + b que mejor se ajusta a los datos.
2. la ecuaci
on cuadr
atica d = ap2 + bp + c que mejor se ajusta a los datos y en este caso determine la m
axima
demanda posible.
4.4.3. En una plaza de mercado se ha observado que la demanda de naranja se comporta de acuerdo a la
siguiente tabla
precio
500
1000
1500
2000
3000
demanda
600
450
400
300
100
donde el precio est

a dado en pesos y la demanda en toneladas. Use MatLab para determinar la ecuaci
on que
mejor se ajusta a los datos si la relaci
on entre las variables es
142
1. lineal ( d = mp + b).
2. Cuadr
atica (d = ap2 + bp + c).
3. C
ubica (d = ap3 + bp2 + cp + d).
4. Exponencial (d = aebp ).
4.4.4. La poblaci
on P de un peque
no poblado se est
a reduciendo de forma exponencial P = aebt , la tabla de
poblaci
on es como sigue:
a
no
2004
2009
2011
2014
habitantes
5mil
4.5mil
4mil
3.8mil
Usar mnimos cuadrados para responder lo siguiente:

1. Una ecuaci
on que modele la cantidad de habitantes con respecto al tiempo.
2. La cantidad de habitantes en el a
no 2020.
3. El a
no en el cual se espera que la poblaci
on se reducira a 2500 habitantes.
4.5.
El Proceso Gramm-Schmidt
El objetivo de esta secci

on es introducir los conceptos de base ortogonal y base ortonormal y mostrar que
es posible construir, a partir de cualquier base para un subespacio de Rn , una base ortonormal para este. Este
proceso es conocido como el proceso Gramm-Schmidt. Tambienn veremos las ventajas que se obtienen de tener
una base ortogonal u ortonormal, las cuales permite calcular proyecciones de manera sencilla. Comenzamos con
las definiciones de conjunto ortogonal, conjunto ortonormal, base ortogonal y base ortonormal.
Definici
on 4.10. Sean v1 , . . . , vk vectores en Rn ,
1. decimos que {v1 , . . . , vk } es un conjunto ortogonal si los vectores v1 , . . . , vk son ortogonales entre s, es decir,
si vi vj = 0 para 1 i 6= j k,
2. decimos que {v1 , . . . , vk } es una conjunto ortonormal, si es un conjunto ortogonal y ||vi || = 1 para i =
1, . . . , k,
3. si {v1 , . . . , vk } es una base de Rn y si es un conjunto ortogonal (ortonormal), decimos que {v1 , . . . , vk } es una
base ortogonal (ortonormal) de Rn .

0
1

Ejemplo 4.25. El conjunto {v1 , v2 , v3 } donde v1 = 1 , v2 = 1 y v3 = 0 es un conjunto ortogonal de

1
0
0

0
1
1

R3 y los vectores w1 = 12 1 , w2 = 12 1 y w3 = 0 forman una conjunto ortonormal de R3 .

1
0
0
GIRALDO
143
Observaci
on 4.4. Si {v1 , . . . , vk } es un conjunto ortogonal, a partir de este podemos formar un conjunto
ortonormal. Basta con definir wi =
1
||vi || vi ,
para i = 1, . . . , k, de lo cual se sigue que el conjunto {w1 , . . . , wk }
es un conjunto ortonormal. Al vector wi se le llama la normaliazci

on del vector vi , esto hace referencia al
hecho que wi es un vector normal o unitario (de norma 1) en la misma lnea que contiene a vi y con la misma
direcci
on.
Esto ya que para i 6= j se tiene que wi wj =
Adem
as w i w i =
1
||vi || vi

||v1j || vj =
1
||vi ||2
1
||vi || vi

||v1j || vj =
vi vi = 1.
| {z }
1
||vi || ||vj ||
vi vj .
| {z }
=0
=||vi ||2
De hecho, el conjunto ortonormal {w1 , w2 , w3 } del ejemplo anterior se construy

o a partir del conjunto ortogonal {v1 , v2 , v3 } normalizando cada uno de estos vectores.
En realidad se puede verificar que los conjuntos {v1 , v2 , v3 } y w1 , w2 , w3 } son bases para R3 . Esto no es
casualidad, en general se demuestra que un conjunto orrtogonal es LI.
Lema 4.10. Sea {v1 , . . . , vk } Rn un conjunto ortogonal con vi 6= 0 i = 1, . . . , k. Entonces el conjunto
{v1 , . . . , vk } es LI.
Demostraci
on. Supongamos que el conjunto {v1 , . . . , vk } es ortogonal y supongamos que
1 v1 + + k vk = 0.
(4.10)
Multiplicando a ambos lados de la Ecuaci

on (4.10) por vi tenemos:
0 = vi 0 = vi (1 v1 + + k vk )
= 1 v i v 1 + + i v i v i + + k v i v k = i v i v i
| {z }
| {z }
| {z }
=0
6=0
=0
Se sigue que i vi vi 6= 0 y como vi vi 6= 0 se debe dar que i = 0 y esto para i = 1, . . . , n. Por tanto los
vectores v1 , . . . , vk son LI.
De este lema se sigue que si {v1 , . . . , vk } es un conjunto ortogonal (ortonormal), este forma una base del
espacio H = gen{v1 , . . . , vk }.
A continuaci
on definimos la noci
on de matriz ortogonal, este ser
au
til en lo que sigue de la secci
on.
h
i
Definici
on 4.11. Decimos que una matriz A = v1 vk es una matriz ortogonal, si vi vj = ij para
i, j {1, . . . , k. Es decir, las columnas de A forman un conjunto ortonormal.
1
1
0
2
2
1
es una matriz ortogonal ya que el conjunto de columnas de esta
0
2
2
0
0 1

1
1
2 2
1 1
matriz, , , 0 , es un conjunto ortonormal, lo cual se demostr
o en el Ejemplo4.25.
2 2
1
0
0
144
La propiedad m
as importante de las matrices ortogonales es la siguiente.
Lema 4.11. (Propiedad de las matrices ortogonales) Sea A Mmn (R), entonces A es una matriz orto-
gonal si y s
olo si At A = I.
Por tanto si A es una matriz cuadrada entonces A es invertible y A1 = At . Si A no es cuadrada entonces At

es una inversa a la izquierdaA.
h
Demostraci
on. Si A = v1
i
vk es una matriz ortogonal, entonces

vt
1 h
.
At A = .. v1

vkt
vk
t
v2 v1
=
..
.
vkt v1
v1 v1 v1 v2
| {z } | {z }
=1
=0
v2 v1 v2 v2
| {z } | {z }
= =0
=1
.
..
..
..
.
.
v v v v
| k{z }1 | k{z }2
=0
v1t v1
=0
v1t v2
v2t v2
..
.
..
.
v1t vk
v2t vk
..
.
vkt vk
vkt v2
v1 vk
| {z }
=0
1 0
v2 vk
0 1
| {z }

=
=0
. . ..
..
.. ..
.
0 0
vk vk
| {z }
=1
(4.11)
.. = I.
.
Si At A = I se sigue de la Ecuaci
on 4.11 que las columnas de A forman un conjunto ortonormal y por
definicion A es ortogonal.
Si A es una matriz cuadrada, por el Corolario 1.22, A es invertible y A1 = At . La otra afirmacion es
inmediata.
Ejemplo 4.27.
1. Este teorema nos permitecalcular la inversa
de una matriz ortonormal de manera f
acil, por el
1
1
0
2
1
1
Ejemplo 4.26 tenemos que la matriz A =
0 es una matriz ortogonal, por tanto
2
2
0
0 1
A1 = At =
1
2
1
2
1
2
0 .
2. El teorema tambien se puede usar para calcular

a la izquierda de matrices ortonormales cuando no
la inversa
1
2
1
son cuadradas. Por ejemplo la matriz B =
2
0
1
1
0
2
.
izquierda de B es B t = 2
1
1
0
2
2
1
2
1
2
es una matriz ortonormal, por tanto una inversa a la
GIRALDO
145
Las bases ortogonales (ortonormales) tiene ventajas importantes, estas se reflejan cuando se quiere calcular
la proyecci
on de un vector sobre un subespacio. El siguiente teorema provee una f
ormula para determinar la
proyecci
on sin usar la matriz de la proyecci
on. La f
ormula se obtiene a partir de una base ortogonal u ortonormal.
Teorema 4.12. Sea {v1 . . . , vk } una base ortonormal para un subespacio vectorial H de Rn y sea b Rn ,
entonces
proyH b = (v1 b)v1 + + (vk b)vk .
Si la base {v1 . . . , vk } es ortogonal entonces proyH b =
h
Demostraci
on. Sea A = v1
v1 b
v1 v1 v1
+ +
vk b
vk vk vk .
i
vk , entonces proyH b = A(At A)1 At b. Como A es una matriz ortogonal
por el Teorema 4.11 se tiene que At A = I, por tanto
h
proyH b = A (At A)1 At b = AAt b = v1
| {z }
=I
h
= v1

vt
i 1
.
vk .. b

vkt
v1t b
i
.
t
t
vk .. = (v1 b)v1 + + (vk b)vk

vkt b
= (v1 b)v1 + + (vk b)vk .
Si la base {v1 , , vk } es ortogonal, entonces por la Observaci

on 4.4, tenemos que el conjunto {w1 , . . . , wk }
es una base ortonormal de H donde wi =

(wi b)wi = ||v1i || vi b ||v1i || vi = ||vviib||2 vi =
1
||vi || vi , con i = 1, . . . , k.
vi b
vi vi vi , por tanto
proyH b = (w1 b)w1 + + (wk b)wk =
Entonces para i = 1, . . . , k tenemos que
vk b
v1 b
v1 + +
vk .
v1 v1
vk vk
1
1
1

Ejemplo 4.28. Sea b = 1 y H = gen v1 = 1 , v2 1 . Es f
acil ver que {v1 , v2 } es una base ortogonal
3
0
2
de H, entonces por el teorema anterior tenemos que

0

v2 b
2
6
v1 b

v1 +
v 2 = v 1 + v 2 = v 1 + v 2 = 2 .
proyH b =
v1 v1
v2 v2
2
6

2
De hecho el este subespacio es el mismo del Ejemplo 4.16 y obtenemos, como debe ser, la misma respuesta.
Simplemente en este caso tenemos una base ortogonal de H, lo cual nos permite usar el teorema anterior sin
tener que calcular la matriz de la proyecci
on y la cantidad de c
alculos se reduce.
146

0

Para ver que los subespacios de este ejemplo y el ejemplo en menci
on coinciden, n
otese que si w = 1

1
entonces

1/2
1/2
0

v1 w
v2 w
1
3

proyH w =
v1 +
v2 = v1 + v2 = v1 + v2 = 1/2 + 1/2 = 1 = w.
v1 v1
v2 v2
2
6

0
1
1
Se tiene que w = proyH w y por tanto w H. Es decir, tanto {v1 , v2 } como {v1 , w} son bases de H.
El siguiente corolario tambien muestra la importancia de tener una base ortonormal, porque provee una
f
ormula para escribir un vector en un subespacio como combinaci
on lineal de una base ortonormal sin tener que
hacer reducci
on Gauss-Jordan.
Corolario 4.13. Sea H Rn un subespacio con base ortonormal {v1 . . . , vk }. Entonces para todo b H se
tiene que
b = (b v1 )v1 + + (b vk )vk .
M
as a
un, si {v1 . . . , vk } una base ortogonal de H, entonces b =
bv1
v1 v1 v1
+ +
bvk
vk vk vk .
Demostraci
on. Si b H por el Teorema 4.9 tenemos que proyH b = b, por tanto el resultado se sigue aplicando
el teorema anterior.

1
0

Ejemplo 4.29. De acuerdo al Ejemplo 4.25 Los vectores v1 = 1 , v2 = 1 y v3 = 0 forman una base

0
0
1

1

3
ortogonal para R . Usando el teorema anterior podemos escribir el vector b = 1 de la siguiente forma:

1
b=
b v2
b v3
0
2
1
b v1
v1 +
v2 +
v3 = v1 + v2 + v3 = v2 + v3 .
v1 v1
v2 v2
v3 v3
2
2
1

0

Ejemplo 4.30. De acuerdo al Ejemplo 4.25 Los vectores w1 =
1 , w2 =
1 y w3 = 0 forman una
2

2
1
0
0

1

3
base ortonormal para R . Usando el teorema anterior podemos escribir el vector b = 1 de la siguiente forma:

1
1
2
b = (b w1 )w1 + (b w2 )w2 + (b w3 )w3 = 0w1 + w2 + w3 = 2w2 + w3 .
2
GIRALDO
147

Ejemplo 4.31. El conjunto v1 = 1 , v2 = 1 es una base ortonormal para el plano xy (o z = 0)
2
2
0
0

1

entonces usando el teorema anterior para calcular proyH b con H = plano xy y b = 2 obtenemos:

1

1

3
1

proyH b = (b v1 )v1 + (b v2 )v2 = v1 + v2 = 2 .

2
2
0
El Teorema 4.12 y el Corolario 4.13 muestran la importancia de tener una base ortogonal u ortonormal
para un subespacio, sin embargo hasta ahora no sabemos como se puede calcular tal base. El siguiente teorema
muestra como, a partir de una base arbitraria de un subespacio de Rn , podemos construir una base ortogonal.
Teorema 4.14. (El proceso Gramm-Schmidt) Sea H Rn un subespacio y sea {v1 , . . . , vk } una base de
H si hacemos
w1 = v 1 ,
W1 = gen{w1 }
w2 = v2 proyW1 v2
W2 = gen{w1 , w2 }
w3 = v3 proyW2 v3
..
.
W3 = gen{w1 , w2 , w3 }
..
.
wk1 = vk1 proyWk2 vk1
Wn1 = gen{w1 , . . . , wn1 }
wk = vn proyWk1 vk
Entonces {w1 , . . . , wk } es una base ortogonal de H.
M
as a
un, si hacemos qi =
1
||wi || wi
para i = 1, . . . , n, entonces {q1 , . . . , qn } es una base ortonormal de H.
Demostraci
on. Por definicion de proyecci
on ortogonal tenemos que wi = vi proyWi1 vi es ortogonal al
subespacio Wi1 para i = 1, . . . , k y por tanto wi ortogonal a cada uno de los vectores w1 , . . . , wi1 . Se sigue
que los vectores w1 , . . . , wk son ortogonales entre s, es decir, el conjunto {w1 , . . . , wk } es un conjunto ortogonal.
En consecuencia, por el Lema 4.10, el conjunto {w1 , . . . , wi } es una base ortogonal de Wi , , para i = 1, . . . , k1, y
{w1 , . . . , wk } es una base ortogonal del subespacio que ellos generan, gen{w1 , . . . , wk }. Solo nos resta demostrar
que H = gen{w1 , . . . , wk }.
Como el conjunto {w1 , . . . , wk } es base de gen{w1 , . . . , wk }, se sigue que dim H = k = dim gen{w1 , . . . , wk }.
Por tanto es suficiente demostrar que w1 , . . . , wk H, ya que de esta forma se sigue que gen{w1 , . . . , wk } H
y por tener dimesiones iguales se concluye que los subespacios son iguales (Problema ???).
Primero notese que w1 = v1 H.
Tambien tenemos que w2 = v2 proyw1 v2 = v2
v2 w1
w1 w1 w1
H.
148
Continuando por induccion supongamos que w1 , . . . , wi1 H. Como el conjunto {w1 , . . . , wi1 } es una base
ortogonal de Wi1 , entonces por el Teorema 4.12 tenemos que
proyWi1 vi =
vi wi1
v i w1
w1
wi1
w1 w1
wi1 wi1
(4.12)
por tanto
wi = vi proyWi1 vi = vi
v i w1
vi wi1
w1
wi1 H.
w1 w1
wi1 wi1
Concluimos que w1 , . . . , wk H y por tanto el conjunto {w1 , . . . , wk } es una base ortogonal para H.
De la Observaci
on 4.4 se sigue que el conjunto {q1 , . . . , qk } es una base ortonormal.
Observaci
on 4.5. Si {v1 , . . . , vk } es una base para un subespacio H de Rn , entonces por la Ecuaci
on (4.12),
los vectores w1 , . . . , wk de la base ortogonal del proceso Gramm-Schmidt est
an dados por
w1 = v 1 ,
v2 w1
w1 w1 w1
v2 w1
w1 w1 w1
w2 = v 2
w3 = v 3
..
.
wk1 = vk1
wk = v k
Ejemplo 4.32. Sean v1 =
1
1
0
0
, v2 =
1
1
0
v2 w2
w2 w2 w2
vk1 w1
w1 w1 w1
vk w1
w1 w1 w1
0
y v3 =

1
0
0
1
(4.13)
vk1 wk1
wk1 wk1 wk1
vk wk
wk wk wk
y H = gen{v1 , v2 , v3 }. Calcule lo siguiente
1. una base ortonormal {q1 , q2 , q3 } para H.

1
2. Escriba el vector v = 31 en terminos de la base ortonormal.
1
3. Calcule la proyecci
on del vector z =
1
1
1
1
sobre H.
Soluci
on.
1. Usaremos las ecuaciones dadas en (4.13) para calcular los vectores w1 , w2 y w3 y despues los normalizamos.
#
"
En primer lugar se tiene que w1 = v1 , el vector w2 est
a dado por w2 = v2
finalmente w3 = v3
w1 v3
w1 w1 w1
w2 v3
w2 w2 w2
= v3 21 w1
(1/2)
3/2 w2
w1 v2
w1 w1 w1
= v3 21 w1 + 13 w2 =
= v2 21 v1 =
" 1/3 #
1/3
1/3
1
1/2
1/2
1
0
Se verifica f
acilmente que los vectores w1 , w2 y w3 son ortogonales. Para la base ortonormal, con el fin de agilizar
c
alculos, se puede trabajar con m
ultiplos de los vectores
que no hayan denominadores.
1 , w2 y w3 de tal
forma
1 w
1
1
1
y u3 = 3w3 =
Para este efecto tomamamos u1 = w1 , u2 = 2w2 =
1 .
2
Finalmente se tiene que los vectores

1
1 1
q1 =
u1 = 10 ,
||u1 ||
2 0
forman una base ortonormal para H.
q2 =
1
1
u2 =
||u2 ||
6
1
1
2
0
q3 =
1
1
u3 =
||u2 ||
12
1
1
1
3
GIRALDO
149
2. Por el Corolario 4.13 tenemos que

4
4
4
v = (q1 v)q1 + (q2 v)q2 + (q3 v)q3 = q1 + q2 q3 .
2
6
12
La u
ltima igualdad se obtiene racionalizando el denominador.
En terminos de la base ortogormal
v=
u1 v
u2 v
u3 v
2
1
u1 +
u2 +
u3 = 2u1 + u2 u3 .
u1 u1
u2 u2
u3 u3
3
3
3. Por el Teorema 4.12 tenemos que
6
12
2
4
2
q2 +
q3 .
proyH z = (q1 z)q1 + (q2 z)q2 + (q3 z)q3 = q1 + q2 + q3 = 2q1 +
3
3
2
6
12
La u
ltima igualdad se obtiene racionalizando el denominador.
En terminos de la base ortogormal
v=
u1 v
u2 v
u3 v
1
1
u1 +
u2 +
u3 = u1 + u2 + u3 .
u1 u1
u2 u2
u3 u3
3
3
Finalizamos la secci
on mostrando la idea geometrica detras del proceso de Gramm-Schmidt.
En la siguiente figura se muestran los vectores w1 y w2 (en rojo) obtenidos al aplicar Gram-Schmidt a un
par de vectores v1 y v2 . En esta se ve que los vectores w1 y w2 son ortogonales y pertencen al mismo plano que
v1 y v2 .
w2 = v2 proyv1 v2
v2
proyv1 v2
v 1 = w1
En la siguiente figura se muestra el caso en dimensi

on 3. Si se tienen vectores LI v1 , v2 y v3 y ya se han
determinado los vectores ortogonales w1 y w2 , en la figura se muestra como se obtiene el vector w3 , ortogonal
al plano W2 = gen{w1 , w2 }. Obteniendo as, los vectores w1 , w2 y w3 (en rojo), los cuales forman una base
ortogonal.
v3
w3 = v3 proyW2 v3
w2
proyW2 v3
v2
v1 = w1
W2
150
Problemas
4.5.1. Verifique que las matrices son ortogonales y que su correspondiente transpuesta es una inversa a la
izquierda
1/2
A = 1/2
1/2
1/2

1/ 6
1/ 6
2/ 6
0

1/ 3 1/ 6
1/ 2

B = 1/ 3 1/ 6 1/ 2 .

0
1/ 3 2/ 6
4.5.2. Sean w1 = (1, 1, 2), w2 = (2, 0, 1) y w3 = (1, 5, 2), H = gen{w1 , w2 } y v = (1, 1, 1), haga lo siguiente
1. verifique que X = {w1 , w2 , w3 } es una bas ortogonal,
2. escriba el vector v en terminos de la base X,
3. calcule la proyecci
on, proyH v, del vector v sobre H,
4. calcule el vector u y proyH u si se sabe que u w1 = 5, u w2 = 3 y u w3 = 1,
5. calcule el vector z H tal que z w1 = 3, z w2 = 5,
6. muestre que H = gen{w3 }.
4.5.3. Sea {w1 , . . . , wn } una base ortogonal de Rn y H = gen{w1 , . . . , wk }, muestre que H = gen{wk+1 , . . . , wn }.
Demuestre tambien que si v = 1 w1 + + n wn entonces proyH v = 1 w1 + + k wk .
4.5.4. Aplique el procedo de Gramm-Scdmidt para calcular una base ortonormal del subespacio generado por los
vectores v1 , v2 y v3 si

0
1
1
1
0
0

a. v1 = 1 , v2 = 1 , v3 = 1 . b. v1 = 1 , v2 = 0 , v3 = 1 .

1
1
0
1
1
0

1
0
0

1
1
0

c. v1 =
, v2 = , v3 = .
0
1
1

0
0
1
4.5.5. Calcule una base ortogonal y una base ortonormal para cada uno de los espacios en los problemas 4.3.1,
4.3.2, 4.3.3 y 4.3.4. En cada caso calcule la proyecci
on del vector indicado en cada problema sobre el respectivo
subespacio en terminos de la base ortogonal y en terminos de la base ortonormal.
4.5.6. Encuentre los valores de y tal al aplicar el proceso de Gramm-Schmidt a los vectores v1 , v2 y v3 se
obtengan los vectores w1 , w2 y w3 , donde

1
1

v3 = 1 ,
v2 = 1 ,
v1 = 1 ,

0

1

w1 = 1 ,

0

0

w2 = 0

1
1

w3 = 1 .

0
GIRALDO
151
4.5.7. Determine los vectores v1 , v2 y v3 tal que al aplicar el proceso Gramm-Schmidt se obtienen los vectores
w1 = (1, 1, 1, 1), w2 = (1, 1, 1, 1) y w3 = (1, 1, 1, 1) si se sabe adem
as que v2 w1 = 2, v3 w1 = 8 y
v3 w2 = 2.
4.5.8. Determine todos los posibles vectores v1 y v2 talque al aplicar el proceso Gramm-Schmidt y normalizar
el resultado sean los vectores q1 = (1/2, 1/2, 1/2, 1/2) y q2 = (1/2, 1/2, 1/2, 1/2).
4.5.9. Determine las columnas faltantes de tal forma que cada una de las siguientes matrices sean ortogonales.
1/2
1/2
1/2
1/ 6
1/ 3
1/ 6
1/2
1/2
1/2
1/
6
b.
B
=
q
c.
C
=
a. A = 1/ 3
q
q
q
q
q
1/ 6 3
1/2 1/2 3 4 5
3
4
1/2 2/ 6
1/2 1/2
1/ 3 2/ 6
1/2
0
0
0
Ayuda: En cada caso los vectores qi , i = 3, 4, 5, pertenecen al complemento ortogonal del espacio generado por
las dos primeras columnas de la matriz.
4.5.10. Sea A = [v1 vn ] Mn (R), donde v1 , . . . , vn son las columnas de A, y sea B =
t
Demuestre que si {v1 , . . . , vn } es un conjunto ortogonal entoncesB es la inversa

de A.
1
1
1
Use lo anterior para determinar la inversa de la matriz A = 1

1 1 .
1 2
0
1
v1 v1 v1
1
vn vn vn
4.5.11. Si A es de tam
no m n con columnas ortonormales, demuestre que P = AAt es una matriz proyecci
on,
es decir, P 2 = P .
4.5.12. Sea u Rn un vector unitario y v Rn arbitrario. Demuestre lo siguiente:

1. la matriz Q = I ut u es una matriz simetrica ortogonal.
2. Si U = gen{u} demuestre que Qv es la proyecci
on de v sobre U .
3. Calcule Q si u = (1/2, 1/2, 1/2, 1/2) y la proyecci
on de v = (1, 2, 3, 4) sobre U y U .
4.5.13. Una isometra de Rn es un isomorfismo T : Rn Rn tal que T (v)T (w) = v w, para todo v, w Rn .
Muestre que T es una isometra si y s
olo si la matriz
E TE
de T es una matriz ortogonal.
4.5.14. Sea T : Rn Rn una isometra, demuestre lo siguiente:

1. ||T (v)|| = ||v||, para todo v R, es decir, T preserva longitudes.
2. T preserva
angulos, es decir, (v, w) = (T (v), T (w)), para todo v, w R.
3. La inversa de una isometra es una isometra y la composici
on de isometras es una isometra.
4. T enva bases ortonormales en bases ortonormales, es decir, {v1 , . . . , vn } es una base ortonormal de Rn si y
s
olo si {T (v1 ), . . . , T (vn )} es una base ortonormal de Rn .
152
4.5.15. Sean A, B Mn (R) matrices ortogonales, muestre que AB y A1 son ortogonales. (Esto muestra que
el conjunto de matrices ortogonales es un subgrupo del grupo de matrices invertibles, este subgrupo es conocido
como el grupo ortogonal, denotado
por On (R).)
cos
cos sen
sin
0 2 .
0 2
Demuestre que O2 (R) =

sin cos
sin
cos
Estas dos componentes de On (R) consisten de rotaciones en direcci
on antihoraria del plano y rotaciones en
direcci
on de las manecillas del reloj del plano. El grupo On (R) tambien se puede ver como el conjunto formado
por composiciones de rotaciones antihorarias y reflecciones con respecto a una lnea por el origen. Los geometras
se refieren a este grupo como el grupo de movimientos rgidos del plano que preservan el origen.
4.5.16. Sean P y Q de tama
nos m n y n q matrices ortogonales, muestre que P Q es ortogonal.
Si m < n, es P t ortogonal?
4.6.
La Factorizaci
on QR de una Matriz
h
Teorema 4.15. Sea A = v1
i
vk una matriz cuyas columnas son LI, entonces exite una matriz ortogonal
Q y una matriz triangular superior R tal que A = QR.
Demostraci
on. Sean H = gen{v1 , , vk } y q1 , . . . , qk los vectores obtenidos al aplicar el proceso GrammSchmidt, es decir, los vectores obtenidos al normalizar los vectores en la Observaci
on 4.5, los cuales forman una
base ortonormal para H. Por el Teorema 4.13 tenemos que
vi = (q1 vi )q1 + + (qk vi )qk .
(4.14)
Recordemos que en la demostraci

on del Teorema 4.14 vimos que gen{v1 , . . . , vi1 } = gen{w1 , . . . , wi1 } =
gen{q1 , . . . , qi1 }, para i = 2, . . . , k, y como qi es ortogonal a gen{q1 , . . . , qi1 }, por ser ortonormal a q1 , . . . , qi1
entonces qi v1 = 0, . . . , qi vi1 = 0. Como esto es para todo i = 1, . . . , k obtenemos que qi vj = 0 para i > j.
Reemplazando esto en la Ecuaci
on (4.14) obtenemos
vi = (q1 vi )q1 + + (qi vi )qi ,
para i = 1, . . . , k, por tanto tenemos la ecuaciones:
v1
= (q1 v1 )q1
v2
= (q1 v2 )q1 + (q2 v2 )q2
..
.
vk1 = (q1 vk1 )q1 + + (qk1 vk1 )qk1

vk
= (q1 vk )q1 + + (qk vk )qk .
La cual podemos escribir matricialmente de la siguiente forma
GIRALDO
v1
i h
v k = q1
h
Si hacemos Q = q1
qk y R =
qk
153
q1 v 1
q1 v 2
q1 v 3
q2 v 2
q2 v 3
0
..
.
0
..
.
q3 v 3
..
.
..
.
q1 v 1
q1 v 2
q1 v 3
q2 v 2
q2 v 3
0
..
.
0
..
.
q3 v 3
..
.
..
.
q1 v k
q1 v k
q2 v k
q3 v k
..
.
qk v k
q2 v k
q3 vk obtenemos A = QR.
..
.
qk v k
De este Teorema se desprende el siguiente procedimiento para calcular la factorizaci

on QR de una matriz.
h
Procedimiento 4.2. (Procedimiento para calcular las matrices Q y R) Sea A = v1
i
vk una
matriz cuyas columnas v1 , . . . , vk son linealmente independientes. Calculamos su factorizaci

on QR con los siguientes pasos:
1. Aplicamos el proceso Gramm-Schmidt y la Observaci

on 4.5 a los vectores v1 , . . . , vk para obtener los vectores
ortogonales w1 , . . . , wk .
h
2. Se normalizan los vectores w1 , . . . , wk para obtener vectores ortonormales q1 , . . . , qk y hacemos Q = q1
3. Para 1 i j k calculamos los productos qi vj y hacemos
R=
q1 v 1
q1 v 2
q1 v 3
q2 v 2
q2 v 3
0
..
.
q2 v 2
..
.
q3 v 3
..
.
..
.
q1 v k
q2 v k
q2 v k .
..
.
qk v k
4. De acuerdo al Teorema 4.15 tenemos que A = QR.
1 0 1
1 1 0
, calcular las matrices Q y R tal que A = QR.
0 1 0
0 0 1

1
0
1

1
1
0

Soluci
on. Sean v1 =
, v2 = y v3 = , usando el Procedimiento 4.2 obtenemos lo siguiente.
0
1
0

0
0
1
i
qk .
154
16

1
1
6
2
1. En el Ejemplo 4.32 usamos el proceso Gramm-Schdmit y obtuvimos q1 = , q2 =
2
0
6

0
0
1
2
por tanto Q =
16
1
6
2
1
12
1
12
y q3 = 12 ,
12
3
12
112
1
12
3
12
2. Para 1 i j 3 calculamos los productos qi vj ,

q1 v 1 =
2
2
q1 v 2 =
q2 v 2 =
Por tanto R =
4
12
1
2
3
6
1
2
1
q2 v 3 =
6
q3 v3 = 412 .
q1 v 3 =
1
2
3. De esta manera obtenemos que A =
16
1
6
2
2
2
112
0
1
12
1
12
4
12
1
12
Usamos MatLab para corroborar que A = QR:

>> Q = [1/sqrt(2), 1/sqrt(6), sqrt(3)/6; 1/sqrt(2), 1/sqrt(6), sqrt(3)/6; 0, 2/sqrt(6), sqrt(3)/6; 0, 0, sqrt(3)/2],
R = [2/sqrt(2), 1/sqrt(2), 1/sqrt(2); 0, 3/sqrt(6), 1/sqrt(6); 00, 2/sqrt(3)], Q R
Lo que nos confirma que efectivamente A = QR.
En la Secci
on 5.6 del pr
oximo captulo veremos una interpretaci
on geometrica de esta descomposici
on.
Problemas
4.6.1. Calcule la descomposici
on QR de las matrices
0 0
A = 1 1
0 1
1 ,
1 1
B = 1 0
0 1
1 ,
1 0
1 1
C=
2 1
0 2
1
D=
0
.
1
1
0 1
1
GIRALDO

1/ 3 1/ 6

3

4.6.2. Determine la matriz A si Q = 1/ 3 1/ 6 y R =

0

1/ 3
2/ 6
155

4/ 3
.
2/ 6
4.6.3. Determine la factorizaci

on QR de una matriz A = [v1 v2 v3 ] si sabe que al aplicar el proceso GrammSchmidt a los vectores v1 , v2 y v3 se obtienen los vectores w1 = (1, 1, 1, 1), w2 = (1, 1, 1, 1) y w3 =
(1, 1, 1, 1) y se sabe adem
as que v2 w1 = 2, v3 w1 = 8 y v3 w2 = 2.
1/2
1/2
1/2
1/2
. Determine tambien las posibles R. (Este
4.6.4. Determine todas las matrices A tal que Q =
1/2 1/2
1/2 1/2
problema est
a relacionado con el Problema 4.5.8)
156
Captulo 5
Determinantes
La noci
on de determinante es muy importante en matem
aticas, a partir de este se puede definir volumen
de n-ppedos, los cual exhibimos en la u
ltima secci
on de este captulo. En textos de
algebra multilineal se demuestra que el determinante, visto como funci
on de (Rn )n en Rn , es la u
nica n-forma n-lineal alternada tal
que det(e1 , . . . , en ) = 1, lo que permite usarla como forma volumen bien definida en Rn . En este captulo, al
no usar las herramientas del
algebra multilineal, usamos los cofactores para definir el determinante. A partir de
esta definici
on y usando matrices elementales demostramos las propiedades de linealidad del determinante en
cada fila y cada columna, al igual que su propiedad de alternabilidad. En la Secci
on 5.3 demostramos la regla
del producto y el determinante de la matriz inversa. Despues se introduce la matriz adjunta y una f
ormula para
la inversa de una matriz a partir de esta. Tambien se demuestra la regla de Cramer y terminamos el captulo
dando la interpretaci
on geometrica del determinante us
andolo para calcular vol
umenes.
5.1.
Definici
on y ejemplos
En esta secci
on introducimos la definici
on de determinante y las propiedades b
asicas.
Definici
no m n, para cada par (i, j) con 1 i m y 1 j n, definimos
el ij-
esimo menor de A, al cual denotaremos por Aij , como la matriz obtenida de A al eliminar su i-esima
fila y su j-esima columna.
0
2
1 1
menor es la matriz A12 =
0 3
0 2
1 1
1 0 el 24-esimo menor de A es la matriz A24 =
0 2
3 0
0
.
0
157
0
y el 12-esimo
3
158
a11 a1n
..
.
..
Definici
on 5.2. (Determinante) Sea A = ..
una matriz de tama
no n n. Definimos el
.
.
an1 ann
determinante de A, el cual denotaremos por det(A), recursivamente como sigue:
Si n = 2 entonces det(A) = a11 a22 a12 a21 .
Para n 3,
det(A) =
n
X
(1)1+i a1i det (A1i )
i=1
= a11 det (A11 ) a12 det (A12 ) + + (1)1+n a1n det (A1n ) .
2 1
Ejemplo 5.2. Sea A = 0
1
1
on el determinante de A est
a dado por:
0 de acuerdo a esta definici
det(A) =
3
X
(1)1+i a1i det (A1i )
i=1
= a11 det (A11 ) a12 det (A12 ) + a13 det (A13 )
0 1
0 0
1 0
+ 0 det
(1) det
= 2 det
1 1
1 1
1 1
= 2(1 1 0 1) + (0 1 0 1) + 0(0 1 1 1)
=2
Definici
on 5.3. Sea A una matriz n n, para cada par (i, j) con 1 i m y 1 j n, el ij-
esimo cofactor
de A, denotado por Cij , se define como
Cij = (1)i+j det Aij ,
donde Aij es el ij-esimo menor de A.
Observaci
on 5.1. Con esta definici
on podemos reescribir la f
ormula de del determinante como sigue:
det(A) =
n
X
i=1
A esta f
ormula se le conoce como
1 1
1 2
Soluci
on: C11
a1i C1i = a11 C11 + a12 C12 + a1n C1n .
la expansi
on por cofactores de A a lo largo de la primera fila.
1, calcular C11 , C12 y C13 y calcular el determinante de A.
1
1
= 1 1 1 2 = 1,
= (1)1+1 det A11 = (1)2 det
2 1
GIRALDO
C12 = (1)1+2 det A12 = (1)3 det
1 1
C13 = (1)1+3 det A13 = (1)4 det

det(A) = a11 C11 + a12 C12 + a13 C13
159
= 1 (0 1 1 (1)) = 1,
= 0 2 1 (1) = 1 y as
1 2
= 1 (1) + 1 (1) + 0 1 = 0.
De la definici
on se desprenden los siguientes resultados.
a11
0
0
0
a21 a22
Lema 5.1. Sea A = .

..
.. una matriz triangular inferior, entonces
..
..
.
.
.
an1 an2 ann

det(A) = a11 a22 ann .
Es decir, el determinante de una matriz triangular inferior es el producto de las entradas en la diagonal. En
particular, el determinante de una matriz diagonal es el producto de las entradas en la diagonal.
Demostraci
on. Por induccion sobre n.
Si n = 2 tenemos que det(A) = a11 a22 0a21 = a11 a22 .
Supongamos que el determinante de toda matriz triangular inferior de tama
no (n 1) (n 1) es el producto
de las entradas en la diagonal. Usando la Observaci
on 5.1 tenemos que
det(A) = a11 C11 + a12 C12 + + a1n C1n = a11 C11 .
|{z}
|{z}
(5.1)
=0
=0
Pero por hip

otesis de induccion tenemos que
C11
a22
.
= (1)1+1 det(A11 ) = 1 det ..
an2
..
.
0
..
.
ann
= a22 ann
(5.2)
De las ecuaciones (5.1) y (5.2) tenemos que

Corolario 5.2. Sea I = In la matriz identidad de tama

no n n, entonces det(I) = 1.
En la Observaci
on 5.1 se dijo que el determinante se obtiene por expansi
on por coeficientes a lo largo de la
primera fila. Esto porque en la f
ormula se usan los coeficientes en esa fila. El siguiente teorema muestra que
para calcular el determinante de una matriz podemos usar coeficientes en cualquier fila o cualquier columna con
sus correspondientes menores.
160
a11
..
Teorema 5.3. Sea A = .
an1
por cofactores en cualquier fila
a1n
..
entonces el determinante de A se puede calcular usando la expansi
on
.
ann
o cualquier columna, es decir, para 1 i, j n tenemos que:
..
.
det(A) = ai1 Ci1 + ai2 Ci2 + + ain Cin =

{z
}
|
Expansi
on por cofactores en la fila i
n
X
aik Cik
(5.3)
k=1
n
X
det(A) = a1j C1j + a2j C2j + + anj Cnj =
ahj Chj .
|
{z
}
h=1
(5.4)
Expansi
on por cofactores en la columna j
Demostraci
on. Primero demostraremos la Formula (5.3) por induccion sobre n.
Para n = 2 tenemos que:
Expansion por cofactores en la segunda fila = a21 a12 + a22 a11 = det(A).
Ahora supongamos que el teorema se cumple para cualquier matriz de tama
no (n 1) (n 1) y mostremos
que det(A) = Expansion por cofactores en la fila i.
Por definicion tenemos que
det(A) =
n
X
(1)1+j a1j det(A1j ).
(5.5)
j=1
Ahora, como la matriz A1j es de tama

no (n 1) (n 1), entonces por la hip
otesis de induccion tenemos que
su determinante se puede calcular por expansi
on por cofactores en la fila i, por tanto
det(A1j ) = (1)i+1 ai1 det((A1j )i1 ) + + (1)i+n ain det((A1j )in )
=
n
X
(5.6)
(1)i+k aik det((A1j )ik ).
k=1
De las Ecuaciones (5.5) y (5.6) tenemos que

det(A) =
n
X
(1)1+j a1j
j=1
n
n X
X
n
X
(1)i+k aik det((A1j )ik )
k=1
(1)1+j+i+k a1j aik det((A1j )ik ).
(5.7)
j=1 k=1
Se demostrara que la expansi

on por cofactores en la fila i coincide con esta formula.
N
otese que como Cik = (1)i+k det(Aik ), entonces tenemos que:
Expansion por cofactores en la fila i =
n
X
k=1
aik Cik =
n
X
(1)i+k aik det(Aik ).
(5.8)
k=1
Ahora, por definicion de determinante tenemos que

det(Aik ) =
n
X
j=1
(1)1+j a1j det((Aik )1j ).
(5.9)
GIRALDO
161
De las Ecuaciones (5.8) y (5.9) tenemos

Expansion por cofactores en la fila i =
=
n
X
(1)i+k aik
k=1
n X
n
X
n
X
(1)1+j a1j det((Aik )1j )
j=1
(1)i+k+1+j aik a1j det((Aik )1j ).
(5.10)
k=1 j=1
Finalmente notese que (A1j )ik = (Aik )1j ya que ambas se obtienen al eliminar las filas 1 e i y las columnas j y
k de A. Entonces las Ecuaciones (5.7) y (5.10) son iguales, por tanto
det(A) = Expansion por cofactores en la fila i.
Similarmente se demuestra que el determinante se puede calcular por expansi
on en cualquier columna.
1 0 1
on por cofactores en la tercera

Ejemplo 5.4. Calcular el determinante de A = 2 0
1 usando expansi
0 1
0
fila y segunda columna.
Soluci
on: Usando expansi
on por cofactores en la tercera fila tenemos:
det(A) = (1)3+1 a31 det(A31 ) + (1)3+2 a32 det(A32 ) + (1)3+3 a33 det(A33 )
1 0
1 1
0 1
+ 0 det
1 det
= 0 det
2 0
2
1
0
1
= 1(1 + 2) = 1.
Ahora, usando expansi

on por cofactores en la segunda columna tenemos:
det(A) = (1)1+2 a12 det(A12 ) + (1)2+2 a22 det(A22 ) + (1)3+2 a32 det(A32 )
1 1
1 1
2 1
1 det
+ 0 det
= 0 det
2
1
0
0
0 0
= 1(1 + 2) = 1.
A continuaci
on presentamos dos propiedades importantes del determinante cuyas demostraciones son inmediatas del teorema anterior.
no n n, si A tiene una fila o una columna de ceros, entonces
det(A) = 0.
Demostraci
on. Supongamos que la i-esima fila de A es nula, esto es, para 1 j n se tiene que aij = 0,
entonces:
det(A) = Expansion por cofactores en la fila i =
n
X
j=1
aij Cij = 0.
|{z}
=0
En el caso en que haya una columna de ceros se hace una demostraci

on similar usando expansi
on por la columna
de ceros.
162
no n n entonces det(At ) = det(A).
Demostraci
on. Sea B = At , entonces bij = aji y Bij = Atij = Aji , donde Aij y Bij son los ij-esimos menores
de A y de B respectivamente, entonces:
det(At ) = det(B) = Expansion por cofactores en la columna 1 =
n
X
bk1 (1)k+1 det(Bk1 )
k=1
n
X
a1k (1)k+1 det(A1k ) = det(A).
k=1
Corolario 5.6. Sea A =
a11
a12
0
..
.
a22
..
.
..
.
a1n
a21
.. una matriz triangular superior, entonces

.
a11
Demostraci
on. Se sigue del Lema 5.1 y del Corolario 5.5.
Terminamos la secci
on con la siguiente propiedad del determinante que ser
au
til en el Captulo 6.
Teorema 5.7. Sea A Mn (F) una matriz tal que A =
con B Mp (F) y D Mnp (F) entonces
det A = det B det D.

Demostraci
on. Por induccion sobre p.
a11 a12 a1n
a22
0 a22 a2n
..
Si p = 1, tenemos que A =
.
..
.. entonces B = a11 , D =
..
..
.
.
.
.
an2
0 an2 ann
a11 . Aplicando cofactores a A a lo largo de la primera columna obtenemos que
..
.
a2n
..
= A11 y det B =
.
ann
det A = a11 C11 + a21 C21 + + an1 Cn1 = a11 det A11 = det B det D.
|{z}
|{z}
|{z}
=0
=0
=D
Supongamos ahora que el resultado es cierto para submatrices de tama

no (p 1) (p 1) y que B =
a11 a1p
..
..
..
. Aplicando nuevamente cofactores en la primera columna de A obtenemos que
.
.
.
ap1 app
GIRALDO
163
det A = a11 C11 + + ap1 Cp1 + ap+1,1 Cp+1,1 + + an1 Cn1 = a11 det A11 + + (1)p+1 ap1 det Ap1
|{z}
| {z }
=0
=0
a22
..
.
= a11 det
ap2
..
.
a2p
..
.
app
a22
.
= a11 det ..
|{z}
inducci
on
ap2
|
..
.
{z
B11
a12
..
.
..
.
C1
+ + (1)1+p ap1 det
ap1,2
0
D
a2p
a12
..
.
det D + + (1)1+p ap1 det ..
.
app
ap1,2
}
|
a1p
..
.
ap1,p
..
.
a1p
..
.
{z
ap1,p
det D
=Bp1
= (a11 det B11 + + (1)p+1 ap1 det Bp1 ) det D

|
{z
}
Cp
f
ormula por cofactores para det B
= det B det D
Problemas
5.1.1. Calcule el determinante de las siguientes matrices
1 1 0 2
1
1 2 0
3 2 0 1
0 1 0 0
B=
A=
4 3 0 2
1
2 1 0
5 3 0 1
3 1 1 1
5.1.2.
1
3
1 1
C=
0
0
0
0
2 1
0 2
1 2
1 1
1 2
D = 0 2
3 2
a b 0 0 0
b a b 0 0
0 b a 0 0
5.1.3. Si Tn = det(An ) donde An es de la matriz tridiagonal: An =

... ... ... . . . ...
entonces Tn = aTn1
..
.
0 0 0 a b
0 0 0 b a
b Tn2
Si a = 2 y b = 1 demuestre que Tn = n + 1. En general demuestre que si a = 2b entonces Tn = (n + 1)bn

Si a = 1 y b = 1 muestre que Tn = Tn1 Tn2 . Muestre que Tn+6 = Tn para todo entero positivo n.
Determine T900 .
a b
b
a
0 b
5.1.4. Si Sn = det(An ) donde An es la matriz tridiagonal An =

...
b2 Sn2
0
0
..
.
0
0
0
b
a
.. . .
. .
0 0
0 0
0 0
..
.
entonces Sn = aSn1 +
..
.
0
a b
0 b a
164
Si a = 1 y b = 1 demuestre que {Sn } es la sucesi
on de Fibonacci.
B C
, det A = 6 y det B = 3, determine det D.
5.1.5. Si A =
0 D
5.1.6. Si A =
Mn (F) con B Mp (F) y D Mnp (F) entonces det A = det B det D.
5.1.7. Sean A, B Mn (R) matrices triangulares superiores, demuestre que det(AB) = det A det B.
Muestre que esto tambien se cumple si A y B son ambas triangulares inferiores o ambas diagonales. (Ayuda:
Use el Problema 1.2.12.)
5.1.8. Sea A, B y C Mn (R), con A triangular superior, B diagonal y C triangular inferior, demuestre lo
siguiente:
b. det(BC) = det B det C .
a. det(AB) = det A det B
5.1.9. Demuestre
ormula del determinante de matrices 2 2 y 3 3.
la f
a b
, muestre que det(A) = ad bc.
Si A =
c d
a11 a12 a13
Si A = a21 a22 a23 , muestre que
a31 a32 a33

det(A) = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 a31 a22 a13 a11 a32 a23 a21 a12 a23 .
5.2.
Determinantes y operaciones elementales de fila
En esta secci
on mostraremos que si E es una matriz elmental y A es una matriz arbitraria, ambas de tama
no
n n, entonces det(EA) = det E det A. Esto lo haremos considerando tres casos, uno por cada tipo de matriz
elemental. Este resultado ser
au
til para demostrar que el determinante del producto de matrices es el producto
de los determinantes, resultado que veremos en la pr
oxima secci
on.
a11 a1n
.
..
..
.
.
.
.
Teorema 5.8. Sea A = ai1 ain y B =
.
..
..
..
.
.
an1 ann
multiplicar una fila i por una constante c, entonces
a11
.
.
.
c ai1
.
..
an1
..
.
..
.
det(B) = c det(A).
a1n
..
c ain la matriz que se obtiene de A al
..
.
ann
GIRALDO
165
Demostraci
on. Primero notese que para k = 1, . . . , n se tiene que Bik = Aik , ya que al eliminar la fila i de B
se obtiene la misma matriz que al eliminar la fila i de A. Por tanto,
det(B) = Expansion por cofactores en la fila i de B =
n
X
bik (1)i+k det( Bik )

|{z}
|{z}
k=1 =ca
n
X
k=1
=c
c aik (1)i+k det(Aik )
n
X
k=1
=Aik
ik
aik (1)i+k det(Aik ) = c det(A).
Ejemplo 5.5. El teorema anterior nos dice que si todas las entradas de una fila son m
ultiplos de un real c,
entonces este se puede factorizar de la fila como se muestra a continuaci
on
1
1
2
2
1 2 2
det 4 2 6 = det 2 2 2 1 2 (3) = 2 det 2
0
0
3
2
0 3
2
Del resultado anterior se deduce lo siguiente.
2 2
1 3 .
3
2
Corolario 5.9. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al multiplicar una
fila por una constante c 6= 0 entonces det(E) = c y det(EA) = det(E) det(A).
Demostraci
on. Por el Lema 5.1 tenemos que det In = 1 y por el teorema anterior se sigue det E = c det In = c.
Ahora, la matriz EA se obtiene de A al multiplicar la fila i por c, Teorema 1.13, se sigue por el teorema
anterior que
det(EA) = c det A = det E det A.
Ahora pasamos a mostrar el efecto que tiene un intercambio
a11 a1n
a
11
..
.
.
.
..
..
.
..
ai1 ain
aj1
.
.
.
.
.
.
.
Teorema 5.10. Sea A = .
.
. y sea B =
.
a
j1 ajn
i1
..
..
..
..
.
.
.
.
an1 ann
an1
intercambiar las filas i y j de A, entonces
de filas en el determinante de una matriz.
a1n
..
..
.
.
ajn
..
..
.
.
la matriz que se obtiene de A al
ain
..
..
.
.
ann
det(B) = det(A).
166
Demostraci
on. Primero supongamos que las filas intercambiadas son consecutivas, es decir,
a11
.
.
.
ai1
A=
a(i+1)1
.
..
an1
..
.
..
.
a1n
a11
.
..
.
.
.
a
ain
y B = (i+1)1
ai1
a(i+1)n
.
..
..
.
ann
an1
..
.
..
.
a1n
..
a(i+1)n
.
ain
..
.
ann
Ahora, notese que b(i+1)k = aik y B(i+1)k = Aik ya que la matriz que se obtiene al eliminar la fila i + 1 de B
coincide con la matriz que se obtiene al eliminar la fila i de A. Por tanto si usamos expansi
on por cofactores en
la fila i + 1 de B obtenemos:
det(B) =
n
X
aik (1)i+1+k det(Aik )
b(i+1)k (1)i+1+k det(B(i+1)k ) =
{z
}
{z
}
|
|
k=1
k=1
n
X
n
X
k=1
aik
Aik
aik (1)(1)i+k det(Aik ) =
n
X
k=1
aik (1)i+k det(Aik ) = det(A).
En el caso general, para intercambiar las filas i y j de A se necesitan j i cambios consecutivos de la fila i para
llevarla a la fila j y j i 1 cambios consecutivos de la fila j para llevarla a la fila i, por tanto
det(B) = (1)ji (1)ji1 det(A) = (1)2j (1)2i (1)1 det(A) = det(A).
| {z } | {z } | {z }
=1
=1
=1
De este resultado deducimos los siguiente.

Corolario 5.11. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al intercambiar las
filas i y j entonces det(E) = 1 y det(EA) = det(E) det(A).
Demostraci
on. Si E se obtiene al intercambiar las filas i y j de In , entonces por el teorema anterior tenemos
que det E = det In = 1.
Por el Teorema 1.13 tenemos que EA es la matriz obtenida de A al intercambiar sus filas i y j, se sigue del
teorema anterior
det EA = det A = det E det A.
Ahora demostramos un par de lemas necesarios para pasar al tercer tipo de matrices elementales.
Lema 5.12. Si A es una matriz n n con dos filas iguales, entonces det(A) = 0.
GIRALDO
167
Demostraci
on. Supongamos que las filas i y j de A son iguales y sea B la matriz que se obtiene de A al
intercambiar las filas i y j, entonces B = A. Ahora, por el Teorema 5.10 tenemos que det(B) = det(A), por
tanto det(A) = det(A), o equivalentemente, 2 det(A) = 0, concluimos que
det(A) = 0.
Lema 5.13. Sean A, B y C matrices cuyas filas son iguales excepto la fila i y
a11 a1n
.
..
..
.
.
.
.
C es la suma de las filas i de A y B, es decir, A = ai1 ain , B =
.
..
..
..
.
.
an1 ann
a11
a1n
..
..
..
.
.
ai1 + bi1 ain + bin , entonces det(C) = det(A) + det(B).
..
..
..
.
.
.
an1
ann
talque
a11
.
.
.
bi1
.
..
an1
la iesima fila de
a1n
..
..
.
.
bin y C =
..
..
.
.
ann
Demostraci
on. Primero notese que para j = 1, . . . , n se tiene que Cij = Aij = Bij , ya que al eliminar la fila i
de A se obtiene la misma matriz que al eliminar la fila i de B y la misma matriz al eliminar la fila i de C, por
tanto al usar expansi
on por cofactores en la fila i de C obtenemos
det(C) =
n
X
k=1 a
n
X
k=1
cik (1)i+k Cik =

|{z}
ik +bik
aik (1)i+k Cik +

|{z}
Aik
= det(A) + det(B).
n
X
(aik + bik )(1)i+k Cik =
k=1
k=1
n
X
k=1
n
X
bik (1)i+k Cik =

|{z}
Bik
n
X

aik (1)i+k Cik + bik (1)i+k Cik
aik (1)i+k Aik +
n
X
bik (1)i+k Bik
k=1
k=1
Este lema se puede usar para reducir ciertos c

alculos de determinantes como se muestra en el siguiente
ejemplo.
Ejemplo 5.6. Calcular el determinante de la matriz A = 1 1 2.
2 2 2
Soluci
on. Escribimos las entradas de la segunda fila como una suma de dos n
umeros
3 2 0
3 2 0
3
2
0
3 2 0
det(A) = det 1 1 2 = det 0 1 0 + 1 2 + 0 = det 0 0 2 + det 1 1 0 .
2 2 2
2 2 2
2
2
2
2 2 2
168
De esta forma obtenemos dos matrices ambas con una fila o una columna con 2 ceros, cuyos determinantes
calculamos usando expansi
on
3 2
det(A) = det 0 0
2 2
por dicha fila o
3
0
2 + det 1
2
2
columna y obtenemos:
2 0
3
3 2
2+3
+ (1)3+3 2 det
1 0 = (1) 2 det
1
2 2
2 2
= 2(6 4) + 2(3 (2)) = 4 + 10 = 14.
Finalmente a pasamos a mostrar que al sumar un m

ultiplo de una fila a otra fila
a11
a11 a1n
..
..
.
.
..
..
.
.
ai1 ain
ai1
.
..
.
..
.. y sea B =
.
Teorema 5.14. Considere la matriz A =
.
.
a + ca
a
j1
j1 ajn
i1
..
..
..
..
.
.
.
.
an1
an1 ann
que se obtiene de A al sumar c veces la fila i a la fila j de A, entonces
el determinante se preserva.
a1n
..
..
.
.
ain
.
..
la matriz
.
.
.
ajn + cain
..
..
.
.
ann
det(B) = det(A).
Demostraci
on. Por el lema anterior tenemos que
a
a11
a1n
11
.
.
..
..
..
..
.
.
ai1
ai1
ain
..
..
..
..
=
det
det(B) = det
.
.
.
a
a + ca
ajn + cain
j1
j1
i1
..
..
..
..
.
.
.
an1
an1
ann
|
11
..
..
.
.
ai1
.
..
.
= det(A) + c det
.
.
a
i1
..
..
.
.
an1
|
{z
a1n
..
.
ain
..
.
= det(A).
ain
..
.
ann
}
=0 (Lemma 5.12)
..
.
..
.
..
.
{z
A
a1n
a
11
..
..
.
.
ai1
ain
.
..
..
+
det
.
ca
ajn
i1
..
..
.
.
ann
an1
}
..
.
..
.
..
.
a1n
..
.
ain
..
.
cain
..
.
ann
GIRALDO
169
Obtenemos el siguiente resultado.

Corolario 5.15. Sea A una matriz n n y sea E la matriz elemental que se obtiene de In al sumar c veces la
fila i a la fila j de I entonces det(E) = 1 y det(EA) = det(E) det(A).
Demostraci
on. Como E se obtiene de sumar un m
ultiplo de una fila a otra fila, tenemos por el teorema
anterior que det E = det In = 1.
Ahora, la matriz EA se obtiene de A al multiplicar la fila i por c, Teorema 1.13, se sigue por el teorema
anterior que
det(EA) = det A = det E det A.
Resumimos los resultados de la secci

on en el siguiente corolario.
Corolario 5.16. Sea A una matriz n n y E una matriz elemental, entonces
det(EA) = det(E) det(A)
det(E) 6= 0.
Mas a
un, si E1 , Ek son matrices elementales, entonces
det(E1 Ek A) = det(E1 ) det(Ek ) det(A).
Demostraci
on. El resultado se sigue por induccion y los corolarios 5.9, 5.11 y 5.15.
Los resultados de esta secci
on nos permiten usar operaciones elementales para calcular el determinante de
una matriz. La regla es simple: si intercambiamos dos filas, por el Teorema 5.10, el determinante de la nueva
matriz es menos el determinante de la anterior. Si sumamos un m
ultiplo de una fila a otra fila, por el Teorema
5.14, el determinante no cambia. En teora estas dos operaciones son suficientes para el calculo del determinante
usando operaciones elementales, sin embargo el Teorema 5.8 nos permite factorizar una constante c en una fila
tal como se mostr
o en el Ejemplo 5.5. Para una mejor ilusatraci
on presentamos los siguientes ejemplos.
0 3 1
Ejemplo 5.7. Usar operaciones elementales de fila para calcular el determinante de la matriz A = 0 2 3.
2 2 1
Soluci
on. Para la reducci
on lo primero que se hara es intercambiar las filas 1 y 3, entonces por el Teorema
5.10 tenemos que
2 2 1
det A = det 0 2 3 .
0 3 1
Lo siguiente para convertir la matriz en una matriz triangular superior debemos convertir el 3 en la posici
on 2, 3
de la matriz en un 0. Para esto podemos sumar 3/2 de la fila 2 a la fila 3. El Teorema 5.14 nos dice que esta
170
2 1
2 2
operaci
on no cambia el determinante, por tanto el determinante de las matrices 0 2 3 y 0 2

0 0
0 3 1
(obtenida de la anterior al aplicar la operaci
on de fila 32 F2 + F3 F3 ) son iguales. Por tanto
2 2
1
2 2 1
det A = det 0 2 3 = det 0 2

3 = 2 2 (7/2) = 14,
0 0 7/2
0 3 1
7/2
este u
ltimo resultado se obtiene del hecho que la matriz a la derecha es triangular superior y por tanto su
determinante es el producto de las entradas en la diagonal. Concluimos que det A = 14.
0 1
2
apida,
Ejemplo 5.8. En este ejemplo calculamos el determinante de la matriz A = 2 2 2 de manera r
3 3
2
solo se indica la operaci
on que se hace, el teorema que se usa y el consecuente resultado.
2 2 2
0 1
2
2 2 2
=
det 0 1
det A = det 2 2 2 F1 F2 |{z}
=
det 0 1
2 32 F1 +F3 F3 |{z}
2 = 10
Tma 5.10
Tma 5.14
3 3
2
3 3
2
0 0
5
Tambien se pudo haber usado el Teorema 5.8 en el segundo paso como se indica a continuaci
on, sin embargo
como se mencion
o antes, es suficiente con los Teoremas 5.10 y 5.14 en todos los casos.
1 1 1
2 2 2
0 1
2
=
2
det
=
det 0 1
det A = det 2 2 2 F1 F2 |{z}
0 1
2
2
|{z}
Tma 5.8
Tma 5.10
3 3
2
3 3
2
3 3
2
1 1 1
2
det
=
= 2 1 1 5 = 10
0
1
2
|{z}
Tma 5.14
0 0
5
3F1 +F3 F3
Problemas
5.2.1. Use operaciones elementales de fila para calcular el determinante de las siguientes matrices
1 2 1 3
0 2 1
0 2 1
1 2 3
2 2 2 4
1 1 1
y D=
C=
B = 1 3 2 ,
A = 4 5 4 ,
3 2 1 0
2 1 3
3 4 3
3 2 1
2 3 1 2
1 1 1
5.2.2. Sea A una matriz de tama

no 33 invertible, si las operaciones elementales que se aplicaron a A para
llevarla a su forma escalonada reducida son 2F1 + F3 F3 , 2F2 F2 , F2 F3 y F3 + F1 F1 , calcule lo
siguiente
GIRALDO
171
1. det A, usando las propiedades vistas en esta secci

on
2. la matriz A y caclule el determinante por cofactores.
3. La inversa de A y verifique que det A =
1
det A .
5.2.3. Si E Mn (R) es una matriz elemental, muestre que det E = det1 E .

F1
F1 + F3

5.2.4. Si A = F2 es una matriz con F1 , F2 y F3 las filas de A y det A = 3. Calcule det F1 + F2 .

F3
F2 + F3
5.2.5. Sea A una matriz n n y c R. Muestre que det(cA) = cn det(A).
5.2.6. Si A es una matriz 33 con det A = 3 determine det( 12 A) y det(A).

5.2.7. Si A es una matriz 44 y se sabe que det(2A) = 4, determine det(A) y det(A).
5.2.8. En este problema se propone demostrar que las propiedades del determinante con respecto a operaciones
de fila tambien se cumplen en operaciones columna.
Sean v1 , . . . , vn , w Rn y sea A = [ v1 vn ] la matriz cuyas columnas son los vectores v1 , . . . , vn y R.
Demuestre lo siguiente:
1. det[ v1 vi vn ] = det A.
2. si i < j entonces det[ v1 vj vi vn ] = det A.
3. det[ v1 vi vi vn ] = 0.
4. det[ v1 vi + w vn ] = det[ v1 vi vn ] + det[ v1 w vn ].
5. si i 6= j entonces det[ v1 vi vj vi vn ] = det A.
6. det[ v1 vn ] = n det A.
(Ayuda: Use el hecho que det A = det At .)
5.2.9. Sean A, B Mn (R) con B diagonal, demuestre que det(AB) = det A det B.
Muestre tambien que det(BA) = det B det A. (Ayuda: Use el Problema 1.2.13).
5.2.10. Si B es antisimetrica con n impar entonces det B = 0.
1+a
b
c
5.2.11. Muestre que det a

1+b
c = 1 + a + b + c.
a
b
1+c
1
c1
5.2.12. Sea A = ..
.
n1
Vandermonde.
c1
1
c2
1
cn
cn1
n
.. . .
.
.
n1
c2
.. . Demuestre que det A =

.
Y
i<j
(ci cj ). A la matriz A se le llama matriz de
172
5.3.
Propiedades del determinante
En esta secci
on se demuestran dos propiedades importantes del determinante. La primera es que el producto
de los determinantes de estas y la segunda dice que el determinante de la inversa una matriz es el inverso
multiplicativo del determinante de esta. Tambies se establece otra caracterizaci
on de matrices invertibles en
adici
on a las establecidas en el el Corolario 1.22.
Teorema 5.17. Sean A y B matrices n n, entonces det(AB) = det A det B.
Demostraci
on. Caso 1. Si A es invertible, entonces por el Teorema 1.17 A = E1 Ek con E1 , . . . , Ek matrices
elementales. Entonces del Corolario 5.16 se tiene
det(AB) = det(E1 Ek B) = det E1 det Ek det(B)
{z
}
|
det(E1 Ek )
= det(E1 Ek ) det B = det A det B.

| {z }
A
Caso 2. Si A no es invertible, entonces por el Teorema 1.15 A = E1 Ek A donde E1 , . . . , Ek son matrices
elementales y A es una matriz en forma escalonada reducida. Como A no es invertible, entonces rango(A) =
rango(A ) < n y como es una matriz cuadrada se debe dar que A tiene al menos una fila de ceros y por tanto
A B tiene una fila de ceros. Se sigue que det(A B) = 0 = det A y usando el Corolario 5.16 tenemos
det(AB) = det(E1 Ek A B) = det E1 det Ek det(A B) = 0,
| {z }
=0
y por otro lado tenemos que
det A det B = det(E1 Ek A ) det B = det E1 det Ek |det

{zA} det(B) = 0.
|
{z
}
=0
=det E1 det Ek det A
De las dos u
ltimas ecuaciones tenemos que det(AB) = det(A) det(B).
En ambos casos obtenemos la formula deseada.
De los resultados obtenidos para matrices elementales obtenemos la siguiente caracterizaci

on de matriz invertible.
Teorema 5.18. Sea A una matriz n n, entonces A es invertible si y s
olo si det A 6= 0.
Demostraci
on. Supongamos que A es invertible, entonces A = E1 Ek con E1 , . . . , Ek son matrices
elementales, entonces por el Corolario 5.16 tenemos que det E1 6= 0, , . . . , det Ek 6= 0. Usando de nuevo el
Corolario 5.16 tenemos que
det A = det(E1 Ek ) = det E1 det Ek 6= 0.
| {z } | {z }
6=0
6=0
Supongamos que det A 6= 0 y supongamos por el absurdo que A no es invertible, entonces A = E1 Ek A
donde E1 , . . . , Ek son matrices elementales y A es una matriz en forma escalonada reducida. Como A no es
GIRALDO
173
invertible, entonces rango(A) = rango(A ) < n y como es una matriz cuadrada se debe dar que A tiene al
menos una fila de ceros y por tanto det(A ) = 0, luego
det(A) = det(E1 Ek A ) = det(E1 ) det Ek |det

{zA} = 0,
{z
}
|
=0
det E1 det Ek det A
pero esto contradice la hip

otesis. Por tanto A es invertible.
Terminamos la secci
on con el siguiente resultado que se sigue de lo anterior.
Corolario 5.19. Si A es una matriz invertible de tama
no n n entonces det(A1 ) =
1
.
det A
Demostraci
on. Por el teorema anterior det A det(A1 ) = det(A A1 ) = det(I) = 1. Se sigue que
det(A1 ) =
1
.
det A
Problemas
2 3
5.3.1. Sea A = 2 2
5 2
3, calcule det A, A1 y verifique que det A1 =
1
det A .
5.3.2. Sean A y B matrices cuadradas tal que det A = 1 y det AB = 2. Determine det B, det(B 1 ),

det (AB)1 , det(A3 ) y det(AAt ).
5.3.3. Una matriz A Mn (R) se llama nilpotente si Ak = 0 para alg

un k Z0 . Muestre que si A es nilpotente
entonces det A = 0.
5.3.4. Demuestre que si B es una matriz ortogonal entonces det B = 1.
5.3.5. Demuestre que si P es una matriz proyecci
on, es decir P 2 = P , entonces det P = 0 o det P = 1.
5.3.6. Demuestre que si P es una matriz proyecci
on entonces P = I si y s
olo si det P = 1. (Ayuda: Use el
Problema 4.3.9 .)
5.3.7. Sean A, B Mn (R), demuestre que det(AB) = det(BA). Si A es invertible muestre que det(ABA1 ) =
det B.
5.3.8. Demuestre que si A, B Mn (R) con n impar y AB = BA entonces det A = 0 o det B = 0.
174
5.4.
Matriz Adjunta
En esta secci
on se define la matriz adjunta de una matriz A cuadrada. La principal motivaci
on para definir
esta matriz es que la podemos usar para deducir una f
ormula de la inversa de la inversa de A cuando A es
invertible. Si A no es invertible mostraremos que el producto de A por su adjunta es la matriz nula.
Definici
no nn, definimos la matriz adjunta de A como la matriz definida
por
C11
C21
Adj(A) =
..
.
Cn1
C12
C22
..
.
..
.
Cn2
donde Cij = (1)i+j det(Aij ) es el ij-esimo
1 2 3
Ejemplo 5.9. Sea A = 1 4 7, calcule
1 6 0
Soluci
on. Los cofactores de A son
4
C11 = (1)1+1 det
6
1
C13 = (1)1+3 det
1
1
C22 = (1)2+2 det
1
2
C31 = (1)3+1 det
4
C1n
C11
C2n
C12
=
..
..
.
.
Cnn
C1n
C21
C22
..
.
..
.
C2n
Cn1
Cn2
.. ,
.
Cnn
cofactor de A.
la matriz adjunta de A.
7
0
4
6
3
0
3
7
= 42
=2
= 3
=2
C12 = (1)1+2 det
2
C21 = (1)2+1 det
6
1
C23 = (1)2+3 det
1
1
C32 = (1)3+2 det
1
C33 = (1)3+3 det
Se sigue que la matriz adjunta est

a dada por:
C
C21
11
adj(A) = C12 C22
C13 C23
C31
1 2
1 4
7
=7
0
3
= 18
0
2
= 4
6
3
= 4
7
= 2.
42

C32 = 7

2
C33
18
3
4
4 .
El siguiente lema es crucial para mostrar la f

ormula de la inversa de una matriz invertible en terminos de
la adjunta de A.
GIRALDO
175
a11 a1n
..
.
..
Lema 5.20. Sea A = ..
entonces ai1 Cj1 + + ain Cjn = 0 si 1 i 6= j n, donde Cik es el
.
.
an1 ann
ik-esimo cofactor de A. Es decir, la expansi
on por cofactores en la fila j con coeficientes en otra fila i (i 6= j)
se anula.
Demostraci
on. Sea B una
matriz con las mismas filas de A excepto la fila j en donde se repite la fila i, es
a
a1n
11
..
..
..
.
.
.
ai1 ain
.
..
.
.
.
decir B = .
otese que para k = 1, . . . , n se tiene que Ajk = Bjk ya que al eliminar la j-esima
.
.
. N
i1 ain
..
..
..
.
.
.
an1 ann
fila de A se obtiene la misma matriz que al eliminar la j-esima fila de B. Adem
as el determinante de B es cero
por tener dos filas iguales. Entonces tenemos que
0 = det(B) = Expansion en cofactores de la fila j de B
=
n
X
aik (1)j+k det(Ajk )
bjk (1)j+k det(Bjk ) =
{z
}
|
|{z}
|{z}
k=1
k=1
n
X
n
X
k=1
aik
Cjk
Ajk
aik Cjk = ai1 Cj1 + + ain Cjn .
A continuaci
on se deduce una f
ormula para la inversa de una matriz invertible usando la adj(A).
no n n, entonces
A adj(A) = det(A) I.
De esto se sigue que
1
adj(A),
det(A)
2. si A no es invertible entonces A adj(A) = 0.
C11
a11 a1n
..
..
.. y adj(A) = ...
Demostraci
on. Sea A = .
.
C1n
an1 ann
de A. Entonces llamando dij a la ij-esima entrada de la matriz
0
dij = ai1 Cj1 + + ain Cjn =
det(A)
1. si A es invertible entonces A1 =
Cn1
..
, donde Cij es el ij-esimo cofactor
.
Cnn
A adj(A), tenemos que
..
.
si i 6= j (Lema 5.20),
si i = j (Teorema 5.3.)
176
Por tanto
d11
|{z}
=det(A)
d21
|{z}
A adj(A) = =0
.
.
.
dn1
|{z}
d12
|{z}
=0
d22
|{z}
..
.
..
dn2
|{z}
=det(A)
=0
=0
d1n
|{z}
=0
det(A)
d2n
|{z}
0
=0 =
..
..
.
.
dnn
|{z}
det(A)
..
.
..
.
0
..
.
det(A)
= det(A) I.
(5.11)
=det(A)
Ahora, si A es invertible se tiene que det(A) 6= 0 y de la Ecuaci

on (5.11) se sigue que A
1
adj(A) = I.
det(A)
Por tanto
A1 =
1
adj(A).
det(A)
En el caso en que A no es invertible, tenemos que det(A) = 0 y la Ecuaci

on (5.11) se convierte en A adj(A) =
0.
2 3
Ejemplo 5.10. Sea A = 1 4 7 calcule el determinante de A y la inversa de A.
1 6 0
Soluci
on. Por el ejemplo anterior sabemos que la matriz adjunta de A est
a dada por:
42
18
2
C11 C21 C31
adj(A) = C12 C22 C32 = 7

3 4 .
2
4
2
C13 C23 C33
El determinante de A lo calculamos por expansi

on por cofactores en la tercera fila, usando los cofactores C31 ,
C32 y C33 que se calcularon en el ejemplo anterior, tenemos que
det(A) = a31 C31 + a32 C32 + a33 C33 = 1 2 + 6 (4) + 0 2 = 22
Luego, la inversa de A est
a dada por
A1 =
42
1
1
adj(A) =
7
det(A)
22
2
18
3
4
4 .
Problemas
5.4.1. Calcule la adjunta de las siguientes matrices
A = 4
2 3
5 4 ,
2 1
B = 1
2 1
3 2 ,
4 3
2
C=
2 1
2 2
2 1
3 1
1
D=
2 1
1 1
1 3
1 1
GIRALDO
177
Use los c
alculos para determinar la inversa de las que son invertibles.
5.4.2. Sea A Mn (R) una matriz invertible y B = Adj(A),
1. demuestre que B 1 =
1
det A A,
2. demuestre que det B = (det A)n1 ,

3. Si n = 4 y det B = 8 calcule det A.
4. Determine las posibles A tal que adj(A) = 2
3 2
2 3.
2 1
5. Demuestre que si n es impar entonces det(adj(A)) es positivo.

5.4.3. Sea A Mn (R) una matriz invertible. Demuestre que la matriz adj(A) es invertible y que adj(A)1 =
adj(A1 ).
5.4.4. Sea A Mn (R) una matriz no invertible y no nula, demuestre que adj(A) no es invertible y por tanto
det(adj(A)) = 0.
a11
..
5.4.5. Sea A = .
an1
tomados de la columna
a1n
..
, demuestre que la expansi
on por cofactores en la columna j con coeficientes
.
ann
i, i 6= j, se anula. Es decir a1i C1j + + ani Cnj = 0.
..
.
Use esto para demostrar que adj(A)A = det(A)I.

5.4.6. Si A es simetrica invertible entonces A1 es simetrica. (Ayuda: Muestre que Aij = Atji .)
5.4.7. Sea A Mn (R), demuestre que Col(A) N ul(adj(A)) y Col(adj(A)) N ul(A).
Deduzca que rango(A) + rango(adj(A)) n.
5.4.8. A Mn (R) con rango(A) = n 1, muestre que rango(adj(A)) = 1.
5.5.
La Regla de Cramer
En esta secci
on corta se presenta el resultado conocido como la regla de Cramer. Este metodo da una f
ormula
para calcular la soluci
on a un sistema con soluci
on u
nica, cuando la soluci
on no es u
nica no se puede aplicar
este metodo. El metodo es adem
as computacionalmente ineficiente, lo que lo hace poco u
til. Tal vez el metodo
pueda servir en el caso en que no se necesite el valor de todas la incognitas en un sistema, como es el caso en
el Problema 5.5.2. La secci
on puede ser obviada y la hacemos solo por mostrar la demostraci
on del metodo para
los lectores que les resulte interesante.
178
Teorema 5.22. (Regla de Cramer) Sea Ax = b un sistema de ecuaciones con A una matriz n n invertible.
Sea A = [ C1 Cn ] con C1 , . . . , Cn las columnas de A y para i = 1, . . . , n definimos Ai como la matriz que
se obtiene al reemplazar la i-esima columna de A por el vector b. Es decir,
A1 = [ b C2 Cn ],
A2 = [ C1 b Cn ],
...,
An = [ C1 C2 b ].
Entonces la soluci
on u
nica al sistema est
a dada por
det(A1 )
,
det(A)
det(A2 )
det(An )
, . . . , xn =
.
det(A)
det(A)

x1

..
Demostraci
on. El sistema tiene soluci
on u
nica u
nica x = . , esto lo garantiza el Teorema 1.12 porque A

xn
es invertible. Entonces

x1
h
i
..
b = Ax = C1 Cn . = x1 C1 + + xn Cn .

xn
x1 =
x2 =
Ahora, para 1 i n fijo, por las propiedades del determinante enunciadas en el Problema 5.2.8 se tiene que:
h
det(Ai ) = det C1
h
= det C1
h
= det C1
Cn
i
x 1 C1 + + x n Cn Cn
i
h
x1 C1 Cn + + det C1 xi Ci
h
i
+ + det C1 xn Cn Cn
h
i
h
=x1 det C1 C1 Cn + + xi det C1 Ci
|
{z
}
{z
|
=A
=0 (por columna repetida)
h
+ + xn det C1
|
Cn
{z
Cn
=0 (por columna repetida)
=xi det(A).
Al despejar xi de esta ecuaci

on obtenemos xi =
Cn
Cn
det(Ai )
.
det(A)
3x + 2y z = 0
Ejemplo 5.11. Resolver el sistema x
+ 3z = 0 usando la regla de Cramer.

+ z=1
Soluci
on. Primero escribimos el sistema en la forma Ax = b con A = 1
1
necesitamos los determinantes de las matrices de A1 , A2 , A3 y A.
3 y b = 0 . Despues

1
1
2 1
0
0
GIRALDO
0 2
det(A1 ) = det 0 0
1 0
det(A2 ) = det 1 0
1 1
det(A3 ) = det 1
179
2
1
=6
3 = 1 det
0
3
1
3 1
= 8
3 = 1 det
1
3
1
2 0
0 0 = 2 det
1
0 1
0
=2
1
3 2 1
1 3
=8
det(A) = det 1 0
3 = 2 det
1 1
1 0
1
Por tanto, por la Regrla de Cramer, la soluci

on al sistema est
a dada por
x=
6
3
det(A1 )
= =
det(A)
8
4
y=
det(A2 )
8
det(A3 )
2
1
=
= 1 y z =
= = .
det(A)
8
det(A)
8
4
Problemas
5.5.1. Use el metodo de Cramer
2 1
a. A = 1 2
0 1
para calcular la soluci

on al sistema Ax = b si
1 2 0
1
0
b. A = 0 1 1
1 y b = 2
1 0 1
3
2
5.5.2. Determine el valor de y en la soluci

on al sistema
5.6.
x + y + z + 2t = 0
x +
z+t=1

1

b = 2

1
y+z+t=0
x + y + z + t = 0
Interpretaci
on Geom
etrica del Determinante
En esta secci
on le daremos una interpretaci
on geometrica al determinante. Veremos como usarlo para calcular
vol
umenes de paraleleppedos en cualquier dimensi
on. Tambien mostraremos como el proceso de Gramm-Schmidt
puede ser u
til para el mismo objetivo. Comenzamos con la siguiente definici
on.
180
Definici
on 5.5. Si se tienen dos vectores v1 , v2 R2 , se define el paralelogramo determinado por v1 y v2 ,
como el paralelogramo con vertices en los extremos de los vectores v1 , v2 y v1 + v2 y en el origen.
Similarmente, se define el paraleleppedo determinado por los vectores v1 , v2 , v3 R3 como el paraleleppedo con vertices en los extremos de los vectores v1 , v2 , v3 , v1 + v2 , v1 + v3 , v2 + v3 , v1 + v2 + v3 y en el
origen.
v2 + v3
v1 + v2
v2
v3
Paralelogramo determinado
por v1 y v2
v1 + v3
v2
v1
O
v1 + v2 + v3
v1 + v2
v1
Paraleleppedo determinado por v1 , v2 y v3
En general el n-ppedo determinado por n vectores en Rn es el n-ppedo con vertices en los extremos de
los 2n vectores vi1 + + vik con k entre 1 y n y el origen. Es decir, los vertices del paraleleppedo n-dimensional
son el origen y los extremos de todos los vectores que se son sumas de k de los vectores originales, con k variando
de 1 a n.
El siguiente resultado es el m
as importante de la secci
on. En este se establece la relaci
on entre el volumen
del n-ppedo determinado por n vectores en Rn y el determinante de la matriz que estos forman. De esta forma,
el teorema provee una interpretaci
on geometrica del determinante.
Teorema 5.23. Sean v1 , . . . , vn Rn n vectores linealmente independientes y sea A = [ v1 . . . vn ] la matriz
cuyas columnas son los vectores v1 , . . . , vn . Entonces para n 3 tenemos que
| det A| = volumen del paraleleppedo n dimensional determinado por los vectores v1 , . . . , vn .
Las barras denotan el valor absoluto de det A.
En el caso n = 2 se tiene que | det A| =
area del paralelogramo determinado por v1 y v2 .
La demostraci
on se har
a al final de la secci
on.

2
1
area A del paralelogramo
Ejemplo 5.12. Sean v1 = y v2 = . Por el teorema anterior tenemos que el
2
2
determinado por v1 y v2 est
a dada por

h
i

1
2

= | 2 4| = | 6| = 6.
A = det v1 v2 = det

2 2
M
as especificamente el paralegramo tiene un
area de 6 unidades cuadradas.

0
2
0

Ejemplo 5.13. Sean v1 = 2, v2 = 1 y v3 = 2, calcular el volumen del paraleleppedo determinado por

3
0
2
estos vectores.
GIRALDO
Soluci
on. Sea V el volumen de este paraleleppedo,

0 2

h
i

V = | det v1 v2 v3 | = 2 1

3 0
En este caso el resultado es 4 unidades c

ubicas.
181
de acuerdo al Teorema 5.23 tenemos que

0

2
2

= | 2(4 6)| = 4.
=
2

2

3 2

2
En general, si tenemos k vectores v1 , . . . , vk linealmente independientes en Rn , el paraleleppedo determinado

por estos vectores, es un paraleleppedo k dimensional en Rn . El siguiente resultado nos da una f
ormula para
calcular el volumen de este paraleleppedo.
Teorema 5.24. Sean v1 , . . . , vk vectores linealmente independientes en Rn y sea A = [ v1 vk ] la matriz formada por estos vectores. El volumen V del paraleleppedo k dimensional determinado por los vectores v1 , . . . , vk
est
a dado por
V = ||w1 || ||wk || = (q1 v1 ) (qk vk ),
donde w1 , . . . , wk son los vectores ortogonales que se obtienen al aplicar el proceso Gramm-Schmidt a los vectores
v1 , . . . , vk y q1 , . . . , qk son los correspondientes vectores ortonormales obtenidos de normalizar los wi s.
Demostraci
on. Procedemos de manera inductiva. Si k = 2 tenemos que w1 = v1 y w2 es perpendicular a v1
y, de acuerdo al proceso Gramm-Schmidt, w2 = v2 proyv1 v2 es perpendicular a v1 . Mas a
un, como proyv1 v2
es el m
ultiplo de v1 mas cercano a v2 tenemos que w2 es la altura del paraleogramo formado por v1 y v2 :
w2
v2
||w2 ||
v1 = w1
Se sigue que el area del paralelogramo determinado por v1 y v2 = |{z}

base altura
| {z } = ||w1 || ||w2 ||.
=||w1 ||
=||w2 ||
Si k = 3, tenemos que w3 = v3 proygen{v1 ,v2 } v3 es perpendicular al plano generado por v1 y v2 y adem

as
la magnitud de este vector es la altura del paraleleppedo formado por v1 , v2 y v3 . Esto ya que el vector
proygen{v1 ,v2 } v3 es el vector en el subespacio gen{v1 , v2 } mas cercano a v3 . N
otese adem
as que la base de este
paraleleppedo es el paralelogramo formado por los vectores v1 y v2 y por el caso anterior tenemos que el area
de la base es ||w1 || ||w2 ||.
w3
v3
||w3 ||
v2
v1
182
Entonces tenemos que el volumen V de este paraleleppedo determinado por v1 , v2 y v3 est
a dado por
V = |
area de{zla base} |altura
{z } = ||w1 || ||w2 || ||w3 ||.
=||w1 || ||w2 ||
=||w3 ||
En el caso general se observa que wk es la altura del paraleleppedo (k 1)-dimensional determinado por los
vectores v1 , . . . , vk1 , con volumen ||w1 || ||wk1 || y por tanto el volumen V del paraleleppedo formado por
los k vectores est
a dado por
V =
area de la base altura = ||w1 || ||wk1 || ||wk ||.
Para terminar la demostraci
on veamos que para cada i = 1, . . . k se tiene que ||wk || = qi vi . Para esto es
suficiente notar que el

angulo formado por wi y vi es el mismo angulo entre qi y vi . Esto ya que qi ||w1i || wi es
m
ultiplo de wi .
wi
vi
qi
b
El triangulo en esta figura es un triangulo rectangulo, entonces se tiene adem

as que cos =
adyacente
hipotenusa
||wi ||
||vi || .
Por tanto
||wi ||
= ||wi ||.
qi vi = ||qi || ||vi ||cos = ||vi ||cos = ||vi ||
|{z}
||vi ||
=1
Concluimos que el volumen V del paraleleppedo formado por los vectores v1 , . . . , vk est
a dado por
V = ||w1 || ||wk || = (q1 v1 ) (qk vk ).
Observaci
on 5.2. Si v1 , . . . , vk son vectores linealmente independientes en Rn , A = [ v1 vk ] y A = QR
es la descomposici
on QR de la matriz entonces el volumen V del paraleleppedo determinado por los vectores
v1 , . . . , vk est
a dado V = | det R|.
q1 v 1
..
Esto se sigue del hecho que R = .
..
.
q1 v k
..
.
.
qk v k
Ejemplo 5.14. Determine el volumen V del paraleleppedo en R4 determinado por los vectores v1 = (1, 1, 0, 0)
v2 = (0, 1, 1, 0) y v3 = (1, 0, 0, 1).
Soluci
on. En el Ejemplo 4.33 calculamos que los vectores q1 , q2 y q3 est
an dados por
2

1
2
q1 =
,
0

0
1
6
q2 =
2
6
0
12
1
12
q3 =
1
12
3
12
GIRALDO
Se calculo adem
as que q1 v1 =
2 ,
2
q2 v 2 =
3
6
4 .
12
y q3 v 3 =
183
Por tanto el volumen V est
a dado por
2 3 4
V = (q1 v1 )(q2 v2 )(q3 v3 ) = = 2.
2 6 12
Es decir, paraleleppedo tiene un volumen de dos unidades c
ubicas.

1
2

area del paralelogramo en R3
Ejemplo 5.15. Sean v1 = 3 y v2 = 4 vectores en R3 , determine el

4
3
determinado por estos vectores.
Soluci
on. Necesitamos calcular los vectores ortonormales q1 y q2 que se obtienen al aplicar el proceso GrammSchmidt a los vectores v1 y v2 .

3
2
1

22
v2 v1
Primero hacemos w1 = v1 y w2 = v2 proyv2 v1 = v2 v1 v1 v1 = 4 22 3 = 1 .

1
3
4

2
3

Normalizando los vectores w1 y w2 obtenemos q1 = 122 3 y q2 = 111 1 .

3
1
Tenemos que el
area A del paralelogramo es
1
1
A = (q1 v1 )(q2 v2 ) = 22 10 = 10 2 14,1.
22
11
Observaci
on 5.3. La Proposici
on 5.24 tambien se puede usar para calcular
areas de tri
angulos en Rn como
se describe a continuaci
on. Si A, B y C tres puntos no colineales en Rn , definimos v1 como el vector cuyas
coordenadas son las entradas del punto A C y v2 el vector el vector cuyas coordenadas son las entradas del
a1 c 1
..
punto B C. Es decir, si A = (a1 , . . . , an ), B = (b1 , . . . , bn ) y C = (c1 , . . . , cn ) entonces v1 = . y
an c n
b1 c 1
.
area del tri
angulo simplemente notamos que
v2 = .. . Para el
bn c n
area del tri
angulo ABC =
1
area del paralelogramo determinado por v1 y v2 .
b
b
v1
O
b
v2
184
Ejemplo 5.16. Sean A = (1, 2, 3), B = (2, 3, 4) y C = (1, 1, 0) en R3 , calcular el
area del tri
angulo ABC.
Soluci
on: El vector v1 tiene por coordendas las entradas del punto A menos las entradas del punto C y el
2

vector v2 tiene por coordendas las entradas del punto B menos las entradas del punto C. Es decir, v1 = 3

3

1

y v2 = 4.

4
En el Ejemplo 5.15 se calcul

o que el
area del paralelogramo determinado por estos dos vectores es 10 2
unidades cuadradas, por tanto:
area del tri
angulo ABC =
1
1
area del paralelogramo determinado por v1 y v2 = 10 2 = 5 2 7,0,7
2
2
Similarmente se puede calcular el volumen de una piramide en Rn dados 4 puntos no co-planares. Ver
Problema 5.6.5.
Finalizamos la secci
on con la demostraci
on del Teorema 5.23.
Demostraci
on del Teorema 5.23. Sea A = [ v1 vn ] y sean Q y R tal que A = QR es la descomposicion
QR de la matriz. Entonces Q es ortogonal cuadrada y por tanto Qt = Q1 o equivalentemente Qt Q = I. Se

sigue que
1 = det I = det Qt Q = det Qt det Q = det Q det Q = (det Q)2 .
Se deduce que det Q = 1, luego | det Q| = 1. Por la Observaci
on 5.2 tenemos que el volumen V del parale-
leppedo n dimensional determinado por los vectores v1 , . . . , vn est

a dado por V = | det R|. Tenemos entonces
que
| det A| = | det Q det R| = | det Q| | det R| = | det R| = V.
| {z }
=1
Concluimos que dicho volumen est

a dado por V = | det A| = | det[ v1 vn ]|.

1
2
1

1
1
2

Ejemplo 5.17. (Matlab) Sean v1 =

, v 2 = , v 3 = y v 4 =
2
0
3

2
2
0
paraleleppedo 4-dimensional formado por estos vectores.

0

2
, calcular el volumen del

2

0
h
Soluci
on. Para calcular el volumen necesitamos calcular el determinante de la matriz A = v1
el cual calculamos usando Matlab
v2
v3
v4
>> A = [1, 2, 1, 0; 2, 1, 1, 2; 3, 0, 2, 2; 0, 2, 2, 0]; det(A)

el resultado que se obtiene en este caso es que det A = 12. Por tanto el volumen V del paraleleppedo es
V = | 12| = 12.
GIRALDO
185
Problemas
5.6.1. Calcule el
area del paralelogramo determinado por el par de vectores dados

4
1
1
3
b. v1 = y v2 = .
a. v1 = y v2 = .
1
1
4
2
5.6.2. Calcule el volumen del paraleleppedo determinado por los vectores dados

3
1
1
1
2
4

a. v1 = 1 , v2 = 3 y v3 = 1 .
b. v1 = 1 , v2 = 1 y v3 = 1 .

1
1
3
1
0
1
5.6.3. Considere los vectores v1 , v2 , v3 , v4 y v5 en R5 con coordenadas (1, 4, 2, 2, 3), (1, 1, 1, 1, 2), (1, 0, 0, 4, 1),
(1, 3, 1, 5, 0) y (1, 0, 0, 1, 2), respectivamente. Calcule lo siguiente:
1. el volumen del paraleleppedo 5-dimensional determinado por v1 , v2 , v3 , v4 y v5 ,

2. el volumen del paraleleppedo 4-dimensional determinado por los vectores v1 , v2 , v3 y v4 ,
3. el volumen del paraleleppedo 3-dimensional determinado por los vectores v1 , v2 y v3 ,
4. el
area del paralelogramos determinado por los vectores v1 y v2
5.6.4. Determine el
area del tri
angulo determinado por los puntos:
1. A : (1, 0, 1), B : (1, 3, 1) y C : (1, 2, 3) en R3 .
2. A : (1, 0, 0, 1), B : (1, 3, 1, 0) y C : (1, 0, 0, 1) en R4 .
3. A : (1, 0, 0, 4, 1), B : (1, 3, 1, 5, 0) y C : (1, 0, 0, 1, 2) en R5 .
5.6.5. Sean A = (2, 1, 3, 4, 1, 0), B = (1, 1, 1, 1, 0, 1), C = (3, 5, 0, 0, 1, 1) D = (1, 2, 3, 4, 5, 6). Calcule el volumen
de la piramide en R6 con vertices en los puntos A, B, C, D. Ayuda: Defina los vectores v1 , v2 y v3 con coordenadas
AD, B D y C D, respectivamente. Calcule al volumen del paraleleppedo determinado por estos tres vectores
y note que el volumen de la piramide es 1/6 del volumen del paraleleppedo.
5.6.6. Sean A : (1 , . . . , n ), B : (1 , . . . , n ) y C : (1 , . . . , n ) tres puntos en Rn y sean v1 y v2 los vectores
con coordenadas (1 1 , . . . , n n ) y (1 1 , . . . , 1 n ), respectivamente. Demuestre que los puntos A,
B y C son colineales si y s
olo si det[ v1 v2 ] = 0. (Un conjunto de puntos es colineal si existe una lnea que los
contiene.)
5.6.7. Sean A : (1 , . . . , n ), B : (1 , . . . , n ), C : (1 , . . . , n ) y D : (1 , . . . , n ) cuatro puntos en Rn y sean
v1 , v2 y v3 los vectores con coordenadas (1 1 , . . . , n n ), (1 1 , . . . , 1 n ) y (1 1 , . . . , n n ),
respectivamente. Demuestre que los puntos A, B, C y D son coplanares si y s
olo si det[ v1 v2 v3 ] = 0. (Un
conjunto de puntos es coplanar si existe un plano que los contiene.)
186
Captulo 6
Valores y Vectores Propios

En este captulo estudiaremos los valores y vectores propios de una matriz. Este t
opico es uno de los m
as
importantes en el
algebra lineal y tal vez el que tiene m
as aplicaciones conocidas dentro de las matem
aticas y a
otras
areas. El objetivo principal es estudiar la diagonalizaci
on de matrices y los criterios para que una matriz
sea diagonalizable. Dado que los valores propios de una matriz son las races del polinomio caracterstico, todas
las matrices en este captulo se tomar
an con entradas en C, el conjunto de los n
umeros complejos, debido a que
a cada matriz le asociaremos un polinomio, cuyas races juegan un papel importante en la teora y necesitamos
garantizar que el polinomio de grado n tiene exactamente n races contando multiplicidades.
6.1.
Polinomio Caracterstico
En esta secci
on se introducen los conceptos de polinomio caracterstico, valores propios, vectores propios y
subespacios propios de una matriz. Tambien se definen las multiplicidades algebraica y geometrica de un valor
propio. Veremos que los valores propios son las races del polinomio caracterstico y demostraresmos algunas
propiedades de de los valores propios y vectores propios. Comenzamos con el siguiente lema del cual se sigue la
definici
on de polinomio caracterstico.
Lema 6.1. Sea A Mn (C) e I la matriz identidad, entonces det(A xI) es un polinomio en x de grado n. El
coeficiente del monomio xn en este polinomio es (1)n .
Demostraci
on. Procedemos por induccion sobre n siendo el caso n = 1 inmediato.
Para k < n y toda B Mk (C), supongamos que det(B xI) es un polinomio de grado k y que (1)k es el
coeficiente de xk .
Sean aij (i, j = 1, . . . , n) las entradas de A y sea C = A xI. Aplicando cofactores en la primera fila de
A xI tenemos que
det(A xI) = det C = (a11 x) det C11 + + (1)1+n a1n det C1n ,
187
(6.1)
188
donde C1i (i = 1, . . . , n) es la matriz que se obtiene despues de eliminar la fila 1 y la columna i de C.
Es facil ver que C11 = A11 xI, donde A11 es la matriz que se obtiene despues de eliminar la fila 1 y la
columna 1 de A. Se sigue por induccion que det C11 = (1)n1 xn1 + terminos de grado menor a n 1.
Por otra parte, aplicando cofactores en la fila i de C1i , para i = 2, . . . , n, se tiene que det C1i = (1)n2 xn2 +
terminos de grado menor a n 2. Por tanto, de (6.1) tenemos que

det(A xI) = (a11 x) (1)n1 xn1 + terminos de grado menor a n 1
+ otros terminos de grado menor a n 2
= (1)n xn + terminos de grado menor a n.

.
Definici
on 6.1. Sea A Mn (C) una matriz, al polinomio det(A xI) se le llama el polinomio caraterstico de
A y este ser
a denotado por pA (x).
Ejemplo 6.1. El polinomio caraterstico de la matriz A =
pA (x) = det(A xI) = det
1x
1
2
1
es el polinomio:
0
= (1 x)(x) 2 = x2 x 2.
La raz
on por la cual en esta secci
on estamos considerando matrices con entradas en los complejos, es con el
fin de poder usar el Teorema fundamental de
algebra, el cual dice que todo polinomio de grado n con coeficientes
en los complejos, tiene exactamente n races contando multiplicidades. Por lo tanto para toda matriz compleja,
su polinomio caraterstico tiene n races. Estas races juegan un papel importante en la matriz A, ya que estas
coinciden con los valores propios de A. Esto lo mostraremos en el siguiente lema, despues de definir valor propio
de una matriz.
Definici
on 6.2. Sea A Mn (C), decimos que C es un valor propio de A si existe un vector v 6= 0 tal que
Av = v. En este caso decimos tambien que v es un vector propio de valor propio .
Lema 6.2. Sea A Mn (C), tenemos las siguientes caracterizaciones de valor propio para A.
C es un valor propio de A si y s
olo si N ul(A I) 6= 0 si y s
olo si es una raz de pA (x).
Demostraci
on. Esto lo podemos ver por equivalencias como sigue.
es un valor propio de A si y s
olo si existe v 6= 0 tal que Av = v
si y s
olo si existe v 6= 0 tal que (A I)v = 0
si y s
olo si existe v 6= 0 tal que v Nul(A I)
si y s
olo si A I no es invertible (Por el Corolario 1.22)
si y s
olo si 0 = det(A I) = pA () (Por el Teorema 1.22)
si y s
olo si es un raz de pA (x).
GIRALDO
189
Sea A Mn (C), si es un valor propio de A, los vectores propios de valor propio forman un subespacio
de Cn . Adem
as este espacio coincide con N ul(A I).
Lema 6.3. Sea C, tenemos lo siguiente
1. el conjunto E() = {v Cn | Av = v} es un subespacio de Cn .

2. E() = N ul(A I) y se tiene adem
as que E() 6= {0} si y s
olo si es un valor propio.
Demostraci
on. Le demostraci
on de este hecho es facil y lo dejamos como ejercicio.
Definici
on 6.3. Si C es un valor propio, al subespacio E() = N ul(A I) lo llamaremos el subespacio
propio de valor propio .
Del Lema 6.2 se deduce el siguiente procedimiento para calcular los valores y vectores propios de una matriz.
Procedimiento 6.1. (Procedimiento para calcular los valores y vectores propios)
1. Se calcula el polinomio caracterstico pA (x) = det(A xI),
2. Se resuelve la ecuaci
on pA (x) = 0, cuyas races corresponden a los valores propios.
3. Para cada valor propio encontrado en en el paso anterior, se calcula una base para N ul(A I). Los vectores
en dicha base son vectores propios de valor propio .
3 5
, calcular los valores y vectores propios de A y determine los subespacios
2 4
propios.
Soluci
on. El polinomio caracteristico de A, est
a dado por
3 x
5
= x2 x 2 = (x 2)(x + 1).
pA (x) = det(A xI) = det
2
4x
Despues se resuelve la ecuaci

on pA (x) = (x 2)(x + 1) = 0, cuyas soluciones son x = 2 y x = 1. Tenemos
por tanto para A dos valores propios: 1 = 2 y 2 = 1.
Ahora se calulan bases para N ul(A i I) con i = 2 e i = 1.
Para 1 = 2 tenemos que N ul(A 2I) = N ul
1 1
0
. De esto se sigue que
5 5
2 2
, cuya forma escalonada reducida est

a dada por

1
y
x
x
N ul(A 2I) si y s
olo si x = y si y s
olo si = = y .]
1
y
y
y
190

1
Concluimos que v1 = es un vector propio de valor propio 1 = 2.
1
Ahora calculamos N ul(A 2 I) con 2 = 1. Es decir, N ul(A + I) = N ul
reducida de esta matriz est

a dada por
5/2
2 5
2 5
. La forma escalonada
. Por tanto tenemos que

5
5
x
y
x
5
N ul(A + I) si y s
olo si x = y si y s
olo si = 2 = y 2 .
2
y
1
y
y

5
Se sigue que v2 = 2 es un vector propio de valor propio 2 = 1.

1
En conclusi
o
n la matriz
1=2y 2 = 1 y los correspondientes subespacios propios
tiene valores propios

5
1
son E(2) = gen v1 = y E(1) = gen v2 = 2 .
1
1
b
Observaci
on 6.1. Es importante notar que los subespacios propios son subespacios invariantes bajo una trans-
formaci
on lineal. En el ejemplo anterior si consideramos la transformaci
on T definida por T (v) = Av, entonces
los subespacios E(2) y E(1) son invariantes bajo T
E(2)
T (E(2) )
T
+
T (v1 )
v1
E(1)
T (E(1) )
v2
+
T (v2 )
+
Los vectores en la lnea E(1) son enviados por T a la misma lnea. M

as especificamente, para v E(1) ,
T (v) = Av = v, esto por ser un vector de valor propio 1. Similarmente, vectores en la lnea E(2) son
enviados por T a la misma lnea y en este caso para v E(2) se tiene que T (v) = Av = 2v por ser un vector de
valor propio 2. Tambien se sigue del Lema 6.2 que las lneas E(1) y E(2) son las u
nicas lneas invariantes bajo
multiplicaci
on por la matriz A.
El hecho de que en general los subespacios propios E() son invariantes bajo multiplicaci
on por la matriz A es
f
acil de ver. De hecho si v E() entonces Av = v, y como E() es un subespacio, se sigue que Av = v E() .
Por tanto A(E() ) E() .
GIRALDO
191
En el ejemplo anterior tambien se puede verificar que los vectores propios encontrados son linealmente
independientes. Esto no es una casualidad, de hecho vectores propios correspondientes a valores propios distintos
son linealmente independientes.
Teorema 6.4. Sea A Mn (C) y sean v1 , . . . , vk vectores propios con valores propios 1 , . . . , k , respectivamente. Si los i son diferentes entre s entonces los vectores v1 , . . . , vk son linealmente independientes.
Demostraci
on. Procedemos por induccion sobre k.
Si k = 2 vamos a demostrar que v1 y v2 son LI. Para esto supongamos que existen escalares 1 y 2 tal que
1 v 1 + 2 v 2 = 0
(6.2)
multiplicando por A ambos lados obtenemos 1 Av1 +2 Av2 = 0, equivalentemente

|{z}
|{z}
1 v 1
2 v 2
1 1 v1 + 2 2 v2 = 0.
(6.3)
Ahora, multiplicando la Ecuacion (6.2) por 1 obtenemos

1 1 v1 + 2 1 v2 = 0.
(6.4)
Restando la Ecuaci
on (6.4) de la Ecuaci
on (6.3) tenemos que 2 (1 2 )v2 = 0. Pero como 1 6= 2 , es decir,
1 2 6= 0 y v2 6= 0 entonces se debe dar que 2 = 0. Reemplazando este valor en la Ecuaci
on (6.2) tenemos
que 1 v1 = 0 y como v1 6= 0 se debe dar que 1 = 0. Por tanto v1 y v2 son linealmente independientes.
Ahora supongamos por induccion, que k 1 vectores propios correspondientes a k 1 valores propios distintos
son LI y mostremos que v1 , . . . , vk son LI. Para esto supongamos que
1 v1 + + k vk = 0,
multiplicando por A ambos lados tenemos que 1 Av1 + + k Avk = 0 o equivalentemente
|{z}
|{z}
1 v1
(6.5)
k vk
1 1 v1 + + k k vk = 0.
(6.6)
Ahora, multiplicando a ambos lados de la Ecuaci

on (6.5) por k tenemos
1 k v1 + + k k vk = 0.
(6.7)
Restando la Ecuaci
on (6.7) de la Ecuaci
on (6.6)obtenemos
1 (1 k )v1 + + k1 (k1 k )vk1 = 0.
Por hip
otesis los vectores v1 , . . . , vk1 son k 1 vectores propios correspondientes a distintos valores propios y
por tanto son LI. Se sigue entonces que
1 (1 k ) = = k1 (k1 k ) = 0
| {z }
| {z }
6=0
6=0
192
como 1 k 6= 0, , k1 k 6= 0 se debe dar que 1 = = k1 = 0. Reemplazando estos valores en la
Ecuaci
on (6.5) obtenemos k vk = 0 y como vk 6= 0 se sigue que k = 0. Concluimos que los vectores v1 , . . . , vk
son LI.
Ejemplo 6.3. (MatLab) Calcule los valores y vectores propios de la matriz A = 3 4
0
0
Soluci
on. Calculamos el polinomio caracterstico con MatLab como sigue
9.
>> A = [5 6 9; 3 4 9; 0 0 2]; p = poly(sym(A))

p =
x3 3 x2 + 4
para calcular los valores propios podemos factorizar p, lo cual podemos hacer con MatLab como sigue
>> factor(p)
ans =
(x + 1) (x 2)2
De donde tenemos que los valores propios son 1 = 1 de multiplicidad 1 y 2 = 2 de multiplicidad 2.
Ahora para cada valor propio calculamos los vectores propios como sigue:
Para = 1
>> null(A + eye(3), r )
ans =
1
1
0
1

Por tanto el vector v1 = 1 es un vector propio de valor propio = 1.

0
Para = 2
>> null(A 2 eye(3), r )

ans =
2 3
1
3

Luego los vectores v2 = 1 y v3 = 0 son vectores propios de valor propio = 2.

0
1
En este caso obtenemos que E(1) = gen{v1 } y E(2) = gen{v2 , v3 }. El subespacio propio E(1) es un
2
subespacio de dimensi
on 1 y E(2) es de dimensi
on 2.
GIRALDO
193
El ejemplo anterior exhibe un caso en el que, para un valor propio , dim E() es diferente de 1. En general
este espacio puede tener cualquier dimensi
on entre 1 y n. Los valores propios, por ser races del polinomio
caracterstico tambien tienen una multiplicidad algebraica. Como en el caso anterior la multiplidad algebraica
de = 2 es 2, ya que (x 2)2 es factor de pA (x). Por tanto a un valor propio le podemos asociar dos enteros
positivos: la multiplicidad algebraica como raz del polinomio caracterstico y la dimensi
on del subespacio E() .
Esto motiva la siguiente definici
on.
Definici
no nn y sean 1 , . . . k los valores propios de A,
1. Decimos que la multiplicidad algebraica de i , es k si (i x)k es la m
axima potencia de i x que divide a
pA (). La multiplicidad algebraica de un valor propio ser
a denotada por a() .
2. La multiplicidad geometrica de i esta dada por dim Ei . La multiplicidad geometrica de un valor propio
ser
a denotada por g() .
Ejemplo 6.4. En el ejemplo anterior tenemos que a(1) = 1 = g(2) y a(2) = 2 = g(2) .
Ejemplo 6.5. En el Ejemplo 6.2 tenemos que a(1) = g(1) = 1 y a(2) = g(2) = 1.
1
3
0
0
.
Ejemplo 6.6. (MatLab) Calcular los valores y vectores propios de la matriz A =
7 1 4
0
7 1
0 4
Soluci
on. En MatLab podemos usar un comando diferente al usado en el Ejemplo 6.3 que nos permite calcular
todos los valores y vectores propios con una sola instrucci
on como sigue.
>> A = [3 1 0 0; 1 3 0 0; 7 1 4 0; 7 1 0 4]; [V, D] = eig(A)
V =
0 0
1/2
1/2
0 0
1/2
1/2
1 0
1/2
1/2
0 1
D =
4
1/2
1/2
0 0
0 0
4 0
0
0 0 2
Con este comando los vectores propios son las columnas de la matrizV y los correpondientes
valores propios

0
0

0
0

en la matriz D. Tenemos entonces que A tiene vectores propios v1 =
y v2 = ambos de valor propio
1
0

0
1
194
1/2
1/2
1/2
1/2
de valor propio = 2. N
otese que en este ejemplo

= 4, v3 =
de valor propio = 4 y v4 =
1/2
1/2
1/2
1/2
se tiene que cada valor propio tiene multiplicidad geometrica y algebraica iguales. En realidad este comando nos
da mas informaci
on acerca de la matriz, ver Ejemplo 6.24.
Hasta ahora solo hemos visto ejemplos donde la multiplicidad geometrica y algebraica de cada valor propio
son iguales, pero esto no siempre se cumple. De hecho es posible que la multiplicidad geometrica sea estrictamente
menor que la multiplicidad algebraica, a continuaci
on damos ejemplos donde se da esto.
Ejemplo
6.7. (MatLab)
Calcular los valores propios y sus multiplicidades algebraica y geometrica de la matriz
3 2
1
A = 1 6
1 .
1 2 3
Soluci
on. Primero calculamos el polinomio caracterstico del A.
>> A = [3 2 1; 1 6 1; 1 2 3]; f actor(poly(sym(A)))
ans =
(4 + x)3
Es decir que pA (x) = (4 + x)3 y se sigue que = 4 es el u
nico valor propio con multiplicidad algebraica 3.
Ahora, necesitamos el subespacio propio para calcular la multiplicidad geometrica.
>> null(A 3 eye(3), r )
ans =
2 1
1
Esto indica que E(4)
2 1

= gen 1 , 0 y se sigue que g(4) = 2 < 3 = a(4) .
0
1
Ejemplo
6.8. (MatLab)
Calcular los valores propios y sus multiplicidades algebraica y geometrica de la matriz
4 1
1
A = 0 5
1 .
1
0 3
Soluci
on. Calculamos el polinomio caracterstico
ans =
(4 + x)3
Nuevamente obtenemos que = 4 es el u
nico valor propio con multiplicidad algebraica 3, ahora necesitamos
el subespacio propio para calcular la multiplicidad geometrica.
GIRALDO
195
>> null(A 3 eye(3), r )

ans =
1
1
1
Por tanto E(4)

= gen 1 . En este caso obtenemos que g(4) = 1 < 3 = a(4) .
Como los valores propios son las races de el polinomio caracterstico, y sabemos que existen polinomios con
coeficientes reales (incluso enteros) y races complejas, entonces tambien existen matrices con entradas reales
(enteras) y valores propios complejos. A continuaci
on exhibimos un ejemplo.
Ejemplo 6.9. (MatLab) Calcular los valores y vectores propios de la matriz A = 2
4
Soluci
on. Usamos MatLab para calcular los valores propios
2 2
1 2.
1 3
>> A = [1 2 2; 2 1 2; 4 1 3]; p = poly(sym(A))

x3 x2 + x 1
Depues lo factorizamos:
f actor(p)
ans =
(x 1) (x2 + 1)
De aqui deducimos que los valores propios son 1 = 1, 2 = i y 3 = i. Ahora calculamos los vectores
propios:
>> v1 = null(c eye(3), r )
v1 =
1/3
2/3
1
>> v2 = null(c i eye(3), r )
v2 =
3/5 1/5i
3/5 1/5i
1
>> v2 = null(c + i eye(3), r )
v3 =
3/5 + 1/5i
3/5 + 1/5i
1
196
1/3
3/5 1/5i
3/5 + 1/5i
Por tanto los vectores propios son v1 = 2/3, v2 = 3/5 1/5i y v3 = 3/5 + 1/5i de valores propios
1
1
1
1 = 1, 2 = i y 3 = i, respectivamente.
Problemas
6.1.1. Encuentre los valores, vectores y subespacios propios de la matriz. Determine tambien las multiplicidades
geometricas y algebraicas de cada valor propio.
2 1
2 2
,
,
b. B =
a. A =
5 2
5
1
5 4 2
d. D = 4 5 2
2 2 2
g. G = 6
10
3
6
9
1 ,
e. E = 0
0
1 3
h. H = 7
10
c. C =
3
7
11
1 ,
,
3
1 2
f. F = 1
1 ,
2 1
0 0
1 0
i. J =
0 1
0 0
0 1
0 0
.
0 0
1 0
6.1.2. Sea A M3 (C) con dos valores propios distintos 1 y 2 . cuales son los posibles polinomios caracteristicos
de A.
Repita si A M4 (C).
6.1.3. Sean 1 , 2 , . . . , k todos los diferentes valores propios de A Mn (C) con multiplicidades algebraicas
a(1 ) , . . . , a(k ) , respectivamente. Demuestre que lo siguiente.
1. El vector v es un vector propio de A de valor propio si y s
olo v es un vector propio de A valor propio .
2. Para 6= 0, todos los diferentes valores propios de la matriz A son 1 , 2 , . . . , k . Deduzca que a(i ) es
la multiplicidad algebraica de i como valor propio de A , para i = 1, . . . , k.
3. El vector v es un vector propio de A de valor propio si y s
olo v es un vector propio de A I valor propio
.
4. Demuestre que todos los diferentes valores propios de A I son 1 , 2 , . . . , k . Deduzca que, para
i = 1, . . . , k, la multiplicidad algebraica de i como valor propio de A I es a(i ) .
5. El vector v es un valor propio de A de valor propio si y s
olo si v es un vector Am con valor propio m .
m
m
m
6. Demuestre que m
1 , 2 , . . . , k son todos los diferentes valores propios de A . Deduzca que la multiplicidad
m
algebraica de m
es a(i ) , para i = 1, . . . , k.
i como valor propio de A
GIRALDO
197
7. Sea v es un vector propio de A con valor propio , f (x) = a0 + a1 x + + ak xk un polinomio y f (A) la matriz
definida por f (A) = a0 I + a1 A + + ak Ak , entonces v es un vector propio de f (A) con valor propio de f ().
Deduzca que f (1 ), f (2 ), . . . , f (k ) son valores propios de f (A).
2 2
y f (x) = 1 2x + 3x3 .
8. Verifique lo anterior si A =
5
1
6.1.4. Encuentre los valores y vectores propios de la matrices A =
a2
yB=
a2
6.1.5. Sea A una matriz simetrica 22 con entradas reales. Demuestre que los valores propios de A son reales.
B C
entonces pA (x) = pB (x)pD (x).
6.1.6. Demuestre que si A =
0 D
6.1.7. Demuestre el Lema 6.3.
6.1.8. Demuestre que si A es invertible y v es un vector propio de A entonces v es un vector propio de A1 de

valor propio 1/.
6.1.9. Demuestre que si A Mn (R) y v E() entonces v E()
.
6.1.10. Demuestre que A es invertible si y s
olo si = 0 no es un valor propio de A si y s
olo si pA (0) 6= 0.
6.1.11. Si P es una matriz proyecci
on, es decir, si P 2 = P y P 6= I entonces det P = 0. (Recuerde que P visto
como aplicaci
on lineal satisface que ImP = ColP = {v | P v = v} y KerP = (ImP ) )
6.1.12. Demuestre que si A es nilpotente, es decir, si Ak = 0 para alg

un k > 0, entonces = 0 es el u
nico
valor propio de A.
6.1.13. Demuestre que si A2 = I entonces los valores propios de A son = 1 o = 1.
6.1.14. Si 1 , . . . , k son todos los valores propios de A entonces
1
1
1 , . . . , k
son todos los valores propios de
A1 .
6.1.15. Si 1 , . . . , n son los valores propios de A entonces det(A) = 1 n .
6.1.16. Demuestre que A + I es invertible si y s
olo si = 1 no es un valor propio de A.
6.1.17. Si A Mn (C) es invertible, demuestre que existe Cn tal que A + I no es invertible.
6.1.18. Sea A Mn (C), demuestre que A y At tienen el mismo polinomio caracterstico, es decir, pA (x) =
pAt (x). Deduzca que A y At tienen los mismos valores propios.
0 0 0 0 a0
1 0 0 0
0 1 0 0
6.1.19. Si A =
... ... ... . . . ...
a1
a2
..
.
0 0 0 0 an2
0 0 0 1 an1
demuestre que pA (x) = (1)n (xn + an1 xn1 + + a1 x + a0 ).
Exhiba una matriz A cuyo polinomio caracterstico sea pA (x) = x4 x + 1.
198
6.2.
Matrices Similares
En esta secci
on se definen los conceptos de matrices similares y matriz diagonalizable. Veremos que no todas
las matrices son diagonalizables, que matrices similares tienen el mismo polinomio caracterstico y usaremos esto
para mostrar que la multiplicidad geometrica de un valor propio es menor o igual a su multiplicidad algebraica.
Definici
on 6.5. Sean A y B matrices de tama
no nn, decimos que A y B son similares si existe una matriz
invertible C tal que A = CBC 1 . Escribiremos A B para denotar que A y B son similares.
1 1
3 0
2 1
, se
son similares. Ya que si se toma C =
yB=
Ejemplo 6.10. Las matrices A =
1
1
0 1
1 2
tiene que A = CBC 1 .
La siguiente propiedad de matrices similares es importante para lo que sigue.
Teorema 6.5. Matrices similares tienen el mismo polinomio caracterstico. Es decir, si A, BMn (C) son similares entonces pA (x) = pB (x). Se deduce adem
as que matrices similares tienen los mismos valores propios.
Demostraci
on. Como A y B son similares, existe una matriz invertible C tal que B = CAC 1 , luego
pB () = det(B I) = det(CAC 1 I) = det(CAC 1 CIC 1 )

= det C(A I)C 1 = det(C) det(A I) det(C 1 )
= det(C) det(A I)
1
= det(A I)
det(C)
= pA ().
Hay un caso especial de similaridad de matrices que definimos a continuaci

on y ser
a tratado m
as a fondo
en la Secci
on 6.4.
Definici
no nn, decimos que A es diagonalizable si existe una matriz
diagonal D tal que A D.
la matriz diagonal
3
0
0
.
1
2
1
1
es diagonalizable ya que en el Ejemplo 6.10 vimos que A es similar a
2
Es importante aclarar que no todas las matrices son diagonalizables. A continuaci

on exhibimos un ejemplo.
1 1
no es diagonalizable. Por el absurdo supongamos que existe
Ejemplo 6.12. Veamos que la matriz A =
0 1
a 0
.
una matriz D diagonal tal que A D, con D =
0 b
GIRALDO
199
N
otese que los valores propios de A son = 1 con multiplicidad 2 y los valores propios de D son = a y
= b. Como A D, entonces por el Teorema 6.5 A y D tienen los mismos valores valores propios, por tanto
a = b = 1, entonces D = I.
Finalmente, como A D(= I), existe una matriz invertible C tal que A = CDC 1 por tanto
1 1
0 1
= A = C D C 1 = CIC 1 = I =
|{z}
=I
1
0
De esta igualdad se sigue que 1 = 0, lo que es absurdo. Concluimos que A no es diagonalizable.
Este
tambien muestra que el recproco del Teorema 6.5 no es cierto. De acuerdo al ejemplo, la matriz
ejemplo
1 1
y la matriz identidad tienen los mismos valores propios y en consecuencia el mismo polinomio
A =
0 1
caracterstico, sin embargo no son similares.
La pregunta natural es bajo cuales condiciones una matriz es diagonalizable. La respuesta est
a en la Secci
on
6.4, m
as precisamente los Teoremas 6.13 y 6.15, caracterizan las matrices diagonalizables.
En los ejemplos de la secci
on anterior vimos que la multiplicidad geometrica de de los valores propios es
menor o igual a la multiplicidad algebraica, esto es cierto en general.

no nn y sea un valor propio de A, entonces g() a() , es decir,
multiplicidad geometrica de multiplicidad algebraica de .
Demostraci
on. Sea un valor propio de A, Como es un valor propio, entonces existe v 6= 0 tal que Av = v
y por tanto E() 6= 0.
Sea k = dim E() , es decir k = g() , y sean {v1 , . . . , vk } es una base para E() . Tenemos entonces que
Avi = vi para i = 1, . . . , k. Ahora tomemos wk+1 , . . . , wn tal que {v1 , . . . , vk , wk+1 , . . . , wn } es una base para
h
i
Cn y sea S = v1 . . . vk wk+1 . . . wn . Como {v1 , . . . , vk , wk+1 , . . . , wn } es una base, entonces por el
Corolario 2.13 tenemos que S es invertible y se tiene que
h
I = S 1 S = S 1 v1
h
= S 1 v1
vk
wk+1
S 1 vk
S 1 wk+1
wn
i
S 1 wn ,
de donde se sigue que S 1 v1 = e1 , . . . , S 1 vk = ek .

Ahora definamos B = S 1 AS, de esto se sigue que A y B son similares y por el teorema anterior tenemos
200
que pA (x) = pB (x) y la matriz B tiene la siguiente forma:
h
i
B = S 1 AS = S 1 A v1 vk wk+1 wn
#
"
Av
Aw
Aw
Av
1
k+1
n
k
= S 1 |{z}
|{z}
v1
vk
= S 1 v1
"
S 1 v
= | {z }1
vk
1
= |S {z v}
S 1 vk S 1 Awk+1
| {z }
ek
ek
S 1 Awk+1
.
.
.
0
=
.
..
0
h
donde R = S 1 Awk+1
Awn
S 1 Awn
S 1 Awn
S 1 vk
e1
= e1
S 1 vk S 1 Awk+1
| {z }
S 1 v1
"
Awk+1
..
.
0
..
.
..
.
0
..
.
S 1 Awn
S 1 Awn . Si escribimos R =
una matriz (n k) (n k), tenemos que
0
.
.
. ..
. .. R1
.
B=
y por tanto
0 0
. .
. . ... R2
..
0 0
R1
R2
con R1 una matriz k (n k) y R2 es
x
.
.
.
0
B xIn =
.
..
..
.
0
..
.
..
.
0
..
.
R2 xIk
R1
Se sigue del Teorema 5.7 que pB (x) = det(B xI) = (1)k ( x)k det(R2 xIk ). En consecuencia, como A
y B son similares, tenemos que

pA (x) = pB (x) = det(B xI) = (1)k ( x)k det(R2 xIk ).
Se sigue que ( x)k es un factor de pA (x) y por tanto la multiplicidad algebraica de como raz de pA (x) es
mayor o igual a k, es decir, k a() . Concluimos que
g() = k a() .
GIRALDO
201
Problemas
6.2.1. Determine cual de las siguientes 3 matrices es diagonalizable
3 0 0
3 1 0
3 1
a. A = 0 3 0
b. B = 0 3 0
c. C = 0 3
0 0 3
0 0 3
0 0
3
0
0 y C=0
0
3
3 1
6.2.2. Muestre que las matrices B = 0 3
0 0
1 0
3 1no son similares.
0 3
6.2.3. Sea v Cn \ {0} y P = vv t , demuestre que v es un vector propio de P y que E0 = V con V = gen{v}.
2b b2
no es diagonalizable, para ning
un b C. Muestre que la matriz
6.2.4. Muestre que la matriz A =
1
0
2
2b b
tampoco es diagonalizable para ning
un b.
B=
1
0
6.2.5. Muestre que la matriz A =
6.2.6. Muestre que las matrices A =
no es diagonalizable, para ning

un C.
yB=
son similares si y s
olo si 1 6= 2 .
6.2.7. Demuestre que si B es invertible entonces AB y BA son similares.
0 a b
olo si a = b = c = 0.
6.2.8. Demuestre que la matriz A = 0 0 c es diagonalizable si y s
0 0 0
6.2.9. Demuestre que las matrices A = 0
b
a
0
d y B = 0
0
a
0
a
0
olo si a = b = c = 0.
0 son similares si y s
Y AGREGAR OTROS
MOVER PROBLEMAS DEL FINAL HACIA ESTA SECCION
6.3.
Cambio de Base
El objetivo de esta secci

on es demostrar que dos matrices son similares si y s
olo si est
an relacionadas por
un cambio de coordenadas (cambio de base), para llegar a esto debemos definir cambio de coordenadas.
202
Definici
on 6.7. Sean X = {v1 , . . . , vn } una base de Rn y v Rn , sabemos que existen escalares 1 , . . . , n
talque v = 1 v1 + + n vn y que esta representaci
on es u
nica. Definimos la representaci
on del vector v en

1

..
terminos de la base X como el vector vX = . .

n
1
1
4
Ejemplo 6.13. Sea X = v1 = , v2 = . N
otese que si w = tenemos que v = 3v1 v2 y por
2
1
1

3
tanto wX = .
1
En la siguiente figura se pueden observar los vectores de la base X del ejemplo anterior y el vector w.
3
2
v2
1
b
e2
v1
e1
1
1
2
3
4

4
on del vector w con respecto a los vectores
Cuando escribimos que w = estamos en realidad dando la posici
1
e1 y e2 , ya que w = 4e1 + e2 . Es decir, las componentes de w no son m
as que las coordenadas del vector con
respecto a los vectores de la base est
andar. El vector wX en cambio, nos est
a dando las coordenadas del vector
w con respecto a la base X, ya que w = 3v1 v2 (como se puede verificar en la gr
afica).
Esto nos permite decir que las componentes del vector vX son las coordenadas del vector v con respecto a los
vectores v1 y v2 de la base X.
A continuaci
on definimos la matriz de cambio de base, que nos permitir
a cambiar las coordenadas de un
vector de una base a otra.
Definici
on 6.8. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn , definimos la matriz del cambio de
base (o cambio de coordenadas) de la base X a la base Y como la matriz.
Y IX
h
= (v1 )Y
i
(vn )Y .

0
1
andar y
Ejemplo 6.14. Sean E y X las bases de R2 definidas por E = e1 = , e2 = la base est
1
0
GIRALDO
203

1
1
on anterior se tenemos que la matriz
X = v1 = , v2 = , de la definici
2
1
E IX
= (v1 )E
(v2 )E = v1
v2 =
1 1
E IX
est
a dada por
En el siguiente teorema establecemos la propiedad que caracteriza la matriz de cambio de base.

Teorema 6.7. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn y sea v Rn , entonces
vY = Y IX vX .
M
as a
un, la matriz de cambio de base es la u
nica con esta propiedad.
Demostraci
on. Como X es una base, existen constantes 1 , . . . , n tal que
v = 1 v 1 + + n v n
(6.8)
1

.
de la definicion tenemos que vX = .. , y como Y es una base, para 1 i n, existen constantes 1i , . . . , ni

n
tal que
vi = 1i w1 + + ni wn ,
1i

.
luego (vi )Y = .. , por tanto

ni
Y IX
h
= (v1 )Y
11
i
..
(vn )Y = .
n1
(6.9)
..
.
1n
..
.
nn

v = 1 v 1 + + n v n
= 1 (11 v1 + + n1 vn ) + + n (1n v1 + + nn vn )
= (1 11 + + n 1n )v1 + + (1 n1 + + n nn )vn
luego

1 11 + + n 1n
11

..
..
vY =
= .
.

1 n1 + + n nn
n1
|
..
.
{z
IX

1n
1

.. ..
= Y IX vY .
.
.
nn
n
} | {z }
vY
204
Para la segunda parte, supongamos que A es tal que vY = AvX para todo v Rn . En particular se tiene que
para i = 1, . . . , n se tiene que (vi )Y = A(vi )X . Como (vi )X = ei se sigue que
(vi )Y = A(vi )X = Aei = iesima columna de A.
Se sigue por tanto que las columnas de A son los vectores (v1 )Y , . . . , (vn )Y , es decir, A = [ (v1 )Y (vn )Y ].
Cada base determina ejes coordenados de Rn . Estos

ejes corresponden a las lneas generadas por cada uno de
los vectores de la base. El Teorema anterior muestra que la matriz de cambio de base
Y IX
sirve para determinar
las coordenadas en terminos de la base Y de un vector escrito en terminos de una base X. Esto se ilustra en el
siguiente ejemplo.

1
1
Ejemplo 6.15. Sean E = {e1 , e2 } la base est
andar de Rn y X = v1 = , v2 = . Sea v = 3v1 v2 ,
2
1

1 1
3
, entonces
se sigue que vX = . Por el Ejemplo 6.14 se tiene que E IX =
1
2
1
v = vE = E IX vX =

4
= .
1
1
2
1 1
1
Como se muestra en la siguiente figura, estas dos bases determinan dos sistemas de ejes para R2 , uno
determinado por los vectores de la base X y otro determinado por los vectores de la base est
andar y la matriz
E IX
permite cambiar las coordenadas de un vector, en terminos de la base X, a las coordenadas en terminos
de la base est
andar. Usando la figura tambien se pueden determinar las coordenadas del vector w con respecto
a cada una de estas bases.
v2
e2 v 1
v2
2
e2
v1
e1
b
e1
2
2
GIRALDO
205
4
3
2
1
Ejemplo 6.16. Considere las bases X = v1 = , v2 = y Y = w1 = , w2 = de R2 y
1
1
1
0
v = 2v1 + 3v2 , expresar a v en terminos de la base Y .

2
1
Soluci
on. N
otese que v1 = w1 w2 y v2 = 2w1 w2 , luego (v1 )Y = y (v2 )Y = , de donde
1
1

2
1
2
. Ahora, como vX = , entonces
Y IX =
3
1 1

8
2
1
2
= .
vY = Y IX vX =
5
3
1 1
Es decir, v = 8w1 5w2 .
El siguiente teorema describe una forma de calcular la matriz de cambio de base.

h
Teorema 6.8. Sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wn } bases para Rn y sean A = v1
h
i
w1 wn . Entonces Y IX = B 1 A.
i
vn y B =
Demostraci
on. Expresando los vectores v1 , . . . , vn en terminos de la base Y obtenemos:
v1 = 11 w1 + n1 wn
..
.
.
(6.10)
vn = 1n w1 + nn wn
11
1n
.
.
Entonces (v1 )Y = .. , . . . , (vn )Y = .. y por tanto
n1
nn
De la Ecuaci
on (6.10) tenemos que
h
v1
|
por tanto A = B
Y IX ,
{z
=A
i h
v n = w1
} |
{z
=B
Y IX
11
..
= .
n1
11
i
..
wn .
}
n1
|
..
.
{z
=Y IX
multiplicando a ambos lados por B 1 obtenemos

Y IX
..
.
1n
..
.
.
nn
1n
..
,
.
nn
}
= B 1 A.
De este teorema se sigue un procedimiento para calcular la matriz del cambio de base, el cual damos a continuaci
on.
Procedimiento 6.2. (Procedimiento para calcular la matriz del cambio de base) Sean X = {v1 , . . . , vn }
h
i
h
i
y Y = {w1 , . . . , wn } bases para Rn y sean A = v1 vn y B = w1 wn entonces
206
h
i
1. Aplicar reducci
on Gauss-Jordan a la matriz aumentada B A hasta encontrar su forma escalonda reducida.
"
#
1
2. Al final del paso 1. obtenemos I B
| {z A} . Luego en la parte derecha de la matriz aumentada se obtiene la
Y
matriz de cambio de base
IX
Y IX .
1
2
1
1
Ejemplo 6.17. Considere las bases X = v1 = , v2 = y Y = w1 = , w2 = de R2 ,
0
1
1
1

1
calcular Y IX y vY si vX = .
1
h
i
2 1 1
1
obtenemos la matriz
Al reducir la matriz w1 w2 v1 v2 =
1 0 1 1
1 0 1
1
1
1
y por tanto Y IX =
0 1
3 1
3 1

0
Por el Teorema 6.7 tenemos que vY =Y IX vX = .
2
1
1
2

3
Ejemplo 6.18. (MatLab) Sean X y Y las bases de R definidas por X = v1 = 1 , v2 = 2 , v3 = 2
3
2
1
1
1
1

y Y = w1 = 2 , w2 = 1 , w3 = 1 . Calcular la matriz de cambio de base Y IX y calcular vY si v =
1
2
3
2v1 v2 + v3 .
Soluci
on. Por el procedimiento anterior la matriz de cambio de base es simplemente el producto de las matrices
h
i
h
i
1
B y A donde A = v1 v2 v3 y B = w1 w2 w3 . En MatLab hacemos lo siguiente:
>> A = [2 1 1; 1 2 2; 1 2 3]; B = [1 1 1; 2 1 1; 3 2 1]; yIx = inv(B) A

yIx =
1
Se sigue que la matriz de cambio de base est

a dada por
Y IX
= 1
1
5
5
8 . Ahora, para el calculo de
2

vY , tenemos que vX = 1 y vY =Y IX vX , esto lo hacemos en MatLab como sigue:

1
>> vx = [2; 1; 1]; vy = yIx vx
vy =
GIRALDO
207
6
15
5
Obtenemos que v = 6w1 + 15w2 5w3 .
Las matrices de cambio de base cumplen las siguientes propiedades.
Teorema 6.9. Sean X = {v1 , . . . , vn }, Y = {w1 , . . . , wn } y Z = {u1 , . . . , un } bases de Rn entonces se cumple
que:
1.
Y IX
= (X IY )1
2.
Z IX
= Z I Y Y I X
h
Demostraci
on. 1. Sean A = v1
B
Ay
X IY
=A
B, por tanto
i
h
v n , B = w1
(X I Y )
2. Sea C =
Z IX
u1
un
= C 1 A, entonces
= A1 B
i
wn , por el Teorema 6.8 tenemos que
1
= B 1 A =Y IX .
entonces por el Teorema 6.8 tenemos que
Z IX
Y IX
Y IX
= B 1 A,
Z IY
= C 1 B y
= C 1 A = C 1 BB 1 A =Z IY Y IX .

1
1
Ejemplo 6.19. Sean E la base est
andar de Rn y X = v1 = , v2 = . En el Ejemplo 6.14 obtuvimos
2
1
1 1
. Por el Teorema anterior anterior tenemos
que la matriz de cambio de base E IX est
a dado por E IX =
1
2
que la matriz de cambio de base X IE est
a dada por
X IE = ( E IX )
2
3
13
1
3
1
3
2
1
2
Ahora, sea Y = w1 = , w2 = . Se sigue que E IY = [ (w1 )E (w2 )E ] = [ w1 w2 ] =
1
1
1
Por el teorema anterior obtenemos que
1
2
1
1
2
1
.
=
3 3
X IY = X IE E IY =
1
0
1 1
13 31
1
.
1
Se deja de ejercicio al lector verificar este c

alculo usando el Procedimiento 6.2.
6.3.1.
La matriz de una transformacion con respecto a dos bases
La siguiente generalizaci
on de la definici
on de matriz de una transformaci
on. La definici
on anterior depende
de las bases est
andar y aca se hace para cualquier base del dominio y cualquier base del codominio.
208
Definici
on 6.9. Sea T : Rn Rm una transformaci
on lineal y sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }
bases para Rn y Rm , respectivamente. Definimos la matriz de T con respecto a las bases X y Y , denotada por
Y
TX como la matriz
Y
h
TX = T (v1 )Y
i
T (vn )Y .
La matriz de una transformaci

on es la matriz con respecto a las bases est
andar.
Observaci
on 6.2. Si T : Rn Rm es una transformaci
on lineal y E = e1 , . . . , en y E = e1 , . . . , em son las
bases est
andar de Rn y Rm , respectivamente, y S es la matriz de T , es decir, la matriz tal que T (x) = Sx, para
todo x Rn , entonces
S=
E TE
h
= T (e1 )
...
i
T (en ) .
2
2
Ejemplo
6.20.
la transformaci
on lineal
definida por T (x, y) = (2x + 2y, 2y) y sean

Sea T : R R
0
2
1
1
X = v1 = , v2 = y Y = w1 = , w2 = bases de R2 . Determine la matriz Y TX de T
1
1
1
1
con respecto a la bases X y Y .
Soluci
on. N
otese que T (v1 ) = (4, 2) = 2w1 y T (v2 ) = (0, 2) = 2w2 ,
Y TX = [ T (v1 )Y T (v2 )Y ] =
0
La importancia de la matriz de la transformaci
on
vector en terminos de X, vX , el producto de la matriz
se sigue entonces que
0
.
2
TX es el hecho que si tenemos las coordenadas de un

Y
TX por vX nos da las coordenadas de la imagen de
v, T (v), en terminos de la base Y . Al igual que la matriz de cambio de base, esta matriz est
a determinada de
manera u
nica por dicha propiedad.
on lineal, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }
bases para Rn y Rm , respectivamente, y sea v Rn . Entonces
T (v)Y =
TX v X .
Adem
as tenemos que si existe una matriz A tal que V vX = T (v)Y para todo v Rn , entonces A = Y TX .
Demostraci
on. Como X es una base, existen constantes 1 , . . . , n tal que
v = 1 v 1 + + n v n
y se tiene que vX
que
(6.11)
1

.
= .. . Como Y tambien es una base, para 1 i m, existen constantes 1i , . . . , mi tal

n
T (vi ) = 1i w1 + + mi wm ,
(6.12)
GIRALDO
209
1i
.
luego T (vi )Y = .. y por tanto
mi
Y
h
TX = T (v1 )Y
11
i
.
T (vn )Y = ..
m1
..
.
1n
..
.
mn
T (v) = 1 T (v1 ) + + n T (vn )

= 1 (11 w1 + + m1 wn ) + + n (1n w1 + + mn wn )
= (1 11 + + n 1n )w1 + + (1 m1 + + n mn )wn
Se sigue que

11
1 11 + + n 1n

..
..
T (v)Y =
= .
.

m1
1 n1 + + n nn
|
..
.
{z
TX

1n
1

.. ..
= Y TX v X .
.
.
mn
n
} | {z }
vX
Si A satisface que AvX = T (v)Y para todo v R , entonces para i = 1, . . . , n tenemos que T (vi )Y = A(vi )X =
Aei = i-esima columna de A. Se sigue que las columnas de A son T (v1 )Y , . . . , T (vn )Y y por tanto
A = [ T (v1 )Y T (vn )Y ] = Y TX .
En el siguiente teorema se hace explcito un procedimiento para calcular la matriz
TX .

on lineal, sean X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }
h
i
h
i
n
m
bases para R y R , respectivamente y sean A = v1 . . . vn y B = w1 . . . wm , entonces
h
i
1
T
=
B
T (v1 ) T (vn ) ,
Y X
m
as a
un
TX = B 1 E TE A.
Demostraci
on. La demostraci
on se hace de manera directa como sigue
i h
i
h
T (vn )Y = Y IE T (v1 )E Y IE T (vn )E
X TY = T (v1 )Y
h
i
i
h
= Y IE T (v1 ) Y IE T (vn ) = Y IE T (v1 ) T (vn )
h
i
h
i
= B 1 E TE v1 E TE vn = B 1 E TE v1 vn
= B 1 E TE A
210
A continuaci
on damos un procedimiento para calcular la matriz de una transformaci
on T : Rn Rm con
respecto a dos bases X = {v1 , . . . , vn } y Y = {w1 , . . . , wm }, basado en el teorema anterior
Procedimiento 6.3. (Procedimiento para calcular
Y TX )
Con Las mismas hip

otesis del teorema anterior,
h
1. Se calcula T (vi ) para i = 1, . . . , n,
2. Se aplica reducci
on Gauss-Jordan a la matriz aumentada
h
w1
wn
T (v1 )
T (vn )
=
=
T (v1 )
E TE
T (vn )
hasta llevarla a la forma escalonada reducida.

3. Al final del paso 2., considerando que B es invertible, obtenemos
"
B
|
E T E A
{z
}
Y
TX
Por tanto las u

ltimas n columnas de la matriz en forma escalonada reducida del paso 3. son las columnas de la
matriz
TX .

2x
y
x
, sean X =
Ejemplo 6.21. Sea T : R2 R2 la transformaci
on lineal definida por T =
x+y
y
1
2
1
1
v1 = , v2 = y Y = w1 = , w2 = bases de R2 . Calcule la matriz Y TX y T (v)Y si
0
1
1
1

1
vX =
1
2 1
y as
Soluci
on. Primero n
otese que E TE =
1
1
T (v1 ) =E TE v1 =

1
1
=
2
1
1
2 1
1
h
Se necesita reducir la matriz w1
forma escalonada es la matriz
w2
1 0
0 1
T (v1 )
2 0
5
T (v2 ) =E TE v2 =
i
T (v2 ) =
1 0
TX =
T (v)Y =Y TX vX =
2 0
5
2
5

3
= .
0
1
1
2 1
1
3
y f
acilmente se verfica que su
0
. Se sigue por que

Y
Finalmente, tenemos que:

2
1
0
= .
8
1
3
GIRALDO
211

x + y + 3z
2x
+
y
2z

3
4
y
Ejemplo 6.22. (MatLab) Sea T : R R la tranformaci

on definida por T y =

x + 2y + z
z
x y + 2z
1
1
1
1
1
1
2

2
1
1
1

, w2 = , w3 = , w4 = bases
sean X = v1 = 1 , v2 = 2 , v3 = 2 y Y = w1 =

3
2
1
1
3
2
1
4
3
2
1
de R3 y R4 , respectivamente. Calcule la matriz
TX y T (v)Y si v = x1 x2 + x3 .
Soluci
on. Usamos el Teorema 6.11 que nos dice que Y TX = B1 E TE A,con
1
1 1 1 1
2
1
1
2
2 1 1 1
y E TE =
A = [v1 v2 v3 ] = 1
2 2, B = [w1 w2 w3 w4 ] =
1
3 2 1 1
1 2
3
1
4 3 2 1
En MatLab solo necesitamos multiplicar las matrices, lo cual hacemos a continuaci
on.
2
.
2
1
1
2
1
>> A = [2 1 1; 1 2 2; 1 2 3]; B = [1 1 1 1; 2 1 1 1; 3 2 1 1; 4 3 2 1];

eT e = [1 1 3; 2 1 2; 1 2 1; 1 1 2]; yT x = inv(B) eT e A
yT x =
3
11
14
16
20
12
11
14
5 16
20
. Finalmente, para calcular T (v) multiplicamos
Entonces Y TX =
Y
8 5
1
12
7
1
>> vx = [1; 1; 1]; T vy = yT x vx

TX por vX = 1.

1
T vy =
28
41
2
6
28
41
. Lo que equivale a decir que T (v) = 28w1 + 41w2 2w3 + 6w4 .

Por tanto T (v)Y =
6
En MatLab tambien se puede usar el Procedimiento 6.3 para calcular la matriz Y TX de la siguiente forma.
212
Primero n
otese que
[T (v1 )
T (v3 )] = [E TE v1
T (v2 )
E TE v 2
E TE v 3 ]
= E T E [v 1
v2
v3 ] =E TE A.
Despues se calcula la matriz escalonada reducida de la matriz [B | E TE A]. En MatLab lo calculamos como sigue:
>> C = [B, eT e A]; rref (C)
ans =
1 0
0 0
11
14
0 1
0 0
16
20
0 0
1 0
0 0 0 1 12
7
1
N
otese que en la respuesta se tiene la matriz identidad en la parte izquierda y las tres u
ltimas columnas
coinciden con las columnas de la matriz
TX calculada arriba.
Concluimos la secci
on mostrando que las matrices de tranformaciones de Rn con respecto a bases distintas
son similares. Se muestra en realidad que dos matrices son similares si y s
olo si las transformaciones lineales
definidas por estas matrices est
an relacionados por un cambio de base.
Corolario 6.12. Sea T : Rn Rn una transformaci
on lineal y sea X = {v1 , . . . , vn } una base para Rn .
Entonces las matrices
X TX
E TE
son similares. M
as a
un si A, B Mn (R) son matrices similares y tomamos
la transformaci
on T : Rn Rn definida por T (v) = Av, entonces existe una base X de Rn tal que B = X TX .
Es decir, A y B son la matriz de la misma transformaci
on con respecto a bases diferentes.
h
i
Demostraci
on. Sea A = v1 vn . Por el Teorema 6.11 tenemos que X TX = A1 E TE A, o equivalentemente
E TE
es decir
E TE
X TX
= A X TX A1 ,
son similares.
Para la segunda parte, supongamos que A B y sea T : Rn Rn definida por T (v) = Av. Es facil ver
que
E TE
= A, ya que por la definicion de T se tiene que T (ei ) = Aei = iesima columna de A. Pero T (ei ) es
tambien la iesima columna de
E TE .
Como A y B son similares, existe una matriz invertible C tal que A = CBC 1 , o equivalentemente B =
C 1 AC. Sean v1 , . . . , vn las columnas de C, como C es invertible, tenemos que X = {v1 , . . . , vn } es LI y por
tanto una base para Rn .
Por el Teorema 6.11 tenemos que
X TX
= C 1 E TE C = C 1 AC = B. Concluimos que A = E TE y B = X TX
son ambas matrices de T con respecto a diferentes bases.
Problemas
6.3.1. Determine
E TE
si T (2, 1) = (3, 1) y T (1, 1) = (1, 2).
GIRALDO
213
6.3.2. Demuestre que si A y B son similares entonces det A = det B y traza(A) = traza(B). En el segundo
caso use el hecho que traza(AB) = traza(BA).
6.3.3. Sea T : Rn Rn una transformaci
on lineal y sean X y Y son bases de Rn , demuestre lo siguiente:
1. det X TX = det Y TY .
2. traza(X TX ) = traza(Y TY ).
6.3.4. Sean T, S : Rn Rn transformaciones lineales y X una base de Rn . Demuestre que
X TX
+ X SX , y
X (T )X
X TX
X (T
+ S)X =
donde T + S, T : Rn Rn son las transformaciones lineales definidas por
(T + S)(v) = T (v) + S(v) y (T )(v) = T (v).

6.3.5. Sea I : Rn Rn la transformaci
on identidad, es decir, la transformaci
on definida por I(v) = v.
Demuestre que
X IX
= In , donde In es la matriz identidad de tama

o n n.
6.3.6. Sea T : Rn Rn y supongamos que existe v R tal que {v, T (v), . . . , T n1 (v)} es una base de Rn y
0 0 0 0 a0
1 0 0 0
0 1 0 0
T n (v) = a0 v a1 T (v) an1 T n1 (v). Muestre que T =
... ... ... . . . ...
a1
a2
..
.
0 0 0 0 an2
0 0 0 1 an1
6.3.7. Sea T : V V una transformaci

on lineal y X una base de V , demuestre que T : V V es invertible
si y s
olo si la matriz
6.4.
X TX
es invertible, para toda base X de Rn .
Diagonalizaci
on
En esta secci
on se dar
an condiciones equivalentes a que una matriz sea diagonalizable, comenzamos con el
siguiente resultado.
no nn, entonces A es diagonalizable si y s
olo si
A tiene n vectores
1 0 0
0 2 . . . 0
propios linealmente independientes. En este caso A es similar a la matriz diagonal D = .

.. . .
..
..
.
.
.
0
0 n
donde 1 , . . . , n son los valores propios de A y si los correspondientes vectores propios son v1 , . . . , vn entonces
h
i
A = CDC 1 con C = v1 vn .
Demostraci
on. Supongamos que A es diagonalizable, entonces existe una matriz D diagonal y una
matriz invertible C tal que A = CDC 1 . Sean c1 , . . . , cn las columnas de C y 1 , . . . , n las entradas en la
diagonal de D.
Afirmaci
on: Los vectores c1 , . . . , cn son vectores propios de A con valores propios 1 , . . . , n .
214
Como A = CDC 1 entonces AC = DC, por tanto
[Ac1
Acn ] = A[c1 cn ] = AC = DC
1 0
..
.
..
= ..
[c 1 c n ] = [ 1 c 1
.
.
0 n
n cn ].
De esta igualdad se sigue que Ac1 = 1 c1 , , Acn = n cn , lo que demuestra la afirmacion.

Finalmente, como la matriz C es invertible, entonces sus columnas c1 , . . . , cn son linealmente independientes,
por tanto A tiene n vectores propios linealmente independientes.
Sean v1 , . . . , vn vectores propios linealmente independientes de A con valores propios 1 , . . . , n , respectivamente, es decir, Avi = i vi , para i = 1, . . . , n.
Sea X = {v1 , . . . , vn } entonces X es una base para Rn y sea T : Rn 7 Rn la transformacion lineal determinada
por A, es decir, T (x) = Ax, para todo x Rn .
h
Como T (ei ) = Aei = i-esima columna de A, entonces E TE = A. Ahora, sea C = v1
Teorema 6.11 tenemos que
X TX
= C 1 E TE C = C 1 AC, por tanto

|{z}
i
vn , entonces por el
A=C
X TX C
(6.13)
Ahora veamos que
entonces T (vi )X
T es una matriz diagonal. Como T (vi ) = Avi = i vi = 0v1 + + i vi + + 0vn ,
X X
0
.
.
.

= i , por tanto

.
..

0
X TX
= T (v1 )
De la Ecuaci
on (6.13) tenemos que A y
T (v2 )
X TX
0
T (vn ) =
..
.
0
i
2
..
.
..
.
0
..
.
son similares y de la ecuaci

on (6.14),
X TX
(6.14)
es diagonal, por tanto
A es diagonalizable.

1
5
5
tiene vectores propios v1 = y v2 = de valores propios 2 y
1
2
2 3
-1, respectivamente (ver Ejemplo 6.2.)
h
i
Si tomamos la base X = {v1 , v2 } de R2 , formada por los valores propios de la matriz A, C = v1 v2 la
GIRALDO
matriz de vectores propios y D =
2
0
215
, entonces de acuerdo al Teorema 6.13 tenemos que

1
A = CDC 1 .
Esto lo podemos verificar de la siguiente manera. De acuerdo al Teorema 6.11 la matriz
X AX
de A con respecto
a la base X esta dada por:

X AX
5
4
5
1
1
1
= C 1 AC =
3 2
2
2 3
5
de donde C 1 AC = D y por tanto

2
0
1
= D,
=
0 1
1
A = CDC 1 .
1
3
0
0
Ejemplo 6.24. En el Ejemplo 6.6 calculamos los valores y vectores propios de la matriz A =
7 1 4
0
7 1
0 4

0
0
1/2

0
0
1/2
y encontramos que los vectores propios son v1 = y v2 = ambos de valor propio = 4, v3 =
1
0
1/2

0
1
1/2
1/2
1/2
de valor propio = 2. Como A tiene cuatro vectores linealmente indepen
de valor propio = 4 y v4 =
1/2
1/2
dientes entonces A es diagonalizable y A = CDC 1 con
0 0
1/2
1/2
4
0 0 0
0 0 1/2
0 4 0 0
1/2
C=
y
D
=
1 0
0
1/2
1/2
0 4 0
0 1
1/2
1/2
0
0 0 2
Corolario 6.14. Si una matriz A de tama
no nn tiene n valores propios distintos, entonces A es diagonalizable.
2 2 3
Ejemplo 6.25. (MatLab) La matriz A = 5

1 3 tiene tres valores propios diferentes, = 1, = 3
6
0 5
y = 2. Esto lo podemos verificar en MatLab como se muestra a continuaci
on
ans =
-1
216
3
2
Por tanto A es diagonalizable, de hecho A es similar a la matriz D = 0
0 0
3 0.
0 2

no nn, entonces A tiene n vectores propios linealmente independientes si y s
olo si para cada valor propio , se tiene que
multiplicidad geometrica de = multiplicidad algebraica de .
En particular, si todos los valores propios de A son diferentes, todos los vectores propios de A son linealmente
independientes.
Demostraci
on. Para comenzar la demostraci
on, supongamos que A tiene k valores propios distintos, 1 , . . . , k ,
con multiplicidades n1 , . . . , nk , respectivamente. Es decir, el polinomio caracterstico de A est
a dado por pA () =
( 1 )n1 ( k )nk , con n = n1 + + nk .
Supongamos que A tiene n vectores propios linealmente independientes, sean v11 , . . . , v1m1 , . . . ,
vk1 , . . . , vkmk estos vectores con m1 + + mk = n y agrupados de tal forma que v11 , . . . , v1m1 tienen valor
propio 1 , v21 , . . . , v2m2 tienen valor propio 2 y, de manera inductiva, vk1 , . . . , vkmk tienen valor propio k .
Como para i = 1, . . . , k, multiplicidad geometrica de i multiplicidad algebraica de i , entonces mi ni ,
ahora si mi < ni para alg
un i = 1, . . . , k entonces tenemos que
n = m1 + + mk < n1 + + nk = n,
lo cual es imposible, por tanto para todo i = 1, . . . , k, mi = ni , es decir, para todo i = 1, . . . , k tenemos que
multiplicidad geometrica de i = multiplicidad algebraica de i .
Supongamos que la multiplicidad geometrica de cada valor propio es igual a la multiplicidad algebraica,
entonces dim(Ej ) = nj , para 1 j k. Sean {v11 , . . . , v1n1 }, {v21 , . . . , v2n2 }, . . . ,
{vk1 , . . . , vknk } bases para E1 , E2 , . . . , Ek , respectivamente.
Veamos que los vectores v11 , . . . , v1n1 , v21 , . . . , v2n2 , , vk1 , . . . , vknk son linealmente independientes.
Supongamos que
11 v11 + + 1n1 v1n1 + + k1 vk1 + + knk vknk = 0
(6.15)
y sean v1 = 11 v11 + + 1n1 v1n1 , . . . , vk = k1 vk1 + + knk vknk , entonces la ecuacion (6.15) se convierte
en
v1 + v2 + + vk = 0.
(6.16)
Afirmaci
on: v1 = v2 = = vk = 0
Supongamos que algunos de los vj 6= 0, como vij Ei para 1 i k entonces tenemos que v1 E1 ,
GIRALDO
217
v2 E2 , . . . , vk Ek , entonces los vectores de la lista v1 , . . . , vk que son no nulos, son vectores propios de
valores propios 1 , . . . , k , respectivamente. Como los valores propios 1 , . . . , k son distintos, entonces, por el
Teorema 6.4, los vectores no nulos de la lista v1 , . . . , vk son linealmente independientes, pero de la Ecuaci
on (6.16)
se sigue que estos vectores son linealmente dependientes, lo cual es contradictorio y por tanto v1 = = vk = 0,
y la afirmaci
on se cumple.
Luego para 1 j k tenemos que
0 = vj = j1 vj1 + + jn1 vjnj ,
pero como los vectores {vj1 , . . . , vjnj } son una base para Ej , entonces son linealmente independientes y por
tanto j1 = = jnj = 0. Como esto es para todo j = 1, . . . , k tenemos que
11 = = 1n1 = = k1 = = knk = 0.
Entonces los vectores v11 , . . . , v1n1 , v21 , . . . , v2n2 , . . . , vk1 , . . . , vknk son linealmente independientes y como todos estos son vectores propios de A y n1 + + nk = n, entonces A tiene n vectores propios linealmente
independientes.
Corolario 6.16. Sea A una matriz A de tama
no nn, entonces A es diagonalizable si y s
olo si para todo valor
propio de A se cumple que
multiplicidad geometrica de = multiplicidad algebraica de .
Demostraci
on. El corolario se sigue de los Teoremas 6.13 y 6.15.
Ejemplo
6.26.
1. En el Ejemplo
6.6 vimos que la matriz
3 1
0
0
1
3
0
0
tiene valores propios = 4, = 4 y = 2 y que las multiplicidades geometricas y
A=
7 1 4
0
7 1
0 4
algebraicas eran a4 = g4 = 2, a4 = g4 = 1 y a2 = g2 = 1, entonces la matriz es diagonalizable.
3 2
1
2. En el Ejemplo 6.7 vimos que el u

nico valor propio de la matriz A = 1 6
1 es = 4 con multplicidad
1 2 3
algebraica a4 = 3 y geometrica g4 = 2, entonces por el corolario anterior A no es diagonalizable.
4 1
1
3. En el Ejemplo 6.8 vimos que el u

nico valor propio de la matriz A = 0 5
1 es = 4 con multiplicidad
1
0 3
algebraica es a4 = 3 y geometrica g4 = 1, por tanto A no es diagonalizable.
6.4.1. Para cada una de las matrices del problema 6.1.1 determine si es diagonalizable. En caso afirmativo,
encuentre las matrices C y D tal que A = CDC 1 .
218
6.5.
Matrices Sim
etricas y Diagonalizaci
on Ortogonal
a11
..
Definici
on 6.10. Sea A = .
am1
..
.
a1n
..
de tama
no m n con entradas complejas.
.
amn
1. Definimos la matriz conjugada de A, denotada por A, como la matriz que se obtiene al conjugar las entradas de
A, estos es
a11
.
A = ..
am1
..
.
a1n
..
.
amn
2. La transpuesta hermitiana de A, denotada por AH , se define como AH = A .

3. Decimos que A es hermitiana si A = AH .
Ejemplo 6.27. Considere la matriz A =

t
AH = A =
1i
1+i
1i
1+i
, n
otese que A =
1i
1+i
1+i
1i
. Como A = AH entonces A es una matriz hermitiana.
Teorema 6.17. Sea A una matriz hermitiana de tama

no nn entonces los valores propios de A son reales.
Esto es, si es un valor propio de A entonces R. En particular, si A una matriz simetrica con entradas
reales, entonces sus valores propios son reales y por tanto sus vectores propios son reales.
t
Demostraci
on. Como A es hermitiana, entonces A = AH = A de donde At = A, entonces
t
v v = v t v = v t v Av = v t Av = v t AH v = v t A v = (Av)t v
= (Av)t v = (v)t v = v t v = v v.
De donde se sigue que ( )v v = 0, como v 6= 0 entonces v v 6= 0. Por tanto , es decir = .
Teorema 6.18. Sea A una matriz hermitiana de tama
no nn y sean x y y vectores propios de valores propios
1 y 2 , respectivamente. Si 1 6= 2 entonces x y = 0, es decir, x y y son ortogonales. El teorema tambien se
cumple si A es una matriz simetrica con entradas reales.
Demostraci
on.
1 (v1 v2 ) = (1 v1 v2 ) = (Av1 v2 ) = (Av1 )t v2 = (Av1 )t v2
t
= v1 t |{z}
A v2 = v1 t Av2 = v1 t 2 v2 = 2 v1 t v2 = 2 (v1 v2 ).
AH =A
Luego (1 2 )v1 v2 = 0, como 1 6= 2 entonces v1 v2 = 0.
GIRALDO
219
1
. Los valores propios de A son = 1 y = 3 los cuales son n
umeros reales y
1 2

1
1
otese que v1 v2 = 0.
los vectores propios son v1 = y v2 = . N
1
1
2 1 1
Ejemplo 6.29. La matriz simetrica A = 1

2 1 debe tener valores propios reales, usamos MatLab
1 1
2
para calcular la factorizaci
on de su polinomio caracterstico:

ans =
x (x 3)2
Por tanto los valores propios son = 0 y = 2 de multiplicidad 2.
6.6.
Formas Cuadr
aticas
Definici
on 6.11. Una forma cuadr
atica es una expresi
on de la forma
n
X
i=1
aii x2i +
aij xi xj .
i<j
a11
a12
2
2
t
aii xi +
N
otese que si F =
aij xi xj es una forma cuadr
atica entonces F = x Qx donde Q =
..
.
i=1
i<j
n
X
a1n
2
a12
2
a22
..
.
..
.
a2n
2
x1

..
y x = . .

xn
Ejemplo
atica F = 2x2 + 2xy + 2y 2 se puede escribir matricialmente como F =
forma caudr
La
6.30.
h
i 2 1
x
.
x y
y
1 2
Observaci
on 6.3. Un hecho muy conocido, pero que no ser
a demostrado en este libro, es que toda matriz
simetrica es diagonalizable, esto hecho lo usaremos en el siguiente teorema.

Teorema 6.19. (Teorema de los ejes principales) Sea F = xt Qx un forma cuadr
atica en n variables con Q una
matriz simetrica. Como Q es diagonalizable existen vectores propios v1 , . . . , vn de Q linealmente independientes.
Sean 1 , . . . , n los respectivos valores propios correspondientes a v1 , . . . , vn y sea X = {v1 , . . . , vn }, entonces
X es una base de Rn . Entonces bajo la base X, la forma cuadr

atica tiene la forma:
F = 1 y12 + + n yn2 .
a1n
2
a2n
2
..
.
ann
220
Demostraci
on. Primero veamos que a la base X la podemos tomar ortonormal.
Si los i son todos distintos, entonces los vectores propios son ortogonales y X es ortogonal, si no lo son,
tomamos v11 , . . . , v1k1 , . . . , vs1 , . . . , vsks una reindexacion de los vectores de X de tal manera que v11 , . . . , v1k1 son
vectores propios de valor propio 1 ,. . . vs1 , . . . , vsks vectores propios de valores propios s . Aplicando GrammSchmidt a cada uno de los conjuntos {v11 , . . . , v1k1 , }, . . . ,
{vs1 , . . . , vsks } obtenemos vectores w11 , . . . , w1k1 , . . . ,ws1 , . . . , wsks formando una base ortogonal y redefinimos

1
1
1
1
w1k1 , . . . ,
wsks .
w11 , . . . ,
ws1 , . . . ,
X=
||w11 ||
||w1k1 ||
||ws1 ||
||wsks ||
Por tanto X es ortonormal.
Como X es una base de vectores propios entonces
..
X QX = .
0
Adem
as sabemos que
X QX
h
= BQB 1 donde B = v1
matriz ortogonal y B 1 = B t , por tanto
Q = B 1
..
.
0
..
.
i
vn . Como X es ortonormal, entonces B es una
X QX B
(6.17)
t
= BX
QX B
(6.18)
Definamos y = Bx y sean y1 , . . . , yn las componentes de y, entonces de (6.18) tenemos que la forma cuadr
atica
tiene la forma
F = xt Qx = xt B t
X QX Bx
= (Bx)t
X QX Bx
= yt
X QX y.
(6.19)
Luego de (6.17) y (6.19) tenemos que

F = 1 y12 + + n yn2 .
Adem
as notese que los ejes de esta forma cuadr
atica son los vectores de la base X, los cuales son perpendiculares.
Observaci
on 6.4. Una ecuaci
on de la forma F = c con F una forma cuadr
atica y c una constante es una
secci
on c
onica.
El teorema de los ejes principales nos permite identificar la secciones c
onicas. Sea xt Qx = c una c
onica con
c > 0 constante y sean 1 , . . . , 2 los valores propios de Q, entonces tenemos lo siguiente:
Si Q es 2x2 y:
1. 1 , 2 > 0 entonces xt Qx = c es una elipse.
2. 1 , 2 < 0 entonces xt Qx = c es vacia.
3. 1 2 < 0 entonces xt Qx = c es una hiperbola.
4. 1 2 = 0 entonces xt Qx = c es una forma degenerada.
GIRALDO
221
En el caso 3x3 tenemos:

1. Si 1 , 2 , 3 > 0 entonces xt Qx = c es un elipsoide.
2. Si 1 , 2 , 3 < 0 entonces xt Qx = c es vacia.
3. Si uno de los i es positivo y los otros negativos entonces xt Qx = c es un hiperboloide de 2 hojas
4. Si uno de los i es negativo y los otros positivos, entonces xt Qx = c es un hiperboloide de una hoja.
5. Si c = 0 y uno de los i es positivo y los otros negativos o dos positivos y uno negativo entonces xt Qx = c es
un cono.
Ahora consideremos la ecuaci
on z = xt Qx con z variable y Q de taman
no 2x2 con valores propios 1 y 2 .
Entonces tenemos lo siguiente
1. Si 1 2 > 0 entonces z = xt Qx es un paraboloide elptico.
2. Si 1 2 < 0 entonces z = xt Qx es un paraboloide hiperb
olico o silla de montar.
i 2 1
x
=
Ejemplo 6.31. La secci
on c
onica 2x2 +2xy+2y 2 = 4 se puede escribir matricialmente en la forma x y
y
1 2
4.

1
1
2 1
son v1 = y v2 = con valores propios 1 y 3, respectivamente.
Los vectores propios de Q =
1
1
1 2
Entonces con respecto a la base X = {v1 , v2 } tenemos que la ecuaci
on de la forma cuadr
atica est
a dada por
h
x2 + 3y 2 = 4 cuya ecuaci
on corresponde a una elipse.
Ahora, si consideramos la ecuaci

on z = 2x2 + 2xy + 2y 2 entonces con respecto a la base X la ecuaci
on tiene
la forma z = x2 + 3y 2 el cual corresponde a un paraboloide elptico.
h
Ejemplo 6.32. La secci
on c
onica 4xy = 5 se puede escribir matricialmente en la forma x
5.
i 0 2
x
=
y
y
2 0

1
son v1 = y v2 = con valores propios
Los vectores propios de Q =
1
1
2 0
-2 y 2, respectivamente. Normalizando estos vectores obtenemos w1 = 12 v1 y w2 = 12 v2 , entonces con respecto
0 2
a la base X = {w1 , w2 } tenemos que la ecuaci

on de la secci
on c
onica est
a dada por 2x2 + 2y 2 = 5 cuya
ecuaci
on corresponde a una hiperbola abierta
la direcci
on de y , es decir,
on de la linea generada
en
en la direcci
5/2
5/2
y 5 w 2 =
.
por v2 y con interceptos 52 w2 = 25 v2 =
2
5/2
5/2
Ahora, si consideramos la ecuaci
on z = 4xy entonces con respecto a la base X la ecuaci
on tiene la forma
z = 2x2 + 2y 2 la cual corresponde a un paraboloide hiperb

olico o silla de montar.
5 1 1
onica corresponde a la ecuaci

on
Ejemplo 6.33. (MatLab) Sea Q = 1
5 1, determinar que tipo de c
1 1
5
xt Qx = 5.
222
Soluci
on. Usamos MatLab para calcular los valores propios de A,
>> A = [5 1 1; 1 5 1; 1 1 5]; eig(A)
ans =
6
3
6
Por tanto la c
onica corresponde
a un elipsoide. Para calcular
calculamos los vectores
coordenados,
los ejes

1
1
1

otese
propios los cuales son v1 = 1 con valor propio 3 y v2 = 1 y v3 = 0 ambos de valor propio 6. N

1
0
1
que v2 y v3 no son ortogonales, pero estos forman una base
para
el
subespacio
propio E6 , entonces usando
1/2
Gramm-Schmidt, reemplazamos v3 por w3 = v3 proyv2 v3 = 1/2. Obtenemos que los ejes coordenados bajo
1
los cuales la gr
afica de xt Qx = 5 es un elipsoide son las lineas determinadas por los vectores:

1

v 1 = 1 ,

1
Ejemplo 6.34. Sea Q = 5

v2 = 1

0
1/2
w3 = 1/2 .
onica corresponde a la ecuaci

on xt Qx = 5.
1 1, determinar que tipo de c
1
5
Soluci
on. Se puede ver que los valores propios de Q son = 3, 6 y 6. Por tanto la c
onica corresponde a un
hiperboloide de una hoja.

1/2
1

Es f
acil ver que los vectores propios de Q son v1 = 1 con valor propio 3, v2 = 1/2 de valor propio

1
1

1

6 y v3 = 1 de valor propio -6. De donde se sigue que la ecuaci
on de esta c
onica con respecto a la base

0
{v1 , v2 , v3 } es 3x2 + 6y 2 6z 2 = 5, la cual corresponde a un hiperboloide de una hoja cuyo eje central es la
linea generada por el vector v3 .
Ejemplo 6.35. Determine el tipo de c
onica determinada
Soluci
on. La matriz de la forma cuadr
atica es Q = 1
por la cuadr
atica 2xy + 2xz + 2yz = 5.
1 1
0 1 cuyos vectores propios ortogonales son v1 =
1 0
GIRALDO
223
1
1/2
1

on de esta
1 y v2 = 1/2 ambos de valor propio -1 y v3 = 1 de valor propio 2. Por tanto la ecuaci

1
1
0
c
onica con respecto a la base {v1 , v2 , v3 } es x2 y 2 + 2z 2 = 5 cuya gr
afica corresponde a un paraboloide de
dos hojas cuyo eje central es la linea generada por el vector v3 .
6.7.
Ejercicios
En los problemas 4-8 1 , 2 , . . . , n son los valores propios de una matriz A. Encuentre una matriz ortogonal
Q y una matriz diagonal D tal que A = QDQt si:
a. A =
3
4
b. A =
3
2
3 1
c. A = 1 3
0 0
1 3
d. A = 3 1
0 0
Para cada una de las matrices del problema anterior identifique el tipo de c
onica representada por la forma
cuadr
atica xt Ax = 4 y bosquejar su grafica. Para las matrices dadas en los Problemas 1a. y 1b. identifique el
tipo de superficie que que representa la ecuaci
on z = xt Ax con z variable. Para cada una de las matrices del
1 encuentre
vectores propios
A
X . Sean
Problema

y encuentre
una
baseX de
la matrizX
1
1
0
0
1
1

X = x1 = 1 , x2 = 1 , x3 = 0 y Y = y1 = 1 , y2 = 1 , y3 = 0 bases de R3 .
0
0
1
1
2
1
Encuentre las matrices de cambio
de base Y IX
y X IY . Sea T : R3 R2 la transformaci
on lineal cuya matriz
1 1
. Calcular la matriz Z TX de T con respecto a las bases

1
1
0
1
0
1

X = x1 = 1 , x2 = 1 , x3 = 0 de R3 y Z = z1 = , z2 = de R2 . Sea
1
1
2
1
0
1 1
0
T : R3 R3 la transformaci
on lineal cuya matriz E TE est
a dada por E TE = 0 2 1. Calcular la
1 0 1
1
0
1

matriz X TX de T con respecto a la base X = x1 = 1 , x2 = 1 , x3 = 0 de R3 .
2
1
0
7.
6.
5.
4.
3.
2.
1. Mas Problemas.
1
0
1

8. Sea X = x1 = 1 , x2 = 1 , x3 = 0 una base de R3 , encontrar una base Y = {y1 , y2 , y3 } tal
2
1
0
E TE
est
a dada por
E TE
224
que
X IY
1 0
= 1 1
0 1
0.
0 1
= 1 1 0 .
0 1 1
0
1
10. Sea T : R3 R2 una transformaci
on lineal y sea Z = z1 = , z2 = una base para R2 y X =
1
1
1
0
1
1
1
1

, calcular la matriz E TE .
x1 = 1 , x2 = 1 , x3 = 0 una base para R3 . Si Z TX =
0
2
1
0
1
2
0
1
x
+
2y
x
y sea Y = y1 = , y2 = una base de R2 .
11. Sea T : R2 R2 definida por T =
1
1
2x + y
y
1 1
.
Calcular la base X tal que Y TX =
0 2
1
1
2
1
.
. Demuestre que no existe una base X tal que X TX =
12. Sea T : R2 R2 tal que E TE =
0 1
1 1
9. Repetir el problema anterior si en lugar de
X IY
se nos da
Y IX
Captulo 7
Aplicaciones
En esta secci
on asumiremos
que A
1 0
0 2
vectores propios y D =
.. . .
..
.
.
.
7.1.
1
es una
donde C es la matriz de
matriz diagonalizabe con A = CDC
0
.. con 1 , . . . , n los valores propios de A.

.
Potencia de una matriz
Es f
acil ver que Ak = CDk C 1 . De hecho si suponemos por inducci
on que Ak1 = CDk1 C 1 entonces
1
k1
Ak = Ak1 A = CDk1 |C 1
DC 1 = CDk C 1 .
{z C} DC = CD
=I
k1
0
Tambien se puede ver facilmente por inducci
on que Dk =
..
.
k2
..
.
0
Ejemplo 7.1. Calcule la k-esima potencia de la matriz A =
2 1
1 2
..
.
0
..
.
kn

1
Se puede ver que los vectores propios de A son v1 = de valor propio = 1 y v3 = de valor propio
1
1
= 3, entonces tenemos que
1
1
3 0
1
1
A=
1 1
0 1
1 1
3k
Por tanto
Ak =
1
1
3 0
1 1
0 1
1
1 1
225

1 k
1
(3 + 1)
0 1 1
= 2

1
k
1 2 1 1
2 (3 1)
1 k
2 (3
1 k
2 (3
1)
+ 1)
226
7.1.1.
Relaciones de recurrencia
Si se tiene una relaci

on de recurrencia determinada por una ecuaci
on de la forma an = an1 + an2 ,
entonces tenemos el sistema de ecuaciones
an = an1 + an2 ,
an1

an
,
=
El cual es equivalente al sistema
an1 = an1 ,
1 0
an2
an1

y si continuamos aplicando el sistema a los vectores
el cual es cierto para todo n. Si hacemos A =
1 0
an2
an1
, . . . , obtenemos
,
an3
an2

an
a
= An1 1 .
(7.1)
an1
a0
Si conocemos los valores de a1 y a0 , entonces con la Ecuaci

on
una f
ormula para an en terminos
(7.1) obtenemos
1 0
C 1 , con C la matriz de vectores propios
de los valores propios de A y n. Esto se da porque si A = C
0 2
n1
0
1
C 1 .
y 1 y 2 los valores propios de A, entonces An1 = C
n1
0
2
Ejemplo 7.2. (Suceci

on de Fibonacci) La secuencia de Fibonacci satisface la relaci
on Fn = Fn1 + Fn2 ,
para n 2, con F0 = 0 y F1 = 1. Encuentre una f

ormula para calcular el n-esimo termino
Fn .
Fn1
1 1
Fn
=
De acuerdo a las ecuaciones Fn = Fn1 +Fn2 y Fn1 = Fn1 , tenemos el sistema
1 0
Fn2
Fn1
y por tanto
Los vectores propios de A son v1 =

valor propio 1 = 12 (1 +
5).
Fn
Fn1
1
2
Por tanto A = CDC 1 con C =

obtenemos que
1
2
= An1
F1
F0
, con A =
1 1
1 0

1
5
5
1
+
con valor propio 1 = 1 (1 5) y v2 = 2
con
2
1
1
1
1

5
1
2

1
1 5
5
y D = 2
0
1
1+

1
= An1 = CDn1 C 1
0
F0
Fn1

n1
1
0
1
1
5
1
=C 2
n1 C
1
0
0
5
2 1

n
n
5
1
1
15 12 25
2 + 2

= 5
n1
n1
5
5
1
1
1
1
+
2
2
5 2
5 2
Fn
F1
0
1
2
1+
y de estos
5
GIRALDO
De esto concluimos que Fn =
7.1.2.
1
5
1
2
5
2
n
1
5
1
2
5
2
227
n
Cadenas de Markov
Esta subsecci
on tambien se trata de una aplicaci
on de la potencia de matrices y lo expondremos con ejemplos.
Ejemplo 7.3. Dos compa
nias A y B manipulan el mercado de celulares y se calcula que A tiene el 60 % de los
clientes, mientras que B maneja el 40 % del mercado. La compa
nia A prepara una agresiva campa
na comercial
la cual, de acuerdo a un estudio de mercado, acarrear
a las siguientes consecuencias:
El 90 % de los clientes de A permancer
an con A y el resto se ir
aaB
El 30 % de los clientes de B se cambiar
an a A y el resto permanecer
a con B.
Determine los porcentajes de clientes de A y B si se aplica la campa
na 1 vez, 10 veces, k veces e indefinidamente.
Si Xk y Yk es el porcentaje de clientes de A y B respectivamente despues de aplicar la campa
na k veces
entonces tenemos que
Xk = 0,9Xk1 + 0,3Yk1
Yk = 0,1Xk1 + 0,7Yk1
equivalentemente
Xk
Yk
0,9
0,1
0,3 Xk1
.
0,7
Yk1
Por tanto, despues de aplicar la campa

na una vez otbtenemos

0,66
0,6
0,9 0,3
X0
0,9 0,3
X1
.
=
=
=
0,34
0,4
0,1 0,7
Y0
0,1 0,7
Y1
Es decir, A manejar
a el 66 % de los clientes y B el 34 %.
Si se aplica la campa
na 10 veces obtenemos que
X10
Y10
0,9 0,3
0,1 0,7
X9
Y9
0,9 0,3
0,1 0,7
X8
Y8
= =
0,9 0,3
0,1 0,7
10
X0
Y0
0,749
0,251
Es decir, despues de aplicar la campa

na 10 veces, A dominar
mercado.

a el 74.9% del
0,9
0,3
,6
X
Xk
0
.
Despues de aplicar la campa
na k veces obtenemos que = Ak = Ak , donde A =
0,1 0,7
,4
Y0
Yk
Para determinar
simapotencia de A calculamos los valores y vectores propios y encontramos que los
la k-e
1
3
vectores v1 = y v2 = de valores propios = 1 y = 0,6, respectivamente, por tanto: A = CDC 1
1
1
1 0
3 1
. De lo cual se obtiene que
yD=
con C =
0 0,6
1
1
Ak = CDk C 1 =
3
1

1
1
0
1
1
k 4
1
0 0,6
1

1
3 + 0,6k
1
= 4

1
k
3
4 1 0,6
3
4
1
4

1 + 3 0,6k
1 0,6k
228
De esta forma tenemos que
Xk
Yk
= Ak
0, 6
0, 4
1
4
1
4
3 0,6k+1
1 + 0,6k+1

Por tanto el porcentaje de clientes de A despues de aplicar la campa

na k veces sera el

B sera 41 1 + 0,6k+1
1
4

3 0,6k+1 % y el de
Esto indica que si se aplica la campa

na indefinidamente el m
aximo porcentaje de clientes que obtiene A es

1
1
3 0,6k+1 = 0,75 % y el mnimo porcentaje al que B llegara es Y = lm
3 + 0,6k+1 =
X = lm
k 4
k 4
0,25 %.
Comparando este u
ltimo resultado con el obtenido al aplicar la campa
na 10 veces obtenemos que es suficiente
con aplicar esta alrededor de 10 veces para obener un buen beneficio para la compa
nia.
7.2.
Exponencial de una matriz diagonalizable
La funci
on exponencial de un real x, se define como la serie ex =
convergente para todo x R y por tanto ex est
a bien definido para todo x.
X
1 k
x . Se sabe que esta serie es
k!
k=0
X
1 k
A y
k!
k=0
mostraremos en esta secci
on que esta matriz est
a bien definida si A es diagonalizable. En general la matriz de
De igual forma para una matriz A definiremos la matriz exponencial como la matriz eA =
cualquier matriz compleja est

a bien definida, pero esto requiere de la forma de Jordan, en esta secci
on solo nos
concentraremos en las matrices diagonalizables.
1 0 0
0 2 0
Primero, si D = .
.. . .
.. es diagonal, entonces
..
.
.
.
0
0 n
eD
k1
X
0
1 k X 1
D =
=
.
k!
k!
..
k=0
k=0
X 1
k1
0
k=0 k!
X
1 k
0
2
k!
=
k=0
..
..
.
.
0
0
0
k2
..
.
0
..
..
.
k1
k2
..
.
..
.
0
..
.
kn
e 2
..
.
..
.
0
..
.
e n
X
0
1
=
.
k=0 k! ..
kn
0
0
..
.
e 1

0
0
=
..
..
.

.
0
X 1
k
n
k!
k=0
GIRALDO
229
Ahora, si la matriz A es diagonalizable con A = CDC 1 , tenemos que:
X
X
1
1 k X 1
1 k
A =
(CDC ) =
CDk C 1 = C
k!
k!
k!
k=0
k=0
k=0
por tanto eA est

a bien definido y eA = CeD C 1 .
2
1
.
Ejemplo 7.4. Calcular eA si A =
1 2
En el Ejemplo 7.1 vimos que A = CDC 1 con C =
eA = CeD C 1 =
7.2.1.
X
1 k
D
k!
1 1
1 1
e3
k=0
yD=
1
1 1
3
0
C 1 = CeD C 1 ,
0
. Entonces
1
e4
e2
e4
e2
Sistemas Lineales de Ecuaciones diferenciales
Considere el sistema lineal de ecuaciones diferenciales de la forma
x1 = a11 x1 + + a1n xn ,
..
.
x = a x + + a x ,
n1 1
nn n
n

a11
x1

.. ..
El cual es equivalente al sistema . = .

an1
xn
a11
x1

.
.
el cual tambien, por simplicidad, escribiremos X = AX con X = .. y A = ..

an1
xn
Si A es diagonalizable con A = CDC 1 entonces el sistema tenemos que
..
.
..
.

x1
a1n

.. ..
,
.
.
xn
ann
a1n
..
.
.
ann
X = AX = CDC 1 X o equivalentemente C 1 X = DC 1 X o equivalentemente Y = DY

donde Y = C 1 X y por tanto Y = C 1 Y . Si denotamos por y1 , . . . , yn las coordenadas del vector Y , entonces
la ecuaci
on Y = DY produce el sistema de ecuaciones
y1 = 1 y1 ,
...,
yn = n yn
cuyas soluciones est

an dadas por
y 1 = c 1 e 1 t ,
...,
y n = e n t .
Como X = CY , obtenemos la siguiente soluci

on al sistema inicial

x1
c 1 e 1 t

..
.
. = X = CY = C .. .

xn
c 1 e 1 t
230
Ejemplo 7.5. Resolver el sistema de ecuaciones lineales
x = 2x1 + x2 ,
1
x = x1 + 2x2 .
2

x
2 1
x1
1 y por el Ejemplo 7.1 sabemos que la matriz
El sistema se puede escribir en la forma =
1 2
x2
x2
3
0
1
1
2 1
.
yD=
se puede escribir como el producto A = CDC 1 con C =
A=
0 1
1 1
1 2

y
3
0
y
1
1 cuyas
Entonces haciendo Y = C 1 X obtenemos el sistema Y = DY , es decir, =
0 1
y2
y2
soluciones est
an dadas por
y1 = c1 e3t
y 2 = c 2 et
con c1 y c2 constantes. Finalmente obtenemos la soluci

on

c1 e3t + c2 et
c1 e3t
1
1
c1 e3t
x1
.
=
=
=C
c1 e3t c2 et
1 1
c 2 et
c 2 et
x2
Es decir, las soluci
on al sistema est
a dada por
x1 = c1 e3t + c2 et
con c1 y c2 constantes.
x2 = c1 e3t c2 et

Algebra Lineal

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algebra Lineal

Transféré par

Droits d'auteur :

Formats disponibles

ALGEBRA

c Copyright by Omar Saldarriaga, 2010.

1.2. Operaciones con Matrices y Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Matrices Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5. Inversas Laterales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Independencia Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4. Conjuntos generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.6. Subespacio generado por un conjunto de vectores . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.7. Subespacios fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.8. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.9. El Teorema de la base incompleta en Rm

3.1. Definicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Transformaciones Lineales Inyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3. Transformaciones Lineales Sobreyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.5. Espacios Vectoriales Arbitrarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

4.1. Producto interno en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

5.1. Definicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

6.1. Polinomio Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

7.1.1. Relaciones de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226

Sistemas de Ecuaciones Lineales

Ejemplo 1.3. Al principio de la secci

aplicando las opera-

3. finalmente de, -3 ecuaci

y la tercera en 3F2 + F1 . Al aplicar estas operaciones obtenemos

Las siguientes matrices est

en forma escalonada reducida:

donde las entradas * representan un n

rref como se muestra a continuaci

Para reducir esta matriz, multiplicamos la primera fila por

obteniendo una matriz con un uno en la primera

ai+1,1 F1 +Fi+1 Fi+1

... 0 ... 1 akn .

... 0 ... 1 akn

... 0 ... 0 a1n

0 ... 0 ... 0 amn

... 0 ... 0 a1n

0 ... 0 ... 0 amn

Ejemplo 1.6. Calcular la forma escalonada de reducida de la matriz A = 2 2 1 4 .

primera y la segunda fila

Luego multiplicamos la primera fila por

este pivote para anular

para obtener el pivote en la primera columna y despues usamos

esta entrada para anular las dem

entradas en la tercera columna, as

Por tanto la matriz 0 0 1 0 es la forma escalonada reducida de A.

Con estos pasos estamos garantizando el cumplimiento de la condiciones 2. y 4. de la Definici

despues se usa el pivote para anular las dem

Finalmente observamos que la primera entrada no nula de la tercera fila es la u

y obtenemos nuevamente que la matriz 0 0 1 0 es la forma escalonada reducida de A.

Ejemplo 1.7. Calcule la forma escalonada reducida de la matriz A = 2 4

Las operaciones para reducir esta matriz son las siguientes:

De esta matriz se obtienen las ecuaciones x1 = c1 , . . . , xn = cn la cuales corresponden a la u

3. Supongamos sin perdida de generalidad que las dos u

xn1 = dn1 cn1 xn .

A las variables correspondientes a columnas sin pivote se les llamar

le corresponde la matriz de coeficientes

1. En el Ejemplo 1.3 se obtuvo que al sistema lineal

. Por el Teorema 1.2 el sistema tiene infinitas soluciones, lo cual se muestra en la

Ejemplo 1.9. Determine si el sistema

tiene soluciones y en el caso afirmativo escribalas

y su forma escalonada reducida est

y escribiendo las variables b