Universidad de Chile

Facultad de Ciencias
Departamento de Matemáticas

Apuntes de curso

Álgebra Lineal

versión del 30 de junio de 2025

 Índice general

Índice general I

Prefacio III

1 Espacios Vectoriales 1
1.1. Definición y propiedades básicas . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Base y Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4. Bases en dimensión infinita . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5. Sumas de subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 19
1.6. Espacio Vectorial Cociente . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.8. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2 Transformaciones Lineales 49
2.1. Definición y propiedades básicas . . . . . . . . . . . . . . . . . . . . . . . 49
2.2. Núcleo e Imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3. Transformaciones lineales y matrices . . . . . . . . . . . . . . . . . . . . 56
2.4. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.5. Teoremas de isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.7. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

3 Dual y bidual 103

i
ii ÍNDICE GENERAL

3.1. Espacio dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

3.2. Espacio bidual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.3. Anuladores de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.4. Transformación lineal traspuesta . . . . . . . . . . . . . . . . . . . . . . . 114
3.5. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

4 Determinantes 131
4.1. Funciones determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.2. Unicidad de la función determinante . . . . . . . . . . . . . . . . . . . . 135
4.3. Propiedades del determinante . . . . . . . . . . . . . . . . . . . . . . . . 139

5 Formas canónicas elementales 143

5.1. Valores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.2. Polinomios anuladores y minimales . . . . . . . . . . . . . . . . . . . . . 152
5.3. Subespacios invariantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.4. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.5. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

6 Productos Internos 205

6.1. Formas bilineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.2. Productos internos sobre R . . . . . . . . . . . . . . . . . . . . . . . . . . 211
6.3. Formas hermitianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
6.4. Productos internos sobre C . . . . . . . . . . . . . . . . . . . . . . . . . . 222
6.5. Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.6. Operadores ortogonales y unitarios . . . . . . . . . . . . . . . . . . . . . 237
6.7. Operadores adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
6.8. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
6.9. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266

Bibliografía 271
 Prefacio
Este texto ha sido escrito con la finalidad de ser la principal herramienta bibliográfica
en el curso Álgebra Lineal de las Licenciaturas en Ciencias mención Matemáticas y
mención Física de la Facultad de Ciencias, Universidad de Chile.
Nuestra principal intención ha sido proporcionar un material autónomo que explique
y describa los fundamentos teóricos asociados a un curso de Álgebra Lineal, sin dejar de
lado las técnicas de cálculo y de resolución de diversos tipos de ejercicios. Es por esto
que hemos incluido una amplia colección de problemas orientados a carreras científicas.
Con respecto a los aspectos teóricos y las demostraciones, tratamos de presentarlos de
la manera mas elegante y concisa posible, sin ser demasiado abstractos ni técnicos.
Como todo trabajo redactado durante la práctica docente, puede tener errores. Espe-
ramos que las(os) estudiantes ayuden a perfeccionarlo con sus comentarios y sugerencias,
además de identificar posibles fallas de digitación en su redacción.
Este texto es el resultado de un trabajo continuo y colaborativo de los académicos
Alicia Labra, Giancarlo Lucchini y Verónica Poblete, quienes de distinta forma entrega-
ron ideas, material, correcciones y mejoras. También, este apunte recoge el trabajo del
estudiante Kevin Guerrero que a través de sus ayudantías recopiló interesantes ejemplos.
A continuación se presentan los principales objetivos del curso, los cuales, son consi-
derados al momento de redactar este texto.

Objetivos generales
Conocer y aplicar las propiedades básicas de un espacio vectorial (preferentemente
de dimensión finita) sobre un cuerpo arbitrario.

iii
iv PREFACIO

Conocer y aplicar las propiedades básicas de las transformaciones lineales entre

espacios vectoriales.

Conocer y aplicar propiedades más avanzadas de un espacio vectorial con producto

interno (preferentemente sobre los números reales y complejos).

Objetivos específicos
Resolver problemas usando los conceptos de espacio y subespacio vectorial.

Calcular la dimensión y obtener bases de un espacio vectorial.

Comprender el concepto de aplicaciones lineal y obtener su representación matricial

a través de diversas bases.

Manipular matrices y aplicar sus propiedades básicas, tales como determinante,

diagonalización y forma canónica en diversos problemas.

Evaluar si una matriz dada es o no positiva definida. Determinar la relación entre

matriz positiva definida y producto interno.

Aplicar la desigualdad de Schwarz, la desigualdad de Bessel, el concepto de orto-

gonalidad y la ortogonalización de Gram-Schmidt en diversas demostraciones.

Conocer el concepto de transformaciones lineales ortogonales y/o unitarias y apli-

carlo en demostraciones.

Aplicar los conceptos de formas bilineales simétricas, antisimétricas, hermitianas,

cuadráticas en la resolución de problemas.
 Capítulo 1
Espacios Vectoriales
Durante toda esta sección, denotaremos por K un cuerpo. A título de ejemplo, se
podrá considerar Q, R, C o incluso los cuerpos finitos Fp para p primo. Recordemos que
se trata en general de un conjunto con dos leyes de composición, denotadas + y · , y dos
elementos especiales 0 y 1, distintos entre sí, que cumplen los siguientes axiomas:

+ y · son asociativas;

+ y · son conmutativas;

· es distributiva con respecto a +;

0 es el neutro de + y 1 es el neutro de · ;

para todo a ∈ K, existe a′ ∈ K tal que a + a′ = 0 (es usual denotar a′ por −a);

para todo a ∈ K r {0}, existe a′′ ∈ K r {0} tal que a · a′′ = 1 (usualmente a′′ se
denota a−1 o 1/a).

Estas propiedades son todo lo que necesitamos para desarrollar la teoría de espacios
vectoriales.

1.1. Definición y propiedades básicas

Sea (K, +, ·) un cuerpo. Comencemos con la definición de un espacio vectorial.

1
2 CAPÍTULO 1. ESPACIOS VECTORIALES

Definición 1.1. Un K-espacio vectorial (o espacio vectorial sobre K) es un conjunto

no vacío V provisto de dos leyes de composición
+V : V × V → V ·V : K × V → V
y
(x, y) 7→ x +V y (α, y) 7→ α ·V y
llamadas respectivamente suma y multiplicación por escalar, que cumplen los siguientes
axiomas:
1) La suma es asociativa, es decir (x +V y) +V z = x +V (y +V z) para todo x, y, z ∈ V ;
2) La suma es conmutativa, es decir x +V y = y +V x para todo x, y ∈ V ;
3) La suma tiene elemento neutro 0V , es decir x +V 0V = x = 0V +V x para todo
x∈V;
4) Todo x ∈ V tiene elemento inverso: existe x′ ∈ V tal que x +V x′ = 0V ;
5) Para todo α, β ∈ K y todo x ∈ V se verifica α · (β ·V x) = (α · β) ·V x
6) Para todo α, β ∈ K y todo x ∈ V se verifica (α + β) ·V x = (α ·V x) +V (β ·V x)
7) α ·V (x +V y) = (α ·V x) +V (α ·V y) para todo α ∈ K y todo x, y ∈ V ;
8) 1 ·V x = x para todo x ∈ V .
Los elementos de un espacio vectorial se llaman vectores.
Observación 1.
El elemento 0V es el único con esta propiedad. De la misma manera, para x ∈ V , el
elemento x′ del axioma 4) es único y se le suele llamar el opuesto o el inverso de x en V .
Para probar esta unicidad, se necesita la siguiente propiedad (que podrá probar como
ejercicio a partir de los axiomas): para x, y, z ∈ V ,

x + y = x + z ⇒ y = z.

Notación. Para aligerar la notación, usualmente omitimos los subíndices V y anotamos

+ y ·, análogo 0. Esto no debería causar confusión con las operaciones y el 0 de K ya
que el contexto dirá claramente si los elementos están en K o en V .
Por lo demás, omitiremos a menudo la notación ·, al igual que con los cuerpos,
anotando αx en lugar α · x. También usaremos la convención clásica de anotar −x el
inverso de x para x ∈ V .
Finalmente, nótese que un K-espacio vectorial es a fin de cuentas una 3-tupla (V, +, ·),
pero a menudo diremos sencillamente que “V es un K-espacio vectorial” sin mencionar +
1.1. DEFINICIÓN Y PROPIEDADES BÁSICAS 3

ni ·. Éstos se darán por subentendidos y sólo serán mencionados cuando haya un cambio
de notación.
Ejemplo 1.2. C es un R-espacio vectorial con la suma de complejos y la multiplicación
por escalar dada por α(a + bi) = αa + αbi para todo α ∈ R y (a + bi) ∈ C.
Ejemplo 1.3. C es un C-espacio vectorial con la suma de complejos y la multiplicación
de complejos. Esto es cierto de hecho para todo cuerpo K.
Ejemplo 1.4. Mn×m (K), el conjunto de matrices n × m con coeficientes en K es un
K-espacio vectorial para la suma de matrices y la multiplicación por escalares clásica,
es decir término a término α · (ai,j )1≤i≤n,1≤j≤m = (αai,j )1≤i≤n,1≤j≤m.
Ejemplo 1.5. K n = {(x1 , . . . , xn ) | xi ∈ K, ∀ i = 1, . . . , n} con

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ),

y
α(x1 , . . . , xn ) = (αx1 , . . . , αxn ),
es un K-espacio vectorial. En particular, Rn es un R-espacio vectorial y Cn es un C-
espacio vectorial.
Ejemplo 1.6. Si X es un conjunto no vacío, entonces el conjunto de funciones F (X, K) =
{f : X → K : f función} es un K-espacio vectorial para la suma

(f + g)(x) = f (x) + g(x), ∀ x ∈ X,

y la multiplicación por escalares

(αf )(x) = α · f (x), ∀ x ∈ X.

Ejemplo 1.7. El conjunto Kn [t] de los polinomios de grado ≤ n con coeficientes en K es

un K-espacio vectorial para la suma y la multiplicación por escalares habituales de poli-
nomios. Lo mismo ocurre para el conjunto K[t] de todos los polinomios con coeficientes
en K.
√ √
Ejemplo 1.8. Q( 2) = {a + b 2 / a, b ∈ Q} es un Q espacio vectorial, con la suma
√ √ √
(a + b 2) + (c + d 2) = (a + c) + (b + d) 2 ∀ a, b, c, d ∈ Q.

y la multiplicación por escalar

√ √
a(c + d 2) = ac + ad 2 ∀ a, c, d ∈ Q.
4 CAPÍTULO 1. ESPACIOS VECTORIALES

Ejercicio. Verifique que los ejemplos anteriores son efectivamente espacios vectoriales
sobre los cuerpos correspondientes.

Ejercicio. Encuentre una multiplicación R × Cn → Cn que haga de Cn un R-espacio

vectorial, la suma siendo coordenada a coordenada, como más arriba.

Probemos ahora algunas propiedades básicas que usaremos todo el tiempo:

Propiedades 1.9. Sea V un K-espacio vectorial. Entonces:

1) Para todo α ∈ K, α · 0 = 0.

2) Para todo x ∈ V , 0 · x = 0.

3) Para todo x ∈ V , (−1) · x = −x.

4) Sean α ∈ K y x ∈ V . Si α 6= 0, entonces αx = 0 ⇒ x = 0.

Demostración. Vamos por orden:

1) Tenemos
α · 0 = α(0 + 0) = α · 0 + α · 0,
por lo que, sumando −(α · 0), obtenemos α · 0 = 0.

2) Tenemos
0 · x = (0 + 0)x = 0 · x + 0 · x,
por lo que, sumando −(0 · x), obtenemos 0 · x = 0.

3) Por unicidad del inverso de x, basta probar que x + (−1) · x = 0. Ahora, tenemos

x + (−1) · x = 1 · x + (−1) · x = (1 + (−1))x = 0 · x = 0.

4) Como α 6= 0, existe un inverso multiplicativo α−1 . Entonces

αx = 0 ⇒ α−1 (αx) = α−1 · 0

⇒ (α−1 α)x = 0
⇒ x = 1 · x = 0.

¨
⌣
1.2. SUBESPACIOS VECTORIALES 5

1.2. Subespacios vectoriales

Como se verá a menudo en los cursos subsiguientes del programa, la primera cosa
que uno define luego de un objeto nuevo, es la noción de “sub-objeto” correspondiente.
Veamos de que se trata en este contexto.

Definición 1.10. Sea V un K-espacio vectorial. Sea S ⊆ V un subconjunto. Diremos

que S es un K-subespacio vectorial de V (o sencillamente K-subespacio vectorial, o
incluso subespacio vectorial si K está subentendido) y anotamos S ≤ V si S es no vacío
y cerrado bajo la suma y la multiplicación por escalar, es decir si:

(a) para todo x, y ∈ S, x + y ∈ S;

(b) para todo α ∈ K y todo x ∈ S, αx ∈ S.

Nótese que no podemos escribir “subespacio vectorial” sin escribir “espacio vectorial”.
Verifiquemos pues lo siguiente:

Lema 1.11. Sea V un K-espacio vectorial y sea S ≤ V un subespacio vectorial.

Entonces S es un K-espacio vectorial con la suma y multiplicación de V y 0S = 0V .

Demostración. Ya sabemos que S es no vacío. Si tomamos entonces x ∈ S, tenemos que

−x = (−1)x también pertenece a S por (b). Esto nos dice que 0V = x + (−x) también
está en S por (a). Además, (a) y (b) nos dicen que las funciones

+:V ×V → V y · : K × V → V,

se pueden reducir a funciones +S : S × S → S y ·S : K × S → S. Si definimos entonces

0S como 0V , ya probamos que +S , ·S y 0S satisfacen los axiomas 3 y 4 de K-espacios
vectoriales. Los otros axiomas se verifican inmediatamente usando que S ⊆ V . ¨
⌣

Observación 2.
La definición de subespacio se puede reducir a una sola propiedad, que es la siguiente:
Para todo α ∈ K y todo x, y ∈ S, αx + y ∈ S.
En efecto, esta propiedad se deduce inmediatamente de (a) y (b). Por otra parte,
partiendo de esta propiedad obtenemos (a) tomando α = 1. Con x = y y α = −1
obtenemos que 0V ∈ S, por lo que podemos tomar y = 0V y obtenemos (b). En particular,
vemos que todo subespacio vectorial contiene a 0V .

Ejemplo 1.12. {0V } y V son subespacios vectoriales de V .

6 CAPÍTULO 1. ESPACIOS VECTORIALES

Ejemplo 1.13. Sea x ∈ V . Entonces {αx | α ∈ K} es un subespacio de V .

Ejemplo 1.14. Sea V el espacio de funciones f : R → R. Entonces V es un R-espacio

vectorial. Los siguientes son subespacios vectoriales de V :

C 0 (R) = {f : R → R | f continua};

C k (R) = {f : R → R | f es k veces continuamente derivable}, k ∈ N;

C ∞ (R) = {f : R → R | f es infinitamente derivable}.

Además tenemos C ∞ (R) ≤ · · · ≤ C k+1 (R) ≤ C k (R) ≤ · · · ≤ C 0 (R).

Observación 3.
De forma más general, si V es un K-espacio vectorial, S ≤ V y R ≤ S, entonces R ≤ V
(un subespacio de un subespacio es un subespacio). También, si S, R son K-subespacios
de V y S ⊆ R, entonces S ≤ R.

Ejemplo 1.15. Kn [t] es un K-subespacio de K[t].

Ejemplo 1.16. Sean a1 , . . . , an ∈ R y sea V = Rn . Entonces H = {(x1 , . . . , xn ) ∈ Rn |

a1 x1 + . . . + an xn = 0} es un R-subespacio de Rn . Si al menos uno de los ai es distinto
de 0, entonces H es un hiperplano de Rn que pasa por el origen. Se tiene el resultado
análogo para V = K n con K un cuerpo arbitrario (pero es más difícil hacerse una idea
geométrica).

Veamos ahora como se portan los subespacios con respecto a la intersección.

Proposición 1.17. Sea V un K-espacio vectorial, sea I un conjunto no vacío y,

para cada i ∈ I, sea Si ≤ V un K-subespacio. Entonces

T :=
\
Si ≤ V.
i∈I

Demostración. En efecto, notemos que T 6= ∅ ya que 0 ∈ Si para todo i ∈ I. Sean ahora

x, y ∈ T y sea α ∈ K. Tenemos entonces que x, y ∈ Si para cualquier i ∈ I. Como Si es
un K-subespacio, sabemos que αx + y ∈ Si . Como esto es cierto para todo i ∈ I, vemos
que αx + y ∈ T , por lo que T es un subespacio. ¨
⌣

Veamos un ejemplo de esta situación relacionado con el ejemplo precedente.

1.2. SUBESPACIOS VECTORIALES 7

Ejemplo 1.18. Considere el sistema homogéneos de ecuaciones con coeficientes en K:

a11 x1 + a12 x2 + · · · + a1n xn = 0,

a21 x1 + a22 x2 + · · · + a2n xn = 0,
..
.
am1 x1 + am2 x2 + · · · + amn xn = 0.

Cada ecuación define un subespacio Fi de K n , por lo que m i=1 Fi es un K-subespacio

T

de K llamado el espacio solución del sistema homogéneo (en efecto, un elemento x̄ =

n

(x1 , . . . , xn ) ∈ K n pertenece a m
i=1 Fi si y sólo si x̄ es una solución a cada una de las
T

ecuaciones).
Habiendo visto que podemos generar subespacios intersectando subespacios, cabe
preguntarse si la unión de subespacios puede generar subespacios. Esto lamentablemente
no es cierto, pero tenemos una noción que nos ayudará a suplir esta carencia. Se trata
de la noción de subespacio generado.
Definición 1.19. Sea V un K-espacio vectorial y sean s1 , . . . , sk ∈ V vectores distintos
k
entre sí. Una expresión del tipo ai si con ai ∈ K se llama una combinación lineal de
X

i=1
los vectores s1 , . . . , sk .
Definición 1.20. Sea V un K-espacio vectorial y sea S ⊆ V un subconjunto. El subespa-
cio generado por S, denotado hSi, se define como la intersección de todos los subespacios
de V que contienen a S. En otras palabras,

hSi =
\
W.
S⊆W ≤V

Si R es un K-subespacio de V tal que hSi = R, decimos que S genera a R, o bien que

los elementos de S son generadores de R.
Observación 4.
Por supuesto, tenemos que S ⊂ hSi. Además, éste es por definición el subespacio más
pequeño que contiene a S. En efecto, si R es un subespacio tal que S ⊂ R y R ⊆ hSi,
entonces R es uno de los W en la definición de hSi, por lo que hSi ⊆ R.
Ejercicio. Para V un K-espacio vectorial, describa h∅i.
Veamos ahora una segunda descripción del subespacio generado, la cual justifica un
poco su nomenclatura:
8 CAPÍTULO 1. ESPACIOS VECTORIALES

Teorema 1.21. Sea V un K-espacio vectorial y sea S ⊆ V un subconjunto no vacío.

Entonces hSi es el conjunto de todas las combinaciones lineales finitas de vectores
en S. Es decir: ( n )
hSi =
X
ai si | n ∈ N, ai ∈ K, si ∈ S .
i=1

Demostración. Denotemos por R al subconjunto

( n )
R=
X
ai si | n ∈ N, ai ∈ K, si ∈ S .
i=1
n
Sea t ∈ R. Entonces t = ai si para cierto n ∈ N, ciertos ai ∈ K y ciertos si ∈ S.
X

i=1
Ahora, si ∈ hSi para todo i, por lo que t ∈ hSi ya que hSi es un subespacio. Esto prueba
que R ⊂ hSi.
n
Por otra parte, R es un subespacio de V . En efecto, si tomamos t = ai si y
X

i=1
m
t′ = a′j s′j en R (i.e. n, m ∈ N, ai , a′j ∈ K, si , s′j ∈ S) y α ∈ K, tenemos que
X

j=1

n m n m n m
αt + t′ = α ai si + a′j s′j = α(ai si ) + a′j s′j = (αai )si + a′j s′j .
X X X X X X

i=1 j=1 i=1 j=1 i=1 j=1

Pero los si y s′j son elementos de S y los (αai ) y a′j son elementos de K y la suma es
finita, por lo que αt + t′ es una combinación lineal finita de elementos de S, es decir,
αt + t′ ∈ R.
Sabiendo entonces que R ⊂ hSi y que R es un subespacio vectorial que claramente
contiene a S, tenemos que hSi = R. ¨
⌣

Tenemos el siguiente corolario evidente, el cual enfatiza aún más la noción de subes-
pacio generado.

Corolario 1.22. Sea V un K-espacio vectorial y sean s1 , . . . , sn ∈ V , entonces

hs1 , . . . , sn i = {α1 s1 + · · · αn sn | α1 , . . . , αn ∈ K}.

Ejemplo 1.23. En K[x], tenemos

h1, 1 + xi = {α + β(1 + x) | α, β ∈ K} = {(α + β) + βx | α, β ∈ K} = h1, xi = K1 [x].
1.3. BASE Y DIMENSIÓN 9

Ejercicio. Considere C como C-espacio vectorial. ¿Qué es h1i? ¿Qué es h2 + ii? ¿Cuál
es la diferencia si miramos C como un R espacio vectorial?
Ejemplo 1.24. Si V = K 2 , entonces h(1, 0), (0, 1)i = V .
Dado un espacio vectorial V nos interesan subconjuntos S ⊆ V como el del último
ejemplo, es decir tales que hSi = V . En otras palabras, buscamos conjuntos de generado-
res de V . De esto se trata la siguiente sección. Concluimos esta sección con la siguiente
definición.
Definición 1.25. Decimos que un K-espacio vectorial V es finitamente generado si
existe un subconjunto finito S ⊆ V tal que hSi = V .
Ejemplo 1.26. El conjunto {1 + i} es un generador de C como C-espacio vectorial. Sin
embargo, el mismo conjunto no genera a C como R-espacio vectorial. El conjunto {1+i, i}
sí es un conjunto generador de C como R-espacio vectorial (ejercicio). En particular, C
es finitamente generado como C-espacio vectorial y como R-espacio vectorial.

1.3. Base y Dimensión

Como mencionado antes, nos interesan ahora los conjuntos generadores de un espacio
vectorial. Ahora, dado un tal espacio V , uno siempre puede considerar el subconjunto
V ⊆ V y ver claramente que se trata de un conjunto generador, pero al mismo tiempo
este subconjunto no tiene ningún interés. . . La idea es encontrar conjuntos generadores
tan pequeños como sea posible. Esto nos llevará a la noción de base, que es crucial en la
teoría de espacios vectoriales.
Definición 1.27. Sea V un K-espacio vectorial y sea S = {v1 , . . . , vn } ⊆ V . Decimos
que S o que los vectores v1 , . . . , vn son linealmente dependientes sobre K (o K-LD para
acortar) si existen escalares λi ∈ K para 1 ≤ i ≤ n, no todos nulos, tales que ni=1 λi vi =
P

0.
En el caso contrario, es decir, cuando se cumple la implicación
n
λi vi = 0 λi = 0, ∀ 1 ≤ i ≤ n,
X
⇒
i=1

decimos que S o que los vectores s1 , . . . , sn son linealmente independientes sobre K (o

K-LI para acortar).
Ejercicio. Considere los elementos i, 1 + i ∈ C. Decida si son C-LI o C-LD y si son R-LI
o R-LD.
10 CAPÍTULO 1. ESPACIOS VECTORIALES

Veamos algunos resultados relacionados con estas dos nociones:

Proposición 1.28. Sea V un K-espacio vectorial y sea S = {v1 , . . . , vn } ⊆ V un

subconjunto de vectores.

1) Para todo v ∈ V no nulo, el conjunto {v} es linealmente independiente sobre

K.

2) Si 0 ∈ S, entonces S es LD sobre K.

3) Si S es LD sobre K, entonces S ∪ S ′ es LD sobre K para todo S ′ ⊆ V .

4) Si S es LI sobre K, entonces S r S ′ es LI sobre K para todo S ′ ⊆ S.

5) S es LD sobre K si y sólo si existe v ∈ S tal que v es combinación lineal de

elementos de S r {v}.

Demostración. Ejercicio ⌣
¨ ¨
⌣

Definición 1.29. Sea V un K-espacio vectorial. Una base de V sobre K es un subcon-

junto S ⊆ V tal que
1) hSi = V ;
2) S es LI sobre K.

Proposición 1.30. Sea V un K-espacio vectorial de base S = {v1 , . . . , vn }. Enton-

n
ces, para todo v ∈ V , existen únicos α1 , . . . , αn ∈ K tales que v = αi vi .
X

i=1

Demostración. Sea v ∈ V . Como V = hSi, tenemos que existen los αi del enunciado, es
decir, v = ni=1 αi vi para ciertos αi ∈ K. Probemos ahora la unicidad. Supongamos que
P

existen β1 , . . . , βn ∈ K tales que v = ni=1 βi vi . Entonces

P

n n n
0= v−v = βi vi = (αi − βi )vi .
X X X
αi vi −
i=1 i=1 i=1

Ahora, como S es una base, sabemos que es un conjunto K-LI. La igualdad precedente
nos dice entonces que αi − βi = 0 para todo 1 ≤ i ≤ n, es decir αi = βi para todo
1 ≤ i ≤ n. Esto prueba la unicidad. ¨
⌣
1.3. BASE Y DIMENSIÓN 11

Definición 1.31. Sea V un K-espacio vectorial de base S = {v1 , . . . , vn }. Para v ∈ V ,

los escalares αi ∈ K de la proposición precedente se llaman las coordenadas de v en la
base S.
Ejemplo 1.32. Consideremos V = K n y el conjunto de n vectores
S = {(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1)} ⊂ K n .
Entonces S es una base de V , llamada la base canónica. Usualmente el i-ésimo término
de esta base se denota por ei .
Nótese que, para todo x̄ = (x1 , . . . , xn ) ∈ K n tenemos que
x̄ = x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + · · · + xn (0, . . . , 0, 1),
lo que confirma que la noción de coordenada que acabamos de definir coincide con la
noción clásica que uno tiene de coordenada en Rn o en Cn .
Una base ha de ser entendida como un conjunto generador minimal. Para dar sentido
a esto, debemos probar los siguientes resultados.

Proposición 1.33. Sea V un K-espacio vectorial y sea S = {v1 , . . . , vn } ⊆ V un

subconjunto de vectores no nulos. Entonces S es LD sobre K si y sólo si, para algún
1 ≤ k ≤ n, vk es una combinación lineal de los vi con 1 ≤ i < k.

Demostración. El sentido ⇐ es evidente. Supongamos pues que S es LD sobre K y

probemos la segunda afirmación. Sea k el menor entero entre 1 y n tal que {v1 , . . . , vk }
es LD (un tal k existe ya que esto es cierto para n al menos). Tenemos entonces que
k
αi vi = 0 para ciertos αi ∈ K.
X

i=1

Ahora, si αk = 0, entonces tenemos también i=1

k−1
αi vi = 0, lo que implica que {v1 , . . . , vk−1 }
P

es LD y contradice por ende la minimalidad de k. Deducimos entonces que αk 6= 0, por

lo que podemos escribir
k−1
αk vk + αi vi = 0,
X

i=1
y por lo tanto
k−1
vk = αk−1 αk vk = − αk−1 αi vi ,
X

i=1

con −αk−1 αi ∈ K, lo que prueba que vk es una combinación lineal de los vi con 1 ≤ i <
k ¨
⌣
12 CAPÍTULO 1. ESPACIOS VECTORIALES

Teorema 1.34. Sea V un K-espacio vectorial y sea S = {v1 , . . . , vn } un conjunto

generador de V . Sea S ′ = {w1 , . . . , wm } ⊆ V un conjunto LI sobre K. Entonces
m ≤ n. En otras palabras, el máximo de elementos LI en un espacio vectorial es
menor o igual al número de generadores.

Demostración. Supongamos por contradicción que m > n y consideremos el vector w1 .

Como V = hSi, tenemos que w1 = ni=1 αi vi para ciertos αi ∈ K. Ahora, como S ′ es LI,
P

tenemos que w1 6= 0 y esto implica que al menos un αi es no nulo. Salvo reordenar los
vi , podemos suponer que α1 6= 0. Tenemos entonces que
n
α1 v1 = w1 −
X
αi vi ,
i=2

de donde obtenemos, usando que α1 6= 0,

n
v1 = α1−1 w1 − α1−1 αi vi .
X

i=2

Vemos entonces que el conjunto S ′′ = {w1 , v2 , . . . , vn } genera a V (ya que podemos

obtener cualquier vi a partir de una combinación lineal de éstos).
Tomemos ahora w2 y repitamos el procedimiento. Tenemos que w2 = β1 w1 + ni=2 βi vi
P

para ciertos βi ∈ K. Nótese que alguno de los βi para 2 ≤ i ≤ n debe ser no nulo, de
lo contrario tendríamos que S ′ es LD sobre K. Nuevamente, salvo reordenar, podemos
asumir que β2 6= 0 y así obtener
n
β2 v2 = w2 − β1 w1 −
X
βi vi ,
i=3

y por lo tanto
n
v2 = β2−1 w2 − β2−1 β1 w1 − β2−1 βi vi .
X

i=3
Vemos entonces que el conjunto S = {w1 , w2 , v3 . . . , vn } genera a V (ya que podemos
′′

obtener w1 y cualquier vi para 2 ≤ i ≤ n a partir de una combinación lineal de éstos).

Iterando este procedimiento n veces (usando que m > n), vemos que {w1 , . . . , wn }
también genera a V . Consideremos ahora el vector wn+1 ∈ V (que existe nuevamente
porque m > n). Como {w1 , . . . , wn } genera a V , tenemos la igualdad wn+1 = ni=0 γiwi
P

para ciertos γi ∈ K. Esto implica que S ′ es LD sobre K por proposición anterior. Esta
contradicción implica que m ≤ n. ¨
⌣

Esto confirma lo mencionado anteriormente: una base es un conjunto generador con

una cantidad minimal de elementos. En particular, tenemos el siguiente corolario.
1.3. BASE Y DIMENSIÓN 13

Corolario 1.35. Sea V un K-espacio vectorial. Si V posee una base, entonces toda
otra base de V tiene la misma cantidad de elementos.

Definición 1.36. Sea V un K-espacio vectorial finitamente generado. La dimensión de

V sobre K, denotada dimK V , es el número de elementos de cualquier base de V . Este
número no depende de la base gracias al teorema precedente. Si V no es finitamente
generado, decimos que V es de dimensión infinita y escribimos dimK V = ∞.
Ejemplo 1.37. dimR Rn = n, dimC C = 1, dimR C = 2, dimK K3 [t] = 4, dimK K[t] =
∞.
Ejercicio. Exhiba bases que confirmen los números precedentes en los casos de dimen-
sión finita.
Otro corolario natural del Teorema 1.34 es el siguiente resultado:

Proposición 1.38. Sea V un K-espacio vectorial de dimensión finita y sea W ≤ V .

Entonces dimK W ≤ dimK V .

Demostración. En efecto, una base de W es en particular un conjunto LI sobre K, ya

sea visto como subconjunto de W o de V . El Teorema 1.34 nos dice entonces que el
cardinal de la base de W (i.e. dimK W ) es menor que el cardinal de cualquier conjunto
generador de V , por ejemplo, el de una base (i.e. dimK V ). ¨
⌣

Para fabricar bases en un espacio vectorial dado, el siguiente lema nos será bastante
útil.

Lema 1.39. Sea V un K-espacio vectorial, sea S ⊆ V un subconjunto LI sobre K

y sea v ∈ V r S. Entonces v 6∈ hSi si y sólo si S ∪ {v} es LI sobre K.

Demostración. Supongamos que v 6∈ hSi y probemos S ∪ {v} es LI. Supongamos que

existe una combinación lineal:
n
av + ai si = 0, con a ∈ K, ai ∈ K, si ∈ S ∀ 1 ≤ i ≤ n.
X

i=1

Si a 6= 0, entonces podemos multiplicar la última ecuación por a−1 para obtener

n
v=− a−1 ai si ,
X

i=1
14 CAPÍTULO 1. ESPACIOS VECTORIALES

lo que implica que v ∈ hSi y contradice nuestra hipótesis. Por lo tanto, a = 0, y entonces
tenemos una combinación lineal
n
ai si = 0, con ai ∈ K, si ∈ S ∀ 1 ≤ i ≤ n.
X

i=1

Obtenemos entonces que a = 0 y ai = 0 para todo 1 ≤ i ≤ n ya que S es LI sobre K.

Esto prueba que S ∪ {v} es LI sobre K.

Supongamos ahora que S ∪ {v} es LI sobre K. Si v ∈ hSi, entonces podemos escribir

n
v= con ai ∈ K, si ∈ S ∀ 1 ≤ i ≤ n.
X
ai si ,
i=1

En otras palabras,
n
(−1)v + ai si = 0, con ai ∈ K, si ∈ S ∀ 1 ≤ i ≤ n,
X

i=1

y esto es una combinación lineal de v y los si ∈ S. Como S ∪ {v} es LI, tenemos que
esto es imposible, lo que nos dice que v 6∈ hSi. ⌣¨

Proposición 1.40. Sea V un K-espacio vectorial finitamente generado. Sea S ⊆ V

un subconjunto de V LI sobre K. Entonces existe una base B de V tal que S ⊆ B.
En otras palabras, todo subconjunto LI se puede completar a una base de V . En
particular, todo espacio vectorial finitamente generado posee una base.

Demostración. Si hSi = V , entonces S es una base de V y podemos tomar B = S. Si

no, existe v1 ∈ V tal que v1 6∈ hSi. El lema anterior nos dice entonces que S ∪ {v1 }
es un conjunto LI sobre K. Si hS ∪ {v1 }i = V entonces tomamos B = S ∪ {v1 }. Si
no, podemos encontrar v2 ∈ V tal que v2 6∈ hS ∪ {v1 }i y el lema anterior nos dice que
S ∪ {v1 , v2 } es LI sobre K. Como V es finitamente generado, su dimensión es finita, lo
que implica que iterando este proceso obtenemos una base S ∪ {v1 , . . . , vn } de V , donde
n = dimK V − dimK hSi. ⌣¨

1.4. Bases en dimensión infinita

Ya vimos que un espacio finitamente generado siempre posee una base (Proposición
1.40). Cabe preguntarse si esto es así para espacios vectoriales cualesquiera. Para respon-
der a esta pregunta, veremos dos definciones equivalentes de base, en las cuales se ve de
1.4. BASES EN DIMENSIÓN INFINITA 15

forma explícita que se trata de un conjunto minimal de generadores y de un conjunto

maximal LI.

Definición 1.41. Sea V un K-espacio vectorial y sea S ⊆ V un subconjunto. Decimos

que S es un conjunto minimal de generadores de V si

(i) V = hSi.

(ii) Para todo S ′ ( S, se tiene hS ′i =

6 V.

Definición 1.42. Sea V un K-espacio vectorial y sea S ⊆ V un subconjunto. Decimos

que S es un conjunto maximal LI sobre K si

(i) S es LI sobre K.

(ii) Todo S ′ ) S es LD sobre K.

Tenemos entonces el resultado siguiente:

Teorema 1.43. Sea V un K-espacio vectorial y sea S ⊆ V un subconjunto. Son

equivalentes:

1) S es una base de V .

2) S es un conjunto minimal de generadores de V .

3) S es un conjunto maximal LI sobre K.

Demostración. 1) ⇒ 2). Supongamos que S es una base de V . Tenemos entonces por

definición que V = hSi. Sea S ′ ( S y consideremos un elemento s0 ∈ S r S ′ . Como
s0 6∈ S ′ pero está en S se tiene que S ′ ∪ {s0 } es LI, el Lema 1.39 nos dice que s0 6∈ hS ′i.
Por lo tanto, hS ′ i =
6 V , lo que prueba que S es un conjunto generador minimal.

2) ⇒ 3). Supongamos que S es un conjunto minimal de generadores de V . Probemos

primero que S es LI sobre K. Sea

α1 v1 + · · · + αn vn = 0,

una combinación lineal de elementos vi ∈ S. Supongamos por contradicción que existe

un j tal que αj 6= 0. Entonces αj−1 ∈ K y por lo tanto

αj−1 α1 v1 + · · · + αj−1 αj−1 vj−1 + vj + αj−1 αj+1vj+1 + · · · + αj−1 αn vn = 0,

16 CAPÍTULO 1. ESPACIOS VECTORIALES

es decir,

vj = −αj−1 α1 v1 − · · · − αj−1 αj−1 vj−1 − αj−1 αj+1vj+1 − · · · − αj−1 αn vn ,

Si definimos S ′ = S r {vj }, de la igualdad anterior vj ∈ hS ′ i. Sea ahora v ∈ V un

vector arbitrario. Como S es un conjunto generador, existen λk ∈ K y wk ∈ S tales que
v= m k=1 λk wk .
P

Si vj 6= wk para todo 1 ≤ k ≤ m, entonces v ∈ hS ′ i, lo que contradice que S es un

conjunto generador minimal.

Si vj = wℓ para cierto 1 ≤ ℓ ≤ m, entonces

v = (v − λℓ vj ) + λℓ vj
m
Pero v − λℓ vj = λk wk ∈ hS ′ i ya que los wk con k 6= ℓ están en S ′ .
X

k=1,k6=ℓ

Como vj ∈ hS ′ ise sigue que v ∈ hS ′ i, lo que prueba que V = hS ′ i y contradice el

hecho que S es un conjunto generador minimal. Así, tenemos que todos los αj son
nulos y por ende S es LI sobre K.

Probemos ahora que S es un conjunto maximal LI sobre K. Sea S ′′ ) S y s0 ∈ S ′′ rS.

Si S ∪ {s0 } fuese LI sobre, K, entonces s0 6∈ hSi por el Lema 1.39. Pero s0 ∈ V = hSi
ya que S es un conjunto generador, por lo que obtenemos una contradicción. Entonces
S ∪ {s0 } es LD y por lo tanto también S ′′ pues contiene a S ∪ {s0 }.

3) ⇒ 1). Supongamos que S es un conjunto maximal LI sobre K. Como ya sabemos

que S es LI, sólo debemos probar que hSi = V para que S sea una base. Supongamos
por contradicción que hSi =6 V . Entonces existe v0 ∈ V con v0 6∈ hSi. El Lema 1.39 nos
dice entonces que S ∪ {v0 } es LI. Como claramente v0 6∈ S, vemos que esto contradice
la maximalidad de S, lo que prueba que hSi = V y por lo tanto S es una base. ¨
⌣

Un último resultado que necesitaremos es el famoso Lema de Zorn. Éste resultado

se basa en (y de hecho, es equivalente a) el Axioma de Elección, el cual establece lo
siguiente:

Axioma de Elección Sea I una familia y, para cada i ∈ I, sea Xi un conjunto no

vacío. Entonces podemos escojer un elemento xi ∈ Xi para cada i ∈ I. En otras palabras,
el conjunto producto i∈I Xi es no vacío.
Q
1.4. BASES EN DIMENSIÓN INFINITA 17

Este axioma, por evidente que parezca, no es para nada trivial si la familia I es
infinita, ya que no se ve de forma inmediata como obtener dichos xi para todo i ∈ I
cuando I es infinito. Sin embargo, se trata de un axioma comúnmente aceptado en
muchas áreas de la matemática (sobre todo del lado algebraico).
Para enunciar el Lema de Zorn, necesitamos algunos preliminares. Recordemos que
un orden parcial ≤ sobre X es una relación que posee las siguientes propiedades:

Para todo x ∈ X, tenemos x ≤ x (reflexividad).

Para todo x, y ∈ X, x ≤ y e y ≤ x implican que x = y (antisimetría).

Para todo x, y, z ∈ X, x ≤ y e y ≤ z implican que x ≤ z (transitividad).

Por otra parte, un orden total es un orden parcial tal que, para todo par de elementos
x, y ∈ X o bien x ≤ y o y ≤ x.
Otro concepto necesario, una cota superior de un subconjunto Y ⊆ X es un elemento
x ∈ X tal que y ≤ x para todo y ∈ Y . Un elemento maximal en X es un elemento x ∈ X
tal que, si x ≤ y con y ∈ X, entonces y = x.

A continuación se establece el Lema de Zorn, el cual no probaremos, varias demos-

traciones pueden encontrarse en diversos textos.

Lema 1.44 (Zorn). Sea (X, ≤) un conjunto parcialmente ordenado, no vacío, tal
que todo subconjunto totalmente ordenado tiene una cota superior. Entonces X
contiene al menos un elemento maximal.

Con estos preliminares, ya podemos demostrar el teorema principal de esta sección:

Teorema 1.45. Todo K-espacio vectorial posee una base.

Demostración. Sea V un K−espacio vectorial. Note que el espacio vectorial trivial {0}
tiene como base al conjunto ∅. Podemos pues asumir que dimK V ≥ 1. Para usar el Lema
de Zorn, consideremos el conjunto

X := {S ⊆ V | S es LI sobre K }.

el cual es parcialmente ordenado considerando el orden parcial dado por la inclusión, es

decir S ≤ S ′ si y sólo si S ⊆ S ′ .
18 CAPÍTULO 1. ESPACIOS VECTORIALES

Nótese que X 6= ∅ ya que para todo vector v 6= 0 en V tenemos que {v} ∈ X .

Probaremos que todo subconjunto totalmente ordenado de X admite una cota superior.
Sea entonces C ⊆ X un subconjunto totalmente ordenado. Consideremos el siguiente
subconjunto de V
Y :=
[
S.
S∈C

Por definición, tenemos que S ⊆ Y para todo S ∈ C, por lo que es un buen candidato
para ser una cota superior de C. Sin embargo, debemos probar primero que Y ∈ X , es
decir que Y es un conjunto LI. Dada una combinación lineal
n
αi yi = 0,
X
αi ∈ K, yi ∈ Y
i=1

y considerando que Y es la unión de los S ∈ C, para cada 1 ≤ i ≤ n tenemos que yi ∈ Si

para cierto Si ∈ C. Ahora, como C es totalmente ordenado, existe un Si0 tal que Si ⊆ Si0
para todo 1 ≤ i ≤ n. En particular, vemos que yi ∈ Si0 para todo 1 ≤ i ≤ n. Y como
Si0 ∈ X , vemos que se trata de un conjunto LI, lo que implica que αi = 0 para todo
1 ≤ i ≤ n. Esto prueba que Y es un conjunto LI y por lo tanto Y ∈ X es una cota
superior para C ⊆ X .
Aplicando finalmente el Lema de Zorn al conjunto X , tenemos que existe un elemento
maximal B ∈ X . Esto significa que B es un conjunto maximal LI sobre K, por lo tanto
una base de V por el Teorema 1.43. ¨
⌣

Ejemplo 1.46. K[x] es un espacio vectorial de dimensión infinita sobre K ya que el

conjunto B = {1, x, x2 , x3 , . . .} es claramente LI (un polinomio es nulo si y sólo si todos
sus coeficientes son nulos). El conjunto B es además una base de K[x].

Ejemplo 1.47. El conjunto C 0 (R) de funciones continuas f : R → R es un R-espacio

vectorial de dimensión infinita. En efecto, R[x] ≤ C 0 (R). Sin embargo, es prácticamente
imposible exhibir una base de este espacio. El Teorema anterior nos asegura sólo la
existencia de la base pero no indica como obtenerla.

Ejemplo 1.48. R es un Q-espacio vectorial de dimensión infinita. Para probar esto

exhibiremos un conjunto infinito LI sobre Q dentro de R (el cual está lejos de ser una
base).
Sea S := {log p | p primo} ⊆ R. Como log p 6= log q si p 6= q y existen infinitos
primos p, tenemos que S es infinito. Probemos ahora que es LI sobre Q. Consideremos
la combinación lineal

λ1 log p1 + λ2 log p2 + · · · + λn log pn = 0, λi ∈ Q.

1.5. SUMAS DE SUBESPACIOS VECTORIALES 19

Como los λi son racionales, podemos multiplicar por el denominador común ∆ y obtener
una nueva combinación lineal

α1 log p1 + α2 log p2 + · · · + αn log pn = 0, αi ∈ Z.

Ahora, usando las propiedades básicas del logaritmo,

log(pα1 1 pα2 2 · · · pαnn ) = 0,

lo que equivale a
pα1 1 pα2 2 · · · pαnn = 1,
y esto sólo ocurre si αi = 0 para todo 1 ≤ i ≤ n. En efecto, salvo reordenar los términos,
podemos suponer que α1 . . . , αℓ ≥ 0 y αℓ+1 , . . . , αn < 0. Definiendo βi = −αi para
ℓ + 1 ≤ i ≤ n, tenemos entonces que
β
pα1 1 · · · pαℓ ℓ = pℓ+1
ℓ+1
· · · pβnn ,

con todos los αi y βi positivos o nulos. Como los pi son todos distintos entre sí, el Teorema
Fundamental de la Aritmética nos dice que todos los exponentes deben ser nulos (de lo
contrario factorizamos un entero positivo de dos formas distintas).
Esto implica que λi = 0 para todo 1 ≤ i ≤ n (ya que αi = ∆λi ), probando que S es
un conjunto LI y por ende que R es de dimensión infinita sobre Q.

1.5. Sumas de subespacios vectoriales

Ya vimos como, a partir de conjuntos de vectores, podemos generar subespacios. Esto
se puede aplicar a la unión de subespacios (la cual, nuevamente, no es un subespacio).
Sin embargo, existe una forma más sencilla de interpretar el espacio generado por dos o
más subespacios. Se trata de lo siguiente:

Definición 1.49. Sea V un espacio vectorial sobre K y sean W1 , . . . , Wn ≤ V subes-

n
pacios. Definimos la suma de los subespacios Wi y anotamos Wi (o sencillamente
X

i=1
W1 + W2 si n = 2) el conjunto

{v1 + v2 + · · · + vn | vi ∈ Wi , ∀ 1 ≤ i ≤ n}.
20 CAPÍTULO 1. ESPACIOS VECTORIALES

n
Proposición 1.50. Bajo las mismas notaciones, el conjunto Wi es un subespacio
X

i=1
n
vectorial y de hecho se trata de h
[
Wi i.
i=1

Demostración. Sean α ∈ K y w, w ′ ∈ Wi . Entonces podemos escribir

Pn
i=1

w = v1 + . . . + vn y w ′ = v1′ + · · · + vn′ , con vi , vi′ ∈ Wi .

Por lo tanto, tenemos
n n n
′
αw + w = α vi + vi′ = (αvi + vi′ ).
X X X

i=1 i=1 i=1

Y como Wi es un subespacio para cada i, tenemos que αvi + vi′ ∈ Wi para cada i, lo
n n
que prueba que αw + w ′ ∈ Wi y por lo tanto que Wi ≤ V . Ahora, está claro que
X X

i=1 i=1
n n
Wi i, por lo que tenemos la igualdad deseada.
Sn X [
i=1 Wi ⊆ Wi ⊆ h ¨
⌣
i=1 i=1

Veamos ahora que ocurre con la dimensión de un espacio suma.

Teorema 1.51. Sean W1 , W2 subespacios vectoriales de dimensión finita de un K-

espacio vectorial V . Entonces W1 + W2 es de dimensión finita y

dimK (W1 + W2 ) = dimK W1 + dimK W2 − dimK (W1 ∩ W2 ).

A esta última fórmula se le conoce como fórmula de Grassmann.

Demostración. Como W1 es de dimensión finita y W1 ∩ W2 ≤ W1 , tenemos que W1 ∩ W2
es de dimensión finita también. Sea entonces {x1 , . . . , xk } una base de W1 ∩ W2 . Como
se trata de un conjunto LI sobre K contenido en W1 y en W2 , podemos completarlo para
formar bases
B1 = {x1 , . . . , xk , y1 , . . . , ym} de W1 ,
B2 = {x1 , . . . , xk , z1 , . . . , zn } de W2 .
Para probar el teorema, bastará con probar que
B3 = {x1 , . . . , xk , y1 , . . . , ym , z1 , . . . , zn },
1.5. SUMAS DE SUBESPACIOS VECTORIALES 21

es una base de W1 + W2 . La afirmación sobre las dimensiones es entonces inmediata.

Ahora, como los xi y los yj generan a W1 y los xi con los zℓ generan a W2 , ve-
mos que todos juntos claramente generan a W1 + W2 . Por otra parte, el conjunto
{x1 , . . . , xk , y1 , . . . , ym , z1 , . . . , zn } es LI sobre K. En efecto, consideremos una combi-
nación lineal
k m n
αi xi + βj yj + γℓ zℓ = 0.
X X X

i=1 j=1 ℓ=1

Entonces nℓ=1 γℓ zℓ ∈ hx1 , . . . , xk , y1 , . . . , ymi = W1 , pero también nℓ=1 γℓ zℓ ∈ W2 , por

P P

lo que pertenece a W1 ∩ W2 . Esto nos dice que existen λ1 , . . . , λk ∈ K tales que

n k
γℓ zℓ =
X X
λi xi ,
ℓ=1 i=1

es decir,
n k
γℓ zℓ + (−λi )xi = 0.
X X

ℓ=1 i=1

Como B2 es LI, tenemos que los γℓ (y los λi ) son todos nulos. Nos reducimos entonces a
k m
αi xi + βj yj = 0.
X X

i=1 j=1

Usando ahora que B1 es LI, tenemos que los αi y los βj son también todos nulos, lo que
prueba que B3 es LI sobre K. ⌣¨

Veamos ahora la noción de suma directa de subespacios.

Teorema 1.52. Sea V un K-espacio vectorial y sean W1 , . . . , Wn ≤ V subespacios

de V . Son equivalentes:
n
(a) V = Wi y Wi ∩ ( Wj ) = {0} para todo 1 ≤ i ≤ n.
X X

i=1 j6=i

n
(b) V = Wi y para todo v ∈ V existe una única forma de escribir v = v1 +· · ·+vn
X

i=1
con vi ∈ Wi para todo 1 ≤ i ≤ n.
n n
(c) V = Wi y si vi = 0 con vi ∈ Wi , entonces vi = 0 para todo 1 ≤ i ≤ n.
X X

i=1 i=1
22 CAPÍTULO 1. ESPACIOS VECTORIALES

Definición 1.53. Si se cumple cualquiera de las tres condiciones del teorema anterior,
decimos que V es suma directa de W1 , . . . , Wn y escribimos
n
V = W1 ⊕ · · · ⊕ Wn =
M
Wi .
i=1

n
Demostración. (a) ⇒ (b). Sea v ∈ V . Como V = Wi , tenemos que v = v1 + · · · + vn
X

i=1
con vi ∈ Wi para todo i. Debemos probar que una tal escritura es única. Supongamos
que existe una segunda escritura v = t1 + · · · + tn con ti ∈ Wi para todo i. Entonces

0 = v − v = (v1 − t1 ) + · · · + (vn − tn ),

por lo que
vi − ti = (vj − tj ).
X

j6=i

Este elemento está entonces en Wi , ya que vi , ti ∈ Wi , pero también en Wj , ya que

X

j6=i
sj , tj ∈ Wj . Por (a) obtenemos que vi − ti = 0, lo que prueba que vi = ti . Como esto es
cierto para todo i, obtenemos la unicidad.
n
(b) ⇒ (c). Evidentemente, tomando vi = 0 ∈ Wi , obtenemos vi = 0 . La unicidad
X

i=1
de la hipótesis (b) aplicada a v X
= 0 nos da el resultado.
(c) ⇒ (a). Sea v ∈ Wi ∩ ( Wj ). Entonces v = vi con vi ∈ Wi y v = vj con
X

j6=i j6=i
vj ∈ Wj . Por lo tanto, tenemos vi = vj y por ende
X

j6=i

v1 + · · · + vi−1 + (−vi ) + vi+1 + · · · + vn = 0.

La hipótesis (c) nos dice

X entonces que vj = 0 para todo j 6= i y por lo tanto v = 0, lo
que prueba que Wi ∩ ( Wj ) = {0}. ¨
⌣
j6=i

Observación 5. Si n = 2, obtenemos V = W1 ⊕ W2 si y sólo si V = W1 + W2 y

W1 ∩ W2 = {0}.

Si n = 3, obtenemos V = W1 ⊕ W2 ⊕ W3 si y sólo si V = W1 + W2 + W3 y
W1 ∩ (W2 + W3 ) = W2 ∩ (W1 + W3 ) = W3 ∩ (W1 + W2 ) = {0}.
Ejemplo 1.54. Si V = K 3 , entonces V = W1 ⊕ W2 ⊕ W3 con W1 = h(1, 0, 0)i, W2 =
h(0, 1, 0)i y W3 = h(0, 0, 1)i.
1.5. SUMAS DE SUBESPACIOS VECTORIALES 23

Ejercicio. Sea P ∈ R[x] un polinomio de grado n ≥ 1. Sean W1 = Rn−1 [x] y

W2 = {Q ∈ R[x] | Q múltiplo de P }.
Pruebe que W1 y W2 son subespacios de V = R[x] y que V = W1 ⊕ W2 .
Solución.
Probemos que W1 es un subespacio: Nótese ante todo que W1 6= ∅, por ejemplo, 1 ∈ W1 .
Sean entonces Q, R ∈ Rn−1 [x] polinomios de grado ≤ n − 1 y sea α ∈ R. Escribamos
n−1 n−1
Q= ai xi y R = bi xi . Entonces
X X

i=0 i=0

n−1 n−1 n−1

i i
Q + αR = ai x + α bi x = (ai + αbi )xi ,
X X X

i=0 i=0 i=0

por lo que Q + αR ∈ Rn−1 [x] ya que ai + αbi ∈ R para todo 0 ≤ i ≤ n.

Probemos ahora que W2 es un subespacio: Claramente W2 6= ∅ ya que P ∈ W2 . Sean
ahora Q, R ∈ W2 y sea α ∈ R. Entonces existen polinomios Q′ , R′ ∈ R[x] tales que
Q = Q′ P y R = R′ P , por lo que
Q + αR = Q′ P + αQ′ P = (Q′ + αR′ )P,
por lo que Q + αR ∈ W2 ya que Q′ + αR′ es un polinomio en R[x].

Probemos finalmente que V = W1 ⊕W2 . Sea T ∈ R[x] un polinomio (i.e. un elemento

de V ). La división euclidiana de polinomios nos dice que existen únicos Q, R ∈ R[x]
tales que T = QP + R con gr R ≤ n − 1. Vemos entonces que R ∈ Rn−1 [x] = W1 y
QP ∈ W2 , por lo que V = W1 + W2 . Como además esta escritura es única, tenemos que
V = W1 ⊕ W2 .
Ejercicio. Sea V = C[a, b] = {f : [a, b] → R | f continua}. Considere
Z b
S1 = {f ∈ C[a, b] | f (x)dx = 0};
a
S2 = {f ∈ C[a, b] | f constante}.
Pruebe que S1 y S2 son subespacios de V y que V = S1 ⊕ S2 .
Ejercicio. Sea V = RR = {f : R → R |f función}. Considere
P = {f ∈ RR | f (−x) = f (x), ∀ x ∈ R};
I = {f ∈ RR | f (−x) = −f (x), ∀ x ∈ R}.
Pruebe que P e I son subespacios de V y que V = P ⊕ I.
24 CAPÍTULO 1. ESPACIOS VECTORIALES

1.6. Espacio Vectorial Cociente

Sean V un K−espacio vectorial de dimensión finita y M ≤ V . Es posible construir
a partir de V y M un espacio vectorial V /M llamado cociente de V y M que no es
subespacio de V pero hará de complemento natural de M. Probaremos en el capítulo
siguiente que es isomorfo a cualesquier subespacio M ′ que sea complementario de M.
Para llegar a la definición del espacio cociente, necesitamos primero la noción de
clase lateral:
Definición 1.55. Sea V un K-espacio vectorial y sea M un subespacio de V . Los
conjuntos de la forma
x + M := {x + y | y ∈ M} con x ∈ V,
se llaman clases laterales de M en V .
Nótese que estas clases son sólo subconjuntos de V y que V = (x + M). Además,
[

x∈V
para x, y ∈ V , tenemos que x + M = y + M si y sólo si x − y ∈ M.
Definición 1.56. Sea V un K-espacio vectorial y sea M un subespacio de V . El conjunto
de todas las clases laterales de M en V se denota por V /M. Sobre este conjunto definimos
las siguientes operaciones:

+ : (V /M) × (V /M) → V /M · : K × (V /M) → V /M

(x + M, y + M) 7→ (x + y) + M (α, x + M) 7→ (αx) + M.
Al triple (V /M, +, ·) se le llama el espacio vectorial cociente de V por M.
Este nombre nos invita detenernos para verificar que está bien merecido.

Proposición 1.57. Las operaciones + y · dadas arriba están bien definidas y hacen
de V /M un K-espacio vectorial.

Demostración. Demostremos que + está bien definida. Sean x + M e y + M dos clases

laterales. Sean z, w ∈ V tales que x + M = z + M e y + M = w + M. Debemos verificar
que
x + y + M = z + w + M.
Para probar esto, basta con ver que x + y − (z + w) ∈ M. Pero tenemos que
x + y − (z + w) = (x − z) + (y − w) ∈ M,
1.6. ESPACIO VECTORIAL COCIENTE 25

ya que x − z, y − w ∈ M y M es un subespacio. Esto prueba que + está bien definida.

Demostremos ahora que · está bien definida. Sea α ∈ K y sea x + M una clase lateral.
Sea y ∈ V tal que x + M = y + M. Debemos verificar que

αx + M = αy + M.

Para probar esto, basta con probar que αx − αy ∈ M. Pero tenemos que

αx − αy = α(x − y) ∈ M,

ya que x − y ∈ M y M es un subespacio. Esto prueba que · está bien definida.

Veamos ahora que se trata de un espacio vectorial. Esto es un ejercicio fácil, ya que la
suma y la multiplicación por escalar de V /M dependen de las mismas operaciones para
V . Nos contentaremos entonces con verificar los axiomas sobre 0V /M y sobre el inverso,
dejando los otros como ejercicio.
Consideremos entonces el elemento 0V /M := 0 + M = m + M para m ∈ M. Para
x + M una clase lateral tenemos entonces

(x + M) + 0V /M = (x + M) + (0 + M) = (x + 0) + M = x + M,

y claramente el mismo cálculo funciona para 0V /M + (x + M). Esto prueba la existencia

del elemento neutro.
Respecto al inverso, basta con considerar, para x + M una clase lateral, que

(x + M) + ((−x) + M) = (x + (−x)) + M = 0 + M = 0V /M .

Esto prueba la existencia de inversos. ¨

⌣

Observación 6.
Como ya vimos que la suma y la multiplicación por escalar están bien definidas, clara-
mente tenemos que:
n n
!
αi (xi + M) = αi xi + M,
X X
∀ x1 , . . . , xn ∈ V, ∀ α1 , . . . , αn ∈ K.
i=1 i=1

Ejemplo 1.58. Sea V = R2 y M el R-subespacio dado por {(x, 2x) | x ∈ R}. Entonces

V /M = {(a, b) + M | a, b ∈ R}.

Pero para a, b ∈ R fijos tenemos que

(a, b)+M = {(a, b)+m | m ∈ M} = {(a, b)+(x, 2x) | x ∈ R} = {(a, b)+x(1, 2) | x ∈ R}.
26 CAPÍTULO 1. ESPACIOS VECTORIALES

Y este último conjunto no es más que la recta que pasa por (a, b) con dirección (1, 2).
En particular, el elemento neutro M = 0 + M corresponde a la recta que pasa por el
origen con pendiente 1/2. De esto deducimos que

V /M = {ℓ ⊂ R2 | ℓ recta, ℓ//M}.

Ejemplo 1.59. Sea V = M2×2 (K) y sea

( ! )
a −a
M= | a, b, c ∈ K .
b c
Entonces

V /M = {A + M | A ∈ M2×2 (K)}
( ! )
x y
= + M | x, y, z, w ∈ K
z w
0 x+y
( ! ! )
x −x
= + + M | x, y, z, w ∈ K
z w 0 0
(
0 x+y
! ) (
0 t
! ) *
0 1
! +
= + M | x, y ∈ K = +M |t∈K = +M .
0 0 0 0 0 0

Por lo que dimK V /M = 1 en este caso.

1.7. Ejercicios Resueltos

1) Sea V un K-espacio vectorial con K cuerpo, demuestre las siguientes propiedades:
a) El inverso aditivo de cada v ∈ V es único.
b) (−1K ) · v es el inverso aditivo de v ∈ V , donde −1K denota el inverso aditivo
del neutro para la multiplicación de K.
c) Sean α ∈ K y v ∈ V , demuestre que α · v = 0V ssi α = 0K (el neutro para la
suma K), o v = 0V .
d) Sean α, β ∈ K y v ∈ V , demuestre que α · v = β · v ssi α = β o v = 0V .
e) Sean v1 , v2 , v ∈ V , demuestre que v + v1 = v + v2 ssi v1 = v2 . Es decir, hay
cancelación en V.

Solución. a) Supongamos que v1 , v2 ∈ V son inversos aditivos de v, por lo que:

v + v1 = v1 + v = 0V y v + v2 = v2 + v = 0V ,
1.7. EJERCICIOS RESUELTOS 27

en particular v1 = v1 + 0V = v1 + (v + v2 ) = (v1 + v) + v2 = 0V + v2 = v2 .
b) Como ya hemos demostrado que el inverso aditivo es único, solo necesitamos
demostrar que v + (−1K ) · v = 0V , por lo que tenemos que:

v + (−1K ) · v = 1K · v + (−1K ) · v = (1K − 1K ) · v = 0K · v = 0V .

c) (⇐=) Usando propiedades demostradas, tenemos que:

0 K · v = 0V y α · 0 V = 0V

(=⇒) Supongamos que α · v = 0V , tenemos que:

αv = 0V
αv = v−v
αv + v =v
(α + 1K )v = 1K · v

Por lo que usando (d), tenemos que α + 1K = 1K ó v = 0V , es decir, α = 0K ó

v = 0V .
d) (=⇒) Lo demostraremos por contrareciproco, por lo que supongamos que α 6= β
y v 6= 0V , en particular α − β 6= 0K , por lo tanto:

0V 6= (α − β) · v = α · v − β · v =⇒ α · v 6= β · v.

(⇐=) Si α = β entonces α − β = 0K , por lo que:

(α − β) · v = α · v − β · v = 0V =⇒ α · v = β · v.

Y si v = 0V , tenemos que α · v = 0V = β · v.
e) (=⇒) Supongamos que v + v1 = v + v2 , por lo que (v + v1 ) − v = (v + v2 ) − v
lo que implica que 0V + v1 = 0V + v2 y de donde v1 = v2 .
(⇐=) Si v1 = v2 entonces sumando v tenemos v + v1 = v + v2 .

2) Sea V un K-espacio vectorial, demostrar las siguientes propiedades:

a) Si V1 , V2 son subespacios vectoriales de V , entonces la intersección V1 ∩ V2 es

un subespacio vectorial de V .
28 CAPÍTULO 1. ESPACIOS VECTORIALES

b) Si V1 , V2 son subespacios vectoriales de V , entonces

V1 + V2 := {v ∈ V | ∃ v1 ∈ V1 , v2 ∈ V2 , α1 , α2 ∈ K tales que v = αv1 + α2 v2 }

es un subespacio vectorial de V .
c) Si V1 , V2 son subespacios vectoriales de V , demostrar que V1 ∪ V2 es un subes-
pacio vectorial de V ssi V1 ⊆ V2 o V2 ⊆ V1 .

Solución. a) Notemos que V1 ∩V2 6= ∅ ya que 0V ∈ V1 ∩V2 . Ahora sean x, y ∈ V1 ∩V2

y α ∈ K, en particular
x, y ∈ V1 ∧ x, y ∈ V2 .

Como V1 y V2 son subespacios vectorial de V , tenemos que x + αy ∈ V1 ∧ x +

αy ∈ V2 . Es decir x + αy ∈ V1 ∩ V2 , concluyendo así que V1 ∩ V2 es subespacio
vectorial de V.
b) Notemos que V1 + V2 6= ∅ ya que 0V ∈ V1 . Ahora sean x, y ∈ V1 + V2 y α ∈ K,
en particular x = α1 v1 + α2 v2 , y = α3 v3 + α4 v4 para ciertos α1 , α2 , α3 , α4 ∈ K,
v1 , v3 ∈ V1 y v2 , v4 ∈ V2 . Luego

x + αy = α1 v1 + α2 v2 + αα3 v3 + αα4 v4 = (α1 v1 + αα3 v3 ) + (α2 v2 + αα4 v4 ).

Como V1 , V2 son subespacios vectoriales de V y K es un cuerpo, se concluye que

x + αy ∈ V1 + V2 .
c) (=⇒) Nuestra hipótesis es que V1 ∪V2 es un K-subespacio vectorial, supongamos
que V1 6⊆ V2 y V2 6⊆ V1 , entonces existen v1 ∈ V1 \ V2 y v2 ∈ V2 \ V1 .
Notemos que v1 + v2 ∈ V1 ∪ V2 , ya que v1 , v2 ∈ V1 ∪ V2 y por hipótesis es subespacio
vectorial. Esto implica que v1 + v2 ∈ V1 ó v1 + v2 ∈ V2 , por lo que:
Si v1 + v2 ∈ V1 , como V1 es subespacio vectorial entonces v1 + v2 − v1 =
(v1 − v1 ) + v2 = 0V + v2 = v2 ∈ V1 . =⇒⇐=
Si v1 + v2 ∈ V2 , como V2 es subespacio vectorial entonces v1 + v2 − v2 =
v1 + (v2 − v2 ) = v1 + 0V = v1 ∈ V2 . =⇒⇐=
Por lo tanto V1 ⊆ V2 ó V2 ⊆ V1 .
(⇐=) Ahora supongamos que V1 ⊆ V2 ó V2 ⊆ V1 , tenemos que demostrar que
V1 ∪ V2 es un subespacio vectorial.
Si V1 ⊆ V2 , entonces V1 ∪ V2 = V2 como V2 es subespacio vectorial entonces
también lo es V1 ∪ V2 .
1.7. EJERCICIOS RESUELTOS 29

Si V2 ⊆ V1 , entonces V1 ∪ V2 = V1 como V1 es subespacio vectorial entonces

también lo es V1 ∪ V2 .

De ambas formas se tiene que V1 ∪ V2 es subespacio vectorial.

3) Sean V1 , V2 dos espacios vectoriales (con el mismo cuerpo de escalares) y considere

el producto cartesiano V1 × V2 , en el que se define la suma y el producto escalar
mediante:

(v1 , v2 ) + (v1′ , v2′ ) = (v1 + v1′ , v2 + v2′ )

λ(v1 , v2 ) = (λv1 , λv2 )

Pruebe que con estas operaciones el conjunto V1 × V2 es un espacio vectorial. Si V1

y V2 tienen dimensión finita, compruebe que:

dim(V1 × V2 ) = dim(V1 ) + dim(V2 )

Solución. Tenemos que demostrar las 8 propiedades de espacio vectorial, por lo

tanto sean x = (x1 , x2 ), y = (y1 , y2), z = (z1 , z2 ) ∈ V1 × V2 y α, β ∈ K, verificamos

1. (x + y) + z = [(x1 , x2 ) + (y1 , y2 )] + (z1 , z2 ) = (x1 + y1 , x2 + y2 ) + (z1 , z2 )

= (x1 + y1 , z1 , x2 + y2 + z2 )
= (x1 , x2 ) + [(y1 + z1 , y2 + z2 )]
= x + (y + z).

2.x + y = (x1 , x2 ) + (y1 , y2) = (x1 + y1 , x2 + y2 ) = (y1 + x1 , y2 + x2 )

= (y1 , y2 ) + (x1 , x2 ) = y + x.

3. El elemento neutro es (0V1 , 0V2 ).

4. El inverso de x = (x1 , x2 ) ∈ V1 × V2 es −x = (−x1 , −x2 ).

5. α · (β · x) = α · (β · (x1 , x2 )) = α(βx1 , βx2 ) = (αβx1 , αβx2 )

= (α · β) · (x1 , x2 ) = (α · β) · x

6.(α + β)x = (α + β)(x1 , x2 ) = ([α + β]x1 , [α + β]x2 ) = (αx1 + βx1 , αx2 + βx2 )
= (αx1 , αx2 ) + (βx1 , βx2 ) = α(x1 , x2 ) + β(x1 , x2 ) = αx + βx.
30 CAPÍTULO 1. ESPACIOS VECTORIALES

7.α(x + y) = α(x1 + y1 , x2 + y2 ) = (αx1 + αy1, αx2 + αy2)

= (αx1 , αx2 ) + (αy1 , αy2) = αx + αy

8. 1 · x = 1 · (x1 , x2 ) = (1 · x1 , 1 · x2 ) = (x1 , x2 ) = x
Ahora bien si B1 = {v1 , v2 , ..., vn } es una base de V1 y B2 = {w1 , w2 , ..., wm } es
una base de V2 , notemos que:

(v1 , 0), (v2 , 0), ..., (vn , 0), (0, w1), (0, w2 ), ..., (0, wm)

Es base de V1 × V2 , por lo tanto dim(V1 × V2 ) = dim(V1 ) + dim(V2 ).

4) Sea X un conjunto infinito y F (X; R) el espacio vectorial formado por las funciones
de X en R. Para cada a ∈ X sea

1 si x = a
(
fa (x) =
0 si x =
6 a

Pruebe que el conjunto Ω ⊂ F (X; R) formado por estas funciones es L.I. Concluya
que F (X; R) tiene dimensión infinita. ¿Ω genera F (X; R)? Justifique su respuesta.

Solución. Sea Ω = {fa : X → R : a ∈ X}. Para fai ∈ Ω y αi ∈ R consideremos

α1 fa1 + α2 fa2 + · · · + αn fan = 0.

Evaluando la igualdad anterior en a1 se obtiene que α1 = 0. Se repite esta evalua-

ción en cada ai y obtenemos que α2 = . . . = αn = 0, de donde Ω es L.I. Como X
es infinito se sigue que Ω es un conjunto infinito L.I, por lo tanto F (X; R) tiene
dimensión infinita.

Ω no genera F (X; R) ya que dada f ∈ F (X; R) arbitraria, no se puede escribir

como combinación lineal de un número finito de funciones en Ω.

5) Sea V un espacio vectorial. Sean W1 y W2 subespacios vectoriales de V tales que

W1 ∪ W2 es también un subespacio vectorial de V . Demuestre que uno de los dos
espacios Wi está contenido en el otro.

Solución. Vamos a considerar dos casos (i) W2 ⊂ W1 y (ii) W2 6⊂ W1 .

Si (i) es cierto tenemos lo pedido. Supongamos que se tiene (ii), entonces existe
v2 ∈ W2 y v2 ∈ / W1 . Sea v1 ∈ W1 , como v1 , v2 ∈ W1 ∪ W2 y W1 ∪ W2 es un
1.7. EJERCICIOS RESUELTOS 31

subespacio vectorial de V se tiene que v1 + v2 ∈ W1 ∪ W2 . Afirmamos que v1 + v2 ∈ /

W1 , en efecto, escribiendo (v1 + v2 ) + (−v1 ) = v2 si v1 + v2 estuviese en W1 por
cerradura del subespacio v2 ∈ W1 lo que no es cierto. Luego v1 + v2 ∈ W2 , así
(v1 + v2 ) + (−v2 ) = v1 ∈ W2 , de donde W1 ⊂ W2 .
6) Considere el espacio vectorial V = M2x2 (R) sobre R. Sean V1 y V2 los subconjuntos
de V definidos como:
α + 3β 2α + β
( ! )
V1 = α, β ∈ R
α+β α−β
y
γ − δ 2γ
( ! )
V2 = γ, δ ∈ R .
−γ −2δ

(a) Pruebe que V1 y V2 son subespacios vectoriales de V .

Solución. Sean A1 , A2 ∈ V1 dadas por

α1 + 3β1 2α1 + β1 α2 + 3β2 2α2 + β2

! !
A1 = , A2 =
α1 + β1 α1 − β1 α2 + β2 α2 − β2

Sea k ∈ R, tenemos que

(α1 + kα2 ) + 3(β1 + kβ2 ) 2(α1 + kα2 ) + β1 + kβ2

!
A1 + kA2 =
α1 + kα2 + β1 + kβ2 α1 + kα2 − (β1 + kβ2 )

Escribiendo α = α1 + kα2 y β = β1 + kβ2 tenemos que A1 + kA2 ∈ V1 y

por lo tanto es un subespacio vectorial de V . Análogo se prueba que V2 es un
subespacio de V .
(b) Encuentre los espacios V1 ∩ V2 y V1 + V2 .
Solución. Sea A ∈ V1 ∩ V2 , entonces

α + 3β 2α + β
!
γ − δ 2γ
!
A= =
α+β α−β −γ −2δ
de donde
α + 3β − γ + δ = 0
2α + β − 2γ = 0
α+β+γ = 0
α − β + 2δ = 0
cuya única solución es α = β = γ = δ = 0, luego V1 ∩ V2 = {0}.
32 CAPÍTULO 1. ESPACIOS VECTORIALES

Sabemos que V1 + V2 es un subespacio vectorial de V, por lo que V1 + V2 ⊂ V.

Probaremos que V ⊂ V1 + V2 . Sea A ∈ V, buscamos solución de

α + 3β 2α + β γ − δ 2γ
! ! !
a b
A= = +
c d α+β α−β −γ −2δ

o equivalentemente,
α + 3β + γ − δ = a
2α + β + 2γ = b
α+β−γ = c
α − β − 2δ = d
el sistema tiene solución única, por lo tanto es posible escribir la matriz A =
A1 + A2 con A1 ∈ V1 y A2 ∈ V2 . Concluimos que V = V1 + V2 .
(c) Demuestre o refute que V = V1 ⊕ V2 .
Solución. Por (b) se tiene V = V1 ⊕ V2 y V1 ∩ V2 = ∅. De donde V = V1 ⊕ V2 .

7) Sea V = K[x] y Kn [x] = {f ∈ K[x] | f = 0 o gr(f ) ≤ n}. Pruebe que Kn [x] es

subespacio de K[x].

Solución. i) 0 ∈ Kn [x] por definición

ii) Sean f, g ∈ Kn [x]. Si f = 0 o g = 0 entonces f + g ∈ Kn [x].
Si f + g = 0, entonces f + g ∈ Kn [x]. Supongamos ahora que f + g 6= 0, entonces
gr(f + g) ≤ max{gr(f ), gr(g)} ≤ n. Luego f + g ∈ Kn [x].
iii) Sea α ∈ K, g ∈ Kn [x]. Si λ = 0 o f = 0 entonces λf ∈ Kn [x].
Sea λ 6= 0, f 6= 0, entonces gr(λf ) = gr(f ) ≤ n, de donde λf ∈ Kn [x].
Por lo tanto, Kn [x] es subespacio de K[x].
Observación. El conjunto T = {f ∈ K[x] | f = 0 o gr(f ) > n}, no es subespacio
de V. En efecto, si tomamos, f = xn , g = −xn + 1 entonces f + g = 1 ∈
/ T.

8) Pruebe que un subespacio de R2 debe ser uno de los siguientes: R2 , el espacio

{(0, 0)}, o el consistente de todos los múltiplos escalares de algún vector en R2 . El
último tipo de subespacio es, intuitivamente, una línea recta a través del origen.

Solución. {(0, 0)} es subespacio de R2 . Sea S 6= {(0, 0)} un subespacio de R2 .

Luego hay v ∈ S, v 6= 0. Como S es subespacio, αv ∈ S, ∀ α ∈ R. Si todos los
elementos de S son de esta forma, entonces S = {βv | β ∈ R} que es una recta
por el origen y es un subespacio de R2 . Supongamos que hay w ∈ S, w 6= βv para
1.7. EJERCICIOS RESUELTOS 33

cualquier β ∈ R. Ahora bien, como w ∈ S y S subespacio de R2 , se tiene que

γw ∈ S para todo γ ∈ R. Es decir S contiene a las rectas L de vector director
v y L′ de vector director w. Por lo tanto, cualquier punto en R2 , es suma de un
elemento de L y otro de L′ , luego pertenece a S, de donde S ⊆ R2 , y S = R2 .
Así, los únicos subespacios de R2 son {(0, 0)}, las rectas por el origen y R2 .
9) Sean S y T los subespacios de R3 , S = h(1, −k 2 + 1, 2), (k + 1, 1 − k, −2)i y T =
{(x1 , x2 , x3 ) ∈ R3 | x1 + x2 + x3 = 0}. Hallar todos los valores de k ∈ R para los
cuales S = T .

Solución. En primer lugar, veamos para qué valores de k ∈ R se tiene que S ⊆ T

(1, −k 2 + 1, 2) ∈ T ⇐⇒ 1 + (−k 2 + 1) + 2 = 0 ⇐⇒ k = ±2
(k + 1, 1 − k, −2) ∈ T para todo k ∈ R.
Luego, S ⊆ T ⇐⇒ k = −2 o k = 2.
Finalmente, para cada uno de estos valores de k, basta ver si dimS = dimT.

Observamos que dimT = 2 pues una base de T es {(0, −1, 1), (−1, 0, 1)}.
Si k = −2, S = h(1, −3, 2), (−1, 3, −2)i = h(1, −3, 2)i, de donde dimS = 1.
Si k = 2, S = h(1, −3, 2), (3, −1, −2)i y, como {(1, −3, 2), (3, −1, −2)} es LI sobre
R, es base de S. Por lo tanto dimS = 2.
Concluimos que S = T ⇐⇒ k = 2.
10) Encuentre una base para el R-espacio vectorial M2×2 (C).
 
a11 + ib11 a12 + ib12
Solución. Sea A =   ∈ M2×2 (C)
 
a21 + ib21 a22 + ib22

Sea Eij = (xij ) ∈ Mn (R) la matriz tal que

(
xrs = 1 si r = i y s = j
xrs = 0 en todo otro caso
Entonces
   
a11 a12 ib11 ib12
A=  +
  
a21 a22 ib21 ib22
 

= a11 E11 + a12 E12 + a21 E21 + a22 E22 +ib11 E11 + ib12 E12 + ib21 E21 + ib22 E22
34 CAPÍTULO 1. ESPACIOS VECTORIALES
(
Por lo tanto, M2×2 (C) = hE11 , E12 , E21 , E22 , iE11 , iE12 , iE21 , iE22 i. Además E11 , E12 , E21 , E22 , iE11 ,
es LI sobre R.
Luego una base para el R-espacio vectorial M2×2 (C) es
( )
E11 , E12 , E21 , E22 , iE11 , iE12 , iE21 , iE22 .

11) Sea V = R3 y sea S = (1, m, 2), (m + 1, 0, 1), (2, 0, 2m − 1) ⊆ V.

a) Calcular el valor de m para que S se LI sobre R.
b) ¿es S una base de V ? en caso afirmativo, encuentre las coordenadas del vector
(2, 2, 2) en dicha base.

1 m+1 2
 
 
Solución. a) Consideremos la matriz m 0 0
 

 
−2 1 2m − 1
 

Entonces S será LI sobre R si rango de A = 3. Calculemos los valores de m para

los cuales det(A) = 0.

1 m+1 2
det(A) = m 0 0
−2 1 2m − 1

det(A) = 0 =⇒ 3m − 3m2 − 2m3 = 0 =⇒ m = 0, m = 1, m = − 23

Entonces para m ∈ R − {0, 1, − 23 }, S es LI sobre R.
b) Como para m ∈ R − {0, 1, − 23 }, S tiene tres vectores LI sobre R, y como
dimR3 = 3, entonces S es una base de R3 . Tomemos m = 1, y la base es S =
{(1, 1, −2), (0, 0, 1), (2, 0, −3)}.
(2, 2, 2) ∈ hSi → (−2, 2, 2) = a(1, −1, −1) + b(0, 0, 1) + c(2, 0, −3) ciertos escalares
a, b, c en R. Formemos el sistema de ecuaciones

a + 2c = −2
−a = 2
−2a − b − 3c = 2

Se obtiene que a = −2, b = −2 y c = 0 son las coordenadas del vector (−2, 2, 2)

en la base S = {(1, −1, −2), (0, 0, 1), (2, 0, −3)} de R3 .
1.7. EJERCICIOS RESUELTOS 35

12) Considere el R-espacio vectorial V = M2×2 (R) de las matrices cuadradas de tamaño
2 × 2 con coeficientes en R, y sea S = {M1 , M2 , M3 , M4 } el sistema formado por
las matrices:
0 0 0 1 1 1 1 0
! ! ! !
M1 = M2 = M3 = M4 =
0 1 0 1 0 0 1 0

a) Hallar las coordenadas α1 , α2 , α3 , α4 ∈ R en la base S de una matriz genérica

M de V : !
a b
M=
c d
b) Comprobar que S es una base de V .

Solución.
a) Usando α1 = a − b − c + d, α2 = −a + b + c, α3 = a − c y α4 = c tenemos:

0 0 0 1 1 1 1 0
! ! ! ! !
a b
α1 + α2 + α3 + α4 =
0 1 0 1 0 0 1 0 c d
b) Por (a) tenemos que las 4 matrices generan V , solo falta comprobar que son un
conjunto linealmente independiente, tenemos:
0 0 0 1 1 1 1 0 α3 + α4 α2 + α3 0 0
! ! ! ! ! !
α1 + α2 + α3 + α4 = =
0 1 0 1 0 0 1 0 α4 α1 + α2 0 0
Por lo tanto α1 = α2 = α3 = α4 = 0, en particular S es linealmente independiente
y como S genera V , concluimos que S es base de V .
13) Sea K[x] (es decir, los polinomios con coeficientes en K) visto como K-espacio
vectorial, demuestre que no es finitamente generado.
Solución. Supongamos que K[x] es finitamente generado, es decir dimK K[x] =
n + 1 para algún n ∈ N, entonces B = {1, x, ..., xn } es base de K[X] (ya que es un
conjunto linealmente independiente y #(B) = n + 1).
Sea xn+1 ∈ K[X], como B es base de K[x] existen α0 , α1 , ..., αn ∈ K tales que

xn+1 = α0 + α1 x + ... + αn xn
Como dos polinomios son iguales si y solo si todos sus coeficientes son iguales, esto
implica que xn+1 = 0 (contradicción). Por lo tanto K[x] visto K-espacio vectorial
no es finitamente generado.
36 CAPÍTULO 1. ESPACIOS VECTORIALES

14) Demostrar que si U, V y W son subespacios vectoriales de un cierto espacio, en-

tonces:
a) (U ∩ V ) + (U ∩ W ) ⊆ U ∩ (V + W )
b) U + (V ∩ W ) ⊆ (U + V ) ∩ (U + W )

Solución. a) Sea x ∈ (U ∩V )+(U ∩W ), por lo que existen y1 ∈ U ∩V , y2 ∈ U ∩W

y α1 , α2 ∈ K tales que
x = α1 y1 + α2 y2
Como y1 , y2 ∈ U esto implica que x ∈ U, ahora falta probar que x ∈ V + W . Pero
y1 ∈ V y y2 ∈ W entonces x ∈ V + W .
b) Sea x ∈ U + (V ∩ W ), por lo que existen y1 ∈ U, y2 ∈ V ∩ W y α1 , α2 ∈ K tales
que
x = α1 y1 + α2 y2
Como y1 ∈ U y y2 ∈ V entonces x ∈ U + V , de la misma manera tenemos que
y1 ∈ U y y2 ∈ W entonces x ∈ U + W .
15) Sean W1 = < (1, 0, 1, 4) >, W2 = {(x, y, z, t) ∈ R4 | x+2y +z +t = 0 ∧ x−z = 0}.
Encuentre una base para W2 , describa W1 +W2 y encuentre una base para W1 +W2 .

Solución. Busquemos un conjunto generador de W2 . Notemos primero que de las

condiciones que definen a W2 se tiene que

x = z, 2x + 2y + t = 0 luego t = −2x − 2y

Por lo tanto (x, y, z, t) ∈ W2 ⇐⇒ (x, y, x, −2x − 2y) ∈ W2 ⇐⇒ x(1, 0, 1, −2) +

y(0, 1, 0, −2) ∈ W2 . De esto, W2 = h(1, 0, 1, −2), (0, 1, 0, −2)i. Notemos que es-
tos vectores son LI sobre R pues uno no es múltiplo del otro. Así, tenemos que
{(1, 0, 1, −2), (0, 1, 0, −2)} es una base de W2 .
Describamos la suma W1 + W2 .
W1 + W2 = {w1 + w2 | w1 ∈ W1 , w2 ∈ W2 } = {a(1, 0, 1, 4) + b(1, 0, 1, −2) +
c(0, 1, 0, −2) | a, b, c ∈ R}.
De lo anterior se tiene que W1 +W2 = h(1, 0, 1, 4), (1, 0, 1, −2), (0, 1, 0, −2)i. Además
estos tres vectores son LI. Una base de W1 +W2 es el conjunto {(1, 0, 1, 4), (1, 0, 1, −2), (0, 1, 0, −2)}.
16) Considere los subespacios de R[x], S = {f ∈ R[x] | f (1) = 0}, y T = h1i. Pruebe
que
a) S = h(x − 1)xi , i ∈ N ∪ {0}i.
1.7. EJERCICIOS RESUELTOS 37

b) R[x] = S ⊕ T.

Solución. Tenemos que S = {f ∈ R[x] | f (1) = 0}. Como f (1) = 0 se tiene

que 1 es raíz de f, es decir, f (x) = (x − 1)q(x), q(x) ∈ R[x], gr(q) = gr(f ) − 1.
T = h1i = {a | a ∈ R}.
Dado f (x) ∈ R[X] escribimos f (x) = (f (x) − f (1)) + f (1) y vemos que (f (x) −
f (1) ∈ S y f (1) ∈ T. Entonces, S + T = R[X].
Sea f ∈ S ∩ T. Como f ∈ S, se tiene que f = (x − 1)g(x) para algún g(x) ∈ R[X]
y como f ∈ T, f = 0 o gr(f ) = 0. Luego f = 0. Por lo tanto S ⊕ T = R[X].

17) Sean S = {sen(3x), cos(3x)} y S1 = {1, sen2 (2x), cos2 (2x)}. Son S y S1 linealmente
independiente o dependiente sobre R? Justifique la respuesta.

Solución. i) Veamos si {sen(3x), cos(3x)} es LI o LD sobre R.

Sea a sen(3x) + b cos(3x) = 0, ∀ x ∈ R. Tomando x = π/3, se tiene a sen(π) +
b cos(π) = 0, de donde b = 0. Tomando x = π/6, se tiene a sen(π)/2 + b cos(π/2) =
0, de esto a = 0. Así {sen(3x), cos(3x)} es LI sobre R.
ii) Ahora consideramos el conjunto {1, sen2 (2x), cos2 (2x)}.
Sea a + b sen2 (2x) + c cos2 (2x) = 0, ∀ x ∈ R. Tomando x = 0, se tiene a + c = 0.
Escogemos x = π/4, entonces a + b sen2 (π/2) + c cos2 (π/2) = 0, luego a + b = 0.
Como las funciones seno y coseno son derivables, tenemos

4b sen(2x) cos(2x) + 4c cos(2x) sen(2x) = 0, ∀ x ∈ R.

Reduciendo 4(b + c) sen(2x) cos(2x) = 0 y vía identidades trigonométricas tenemos

que 2(b+c) sen(4x) = 0, ∀ x ∈ R. Tomemos x = π/8, y queda 2(b+c) sen(π/2) = 0,
de donde b + c = 0.
Como teníamos que a + b = 0 y a + c = 0 obtenemos finalmente que a = 0 = b = c
y {sen(3x), cos(3x)} es LI sobre R.

18) Sea Kn [x] (el espacio vectorial de los polinomios de grado menor o igual que n) visto
como K-espacio vectorial. Sea p(x) un polinomio cualquiera de Kn [x] y considere

B = {p(x), p′ (x), p′′ (x), ..., p(n) (x)}

Analizar si B es o no una base de V , en función de quién sea p(x).

38 CAPÍTULO 1. ESPACIOS VECTORIALES

Solución. Primero notemos que dimK Kn [x] = n + 1, ya que B ′ = {1, x, ..., xn }

es base del espacio. Por lo tanto solo debemos probar que los elementos de B son
linealmente independientes. Sea p(x) ∈ Kn [x] tal que
n
p(x) = αi xi con αi ∈ K y αn 6= 0
X

i=0

La ultima restricción se debe a que necesitamos que p(x) al derivarlo n veces sea
distinto del polinomio 0 (ya que es linealmente dependiente). Por lo que sea

β0 p(x) + β1 p′ (x) + ... + βn p(n) (x) = 0

Tenemos que demostrar que βi = 0K para todo 0 ≤ i ≤ n, en particular

n n
αi xi + β1 iαi xi−1 + ... + βn (n!αn ) = 0
X X
β0
i=0 i=1

Notemos que en la expresión anterior el coeficiente de xn es β0 αn , como αn 6= 0

entonces β0 = 0. Luego para cada coeficiente de xi se realiza el mismo razonamiento,
por lo tanto se tiene que βi = 0 para todo 0 ≤ i ≤ n.
19) Sea W el C-subespacio de C3 generado por v1 = (1, 0, i) y v2 = (1 + i, 1, −1).
a) Muestre que v1 y v2 forman una C-base para W
b) Muestre que los vectores w1 = (1, 1, 0) y w2 = (1, i, 1+i) están en W y forman
otra C-base para W .

Solución. a) Sea S = {(1, 0, i), (1 + i, 1, −1)} entonces W = hSi. Probaremos que

S es LI sobre C. Sea

(a + bi)(1, 0, i) + (c + di)(1 + i, 1, −1) = (0, 0, 0).

Multiplicando y sumando se tiene que

(a + c − d + i(b + c + d), c + di, −b − c − i(d − a)) = (0, 0, 0), de donde c + di = 0,
se obtiene c = 0 y d = 0. Reemplazando en a + c − d + i(b + c + d) = 0, queda
a = b = 0.
Por lo tanto {(1, 0, i), (1 + i, 1, −1)} es una base de W.
b) Tenemos que

h(1, 0, i), (1 + i, 1, −1)i = (a + c − d + (b + c + d)i, c + di, −b − c + (a − d)i)

1.7. EJERCICIOS RESUELTOS 39

Así w1 = (1, 1, 0) ∈ W ⇐⇒ existen a,b,c,d ∈ R tal que

(1, 1, 0) = (a + c − d + (b + c + d)i, c + di, −b − c + (a − d)i

Igualando la última coordenada obtenemos a = d, c = −b. De la igualdad de las

segundas coordenadas se tiene c = 1 y d = 0.
Por lo tanto (1, 1, 0) = −i(1, 0, i) + (1 + i, 1, −1) ∈ W.

Análogo para que w2 = (1, i, 1 + i) ∈ W tenemos que probar que existen a, b, c, d ∈

R tal que (1, i, 1 + i) = (a + bi)(1, 0, i) + (c + di)(1 + i, 1, −1). Desarrollando
(1, i, 1 + i) = (a + c − d + (b + c + d)i, c + di, −b − c + (a − d)i e igualando coordenada
a coordenada se tiene que d = 1, c = 0, a = 2 y b = −1. Así

(1, i, 1 + i) = (2 − i)(1, 0, i) + i(1 + i, 1, −1).

Finalmente veamos que B = {(1, 1, 0), (1, i, 1 + i)} es otra C-base para W . Como
dimW = 2 basta ver que B es LI sobre C.
Sea (a + bi)(1, 1, 0) + (c + di)(1, i, 1 + i) = (0, 0, 0) . Luego (a + c + (b + d)i, a − d +
(b + c)i, c − d + (c + d)i) = (0, 0, 0).
Igualando las terceras coordenadas se tiene c = 0 y d = 0 y usando esto en la
igualdad de las primeras coordenadas obtenemos a = 0 y b = 0. Por lo tanto B es
LI sobre C y es otra base para W.

20) Sea V un K-espacio vectorial.

a) Sea dimK (V ) = m. Pruebe que todo subconjunto de V con m + 3 elementos es
linealmente dependiente sobre K.
b) Sean W1 , W2 subespacios de V. Pruebe que < W1 ∪ W2 > = W1 + W2 .

Solución. a) Supongamos que {v1 , · · · , vm+3 } es linealmente independiente sobre

K. Como dimK (V ) = m sea S = {s1 , · · · , sm } conjunto generador de V. Sabemos
que m + 3= el número de elementos linealmente independientes sobre K ≤ m=
el número de elementos generadores de V. Contradicción. Luego {v1 , · · · , vm+3 } es
linealmente dependiente sobre K.
b) Siempre se tiene que W1 +W2 ⊆ hW1 ∪ W2 i. Sea ahora x ∈ hW1 ∪ W2 i entonces
m k m
x = si , con si ∈ W1 ∪ W2 . Luego podemos escribir x = s′i + s′′i con
X X X

i=1 i=1 i=k+1

s′i ∈ W1 y s′′i ∈ W2 . Por lo tanto hW1 ∪ W2 i ⊆ W1 + W2 y hW1 ∪ W2 i = W1 + W2 .
40 CAPÍTULO 1. ESPACIOS VECTORIALES

21) Considere el espacio vectorial V = {(an )n∈N | an ∈ R} de sucesiones de números

reales y sean Sp = {(an )n∈N | a1 +a2 +· · ·+ap = 0} con p ≥ 1, y T = {(an )n∈N | a1 =
a2 = · · · = an = · · · } dos subespacios de V.
Pruebe que V = Sp ⊕ T.

Solución. i) Dada una sucesión cualquiera (an )n∈N , hay que encontrar dos suce-
siones (bn ) ∈ Sp , (cn ) ∈ T tales que (an ) = (bn ) + (cn ) para todo n ∈ N. Tiene que
cumplirse entonces que b1 + b2 + · · · + bp = 0 y que

(∀ n ∈ N), an = bn , y cn = c1 .

En consecuencia, a1 + a2 + · · · + ap = b1 + b2 + · · · + bp + pc1 = pc1 , de donde,

a1 + a2 + · · · + ap a1 + a2 + · · · + ap
c1 = y bn = an − .
p p
Por lo tanto V = Sp ⊕ T.
ii) Tenemos que probar que Sp ∩ T = {0}. Si la sucesión (an )n∈N ∈ Sp ∩ T debe
cumplir
(∀ n ∈ N) an = a1 y pa1 = 0,
de donde an = 0 ∀ n ∈ N y Sp ∩ T = {0}.
22) Sea V el espacio de funciones continuas de R en R y considere los conjuntos:

U1 = {f ∈ V | f (1) = f (−1) = 0}
U2 = {f ∈ V |f (x) = ax + b para ciertos a, b ∈ R}

Demostrar que U1 ⊕ U2 = V .

Solución. Primero demostremos que U1 ∩ U2 = {0V }, supongamos que existe

f 6= 0V ∈ U1 ∩ U2 por lo tanto

f (x) = ax + b para a, b ∈ R fijos.

Como f ∈ U1 entonces

f (1) = a + b = 0 ∧ f (−1) = −a + b = 0

Por lo que
b = a = −a =⇒ b = a = 0. (=⇒⇐=)
De modo que U1 ∩ U2 = {0V }.
1.7. EJERCICIOS RESUELTOS 41

Ahora bien sea φ ∈ V que se puede escribir de la forma φ(x) = (a + bx) + f (x),
donde
1 1
a = [φ(1) + φ(−1)] y b = [φ(1) − φ(−1)].
2 2
De modo que se comprueba que f (x) = φ(x)−(ax+b) es tal que f (1) = f (−1) = 0.
23) Sean U1 y U2 los siguientes subespacios del espacio vectorial real Rn :
U1 = {(x1 , x2 , ..., xn ) ∈ Rn | x1 + x2 + ... + xn = 0}
U2 = {(x1 , x2 , ..., xn ) ∈ Rn | x1 = x2 = ... = xn }
Demostrar que U1 ⊕ U2 = Rn .
Solución. Primero demostraremos que U1 ∩ U2 = {0Rn }, supongamos que existe
x 6= 0Rn ∈ Rn por lo tanto
x1 + x2 + ... + xn = 0 ∧ x1 = x2 = ... = xn
Esto implica que x = 0Rn (=⇒⇐=), por lo tanto U1 ∩ U2 = {0Rn }.
Ahora bien sea (y1 , y2 , ..., yn ) ∈ Rn tenemos que se puede escribir de la forma
(y1 , y2 , ..., yn ) = (x1 , x2 , ..., xn ) + (t, t, ..., t)
con
1
t= [y1 + y2 + ... + yn ] ∧ xi = yi − t ∀ 1 ≤ i ≤ n
n
24) Sea R3 visto como K-espacio vectorial y considere el subespacio vectorial
S = {(x, y, z) ∈ R3 | x − y + 2z = 0}
Determine la dimensión y una base de R3 /S.
Solución. Tenemos las siguientes igualdades
R3 /S = {(x, y, z) + S | x, y, z ∈ R}
= {(x, x, 0) + (0, y − x, z) + S | x, y, z ∈ R}
= {(0, y − x, z) + S | x, y, z ∈ R}
1 1
= {(0, y − x, (y − x)) + (0, 0, z − (y − x)) + S | x, y, z ∈ R}
2 2
1
= {(0, 0, z − (y − x)) + S | x, y, z ∈ R} = {(0, 0, t) + S | t ∈ R}
2
= h(0, 0, 1) + Si
Por lo tanto una base de R3 /S es B = {(0, 0, 1) + S}, concluimos que su dimensión
es 1.
42 CAPÍTULO 1. ESPACIOS VECTORIALES

1.8. Ejercicios Propuestos

Espacios Vectoriales
1) Sea (V, +, ·) un espacio vectorial sobre K. Pruebe que α · v = 0 si y sólo si α = 0
o v = 0.
2) En cada caso, determine si los conjuntos son espacios vectoriales con la suma y
multiplicación por un escalar usuales, suponga K = R. Si no lo son, enuncie los
axiomas que no se cumplen.

a) El conjunto de las matrices diagonales de n × n.

b) A = { (x, y) ∈ R2 / y ≤ 0 }
c) El conjunto V = {(x, x, x) ∈ R3 : x ∈ R}.
0 a
!
d) El conjunto de las matrices de 2 × 2 de la forma .
b 0
1 a
!
e) El conjunto de las matrices de la forma .
b 1
f) Los polinomios de grado ≤ n con término constante igual a 0.
x−1 y z+1
g) W = {(x, y, z) ∈ R3 : = = }.
1 2 1
h) El conjunto de las funciones continuas de valor real definidas en el intervalo
[0,1] con las operaciones:

(f + g)(x) = f (x) + g(x) y (α f )(x) = α [f (x)]

i) El conjunto de puntos en R3 situados sobre un plano que pasa sobre el origen.

j) El conjunto de los números reales positivos con las operaciones

x + y = xy y αx = xα .

3) El conjunto R2 con la adición definida por

(x1 , y1) + (x2 , y2 ) = (x1 + x2 + 1, y1 + y2 + 1)

y la multiplicación por el escalar dada por

α(x, y) = (α + αx − 1, α + αy − 1)

¿es un R−espacio vectorial?

1.8. EJERCICIOS PROPUESTOS 43

4) Sea V = R2 y definamos las operaciones

(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )

α(x1 , x2 ) = (αx1 , 0) para α 6= −1 y − (x1 , x2 ) = (−x1 , −x2 ).

¿Es V espacio vectorial con estas operaciones? Justifique su respuesta.

5) Sea p un número primo. Pruebe que Zpn es un espacio vectorial sobre Zp . ¿Cuántos
vectores hay en este e.v?

6) Sea K un cuerpo y n un entero positivo, n ≥ 2. Sea V = M(n × n; K) espacio

vectorial sobre K. ¿Cuáles de los siguientes conjuntos son subespacios de V ?

a) El conjunto de las matrices invertibles.

b) El conjunto de las matrices no invertibles.
c) W = {A ∈ M(n × n; K) : AB = BA}, con B matiz fija.
d) E = {A ∈ M(n × n; K) : A = A2 }.

7) ¿Cuáles de los siguientes conjuntos son subespacios vectoriales?

a) Los vectores de Rn cuyas coordenadas forman una progresión aritmética de

razón dada.
b) Los vectores de Rn cuyas coordenadas forman una progresión geométrica de
razón dada.
c) Los vectores de Rn que tienen k coordenadas iguales.
d) Las sucesiones (xn )n∈N definidas por xn+2 − 3xn = xn+1 .
e) W = {(x, y) ∈ R2 / x2 + 3x = y 2 + 3y}.
f) W = {f ∈ C ∞ (R) / f ′′ − 2f ′ + f = 0}.

8) Sea V = M22 (R) y considere los conjuntos

! H1 = {A ∈ M22 (R) / a11 = 0} y
−b a
H2 = {A ∈ M22 (R) / A = }.
a b

a) Muestre que H1 y H2 son subespacios de V .

b) Describa el subconjunto H = H1 ∩ H2 y muestre que es un subespacio de V .

9) Sea A una matriz de n × m y sea H = {x ∈ Rm / Ax = 0 }. Muestre que H es un

R−subespacio de Rm .
44 CAPÍTULO 1. ESPACIOS VECTORIALES

10) Sea H = {(x, y, z, w) / ax + by + cz + dw = 0} donde a, b, c y d son números reales

no todos cero. Muestre que H es un R−subespacio de R4 .

11) Sean v1 y v2 dos vectores fijos en R2 . Muestre que

H = {v ∈ R2 / v = av1 + bv2 , a, b reales }

es un R−subespacio de R2 .

12) Sean H1 y H2 subespacios de un espacio vectorial V . Sea

H1 + H2 = {v ∈ V / v = v1 + v2 , con v1 ∈ H1 , v2 ∈ H2 }

Muestre que H1 + H2 es un subespacio vectorial de V .

Bases y Suma Directa

13) Pruebe que el conjunto F1 de las matrices triángulares inferiores y el conjunto F2

de las matrices triángulares superiores son subespacios vectoriales de M(n × n; K),
que se tiene M(n × n; K) = F1 + F2 pero que no se cumple M(n × n; K) = F1 ⊕ F2 .

14) Dados X1 , X2 ⊂ R sean Fi = {f : R → R / f (x) = 0 para todo x ∈ Xi }, i = 1, 2.

Pruebe que

a) F1 y F2 son subespacios vectoriales de V = F (R; R).

b) V = F1 + F2 si y sólo si X1 ∩ X2 = ∅.
c) F1 ∩ F2 = {0} si y sólo si X1 ∪ X2 = R.
d) V = F1 ⊕ F2 si y sólo si X2 = R − X1 .

15) Considere los subespacios W1 , W2 ⊂ R3 definidos como

W1 = {(x, x, x) / x ∈ R}, W2 = {(x, y, 0) / x, y ∈ R}.

Demuestre que R3 = W1 ⊕ W2 .

16) Dados u = (1, 2) y v = (−1, 2), sean F1 y F2 las rectas que pasan por el origen de
R2 y contienen a u y v respectivamente. Demuestre que R2 = F1 ⊕ F2 .

17) Pruebe que hXi es la intersección de todos los subespacios vectoriales que contienen
al conjunto X ⊂ V .
1.8. EJERCICIOS PROPUESTOS 45

18) Sean F = hu1 , v1 i y G = hu2 , v2 i subespacios de R3 generados por los vectores

u1 = (0, 1, −2), v1 = (1, 1, 1), u2 = (−1, 0, 3), v2 = (2, −1, 0).

a) Encuentre valores a1 , b1 , c1 , a2 , b2 , c2 tales que F = {(x, y, z) ∈ R3 / a1 x + b1 y +

c1 z = 0}, G = {(x, y, z) ∈ R3 / a2 x + b2 y + c2 z = 0}.
b) Pruebe que u2 ∈
/ F y que R3 = F + G.
c) Exhiba un vector no nulo w ∈ F ∩G y concluya que no se cumple R3 = F ⊕G.

19) Sean E y F espacios vectoriales. Una función f : E → F es llamada par si

f (−v) = f (v) e impar si f (−v) = −f (v) para todo v ∈ E. Pruebe que el conjunto
A formado por las funciones pares y el conjunto B formado por las funciones
impares son subespacios vectoriales de F (E; F ) y se cumple F (E; F ) = A ⊕ B.
20) Para todo n ∈ N sea Qn el conjunto de los polinomios de grado arbitrario que
son divisibles por xn . Demuestre que Qn es un subespacio vectorial del espacio de
polinomios P. Hallar un subespacio F ⊂ P tal que P = F ⊕ Qn .
21) Sean M y N espacios vectoriales de igual dimensión y finita. Si M ⊂ N entonces
M = N.
22) Si x, y y z son vectores tales que x + y + z = 0 entonces x e y generan el mismo
subespacio que y y z.
23) Sea W el conjunto solución del sistema

6x1 − x2 + 4x3 − 3x4 = 0

3x1 + 2x3 − 3x5 = 0
9x1 − 3x2 + 6x3 − 3x4 − 3x5 = 0.

Encontrar un conjunto finito de vectores que generan W .

24) Sea V el conjunto de números reales. Considerar V como un espacio vectorial sobre
el cuerpo de los números racionales con las operaciones usuales. Demostrar que este
espacio vectorial no es de dimensión finita.
25) Sean W1 y W2 subespacios vectoriales de un espacio de dimensión finita. Demuestre
que
dimW1 + dimW2 = dim(W1 ∩ W2 ) + dim(W1 + W2 ).

26) Sea V = {f : R → C : f función }.

a) Con las operaciones usuales, pruebe que V es un espacio vectorial sobre C.
46 CAPÍTULO 1. ESPACIOS VECTORIALES

b) Sean f1 (x) = 1, f2 (x) = eix , f3 (x) = e−ix . Demuestre que f1 , f2 y f3 son

linealmente independientes.
c) Sean g1 (x) = 1, g2 (x) = cos(x), f3 (x) = sen(x). Hallar una matriz invertible
P tal que
3
gj =
X
Pij fi .
i=1

27) Demuestre que la dimensión de un espacio vectorial en suma directa es la suma de

las dimensiones de sus partes.

28) Sea V el espacio vectorial de todas las matrices de 2 × 2 sobre un cuerpo K.

a) Encontrando una base, pruebe que V tiene dimensión 4.

b) Sean
( ! ) ( ! )
x −x a b
W1 = : x, y, z ∈ K y W2 = : a, b, c ∈ K
y z −a c

Demuestre que ambos conjuntos son subespacios de V.

c) Encuentre la dimensión de W1 , W2 , W1 + W2 , W1 ∩ W2 .

29) Si a un conjunto maximal linealmente independiente de un espacio vectorial se

cambia via una operación elemental ¿mantiene la propiedad de maximalidad res-
pecto de la independencia lineal? ¿qué puede concluir entonces , respecto de las
operaciones elementales sobre las bases de los espacios vectoriales?

30) Demuestre que los conjuntos generadores mínimales, respecto de la contención ⊆

de subconjuntos, es un conjunto linealmente independiente. Un conjunto generador
se transforma en otro por una de las operaciones elementales, ¿qué espera de esa
propiedad para el nuevo conjunto?

31) Demuestre que si un espacio vectorial tiene un conjunto finito generador de él

entonces todos los conjuntos minimales generadores del espacio vectorial tienen el
mismo número de vectores.

32) Demuestre que si un espacio vectorial tiene un subconjunto finito, de h vectores,

linealmente independiente entonces todos los subconjuntos generadores del espacio
vectorial tienen a lo menos h vectores.
1.8. EJERCICIOS PROPUESTOS 47

33) Verifique que los conjuntos

B = {(1, 2, 3), (−1, 2, 3), (0, 4, 7)} y C = {(0, 4, 6), (−1, 6, 10), (0, 8, 13)}

son bases de R3 .
¿Puede escribir una nueva base de R3 que contenga dos vectores de B y uno de C?
Justificar. ¿Existe alguna secuencia de operaciones elementales que permita ir del
conjunto B al conjunto C, y del C al B?

34) Suponga que un conjunto de tres vectores de R3 es transformado por una secuencia
de transformaciones elementales en el conjunto de vectores {î, ĵ, k̂}. Demuestre que
el conjunto original es una base de R3 .

35) Sea V un espacio vectorial de dimensión finita n sobre el cuerpo K. Si S es un

subespacio vectorial de V

a) ¿por que el subconjunto S no puede tener conjuntos L.I. con más de n vecto-
res?
b) ¿qué puede decir de la cardinalidad de los subconjuntos L.I. del conjunto S?
c) ¿qué puede decir de la cardinalidad de los subconjuntos generadores del con-
junto S? ¿es posible que S tenga conjuntos generadores con más de n vectores?
Si su afirmación es positiva exhiba en el espacio vectorial usual R3 un conjunto
S con ese conjunto generador. Si su afirmación es negativa, justifíquela.

36) Sea S un subespacio vectorial de un espacio vectorial V. Defina un nuevo conjunto

cuyos elementos son colecciones de vectores definidos como sigue: {v + s : s ∈ S}
para algún vector v de V. Para la suma definida entre estos elementos demuestre
que forman un grupo conmutativo.

37) Se sabe que el conjunto de tres 4-uplas {u = (1, 2, 3, 4), v = (1, 1, 1, 1), w =
(2, 3, 4, 5)} generan a todas las soluciones de cierto sistema de ecuaciones linea-
les homogéneo en 4 incógnitas.

a) Explique por qué sólo con u y v es posible generar a todas las soluciones de
ese sistema.
b) Escriba un sistema de ecuaciones lineales homogéneo en 4 incógnitas que
tenga a ese conjunto de soluciones.

38) Sea V un espacio vectorial sobre un cuerpo K y sean S y T subespacios vectoriales

de V.
48 CAPÍTULO 1. ESPACIOS VECTORIALES

a) ¿Qué puede decir del espacio vectorial cuociente, cuando el subespacio S sólo
contiene al vector 0? y si S es todo el espacio V ¿cuántos vectores tiene el
espacio cuociente?
b) Suponga que S no es subespacio trivial. Tome un elemento cualquiera de ese
espacio cuociente ¿de cuántas maneras puede exhibirlo?
c) Suponga que el vector v 6∈ S y s1 , s2 son vectores de S ¿por qué el subcon-
junto {(v + s1 ) + S, (v + s2 ) + S} no puede ser un subconjunto linealmente
independiente de V /S?
d) ¿Qué puede decir de la siguiente afirmación: Si {v1 , ....., vr } es un conjunto
linealmente independiente de vectores de V , entonces {v1 + S, ....., vr + S} es
un conjunto de vectores de V /S linealmente independiente;y ¿qué puede decir
del recíproco de ella? Enuncie la afirmación recíproca.
e) Analice la situación del ejercicio anterior cambiando las palabras linealmente
independientes por generador.
f) Suponga que S es el conjunto solución del sistema de ecuaciones siguiente,
como subespacio del espacio vectorial R3
x1 + x2 − x3 = 0
(

x1 + x3 = 0
Escriba dos vectores de R3 /S que sean linealmente independientes ¿puede
escribir tres vectores l.i. en este espacio vectorial?
g) Considere el conjunto solución S del sistema del ejercicio anterior como subes-
pacio del espacio vectorial R5 . Escriba dos vectores de R5 /S que sean lineal-
mente independientes ¿puede escribir tres vectores l.i. en este espacio vecto-
rial?
h) Suponga que T es un subespacio que satisface la siguiente propiedad: S ⊆ T
¿que puede decir de los espacios vectoriales V /S y V /T
i) Establezca una función entre los subespacios de V, que contienen s S, y los
subespacios de V /S
39) Sea M = {(α, 2α, 3α) | α ∈ R3 } ≤ R3 . Encuentre una base de R3 /M.
40) En el espacio vectorial R3 /S obtenido via el subespacio dado, describa dos subes-
pacios vectoriales (en caso de ser posible) y caracterícelos geométricamente.

a) por la recta {(2t, −t, 3t)/t ∈ R}

b) por el plano {(2t + u, −t, 3t − u)/t, u ∈ R}
 Capítulo 2
Transformaciones Lineales
Luego de haber definido nuestro objeto de interés (los espacios vectoriales) y sus sub-
objetos, el siguiente paso es ponerse a comparar dichos objetos vía funciones entre ellos.
Evidentemente, como los espacios vectoriales satisfacen una cierta axiomática (véase la
sección 1.1), es de esperarse que no consideremos todas las funciones entre espacios vec-
toriales, sino tan solo aquéllas que “respetan” esta axiomática. Esto es un procedimiento
muy general en matemáticas (el cual verán en los cursos de semestres posteriores) y lleva
a la noción de morfismo entre objetos. En el contexto de los espacios vectoriales, dichos
morfismos son llamados transformaciones lineales, que es el tema de esta sección.

2.1. Definición y propiedades básicas

Partamos pues con la definición de estas transformaciones, las cuales, como ya dijimos,
deben “respetar” la axiomática, por lo tanto “respetar” la suma y la multiplicación por
escalar.

Definición 2.1. Sean V, W espacios vectoriales sobre K y sea T : V → W una función.

Decimos que T es una transformación K-lineal (o que T es K-lineal, o lineal si K está
implícito) si

T (x + y) = T (x) + T (y) para todo x, y ∈ V ;

T (αx) = αT (x) para todo α ∈ K y x ∈ V .

Propiedades 2.2. Sean V, W espacios vectoriales sobre K y sea T : V → W una

función. Entonces

49
50 CAPÍTULO 2. TRANSFORMACIONES LINEALES

1) Si T es K-lineal, entonces T (0V ) = 0W y T (−x) = −T (x) para todo x ∈ V .

2) T es una transformación K-lineal si y sólo si T (αx + y) = αT (x) + T (y) para todo

α ∈ K y todo x, y ∈ V .

Demostración. Vamos por orden:

1) Sea x ∈ V , entonces

T (0V ) = T (0 · x) = 0 · T (x) = 0W ,

ya que T (x) ∈ W . De la misma manera,

T (−x) = T ((−1) · x) = (−1)T (x) = −T (x).

2) Si T es K-lineal, es inmediato que

T (αx + y) = T (αx) + T (y) = αT (x) + T (y).

Si asumimos en sentido inverso esta igualdad para todo α ∈ K y x, y ∈ V , basta

con tomar α = 1 para recuperar la primera propiedad, o bien y = 0 para recuperar
la segunda (aquí usamos que T (0) = 0).

¨
⌣

Ejemplo 2.3. La función identidad idV : V → V definida por idV (x) = x para todo
x ∈ V es K-lineal.

Ejemplo 2.4. La función nula f : V → W definida por f (x) = 0W para todo x ∈ V es

K-lineal.

Ejemplo 2.5. La función T : M2×2 (K) → M2×3 (K) definida por

d 0 b+c
! !
a b
7→ ,
c d 0 a d−a

es K-lineal.

Ejemplo 2.6. La función T : R3 → R2 definida por T (x, y, z) = (x + y, z + 1) NO es

R-lineal. En efecto, T (0R3 ) = (0, 1) 6= 0R2 .

Ejemplo 2.7. La función f : C → C definida por f (z) = z̄ es R-lineal. ¿Es f C-lineal?

2.1. DEFINICIÓN Y PROPIEDADES BÁSICAS 51

Ejemplo 2.8. Sea V un K-espacio vectorial y sea λ ∈ K no nulo. La función Tλ : V → V

definida por T (x) = λx es K-lineal y se llama homotecia de razón λ.

Ejemplo 2.9. Sea A ∈ Mm×n (K) y sea T : Mn×1 (K) → Mm×1 (K) definida por T (X) =
AX es K-lineal. Aquí, X es una matriz n × 1, lo que también llamamos vector columna.
Nótese que AX es también un vector columna, con m coordenadas.

Ejemplo 2.10. La aplicación Rn [t] → Rn−1 [t] definida por P 7→ P ′ (donde P ′ es el

polinomio derivado) es R-lineal.

Ejemplo 2.11. Sea V = C 0 (R). La función T : V → V definida por

Z x
(T (f ))(x) = f (t)dt, ∀x ∈ R,
0

es R-lineal.

Veamos ahora algunos casos particulares de transformaciones lineales.

Definición 2.12. Sean V, W K-espacios vectoriales y sea T : V → W una transforma-

ción lineal. Decimos que:

T es un monomorfismo si T es inyectiva;

T es un epimorfismo si T es sobreyectiva;

T es un isomorfismo si T es biyectiva.

Decimos que V y W son isomorfos y anotamos V ≃ W si existe un isomorfismo entre

ellos.

Ejercicio. Pruebe que la función inversa de un isomorfismo es K-lineal (y por ende un

isomorfismo también).

Como vimos en el capítulo anterior, para acceder a todos los elementos de un espacio
vectorial de forma única basta con tener una base de éste. Este hecho toma un cariz muy
importante cuando lidiamos con transformaciones lineales. En efecto, podemos entender
perfectamente como se porta una transformación lineal si entendemos como se porta
sobre la base. Pero eso es de hecho cierto para cualquier conjunto generador, ya que
para cualquier transformación lineal T : V → W tenemos
n n
!
αi vi = αi T (vi ),
X X
T ∀, n ∈ N, ∀ αi ∈ K, ∀ vi ∈ V.
i=1 i=1
52 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Sin embargo, dado un conjunto generador, cabe preguntarse si podemos definir una trans-
formación lineal fijando arbitrariamente las imágenes de los generadores. Es aquí donde
la independencia lineal de los elementos de una base (en lugar de cualquier conjunto
generador) se vuelve crucial.

Teorema 2.13. Sean V, W dos K-espacios vectoriales y sea B = {v1 , . . . , vn } una

base de V . Sean w1 , . . . , wn ∈ W vectores arbitrarios. Entonces existe una única
transformación lineal T : V → W tal que T (vi ) = wi para 1 ≤ i ≤ n.

Demostración. Definamos T de la siguiente manera: para v ∈ V , sabemos que existen

n
únicos αi ∈ K tales que v = αi vi . Podemos definir entonces
X

i=1
n
T (v) :=
X
αi wi .
i=1

Como los αi son únicos, esta función está bien definida y claramente T (vi ) = wi .
Verifiquemos que se trata de una transformación lineal. Sean x, y ∈ V y escribamos
n n
x= αi vi e y = βi vi . Sea γ ∈ K. Entonces
X X

i=1 i=1
n n n
γx + y = γ αi vi + βi vi = (γαi + βi )vi
X X X

i=1 i=1 i=1

y luego,
n n n
T (γx + y) = (γαi + βi )wi = γ αi wi + βi wi = γT (x) + T (y).
X X X

i=1 i=1 i=1

Para chequear la unicidad, basta con usar la linealidad. En efecto, supongamos que
existe otra transformación lineal T1 tal que T1 (vi ) = wi para todo 1 ≤ i ≤ n. Tenemos
n
entonces que, para x = αi vi ∈ V ,
X

i=1

n n n
!
T1 (x) = T1 αi vi = αi T1 (vi ) = αi wi = T (x).
X X X

i=1 i=1 i=1

¨
⌣

Ejercicio. Pruebe que no existe una transformación lineal T : R2 → R2 tal que T (1, 0) =
(−1, 1), T (1, 1) = (1, 0) y T (−1, 1) = (0, 1).
2.2. NÚCLEO E IMAGEN 53

2.2. Núcleo e Imagen

La utilidad de las transformaciones lineales es que nos permiten comparar distintos
espacios vectoriales. Para lograr una comparación refinada, las nociones de núcleo e
imagen de una transformación lineal son esenciales.
Definición 2.14. Sean V, W K-espacios vectoriales y sea T : V → W una transforma-
ción K-lineal. Definimos el núcleo de T y denotamos por Ker T el conjunto

Ker T = {v ∈ V | T (v) = 0}.

Definimos la imagen de T y denotamos por Im T o T (V ) el conjunto

Im T = {w ∈ W | ∃ v ∈ V, T (v) = w}.

Veamos ante todo que se trata de subespacios y no tan solo de subconjuntos:

Proposición 2.15. Sean V, W K-espacios vectoriales y sea T : V → W una trans-

formación K-lineal. Entonces Ker T ≤ V e Im T ≤ W .

Demostración. Notemos ante todo que tanto Ker T como Im T son no vacíos ya que
T (0V ) = 0W y por ende 0V ∈ Ker T y 0W ∈ Im T .
Sean ahora x, y ∈ Ker T y sea α ∈ K. Entonces

T (αx + y) = αT (x) + T (y) = α · 0 + 0 = 0,

por lo que αx + y ∈ Ker T .

Por último, sean x, y ∈ Im T y sea α ∈ K. Entonces existen x′ , y ′ ∈ V tales que
T (x′ ) = x y T (y ′) = y. De esto deducimos que

T (αx′ + y ′) = αT (x′ ) + T (y ′) = αx + y,

por lo que αx + y ∈ Im T ya que αx′ + y ′ ∈ V . ¨

⌣

El núcleo nos permite saber por ejemplo si una función es inyectiva. En efecto, Ker T
no es más que la preimagen del 0, por lo que alguna relación tiene con la inyectividad.
Es la linealidad la que hace que esta información sea suficiente.

Proposición 2.16. Sean V, W K-espacios vectoriales y sea T : V → W una trans-

formación K-lineal. Entonces T es inyectiva si y sólo si Ker T = {0}.
54 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Demostración. Supongamos que T es inyectiva. Entonces 0W puede tener tan sólo una
preimagen, lo que implica que Ker T posee tan sólo un elemento. Pero ya sabemos que
0V ∈ Ker T , por lo que {0V } = Ker T .
Supongamos ahora que Ker T = {0}. Sean entonces x, y ∈ V tales que T (x) = T (y).
Usando la linealidad de T tenemos que

0 = T (x) − T (y) = T (x − y).

En otras palabras, x − y ∈ Ker T . Pero como Ker T = {0}, tenemos que x − y = 0, es

decir x = y, lo que prueba la inyectividad de T . ¨
⌣

Veamos ahora qué nos pueden decir estos subespacios sobre la dimensión de V y W :

Teorema 2.17 (Teorema del rango). Sean V, W K-espacios vectoriales de dimensión

finita y sea T : V → W una transformación K-lineal. Entonces

dimK V = dimK Ker T + dimK Im T.

Observación 7.
Para hacer intervenir la dimensión de W en alguna fórmula, se necesita la noción de
co-núcleo, pero no la estudiaremos por ahora.
Demostración. Sea {v1 , . . . , vn } una base de Ker T . Podemos completar esta base a una
base
B1 = {v1 , . . . , vn , vn+1 , . . . , vm } de V.
Para probar la fórmula, bastará con probar que Im T admite una base con m − n ele-
mentos. Afirmamos pues que el conjunto

B2 = {T (vn+1 ), . . . , T (vm )},

es una base de Im T .
Demostremos primero que Im T = hB2 i. Sea x ∈ Im T y sea entonces x′ ∈ V tal que
T (x′ ) = x. Como B1 es una base de V , podemos escribir
m
x′ =
X
αi vi ,
i=1

por lo que
m m
!
′
x = T (x ) = T αi vi = αi T (vi ).
X X

i=1 i=1
2.2. NÚCLEO E IMAGEN 55

Pero como v1 , . . . , vn ∈ Ker T , tenemos que T (vi ) = 0 para 1 ≤ i ≤ n, por lo que

finalmente tenemos
m
x= αi T (vi ),
X

i=n+1

lo que prueba que x ∈ hB2 i y por lo tanto Im T = hB2 i.

Probemos ahora que B2 es LI. Consideremos una combinación lineal
m
αi T (vi ) = 0.
X

i=n+1

Tenemos entonces  
m m
= αi T (vi ) = 0,
X X
T  αi vi 
i=n+1 i=n+1

m
por lo que αi vi ∈ Ker T . Ahora, sabiendo que {v1 , . . . , vn } es una base de Ker T ,
X

i=n+1
tenemos que existen βi ∈ K tales que
m n
αi vi =
X X
βi vi ,
i=n+1 i=1

o bien
n m
(−βi )vi + αi vi = 0.
X X

i=1 i=n+1

Pero esto es una combinación lineal de los vectores de B1 , que es un conjunto LI. Vemos
pues que todos los αi (y los βi ) son nulos. Esto prueba que B2 es LI. ¨
⌣

Este resultado nos lleva a la definición de rango de una transformación lineal, el cual
debe ser interpretado como el alcance que tiene ésta. En otras palabras, el rango mide
el tamaño de la imagen.

Definición 2.18. Sean V, W K-espacios vectoriales y sea T : V → W una transforma-

ción K-lineal. Llamamos rango de T al entero rg T := dimK (Im T ). Llamamos nulidad
de T al entero nulT := dimK (Ker T ).

De esta manera, el Teorema 2.17 nos dice que, para toda transformación K-lineal
T : V → W,
dimK V = rg T + nulT.
56 CAPÍTULO 2. TRANSFORMACIONES LINEALES

2.3. Transformaciones lineales y matrices

Las matrices aparecen de forma natural como una manera de condensar la informa-
ción oculta en una transformación lineal, de la misma manera que las bases condensan
la información de un espacio vectorial. En esta sección veremos en detalle esta relación.
Notemos que, para todo n ∈ N existe una forma natural de ver K n como vectores co-
lumna. En otras palabras, podemos identificar K n con Mn×1 (K). haremos esto en todo
lo que sigue.

Sea A = (aij ) ∈ Mm×n (K) una matriz y sea F (A) el subespacio de K n generado por
las filas de A, es decir

F (A) = hF1 , . . . , Fm i, con Fi = (ai1 , . . . , ain ).

Sea C(A) el subespacio de K m generado por las columnas de A, es decir:

C(A) = hC1 , . . . , Cn i, con Ci = (a1i , . . . , ami )t .

A la matriz A le podemos asociar una transformación lineal TA : K n → K m y estos

subespacios serán útiles para su estudio. Definimos TA de la siguiente manera: si x =
(x1 , . . . , xn ) ∈ K n , entonces TA (x) := Ax (viendo a x y a Ax como vectores columna).
Veamos primero el núcleo de esta transformación. Se trata de

Ker TA = {x = (x1 , . . . , xn ) ∈ K n | Ax = 0},

y esto es el espacio de soluciones del sistema de ecuaciones homogéneo

a11 x1 + a12 x2 + · · · + a1n xn = 0,

a21 x1 + a22 x2 + · · · + a2n xn = 0,
..
.
am1 x1 + am2 x2 + · · · + amn xn = 0,

el cual denotamos por S. Recordemos ahora el siguiente resultado (que ya debería ser
fácil de demostrar a estas alturas del curso ⌣):
¨

Ejercicio. Sea V un K-espacio vectorial y sean v1 , . . . , vn ∈ V vectores no nulos. Pruebe

que, para todo α1 , . . . , αn ∈ K con α1 6= 0,
n
* +
hv1 , . . . , vn i =
X
αi vi , v2 , . . . , vn .
i=1
2.3. TRANSFORMACIONES LINEALES Y MATRICES 57

Este ejercicio debería recordarnos como se resuelven los sistemas como el de más
arriba. En efecto, lo único que hacemos en el proceso de pivoteo es reemplazar una fila
de A por una combinación lineal de éstas, pero a la fila original la multiplicamos por un
coeficiente no nulo (usualmente el inverso del número que queremos transformar en un
pivote). En otras palabras, el ejercicio nos dice que el subespacio F (A) = hF1 , . . . , Fm i
es igual al subespacio generado por las filas de la matriz escalonada. Recordemos ahora
que:
Definición 2.19. Sea A = (aij ) ∈ Mm×n (K) como acá arriba. El rango de la matriz A
es el número rg A de filas no nulas en su matriz escalonada.
Ejercicio. Pruebe que las filas con pivotes de una matriz escalonada son LI sobre K.
Ejercicio. Pruebe que la dimensión del conjunto solución S es n − (rg A).
Cabe preguntarse si este rango de A coincide con la noción de rango de T . Para ello,
consideremos otras definiciones posibles:
Definición 2.20. Sea A = (aij ) ∈ Mm×n (K) como acá arriba. Definimos el rango de
las filas de A como dimK F (A). Similarmente, definimos el rango de las columnas de A
como dimK C(A).
El resultado interesante en torno a todos estas nociones de rango es una aplicación
del teorema del rango (¡qué sorpresa!) y dice así:

Teorema 2.21. El rango de A es igual al rango de TA y al rango de las filas y de

las columnas de A.

Vemos entonces que las nomenclaturas coinciden (y esto no es para nada una coinci-
dencia).
Demostración. Sea r el rango de A. Recordemos que r corresponde al número de filas
no nulas de la matriz escalonada asociada. Usando uno de los ejercicios de más arriba,
vemos que la dimensión del espacio generado por estas filas es precisamente r ya que
son LI. Pero ya notamos más arriba también que este espacio no es más que F (A), por
lo que dimK F (A) = r y por lo tanto el rango de las filas de A es r también.
Ahora, usando otro de los ejercicios de más arriba, vemos que la dimensión del espacio
solución S del sistema homogéneo asociado a A es n − r. Pero este espacio solución no
es más que el núcleo de TA , como ya vimos. Tenemos entonces que dimK Ker TA = n − r.
Usando finalmente el teorema del rango vemos entonces que
n = dimK K n = dimK Ker TA + rg TA = n − r + rg TA ,
58 CAPÍTULO 2. TRANSFORMACIONES LINEALES

por lo que el rango de TA es r también.

Falta tan sólo el rango de las columnas de A. Para ver este último caso, notemos
que los vectores C1 , . . . , Cn corresponden a las imágenes de los vectores e1 , . . . , en de la
base canónica de K n (esto se ve de inmediato mutiplicando explícitamente A por ei ).
Ahora, ya sabemos que dimK Im TA = rg TA = r. Pero también tenemos que Im TA =
hC1 , . . . , Cn i, ya que si v ∈ Im TA , entonces v = TA (x) para x = (x1 , . . . , xn ) ∈ K n y por
lo tanto

v = TA (x) = TA (x1 e1 + · · · + xn en ) = x1 TA (e1 ) + · · · xn TA (en ) = x1 C1 + · · · xn Cn .

Vemos entonces que dimK Im TA es también el máximo de vectores LI entre las columnas
de la matriz A. En otras palabras, el rango de las columnas de A es igual a dimK Im TA =
r. ¨
⌣

La matriz asociada a una transformación lineal Ya vimos como asociar una

transformación lineal T : K n → K m a una matriz A ∈ Mm×n (K). La matriz condensaba
información de la siguiente manera: en sus columnas teníamos escritas las imágenes de
la base canónica de K n , siendo estas columnas vistas como vectores en K m . La coorde-
nada aij de la matriz a, que correponde a la i-ésima fila y la j-ésima columna, nos dice
entonces precisamente cual es la coordenada i-ésima (en la base canónica de K m ) de
la imagen del j-ésimo vector de la base canónica de K n . Esta observación se generaliza
sin problemas a espacios vectoriales de dimensión finita con una base arbitraria, como
veremos ahora.

Sean V, W K-espacios vectoriales de dimensión finita y sea T : V → W una trans-

formaciíon K-lineal. Sean n = dimK V , m = dimK W y sean

BV = {v1 , . . . , vn } y BW = {w1 , . . . , wm },

bases ordenadas respectivas de V y W . Como T (vj ) ∈ W para cada j y BW es una base

m
de W , tenemos que existen únicos aij ∈ K tales que T (vj ) = aij wi .
X

i=1

Definición 2.22. La matriz

 
a11 a12 · · · a1n
 . .. .. .. 
A =  ..

. .  ∈ Mm×n (K),
. 
am1 am2 · · · amn
se llama la matriz asociada a T con respecto a las bases ordenadas BV y BW y se anota
[T ]B
BV .
W
2.3. TRANSFORMACIONES LINEALES Y MATRICES 59

n
Nótese que, si x ∈ V , entonces x = αj vj con αj ∈ K. Por lo tanto
X

i=1
 
n n n m
!
T (x) = T = αj T (vj ) =
X X X X
 αj vj  αj aij wi
j=1 j=1 j=1 i=1
n X
m m X n
= αj aij wi = (αj aij )wi .
X X

j=1 i=1 i=1 j=1

m
En particular, para x = vj , recuperamos T (vj ) = aij wi , lo que nos dice que las
X

i=1
columnas de A corresponden a las coordenadas de los T (vj ) en la base BW , es decir, lo
mismo que teníamos en la construcción anterior.
Ejemplo 2.23. Consideremos la transformación lineal T : R3 → R2 definida por

T (x, y, z) = (x + y, 2z − x) ∀ x, y, z ∈ R,

y las bases
C1 la base canónica de R3 ;
C2 la base canónica de R2 ;
B1 = {(1, 0, −1), (1, 1, 1), (1, 0, 0)};
B2 = {(0, 1), (1, −1)}.
Entonces
1 1 0 1 2 1 −2 3 0
! ! !
[T ]C2
= , [T ]C2
= , [T ]B2
= .
C1
−1 0 2 B1
−3 1 −1 B1
1 2 1

En efecto, vamos a obtener [T ]B

B1 . Dado (x, y, z) ∈ R tenemos que
2 3

(x, y, z) = (y − z)(1, 0, −1) + y(1, 1, 1) + (x − 2y + z)(1, 0, 0),

aplicando T
T (x, y, z) = (y − z)T (1, 0, −1) + yT (1, 1, 1) + T (x − 2y + z)(1, 0, 0)
= (y − z)(1, −3) + y(2, 1) + (x − 2y + z)(1, −1)
= (y − z) [−2(0, 1) + 1(1, −1)] + y [3(0, 1) + 2(1, −1)]
+(x − 2y + z) [0(0, 1) + 1(1, −1)]
60 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Luego
−2 3 0
!
[T ]B2
= .
B1
1 2 1
Por otro lado, note que (abusando del lenguaje):
 
x
1 0 1 1 0  
! !
Usando [T ]C2
se tiene T (x, y, z) = y 
C1
0 1 −1 0 2
z
Ahora considerando [T ]B
B1 se obtiene
2

 
y−z
0 1
!
−2 3 0 
!
T (x, y, z) = y 
1 −1 1 2 1
 
x − 2y + z
2.3. TRANSFORMACIONES LINEALES Y MATRICES 61

La relación entre transformaciones lineales y matrices es, como vemos, muy estrecha.
En efecto, las transformaciones lineales, como las matrices, tienen una estructura natural
de espacio vectorial.
Definición 2.24. Sean V, W K-espacios vectoriales. Definimos:
HomK (V, W ) := {T : V → W | T K-lineal}.
Se trata de un K-espacio vectorial para la suma y mutiplicación por escalar natural de
funciones (¡ejercicio! ⌣),
¨ es decir, para T1 , T2 ∈ HomK (V, W ) y α ∈ K:
(T1 + T2 )(v) = T1 (v) + T2 (v) para todo v ∈ V ;
(αT1 )(v) = α · T1 (v) para todo v ∈ V .
También definimos EndK (V ) como HomK (V, V ). A estas transformaciones lineales se les
suele llamar endomorfismos.
El hecho de que las matrices codifican completamente a las transformaciones lineales
como acabamos de verificar queda plasmado en el siguiente resultado.

Proposición 2.25. Sean V, W K-espacios vectoriales de dimensiones respectivas n

y m y sean BV y BW bases respectivas de V y W . Entonces la aplicación

ϕ : HomK (V, W ) → Mm×n (K)

T 7→ [T ]B
BV ,
W

es K-lineal y biyectiva.

Demostración. Comencemos por demostrar que la aplicación es K-lineal. Sean α ∈ K,

T, L ∈ HomK (V, W ) y sean BV = {v1 , . . . , vn } y BW = {w1 , . . . , wm }. Sean por último
[T ]B BW
BV = (aij ) y [L]BV = (bij ). Debemos probar que
W

ϕ(αT + L) = αϕ(T ) + ϕ(L),

es decir que
[αT + L]B
BV = α(aij ) + (bij ) = (αaij + bij ).
W

Calculemos pues [αT + L]BBV . Su j-ésima columna corresponde a las coordenadas en BW

W

de la imagen de vj ∈ BV , es decir de (αT + L)(vj ). Calculamos entonces:

m m m
(αT + L)(vj ) = αT (vj ) + L(vj ) = α aij wi + bij wi = (αaij + bij )wi,
X X X

i=1 i=1 i=1

62 CAPÍTULO 2. TRANSFORMACIONES LINEALES

lo que prueba que la j-ésima columna de [αT + L]B

BV está precisamente formada por los
W

αaij + bij como queríamos demostrar.

Probemos ahora que ϕ es inyectiva. Como ϕ es K-lineal, basta probar que Ker ϕ =
{0HomK (V,W ) }. Sea entonces T ∈ Ker ϕ. Esto significa que ϕ(T ) = 0Mm×n (K) , es decir, la
matriz cuyas coordenadas son todas nulas. Vemos entonces que, para todo vj en la base
m
BV , tenemos T (vj ) = 0 · wi = 0. Por lo tanto, para un x ∈ V arbitrario, tenemos que
X

i=1
n
x= αj vj y por lo tanto
X

j=1

 
n n n
T (x) = T  αj vj  = αj T (vj ) = αj · 0 = 0,
X X X

j=1 j=1 j=1

lo que prueba que T (x) = 0 para todo x ∈ V y por ende T = 0HomK (V,W ) .

Probemos finalmente que ϕ es sobreyectiva. Sea C = (cij ) ∈ Mm×n (K). Definimos

T : V → W como sigue: imponemos
m
T (vj ) = ∀ 1 ≤ j ≤ n.
X
cij wi,
i=1

Por el Teorema 2.13, sabemos que existe una (única) transformación lineal T : V → W
que toma estos valores en los vj ya que los vj forman una base. Recordemos de paso que
para un x ∈ V arbitrario, tenemos que x = nj=1 αj vj con αj ∈ K únicos y por lo tanto
P

 
n n
T (x) = T  αj vj  = αj T (vj ).
X X

j=1 j=1

Entonces vemos por construcción que las columnas de [T ]B

BV resultan ser los (cij ) para
W

j fijo, lo que prueba que ϕ(T ) = C. ¨

⌣

Ejercicio. Sea T : R2 → R3 la transformación R-lineal definida por la matriz

−1 5
 

A =  2 −3 ∈ M3×2 (R),

 

1 4

respecto de las bases canónicas de R2 y R3 .

2.3. TRANSFORMACIONES LINEALES Y MATRICES 63

1) Encuentre T (x, y) para todo (x, y) ∈ R2 .

2) Describa Ker T e Im T .
Ejercicio. Considere las transformaciones R-lineales U : R2 → R2 : (x, y) 7→ (y, x) y
T : R3 → R2 : (x, y, z) 7→ (2x, y + z).
1) Encuentre (U ◦ T )(x, y, z) para todo (x, y, z) ∈ R3 .
2) Calcule [U ◦ T ]B
B1 , donde B1 = {(1, 1, 1), (−1, 0, 1), (0, 0, 2)} es una base de R y
2 3

B2 es la base canónica de R .
2

3) Calcule [U]B B2 B2
B2 · [T ]B1 . ¿Cuál es la relación con [U ◦ T ]B1 ?
2

Este último ejercicio nos insinúa que la biyección no sólo respeta la suma y la multi-
plicación por escalar, sino que también un segundo tipo de multiplicación:

Proposición 2.26. Sean V, W, X K-espacios vectoriales de dimensión finita y sean

BV , BW , BX bases respectivas. Sean T : V → W y U : W → X transformaciones
K-lineales. Sean A = [T ]B BX
BV y B = [U]BW . Sea U ◦ T la composición de funciones,
W

i.e. (U ◦ T )(v) = U(T (v)) ∀ v ∈ V . Entonces U ◦ T : V → X es una transformación

K-lineal y
[U ◦ T ]B BX BW
BV = B · A = [U]BW · [T ]BV ,
X

donde B · A es el producto matricial clásico.

Si tomamos V = W = X y BV = BW = BX , tenemos pues frente a nosotros un

morfismo de anillos.
Demostración. Sean n = dimK V , m = dimK W , p = dimK X y sean

BV = {v1 , . . . , vn }, BW = {w1 , . . . , wm }, BX = {x1 , . . . , xp }.

Notemos ante todo que A = (aij ) es por definición una matriz m × n y B = (bkℓ ) es
así mismo p × m, por lo que su producto B · A está bien definido y da una matriz
C ∈ Mp×n (K). Debemos probar que U ◦ T es lineal y que [U ◦ T ]B
BV = C.
X

Ya sabemos que U ◦ T es K-lineal.

Veamos ahora la igualdad matricial. Por definición de A y B, tenemos que T (vj ) =
Pp
i=1 aij wi para todo 1 ≤ j ≤ n, mientras que U(wℓ ) = k=1 bkℓ xk para todo 1 ≤ ℓ ≤ m.
Pm

Por lo tanto, usando la linealidad de U:

64 CAPÍTULO 2. TRANSFORMACIONES LINEALES

m m
!
(U ◦ T )(vj ) = U(T (vj )) = U aij wi = aij U(wi )
X X

i=1 i=1
m p p
m X p m
!
= bki xk = aij bki xk =
X X X X X
aij bki aij xk .
i=1 k=1 i=1 k=1 k=1 i=1

Por otra parte, si anotamos C = (ckj ), entonces sabemos por definición que
p
(U ◦ T )(vj ) =
X
ckj xk .
k=1

Las últimas dos ecuaciones nos dicen entonces que ckj = m i=1 bki aij , lo que corresponde
P

precisamente al producto de matrices, es decir, C = B · A. ⌣¨

Una aplicación inmediata de esta proposición es el siguiente resultado:

Corolario 2.27. Sea V un K-espacio vectorial de dimensión n, B una base de V y

sea T : V → V una transformación K-lineal. Entonces T es invertible si y sólo si la
matriz [T ]B
B es invertible.

Recordemos que una función f : V → V se dice invertible si existe una segunda

función g : V → V tal que f ◦ g = g ◦ f = idV . En el caso de las transformaciones
lineales, esto corresponde a un isomorfismo. Por otro lado, una matriz A ∈ Mn×n (K) es
invertible si existe una segunda matriz B ∈ Mn×n (K) tal que A · B = B · A = I, donde
In representa la matriz identidad n × n.
Demostración. Basta con usar la Proposición 2.26 con V = W = X y B = BV = BW =
BX para ver que, para toda transformación lineal U : V → V ,

[U ◦ T ]B B B
B = [U]B · [T ]B y [T ◦ U]B B B
B = [T ]B · [U]B .

Por otra parte, es un ejercicio fácil ver que, para toda base B de V ,

[idV ]B
B = In .

Ahora, si T es invertible, existe U : V → V K-lineal tal que T ◦ U = U ◦ T = idV ,

por lo que [T ]B
B · [U]B = [U]B · [T ]B = In , probando que [T ]B es invertible.
B B B B

Si por el contrario asumimos que [T ]B es invertible, entonces existe una matriz

B

A ∈ Mn×n tal que [T ]B B · A = A · [T ]B = In . Usando la biyección ϕ entre matrices y

B

transformaciones lineales, sabemos que existe U : V → V K-lineal tal que [U]B B = A.

Vemos entonces inmediatamente que [U ◦ T ]B B = [T ◦ U] B
B = In , lo que prueba que
U ◦ T = T ◦ U = idV por inyectividad de ϕ. ⌣¨
2.4. CAMBIO DE BASE 65

2.4. Cambio de base

Acabamos de ver como las matrices nos ayudan a entender las transformaciones
lineales T : V → W . Sin embargo, para lograr esto, tuvimos que fijar bases de V y W .
Cabe preguntarse entonces sobre lo que ocurre cuando cambiamos alguna de estas bases
(o ambas). De esto se trata esta sección.
Durante toda la sección asumiremos que los espacios vectoriales son de dimensión
finita.

Comencemos con una transformación lineal T : V → V en un K-espacio vectorial V

de dimensión n. Sean

B = {v1 , . . . , vn } y B ′ = {v1′ , . . . , vn′ },

′
dos bases de V . Nos gustaría relacionar [T ]B
B y [T ]B ′ . Consideremos la escritura de los
B

vj′ ∈ B ′ en la base B:
n
vj′ = ∀ 1 ≤ j ≤ n.
X
pij vi ,
i=1

Definición 2.28. Llamaremos matriz de cambio de base de B ′ a B a la matriz P := (pij ).

Observación 8.
Note que P = [idV ]BB ′ . En efecto, la imagen de vj con respecto a idV es precisamente vj .
′ ′

Pero este vector, escrito en la base B, tiene por coordenadas los pij por definición. Esto
justifica el nombre de la matriz P : ella “no le hace nada a V ”, pero cambia la base.
Una consecuencia natural de esta observación es que la matriz P es invertible, ya
′
que la función idV lo es. En efecto, su inversa es P −1 = [idV ]B
B , ya que

′ ′
[idV ]B B B
B [idV ]B ′ = [idV ]B ′ = In .

Usando las matrices de cambio de base, llegamos a la relación buscada.

Teorema 2.29. Sea T : V → V una transformación lineal con V un K-espacio

vectorial de dimensión n. Sean B y B ′ bases de V y P la matriz de cambio de base
de B ′ a B. Entonces
′
[T ]B
B′ = P
−1
[T ]B
B P.
66 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Demostración. Esto es una aplicación de la Proposición 2.26. En efecto, si recordamos

′
B ′ y que P
que P = [idV ]B −1
= [idV ]B
B , tenemos

′ ′ ′ ′
P −1[T ]B B B B B B B B
B P = [idV ]B [T ]B [idV ]B ′ = [idV ◦ T ]B [idV ]B ′ = [idV ◦ T ◦ idV ]B ′ = [T ]B ′ .

¨
⌣

′
Así, vemos que las matrices [T ]BB y [T ]B ′ están relacionadas. Esto es natural cuando
B

uno recuerda que, esencialmente, están describiendo a la misma transformación lineal.

Esto nos lleva a la siguiente definición en el mundo de las matrices.

Definición 2.30. Sean A, B ∈ Mn×n (K). Decimos que B es semejante (o similar) a A

si existe una matriz invertible P ∈ Mn×n (K) tal que B = P −1 AP .

En otras palabras, dos matrices son similares si, bajo bases bien escogidas, ellas
describen a la misma transformación lineal.

Ejercicio. Consideremos las siguientes bases de R3 :

B = {e1 , e2 , e3 } y B ′ = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.

1) Encuentre la matriz P de cambio de base de B ′ a B.

2) Hallar la matriz Q de cambio de base de B a B ′ y compruebe que Q = P −1 .

3) Considere la transformación lineal T : R3 → R3 dada por

T (x, y, z) = (2y + z, x − 4y, 3x).

′
Compruebe que [T ]B
B′ = P
−1
[T ]B
BP .

Veamos ahora lo que ocurre en el caso de una transformación lineal arbitraria.

Proposición 2.31. Sea T : V → W una transformación K-lineal entre espacios

vectoriales V y W . Sean BV y BV′ dos bases de V y sean BW y BW′
dos bases de W .
Sea P la matriz de cambio de base de BV a BV y sea Q la matriz de cambio de base
′

de BW′
a BW . Entonces
B′
[T ]BW
′ = Q−1 [T ]B
BV P.
W
V
2.5. TEOREMAS DE ISOMORFISMO 67

Demostración. Por definición tenemos que P = [idV ]B BW

B ′ y Q = [idW ]B ′ , por lo que
V
V W
B′
Q −1
= [idW ]BW
W
. Usando la Proposición 2.26 obtenemos
B′ B′ B′ B′
Q−1 [T ]BW W BW BV W BW
BV P = [idW ]BW [T ]BV [idV ]B ′ = [idW ]BW [T ◦ idV ]B ′ = [idW ◦ T ◦ idV ]B ′ = [T ]B ′ .
W W
V V V V

¨
⌣

Recordando que las matrices P y Q del resultado anterior son invertibles, llegamos
a la siguiente definición:
Definición 2.32. Sean A, B ∈ Mm×n (K). Decimos que B es semejante (o similar) a A
si existen matrices invertibles P ∈ Mn×n (K) y Q ∈ Mn×n (K) tales que B = Q−1 AP .

2.5. Teoremas de isomorfismo

Los teoremas de isomorfismo son en realidad resultados de la teoría de grupos. Pero
como los espacios vectoriales son un caso particular de grupos, podemos estudiarlos en
este contexto. Estos teoremas establecen relaciones entre diversos espacios vectoriales
que aparecen naturalmente al tomar cocientes y mezclarlos con las otras herramientas
que hemos conocido hasta ahora.

El espacio cociente V /M se relaciona fuertemente con el espacio V original. Y ya

sabemos que la forma de comparar espacios vectoriales es vía sus morfismos, es decir,
vía transformaciones lineales. De ahí viene el siguiente resultado:

Lema 2.33. Sea V un K-espacio vectorial y sea M un subespacio de V . Entonces

existe un epimorfismo canónico de núcleo M

π : V → V /M dado por π(x) = x + M.

Demostración. Es claro que la función está bien definida y que, así definida, es sobre-
yectiva. Probemos su linealidad: sean α ∈ K y x, y ∈ V . Entonces
π(αx+y) = (αx+y)+M = ((αx)+M)+(y +M) = α(x+M)+(y +M) = απ(x)+π(y).
Finalmente,
x ∈ Ker π ⇔ π(x) = 0 + M ⇔ x + M = 0 + M ⇔ x ∈ M. ¨
⌣

Usando esta aplicación, podemos estudiar la dimensión de un espacio cociente gracias

al teorema del rango.
68 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Proposición 2.34. Sea V un K-espacio vectorial de dimensión finita y sea M un

subespacio de V . Entonces

dimK (V /M) = dimK V − dimK M.

Demostración. Aplicando el teorema del rango (Teorema 2.17) a la aplicación π : V →

V /M tenemos
dimK V = dimK (Ker π) + dimK (Im π).
Pero como π es sobreyectiva, tenemos que Im π = V /M, por lo que
dimK (V /M) = dimK V − dimK (Ker π).
Basta probar que M = Ker π. Pero esto es evidente ya que
x ∈ Ker π ⇔ π(x) = 0 + M ⇔ x + M = 0 + M ⇔ x − 0 ∈ M ⇔ x ∈ M.
¨
⌣

En el caso de una suma directa, se puede decir aún más sobre el cociente.

Teorema 2.35. Sea V un K-espacio vectorial y sean M, N subespacios de V tales

que V = M ⊕ N. Entonces N ≃ V /M.

Demostración. Consideremos la aplicación de proyección restringida a N, es decir, T :

N → V /M dada por T (n) = π(n) = n + M. Probemos que se trata de un isomorfismo.
La K-linealidad es inmediata ya que π : V → V /M es K-lineal.
Probemos que T es inyectiva, lo que equivale a probar que Ker T = {0}. Sea n ∈
Ker T , entonces T (n) = n + M = 0 + M. Esto ocurre si y sólo si n ∈ M. Pero como
n ∈ N y V = M ⊕ N, sabemos que M ∩ N = {0}, por lo que n = 0 y por lo tanto
Ker T = {0}.
Finalmente mostraremos que T es sobreyectiva. Sea v + M ∈ V /M. Entonces v ∈ V ,
por lo que podemos escribir v = m + n con m ∈ M y n ∈ N ya que V = M ⊕ N. Pero
entonces
v + M = (m + n) + M = (m + M) + (n + M) = (0 + M) + (n + M) = n + M,
y por lo tanto T (n) = n + M = v + M. Esto prueba que T es sobreyectiva. ¨
⌣

Veamos ahora el primer teorema del isomorfismo el cual relaciona el núcleo y la

imagen.
2.5. TEOREMAS DE ISOMORFISMO 69

Teorema 2.36 (Primer teorema del isomorfismo). Sean V, W K-espacios vectoriales

y sea T : V → W una transformación K-lineal. Entonces

V /Ker T ≃ Im T.

Demostración. Definimos la función T1 : V /Ker T → Im T por

T1 (x + Ker T ) = T (x).

Probemos que T1 está bien definida. Supongamos que x+Ker T = y+Ker T . Entonces
x − y ∈ Ker T y por lo tanto

T (x) = T (x − y + y) = T (x − y) + T (y) = 0 + T (y) = T (y).

Esto prueba que T1 (x + Ker T ) es independiente de la elección de x ∈ V . Por otra parte,

claramente T (x) ∈ Im T , por lo que T1 cae realmente en Im T . Esto prueba que T1 está
bien definida.
La linealidad es fácil de verificar. Sea α ∈ K y sean (x+Ker T ), (y+Ker T ) ∈ V /Ker T .
Entonces, como T es K-lineal,

T1 (α(x + Ker T ) + (y + Ker T )) = T1 ((αx + y) + Ker T ) = T (αx + y)

= αT (x) + T (y) = αT1 (x + Ker T ) + T1 (y + Ker T ).

Veamos ahora que T1 es sobreyectiva. Sea x ∈ Im T . Entonces existe x′ ∈ V tal que

T (x′ ) = x. Por lo tanto, T1 (x′ + Ker T ) = T (x′ ) = x.
Finalmente probemos que T1 es inyectiva. Sea (x+Ker T ) ∈ Ker T1 . Debemos verificar
que x + Ker T = 0 + Ker T . Ahora,

(x + Ker T ) ∈ Ker T1 ⇔ T1 (x + Ker T ) = T (x) = 0

⇔ x ∈ Ker T
⇔ x + Ker T = 0 + Ker T.

Esto prueba que Ker T1 = {0} y por lo tanto T1 es inyectiva. Concluimos que que T1 es
un isomorfismo. ¨
⌣
70 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Teorema 2.37 (Teorema de correspondencia). Sean V un K-espacio vectorial, M ≤

V y sea π : V → V /M la proyección canónica. Entonces la función

{S ≤ V | M ⊆ S} → {S ′ ≤ V /M}
S 7→ π(S)

es una biyección.

Demostración. Como S ≤ V es un subespacio, tenemos que la restricción de π a S es K-

lineal y por lo tanto π(S) es un subespacio de V /M como la imagen de dicha restricción.
Esto prueba que la aplicación está bien definida.
Probemos que la aplicación es sobreyectiva. Sea S ′ ≤ V /M. Definamos S ⊂ V como
el subconjunto
S := {x ∈ V | π(x) = x + M ∈ S ′ }.
Por definición, tenemos que π(S) = S ′ , por lo que bastará con probar que S ≤ V y que
S ⊇ M. La segunda parte es fácil: si x ∈ M, entonces π(x) = x + M = 0 + M. Pero
(0 + M) ∈ S ′ ya que S ′ es subespacio, por lo que x ∈ S y por lo tanto M ⊆ S. Para
probar que S ≤ V , sea α ∈ K y sean x, y ∈ S. Entonces (x + M), (y + M) ∈ S ′ y por lo
tanto
π(αx + y) = (αx + y) + M = α(x + M) + (y + M) ∈ S ′ .
Esto prueba que αx + y ∈ S y por ende S es un K-subespacio de V .
Probemos finalmente que la aplicación es inyectiva. Sean S, T ≤ V con M ⊆ S y
M ⊆ T y supongamos que π(S) = π(T ). Sea x ∈ S. Entonces π(x) ∈ π(S) = π(T ), por
lo que existe y ∈ T tal que π(x) = π(y). Esto nos dice que π(x − y) = π(x) − π(y) = 0
y por lo tanto x − y ∈ M. Pero como M ⊆ T , tenemos que x − y ∈ T y por lo tanto
x = y + (x − y) ∈ T ya que T ≤ V . Esto prueba que S ⊆ T . Mutatis mutandis, probamos
que T ⊆ S y por lo tanto S = T , lo que prueba la inyectividad. ¨
⌣

Pasemos al segundo teorema de isomorfismo el cual relaciona la suma e intersección

de subespacios.

Teorema 2.38 (Segundo teorema del isomorfismo). Sea V un K-espacio vectorial

y sean M1 , M2 ≤ V . Entonces

(M1 + M2 )/M1 ≃ M2 /(M1 ∩ M2 ).

2.5. TEOREMAS DE ISOMORFISMO 71

Demostración. Definimos T : M2 /(M1 ∩ M2 ) → (M1 + M2 )/M1 como

T (x + (M1 ∩ M2 )) = x + M1 .

T está bien definida, ya que si x+(M1 ∩M2 ) = y+(M1 ∩M2 ) entonces x−y ∈ M1 ∩M2 ,
por lo que x − y ∈ M1 y por lo tanto x + M1 = y + M1 . Además T es claramente lineal.
Probemos ahora que es una biyección. Demostremos primero que T es inyectiva. Sea
x + (M1 ∩ M2 ) ∈ Ker T . Entonces

T (x + (M1 ∩ M2 )) = x + M1 = 0 + M1 ,

y por lo tanto x ∈ M1 . Pero como x + (M1 ∩ M2 ) ∈ M2 /(M1 ∩ M2 ), tenemos que x ∈ M2

también, por lo que x ∈ M1 ∩ M2 . Esto prueba que x + (M1 ∩ M2 ) = 0 + (M1 ∩ M2 ) y
por lo tanto que Ker T = {0}.
Finalmente, para probar que T es sobreyectiva, sea x + M1 ∈ (M1 + M2 )/M1 . Esto
nos dice que x ∈ (M1 + M2 ) y por lo tanto x = m1 + m2 con mi ∈ Mi . Vemos que
x−m2 = m1 ∈ M1 y por lo tanto x+M1 = m2 +M1 . Si m2 +(M1 ∩M2 ) ∈ M2 /(M1 ∩M2 ),
tenemos que
T (m2 + (M1 ∩ M2 )) = m2 + M1 = x + M1 ,
por lo que T es sobreyectiva. ¨
⌣

Veamos finalmente el tercer teorema del isomorfismo en el cual relacionamos subes-

pacios de cocientes y cocientes de subespacios.

Teorema 2.39 (Tercer teorema del isomorfismo). Sea V un K-espacio vectorial, sea
M1 ≤ V y sea M2 ≤ M1 . Entonces

V /M1 ≃ (V /M2)/(M1 /M2 ).

Note que para enunciar este resultado usamos el Teorema de correspondencia, ya que
vemos a M1 /M2 como un subespacio de V /M2 .
Demostración. Definimos T : V /M1 → (V /M2)/(M1 /M2 ) por

T (x + M1 ) = (x + M2 ) + M1 /M2 .

T está bien definida ya que, si x + M1 = y + M1 , entonces x − y ∈ M1 y por lo tanto

(x + M2 ) − (y + M2 ) = (x − y) + M2 ∈ M1 /M2 ,

lo que prueba que (x + M2 ) + M1 /M2 = (y + M2 ) + M1 /M2 . Claramente T es K-lineal.

72 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Probemos que T es una biyección. Es sobreyectiva ya que para (x + M2 ) + M1 /M2 ∈

(V /M2)/(M1 /M2 ) basta con tomar x + M1 ∈ V /M1 como preimagen.
Demostremos finalmente que T es inyectiva. Sea x + M1 ∈ Ker T . Entonces

T (x + M1 ) = (x + M2 ) + M1 /M2 = (0 + M2 ) + M1 /M2 ,

por lo que
(x + M2 ) − (0 + M2 ) = x + M2 ∈ M1 /M2 .
Pero esto significa que x = x − 0 ∈ M1 y por lo tanto x + M1 = 0 + M1 , lo que prueba
que Ker T = {0} y por lo tanto T es inyectiva. ⌣¨

Ejercicio. Hallar ejemplos de espacios isomorfos.

2.6. Ejercicios Resueltos

Transformaciones Lineales y Matrices
1) Considere B = {(−1, 2, 1), (3, 0, 0), (0, 2, 0)} base de R3 y (1, 1, 3, 2), (−1, 3, 0, 0)
dos vectores en R4 . Hallar la única transformación lineal L : R3 → R4 tal que
L(−1, 2, 1) = (1, 1, 3, 2), L(3, 0, 0) = (1, 1, 3, 2), L(0, 2, 0) = (−1, 3, 0, 0).
Solución. Sea (x, y, z) ∈ R3 , como B es base tenemos que

(x, y, z) = α(−1, 2, 1) + β(3, 0, 0) + γ(0, 2, 0)

de donde −α + 3β = x, 2α + 2γ = y, α = z.
x+z y
Resolviendo α = z, β = , γ = − z. Luego
3 2
x+z y
L(x, y, z) = zL(−1, 2, 1) + L(3, 0, 0) + ( − z)L(0, 2, 0)
3 2
x+z y
= z(1, 1, 3, 2) + (1, 1, 3, 2) + ( − z)(−1, 3, 0, 0)
3 2
x+z y x + z 3y 2x + 2z
= (z + − + z, z + + − 3z, 3z + x + z, 2z + )
3 2 3 2 3

7z x y x 3y 5z 2x + 8z
 
Así L(x, y, z) = + − , + − , 4z + x,
3 3 2 3 2 3 3
2.6. EJERCICIOS RESUELTOS 73

2) Sean A = {(1, 0, 1), (2, 0, 0), (0, 1, 0)} y B = {(2, −1), (0, 2)} bases de R3 y R2
respectivamente. Suponga que T : R3 → R2 es una transformación lineal cuya
representación matricial en estas bases es

2 3 −1
!
[T ]B = . Hallar T (x, y, z).
A
1 0 2

Solución. De acuerdo a la matriz asociada, en base B tenemos que

T (1, 0, 1) = 2(2, −1) + 1(0, 2) = (4, 0),

T (2, 0, 0) = 3(2, −1) + 0(0, 2) = (6, −3),
T (0, 1, 0) = −1(2, 1) + 2(0, 2) = (−2, 5).
Para todo (x, y, z) ∈ R3 se cumple
x−z
 
(x, y, z) = z(1, 0, 1) + (2, 0, 0) + y(0, 1, 0),
2
de donde
x−z
 
T (x, y, z) = zT (1, 0, 1) + T (2, 0, 0) + yT (0, 1, 0)
2
x−z
 
= z(4, 0) + (6, −3) + y(−2, 5)
2
3 3
= (3x − 2y + z, − x + 5y + z)
2 2

3) Sea f : R2 → R2 una transformación lineal tal que (f − αI) 6= 0 para todo α ∈ R.

Pruebe que existe ω ∈ R2 tal que {ω, f (ω) − ω} es una base de R2 .

Solución. Como (f − αI) 6= 0 para todo α ∈ R existe ω ∈ R2 distinto del vector

nulo tal que (f − αI)(ω) 6= 0, esto es f (ω) 6= αω para todo α ∈ R. Escogemos este
ω y afirmamos que el conjunto {ω, f (ω) − ω} es L.I. En efecto, sean β, γ ∈ R tal
que
βω + γ(f (ω) − ω) = 0.
γ−β
Si γ 6= 0 entonces γf (ω) = (γ − β)ω, de donde, f (ω) = γ
ω, lo que no puede ser,
por lo tanto γ = 0. Luego βω = 0 implica β = 0.
Como {ω, f (ω) − ω} es L.I. en R2 se sigue que {ω, f (ω) − ω} es base de R2 .

4) Diga si cada una de las siguientes afirmaciones es verdadera o falsa. Justifique.

74 CAPÍTULO 2. TRANSFORMACIONES LINEALES

a) Sea V un espacio vectorial de dimensión finita. Para toda transformación

lineal T : V −→ V se tiene que V = Ker T ⊕ Im T
b) Si la transformación R-lineal T : Rm −→ Rn es sobreyectiva entonces dim Ker T =
m − n.
c) El núcleo de toda transformación R-lineal T : R5 −→ R3 tiene dimensión ≥ 3.
d) Considere la transformación R-lineal T : R3 −→ R2 definida por T (x, y, z) =
(x − 2y, z). ¿Es cierto que dim R3 /Ker T = 3?

Solución.
b) VERDADERA. Como T sobreyectiva, dim T = dim Rn = n, luego usando el
teorema de las dimensiones, dim Rm = dim Ker T + dim Im T = dim Ker T + n, de
donde dim Ker T = m − n.
c) FALSA. Usando el teorema de las dimensiones, dim R5 = dim Ker T + dim Im T
pero dim Im T ≤ 3 = dim R3 , por lo tanto dim Ker T ≥ 5 − 3 = 2.

5) Considere la transformación lineal T : R3 → R2 definida por T (x, y, z) = (x−2y, z).

Hallar una base β de R3 /Ker(T ) y [(1, 1, 1) + Ker(T )]β .

Solución. Tenemos que

Ker(T ) = {(x, y, z) ∈ R3 : T (x, y, z) = (x − 2y, z) = (0, 0)}

= {(2y, y, 0) ∈ R3 : y ∈ R} = h{(2, 1, 0)}i.

Escogemos β = {(2, 1, 0), (0, 1, 0), (0, 0, 1)} base de R3 . Afirmamos que una base
de R3 /Ker(T ) es η = {(0, 1, 0) + Ker(T ), (0, 0, 1) + Ker(T )}.
En efecto, como dim R3 /Ker(T ) = 2, basta probar que η es L.I. Sean γ, δ ∈ R tal
que
γ[(0, 1, 0) + Ker(T )] + δ[(0, 0, 1) + Ker(T )] = Ker(T )
γ(0, 1, 0) + δ(0, 0, 1) + Ker(T ) = Ker(T ).
Esto implica que γ(0, 1, 0) + δ(0, 0, 1) ∈ Ker(T ), o sea, γT (0, 1, 0) + δT (0, 0, 1) =
(0, 0), de donde γ(−2, 0) + δ(0, 1) = (0, 0), luego γ = δ = 0 y por lo tanto η es L.I.
En base η, escribimos
1 1
(1, 1, 1) + Ker(T ) = (0, , 0) + (0, 0, 1) + (1, , 0) + Ker(T )
2 2
1
= [(0, 1, 0) + Ker(T )] + 1[(0, 0, 1) + Ker(T )].
2
2.6. EJERCICIOS RESUELTOS 75

6) Considere la transformación lineal T : R4 → R2 definida por T (x, y, z, w) = (2x +

z, y − w).

a) Hallar una base de R4 /Ker T.

b) Encuentre un subespacio vectorial W de R4 isomorfo a R4 /Ker T tal que
R4 = Ker T ⊕ W.
c) Demuestre que la restricción T := T|W : W → R2 es un isomorfismo y encuen-
′
tre [T ]ββ para β = {T −1 (1, 0), T −1 (0, 1)} base de W y β ′ = {(1, 0), (0, 1)}
base de R2 .

Solución.
( )
a) Se tiene que Ker T = (x, y, −2x, y) : x, y ∈ R . Luego

( )
R4 /Ker T = (a, b, c, d) + Ker(T ) : (a, b, c, d) ∈ R4
(
= − 2c (1, 0, −2, 0) + d(0, 1, 0, 1) + 2a+c
2
(1, 0, 0, 0) + (b − d)(0, 1, 0, 0)
)
+Ker T : a, b, c, d ∈ R
( )
= 2a+c
2
(1, 0, 0, 0) + (b − d)(0, 1, 0, 0) + Ker T : a, b, c, d ∈ R .

( )
Una base de R /Ker T es (1, 0, 0, 0) + Ker T, (0, 1, 0, 0) + Ker T .
4

b) Un isomorfismo f : W → R4 /Ker T está dado por f (w) = w + Ker T. Usando

esto se tiene W = h(1, 0, 0, 0), (0, 1, 0, 0)i.
c) Claramente T es lineal pues es la restricción de una transformación lineal Te-
nemos que Ker (T ) = {0} ya que W es isomorfo a R4 /Ker T , luego T es inyectiva,
como dim(W ) = 2 se sigue por teorema de las dimensiones que T es sobreyectiva.
Además, β = {(1/2, 0, 0, 0), (0, 1, 0, 0)} y β ′ = {(1, 0), (0, 1)}. Como

T (1/2, 0, 0, 0) = 1(1, 0) + 0(0, 1) y T (0, 1, 0, 0) = 0(1, 0) + 1(0, 1),

se sigue que
1 0
!
′
[T ]ββ =
0 1
76 CAPÍTULO 2. TRANSFORMACIONES LINEALES

7) Consideremos C2 como C-espacio vectorial con las operaciones canónicas. Sean

n, m ∈ Q, n 6= 0. Definimos la transformación lineal Tn,m : C2 → C2 por
  2πm   2πm   2πm   2πm  
T (x, y) = cos x − sin y, sen x + cos y
n n n n
Dadas las bases ordenadas de C : C canónica y B = {(i, 1), (−i, 1)}. Encuentre las
matrices [T ]C
C y [T ]B .
B

Solución. Sea C = {(1, 0), (0, 1)} base canónica de C2 . Tenemos que

2πm 2πm 2πm 2πm

! !! ! !!
T (1, 0) = cos , sen , T (0, 1) = − sen , cos
n n n n
Luego  ! !
 cos 2πm
n
− sen 2πm
n

 
[T ]C
C = 
 !

! 
 

sen 2πm
n
cos 2πm
n


que es una matriz de rotación.

Ahora, Escribimos id(1, 0) = (1, 0) = a(i, 1) + b(−i, 1), a, b ∈ C. Luego 1 = (a − b)i

y 0 = a + b. Resolviendo a = 2i1 = −i
2
, b = −a = 2i .
−i i
id(1, 0) = (i, 1) + (−i, 1),
2 2
id(0, 1) = (0, 1) = c(i, 1) + d(−i, 1), a, b ∈ C. Luego 0 = (c − d)i y 1 = c + d, de
donde c = 21 , d = c = 21 . Luego,
!
−i 1
[id]B
C = 2
i
2
1
2 2

Como C es la base canónica, (i, 1) = i(1, 0) + 1(0, 1), (−i, 1) = −i(1, 0) + 1(0, 1),
luego !
C i −i
[id]B =
1 1
Luego
!    
cos 2πm − sen 2πm
!
−i 1
[id]B [T ]C [id]C = 2 2  n   n   i −i
i 1
1 1

C C B
2 2 sen n2πm
cos 2πm
n
2.6. EJERCICIOS RESUELTOS 77

        
−i
cos 2πm
+ 12 sen 2πm i
sen 2πm
+ 12 cos 2πm !
2 n n 2 n n i −i
=

1 1
       
 i
2
cos 2πm
n
+ 21 sen 2πm
n
−i
2
sen 2πm
n
+ 12 cos 2πm 
n

     
cos 2πm
n
+ i sen 2πm
n
0
=
   


0 cos 2πm
n
− i sen 2πm
n
Así, obtenemos
     
cos 2πm
n
+ i sen 2πm
n
0
[T ]B
B =
    
0 cos n − i sen 2πm
2πm
n

   
2πm
i
0
e n
=


 2πm 
−i
0 e n

8) a) Sea V espacio vectorial de dimensión finita. Pruebe que una transformación

lineal T : V → V es sobreyectiva si y sólo si existe T −1 .
Solución. Supongamos T : V → V sobreyectiva. Por teorema de dimensiones
se tiene que dim Ker(T ) = 0, o sea, T es inyectiva, así, T biyectiva implica
que existe T −1 .
Si existe T −1 entonces T biyectiva.
b) Sea V = {f : R → R : f tiene derivada de todos los ordenes}. Se define
T : V → V por T (f ) = g donde g(s) = f ′ (s). Verifique que T es sobreyectiva y
que T −1 no existe. ¿Contradice esto lo probado en a)? Justifique su respuesta.
Solución. Sea g ∈ V. Escribimos f (t) = 0t g(x)dx, la función f está bien
R

definida pues g es derivable y por lo tanto integrable, además por el teorema

fundamental del cálculo f ′ = g, luego f tiene derivada de todos los órdenes,
concluimos que f ∈ V y que T (f ) = f ′ = g, por lo tanto T es sobreyectiva.
T no es inyectiva pues T (f + c1 ) = T (f + c2 ) = f ′ para c1 , c2 constantes
distintas, luego no existe T −1 .
Esto no contradice el item a) pues la dimensión de V es infinita.
9) Sea f : V → R una función lineal no nula. Demuestre que existe un vector u ∈ V
tal que f (u) = 1. Sea F = h{u}i, pruebe que V = F ⊕ Ker(f ).

Solución. Como f es no nula, existe v ∈ V tal que f (v) = k con k 6= 0, k ∈ R.

Tomamos u = kv ∈ V . Es claro que f (u) = 1.
78 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Sea w ∈ V con f (w) = a. Sabemos u ∈ V con f (u) = 1. Luego f (w) = f (u)a,

como f es lineal, f (w) = f (au) de donde f (w − au) = 0, esto es, w − au ∈ ker(f ).
Sea x = w − au. Escribimos w = x + au con x ∈ Ker(f ) y au ∈ F .
Ahora, sea y ∈ F ∩ Ker(f ). Como y ∈ F existe α ∈ R tal que y = αu. Evaluando
f (y) = α = 0 pues y ∈ Ker(f ). De esto, y = 0.
10) Pruebe que una transformación lineal L : V → W es sobreyectiva si y sólo si
transforma un conjunto de generadores en V en un conjunto de generadores en W .

Solución. Sea β = {v1 , ....., vn } un conjunto de generadores en V .

Supongamos primero que L es sobreyectiva. Dado ·w ∈ W existe v ∈ V tal que
L(v) = w. Como v ∈ V existem escalares αi ∈ K tal que
v = α1 v1 + · · · + αn vn
Dado que L es lineal, se sigue que w = L(v) = α1 L(v1 ) + · · · + αn L(vn ). Luego
β ′ = {L(v1 ), ....., L(vn )} un conjunto de generadores en W .
Ahora supongamos que L aplica un conjunto de generadores en V en un conjunto
de generadores en W . Tenemos que β ′ = {L(v1 ), ....., L(vn )} es un conjunto de
generadores en W . Sea w ∈ W entonces existen βi escalares tales que
w = β1 L(v1 ) + · · · + βn L(vn )
como L es lineal se obtiene w = L(β1 v1 + · · · + βn vn ) con β1 v1 + · · · + βn vn ∈ V ,
luego L es sobreyectiva.
11) Una transformación lineal es inyectiva si y sólo si lleva vectores L.I. en vectores
L.I.

Solución. Sean T : V → W una transformación lineal inyectiva y v1 , . . . , vn

vectores L.I. en V. Sean αi ∈ K tal que
α1 T (v1 ) + α2 T (v2 ) + · · · + αn T (vn ) = 0,
de donde T (α1 v1 + α2 v2 + · · · + αn vn ) = 0 = T (0), como T es inyectiva se tiene
α1 v1 + α2 v2 + · · · + αn vn = 0 y como los vectores vi son L.I. se sigue que α1 = α2 =
· · · = αn = 0. por lo tanto los vectores son T (v1 ), T (v2 ), . . . , T (vn ) L.I. en W .

Recíprocamente, si la transformación lineal T : V → W lleva vectores L.I. en

vectores L.I. entonces v 6= 0 en V implica {v} es L.I. luego T (v) 6= 0. Por lo tanto
Ker(T ) = {0} y T es inyectiva.
2.6. EJERCICIOS RESUELTOS 79

12) Sea T : V −→ W una función lineal entre dos K-espacios vectoriales.

a) Suponga que V es finitamente generado y T epiyectiva. Demuestre que W es
finitamente generado. ¿Qué desigualdad hay entre dim(V ) y dim(W )?
b) Suponga que W es finitamente generado y T inyectiva. Demuestre que V es
finitamente generado. ¿Qué desigualdad hay entre dim(V ) y dim(W )?

Solución.
a) Sea dimK (V ) = n, por lo tanto existe una base B = {v1 , v2 , ..., vn } de V . Como
T es epiyectiva tenemos que para todo w ∈ W existe un v ∈ V tal que
T (v) = w
Ahora bien tenemos que
T (v) = T (α1 v1 + α2 v2 + ... + αn vn ) = α1 T (v1 ) + α2 T (v2 ) + ... + αn T (vn ) = w

Como w ∈ W era arbitrario tenemos que B ′ = {T (v1 ), T (v2), ..., T (vn )} genera
a W , como a priori B ′ no es un conjunto linealmente independiente, tenemos la
siguiente desigualdad
dimK (W ) ≤ dimK (V )

b) Sea dimK (W ) finito, como Im(T ) ≤ W entonces existe una base B = {w1 , w2 , ..., wm }
de Im(T ) con
dimK (Im(T )) = m ≤ dimK (W )
Como T es inyectiva para v ∈ V existe un único w ∈ Im(T ) tal que T (v) = w en
particular tenemos que
w = β1 w1 + β2 w2 + ... + βm wm = β1 T (v1 ) + β2 T (v2 ) + ... + βm T (vm )
= T (β1 v1 + β2 v2 + ... + βm vm ) = T (v)
Y por inyectividad de T podemos decir
β1 v1 + β2 v2 + ... + βm vm = v
Como v ∈ V era arbitrario tenemos que V es finitamente generado, en particular
dimK (V ) = dimK (Im(T ))
Ya que el conjunto {v1 , v2 , ..., vm } es linealmente independiente y genera V , por lo
tanto
dimK (V ) ≤ dimK (W )
80 CAPÍTULO 2. TRANSFORMACIONES LINEALES

13) Demuestre que la relación entre espacios vectoriales (sobre un K fijo) “es isomorfo
a” es una relación de equivalencia.

Solución. Para demostrar que es relación de equivalencia debemos demostrar las

siguientes propiedades:

V ∼V
Para este caso tomemos T : V −→ V con T (v) = v.
V ∼ W =⇒ W ∼ V
Supongamos que V ∼ W , es decir existe T : V −→ W es una función lineal
biyectiva, tenemos que T −1 : W −→ V es lineal y biyectiva, por lo tanto
W ∼V.
V ∼ W ∧ W ∼ U =⇒ V ∼ U
Supongamos que V ∼ W y W ∼ U, es decir existen T : V −→ W y L :
W −→ U lineales y biyectivas, tenemos que L ◦ T : V −→ U es lineal y
biyectiva.

14) Demuestre que K no es isomorfo a K × K como K-espacios vectoriales.

Solución. Supongamos que K es isomorfo a K × K, entonces existe T : K −→

K × K función lineal biyectiva, como es sobreyectiva existen x, y, z ∈ K tales que
T (x) = (1, 0), T (y) = (0, 1) y T (z) = (1, 1), por otro lado tenemos que

(x′ , y ′) = x′ (1, 0) + y ′(0, 1) = x′ T (x) + y ′ T (y) = xT (x′ ) + yT (y ′)

Usando la formula anterior para calcular (x, z) tenemos

(x, z) = xT (x) + yT (z) = (x, 0) + (y, y) = (x + y, y)

Esto nos genera dos contradicciones, primero y = z pero entonces tiene dos imá-
genes sobre T (no es función) y segundo y = 0 pero como T es función lineal
T (0) = (0, 0) 6= (0, 1), por lo tanto no existe tal isomorfismo.

15) Sean V1 , V2 K-espacios vectoriales y f : V1 × V2 −→ V1 + V2 la función f (v1 , v2 ) :=

v1 + v2 .

a) Demuestre que f es una función lineal epiyectiva.

b) ¿Bajo que condición (sencilla) es f un isomorfismo? Cuando lo sea, escriba
su función inversa f −1 : V1 + V2 −→ V1 × V2 .
2.6. EJERCICIOS RESUELTOS 81

Solución.
a) Primero demostraremos que es una función lineal, sean
(v1 , v2 ), (w1 , w2 ) ∈ V1 × V2 y α ∈ K, tenemos que

f ((v1 , v2 ) + (w1 , w2 )) = f (v1 + w1 , v2 + w2 ) = (v1 + w1 ) + (v2 + w2 )

= (v1 + v2 ) + (w1 + w2 )
= f (v1 , v2 ) + f (w1 , w2 )

y
f (α(v1 , v2 )) = f (αv1 , αv2 ) = (αv1 + αv2 ) = α(v1 + v2 ) = αf (v1 , v2 )
Por lo tanto es función lineal, ahora sea x ∈ V1 + V2 por definición existen v1 ∈
V1 , v2 ∈ V2 y α, β ∈ K tales que

x = αv1 + βv2

En particular una preimagen de x es (αv1 , βv2), es decir f es epiyectiva.

b) Como ya hemos demostrado que es epiyectiva, solo nos falta probar que es
inyectiva, es decir Ker(f ) = {0V1 +V2 }. Por lo tanto sea

f (v1 , v2 ) = 0V1 +V2

Esto implica que v1 + v2 = 0 por lo tanto v1 = −v2 , como los dos son subespacios
vectoriales tenemos que
v1 , v2 ∈ V1 ∩ V2
De esto concluimos que para que f sea inyectiva debemos de tener que V1 ∩ V2 =
{0V1 +V2 }, y se define la función inversa como

f −1 : V1 + V2 −→ V1 × V2
x = αv1 + βv2 7−→ (αv1 , βv2 )

16) Sea T : V −→ V un operador (una función lineal entre un espacio vectorial a si

mismo) y sea V finitamente generado. Demuestre que las siguientes propiedades
son equivalentes.
(i) T es inyectivo.
(ii) T es sobreyectivo.
(iii) T es biyectivo.

Solución.
82 CAPÍTULO 2. TRANSFORMACIONES LINEALES

(i) =⇒ (ii) Supongamos que T es inyectiva, por ejercicio de ayudantia anterior

tenemos que
dim(V ) = n = dim(Im(T ))
Como Im(T ) es subespacio vectorial de V y además tiene la misma dimensión,
entonces Im(T ) = V . Por lo tanto T es sobreyectiva.
(ii) =⇒ (iii) Supongamos que T es sobreyectiva, por lo tanto Im(T ) = V , usando
el teorema de la dimensiones tenemos que

dim(V ) = dim(Ker(T )) + dim(Im(T )) = dim(Ker(T )) + dim(V )

Es decir dim(Ker(T )) = 0, es decir T es inyectiva, como T es inyectiva y sobre-

yectiva entonces es biyectiva.
(iii) =⇒ (i) Supongamos que T es biyectiva, en particular es inyectiva.

17) Sea f : R4 −→ R3 definida por

f (x, y, z, t) := (x + y − z, 2x + 2y − 2z, 5x + 5y + 5z)

a) Encuentre una base {v1 , v2 } de Ker(f ) y una base de Im(f ).

b) Encuentre v3 , v4 ∈ R4 tales que v1 , v2 , v3 , v4 sea una base de R4 .

Solución.
a) Por definición tenemos que

Ker(f ) = {(x, y, z, t) ∈ R4 | f (x, y, z, t) = (0, 0, 0, 0)}

= {(x, y, z, t) ∈ R4 | (x + y − z, 2x + 2y − 2z, 5x + 5y + 5z) = (0, 0, 0, 0)}

Por lo tanto debemos resolver el siguiente sistema lineal

x+y−z =0
2x + 2y − 2z = 0
5x + 5y + 5z = 0

Donde z = 0 y x = −y son la soluciones, por lo tanto

Ker(f ) = {(x, y, z, t) ∈ R4 | f (x, y, z, t) = (0, 0, 0, 0)}

= {(−y, y, 0, t) | f (x, y, z, t) = (0, 0, 0, 0)}
= {(−y, y, 0, 0) + (0, 0, 0, t) | f (x, y, z, t) = (0, 0, 0, 0)}
2.6. EJERCICIOS RESUELTOS 83

= {y(−1, 1, 0, 0) + t(0, 0, 0, 1) | f (x, y, z, t) = (0, 0, 0, 0)}

= h{(−1, 1, 0, 0), (0, 0, 0, 1)}i
Como {(−1, 1, 0, 0), (0, 0, 0, 1)} son un conjunto linealmente independiente y genera
Ker(f ), entonces son una base de Ker(f ).
b) Usando
v3 = (0, 0, 1, 0) y v4 = (1, 0, 0, 0)
se tiene que B = {(−1, 1, 0, 0), (0, 0, 0, 1), (0, 0, 1, 0), (1, 0, 0, 0)} es base de R4 .
18) Sea f : V −→ W lineal y supongamos que f (v1 ), ..., f (vn ) es linealmente indepen-
diente, para ciertos v1 , v2 , ..., vn ∈ V . Demuestre que v1 , v2 , ..., vn es linealmente
independiente. ¿Es cierto el recíproco de este ejercicio o se necesitan hipótesis
adicionales?

Solución. Supongamos que f (v1 ), ..., f (vn ) es linealmente independiente para cier-
tos v1 , v2 , ..., vn , por otro lado tenemos que demostrar que para
α1 v1 + ... + αn vn = 0V
implica que αi = 0. Aplicando f tenemos
f (α1 v1 + ... + αn vn ) = α1 f (v1 ) + ... + αn f (vn ) = f (0V ) = 0W
Como los f (v1 ), ..., f (vn ) son linealmente independientes, tenemos que αi = 0 que
es lo que queríamos demostrar. En conclusión los v1 , ..., vn son linealmente inde-
pendientes.
Y para que el recíproco sea cierto necesitamos que f sea inyectiva.
19) Decimos que dos matrices A y B de tamaño n × n son semejantes si y solo si
existe una matriz invertible C de tamaño n × n tal que A = C −1 BC. Demuestre
que la semejanza de matrices es una relación de equivalencia sobre el conjunto de
matrices n × n.

Solución. Para demostrar que es relación de equivalencia, debemos demostrar sus

3 propiedades, tenemos que:
Reflexiva
Sea A una matriz de tamaño n × n, tenemos que
In · A · In−1 = In · A · In = A
Por lo tanto A es semejante a A.
84 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Simétrica
Supongamos que A es semejante a B, tenemos que existe C invertible tal que

A = C −1 BC

en particular
B = CAC −1
Por lo tanto B es semejante a A.
Transitiva
Supongamos que A es semejante a B y B es semejante a C, por lo tanto
existen D y E invertibles tales que

A = D −1 BD y B = E −1 CE

tenemos que

A = D −1 BD = D −1 (E −1 CE)D = D −1 E −1 CED = (ED)−1 C(ED)

Por lo tanto A es semejante a C.

Matriz cambio de base

20) Sea V = R2 [x]. Considere las bases B = {1, 1 + x, x2}, B ′ = {1, x, x2 + 1}, de R2 [x].
a) Encuentre la matriz P de cambio de base de B a B ′ y la matriz Q de cambio
de base de B ′ a B. Verifique que Q = P −1.
b) Para la transformación lineal T : V −→ V, definida por T (p(x)) = xp′ (x), donde
′
p′ (x) es la derivada de p(x), encuentre la matriz [T ]B
B .

Solución.
′
a) Tenemos que P = [idV ]B
B y Q = [idV ]B ′ . Veamos P ,
B

idV (1) = 1 = 1 + 0x + 0(x2 + 1).

idV (1 + x) = 1 + x = 1 + 1x + 0(x2 + 1).
idV (x2 ) = x2 = −1 + 0x + 1(x2 + 1).

1 0 −1
 
′
P = [idV ]B = 0 1 0 
 
B
0 0 1
2.6. EJERCICIOS RESUELTOS 85

Ahora Q,
idV (1) = 1 = 1 + 0(1 + x) + 0x2 .
idV (x) = x = −1 + 1(1 + x) + 0x2 .
idV (x2 + 1) = x2 + 1 = 1 + 0(1 + x) + 1x2 .

1 −1 1
 

Q = [idV ]B =  0 1 0
 
B′
0 0 1
Tenemos que

1 0 −1 1 −1 1 1 0 0 1 −1 1 1 0 −1
       

0 1 0  0 1 0 = 0 1 0 = 0 1 0 0 1 0 
       

0 0 1 0 0 1 0 0 1 0 0 1 0 0 1

Es decir, P Q = I3 = QP luego Q = P −1 .
b) Para V = R2 [x] y T : V −→ V, T (p(x)) = xp′ (x), donde p′ (x) es la derivada
′
de p(x), encuentre la matriz [T ]B
B con B = {1, 1 + x, x }, B = {1, x, x + 1}, dos
2 ′ 2

bases de R2 [x].
T (1) = x1′ = 0 = 0 + 0x + 0(x2 + 1).
T (1 + x) = x(1 + x) = x + x2 = −1 + 1x + 1(x2 + 1).
T (x2 ) = x(x2 )′ = 2x2 = −2 + 0x + 2(x2 + 1). Por lo tanto,

0 −1 −2
 
′
[T ]B = 0 1 0

B 
0 1 2

21) Consideremos B1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y B2 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
bases de R3 . Encuentre la matriz da cambio de base P = [id]B B1 .
2

Solución. Para construir la matriz [id]B

B1 , comenzamos por escribir los elementos
2

de B1 como combinación lineal de los vectores de B2 :

(1, 0, 0) = 0(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0),
(0, 1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + (−1)(1, 0, 0),
(0, 0, 1) = 1(1, 1, 1) + (−1)(1, 1, 0) + 0(1, 0, 0).
86 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Entonces, la matriz de cambio de base es:

0 0 1
 
 
[id]B = 0 1 −1
2
 
B1  
1 −1 0
 

22) Sea A ∈ Mn×n (K). Pruebe que existen bases B1 , B2 de K n tal que A = [id]B2
B1
donde id : K n → K n es la función identidad.

Solución. Sea A = (aij ) ∈ Mn×n (K). Como queremos que A = [id]B

B1 , entonces A
2

es invertible.
Tomemos B1 = {e1 , · · · , en } la base canónica de K n . Usaremos la matriz A para
definir la otra base. Consideremos
n n
( )
B2 =
X X
ai1 ei , · · · , ain ei
i=1 i=1

Probemos que B2 es LI sobre K. En efecto, supongamos que

n n n n n n
! ! !
0= αj aij ei = αj aij ei =
X X X X X X
αj aij ei
j=1 i=1 i=1 j=1 i=1 j=1

n
Como B1 es base de K n se tiene que αj aij = 0, para cada 1 ≤ i ≤ n, o
X

j=1
equivalentemente,  
α1
 
: =0
 
A
 
αn
 

Como A es invertible, esto implica que α1 = · · · = αn = 0. Luego B2 es linealmente

independiente y, en consecuencia, una base de K n . Es claro que A = [id]B B1 .
2

23) Sea S = {(1, 0, 1), (1, 1, 1), (1, 2, 2)} una base de V = R3 .

a) Describa la matriz de cambio de base de B a S, donde B es la base canónica

de R3 .
2.6. EJERCICIOS RESUELTOS 87

b) Sea T : R3 → R3 la transformación lineal dada por

T (x, y, z) = (x − z, x + 2y + 2z, −x − y).

Describa Im T y Ker T .
c) Encuentre [T ]SB y [T ]SS .
Solución. a) Calculemos la matriz de cambio de base [id]SB de B a S, donde
B = {e1 , e2 , e3 } es la base canónica de R3 . Tenemos que

hSi = h(1, 0, 1), (1, 1, 1), (1, 2, 2)i = {a(1, 0, 1) + b(1, 1, 1) + c(1, 2, 2) | a, b, c ∈ R}
= {(a + b + c, b + 2c, a + b + 2c) | a, b, c ∈ R}

i) idV (e1 ) = (1, 0, 0) ∈ hSi si y sólo si,

a + b + c = 1,
b + c = 0,
a + b + 2c = 0.

Resolviendo el sistema encontramos a = 0, b = 2 y c = −1.

ii) id(e2 ) = (0, 1, 0) ∈ hSi si y sólo si,

a + b + c = 0,
b + c = 1,
a + b + 2c = 0.

Cuya solución es a = −1, b = y c = 0.

iii) Análogo id(e3 ) = (0, 0, 1) ∈ hSi si y sólo si,

a + b + c = 0,
b + c = 0,
a + b + 2c = 1.

de donde, a = 1, b = −2 y c = 1. En resumen,

id(e1 ) = (1, 0, 0) = 0 · (1, 0, 1) + 2 · (1, 1, 1) + (−1) · (1, 2, 2)

id(e2 ) = (0, 1, 0) = (−1) · (1, 0, 1) + 1 · (1, 1, 1) + 0 · (1, 2, 2)
id(e3 ) = (0, 0, 1) = 1 · (1, 0, 1) + (−2) · (1, 1, 1) + 1 · (1, 2, 2)
88 CAPÍTULO 2. TRANSFORMACIONES LINEALES

0 −1 1
 

Luego, [id]B =  2
S
1 −2
.


−1 0 1
b) Calculemos primero Ker T . Tenemos que

(x, y, z) ∈ Ker T ⇔ T (x, y, z) = (x − z, x + 2y + 2z, −x − y) = (0, 0, 0),

es decir, si y sólo si,

x − z = 0,
x + 2y + 2z = 0,
−x − y = 0.

Resolviendo x = y = z = 0, de donde Ker T = {(0, 0, 0)}. En particular, Ker T

tiene dimensión 0.
Ahora, usando el teorema del rango, vemos que dimR Im T = dimR V −dimR Ker T =
3 − 0 = 3 y concluimos que Im T = V.
c) Calculemos [T ]SS . Tenemos,

T (1, 0, 1) = (0, 3, −1) = (−4) · (1, 0, 1) + 5 · (1, 1, 1) + (−1) · (1, 2, 2)

T (1, 1, 1) = (0, 5, −2) = (−7) · (1, 0, 1) + 9 · (1, 1, 1) + (−2) · (1, 2, 2)
T (1, 2, 2) = (−1, 9, −3) = (−12) · (1, 0, 1) + 13 · (1, 1, 1) + (−2) · (1, 2, 2)

de donde  
−4 −7 −12
[T ]S =  5
S
9 13 
.


−1 −2 −2

Para obtener [T ]SB , usaremos matriz de cambio de base [id]SB

[T ]SB = [T ◦ idV ]SB = [T ]SS [id]SB .

Multiplicando tenemos

0 −1 1
    
−4 −7 −12 −2 −3 −2
[T ]B =  5
S
9 13   2 1 −2 =  5 4 0.
   

−1 −2 −2 −1 0 1 −2 −1 1
2.6. EJERCICIOS RESUELTOS 89

24) Sean T : R2 → R2 dada por T (x, y) = (x + y, 2x) y B = {(1, 1), (3, 0)} base de R2 .

a) Encuentre la matriz P de cambio de base de B a la base canónica C =

{(1, 0), (0, 1)}.
b) Usando la matriz P encuentre [T ]B
B.

c) Directamente, sin usar P , encuentre [T ]B

B.

Solución. a) Sabemos que P = [Id]C

B , luego
 
1 3
(1, 1) = 1(1, 0) + 1(0, 1), y (3, 0) = 3(1, 0) + 0(0, 1); de donde P = 
 
1 0


 
1 0 3 
b) A partir de P obtenemos P −1 =   , obtenemos
3 1 −1

        
1 0 3  1 1 1 3 1 0 3  2 3 2 6 
[T ]B = =  =
B
3 1 −1 2 0 1 0 3 1 −1 2 6 0 −1
    

c) Sea (x, y) ∈ R2 , tenemos (x, y) = y(1, 1)+ x−y

3
(3, 0), aplicando la transformación
lineal T
x−y x−y
T (x, y) = yT (1, 1) + T (3, 0) = y(2, 2) + (3, 6)
3 3
x−y
= y[2(1, 1) + 0(3, 0)] + [6(1, 1) − 1(3, 0)]
3
y concluimos que  
2 6
[T ]B
B = 
 
0 −1


25) Pruebe que las siguientes matrices con coeficientes reales no son similares, a pesar
de que ambas son de rango 2.
   
2 0 1 1
A= 
yB= 
0 −1 1 0
   
90 CAPÍTULO 2. TRANSFORMACIONES LINEALES

Solución.
 Para que ambas sean similares debe existir una matriz invertible P =
a11 a12
 tal que B = P −1 AP, es decir, P B = AP. De donde
 
a21 a22


   
2a11 −a12 a11 + a21 a12 + a22
 
= 
2a21 −a22 a11 a12
   

Luego a11 − a21 = 0, a11 − 2a21 = 0, 2a12 + a22 = 0, a12 + a22 = 0. La única solución
es a11 = a21 = a12 = a22 = 0. Contradicción, pues P es invertible.
26) Sea Rn [x] el R-espacio vectorial de los polinomios de grado menor o igual a n con
coeficientes en R y considere la base usual B = {1, x, x2 , ..., xn }. Hallar la matriz
cambio de la base de Ba a B donde:
Ba = {1, x − a, (x − a)2 , ..., (x − a)n } con a ∈ R
Solución. Para hallar la matriz cambio de base debemos de hallar

[id]B
Ba

Por lo tanto debemos de hallar las coordenadas de los vectores de la base Ba con
respecto a la base B, notemos que
1 = 1 · 1 + 0 · x + 0 · x2 + ... + 0 · xn
x − a = −a · 1 + 1 · x + 0 · x2 + ... + 0 · xn
(x − a)2 = a2 · 1 − 2a · x + 1 · x2 + ... + 0 · xn
..
.
!
n n n n−1 n n−1
(x − a) = (−1) a · 1 + (−1) a · x + ... + 1 · xn
1
Por lo tanto la matriz cambio de base es
1 −a a2 −a3 . . . (−1)n a!n
 

n−1 n
 
0 n−1 
1 −2a 3a2 ... (−1) a 


 1! 

n
 
0 0 1 −3a . . . (−1)n−2 an−2 
 

 2! 

n
 
0 n−3 n−3 
0 0 1 ... (−1) a 

 3 
. .. .. .. ..
 
.

. . . . ... . 

0 0 0 0 ... 1
2.6. EJERCICIOS RESUELTOS 91

27) Sean V K-espacio vectorial de dimensión finita, v ∈ V y B = {v1 , v2 , ..., vn } una

base de V , se define
[v]B = (x1 , x2 , ..., xn )t ∈ K n
donde x1 , x2 , ..., xn representa las coordenadas del vector v en la base B. Demuestre
que existe a lo más una matriz D de tamaño n × n tal que [v]B′ = D[v]B .

Solución. Primero definamos bien las bases tenemos que

B = {v1 , v2 , .., vn } y B ′ = {v1′ , v2′ , ..., vn′ }
son bases de V , ahora sea v ∈ V se tiene que v = x1 v1 + x2 v2 + ... + xn vn , esta
expresión es única ya que B es base de V . Luego expresemos los vi ∈ B en términos
de los elementos de la base B ′ .
v1 = α11 v1′ + α21 v2′ + ... + αn1 vn′
v2 = α12 v1′ + α22 v2′ + ... + αn2 vn′
..
.
vn = α1n v1′ + α2n v2′ + ... + αnn vn′
Reemplazando estas ecuaciones en la combinación lineal de v, tenemos
v = x1 (α11 v1′ + α21 v2′ + ... + αn1 vn′ ) + ... + xn (α1n v1′ + α2n v2′ + ... + αnn vn′ )
= (α11 x1 + α12 x2 + ... + α1n xn )v1′ + ... + (αn1 x1 + αn2 x2 + ... + αnn xn )vn′
:= x′1 v1′ + x′2 v2′ + ... + x′n vn′
Notemos que podemos representar esto con una matriz
x′1 α11 α12 . . . α1n x1
    
 ′
x
 2

α
 21 α 22 . . . α 2n   x2 
 
[v]B′ = .
 . 
= .
 . .
.. .
.. .
.. 
  .  := D[v]B
 .   .   .. 
 

x′n αn1 αn2 . . . αnn xn

Y esta matriz es única ya que las combinaciones lineales respecto a la bases lo es.
′ ′
B · [idV ]B ′ = In = [idV ]B ′ · [idV ]B con In la matriz identidad
28) Demuestre que [idV ]B B B B

de n × n. Concluya que
′ −1
([idV ]B
B ) = [idV ]B
B′

Solución. Usaremos que

′
[v]B = [idV ]B
B ′ [v]B ′ y [v]B′ = [idV ]B
B [v]B
92 CAPÍTULO 2. TRANSFORMACIONES LINEALES

en particular tenemos que

′ ′
[v]B = [idV ]B B B B B
B ′ [v]B ′ = [idV ]B ′ ([idV ]B [v]B ) = ([idV ]B ′ [idV ]B )[v]B

′
B ′ [idV ]B = In , realizando el mismo procedimiento con la otra
Por lo tanto [idV ]B B
′
ecuación, obtenemos que [idV ]B B [idV ]B ′ = In y así concluimos que
B

′
([idV ]B
B )
−1
= [idV ]B
B′

Teoremas de isomorfismo

29) Sean V y W dos K−espacios vectoriales de dimensión finita, demuestre que V es

isomorfo a W si y solo si dimK (V ) = dimK (W ).

Solución. (=⇒) Supongamos que V es isomorfo a W , por lo que existe una trans-
formación lineal biyectiva f : V −→ W , usando teorema de las dimensiones tene-
mos que
dimK (V ) = dimK (Ker(f )) + dimK (Im(f ))
Como f es inyectiva y sobreyectiva entonces

dimK (V ) = dimK (Ker(f )) + dimK (W ) = dimK (W )

(⇐=) Supongamos que dimK (V ) = dimK (W ) = n, por lo que existen bases BV =

{v1 , v2 , ..., vn } y BW = {w1 , w2, ..., wn } de V y W respectivamente.
Definamos f : V −→ W tal que

f (vi ) = wi para todo 1 ≤ i ≤ n

Por lo tanto para v ∈ V se tiene que

f (v) = f (α1 v1 + ... + αn vn ) = α1 f (v1 ) + ... + αn f (vn ) = α1 w1 + ... + αn wn

Tenemos que demostrar que es lineal y biyectiva, primero veamos que es lineal,
sean x, y ∈ V y α ∈ K en particular tenemos que

x = x1 v1 + ... + xn vn y y = y1 v1 + ... + yn vn

Por lo tanto

f (x + αy) = f (x1 v1 + ... + xn vn + αy1 v1 + ... + αyn vn )

2.6. EJERCICIOS RESUELTOS 93

= f ((x1 + αy1 )v1 + ... + (xn + αyn )vn )

= (x1 + αy1 )w1 + ... + (xn + αyn )wn
= x1 w1 + ... + xn wn + α(y1 v1 + ... + yn vn )
= f (x) + αf (y)

Es decir f es lineal, veamos que es inyectiva, tenemos que

Ker(f ) = {v ∈ V | f (v) = 0W } = {v ∈ V | f (α1v1 + ... + αn vn ) = 0W }

= {v ∈ V | α1 v1 + ... + αn vn = 0W } = {v ∈ V | α1 = ... = αn = 0K } = {0V }

Por lo tanto f es inyectiva, ahora vemos que es sobreyectiva, sea w ∈ W tenemos

que

w = β1 w1 + ... + βn wn = β1 f (v1 ) + ... + βn f (vn ) = f (β1 v1 + ... + βn vn ).

Como f es lineal y biyectiva entonces V es isomorfo a W .

30) Sean V un K−espacio vectorial de dimensión finita y M ≤ V , demuestre que

dimK (V /M) = dimK (V ) − dimK (M)

Solución. Definamos la proyección canónica

π : V −→ V /M
v 7−→ v + M

Notemos que es trivialmente sobreyectiva ya que si v + M ∈ V /M su preimagen

es simplemente v ∈ V . Ahora bien tenemos que

Ker(π) = {v ∈ V | π(v) = 0+M} = {v ∈ V | v+M = 0+M} = {v ∈ V | v ∈ M} = M

Por lo tanto usando el teorema de la dimensiones tenemos que

dimK (V ) = dimK (Ker(π)) + dimK (Im(π)) = dimK (M) + dimK (V /M)

Finalmente obteniendo lo que queríamos

dimK (V /M) = dimK (V ) − dimK (M)

31) Sean W1 y W2 subespacios de V .

94 CAPÍTULO 2. TRANSFORMACIONES LINEALES

a) Suponga que W1 ⊆ W2 , demuestre que hay una función lineal sobreyectiva

f : V /W1 −→ V /W2 .
b) Demuestre que Ker(f ) = W2 /W1 con f, W1 y W2 como en el ejercicio anterior.
V /W1
c) Si W1 ⊆ W2 ⊆ V , demuestre que hay un isomorfismo entre y V /W2 .
W2 /W1
d) Demuestre que hay un isomorfismo entre (W1 + W2 )/W2 y W1 /(W1 ∩ W2 ).

Solución. a) Definamos

f : V /W1 −→ V /W2
v + W1 7−→ v + W2

Primeros debemos verificar que está bien definida, por lo que sean v+W1 = v ′ +W1 ,
tenemos que

v − v ′ ∈ W1 =⇒ v − v ′ ∈ W2 =⇒ v + W2 = v ′ + W2

En particular
f (v + W1 ) = v + W2 = v ′ + W2 = f (v ′ + W1 )
Por lo tanto está bien definida, ahora verifiquemos que es lineal, sean x + W1 , y +
W1 ∈ V /W1 y α ∈ K tenemos que

f (x + W1 + α(y + W1 )) = f (x + αy + W1 ) = x + αy + W2
= x + W2 + α(y + W2 ) = f (x + W1 ) + αf (y + W1 )

Por lo tanto f es lineal, ahora veamos que es sobreyectiva, sea v + W2 ∈ V /W2 y

como W1 ⊆ W2 se tiene que su preimagen es v + W1 . Por lo tanto f es lineal y
sobreyectiva.
b) Tenemos que

Ker(f ) = {v + W1 ∈ V /W1 | f (v + W1 ) = 0 + W2 }
= {v + W1 ∈ V /W1 | v + W2 = 0 + W2 }
= {v + W1 ∈ V /W1 | v − 0 ∈ W2 } = {v + W1 ∈ V /W1 | v ∈ W2 }
= W2 /W1

c) Usando el primer teorema de isomorfismo sobre la función f , tenemos que

V /W1 V /W1 ∼
= = Im(f ) = V /W2
W2 /W1 Ker(f )
2.7. EJERCICIOS PROPUESTOS 95

2.7. Ejercicios Propuestos

Transformaciones Lineales
1) Determine cuales de las siguientes funciones son transformaciones lineales, consi-
dere el cuerpo K = R.
!
a) T (x, y) = (1 + x, y) x y
g) T (x, y, z) =
b) L(x, y) = (y, x) y z
c) F (x, y) = (x2 , y) x 0
! !
x y
h) T =
d) T (x, y) = (cos(x), y) z w 0 z
e) K(x, y) = (x − y, 0) x 1
! !
x y
i) L =
f) T (x, y) = (x − y, 2x + y) z w w z

2) Sean a, b, c, d ∈ R. Se define la función T : R2 → R2 por

T (x, y) = (ax + by, cx + dy)
a) Pruebe que T es una transformación lineal.
b) Considere B = {(1, 2), (3, 4)} y pruebe que B es una base de R2 .
c) Determine a, b, c, d, de modo que T (1, 2) = (1, 1) y T (3, 4) = (2, 2).
3) ¿Existe una transformación lineal T : R3 → R2 tal que T (1, −1, 1) = (1, 0) y
T (1, 1, 1) = (0, 1)?
4) En cada caso, indique si existe una transformación lineal T : R2 → R2 tal que
T (vi ) = wi .

a) v1 = (1, −1), v2 = (1, 0) y w1 = w2 = (1, 5)

b) v1 = (2, 3), v2 = (0, 1) y w1 = (4, 0), w2 = (1, −2)
c) v1 = (−2, 1), v2 = (1, 1), v3 = (1, 0) y w1 = (2, 0), w2 = w3 = (−1, 0)

5) Sea T : R2 → R transformación lineal tal que T (1, −1) = 5 y T (2, 1) = 3. Hallar

T (x, y), el Ker(T ) y la Im(T ).
6) Sea P2 (R) el espacio vectorial de las funciones polinomiales de variable real, esto
es
P2 (R) = {p(x) / p(x) = c0 + c1 x + c2 x2 }
c1 c2
Se define la función F : P2 (R) → R por F (p(x)) = c0 + + .
2 3
¿Es F transformación lineal?
96 CAPÍTULO 2. TRANSFORMACIONES LINEALES

7) Pruebe que la composición de transformaciones lineales es una transformación

lineal.
8) Sea L : V −→ V una aplicación lineal del espacio V en si mismo. Suponga que si
L2 es la función identidad entonces L es inyectiva.
9) Sea T : R2 → R2 transformación lineal dado por T (x, y) = (ax + by, cx + dy) con
a, b, c, d ∈ R tal que ad − bc 6= 0. Pruebe que para todo v ∈ R con v 6= 0 se tiene
T (v) 6= 0.
10) Para cada una de las siguientes transformaciones lineales, encuentre una base y la
dimensión del Ker(T ) y la Im(T ).
a) T : R3 → R definida por T (x, y, z) = 2x − 3y + 5z.
b) T : R2 → R2 dada por T (x, y) = (x + y, x + y).
c) T : R3 → R2 definida por T (x, y, z) = (x + y, y + 3z).
d) T : P4 (R) → P4 (R) dada por T (a0 + a1 x + a2 x2 + a3 x3 + a4 x4 ) = a0 x + a1 x2 +
a2 x3 + a3 x4 .
1 2
!
11) Dada la matriz M = ∈ M2×2 (R), se define la función
0 3
T : M2×2 (R) → M2×2 (R) por T (A) = AM − MA.
a) Pruebe que T es transformación lineal.
b) Hallar Ker(T )
c) Determine una base B del Ker(T ), deduzca la dimensión del Ker(T ) y de la
Im(T ).
d) Obtener una base S de M2×2 (R) tal que B ⊂ S.
12) Dadas las transformaciones lineales T : R3 → R2 y L : R2 → R2 definidas por
T (x, y, z) = (2x, y + z) y L(x, y) = (y, x), hallar (L ◦ T )(x, y, z). ¿Es (L ◦ T )
inyectiva?
13) Considere T, L : R2 → R2 t.l. dadas por L(x, y) = (0, x) y T (x, y) = (x, 0). Pruebe
que T ◦ L = 0 y que L ◦ T 6= 0. También muestre que T 2 = T ◦ T = T.
14) Encuentre una transformación lineal T : R3 → R4 cuya imagen este generada por
los vectores (1, 2, 0, −4) y (2, 0, −1, −3).
15) Considere la transformación lineal L : R3 → R3 definida por L(x, y, z) = (2x, 4x −
y, 2x + 3y − z).
2.7. EJERCICIOS PROPUESTOS 97

a) Pruebe que L es biyectiva.

b) Encuentre L−1 .

16) Para la transformación R-lineal T : M2×3 (R) −→ M2×2 (R) definida por

0 3a11 − a12
! !
a a a
T 11 12 13 = ,
a21 a22 a23 a12 − a13 0

encuentre una base para Im(T ) y una base para Ker(T ).

17) Considere la transformación lineal L : R4 → R3 dada por

L(x, y, z, t) = (x + y + z, x − y + 2t, 4x + 2y + 5z + 6t).

a) Obtener la dimensión del Ker(L) y de Im(L).

b) Encuentre un vector w ∈ R3 que no pertenezca a la imagen de L. Con eso
exhiba un sistema lineal de tres ecuaciones con cuatro incógnitas sin solución.

18) Sean V un K-espacio vectorial y T : V −→ R una función R-lineal no nula.

Demuestre que existe un vector u ∈ V tal que T (u) = 1. Sea S = < u >, pruebe
que V = S ⊕ Ker(T ).
19) Sea f : V −→ W una función lineal del espacio vectorial V en el espacio vecto-
rial W. Ambos espacios vectoriales tienen a un mismo cuerpo K como cuerpo de
escalares.
a) Justificar: Para todo subespacio S de V se cumple f −1 f (S) ⊂ S y para todo
subespacio T de W se cumple f f −1 (T ) ⊂ T. ¿Qué condición sobre la función
f asegura la igualdad en cada caso?
b) Se dice que el tamaño del núcleo de la función f es una medida de cuan lejos
está f de ser una función uno a uno. ¿Puede justificar esa frase?
c) Considere el kerf de la función lineal f como subespacio para definir el espacio
vectorial cuociente V /kerf correspondiente. ¿Cómo definiría una función de
éste espacio cuociente en el espacio vectorial W , aprovechando la existencia
de esa función f ? La pregunta obvia a plantearse es la linealidad de esa
función que ha definido, ¿no le parece? Otras preguntas deben involucrar las
propiedades de ser una función uno a uno o ser una función sobre. Trabaje
esas preguntas.
d) Suponga que tiene escogida una base de V ¿cómo puede usar la colección de
vectores f (v) cuando v recorre el conjunto base de V escogido?
98 CAPÍTULO 2. TRANSFORMACIONES LINEALES

20) Análogamente puede escoger una base de W , ¿cómo abreviaría la función lineal f
y, ¿cómo usaría esta abreviatura para describir al efecto de la función f sobre los
vectores de V ? Suponga para esto que las dimensiones de los espacios vectoriales
V y W son finitas.

21) Sea f : V −→ V una aplicación lineal. Suponga que f 2 = f ◦ f = f 6= 0 es

la función f , entonces existe, al menos un vector no nulo, v tal que f (v) = v.
Demuestre también que para todo vector u se cumple u − f (u) está en el núcleo
de f.

22) Sea E = C 0 (R) el espacio de las funciones continuas f : R → R. Defina la función

T : E → E por T (f ) = ϕ donde
Z x
ϕ(x) = f (t)dt, x∈R
0

a) Pruebe que T es transformación lineal.

b) Determine el núcleo y la imagen de T .

23) Sea E = R∞ el espacio vectorial cuyos elementos son las sucesiones de la forma
x = (x1 , x2 , . . .) con xi números reales. Defina las transformaciones lineales F, L :
E → E por F (x) = (x1 , 0, x2 , 0, x3 , . . .) y L(x) = y donde y = (y1 , y2 , . . .) con
yk = x2k+1 − 2xk . Hallar el núcleo e imagen de F y L.

24) Sea T : Pn (R) → Pn (R) transformación lineal dada por T (p(x)) = x p′′′ (x). Obten-
ga bases para el núcleo y la imagen de T .

25) Sea T : V → W un isomorfismo. Si L : W → V es tal que T ◦L = IW (ó L◦T = IV )

entonces L es transformación lineal.

26) Dado el conjunto finito X con n elementos, pruebe que el espacio vectorial F (X; R)
es isomorfo a Rn .

27) Pruebe que una transformación lineal T : V → W es sobreyectiva si y sólo si

transforma un conjunto de generadores de V en un conjunto de generadores de W .

Transformaciones Lineales y Matrices

28) Sea T : R3 → R3 la transformación lineal definida por

T (x, y, z) = (3x + z, −2x + y, −x + 2y + 4z).

2.7. EJERCICIOS PROPUESTOS 99

a) Hallar la matriz [T ]C
C
en la base canónica C de R3 .
b) Determinar la matriz [T ]ββ en la base ordenada de R3 dada por β = {(1, 0, 1), (−2, 1, 1), (2, 1, 1)}

29) Determine la transformación lineal T : R2 → R2 , relativa a la base canónica,

sabiendo que T (1, 1) = (2, 3) y T (−1, 1) = (4, 5).

30) Determine la matriz de la transformación lineal de derivación D : Pn (R) → Pn (R)

relativa a la base {1, x, x2 , . . . , xn }.

31) Considere la función lineal f : R4 → R3 cuya representación matricial, en las res-

1 1 0
 
 0 0 1 
pectivas bases canónicas, es la matriz [f ] =   . Determine la colección
 
 1 0 0 
0 1 1
de vectores de R4 cuya imagen bajo f forma el subespacio {α(1, 1, 1)}/α ∈ R}.

32) Considere la función lineal f : R4 → R4 cuya representación matricial en la base

0 1 0 0
 
 0 0 1 0 
canónica del espacio vectorial R4 es [f ] =   . Determine
 
 0 0 0 1 
1 0 0 0

a) el conjunto de vectores {v ∈ R4 /f (v) = v}.

b) el conjunto de vectores {v ∈ R4 /f (v) = −v}.
c) dos vectores v, u, linealmente independientes tales que f (u) = −v, f (v) = u.

1 0 0 0
 
 0 −1 0 0 
33) Escriba una base β de R4 donde la matriz de f es [f ]ββ = 
 
0 0 0 1

 
0 0 −1 0

34) Rotación de un ángulo θ en torno al origen de R2 . Sea R : R2 → R2 la función que

lleva cada vector (x, y) en el vector R(x, y) que resulta de (x, y) por la rotación de
un ángulo θ en torno al origen.

a) Sean e1 = (1, 0) y e2 = (0, 1). Usando argumentos geométricos, encuentre

R(e1 ) y R(e2 ).
b) Pruebe que R es la transformación lineal dada por
100 CAPÍTULO 2. TRANSFORMACIONES LINEALES

R(x, y) = (x cos θ − y sin θ, x sin θ + y cos θ). Deduzca que la matriz de R

relativa a la base canónica es
cos θ − sin θ
!
[R]C =
C sin θ cos θ

c) Considere β = {(1, −1), (0, 2)} base de R2 . Hallar [R]ββ .

Cambio de Base

35) Sea T : R3 → R3 la transformación lineal dada por

T (x, y, z) = (3x + z, −2x + y, −x + 2y + 4z).

a) Hallar [T ]C
C donde C es la base canónica de R .
3

b) Sea B = {(1, 0, 1), (−2, 1, 1), (2, 1, 1)} una base ordenada de R3 . Hallar la
matriz P de cambio de base de C a B.
C y [T ]B .
c) Usando P determinar [T ]B B

36) Sea f : R4 → R4 una transformación lineal. Escriba una base B de R4 donde la

matriz de f es
1 0 0 0
 
 0 −1 0 0 
[f ]B
B = 
 
 0 0 0 1


0 0 −1 0

37) Considere la función lineal T : R4 → R4 cuya representación matricial en la base

canónica C de R4 es la matriz
0 1 0 0
 
 0 0 1 0 
[T ]C
C =  .
 
 0 0 0 1 
1 0 0 0

1 0 0 0
 
 0 −1 0 0 
Escriba una base B de R4 donde la matriz de T sea [T ]B
B =  .
 
 0 0 0 1 
0 0 −1 0
Justifique.
2.7. EJERCICIOS PROPUESTOS 101

38) Sabiendo que la matriz de la transformación lineal T : R3 → R3 relativa a la base

B = {(1, 1, 1), (1, 2, 1), (1, 1, 3)} es

3 1 3
 
1
[T ]B
B = 0 2 0 
,
2

−1 −1 −1

determine [T ]C
C donde C es la base canónica de R .
3

39) Sea θ un número real. Demostrar que las dos matrices siguientes son similares
sobre el cuerpo de los números complejos

eiθ 0
! !
cosθ −senθ
, .
senθ cosθ 0 e−iθ

40) Obtenga las bases A de R2 y B de R3 respecto de las cuales T : R2 → R3 definida

por T (x, y) = (2x + y, 3x − 2y, x + 3y) tiene matriz

1 0
 

[T ]A =  0 1  .
B  

0 0

Además, mirando la matriz anterior, ¿puede decir algo respecto a dim Ker(T ) y
dim Im(T )?

41) Suponga que las transformaciones lineales T, L : V → V tienen la misma matriz

A = (aij )B
B1 en relación a las bases B1 , B2 ⊂ V. Pruebe que existe un isomorfismo
2

J : V → V tal que L = CT C −1.

!
a b
42) Sea A = , b 6= 0, la matriz de la transformación lineal T : R2 → R2 en
c d
términos de la base canónica. Hallar una base B de R2 en la cual la matriz de T
sea
0 0
 

[T ]B
B =
 .
bc − ad a + d

43) Considere el subespacio vectorial F ≤ C ∞ (R). Suponga que {cos(x), sen(x)} es

una base de F . Determine la matriz del operador derivación definido en F .
102 CAPÍTULO 2. TRANSFORMACIONES LINEALES

44) Ahora, suponga que G ≤ C ∞ (R) y que

{ex cos(x), ex sen(x), e2x cos(x), e2x sen(x), e3x cos(x), e3x sen(x)}

es una base de G. Hallar la matriz del operador derivación definido en G.

 Capítulo 3
Dual y bidual
Es usual en matemáticas el usar las funciones que parten de un cierto objeto o que
llegan a cierto objeto para estudiar dicho objeto (esta filosofía está muy a la moda en
geometría algebraica por ejemplo). El espacio dual es un ejemplo de esta filosofía, caso
en que consideramos las funciones con valores en el espacio vectoral “casi” trivial, a
saber, el “único” espacio vectorial de dimensión 1. El bidual será un producto derivado
natural de este estudio.

3.1. Espacio dual

Para definir el espacio dual, necesitamos ante todo la siguiente noción.

Definición 3.1. Sea V un K-espacio vectorial. Una transformación lineal f : V → K

es llamada una forma K-lineal o un funcional K-lineal sobre V .

Ejemplo 3.2. Si V = Mn×n (K), entonces f : V → K : A 7→ tr(A) es una forma lineal.

Recordemos que tr(A) denota la traza de A, es decir, la suma de los elementos de su
n
diagonal: tr(A) = aii si A = (aij ).
X

i=1

Ejemplo 3.3. Sea V = C 0 ([a, b]), el R-espacio de las funciones continuas f : [a, b] → R.
Entonces la aplicación L : V → R definida por
Z b
L(f ) = f (t)dt ∀ f ∈ C 0 ([a, b]),
a

es un funcional R-lineal.

103
104 CAPÍTULO 3. DUAL Y BIDUAL

Definición 3.4. Sea V un K-espacio vectorial. El K-espacio vectorial HomK (V, K) se

anota V ∗ y se llama el espacio dual de V .

El espacio dual tiene grandes similitudes con el espacio original, pero no es literal-
mente el mismo (al menos, no de forma canónica). De todas formas, podemos al menos
decir lo siguiente:

Lema 3.5. Sea V un K-espacio vectorial. Entonces dimK V ∗ = dimK V .

Demostración. Si dimK V = ∞, es un ejercicio fácil (¡hágalo!) probar que dimK V ∗ es

de dimensión infinita también. Supondremos pues que V es de dimensión finita.
Sea n = dimK V . Por definición, V ∗ = HomK (V, K). Gracias a la Proposición 2.25
sabemos que este espacio es isomorfo a M1×n (K) (el isomorfismo depende de la elección
de bases, pero esto no es de importancia) y por ende

dimK V ∗ = dimK HomK (V, K) = dimK M1×n (K) = 1 · n = n = dimK V.

¨
⌣

Veamos ahora que podemos decir de las bases de V ∗ teniendo una base de V (en
dimensión finita). Sea B = {v1 , . . . , vn } una base de V . Si fijamos 1 ≤ i ≤ n, por el
Teorema 2.13 sabemos que existe una única forma lineal fi : V → K tal que fi (vj ) = δij ,
donde δij es la delta de Kronecker:

1 si i = j
δij = .
0 si i =
6 j

Obtenemos un conjunto B ∗ = {f1 , . . . , fn } que es un buen candidato para ser base de

V ∗.

Lema 3.6. El conjunto B ∗ así definido es una base de V ∗ .

Demostración. Como ya sabemos que dimK V ∗ = n, bastará con probar que se trata de
un conjunto LI. Supongamos pues que
n
αi fi = 0, para ciertos αi ∈ K.
X

i=1
3.1. ESPACIO DUAL 105

Esto quiere decir que, para todo x ∈ V tenemos

n
αi fi (x) = 0.
X

i=1

En particular, para 1 ≤ j ≤ n tenemos

n n
0= αi fi (vj ) = αi δij = αj .
X X

i=1 i=1

Esto prueba que αj = 0 para todo 1 ≤ j ≤ n, por lo que B ∗ es LI. ¨

⌣

Definición 3.7. La base B ∗ se llama la base dual de B.

Observación 9.
En dimensión infinita se puede intentar definir una base dual B ∗ de la misma manera.
La demostración del lema anterior funciona sin mayores problemas mutatis mutandis,
pero lamentablemente esto no prueba que B ∗ es una base, ya que en dimensión infinita
no todo conjunto infinito y LI es una base (incluso si los cardinales infinitos coinciden).
Es más, este conjunto nunca es una base, si bien es infinito y LI. Por ejemplo, podemos
considerar la forma lineal f ∈ V ∗ tal que f (v) = 1 para todo v ∈ B. Es un ejercicio
interesante el probar que f 6∈ hB ∗ i.
Las bases B y B ∗ (volvimos a dimensión finita) se entremezclan de una forma bien
elegante en el siguiente resultado.

Teorema 3.8. Sean V un K-espacio vectorial de dimensión n y B = {v1 , . . . , vn }

una base de V . Sea B ∗ = {f1 , . . . , fn } la base dual correspondiente. Entonces:
n
Para todo f ∈ V ∗ tenemos f = f (vi )fi . En otras palabras, las coordenadas
X

i=1
de f en B ∗ son los f (vi ) para 1 ≤ i ≤ n.
n
Para todo v ∈ V tenemos v = fi (v)vi . En otras palabras, las coordenadas
X

i=1
de v en B son los fi (v) para 1 ≤ i ≤ n.

Demostración. Sea f ∈ V ∗ y escribamos f = ni=1 αi fi con αi ∈ K. Debemos demostrar

P

que αi = f (vi ) para todo 1 ≤ i ≤ n. Evaluemos pues en vi y veamos que

n n
f (vi ) = αj fj (vi ) = αj δji = αi .
X X

j=1 j=1
106 CAPÍTULO 3. DUAL Y BIDUAL

Sea ahora v ∈ V y escribamos v = ni=1 βi vi con βi ∈ K. Debemos demostrar que

P

βi = fi (v) para todo 1 ≤ i ≤ n. Evaluemos pues fi en v y veamos que, como fi es lineal,

 
n n n
fi (v) = = βj fi (vj ) = βj δij = βi .
X X X
fi  βj vi 
j=1 j=1 j=1

¨
⌣

Observación 10.
El teorema anterior nos permite interpretar fi : V → K como la función que toma un
vector v ∈ V y nos da su i-ésima coordenada en la base B. En efecto, en la base B, v es
igual a (f1 (v), . . . , fn (v)) según el teorema.

Ejemplo 3.9. Sean V = R3 y B = {(1, 2, 1), (1, 0, 1), (0, 0, 1)} base de R3 . Veamos cual
es la base dual B ∗ de (R3 )∗ .
Sea v = (x, y, z) ∈ R3 . Queremos escribir v en términos de la base B :

(x, y, z) = α(1, 2, 1) + β(1, 0, 1) + γ(0, 0, 1),

Un cálculo fácil nos da

y y
α= , β =x− , γ = z − x.
2 2
Como éstas son las coordenadas de v en la base B, tenemos frente a nosotros a la base
B ∗ . En otras palabras, podemos definir
y
f1 : R3 → R : (x, y, z) 7→ ,
2
y
f2 : R3 → R : (x, y, z) 7→ x − ,
2
f3 : R3 → R : (x, y, z) 7→ z − x.

Estas funciones son claramente formas lineales y por lo tanto forman la base dual B ∗ .
Si tomamos entonces por ejemplo g ∈ (R3 )∗ dada por g(x, y, z) = x + 2y + 3z,
tendremos que
y y y y
g(x, y, z) = g(1, 2, 1) + g(1, 0, 1)(x − ) + g(0, 0, 1)(z − x) = 8 + 4(x − ) + 3(z − x),
2 2 2 2
lo indica el Teorema 3.8.
3.1. ESPACIO DUAL 107

Ejemplo 3.10. Sea V = R2 [x] = {a0 + a1 x+ a2 x2 | ai ∈ R}. Consideremos las siguientes

formas R-lineales:

l1 : V → R : P 7→ P (1),
l2 : V → R : P 7→ P (2),
l3 : V → R : P 7→ P (0).

Probemos que es una base de V ∗ . Como dimR V ∗ = dimR V es claramente 3, bastará con
probar que {l1 , l2 , l3 } es un conjunto LI. Entonces

α1 li + α2 l2 + α3 l3 = 0, αi ∈ R,

una combinación lineal. La igualdad anterior significa que, para todo P ∈ R2 [x],

α1 l1 (P ) + α2 l2 (P ) + α3 l3 (P ) = 0,

es decir,
α1 P (1) + α2 P (2) + α3 P (0) = 0.
Por lo tanto, si P = a0 + a1 x + a2 x2 ,

α1 (a0 + a1 + a2 ) + α2 (a0 + 2a1 + 4a2 ) + α3 a0 = 0

(α1 + α2 + α3 )a0 + (α1 + 2α2 )a1 + (α1 + 4α2 )a2 = 0

Esta igualdad es cierta para todo P ∈ R2 [x], por lo tanto para todo a0 , a1 , a2 ∈ R. Luego,

α1 + α2 + α3 = 0,
α1 + 2α2 = 0,
α1 + 4α2 = 0.

Y este sistema claramente implica que α1 = α2 = α3 = 0. Esto prueba que {l1 , l2 , l3 } es

LI y por ende una base.
Ahora podemos preguntarnos: ¿Cuál es la base B de V tal que B ∗ = {l1 , l2 , l3 }?
Queremos entonces una base B = {P1 , P2 , P3 } de V tal que li (Pj ) = δij . Para encontrar
P1 , escribamos P1 = a0 + a1 x + a2 x2 de forma que

l1 (P1 ) = P1 (1) = a0 + a1 + a2 = δ11 = 1,

l2 (P1 ) = P1 (2) = a0 + 2a1 + 4a2 = δ21 = 0,
l3 (P1 ) = P1 (0) = a0 = δ31 = 0.
108 CAPÍTULO 3. DUAL Y BIDUAL

Resolviendo el sistema, tenemos a0 = 0, a1 = 2 y a2 = −1, por lo que P1 = 2x − x2 . De

la misma manera, para encontrar P2 llegamos al sistema
l1 (P2 ) = P2 (1) = a0 + a1 + a2 = δ12 = 0,
l2 (P2 ) = P2 (2) = a0 + 2a1 + 4a2 = δ22 = 1,
l3 (P2 ) = P2 (0) = a0 = δ32 = 0.
Por lo que a0 = 0, a1 = − 12 y a2 = 1
2
y entonces P2 = − 12 x + 12 x2 . Finalmente, para
encontrar P3 ,
l1 (P3 ) = P3 (1) = a0 + a1 + a2 = δ13 = 0,
l2 (P3 ) = P3 (2) = a0 + 2a1 + 4a2 = δ23 = 0,
l3 (P3 ) = P3 (0) = a0 = δ33 = 1.
Por lo que a0 = 1, a1 = − 32 y a2 = 21 y entonces P2 = 1 − 32 x + 12 x2 . Así, la base B
buscada es
1 1 3 1
B = {2x − x2 , − x + x2 , 1 − x + x2 }.
2 2 2 2
Verificar que se trata realmente de una base de V = R2 [x] es un ejercicio fácil.

Con este ejemplo surge una pregunta natural: ¿Toda base de V ∗ es la base dual de
alguna base de V ? Para demostrar esto, debemos introducir la segunda noción de este
capítulo.

3.2. Espacio bidual

El interés del espacio bidual nace de la siguiente observación: De la misma forma en
que usamos la evaluación para definir formas lineales R2 [x] → R en el último ejemplo
de la sección anterior, podemos usar la evaluación para definir formas lineales en el dual
de cualquier espacio vectorial. En efecto:
Definición 3.11. Sean V un K-espacio vectorial y v ∈ V un vector. Definimos la forma
lineal lv : V ∗ → K como
lv (f ) := f (v), ∀ f ∈ V ∗ .
El espacio V ∗∗ := (V ∗ )∗ al que pertenece lv es llamado espacio bidual de V .
Note que se trata de una forma lineal: para α ∈ K y f, g ∈ V ∗ , tenemos
lv (αf + g) = (αf + g)(v) = (αf )(v) + g(v) = αf (v) + g(v) = αlv (f ) + lv (g).
Existe una relación natural entre vectores v ∈ V y los vectores l ∈ (V ∗ )∗ en el espacio
bidual, esto se expresa en el siguiente lema.
3.2. ESPACIO BIDUAL 109

Teorema 3.12. Sea V un K-espacio vectorial de dimensión finita. Entonces la apli-

cación
T : V → V ∗∗ dada por T (v) = lv ,
es un isomorfismo.

Para probar el teorema, necesitaremos el siguiente lema:

Lema 3.13. Sea V un K-espacio vectorial de dimensión finita y sea v ∈ V no nulo.

Entonces existe f ∈ V ∗ tal que f (v) 6= 0.

Demostración. Esto es aplicación directa del Teorema 2.13. Como v es no nulo, el con-
junto {v} es LI y podemos completarlo a una base B de V que contiene a v. El Teorema
2.13 asegura que existe una transformación lineal f : V → K tal que f (v) = 1. ¨
⌣

Observación 11.
Este resultado es cierto también en dimensión infinita. Se necesita sin embargo una
generalización del Teorema 2.13, la cual usaría una vez más el Lema de Zorn.
Demostración del Teorema 3.12. Probemos que T es K-lineal: Sean α ∈ K y v, w ∈ V .
Dado f ∈ V ∗ , es decir, un funcional lineal f : V → K, tenemos

lαv+w (f ) = f (αv + w) = αf (v) + f (w) = αlv (f ) + lw (f ).

Como esta igualdad es cierta para todo f ∈ V ∗ , esto equivale a la igualdad

lαv+w = αlv + lw .

Por lo tanto, T (αv + w) = αT (v) + T (w), probando que T es K-lineal.

Mostremos ahora que T es inyectiva. Sea v ∈ Ker T, entonces T (v) = lv = 0. Esto
nos dice que, para toda forma lineal f ∈ V ∗ ,

lv (f ) = f (v) = 0.

Usando el lema 3.13, vemos que v = 0. En efecto, de lo contrario existiría f ∈ V ∗ tal

que f (v) 6= 0 y contradiciendo lo que acabamos de probar. Vemos que Ker T = {0} y
por lo tanto T es inyectiva.
Finalmente veamos que T es sobreyectiva. El teorema del rango (Teorema 2.17) nos
dice que
dimK V = dimK Ker T + dimK Im T.
110 CAPÍTULO 3. DUAL Y BIDUAL

Pero como ya vimos, dimK Ker T = 0, por lo que la dimensión de Im T es la dimensión

de V . Por otra parte, sabemos que
dimK V = dimK V ∗ = dimK (V ∗ )∗ = dimK V ∗∗ .
Por lo tanto, Im T es un subespacio de V ∗∗ de la misma dimensión que V ∗∗ . Esto implica
que toda base de Im T es un conjunto LI maximal de V ∗∗ , por ende una base, y por lo
tanto un conjunto generador, probando que Im T = V ∗∗ . ⌣¨

Veamos algunas consecuencias de éste último resultado.

Corolario 3.14. Sea V un K-espacio vectorial de dimensión finita y sea l ∈ V ∗∗

una forma lineal l : V ∗ → K. Entonces existe un único v ∈ V tal que

l(f ) = f (v), ∀ f ∈ V ∗.

Demostración. La existencia no es más que la sobreyectividad de la aplicación T del

teorema. La unicidad viene de la inyectividad de T . ¨
⌣

La segunda consecuencia es más interesante, ya que corresponde a la pregunta con

la que concluimos la última sección.

Corolario 3.15. Sea V un K-espacio vectorial de dimensión finita. Entonces toda

base de V ∗ es la base dual de alguna base de V .

Demostración. Sea A = {f1 , . . . , fn } una base de V ∗ . Debemos probar que existe una
base B de V tal que A = B ∗ . Consideremos la base dual de A, es decir, la base A∗ de
V ∗∗ dada por
A∗ = {l1 , . . . , ln },
con
li (fj ) = δij , ∀ 1 ≤ i ≤ n, 1 ≤ j ≤ n.
Usando el Teorema 3.12, vemos que para cada 1 ≤ i ≤ n existe un único vi ∈ V tal que
li = lvi . Tenemos entonces que
fj (vi ) = lvi (fj ) = δij , ∀ 1 ≤ i ≤ n, 1 ≤ j ≤ n.
Pero esto corresponde precisamente a afirmar que A = {f1 , . . . , fn } es la base dual B ∗
de B := {v1 , . . . , vn }. Nótese que B es de hecho una base de V : como el conjunto A∗ es
LI y genera a V ∗∗ , tenemos que el conjunto B = {v1 , . . . , vn } ⊂ V es LI y genera a V
gracias al isomorfismo T del Teorema 3.12. ¨
⌣
3.3. ANULADORES DE SUBESPACIOS 111

3.3. Anuladores de subespacios

Ya vimos que el par de espacios {V, V ∗ } está dotado de una relación estrecha vía la
noción de bases duales. Esta relación es además simétrica ya que el par {V ∗ , V ∗∗ } es
esencialmente el mismo gracias al Teorema 3.12. Ahora pondremos en relación ciertos
subespacios de ambos espacios.

Definición 3.16. Sea V un K-espacio vectorial y sea S un K-subespacio de V . Defini-

mos
S 0 := {f ∈ V ∗ | f (v) = 0, ∀ v ∈ S} = {f ∈ V ∗ | S ⊂ Ker f },
como el anulador de S en V .

Observación 12.
Ya acostumbrados a este ejercicio, notamos inmediatamente que S 0 es un K-subespacio
de V ∗ . En efecto, para α ∈ K, f, g ∈ S 0 y v ∈ S, tenemos

(αf + g)(v) = αf (v) + g(v) = α · 0 + 0 = 0.

Como esto es cierto para todo v ∈ S, vemos que αf + g ∈ S 0 .

Ejemplo 3.17. Si S = V , entonces S 0 = {0} ≤ V ∗ . Si S = {0}, entonces S 0 = V ∗ .

Ejemplo 3.18. Sea V = R3 , B = {e1 , e2 , e3 } la base canónica y S = he1 i. Como v ∈ S si

y sólo si v = λe1 con λ ∈ R, vemos que f ∈ S 0 si y sólo si f (e1 ) = 0. Sea B ∗ = {f1 , f2 , f3 }
la base dual de B. Por definición, tenemos que

f1 (e1 ) = 1, f2 (e1 ) = 0 y f3 (e1 ) = 0,

por lo que f1 6∈ S 0 y f2 , f3 ∈ S 0 . Además, para todo f ∈ V ∗ , tenemos

f = αf1 + βf2 + γf3 con α, β, γ ∈ R,

por lo que f (e1 ) = αf1 (e1 ) + βf2 (e1 ) + γf3 (e1 ) = α. Vemos pues que f ∈ S 0 si y sólo si
α = 0, es decir si y sólo si f = βf2 + γf3 . En otras palabras, S 0 = hf2 , f3 i.

Estos ejemplos nos sugieren que la dimensión de S 0 es más grande en cuanto más
pequeña sea la de S y viceversa. Esto de hecho se puede demostrar directamente.

Proposición 3.19. Sea V un K-espacio vectorial de dimensión n y sea S ≤ V un

subespacio. Entonces dimK S 0 = n − dimK S.
112 CAPÍTULO 3. DUAL Y BIDUAL

Demostración. Sea {v1 , . . . , vm } una base de S, la cual completamos a una base B =

{v1 , . . . , vn } de V . Sea B ∗ = {f1 , . . . , fn } la base dual de B. Entonces fi (vj ) = δij para
todo 1 ≤ i ≤ n, 1 ≤ j ≤ n. Esto nos dice que, si i > m, fi (vj ) = 0 para todo 1 ≤ j ≤ m.
Por linealidad, obtenemos fi (v) = 0 para todo v ∈ hv1 . . . , vm i = S, por lo que fi ∈ S 0
para i > m y entonces S 0 ⊇ hfm+1 , . . . , fn i. Ahora, sabemos que los fi son LI pues
forman una base. Por lo tanto, si probamos que S 0 = hfm+1 , . . . , fn i tendremos que
dimK S 0 = n − m y dimK S = m, lo que prueba el resultado.
Probemos pues que S 0 = hfm+1 , . . . , fn i. Sea f ∈ S 0 y escribamos f = ni=1 λi fi . Por
P

el Teorema 3.8, tenemos que λi = f (vi ) para cada 1 ≤ i ≤ n. Como f ∈ S 0 , vemos

que λi = f (vi ) = 0 para 1 ≤ i ≤ m y por lo tanto f = ni=m+1 λi fi , lo que prueba que
P

S 0 = hfm+1 , . . . , fn i. ¨
⌣

Observación 13.
La demostración de la proposición nos da una manera de calcular explícitamente el
anulador S 0 de un subespacio S. Es de hecho lo que hicimos en el último ejemplo.
Ejercicio. Sea S = h(1, 1, 1), (1, 2, 1)i ≤ R3 . Encuentre una R-base de S 0 .
Veamos ahora como se relaciona esta noción de anulador con los distintos objetos que
conocemos. Ya vimos que al hacer crecer un subespacio, su anulador disminuye. Veamos
pues lo que ocurre cuando sumamos subespacios.

Proposición 3.20. Sea V un K-espacio vectorial y sean S, U ≤ V K-subespacios.

Entonces
(S + U)0 = S 0 ∩ U 0 .

Esto corrobora una vez más que el anulador es una suerte de “espacio comple-
mentario”, ya que disminuye cuando el otro aumenta. Pero además confirma el hecho
de que la suma es el buen reemplazo a la unión para subespacios, ya que al “unir”
subespacios y buscar su “complemento”, intersectamos los “complementos” respectivos.
Demostración. Sea f ∈ S 0 ∩ U 0 . Entonces f (s) = 0 para todo s ∈ S y f (t) = 0 para
todo t ∈ U. Por lo tanto,
f (s + t) = f (s) + f (t) = 0 + 0 = 0, ∀ s ∈ S, t ∈ U.
Pero como todo elemento de S + U es de la forma s + t con s ∈ S y t ∈ U, vemos que
f (v) = 0 para todo v ∈ S + U. Por lo tanto, f ∈ (S + U)0 , lo que prueba una inclusión.
Probemos ahora que (S + U)0 está contenido en S 0 ∩ U 0 . Sea f ∈ (S + U)0 . Entonces
f (s) = f (t) = 0 para todo s ∈ S y para todo t ∈ U ya que S, U ⊆ S + U. Esto nos dice
que f ∈ S 0 y f ∈ U 0 , por lo tanto f ∈ S 0 ∩ U 0 . ¨
⌣
3.3. ANULADORES DE SUBESPACIOS 113

Podemos intentar ahora disminuir S para que crezca S 0 . Otra vez intersección y suma
se portan como complementarios.

Proposición 3.21. Sea V un K-espacio vectorial y sean S, U ≤ V K-subespacios.

Entonces
(S ∩ U)0 = S 0 + U 0 .

Para demostrar esta proposición, que es la “dual” de la anterior, aplicaremos la pro-

posición anterior a V ∗ . Pero esto nos llevará al bidual V ∗∗ . Veamos pues primero lo que
ocurre con este objeto.

Como mencionamos anteriormente, la relación entre V y V ∗ es bastante simétrica.

Cabe preguntarse entonces lo que sería el anulador de un subespacio S ′ ≤ V ∗ . Dada
nuestra definición, sería un subespacio S ′ 0 ≤ V ∗∗ . De hecho, tenemos
0
S ′ = {l ∈ V ∗∗ | l(f ) = 0, ∀ f ∈ S ′ }.

Pero usando el isomorfismo canónico V → V ∗∗ dado por el Teorema 3.12, podemos

encontrar un subespacio vectorial S ≤ V que le corresponde. Veamos de quien se trata.

Proposición 3.22. Sea V un K-espacio vectorial, sea S ≤ V un subespacio. Enton-

ces
S = {v ∈ V | f (v) = 0, ∀ f ∈ S 0 }.
En particular, el isomorfismo V → V ∗∗ del Teorema 3.12 envía S a (S 0 )0 .

Demostración. Definamos

R := {v ∈ V | f (v) = 0, ∀ f ∈ S 0 },

tenemos que probar que S = R y que la imagen de R vía el isomorfismo V → V ∗∗ es

(S 0 )0 .
Comencemos por la segunda parte. Sabemos que

(S 0 )0 = {l ∈ V ∗∗ | l(f ) = 0, ∀ f ∈ S 0 }.

Ahora, cada l ∈ V ∗∗ es de la forma lv para cierto v ∈ V por el Teorema 3.12. Por lo que

(S 0 )0 = {lv ∈ V ∗∗ | lv (f ) = 0, ∀ f ∈ S 0 } = {lv ∈ V ∗∗ | f (v) = 0, ∀ f ∈ S 0 }.

114 CAPÍTULO 3. DUAL Y BIDUAL

Esto corresponde precisamente a la imagen del subespacio R ≤ V vía el isomorfismo

V → V ∗∗ (el cual envía v a lv ), lo que prueba la última afirmación de la proposición.
Probemos ahora que S = R. Está claro que S ⊆ R ya que para todo f ∈ S 0
tenemos por definición f (v) = 0 si v ∈ S. Por otra parte, por lo que ya demostramos,
dimK R = dimK (S 0 )0 . La Proposición 3.19 nos dice entonces que

dimK R = dimK (S 0 )0 = dimK V ∗ − dimK S 0 = dimK V ∗ − (dimK V − dimK S).

Como dimK V = dimK V ∗ , vemos que dimK R = dimK S y por lo tanto R = S. ¨

⌣

Ahora ya podemos demostrar la proposición pendiente.

Demostración de la Proposición 3.21. La Proposición 3.22 nos dice que

(S ∩ U)0 = {f ∈ V ∗ | l(f ) = 0, ∀ l ∈ ((S ∩ U)0 )0 },

y
S 0 + U 0 = {f ∈ V ∗ | l(f ) = 0, ∀ l ∈ (S 0 + U 0 )0 }.
Por lo tanto, para probar la igualdad, bastará con probar ((S ∩ U)0 )0 = (S 0 + U 0 )0 .
Nuevamente por la Proposición 3.22, sabemos que el isomorfismo canónico V → V ∗∗
envía M a (M 0 )0 para todo subespacio M ≤ V . Por lo tanto, S es enviado a (S 0 )0 , U es
enviado a (U 0 )0 y S ∩ U es enviado a ((S ∩ U)0 )0 . Pero como se trata de un isomorfismo,
claramente S ∩U es enviado a la vez a (S 0 )0 ∩(U 0 )0 , por lo que ((S ∩U)0 )0 = (S 0 )0 ∩(U 0 )0 .
Usando entonces la Proposición 3.20, vemos que

((S ∩ U)0 )0 = (S 0 )0 ∩ (U 0 )0 = (S 0 + U 0 )0 .

¨
⌣

3.4. Transformación lineal traspuesta

Habiendo visto como asociar matrices a transformaciones lineales, toda operación
conocida en el ámbito de las matrices puede ser interpretada como una operación en
transformaciones lineales. Ya vimos por ejemplo que la multiplicación de matrices se
interpreta como la composición de las transformaciones respectivas. En esta sección
veremos lo que ocurre al tomar la matriz traspuesta.
Definición 3.23. Sean V, W K-espacios vectoriales y sea T : V → W una transforma-
ción K-lineal. Definimos la transformación traspuesta o transformación dual de T como
la aplicación
T t : W ∗ → V ∗ dada por T t (f ) = f ◦ T.
3.4. TRANSFORMACIÓN LINEAL TRASPUESTA 115

Observación 14.
Nótese que T t es una transformación lineal. En efecto, para α ∈ K, f, g ∈ W ∗ y v ∈ V ,
tenemos que

((αf + g) ◦ T )(v) = (αf + g)(T (v)) = αf (T (v)) + g(T (v)) = α(f ◦ T )(v) + (g ◦ T )(v).

Como esta igualdad vale para todo v ∈ V , vemos que

T t (αf + g) = (αf + g) ◦ T = α(f ◦ T ) + (g ◦ T ) = αT t (f ) + T t (g).

Como es de esperarse, esta “trasposición” de transformaciones se asocia naturalmente

con la trasposición de matrices.

Teorema 3.24. Sean V, W K-espacios vectoriales de dimensión finita y sea T :

V → W una transformación K-lineal. Sean BV , BW bases respectivas de V y W
y sean BV∗ , BW ∗
las bases duales respectivas. Entonces, si A = [T ]B
BV , tenemos que
W

∗
BV
∗ .
At = [T t ]BW

Demostración. Sean BV = {v1 , . . . , vn }, BW = {w1 , . . . , wm }, BV∗ = {f1 , . . . , fn } y BW∗

=
{g1 , . . . , gm }. Escribamos A = (aij ). Note que, por las dimensiones de V, W, V , W ∗ , ∗
BV∗ ∗
BV
tenemos que A ∈ Mm×n (K) y [T t ]BW ∗ ∈ Mn×m (K). Debemos probar que [T t ]BW ∗ es la
matriz traspuesta de A, es decir, que la k-ésima columna de esta matriz corresponde a
la k-ésima fila de A. n
Sea v ∈ V y escribamos v = αj vj con αj = fj (v). Para todo 1 ≤ k ≤ n, tenemos
X

j=1
 
n n
(gk ◦ T )(v) = (gk ◦ T) = αj (gk ◦ T )(vj )
X X
αj vj 
j=1 j=1
n n m n X
m
!
= αj gk (T (vj )) = aij wi = aij αj gk (wi )
X X X X
αj gk
j=1 j=1 i=1 j=1 i=1
 
n X
m n n n
= aij αj δki = akj αj = akj fj (v) =  akj fj  (v).
X X X X

j=1 i=1 j=1 j=1 j=1

Siendo esto cierto para todo v ∈ V , vemos que

n
t
T (gk ) = gk ◦ T =
X
akj fj .
j=1
116 CAPÍTULO 3. DUAL Y BIDUAL

B∗
∗ tiene por k-ésima columna al vector (ak1 , . . . , akm ), lo que
Por lo tanto, la matriz [T t ]BW
V

corresponde a la k-ésima fila de A = (aij ). Esto es lo que queríamos demostrar. ⌣¨

Este último teorema tiene consecuencias interesantes al momento de calcular espacios

duales. Veamos una de estas aplicaciones.

Proposición 3.25. Sea V un K-espacio vectorial de dimensión finita y M ≤ V .

Entonces (V /M)∗ es isomorfo a Ker (ιt ), donde ι : M → V es la inclusión natural,
i.e. ι(m) = m ∈ V para m ∈ M.

Demostración. Ante todo, sea π : V → V /M la proyección canónica y notemos que

Ker (π) = M = Im (ι). En particular, la aplicación compuesta π ◦ ι corresponde a la apli-
cación trivial M → V /M : m 7→ 0 + M. Esto nos será útil para construir el isomorfismo.

Sea ahora f ∈ (V /M)∗ . Como la aplicación traspuesta de ι es ιt : V ∗ → M ∗ , debemos

definir un elemento del dual φ(f ) ∈ V ∗ tal que φ(f ) ∈ Ker ιt . Tomemos pues la proyección
canónica y definamos φ(f ) : V → K como φ(f ) := f ◦ π. Como π y f son lineales, vemos
que φ(f ) también lo es, por lo que φ(f ) ∈ V ∗ . Para ver que φ(f ) ∈ Ker (ιt ), notemos
que
ιt (φ(f )) = ιt (f ◦ π) = f ◦ π ◦ ι.
Como dijimos arriba, la aplicación π ◦ ι es la aplicación trivial, por lo que f ◦ π ◦ ι
corresponde a la aplicación trivial M → K : m 7→ 0, es decir a 0M ∗ . Esto prueba que
ιt (φ(f )) = 0 y por lo tanto φ(f ) ∈ Ker (ιt ). Acabamos de definir la aplicación

φ : (V /M)∗ → Ker (ιt )

f 7→ φ(f ) = f ◦ π,

la cual es canónica puesto que la proyección π lo es. La aplicación φ es además K-lineal

como se puede verificar facilmente.

Nos falta probar que φ es biyectiva. Supongamos pues que φ(f ) = 0. Como φ(f ) ∈ V ∗ ,
esto quiere decir que, para todo v ∈ V ∗ ,

0 = φ(f )(v) = (f ◦ π)(v) = f (π(v)).

Pero como π es sobreyectiva, tenemos entonces que f (v+M) = 0 para todo v+M ∈ V /M.
Esto equivale a decir que f = 0 ∈ (V /M)∗ .
3.4. TRANSFORMACIÓN LINEAL TRASPUESTA 117

Sea ahora l ∈ Ker (ιt ) ⊂ V ∗ . Esto siginifica que ιt (l) = l ◦ ι = 0 y por lo tanto que
l(m) = 0 para todo m ∈ M. Podemos definir entonces
fl : V /M → K por fl (v + M) = l(v).
Esto está bien definido pues, si v + M = w + M, entonces v − w ∈ M y así
l(v) = l(v − w + w) = l(v − w) + l(w) = 0 + l(w) = l(w).
Una verificación rápida nos prueba que fl es K-lineal. Se trata por lo tanto de un
elemento de (V /M)∗ que cumple, para todo v ∈ V ,
φ(fl )(v) = (fl ◦ π)(v) = fl (π(v)) = fl (v + M) = l(v).
Por lo tanto, φ(fl ) = l y comprobamos que φ es sobreyectiva. ¨
⌣

Un corolario inmediato de esta proposición es el siguiente resultado sobre sumas

directas.

Corolario 3.26. Sea V un K-espacio vectorial de dimensión finita y sean M, N ≤ V

subespacios tales que V = M ⊕ N. Entonces V ∗ es isomorfo a M ∗ ⊕ N ∗ .

Demostración. Sean ιM y ιN las inclusiones naturales respectivas de M y N. La Pro-

posición 3.25 nos dice que (V /M)∗ = N ∗ es isomorfo a Ker (ιtM ) ≤ V ∗ e ídem para N ∗ .
Bastará con probar pues que
V ∗ = Ker (ιtM ) ⊕ Ker (ιtN ).
Como V = M ⊕ T y V es de dimensión finita, sabemos que dimK V = dimK M +
dimK N, por lo que
dimK V ∗ = dimK M ∗ + dimK N ∗ = dimK (Ker (ιtM )) + dimK (Ker (ιtN )).
Entonces, si probamos que Ker (ιtM ) ∩ Ker (ιtN ) = {0}, tendremos que
dimK (Ker (ιtM ) ⊕ Ker (ιtN )) = dimK V.
y por lo tanto V ∗ = Ker (ιtM ) ⊕ Ker (ιtN ), como esperamos.
Sea entonces f ∈ Ker (ιtM ) ∩ Ker (ιtN ). Como vimos en la demostración anterior, esto
significa que
ιtM (f ) = f ◦ ιM = 0 = f ◦ ιN = ιtN (f ),
y por lo tanto que f (m) = 0 = f (n) para todo m ∈ M y para todo n ∈ N. Pero
todo v ∈ V se escribe de la forma v = m + n con m ∈ M y n ∈ N, por lo que
f (v) = f (m + n) = f (m) + f (n) = 0 para todo v ∈ V . Esto implica que f = 0 y por lo
tanto que Ker (ιtM ) ∩ Ker (ιtN ) = {0}, que es lo que queríamos demostrar. ¨
⌣
118 CAPÍTULO 3. DUAL Y BIDUAL

Ejercicio. Sea T : V → W una transformación K-lineal entre espacios vectoriales de

dimensión finita. Demuestre que (Im T )∗ es canónicamente isomorfo a Im T t .

Ejercicio. Sea V un espacio vectorial de dimensión finita sobre el cuerpo K. Considere

la función
f : L(V, V ) → L(V ∗ , V ∗ )
definida por f (T ) = T t . Demuestre que f es un isomorfismo.
En efecto, sean T, L ∈ L(V, V ) y α ∈ K. Tenemos

(αT +L)t (g)(v) = g((αT +L)(v)) = g(αT (v)+L(v)) = αg(T (v))+g(L(v)) = [αT t (g)+Lt (g)](v)

para g ∈ L(V, V ) y v ∈ V. Así, f es lineal.

Por otro lado,
Ker(f ) = {T ∈ L(V, V ) : T t = 0} = {0},
se tiene que f es inyectiva y como dimL(V, V ) = dimL(V ∗ , V ∗ ) se concluye que f es
sobreyectiva.
3.5. EJERCICIOS RESUELTOS 119

3.5. Ejercicios Resueltos

Espacios Dual, Bidual; Anuladores; Traspuesta.
1) Dada T ∈ (R2 )∗ , comprobar que T ∈ (R3 )∗ , donde T está definida por T (x, y, z) =
T (x + y, x + y − z), ∀ (x, y, z) ∈ R3 .

Defina ϕ : (R2 )∗ → (R3 )∗ , por ϕ(T ) = T . Demuestre que ϕ es lineal y calcule la

matriz asociada a ϕ en las bases duales de las bases canónicas de R2 y R3 .

Solución. Sabemos que T : R2 → R es lineal. Definamos la aplicación lineal

f : R3 → R2 , por f (x, y, z) = (x + y, x + y − z). Entonces, (T ◦ f )(x, y, z) =
T (f (x, y, z)) = T (x+ y, x+ y −z). Luego T = T ◦ f es lineal pues es la composición
de transformaciones lineales, luego T ∈ (R3 )∗ .
Para todo λ ∈ R, para todo T1 , T2 ∈ (R2 )∗ se tiene

ϕ(λT1 + T2 ) = (λT1 + T2 ) ◦ f = λ(T1 ◦ f ) + (T2 ◦ f ) = λϕ(T1 ) + ϕ(T2 )

usando propiedades de la composición de funciones. Luego ϕ es lineal.

Como ϕ = f t entonces la matriz de ϕ en las duales de las bases canónicas es la
traspuesta de la matriz de f en las bases canónicas. Ahora bien, si B1 , B2 son
las bases canónicas de R3 y R2 , entonces f (1, 0, 0) = (1, 1), f (0, 1, 0) = (1, 1) y
f (0, 0, −1) = (0, −1)
1 1 0
!
B2
[f ]B1 = .
1 1 −1
Por lo tanto la matriz pedida es

1 1
 

1 1 
 

0 −1

la matriz traspuesta de la anterior.

2) Sean B la base de R3 dada por B = {(1, 2, −1), (−1, 1, 0), (1, 0, 1)} y B ∗ =
{f1 , f2 , f3 } su base dual. Sean, además, g1 , g2 , g3 las siguientes formas lineales:

g1 (x, y, z) = −3x − y + z, g2 (x, y, z) = x − 3z, g3 (x, y, z) = 2y + x.

i) Demostrar que {g1, g2 , g3 } es base de (R3 )∗ .

ii) Expresar g1 , g2 , g3 en la base B ∗ .

120 CAPÍTULO 3. DUAL Y BIDUAL

iii) Hallar la base dual de {g1, g2 , g3 } y notar la identificación con la base B.

Solución. i) Como |{g1 , g2, g3 }| = 3, basta probar que este conjunto es L.I.
Sea ag1 + bg2 + cg3 = 0, es decir,

ag1 (x, y, z) + bg2 (x, y, z) + cg3 (x, y, z) = 0, ∀ x, y, z ∈ R

Lo cual es directo (por ejemplo) evaluando en (1, 0, 3), (0, 1, 1) y (1, 1, 1).

0a +8b +c = 0 (1)
0a −3b +2c = 0 (2)
−3a −2b +3c = 0 (3)

obtenemos a = b = c = 0. Luego {g1 , g2 , g3 } es LI sobre R y base de (R3 )∗ .

ii) De la escritura del dual, se tiene que

g1 = g1 (1, 2, −1)f1 + g1 (−1, 1, 0)f2 + g1 (1, 0, 1)f3 = −6f1 + 2f2 − 2f3 ,

g2 = g2 (1, 2, −1)f1 + g2 (−1, 1, 0)f2 + g2 (1, 0, 1)f3 = 4f1 − f2 − 2f3 ,

g3 = g3 (1, 2, −1)f1 + g3 (−1, 1, 0)f2 + g3 (1, 0, 1)f3 = 5f1 + f2 + f3 .

iii) Sea (B ∗ )∗ = {ϕ1 , ϕ2 , ϕ3 }, con ϕj transformaciones lineales de (R3 )∗ a R, la base

dual de {g1 , g2 , g3}.

Buscamos determinar ϕj , es decir, para cada Φ ∈ (R3 )∗ hallar ϕj (Φ). Todo Φ

puede escribirse como
3
Φ= Φ(vi )gi
X

i=1

luego, aplicando ϕj y la definición de base dual ϕj (Φ) = Φ(vj ). En efecto,

3 3
ϕj (Φ) = Φ(vi )ϕj (gi ) = Φ(vi )δij = Φ(vj )
X X

i=1 i=1

Así, ϕ1 (g1 )(1, 2, −1) = (1, 2, −1), ϕ2 (g2 )(−1, 1, 0) = (−1, 1,0), ϕ3 (g3 )(1, 0, 1) =
(1, 0, 1).
3.5. EJERCICIOS RESUELTOS 121

3) Sean S1 , S2 dos subespacios de un espacio vectorial V. Probar que:

i) 00 = V ∗ y V 0 = {0}.

ii) S1 ⊆ S2 ⇒ S20 ⊆ S10 .

Solución. i) 00 ⊆ V ∗ por definición. Por otro lado, toda transformación lineal se

anula en 0, luego V ∗ ⊆ 00 . La otra parte es inmediata escribiendo la definición de
V 0.

ii) Si f ∈ S20 entonces f (x) = 0 para todo x ∈ S2 , en particular f (x) = 0 para

todo x ∈ S1 pues S1 ⊆ S2 luego f ∈ S10 .

4) Sean a1 = (3, −2, 3), a2 = (2, 1, −4), a3 = (5, −6, 5) y S1 = ha1 , a2 i ≤ R3 y S2 =

ha3 i ≤ R3 . Encuentre S10 , (S1 + S2 )0 y (S1 ∩ S2 )0 .

Solución. a) Veamos dos formas de resolverlo. En la primera, se parte comple-

tando la base de S1 .

Tenemos que {a1 = (3, −2, 3), a2 = (2, 1, −4)} es LI sobre R. Completemos la base
de S1 hasta tener una base ordenada de R3 .

Tenemos que como (1, 0, 0) ∈

/ h(3, −2, 3), (2, 1, −4)i, entonces
{(3, −2, 3), (2, 1, −4), (1, 0, 0)} es LI sobre R.

Luego B = {a1 = (3, −2, 3), a2 = (2, 1, −4), a3 = (1, 0, 0)} es base ordenada de R3 .

Sea {f1 , f2 , f3 } ∈ (R3 )∗ la base dual de B. Entonces f1 ∈ / S10 pues f1 (3 − 2, 3) = 1,

de igual forma f2 ∈ / S1 pues f1 (3 − 2, 3) = 1, y f3 ∈ S10 . Encontremos f3 . Como
0

fi (vj ) = δij , se tiene que f3 (a1 ) = 0, f3 (a2 ) = 0, f3 (a3 ) = 1

Nos falta calcular f3 (x, y, z). Encontremos a, b, c ∈ R tales que

(x, y, z) = aa1 + ba2 + ca3 = (3a, −2a, 3a) + (2b, b, −4b) + (c, 0, 0) = (3a − 2b +
c, −2a + b, 3a − 4b. Al resolver es sistema da, a = − 51 (z + 4y), b = − 15 (3y + 2z), c =
1
5
(5x + 18y + 7z).

Por lo tanto f3 (x, y, z) = af3 (a1 ) + bf3 (a2 ) + cf3 (a3 ) = a0 + b0 + c1 = c =

1
5
(5x + 18y + 7z) y S10 = hf3 i. Finalmente como f3 6= 0, {f3 } es LI sobre R y es la
base de S10 .
122 CAPÍTULO 3. DUAL Y BIDUAL

Segunda forma: Notemos que, si v = (x, y, z) ∈ S1 entonces (x, y, z) = aa1 + ba2

para ciertos a, b ∈ R. Es decir:

3a +2b = x
−2a +b = y
3a −4b = z

Buscamos una ecuación (o varias ecuaciones) de la forma αx + βy + γz = 0.

Manipulando un poco las ecuaciones (o, equivalentemente, haciendo operaciones
fila sobre la matriz de coeficientes) podemos obtener que:

v = (x, y, z) ∈ S1 ⇐⇒ 5x + 18y + 7z = 0.

Ahora, notemos que g : R3 → R definida por g((x, y, z)) = 5x + 18y + 7z es una

forma lineal y podemos ver S1 como el subconjunto de R3 en el que g se anula. Así,
S1 = {g}0 = hgi0. De donde, S10 = hgi. Como g es una forma lineal no nula (por
ejemplo, g(0, 0, 1) = 7 6= 0) concluímos que el conjunto {g} es L.I. Como además
genera, es base de S10 .

b) Tenemos que a1 = (3, −2, 3), a2 = (2, 1, −4), a3 = (5, −6, 5) y S1 = ha1 , a2 i ≤ R3
y S2 = ha3 i ≤ R3 . Debemos encuentrar (S1 + S2 )0 y (S1 ∩ S2 )0 .
Queremos encontrar S1 + S2 . Veamos si {a1 , a2 , a3 } LI sobre R.

Sea αa1 +βa2 +γa3 = (0, 0, 0). Luego α(3, −2, 3)+β(2, 1, −4)+γ(5, −6, 5) = (0, 0, 0)
Tenemos es siguiente sistema de ecuaciones:

3α +2β +5γ = 0 (1)

−2α −2β −6γ = 0 (2)
3α −4β +5γ = 0 (3)

(1) -(3) da 6β = 0, de donde β = 0.

Reemplazando en (2) da α = −2γ y luego en (3), −γ = 0, por lo tanto α = 0 y
{a1 , a2 , a3 } LI sobre R, luego una base de R3 .

Así, S1 + S2 = R3 , y (S1 + S2 )0 = (R3 )0 = {0}.

c) Queremos encontrar S1 ∩S2 . Como dim(S1 +S2 ) = dim S1 +dim S2 −dim(S1 ∩S2 )
y dim(S1 + S2 ) = 3, se tiene dim(S1 ∩ S2 ) = 0 y S1 ∩ S2 = {0}. Por lo tanto,
(S1 ∩ S2 )0 = ({0})0 = (R3 )∗ .
3.5. EJERCICIOS RESUELTOS 123

5) Sea T : V → W una transformación K-lineal. Definimos la aplicación T t : W ∗ →

V ∗ , definida por T t (f ) = f ◦ T.

i) Pruebe que T t es lineal.

ii) Considere D : Rn [x] → Rn−1R[x], p → p′ que es R-lineal y la forma lineal f :

Rn [x] → R, definida por f (p) = ab p(t)dt. Encuentre D t (f ).

iii) Considere la transformación lineal T : R3 → R2 , definida por T (x, y, z) =

(x + y, x + y − z) y la forma lineal f : R2 → R, definida por T (x, y) = 5x − 3y.
Encuentre T t (f ).

Solución.

i) Como T : V → W y f : W → K, se tiene que f ◦ T : V → K. Veamos que T t

es una transformación lineal. Debemos probar que para α ∈ K, f, g ∈ W ∗

T t (αf + g) = αT t (f ) + T t (g).

Sea v ∈ V , tenemos que

T t (αf + g)(v) = ((αf + g) ◦ T )(v) = (αf + g)(T (v)) = αf (T (v))

+g(T (v)) = α(f ◦ T )(v) + (g ◦ T )(v) = (αT t (f ) + T t (g))(v)

ii) Como D : Rn [x] → Rn−1 [x], entonces D t : (Rn−1 [x])∗ → (Rn [x])∗ . Si f : Rn [x] →
R, entonces D t (f ) ∈ (Rn [x])∗ .

Sea p ∈ Rn [x], entonces D t (f )(p) = p(a) − p(b). En efecto,

Z b
D t (f )(p) = (f ◦ D)(p) = f (D(p)) = f (p′ ) = p′ (t)dt = [p(t)]ba = p(b) − p(a).
a

iii) Como T : R3 → R2 , entonces T t : (R2 )∗ → (R3 )∗ . Si f : R2 → R, entonces

T t (f ) ∈ (R3 )∗ .

Sea (x, y, z) ∈ R3 , entonces

T t (f )(x, y, z) = (f ◦ T )(x, y, z) = f (T (x, y, z)) = f (x + y, x + y − z)

= 5(x + y) − 3(x + y − z) = 2x + 2y + 3z
Luego T t (f )(x, y, z) = 2x + 2y + 3z.
124 CAPÍTULO 3. DUAL Y BIDUAL

6) Para la transformación R-lineal T : R4 → R4 , definida por T (x, y, z, t) = (z − 2y −

t, 2y − z, 2t, 2t).

a) Hallar una base β de R4 /Ker T.

b) Encontrar la base β ∗ dual de la anterior

Solución. Se tiene que Ker T = {(x, y, z, t) ∈ R4 | (z − 2y − t, 2y − z, 2t, 2t) =

(0, 0, 0, 0)} = {(x, y, 2y, 0) | x, y ∈ R} = {x(1, 0, 0, 0) + y(0, 1, 2, 0) : x, y ∈ R} =
h(1, 0, 0, 0), (0, 1, 2, 0)i. Luego completamos la base dual B.
(0, 1, 0, 0) ∈
/ h(1, 0, 0, 0), (0, 1, 2, 0)i luego {(1, 0, 0, 0), (0, 1, 2, 0), (0, 1, 0, 0)} es LI
sobre R.

Como, h(1, 0, 0, 0), (0, 1, 2, 0), (0, 1, 0, 0)i = {(a, b + c, 2b, 0) : a, b, c ∈ R}}, se tiene
que (0, 0, 0, 1) ∈
/ h(1, 0, 0, 0), (0, 1, 2, 0), (0, 1, 0, 0)i luego
{(1, 0, 0, 0), (0, 1, 2, 0), (0, 1, 0, 0), (0, 0, 0, 1)} es LI sobre R.

Una base (ordenada) de R4 /Ker T es

β = {(0, 1, 0, 0) + Ker T, (0, 0, 0, 1) + Ker T }.

En efecto, como dim R4 /Ker T = 2, basta probar que β es L.I. Sean γ, δ ∈ R tal
que
γ[(0, 1, 0, 0) + Ker T ] + δ[(0, 0, 0, 1) + Ker T ] = Ker T
γ(0, 1, 0, 0) + δ(0, 0, 0, 1) + Ker T = Ker T.
Esto implica que γ(0, 1, 0, 0)+δ(0, 0, 0, 1) ∈ Ker T , o sea, γT (0, 1, 0, 0)+δT (0, 0, 0, 1) =
(0, 0, 0, 0), de donde γ(−2, 2, 0, 0) + δ(−1, 0, 2, 2) = (0, 0, 0, 0), luego γ = δ = 0 y
por lo tanto β es L.I. Luego

β = {(0, 1, 0, 0) + Ker T, (0, 0, 0, 1) + Ker T }

es base de R4 /Ker T

b) Por encontrar β ∗ base dual de β.

Como dimR (R4 /Ker T )∗ = dimR R4 /Ker T = 2, sea β ∗ = {f1 , f2 } donde fi :

R4 /Ker T → R, i = 1, 2 formas lineales a determinar.

Sea (x, y, z, t)+Ker T ∈ R4 /Ker T. Entonces hay a, b ∈ R, que dependen de x, y, z, t

tales que

(x, y, z, t)+Ker T = a[(0, 1, 0, 0)+Ker T ]+b[(0, 0, 0, 1)+Ker T ] = (0, a, 0, b)+Ker T.

3.5. EJERCICIOS RESUELTOS 125

Luego (x, y, z, t) − (0, a, 0, b) ∈ Ker T, o (x, y − a, z, t − b)− ∈ Ker T

o sea (0, 0, 0, 0) = T (x, y −a, z, t−b) = (z −(2y −2a)−t+b, 2(y −a)−z, 2t−2b, 2t−
2b) = (z − 2y + 2a − t + b, 2y − 2a − z, 2t − 2b, 2t − 2b). De donde, a = 21 (2y − z) y
b = t.
Así,
1
(x, y, z, t) + Ker T = (2y − z)[(0, 1, 0, 0) + Ker T ] + t[(0, 0, 0, 1) + Ker T ]
2
Por lo tanto, β ∗ = {f1 , f2 } donde fi : R4 /Ker T → R, i = 1, 2 formas lineales
definidas por
1
f1 ((x, y, z, t) + Ker T ) = (2y − z), f2 ((x, y, z, t) + Ker T ) = t.
2

7) Considere R3 [x] el espacio vectorial de los polinomios de grado menor o igual a 3

y el subespacio S = h1, x2 + 2xi ⊂ R3 [x]. Encuentre una base de S ◦ .

Solución. Completando base se tiene que B = {1, x2 + 2x, x, x3 } es base ordenada

de R3 [x].
Si B ∗ = {f1 , f2 , f3 , f4 } es la base dual de B entonces {f3 , f4 } es una base de S ◦ .
Necesitamos calcular f3 , f4 : R3 [x] → R.
Consideremos p(x) ∈ R3 [x] tal que

p(x) = a0 + a1 x + a2 x2 + a3 x3 = α1 + β(x2 + 2x) + γx + δx3 ,

de donde p(x) = a0 + a2 (x2 + 2x) + (a1 − 2a2 )x + a3 x3 .

Como f3 (1) = 0, f3 (x2 + 2x) = 0, f3 (x) = 1, f3 (x3 ) = 0, se tiene f3 (p(x)) =
a1 − 2a2 . Análogamente, f4 (1) = 0, f4 (x2 + 2x) = 0, f4 (x) = 0, f4 (x3 ) = 1, se
tiene f4 (p(x)) = a3 .
Por lo tanto la base de S ◦ es {f3 , f4 } donde

f3 : R3 [x] → R, definida por f3 (a0 + a1 x + a2 x2 + a3 x3 ) = a1 − 2a2 .

f4 : R3 [x] → R, definida por f4 (a0 + a1 x + a2 x2 + a3 x3 ) = a3 .

8) Sea V un K-espacio vectorial de dimensión finita. Si W, L son subespacios de V ∗ ,

pruebe que
(W ∩ L)o Wo
≃
Lo (L + W )o
126 CAPÍTULO 3. DUAL Y BIDUAL

Solución. Por el segundo teorema del isomorfismo tenemos que

W o + Lo Wo
≃ (∗)
Lo Lo ∩ W o
Por propiedades del anulador tenemos que

(W + L)o = W o ∩ Lo , W o + Lo = (L ∩ W )o

Reemplazando en (*) se tiene

(W ∩ L)o Wo
≃
Lo (L + W )o
que es lo que se quería demostrar.

9) Sea el espacio vectorial R3 y considere la siguiente base B = {v1 , v2 , v3 }:

v1 = (1, −1, 3), v2 = (0, 1, −1), v3 = (0, 3, −2)

a) Hallar la base dual B ∗ .

b) Considere S1 = hv1 , v2 i y S2 = hv2 , v3 i subespacios de R3 , encontrar (S1 )0 y
(S2 )0 .
c) Hallar (S1 + S2 )0 y (S1 ∩ S2 )0 .

Solución.
a) Primero debemos hallar las coordenadas del vector (x, y, z) ∈ R3 con respecto
a la base B, por lo que debemos resolver

(x, y, z) = α(1, −1, 3) + β(0, 1, −1) + γ(0, 3, −2)

Un calculo facil nos da que

α = x, β = 7x − 2y − 3z, γ = −2x + y + z

Como ya tenemos las coordenas del vector (x, y, z), podemos definir

f1 : R3 −→ R : (x, y, z) 7−→ x

f2 : R3 −→ R : (x, y, z) 7−→ 7x − 2y − 3z
f3 : R3 −→ R : (x, y, z) 7−→ −2x + y + z
3.5. EJERCICIOS RESUELTOS 127

Donde B ∗ = {f1 , f2 , f3 } es la base dual de B.

b) Usando la definición de anulador, queremos halllar

(S1 )0 = {f ∈ (R3 )∗ | f (v) = 0V ∀ v ∈ S1 }

Como
f1 (v1 ) = 1, f2 (v2 ) = 1, f3 (x1 v1 + x2 v2 ) = 0
Entonces f1 , f2 ∈
/ (S1 )0 y f3 ∈ (S1 )0 , ahora sea f ∈ (R3 )∗ como B ∗ es base del dual,
tenemos que
f = αf1 + βf2 + γf3
Evaluando en v1 y v2 se tiene que

f (v1 ) = αf1 (v1 ) + βf2 (v1 ) + γf3 (v1 ) = α

f (v2 ) = αf1 (v2 ) + βf2 (v2 ) + γf3 (v2 ) = β

Por lo tanto f ∈ (S1 )0 si y solo si α = β = 0, es decir (S1 )0 = hf3 i. De manera

similar se obtiene que (S2 )0 = hf1 i.
c) Usaremos que

(S1 + S2 )0 = (S1 )0 ∩ (S2 )0 y (S1 ∩ S2 )0 = (S1 )0 + (S2 )0

Es decir
(S1 + S2 )0 = (S1 )0 ∩ (S2 )0 = hf3 i ∩ hf1 i = {0(R3 )∗ }
De la misma manera

(S1 ∩ S2 )0 = (S1 )0 + (S2 )0 = hf3 i + hf1 i = hf1 , f3 i

10) Sea V el espacio vectorial de los polinomios reales de grado menor o igual que 1.
Sean ϕ1 : V −→ R y ϕ2 : V −→ R las formas lineales tales que:
Z 1 Z 2
ϕ1 (p(x)) = p(x)dx y ϕ2 (p(x)) = p(x)dx
0 0

Comprobar que {ϕ1 , ϕ2 } es una base del espacio V ∗ y hallar base B de V tal que
{ϕ1 , ϕ2 } es la base dual de B.

Solución. Como dimR V ∗ = 2, solo necesitamos comprobar que ϕ1 y ϕ2 son lineal-

mente independientes, por lo que sean α, β ∈ R tales que
Z 1 Z 2
αϕ1 (p(x)) + βϕ2 (p(x)) = α p(x)dx + β p(x)dx = 0
0 0
128 CAPÍTULO 3. DUAL Y BIDUAL

Evaluando en p(x) = 1 se tiene que

Z 1 Z 2
α 1dx + β 1dx = α + 2β = 0 =⇒ 2β = −α
0 0

Ahora en p(x) = x
1 2 α α
Z Z
α xdx + β xdx = + 2β = 0 =⇒ 2β = −
0 0 2 2
Por lo tanto α = β = 0, es decir, {ϕ1 , ϕ2 } es base del dual. Luego queremos
encontrar {p1 (x), p2 (x)} ⊆ V tales que

ϕ1 (p1 (x)) = 1, ϕ2 (p1 (x)) = 0, ϕ1 (p2 (x)) = 0, ϕ2 (p2 (x)) = 1

Definiendo p1 (x) = α1 + α2 x y p2 (x) = β1 + β2 x, se tiene los siguientes sistemas

de ecuaciones:
α2
α1 + =1
2
2α1 + 2α2 = 0

β2
β1 + =0
2
2β1 + 2β2 = 1

Por lo tanto
1
α1 = 2, α2 = −2, β1 = − , β2 = 1
2
Es decir
1
p1 (x) = 2 − 2x y p2 (x) = − + x
2

3.6. Ejercicios Propuestos

Espacios Dual, Bidual; Anuladores
1) En R3 , sean v1 = (1, 0, 1), v2 = (0, 1, −2), v3 = (−1, −1, 0).

a) Si f es un funcional lineal sobre R3 tal que f (v1 ) = 1, f (v2 ) = −1, f (v3 ) = 3,

hallar f (v).
3.6. EJERCICIOS PROPUESTOS 129

b) Describir explícitamente un funcional lineal g sobre R3 tal que g(v1 ) = g(v2 ) =

0 y g(v3 ) 6= 0.
c) Sea h cualquier funcional lineal sobre R3 tal que h(v1 ) = h(v2 ) = 0 y h(v3 ) 6=
0. Probar que h(2, 3, −1) 6= 0.
2) Sea B = {(1, 0, 1), (0, 2, −1), (1, −1, 2)} una base de R3 y S = {(x, y, z) ∈ R3 / x +
y + z = 0}.
a) Hallar la base dual B ∗ de B.
b) Describa (R3 )∗∗ .
c) Encuentre S 0 y S 00 .
3) Sea V = {p(x) = c0 + c1 x + c2 x2 : x ∈ R}. Sobre V se definen tres funciones
lineales
Z 1 Z 2 Z −1
f1 (p) = p(x)dx, f2 (p) = p(x)dx, f3 (p) = p(x)dx.
0 0 0

Demostrar que {f1 , f2 , f3 } es una base de V ∗ , muestre la base de V de la cual ésta

es dual.
4) Sea β = {(1, 0), (1, −1)} base de W = R2 .
a) Para la base anterior encuentre β ∗ .
b) Exprese β ∗∗ .
c) Escribir el isomorfimo ϕ : W → W ∗∗ .
∗∗
d) Escribir su representación matricial [ϕ]ββ .
5) Sea S = h(1, 3, 2), (−4, 9, 7)i.

a) Encuentre una base para S 0 .

b) ¿Es R3 = S ⊕ S 0 ? Si su respuesta es afirmativa, demuéstrelo. Si su respuesta
es negativa indique contraejemplo.

6) Sea B = {v1 , v2 , ..., vn } una base de V y C = {w1 , w2 , ..., wm } una base de W, y

f : V 7−→ W una función lineal.
Sean B ∗ = {fj /fj (vi ) = δji ∀i = 1, 2, 3, ...n ∀j = 1, 2, 3, ...n} y C ∗ = {gj /gj (wi ) =
δji ∀i = 1, 2, 3, ...m ∀j = 1, 2, 3, ...m}, las llamadas bases duales de las bases de
B y C, (ciertamente de los espacios V ∗ y W ∗ ), respectivamente.
Defina la función lineal f ∗ : W ∗ 7−→ V ∗ por f ∗ (λ) = f ◦ λ. Determine la represen-
tación matricial de esta función en las bases C ∗ y B ∗ .
130 CAPÍTULO 3. DUAL Y BIDUAL

7) Sea S ∗ un subespacio de V ∗ . Demuestre que el subconjunto {v ∈ V /f (v) = 0, ∀f ∈

S ∗ } es un subespacio de V.

8) Sea V un espacio vectorial de dimensión finita sobre un cuerpo K y sea W un

subespacio de V . Si f es un funcional lineal sobre W , demostrar que existe un
funcional lineal g sobre V tal que f (v) = g(v) para todo v ∈ W.
 Capítulo 4
Determinantes
Si bien a esta altura uno ya conoce la noción de determinante de una matriz, es
sabido que su definición es una fórmula bastante compleja que no ayuda mucho a la
intuición. En este sección intentaremos llegar a la noción de determinante a partir de
sus propiedades, para luego demostrar que existe una única función que verifica estas
propiedades (y que corresponde a la fórmula que ya conocemos).

4.1. Funciones determinantes

Comencemos con una definción de lo que esperamos de una “función determinante”.
Para esto, necesitamos establecer ciertos términos.

Definición 4.1. Sea K un cuerpo y n ∈ N un entero. Decimos que una función D :

Mn×n (K) → K es n-lineal si, para cada 1 ≤ k ≤ n, D es una función K-lineal sobre la
k-ésima fila cuando fijamos todas las otras filas.

Para poder entender mejor esta n-linealidad, definamos la siguiente notación:

Notación. Para A una matriz n × n, escribiremos f1 , . . . , fn para representar sus filas

como elementos de K n , de forma que A = (f1 , . . . , fn ) ∈ (K n )n . De ahora en adelante
pues, si nos damos n vectores f1 , . . . , fn ∈ K n y escribimos (f1 , . . . , fn ), interpretaremos
esto como la matriz cuyas filas son los fi .

Observación 15.
Otra manera de ver la n-linealidad es la siguiente: queremos que, para todo 1 ≤ k ≤ n,
para todo f1 , . . . , fn , g ∈ K n y todo α ∈ K,

131
132 CAPÍTULO 4. DETERMINANTES

D(f1 , . . . , fk−1 , αfk + g, fk+1, . . . , fn )

= αD(f1 , . . . , fk−1 , fk , fk+1 , . . . , fn ) + D(f1 , . . . , fk−1, g, fk+1, . . . , fn )

Ejemplo 4.2. Sea a ∈ K. Para una matriz A = (aij ) definamos

n
D(A) := a
Y
aii .
i=1

Entonces D es n-lineal. En efecto, para f1 , . . . , fn , g ∈ K n y α ∈ K, si denotamos por xi

la i-ésima coordenada de un vector x ∈ K n , tenemos

D(f1 , . . . , fj−1, αfj + g, fj+1, . . . , fn ) = af11 · · · fj−1,j−1(αfjj + gj )fj+1,j+1 · · · fn,n

= αaf11 · · · fj−1,j−1fjj fj+1,j+1 · · · fn,n + af11 · · · fj−1,j−1gj fj+1,j+1 · · · fn,n
= αD(f1 , . . . , fk−1, fk , fk+1 , . . . , fn ) + D(f1 , . . . , fk−1 , g, fk+1, . . . , fn ).

De forma más general, vemos que cualquier producto de n coordenadas de A, donde

cada coordenada viene de una fila distinta, con un escalar a ∈ K nos daría una función
n-lineal.

Notemos ahora el siguiente resultado:

Lema 4.3. Toda combinación lineal de funciones n-lineales es n-lineal.

Demostración. En efecto, sean D1 , . . . , Dm : Mn×n (K) → K funciones n-lineales y sea

D = m i=1 αi Di una combinación lineal de éstas. Para f1 , . . . , fn , g ∈ K
n
y β ∈ K
P

tenemos entonces
m
D(f1 , . . . , fk−1 , βfk + g, fk+1, . . . , fn ) = αi Di (f1 , . . . , fk−1, βfk + g, fk+1, . . . , fn )
X

i=1
m
= αi (βDi (f1 , . . . , fk−1 , fk , fk+1 , . . . , fn ) + Di (f1 , . . . , fk−1, g, fk+1, . . . , fn ))
X

i=1
m m
=β αi Di (f1 , . . . , fk−1 , fk , fk+1 , . . . , fn ) + Di (f1 , . . . , fk−1 , g, fk+1, . . . , fn )
X X

i=1 i=1
= βD(f1, . . . , fk−1 , fk , fk+1 , . . . , fn ) + D(f1 , . . . , fk−1, g, fk+1, . . . , fn ).

¨
⌣

Usando este lema, podemos dar un nuevo ejemplo interesante.

4.1. FUNCIONES DETERMINANTES 133

Ejemplo 4.4. Sea D : M2×2 (K) → K la función dada por

!
a b
D(A) = D = ad − bc.
c d

Se trata de una combinación lineal de dos productos de dos coordenadas de A prove-

nientes de filas distintas. Visto el ejemplo anterior, sabemos que se trata de funciones
bilineales y por ende D es también una función bilineal.

Una propiedad especial que verifica este último ejemplo es la siguiente:

Definición 4.5. Decimos que una función n-lineal D : Mn×n (K) → K es alternante si:

D(A) = 0 si A tiene dos filas iguales;

D(A′ ) = −D(A) para A′ la matriz que se obtiene al intercambiar dos filas de A.

El ejemplo anterior
! es una función alternante como dijimos: si definimos A′ como
c d
la matriz , entonces claramente D(A′ ) = cb − da = −(ad − bc) = −D(A). Esta
a b
propiedad es crucial para las funciones que nos interesan.

Ejercicio. Sea D : Mn×n (K) → K una función n-lineal tal que, para toda matriz
A con dos lineas adyacentes iguales, D(A) = 0. Pruebe que D es alternante. Hint:
Intente primero con n = 2. En general, note que intercambiar dos filas se puede hacer
intercambiando filas adyacentes varias veces.

Definición 4.6. Decimos que una función D : Mn×n (K) → K es una función deter-
minante si es n-lineal, alternante y tal que D(In ) = 1, donde In representa la matriz
identidad.

Como anunciamos al comienzo de este capítulo, pronto demostraremos que existe

una única función determinante, la cual es precisamente la que ya conocemos. Veamos
primero los casos simples.

Ejemplo 4.7. La función 1-lineal D : M1×1 (K) → K : x 7→ x es la única función

determinante 1-lineal. En efecto, la 1-linealidad no es más que K-linealidad a secas, por
lo que basta con saber que hacer con la imagen de 1 ∈ K = M1×1 (K), ya que se trata
de una base. Ahora, se nos pidió además que D(I1 ) = D(1) = 1, por lo que esta imagen
está fija desde el comienzo e implica por linealidad que D(x) = D(x · 1) = xD(1) = x.
Note que la alternancia se verifica trivialmente, ya que no hay filas para comparar o
intercambiar.
134 CAPÍTULO 4. DETERMINANTES

Ejemplo 4.8. La función D : M2×2 (K) → K dada por

!
a b
A= 7 ad − bc,
→
c d
es la única función determinante 2-lineal. En efecto, sean e1 , e2 las filas de la matriz
identidad I2 . Entonces
A = (f1 , f2 ) con f1 = ae1 + be2 con f2 = ce1 + de2 .
Por lo tanto, usando la 2-linealidad de D,
D(A) = D(ae1 + be2 , ce1 + de2 )
= aD(e1 , ce1 + de2 ) + bD(e2 , ce1 + de2 )
= acD(e1 , e1 ) + adD(e1 , e2 ) + bcD(e2 , e1 ) + bdD(e2 , e2 ),
por lo que D está completamente determinada por los cuatro números D(e1 , e1 ), D(e1 , e2 ),
D(e2 , e1 ) y D(e2 , e2 ).
Ahora, si D es determinante, en particular es alternante y por lo tanto D(e1 , e1 ) =
D(e2 , e2 ) = 0, mientras que D(e1 , e2 ) = −D(e2 , e1 ). Pero además la matriz (e1 , e2 ) es
precisamente la matriz I2 , por lo que D(e1 , e2 ) = 1 y vemos que
D(A) = D(ae1 + be2 , ce1 + de2 ) = ad − bc.
Veamos ahora el caso general. Necesitaremos nuevas notaciones.
Notación. Sea A ∈ Mn×n (K). Denotamos por A(i|j) la matriz de (n−1)×(n−1) que se
obtiene al eliminar de A la i-ésima fila y la j-ésima columna. Si D : M(n−1)×(n−1) (K) → K
es (n − 1)-lineal, definimos Dij (A) := D(A(i|j)).

Teorema 4.9. Sea n > 1 un entero y sea D una función (n − 1)-lineal alternante.
Entonces, para todo 1 ≤ j ≤ n, la función Ej : Mn×n (K) → K dada por
n
Ej (A) := (−1)i+j aij Dij (A), con A = (aij ) ∈ Mn×n (K),
X

i=1

es una función n-lineal alternante. Además, si D es determinante, entonces Ej tam-

bién lo es.

Obtenemos el siguiente enunciado por inducción (partiendo de los ejemplos preceden-

tes).
4.2. UNICIDAD DE LA FUNCIÓN DETERMINANTE 135

Corolario 4.10. Para todo n ∈ N existe al menos una función determinante.

Demostramos el teorema.
Demostración. Para ver la n-linealidad, basta probarla para cada parte de la forma
A 7→ aij Dij (A) gracias al Lema 4.3. Debemos probar que esta función es lineal cuando
fijamos todas las filas menos una. Ahora, si fijamos todas las filas menos la i-ésima,
entonces Dij (A) es un escalar y por ende la función es lineal en la i-ésima fila ya que aij
se encuentran en esta fila. Si en cambio la fila i-ésima es una de las que fijamos, entonces
aij se vuelve un escalar y por lo tanto la función es un múltiplo de Dij y por ende lineal
en cada otra fila gracias al lema 4.3 y a la (n − 1)-linealidad de D. Esto concluye la
prueba de la n-linealidad.
Veamos ahora que Ej es alternante. Nos bastará con probar que Ej (A) = 0 si A
posee dos filas adyacentes que son iguales. Supongamos pues que A = (f1 , . . . , fn ) y que
fk = fk+1 . Si i 6= k e i 6= k + 1, entonces la matriz A(i|j) tiene también dos filas iguales
y por lo tanto Dij (A) = 0. Por lo tanto
Ej (A) = (−1)k+j akj Dkj (A) + (−1)k+j+1a(k+1)j D(k+1)j (A).
Pero como fk = fk+1 , claramente akj = a(k+1)j y A(k|j) = A(k + 1|j), por lo que
Ej (A) = 0 inmediatamente.
Supongamos finalmente que D es determinante y probemos que Ej (In ) = 1. Como
In = (δij ) con δij la delta de Kronecker, tenemos inmediatamente
n
Ej (In ) = (−1)i+j δij Dij (In ) = (−1)2j Djj (In ) = D(In (j|j)) = D(In−1 ) = 1.
X

i=1

¨
⌣

Ejercicio. Verifique que esta definición aplicada a una matriz 3 × 3 y a la única función
determinante 2-lineal nos da el determinante “clásico” de matrices 3 × 3.

4.2. Unicidad de la función determinante

Ya probamos la existencia de funciones determinantes, veamos ahora su unicidad.
Para esto, haremos un análisis similar al caso n = 2. Sea D una función n-lineal y sean
e1 , . . . , en las filas de la matriz identidad In . Si A = (aij ) es una matriz n × n, entonces
A = (f1 , . . . , fn ) con fi = nj=1 aij ej para cada 1 ≤ i ≤ n. Vemos que
P

D(A) = D( a1j ej , f2 , . . . , fn )
Pn
i=1
136 CAPÍTULO 4. DETERMINANTES

n
= a1j D(ej , f2 , . . . , fn ).
X

j=1

Reemplazando f2 por y usando la n-linealidad, tenemos

Pn
k=1 a2k ek

n
Pn
k=1 a2k ek , f3 , . . . , fn ) = a2k D(ej , ek , f3 , . . . , fn ),
X
D(ej ,
k=1

y así,
n
D(A) = a1j a2k D(ej , ek , f3 , . . . , fn ).
X

j,k=1

Iterando n veces este procedimiento, llegamos finalmente a

n
D(A) = a1k1 · · · ankn D(ek1 , . . . , ekn ).
X

k1 ,...,kn =1

Se trata de una suma con nn sumandos, ya que hay n números ki y cada uno de éstos
puede tomar n valores distintos. Al igual que en el caso 2 × 2, vemos aquí que los nn
números D(ek1 , . . . , ekn ) determinan completamente a D.

Pero esto era sólo asumiendo que D es n-lineal. Agreguemos la hipótesis de alternan-
cia a D. Esto nos dice que, si ki = kj con i 6= j, entonces la matriz (ek1 , . . . , ekn ) tiene dos
filas iguales y por lo tanto D(ek1 , . . . , ekn ) = 0. Los sumandos que quedan son aquellos
donde los ki son todos distintos. Y como todos los ki están entre 1 y n, obtenemos una
permutación del conjunto {1, . . . , n} vía i 7→ ki . Si σ recorre el conjunto de las distintas
permutaciones de {1, . . . , n}, tenemos

D(A) = a1σ(1) · · · anσ(n) D(eσ(1) , . . . , eσ(n) ).

X

Pasamos de nn sumandos a n! sumandos, pero podemos mejorar esto aún usando la

segunda parte de la alternancia. Notemos que toda permutación se puede obtener tras-
poniendo sucesivamente dos elementos distintos de {1, . . . , n}. Ahora, si τ es una tal
trasposición, por ejemplo la que intercambia i con j, tenemos que τ sencillamente inter-
cambia dos filas de la matriz y por lo tanto

D(eτ (1) , . . . , eτ (n) ) = −D(e1 , . . . , en ).

Así, si son m trasposiciones de este tipo las que necesitamos para obtener σ, obtenemos

D(eσ(1) , . . . , eσ(n) ) = (−1)m D(e1 , . . . , en ),

4.2. UNICIDAD DE LA FUNCIÓN DETERMINANTE 137

y finalmente,
D(A) = (−1)m(σ) a1σ(1) · · · anσ(n) D(e1 , . . . , en ), (4.1)
X

donde m(σ) es un exponente que depende de σ, como acabamos de ver.

Supongamos por último que D es una función determinante. Esto nos dice que
D(In ) = D(e1 , . . . , en ) = 1, por lo que D(A) queda completamente determinado por
la fórmula de acá arriba una vez que encontramos los exponentes m(σ). Pero bien po-
dría pasar que existen dos m(σ) distintos para un mismo σ ya que una permutación se
puede obtener de varias maneras a partir de trasposiciones. Debemos pues estudiar estos
exponentes en detalle. Para esto es el siguiente resultado.
Recuerde que una trasposición es una permutación que intercambia dos elementos y
fija a todo el resto.

Lema 4.11. Sea σ una permutación de {1, . . . , n} y supongamos que podemos

obtener σ a partir de m trasposiciones. Supongamos además que existe una segunda
manera de obtener σ a partir de ℓ trasposiciones. Entonces m y ℓ tienen la misma
paridad.

Curiosamente, este enunciado sobre permutaciones se puede demostrar usando la

existencia de funciones determinantes, la cual ya probamos en la sección precedente.
Demostración. Sea D una función n-lineal determinante, la cual existe gracias a la sec-
ción anterior. Entonces D(e1 , . . . , en ) = 1 y, por el razonamiento previo a este lema,
tenemos que
D(eσ(1) , . . . , eσ(n) ) = (−1)m D(e1 , . . . , en ) = (−1)m .
Pero también, usando el mismo razonamiento,
D(eσ(1) , . . . , eσ(n) ) = (−1)ℓ D(e1 , . . . , en ) = (−1)ℓ .
Como D está bien definida, el valor de D(eσ(1) , . . . , eσ(n) ) es único y tenemos que (−1)m =
(−1)ℓ , lo que prueba que m y ℓ tienen la misma paridad. ¨
⌣

Definición 4.12. Sea σ una permutación de {1, . . . , n}. Definimos el signo de σ y

anotamos sgn(σ) como

1 si σ se obtiene con una cantidad par de trasposiciones
sgn(σ) =
−1 si σ se obtiene con una cantidad impar de trasposiciones

Decimos respectivamente que σ es una permutación par o impar.

138 CAPÍTULO 4. DETERMINANTES

Note que el signo está bien definido gracias al Lema 4.11, que nos asegura que esta
definición no depende de cómo obtuvimos σ a partir de trasposiciones. Es este signo el
que determina completamente los exponentes m(σ) que quedaban en la fórmula (4.1).
Por lo tanto, si D es una función determinante, los cálculos que preceden y el Lema 4.11
nos aseguran que, para A = (aij ),

D(A) = sgn(σ)a1σ(1) · · · anσ(n) .

X

Acabamos de probar el siguiente resultado.

Teorema 4.13. Sea n ∈ N. Entonces existe una única función determinante det :
Mn×n (K) → K dada por

det(A) = sgn(σ)a1σ(1) · · · anσ(n) , para A = (aij ) ∈ Mn×n (K). (4.2)

X

Además, si D es una función n-lineal alternante, entonces

D(A) = det(A)D(In ), ∀ A ∈ Mn×n (K).

Demostración. La unicidad de det corresponde a todo el razonamiento previo y su exis-

tencia ya fue demostrada en la sección anterior. La última fórmula se deduce inmedia-
temente de la ecuación (4.1) (que vale para toda función n-lineal alternante) y de la
definción de sgn(σ). ¨
⌣

Observación 16.
Habiendo probado la unicidad de la función determinante, la construcción por inducción
de la función determinante de la sección anterior nos dice que
n
det(A) = (−1)i+j aij det(A(i|j)) ∀ 1 ≤ j ≤ n.
X

i=1

Definición 4.14. El escalar (−1)i+j det(A(i|j)) se llama el cofactor (i, j) de A y se

denota por Cij (A). La fórmula de acá arriba se llama la expansión de det(A) en cofactores
de la j-ésima columna de A.
Con los cofactores de A podemos formar una matriz. La traspuesta de esta matriz se
llama la matriz adjunta de A y se denota adj(A). En otras palabras, adj(A) := (Cji(A)).
4.3. PROPIEDADES DEL DETERMINANTE 139

4.3. Propiedades del determinante

La función determinante satisface las siguientes propiedades.

Teorema 4.15. Sean A, B ∈ Mn×n (K). Entonces det(AB) = det(A) det(B).

Demostración. Fijemos a la matriz B y consideremos la función

D : Mn×n (K) → K : A 7→ det(AB).

Nótese que, si A = (f1 , . . . , fn ), entonces

AB = (f1 B, . . . , fn B),

donde fi B es el producto de la matriz fi ∈ M1×n (K) por la matriz B ∈ Mn×n (K), lo

cual da otra matriz 1×n que podemos considerar como una fila. Tenemos entonces, para
α ∈ K y f1 , . . . , fn , g ∈ K n

D(f1 , . . . , αfk + g, . . . , fn ) = det(f1 B, . . . , (αfk + g)B, . . . , fn B)

= det(f1 B, . . . , αfk B + gB, . . . , fn B),

y usando la n-linealidad de det,

= α det(f1 B, . . . , fk B, . . . , fn B) + det(f1 B, . . . , gB, . . . , fn B)

= αD(f1 , . . . , fk , . . . , fn ) + D(f1 , . . . , g, . . . , fn ).

Hemos probado que D es n-lineal. Además, si fi = fj , tenemos que fi B = fj B, por lo

que
D(f1 , . . . , fn ) = det(f1 B, . . . , fn B) = 0,
ya que det es alternante. Esto prueba que D es alternante también (la propiedad sobre
el intercambio de filas se deduce de esta otra). El Teorema 4.13 nos dice entonces que

D(A) = det(A)D(In ), ∀ A ∈ Mn×n (K).

Pero entonces

det(AB) = D(A) = det(A)D(In ) = det(A) det(In B) = det(A) det(B), ∀ A ∈ Mn×n (K).

¨
⌣
140 CAPÍTULO 4. DETERMINANTES

Ejercicio. Sea A ∈ Mn×n (K) una matriz definida por bloques

!
B C
A= ,
0 D

con B ∈ Mr×r (K), D ∈ Ms×s (K) y C ∈ Mr×s (K). Pruebe que det(A) = det(B) det(D).
Notemos ahora que en todas las secciones precedentes hemos trabajado con las filas
para definir n-linealidad, alternancia y funciones determinantes. Pero podríamos perfec-
tamente haber trabajado con las columnas de las matrices y llegar al mismo tipo de
resultados. En particular, es de esperarse que det sea una función n-lineal alternante en
las columnas de una matriz. Esto queda plasmado en el siguiente resultado:

Proposición 4.16. Sea A ∈ Mn×n (K). Entonces det(At ) = det(A).

Demostración. De la fórmula (4.2) tenemos que

det(At ) = sgn(σ)aσ(1)1 · · · aσ(n)n .

X

Para una permutación σ, denotemos por σ −1 la permutación inversa (nótese que σ es

una biyección, por ende invertible). Entonces, si i = σ −1 (j) (osea, si j = σ(i)), tenemos
que aσ(i)i = ajσ−1 (j) , por lo que

aσ(1)1 · · · aσ(n)n = a1σ−1 (1) · · · anσ−1 (n) .

Además, si σ se obtiene con una cantidad x de trasposiciones, claramente σ −1 también

(aplique las mismas trasposiciones en el orden inverso), por lo tanto sgn(σ) = sgn(σ −1 ).
De esto deducimos que

det(At ) = sgn(σ −1 )a1σ−1 (1) · · · anσ−1 (n) .

X

Pero recorrer las permutaciones o las inversas de las permutaciones es lo mismo para la
suma, por lo que

det(At ) = sgn(σ)a1σ(1) · · · anσ(n) = det(A).

X

¨
⌣

Otra propiedad útil y fácil de deducir de lo que hemos hecho es la siguiente:

4.3. PROPIEDADES DEL DETERMINANTE 141

Proposición 4.17. Sea A ∈ Mn×n (K) y sea B ∈ Mn×n (K) la matriz obtenida
sumando un múltiplo de una fila (resp. columna) de A a otra fila (resp. columna) de
A. Entonces det(B) = det(A).

Demostración. Esto es una consecuencia inmediata de la n-linealidad y la alternacia para

las filas. En efecto, supongamos que A = (f1 , . . . , fn ) y que para obtener B sumamos el
múltiplo c de la fila fi a la fila fj . Entonces

B = (f1 , . . . , fi , . . . , fj + cfi , . . . , fn ),

y por lo tanto, usando la n-linealidad de det,

det(B) = det(f1 , . . . , fi , . . . , fj + cfi , . . . , fn )

= det(f1 , . . . , fi , . . . , fj , . . . , fn ) + c det(f1 , . . . , fi , . . . , fi , . . . , fn )
= det(f1 , . . . , fi , . . . , fj , . . . , fn ) + 0 = det(A),

donde el 0 aparece por la n-alternancia de det.

El enunciado para las columnas se obtiene trasponiendo las matrices y usando la
proposición anterior. ¨
⌣

Por último, el siguiente resultado será crucial para los capítulos siguientes.

Teorema 4.18. Una matriz A ∈ Mn×n (K) es invertible si y sólo si det(A) es no

nulo. Cuando A es invertible, su inversa está dada por

A−1 = det(A)−1 adj(A).

Neceistaremos el siguiente lema:

Lema 4.19. Sea A ∈ Mn×n (K) y sean 1 ≤ j, k ≤ n. Entonces

n
aik Cij (A) = δjk det(A).
X

i=1

Demostración. Si j = k, entonces δjk = 1 y esto es sencillamente la expansión de det(A)

en cofactores de la j-ésima columna. Si no, tenemos δjk = 0 y debemos probar que
i=1 aik Cij (A) = 0 si j 6= k.
Pn
142 CAPÍTULO 4. DETERMINANTES

Sea B = (biℓ ) la matriz obtenida al reemplazar la j-ésima columna de A por la k-

ésima, es decir bij = aik . En particular det(B) = 0 ya que B tiene dos columnas iguales
y B(i|j) = A(i|j) ya que sólo cambió la j-ésima columna. Por lo tanto
n n
aik Cij (A) = aik (−1)i+j det(A(i|j))
X X

i=1 i=1
n n
= bij (−1)i+j det(B(i|j)) = bij Cij (B) = det(B) = 0.
X X

i=1 i=1

¨
⌣

Demostración del Teorema 4.18. Nótese que, como In es la matriz (δjk ) y adj(A) es la
matriz (cij ) con cij = Cji(A), el enunciado del lema puede ser reescrito de la siguiente
manera:
adj(A)A = det(A)In .
En efecto, la coordenada (j, k) del lado derecho es precisamente δjk det(A) y la misma
coordenada a la izquierda es ni=1 cji aik y cji aik = aik Cij (A).
P

Ahora, notando que A(i|j)t = At (j|i) y recordando que det(At ) = det(A) para
toda matriz, vemos fácilmente que Cij (At ) = Cji (A). Por lo tanto, adj(At ) = adj(A)t .
Aplicando entonces la igualdad que obtuvimos del lema a At obtenemos

adj(At )At = det(At )In .

Trasponiendo la igualdad, tenemos

A adj(At )t = det(At )In .

Y usando lo que acabamos de notar, obtenemos finalmente

A adj(A) = det(A)In .

Por lo tanto, si det(A) es no nulo, tenemos que

A(det(A)−1 adj(A)) = (det(A)−1 adj(A))A = In ,

y por lo tanto A es invertible y su inversa es A−1 = det(A)−1 adj(A). Por otra parte, si
A es invertible, entonces AA−1 = In y por lo tanto

det(A) det(A−1 ) = det(AA−1 ) = det(In ) = 1,

por lo que det(A) es no nulo. ¨

⌣
 Capítulo 5
Formas canónicas elementales
Sea V un espacio vectorial de dimensión n y sea T : V → V una transformación
lineal. Ya vimos que, fijando una base B = {v1 , . . . , vn } de V , podemos estudiar T vía
la matriz [T ]B
B . Ahora, la elección de la base B queda completamente a nuestro criterio,
por lo que podemos ponernos exigentes y pedirle ciertas propiedades a la matriz [T ]B B y
buscar una base en la que se cumplan estas propiedades.
El caso ideal sería [T ]B
B = D con D una matriz diagonal, es decir una matriz que solo
tiene 0 fuera de la diagonal. Si escribimos

α1 0 · · · 0
 

 0 α2 0

D = diag(α1 , . . . , αn ) :=  ..


.. ..  ,
 . . . 
0 · · · 0 αn

entonces T (vi ) = αi vi para todo 1 ≤ i ≤ n. Además, vemos inmediatamente que nul(T )

es la cantidad de αi que son nulos y que Ker (T ) está generado por los vi correspondien-
tes. De la misma manera, rg (T ) es la cantidad de αi que son no nulos e Im (T ) estaría
generado por los vi restantes. También vemos claramente que det(D) = ni=1 αi .
Q

5.1. Valores propios

La pregunta es: Dada una transformación lineal T : V → V , ¿se puede encontrar una
base B de V tal que [T ]B
B sea diagonal? Si no, ¿Cuáles son los casos en que sí podemos
hacerlo? ¿Y qué tan cerca podemos llegar de una matriz diagonal en los otros casos?
Todas estas preguntas son el objetivo de este capítulo.

143
144 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Una noción fundamental en este tipo de preguntas es la de valor propio, ya que

corresponde a los αi de la matriz diagonal mencionada. Veamos su definición en general.
Definición 5.1. Sea V un K-espacio vectorial y sea T : V → V una transformación
lineal. Un valor propio de T es un escalar λ ∈ K tal que existe un vector no nulo v ∈ V
con T (v) = λv. (También se le llama valor característico, valor espectral o autovalor)
Si λ ∈ K es un valor propio de T y v ∈ V es tal que T (v) = λv, decimos que v es un
vector propio de T asociado a λ.
Observación 17.
De la definición de valor propio vemos inmediatamente que Ker T corresponde a los
vectores propios asociados al valor propio 0 ∈ K. En particular, los vectores propios
asociados al valor propio 0 forman un subespacio de V . Evidentemente, si Ker T = {0},
entonces 0 no es un valor propio.
Esta observación es importante, ya que para obtener los vectores propios del valor
propio 0, lo que hicimos fue considerar la igualdad

T (v) = 0 = 0 · v.

Para un valor propio λ ∈ K arbitrario, debemos estudiar la ecuación

T (v) = λv.

Proposición 5.2. Sea λ ∈ K. Entonces

Vλ = {v ∈ V | T (v) = λv},

es un K-subespacio de V . Es más, se trata precisamente de Ker (T − λI), donde I

representa a la aplicación identidad I : V → V : v 7→ v.
En particular, λ es valor propio de T si y sólo si Ker (T − λI) 6= {0}.

Demostración. Nótese que la aplicación λI : V → V dada por I(v) = λv es K-lineal,

por lo que T − λI también lo es. Es claro que

T (v) = λv ⇔ T (v) = (λ − I)(v) ⇔ T (v) − (λI)(v) = 0 ⇔ (T − λI)(v) = 0.

Por lo tanto Vλ = Ker (T − λI) y se trata por ende de un subespacio de V . ¨

⌣

Definición 5.3. Si λ es un valor propio de T , el espacio Vλ es llamado espacio propio

de T asociado a λ.
5.1. VALORES PROPIOS 145

Para encontrar los valores propios de una transformación lineal T , debemos pues
buscar los λ ∈ K tales que T − λI no sea inyectiva. Ahora, si nos concentramos en
espacios vectoriales de dimensión finita n, esto equivale a pedir que no sea sobreyectiva
y por ende invertible, lo cual podemos verificar usando el determinante.
Definición 5.4. Sean V un K-espacio vectorial de dimensión finita y T : V → V una
transformación lineal. Definimos el determinante de T y anotamos det(T ) al escalar
det([T ]B
B ) para cualquier base B de V .

Observación 18.
Nótese que esto está bien definido: Sea B ′ es otra base de V . Entonces podemos con-
′
siderar la matriz de cambio de base P = [idV ]BB ′ y su inversa P
−1
= [idV ]B
B . Usando
entonces las propiedades del determinante, vemos que det(P −1 ) = det(P )−1 y así
′
det([T ]B
B ′ ) = det(P
−1
[T ]B B
B P ) = det(P ) det([T ]B ) det(P
−1
)
= det(P ) det([T ]B
B ) det(P )
−1
= det([T ]B
B ),

por lo que la definición es independiente de la base escogida.

Teorema 5.5. Sean V un K-espacio vectorial de dimensión finita y T : V → V una

transformación lineal. Sea λ ∈ K, las siguientes afirmaciones son equivalentes:

1) λ es un valor propio de T .

2) La transformación T − λI no es invertible.

3) det(T − λI) = 0.

Demostración. Como mencionamos antes, todo esto ya es conocido. En efecto, ya pro-

bamos que λ es un valor propio si y sólo si Ker (T − λI) es no trivial. Pero esto es
equivalente a decir que T − λI no es invertible ya que la inyectividad implica inmediate-
mente la sobreyectividad en dimensión finita por el Teorema del rango. Por otra parte,
sabemos que T − λI es invertible si y sólo si [T − λI]B
B es invertible para cualquier base
B de V y esto ocurre si y sólo si det(T − λI) = det([T − λI]B B ) es no nulo. Esto prueba
las equivalencias. ⌣¨

Una consecuencia interesante de este resultado es que obtenemos una forma de cal-
cular directamente los valores propios de una transformación lineal. En efecto, fijemos
una base B de V y consideremos la matriz A = [T ]B B . Buscamos entonces λ ∈ K tal
que det(A − λI) = 0. Nótese que, al desarrollar este determinante en función de los
coeficientes de A − λI, obtenemos una expresión polinomial en λ.
146 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Definición 5.6. Sea A ∈ Mn×n (K) una matriz. Definimos el polinomio característico
de A como el polinomio P ∈ K[x] dado por P (x) := det(A − xI).
Ahora, como ya sabemos que el determinante de una transformación lineal es inde-
pendiente de la base escogida, podemos generalizar esta definición.
Definición 5.7. Sean V un K-espacio vectorial de dimensión finita y T : V → V una
transformación K-lineal. Definimos el polinomio característico de T como el polinomio
C ∈ K[x] dado por C(x) := det(xI − A) para A = [T ]BB con B alguna base de V .

Observación 19.
Esto está bien definido ya que, si B ′ es otra base de V y P es la matriz de cambio
′
de base de B ′ a B, entonces [T ]B
B′ = P
−1
AP , pero también xI = P −1xIP , por lo que
B′
[xI − T ]B′ = P (xI − A)P y por lo tanto los determinantes correspondientes coinciden.
−1

Nótese además que el polinomio característico es por definición un polinomio mónico

de grado n.
Con esta definición, tenemos el siguiente corolario del último teorema.

Corolario 5.8. Sean V un K-espacio vectorial de dimensión finita y T : V → V

una transformación K-lineal. Entonces λ ∈ K es un valor propio de T si y sólo si λ
es una raíz del polinomio característico de T .

Demostración. En efecto, si A = [T ]BB para alguna base B de V , entonces λ es valor

propio de T si y sólo si det(A − λI) = 0 gracias al teorema anterior. Pero claramente
C(λ) = det(A − λI). ¨
⌣

Ejemplo 5.9. Sean V = R3 y T : V → V dada por

T (x, y, z) = (−9x + 4y + 4z, −8x + 3y + 4z, −16x + 8y + 7z).

Entonces la matriz de T en la base canónica de V es

−9 4 4
 

 −8 3 4 ,
A= 

−16 8 7
y por lo tanto el polinomio característico de T es
4 4
 
−9 − x
det(A − xI) = det  −8

3−x 4 
 = (x + 9)(x − 3)(7 − x) − 256 − 256
−16 8 7−x
5.1. VALORES PROPIOS 147

+ 64(3 − x) + 32(x + 9) + 32(x − 7)

= − x3 + x2 + 5x + 3 = (3 − x)(x + 1)2 .

Esto nos dice que los valores propios de T son λ = 3 y λ = −1. Calculemos sus vectores
propios respectivos:
Si λ = 3, entonces

−12 4 4 3 −1 −1
   

A − 3I =  −8 0 4 = −4 2 0 −1
  
.
−16 8 4 4 −2 −1

Por lo tanto, (A − 3I)v = 0 si y sólo si para v = (x, y, z) se tiene

3x − y − z = 0
2x − z = 0
4x − 2y − z = 0.

Este sistema tiene solución v = (x, x, 2x) con x ∈ R. Así, V3 = h{(1, 1, 2)}i.
Si λ = −1, entonces

−8 4 4 2 −1 −1
   

A − (−1)I =  −8 4 4 = −4 2 −1 −1 .
   

−16 8 8 4 −2 −2

Por lo tanto, (A − (−1)I)v = 0 si y sólo si para v = (x, y, z) se tiene

2x − y − z = 0
2x − y − z = 0
4x − 2y − 2z = 0

cuya solución es v = (x, y, 2x − y) con x, y ∈ R. Luego, V−1 = h{(1, 0, 2), (0, 1, −1)}i.
En particular, si definimos la base B = {(1, 1, 2), (1, 0, 2), (0, 1, −1)} de V , tenemos
que
3 0 0
 

[T ]B
B = 0 −1

0.
0 0 −1
Observación 20.
Si definimos C como la base canónica, entonces la matriz que acabamos de obtener es
igual a
[T ]B B C C
B = [idV ]C [T ]C [idV ]B .
148 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Y la matriz P = [idV ]C
B es fácil de obtener. Se trata sencillamente de escribir la base B
en sus columnas:
1 1 0
 

P = 1 0 1 .


2 2 −1

Por otro lado, la matriz [idV ]B

C es sencillamente P
−1
como sabemos, la cual se puede
calcular de diversas maneras. Podemos chequear entonces con un cálculo directo que

3 0 0
 
−1 B
P AP = [T ]B = 0 −1 0 

.
0 0 −1

El ejemplo que acabamos de ver es un caso en el que efectivamente existe una base
B de V tal que [T ]B
B es diagonal. En general, esto merece un nombre

Definición 5.10. Sea V un espacio vectorial de dimensión finita y sea T : V → V una

transformación K-lineal. Decimos que T es diagonalizable si existe una base B de V
formada por vectores propios de T .

Observación 21.
La definición tiene sentido ya que, en ese caso, si B = {v1 , . . . , vn }, tenemos T (vi ) = λi vi
para ciertos λi ∈ K y por lo tanto la matriz [T ]B B es simplemente la matriz diagonal
diag(λ1 , . . . , λn ).

Este es el tipo ideal de matriz que nos encantaría tener todo el tiempo. Lamentable-
mente, la vida no es tan bella, como veremos con el siguiente caso.

Ejemplo 5.11. Sea T : R2 → R2 la aplicación lineal dada por la matriz

0 −1
!
A= ,
1 0

en la base canónica. El polinomio característico de T es

!
−x −1
det(A − xI) = det = x2 + 1.
1 −x

Este polinomio tiene dos raíces complejas no reales, por lo que esta transformación no
tiene valores propios en R y por lo tanto no es diagonalizable en R.
5.1. VALORES PROPIOS 149

Ejemplo 5.12. Veamos sin embargo lo que ocurre con la misma matriz, pero vista como
transformación lineal L : C2 → C2 . En este caso, el polinomio característico sigue siendo
x2 + 1. Pero ahora que el cuerpo que consideramos es C, tenemos que

x2 + 1 = (x − i)(x + i).

Por lo tanto, si x = i,
i 1
!
iI − A = ,
−1 i
y entonces (iI − A)v = 0 si y sólo si v = (v1 , v2 ) y

iv1 + v2 = 0
−v1 + iv2 = 0.

Y este sistema tiene solución v = (v1 , −iv1 ) con v1 ∈ C. En otras palabras, Vi = h(1, −i)i.
Por otra parte, para x = −i,

−i 1
!
−iI − A = ,
−1 −i

y entonces (−iI − A)v = 0 si y sólo si v = (v1 , v2 ) y

−iv1 + v2 = 0
−v1 − iv2 = 0.

Y este sistema tiene solución v = (v1 , iv1 ) con v1 ∈ C. En otras palabras, Vi = h(1, i)i.
Vemos entonces que (1, −i) y (1, i) son vectores propios de L. Como además son
claramente LI (uno no es múltiplo del otro), tenemos que forman una base de C2 . En-
contramos pues una base B = {(1, −i), (1, i)} de C2 tal que [L]B B es una matriz diagonal,
a saber
i 0
!
B
[L]B = .
0 −i

Estos ejemplos confirman que existen matrices que no son diagonalizables, al menos
sobre R. Sin embargo el ejemplo que dimos sí resultó ser diagonalizable sobre C. La razón
en este caso era que el polinomio característico de la matriz A no tenía raíces en R, pero
sí en C. Cabe preguntarse entonces si, en general, las transformaciones K-lineales cuyo
polinomio característico tiene sus raíces definidas en K son diagonalizables. Para esto,
vale la pena estudiar el polinomio característico de una transformación diagonalizable.
150 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Sea T : V → V una transformación K-lineal diagonalizable con V de dimensión n.

Entonces existe una base B de V tal que
0 0
 
α1 Id1 ···
 .. 
 0 α2 Id2 . 
[T ]B = .. ,
 
B 
..

 . . 0 


0 ··· 0 αk Idk
donde di representa la cantidad de vectores propios en B cuyo valor propio es αi y la
matriz [T ]B
B está presentada por bloques.
Podemos observar dos cosas inmediatamente:
1) El polinomio característico C de T es producto de factores lineales:
C(x) = (x − α1 )d1 (x − α2 )d2 · · · (x − αk )dk .

2) El número di es a la vez el número de veces que aparece (x − αi ) en C(x) y la

dimensión de Vαi . En efecto, esto último se ve ya que dimK Vαi es la nulidad de
(T − αi I), cuya matriz en la base B es [T ]B
B − αi In , que es claramente diagonal y
tiene di ceros en su diagonal.
Esto confirma nuestras sospechas: el polinomio característico de T tiene todas sus raíces
definidas sobre K y éstas son precisamente sus valores propios. Además, la multiplicidad
de las raíces está dada por la dimensión de los subespacios propios correspondientes. Esta
observación se puede elevar al rango de teorema como sigue:

Teorema 5.13. Sea V un espacio vectorial de dimensión n y sea T : V → V una

transformación K-lineal. Sean α1 , . . . , αk los valores propios distintos de T y sea Vαi
el subespacio propio correspondiente. Las siguientes afirmaciones son equivalentes:

1) T es diagonalizable.

2) El polinomio característico de T es

C(x) = (x − α1 )d1 (x − α2 )d2 · · · (x − αk )dk ,

con di = dimK Vαi .

3) dimK Vα1 + · · · + dimK Vαk = dimK V .

Para demostrar este resultado, necesitamos los siguientes lemas.

5.1. VALORES PROPIOS 151

Lema 5.14. Sea V un K-espacio vectorial de dimensión n y sea T : V → V una

transformación K-lineal. Supongamos que T (v) = αv para ciertos v ∈ V y α ∈ K.
Entonces, para todo polinomio p ∈ K[x], tenemos que p(T )(v) = p(α)v.

m
Recordemos que, si p(x) = ai xi , entonces la notación p(T ) se refiere a la transfor-
X

i=1
m
mación lineal ai T i , donde T i consiste en aplicar i veces consecutivas T (por ejemplo,
X

i=1
T 3 = T ◦ T ◦ T ) y T 0 := I.

Demostración. Probemos que para todo i ∈ N, T i (v) = αiv. Esto es claramente cierto
para i = 1 por hipótesis. Supongamos que T i−1 (v) = αi−1 (v). Entonces

T i (v) = T (T i−1(v)) = T (αi−1 v) = αi−1 T (v) = αi−1 αv = αi v,

m
lo que prueba la igualdad por inducción. Escribimos p(x) = ai xi . Vemos que
X

i=1

m m
i
p(T )(v) = ai T (v) = ai αiv = p(α)v.
X X

i=1 i=1

¨
⌣

Lema 5.15. Sea V un espacio vectorial de dimensión n y sea T : V → V una

transformación K-lineal. Sean α1 , . . . , αk los valores propios distintos de T y sea
W = Vα1 + · · · + Vαk . Entonces W = Vα1 ⊕ · · · ⊕ Vαk . En particular,

dimK W = dimK Vα1 + · · · + dimK Vαk ,

y, si Bi es una base de Vαi , entonces B1 ∪ · · · ∪ Bk es una base de W .

Demostración. Probemos que la suma es directa. Consideremos vi ∈ Vαi para cada i y

supongamos que v1 + · · · + vk = 0. Vamos a probar que vi = 0 para todo 1 ≤ i ≤ k.
Recordando que T (vi ) = αi vi y usando el Lema 5.14, tenemos que, para todo polino-
mio p ∈ K[x],

0 = p(T )(0) = p(T )(v1 + · · · + vk ) = p(T )(v1 ) + · · · + p(T )(vk ) = p(α1 )v1 + · · · + p(αk )vk .
152 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Si encontramos polinomios p1 , . . . , pk ∈ K[x] tales que pi (αj ) = δij , tendríamos que

n
0= pi (αj )vj = vi , lo que concluye la demostración. Ahora, basta con tomar
X

j=1

k k
pi (x) := a (x − αl ) con a= (αi − αl )−1 ∈ K.
Y Y

l=1,l6=j l=1,l6=j

Éste claramente cumple con pi (αj ) = 0 para j 6= i y, como αi 6= αj si j 6= i, se ve que a

está bien definido y fuerza la igualdad pi (αi ) = 1.
Para las bases, basta con notar que el conjunto B1 ∪ · · · ∪ Bk tiene exactamente
dimK Vα1 + · · · + dimK Vαk elementos, por ende dimK W elementos. Como éstos además
generan cada uno de los Vαi y W = Vα1 + · · · Vαk , vemos que éstos generan a W . Se trata
de un conjunto generador minimal, por lo que es una base. ¨
⌣

Pasemos finalmente a la demostración del teorema.

Demostración del Teorema 5.13. Ya vimos anteriormente que (1) ⇒ (2). Para ver que
(2) ⇒ (3), basta con notar que el grado del polinomio P es d1 + · · · + dk . Pero al mismo
tiempo sabemos que di = dimK Vαi y que n = dimK V , por lo que obtenemos la igualdad
deseada.
Veamos por último que (3) ⇒ (1). El Lema 5.15 nos dice que V es suma directa de
los Vαi y que, en particular, obtenemos una base de V al juntar bases de los Vαi , las
cuales están compuestas de vectores propios. Es inmediato entonces que la matriz de T
en esta base será diagonal y por ende T es diagonalizable. ¨
⌣

5.2. Polinomios anuladores y minimales

Ya comenzamos a usar la idea de aplicar polinomios a transformaciones lineales
usando la convención de que T n es sencillamente la composición T ◦ · · · ◦ T de n copias
de T y que T 0 = I. Note que, si vemos a las transformaciones lineales como matrices,
entonces esta composición se vuelve multiplicación una vez más y estamos sencillamente
aplicando polinomios a matrices. Una vez digerida esta definición, podemos ver que
mucho de lo que sabemos sobre polinomios se extiende a este contexto. Por ejemplo,
si p, q ∈ K[x] son polinomios y T : V → V es una transformación K-lineal, entonces
claramente (p + q)(T ) = p(T ) + q(T ) y (pq)(T ) = p(T ) ◦ q(T ) = q(T ) ◦ p(T ).

Definición 5.16. Sea V un K-espacio vectorial y sea T : V → V una transformación

K-lineal. Decimos que p ∈ K[x] es un polinomio anulador de T o que p anula a T si
p(T ) = 0.
5.2. POLINOMIOS ANULADORES Y MINIMALES 153

Evidentemente, el 0 de la definición debe entenderse como 0EndK (V ) , es decir, como

la transformación lineal trivial que envía todo vector a 0.

Supongamos ahora que V es de dimensión n. Entonces el espacio EndK (V ) = HomK (V, V )

tiene dimensión n2 (ya que es isomorfo a Mn×n (K)). En particular, si consideramos las
2
n2 + 1 transformaciones lineales I, T, T 2, . . . , T n ∈ EndK (V ), tenemos que forzosamente
son LD. En otras palabras, tenemos que
2
α0 T 0 + α1 T 1 + α2 T 2 + · · · + αn2 T n = 0,
para ciertos αi ∈ K no todos nulos. Esto nos dice que existe siempre un polinomio de
grado a lo más n2 que anula a T . Surge una pregunta natural que tiene que ver con la
segunda parte del título de esta sección y la segunda definición que daremos.
Definición 5.17. Sea V un K-espacio vectorial de dimensión n y sea T : V → V una
transformación K-lineal. Decimos que M ∈ K[x] es un polinomio minimal de T si:
1) M es mónico;
2) M anula a T ;
3) todo polinomio en K[x] que anula a T tiene grado mayor o igual al grado de M.

Proposición 5.18. Sean V un K-espacio vectorial de dimensión n y T : V → V

una transformación K-lineal. Entonces existe un único polinomio minimal para T .
Además, todo polinomio anulador de T es un múltiplo de su polinomio minimal.

Demostración. Sea Ω el conjunto de los polinomios mónicos no nulos que anulan a T .

Este conjunto es no vacío ya que, como ya vimos, siempre existe un polinomio anulador y
siempre podemos multiplicarlo por un escalar para volverlo mónico. Sea m ∈ Ω un poli-
nomio minimal de T . Supongamos que p es otro polinomio minimal, entonces claramente
tiene el mismo grado y es mónico, por lo que m − p es de grado estrictamente menor
o es el polinomio nulo. Pero claramente (m − p)(T ) = m(T ) − p(T ) = 0, así que salvo
multiplicar m − p por un escalar (para volverlo mónico) esto contradice la minimalidad
de m, a menos que m − p = 0. Esto prueba que m = p y por ende m es único.
Sea ahora p un polinomio que anula a T . Entonces podemos considerar la división
euclideana de p por m y escribir p = mq + r con q, r ∈ K[x] y r de grado estrictamente
menor que el grado de m o bien r = 0. Pero como p(T ) = 0, tenemos que (mq + r)(T ) =
m(T )q(T ) + r(T ) = 0 y por lo tanto r(T ) = 0. Esto no puede ser posible si r es de grado
menor que el de m, por lo que r = 0 y así p = mq. ⌣¨
154 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Como vemos, las propiedades indicadas al comienzo de la sección no fueron escogidas

al azar, ya que fueron cruciales en esta demostración.

Observación 22.
Podemos definir de la misma manera el polinomio minimal de una matriz A y, claramente,
si A representa a T en alguna base B de V , tenemos que el polinomio minimal de T y
de A coinciden. En efecto, se ve inmediatamente que p(T ) = 0 si y sólo si p(A) = 0 para
p ∈ K[x].
Una consecuencia de esta observación es que las matrices semejantes tienen el mismo
polinomio minimal, ya que pasar de una matriz a la otra consiste sencillamente en un
cambio de base. Esto se puede verificar ya que, para A, B ∈ Mn×n (K) con B inverti-
ble, (B −1 AB)n = B −1 An B. De esto se deduce que p(B −1 AB) = B −1 p(A)B para todo
polinomio p ∈ K[x].

El polinomio minimal está muy relacionado con el polinomio característico. En efecto,

para T : V → V una transformación lineal con V de dimensión finita, pronto demos-
traremos que el polinomio característico de T anula a T y es por ende un múltiplo del
polinomio minimal.

Teorema 5.19. Sean V un K-espacio vectorial de dimensión n y T : V → V una

transformación K-lineal. Entonces el polinomio característico de T tiene las mismas
raíces que el polinomio minimal de T salvo multiplicidades.

Demostración. Sean c y m los polinomios característico y minimal respectivamente. Sa-

bemos que α ∈ K es raíz de c si y sólo si α es un valor propio de T . Por lo tanto,
queremos probar que m(α) = 0 si y sólo si α es un valor propio.
Supongamos entonces que α ∈ K es tal que m(α) = 0. Entonces m = (x − α)q con
q ∈ K[x] y el grado de q es estrictamente menor que el de m. Como q 6= 0, esto nos dice
que q(T ) 6= 0 (de lo contrario contradecimos la minimalidad de m), en otras palabras, la
transformación lineal q(T ) es no trivial. Sea v ∈ V tal que w = q(T )(v) 6= 0. Entonces

(T − αI)(w) = (T − αI)(q(T )(v)) = [(T − αI) ◦ q(T )](v) = m(T )(v) = 0,

por lo tanto α es un valor propio ya que w 6= 0.

Supongamos ahora que α es un valor propio de T . Debemos probar que m(α) = 0. Sea
v ∈ V un vector propio de valor propio α. Usando el Lema 5.14, vemos que m(T )(v) =
m(α)(v), pero como m(T ) = 0, tenemos que m(α)v = 0 y por lo tanto m(α) = 0 ya que
v es no nulo. ⌣¨
5.2. POLINOMIOS ANULADORES Y MINIMALES 155

Corolario 5.20. Sean V un K-espacio vectorial de dimensión n y T : V → V una

transformación K-lineal diagonalizable. Entonces el polinomio minimal de T es un
producto de factores lineales distintos.

Demostración. Ya sabemos por el Teorema 5.13 que el polinomio característico de T es

c(x) = (x − α1 )d1 (x − α2 )d2 · · · (x − αk )dk ,

y que existe una base B de V compuesta de vectores propios cuyo valor propio es alguno
de los αi . Consideremos el polinomio

m(x) = (x − α1 )(x − α2 ) · · · (x − αk ),

el cual es un producto de factores lineales distintos. El teorema anterior asegura que

este polinomio divide al polinomio minimal. Bastará entonces con probar que m(T ) = 0
para probar que se trata precisamente del polinomio minimal.
Ahora, si v ∈ V es un vector propio de T , tenemos que T (v) − αi v = 0 para algún
1 ≤ i ≤ k, por lo que

m(T )(v) = (T (v) − α1 v)(T (v) − α2 v) · · · (T (v) − αk v) = 0,

ya que algún factor se anula. Esto nos dice que m(T )(v) = 0 para todo vector propio y
por lo tanto para todo vector de la base B. Deducimos que m(T ) es la aplicación lineal
trivial y por lo tanto m anula a T . ¨
⌣

Ejemplo 5.21. Volvamos a considerar el ejemplo T : R3 → R3 dada por

T (x, y, z) = (−9x + 4y + 4z, −8x + 3y + 4z, −16x + 8y + 7z),

cuya matriz en la base canónica es

−9 4 4
 

A =  −8 3 4

,
−16 8 7

y cuyo polinomio característico es c(x) = (x−3)(x+1)2 . En este caso, A es diagonalizable

como ya vimos. Por lo tanto, su polinomio minimal esta dado por m(x) = (x − 3)(x + 1)
en vista de los resultados anteriores. Verifiquemos esto directamente:
−12 4 4 −8 4 4
  

m(A) = (A − 3I)(A + I) =  −8 0 4  −8 4 4
  

−16 8 4 −16 8 8
156 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

−3 1 1 −2 1 1 0 0 0
    

= 16 −2 0 1 −2 1 1 = 16 0 0 0
    

−4 2 1 −4 2 2 0 0 0
Ejemplo 5.22. Veamos ahora un ejemplo de transformación no diagonalizable. Consi-
deremos T : R3 → R3 dada por la matriz
3 1 −1
 

A = 2 2 −1 ,
 

2 2 0
en términos de la base canónica. Su polinomio característico es
3−x 1
 
−1
det(A − xI) = det  2 2 − x −1 


2 2 −x
= − x(x − 3)(x − 2) − 2 − 4 + 2(2 − x) + 2(3 − x) + 2x
= − x3 + 5x2 − 8x + 4 = (1 − x)(x − 2)2 .
Vistos los resultados anteriores, tenemos que el polinomio minimal de T es de la forma
(x − 1)a (x − 2)b con a, b ∈ N. Si tomamos a = b = 1 y evaluamos en A:
2 1 −1 1 1 −1 2 0 −1 0 0 0
      

(A − I)(A − 2I) = 2 1 −1 2 0 −1 = 2 0 −1 6= 0 0 0

      

2 2 −1 2 2 −2 4 0 −2 0 0 0
Esto nos asegura que (x−1)(x−2) no es el polinomio minimal. Pero como ya advertimos
(sin haberlo demostrado aún), el polinomio característico anula a T . En efecto:
2
2 1 −1 1 1 −1
 

(A − I)(A − 2I) = 2 1 −1 2 0 −1

2   

2 2 −1 2 2 −2
2 0 −1 1 1 −1 0 0 0
    

= 2 0 −1 2 0 −1 = 0 0 0
   
.
4 0 −2 2 2 −2 0 0 0
Vemos entonces que (x − 1)a (x − 2)b debe dividir a (x − 1)(x − 2)2 pero no ser igual
a (x − 1)(x − 2), por lo tanto a = 1 y b = 2 y el polinomio minimal coincide con el
polinomio característico. En particular, como el polinomio minimal no es un producto
de factores lineales distintos, vemos que A no es diagonalizable. Nótese que esto sería
muy difícil de demostrar de alguna otra manera. . . (¡intente probar que para toda base la
matriz obtenida no es diagonal!).
Concluimos esta sección con el resultado prometido.
5.2. POLINOMIOS ANULADORES Y MINIMALES 157

Teorema 5.23 (Cayley-Hamilton). Sean V un K-espacio vectorial de dimensión

finita y T : V → V una transformación K-lineal. Sea c el polinomio característico
de T . Entonces c(T ) = 0, es decir, c es un múltiplo del polinomio minimal de T .

Demostración. Sea B = {v1 , . . . , vn } una base de V y sea A = (aij ) = [T ]B

B . Entonces,
n n
para todo 1 ≤ j ≤ n, T (vj ) = aij vi . Por otra parte, claramente T (vj ) = δij T (vi ).
X X

i=1 i=1
Restando estas dos igualdades encontramos

n n
0= aij vi − δij T (vi ) = (aij I − δij T )(vi ).
X X

i=1 i=1

Definamos D como la matriz (dij ) con dij = δji T − ajiI. Note que invertimos i y j, por
n
lo que dij (vj ) = 0 para todo 1 ≤ i ≤ n, y que la matriz D tiene transformaciones
X

j=1
lineales por coordenadas, es decir, D ∈ Mn×n (EndK (V )).
Queremos considerar el determinante de la matriz D. A priori esto genera proble-
mas ya que nuestra fórmula del determinante usa productos y los endomorfismos no
necesariamente conmutan. Sin embargo, aquí sabemos que todas las coordenadas de D
son polinomios en la transformación T , los cuales sí conmutan, como vimos al comien-
zo de esta sección: p(T ) ◦ q(T ) = (pq)(T ) = (qp)(T ) = q(T ) ◦ p(T ). Consideremos el
determinante de D. Se trata de:

··· 0 0 a11 I a21 I · · · an1 I

   
T

 0 T .
.. 
  ..  
  a12 I a22 I
 .  
det(D) = det . − .
 
 . .. ..
  ..

 . . 0 
. 

0 ··· 0 T a1n I · · · ann I
0
··· 0 a11 I a12 I · · · a1n I
   
T

 0 T ..   ..  
.   a21 I a22 I
  .  
= det  . − .  = c(T ).
 
 . .. ..
 . . 0   .. .
 

0 ··· 0 T an1 I · · · ann I

Note que al pasar de la primera a la segunda línea traspusimos la matriz. Esto no afecta
al determinante por ser una propiedad del determinante.
158 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Consideremos ahora la matriz adjunta adj(D). Esto está bien definido ya que se
construye a partir de determinantes de submatrices de D. Tenemos la igualdad

det(D) 0 0
 
···
 .. 
 0 det(D) . 
adj(D)D = .. .
 

..

 . . 0


0 ··· 0 det(D)

Así, si consideramos a los vectores vi ∈ B como matrices columna n × 1 y a det(D) como

a una matriz, tenemos lo siguiente:

det(D) 0 ··· 0
 
det(D)v1 v1 v1
     
..   v 
 det(D)v2  v2 
 
   0 det(D) .   2
 
= = adj(D)D
  
.. .. ..  . .  . .
 .. 

. 0  . 
 
. .
      
  
det(D)vn 0 ··· 0 det(D) vn vn

Pero si recordamos la definición de D = (dij ), tenemos que

 n 
d1j (vj ) 
X

 j=1 
v1 0
     
X n 
 v2  d (v ) 0
     
 2j j 
 ..  = =
D

 j=1
 . .
.

 .  .. .

 
.
 
vn 0
 
 n 
d (v )
X 

nj j
j=1

Reemplazando en la igualdad anterior, esto nos dice que la transformación lineal det(D)
se anula en todo vector vi de la base B. Por lo tanto, la transformación lineal det(D),
que no es más que c(T ), corresponde a la transformación trivial, es decir c(T ) = 0. ⌣
¨

Para aclarar esta demostración,

! veamos el caso particular n = 2. Sea B = {v, w}
a b
una base de V y sea A = = [T ]B
B . Entonces
c d

T (v) = av + cw y T (w) = bv + dw,

lo que nos lleva a las igualdades

(aI − T )(v) + (cI)(w) = 0 y (bI)(v) + (dI − T )(w) = 0.

5.2. POLINOMIOS ANULADORES Y MINIMALES 159

Definimos D como la matriz

T 0
! ! !
aI cI T − aI −cI
D= − = ∈ M2×2 (EndK (V )).
0 T bI dI −bI T − dI

El deteriminante de D es entonces
!
T − aI −cI
det(D) = det
−bI T − dI
= (T − aI)(T − dI) − (−cI)(−bI)
= T 2 − (a + d)T + (ad − bc)I.

! Pero esto es precisamente c(T )! En efecto,

!
a−x b
det(T − xI) = det(A − xI) = det
c d−x
= (x − a)(x − d) + bc = x2 − (a + d)x + (ad − bc).

Consideramos ahora la matriz adjunta adj(D):

!
T − dI cI
adj(D) = .
bI T − aI

Tenemos que

det(D) 0
! ! !
T − dI cI T − aI −cI
adj(D)D = = .
bI T − aI −bI T − dI 0 det(D)

Así,
det(D)v det(D) 0
! ! ! !
v v
= = adj(D)D ,
det(D)w 0 det(D) w w
mientras que

(T − aI)(v) − (cI)(w) 0
! ! ! ! !
v T − aI −cI v
D = = = ,
w −bI T − dI w (bI)(v) − (T − dI)(w) 0

donde la última igualdad viene de las igualdades que encontramos al comienzo. Esto nos
dice que det(D)(v) = det(D)(w) = 0 y por lo tanto det(D) es la aplicación trivial. Pero
como det(D) = c(T ), concluimos que c(T ) = 0.
160 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Observación 23.
El lector atento habrá notado que usamos propiedades del determinante que fueron
demostradas cuando los coeficientes de las matrices vienen de un cuerpo, mientras que
en la demostración trabajamos con coeficientes en EndK (V ), lo cual no es un cuerpo.
Si bien esto es un abuso, el lector extremadamente cauteloso podrá verificar que las
propiedades que usamos se demuestran sin mayor cambio para una estructura con suma y
multiplicación sin necesariamente tener inversos multiplicativos (a saber, para un anillo).

5.3. Subespacios invariantes

Los subespacios propios de una transformación lineal, como ya vimos, forman una
suma directa que resulta ser todo el espacio si la transformación es diagonalizable. Sería
interesante tener una tal descomposición del espacio completo en suma directa de subes-
pacios que “se portan bien” con respecto a T . En el caso diagonalizable, el “portarse
bien” se interpreta como que T actúa sobre estos espacios multiplicando por escalares
(los valores propios correspondientes). Tendremos que cambiar esta noción para poder
obtener un resultado más general, que se aplique a transformaciones no diagonalizables.

Definición 5.24. Sea V un espacio vectorial y sea T : V → V una transformación

K-lineal. Decimos que un subespacio W ≤ V es invariante bajo T (o que T lo deja
invariante, o que es T -invariante) si, para todo w ∈ W , se tiene que T (w) ∈ W , o bien,
en notación más concisa, si T (W ) ⊆ W .

Ejemplo 5.25. Para T : V → V arbitraria, tenemos que V , {0}, Im T y Ker T son

invariantes bajo T . En efecto, esto es trivial para V y {0}. Por otra parte, como Im T ⊆ V ,
tenemos que T (Im T ) ⊆ T (V ) = Im T . Finalmente, es claro que T (Ker T ) = {0} ⊆
Ker T .

Ejemplo 5.26. Para T : V → V arbitraria con valor propio α ∈ K, tenemos que Vα es

un subespacio T -invariante. En efecto, para todo v ∈ Vα tenemos que T (v) = αv ∈ Vα .
Es en este sentido que los subespacios invariantes generalizan a los subespacios propios.

Ejemplo 5.27. Sea T : R2 → R2 dada por la matriz

1 −1
!
A= ,
2 2

en términos de la base canónica. En este caso, se puede probar que los únicos subespacios
invariantes bajo T son {0} y V . En efecto, todo otro subespacio debe ser de dimensión 1
ya que dimR V = 2. Por lo tanto, si W ≤ V es un subespacio invariante bajo T , tenemos
5.3. SUBESPACIOS INVARIANTES 161

que W = hvi para algún v ∈ V no nulo. Por lo tanto T (v) ∈ hvi y así T (v) = λv para
cierto λ ∈ K. Esto nos dice que v es un vector propio y que λ es un valor propio de T .
Sin embargo, si calculamos el polinomio característico de T vemos que
1−x 1
!
c(x) = det = x2 − 3x + 4.
−2 2 − x
Pero este polinomio tiene discriminante (−3)2 − 4 · 4 = −7, por lo que no tiene raíces
reales y por lo tanto T no tiene valores propios reales, lo que prueba que el espacio W
de más arriba no puede existir.
Observación 24.
Sea V un espacio vectorial, sea T : V → V una transformación K-lineal y sea W ≤ V un
subespacio T -invariante. Entonces T induce una transformación K-lineal T |W : W → W
sencillamente por restricción, es decir, T |W (w) = T (w) para w ∈ W . Note sin embargo
que T 6= T |W ya que tienen dominios y codominios distintos.
Veamos ahora lo que la invariancia bajo T implica al nivel de matrices. Sea V un
K-espacio vectorial de dimensión finita y sea B = {v1 , . . . , vn } una base de V tal que
B ′ = {v1 , . . . , vr } es una base de W (basta con tomar una base de W y completarla).
n
B , de forma que T (vj ) =
Sea A = [T ]B aij vi . La T -invariancia de W nos dice entonces
X

i=1
r
que, para j ≤ r, tenemos que T (vj ) ∈ W y por ende T (vj ) = aij vi . En otras palabras,
X

i=1
tenemos que aij = 0 para j ≤ r e i > r. Vemos entonces que A es de la forma
!
C D
A= con C ∈ Mr×r (K), D ∈ Mr×(n−r) (K), E ∈ M(n−r)×(n−r) (K).
0 E
r
Además, como T (vj ) = aij vi para 1 ≤ j ≤ r, vemos que C es precisamente la matriz
X

i=1
′
[T |W ]B
B′ .

Una matriz de esta forma tiene un determinante fácil de calcular a partir de los deter-
minantes de los bloques. Y como el polinomio característico depende de un determinante,
encontramos la siguiente relación.

Lema 5.28. Sea V un espacio vectorial de dimensión n, sea T : V → V una trans-

formación K-lineal y sea W ≤ V un subespacio T -invariante. Entonces el polinomio
característico de T |W divide al polinomio característico de T . Lo mismo ocurre para
los polinomios minimales.
162 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Demostración. Fijando las bases B y B ′ de V y W respectivamente como antes, basta

con notar que [T ]B
B = A con
!
C D
A= con C ∈ Mr×r (K), D ∈ Mr×(n−r) (K), E ∈ M(n−r)×(n−r) (K).
0 E
′
y C = [T |W ]B
B
′ . De esto deducimos que
!
C − xIr D
A − xIn = ,
0 E − xIn−r
y por lo tanto, por un ejercicio fácil (¡hágalo!),
det(xIn − A) = det(xIr − C) det(xIn−r − E).
Pero el término de la izquierda es el polinomio característico de T , mientras que el
primer término de la derecha es el polinomio característico de T |W . Esto implica la
primera afirmación.
Para el caso de los polinomios minimales, notemos que la k-ésima potencia de A es
de la forma !
k
C D k
Ak = para alguna Dk ∈ Mr×(n−r) (K).
0 Ek
Esto es fácil de demostrar por inducción. Y como todo polinomio es una combinación
lineal de potencias vemos que, para todo polinomio p ∈ K[x],
!
p(C) Dp
p(A) = para alguna Dp ∈ Mr×(n−r) (K).
0 p(E)
Sea m ∈ K[x] el polinomio minimal de T entonces m(A) = 0 y por lo tanto m(C) = 0
por la igualdad anterior. Luego, m anula a T |W y esto implica que m es un múltiplo del
polinomio minimal de T |W , como queríamos demostrar. ¨
⌣

Lo que pretendemos, dada una transformación lineal T : V → V , es ver a V como

una suma directa de subespacios T -invariantes. Este es el caso para transformaciones dia-
gonalizables, usando los subespacios propios (ver Lema 5.15). Pero también nos interesa
esta descomposición en mayor generalidad.

Lema 5.29. Sea T : V → V operador lineal y sean f, g, h ∈ K[x] con f = gh tales

que f (T ) = 0 y g, h son primos relativos. Entonces

1) Ker g(T ), Ker h(T ) son subespacios T -invariantes y V = Ker g(T ) ⊕ Ker h(T ).

2) Si f es el polinomio minimal de T y g, h son mónicos entonces g es el polinomio

minimal de TKer g(T ) y h es el polinomio minimal de TKer h(T ) .
5.3. SUBESPACIOS INVARIANTES 163

Demostración. 1. Es claro que Ker g(T ), Ker h(T ) son subespacios T -invariantes. Como
g, h son primos relativos existen r, s ∈ K[x] tales que g(x)r(x) + h(x)s(x) = 1. Luego,
g(T )r(T ) + h(T )s(T ) = idV , es decir,

g(T )r(T )(v) + h(T )s(T )(v) = v, ∀ v ∈ V.

Usando la hipótesis, tenemos que h(T )g(T )r(T )(v) = f (T )r(T )(v) = 0 y también que
g(T )h(T )s(T )(v) = f (T )s(T )(v) = 0. Luego, g(T )r(T )(v) ∈ Ker h(T ) y h(T )s(T )(v) ∈
Ker g(T ). Por lo tanto V = Ker g(T ) + Ker h(T ).
Sea w ∈ Ker g(T ) ∩ Ker h(T ). Como g(T )r(T ) + h(T )s(T ) = idV , se tiene w =
idV (w) = g(T )r(T )(w) + h(T )s(T )(w) = r(T )g(T )(w) + s(T )h(T )(w) = 0. Luego
Ker g(T ) ∩ Ker h(T ) = {0} y V = Ker g(T ) ⊕ Ker h(T ).
2. Sea m1 el polinomio minimal de T1 = TKer g(T ) y m2 es el polinomio minimal de
T2 = TKer h(T ) . Por Lema 5.28 se tiene que m1 y m2 dividen f.
Probemos que f = mínimo común múltiplo (m.c.m) (m1 , m2 ). Ya sabemos que m1 /f
y m2 /f. Sea q ∈ K[x] tal que m1 /q y m2 /q. Como mi es el minimal de Ti entonces
q(Ti ) = 0, i = 1, 2.
Tenemos que V = Ker g(T ) ⊕ Ker h(T ). Sea v = a + b. Luego q(T )(v) = q(T )(a) +
q(T )(b) = q(T1 )(a) + q(T2 )(b) = 0. Por lo tanto T es un cero de q y f /q y f es m.c.m
(m1 , m2 ). Además como g y h son primos relativos entonces m1 , m2 también lo son, luego
f = m1 m2 . Como g(T1 ) = 0 y h(T2 ) = 0 se tiene que m1 divide a g y m2 divide a h. Al
ser todos los polinomios f, g, h, m1, m2 mónicos se tiene que g = m1 y h = m2 .
¨
⌣

Estamos en condiciones de probar el Teorema de de la descomposición prima, que

nos da una descomposición de V en suma directa de subespacios T -invariantes.

Teorema 5.30. Sea V un K-espacio vectorial de dimensión finita y T : V → V

operador lineal. Sea m = pr11 · · · prkk el polinomio minimal de T , donde los pi son
polinomios irreducibles mónicos distintos sobre K, y los r i son enteros positivos. Sea
Wi = Ker pi (T )ri , i = 1, · · · , k. Entonces

a) V = W1 ⊕ · · · ⊕ Wk .

b) Cada Wi es invariante por T.

c) Si Ti es la restricción de T a Wi entonces el polinomio minimal de Ti es pri i .

164 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Demostración. Haremos inducción sobre k = número de polinomios irreducibles en la

descomposición del polinomio minimal de T.

El caso k = 2, sale del Lema 5.29.

Supongamos que el Teorema se ha demostrado para k − 1.

Por Lema 5.29 se tiene V = W1 ⊕V1 donde W1 = Ker pr11 , y V1 = Ker pr22 · · · prkk , donde
W1 , V1 son T invariantes. Por Lema 5.29 los polinomios minimales de la restricción de
T a W1 y a V1 son pr11 y pr22 · · · prkk .
Sea T1 = TV1 . Por hipótesis de inducción, V1 = W2 ⊕· · ·⊕Wk con Wi invariantes por T
y Wi = Ker pi (T1 )ri , i = 2, · · · , k. Pero Ker pi (T )ri para i = 2, · · · , k está necesariamente
contenido en V1 ya que pri i divide a pr22 · · · prkk . Luego Ker pi (T )ri es Ker pi (T1 )ri , que es
Wi . También TWi es la restricción de T1 a Wi para i = 2, · · · , k. Así pi (T )ri es también
el polinomio minimal de la restricción de T a Wi . Luego V = W1 ⊕ · · · ⊕ Wk es la
descomposición deseada de V.
Por Principio de inducción el Teorema vale para todo k ≥ 2.
¨
⌣

5.4. Forma canónica de Jordan

Empezaremos con operadores nilpotentes T. Estamos buscando bases donde la repre-
sentación de T sea lo más simple posible.

Definición 5.31. Sea T : V → V, operador lineal. Se dice que T es nilpotente si hay n

natural tal que T n = 0. El menor de estos n se llama el índice de nilpotencia de T. Así,
T es nilpotente de índice k, si hay v ∈ V tal que T k (v) = 0 y T k−1 (v) 6= 0.
5.4. FORMA CANÓNICA DE JORDAN 165

Teorema 5.32. Sea T : V → V un operador nilpotente de índice k. Entonces

1) S = {v, T (v) · · · , T k−1(v)} es LI.

2) El subespacio W generado por S es T -invariante.

3) La restricción T de T a W es nilpotente de índice k.

4) Relativa a la base S = {v, T (v) · · · , T k−1(v)} de W la transformación T es de

la forma
0 0 ··· 0 0
 

 1 0 ··· 0 0 
 

[T ]SS = 
 0 1 ··· 0 0 
 

 :
 

0 0 ··· 1 0
La matriz anterior es nilpotente de índice k.

Demostración. 1. Como T es nilpotente de índice k sea v ∈ V tal que T k (v) = 0 y

T k−1 (v) 6= 0. Sea

α0 v + α1 T (v) + · · · + αk−1T k−1 (v) = 0. (5.1)

Aplicando T k−1 a (5.1) tenemos que

α0 T k−1 (v) + α1 T k (v) + · · · + αk−1 T k−1 T k−1(v) = T (0) = 0,

de donde α0 T k−1(v) = 0, como T k−1 (v) 6= 0, se tiene α0 = 0.

Repetimos el proceso aplicando T k−2 a (5.1), usando que T k (v) = 0 y que α0 = 0,
obtenemos α1 T k−1 (v) = 0, por lo tanto α1 = 0.
Seguimos aplicando T k−3 a (5.1), usando T k (v) = 0 y que α0 = α1 = 0, tenemos
α2 T k−1(v), luego α2 = 0. Continuando con este proceso, encontramos que todos los αi
con 0. Luego S es LI.
2. Sea w ∈ W = hSi, luego w = b0 v + b1 T (v) + · · · + bk−1 T k−1 (v), con bi ∈ K. Por
lo tanto, T (w) = b0 T (v) + b1 T 2 (v) + · · · + bk−2 T k−1 (v) ∈ W pues T k (v) = 0. Así W es
T -invariante.
166 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

3. Sea T la restricción de T a W = h{v, T (v) · · · , T k−1(v)}i. Entonces para cada

i = 0, 1, · · · , k − 1, se tiene
k
T (T i (v)) = T k (T i (v)) = T k+i(v) = 0.
k k k
Por lo tanto, T anula a cada generador de W lo que implica T = 0. Por lo tanto T
k−1
es nilpotente de índice a lo más k. Por otra parte T (v) = T k−1 (v) 6= 0. Luego T es
nilpotente de índice k.
4. Sea S = {v, T (v) · · · , T k−1 (v)} base de W, usando la definición de matriz asociada
a T en la base S tenemos

0 0 ··· 0 0
 

1 0 ··· 0 0 
 

[T ]SS = 0 1 ··· 0 0 
 

 

 : 

0 0 ··· 1 0

¨
⌣

Se tiene de inmediato el siguiente corolario

Corolario 5.33. Sea V un espacio vectorial de dimensión n y T : V → V un

operador nilpotente de índice k entonces k ≤ n.

Ejemplo 5.34. Consideremos el operador nilpotente T de índice n sobre K n defi-

nido por T (v1 , · · · , vn ) = (0, v1 , · · · , vn−1 ). Si v = (1, 0, · · · , 0) entonces el conjunto
{v, T (v), · · · , T n−1v} es una base de K n .

Lo que queremos es encontrar una base de manera que la representación de un ope-

rador nilpotente T en esta base sea una matriz diagonal por bloques.

0 0 ··· 0 0
 
J1 ··· 0
 
1 0 · · · 0 0
 
 J2 · · · 0 
[T ]B
B = 0
donde Ji =  1 · · · 0 0
 
,
 
:
 
:
   
0 ··· Jk

0 0 ··· 1 0

Teniendo presente este objetivo, el siguiente lema es fundamental

5.4. FORMA CANÓNICA DE JORDAN 167

Lema 5.35. Sea T : V → V un operador nilpotente, entonces existen vectores

v1 , · · · , vk ∈ V, tal que

1) {v1 , T (v1 ), · · · , T m(v1 ) (v1 ), · · · , vk , T (vk ) · · · , T m(vk ) (vk )} es una base de V.

2) {T m(v1 ) (v1 ), · · · , T m(vk ) (vk )} es una base de Ker T.

Para cada vector v ∈ V, m(v) denota el menor entero no negativo tal que T m(v) 6= 0.

Demostración. Usaremos inducción sobre la dimensión de n de V.

Si n = 1, es trivial pues el único operador nilpotente es la transformación nula.

Sea V de dimensión n, y supongamos que el Lema vale para todo espacio de

dimensión < n.
Como T es nilpotente, T no puede ser inyectiva, luego dim Im T < dim V. Aplique-
mos el Lema a Im T y a T |Im T . Tenemos que hay vectores u1 , · · · , uj ∈ Im T, tales
que

a) {u1, T (u1 ), · · · , T m(u1 ) (u1 ), · · · , uj , T (uj ) · · · , T m(uj ) (uj )} es una base de Im T.

b) {T m(u1 ) (u1 ), · · · , T m(uj ) (uj )} es una base de Ker T ∩ Im T.

Como cada ur ∈ Im T, existen vectores v1 , · · · , vj ∈ V, tales que T (vr ) = ur , para

cada r. Además para cada r, m(vr ) = m(ur ) + 1.

Sea W subespacio del Ker T tal que Ker T = (Ker T ∩ Im T ) ⊕ W, y escojamos

una base de W , que denotaremos por {vj+1 , · · · , vk }. Como vj+1, · · · , vk ∈ Ker T ,
tenemos que m(vj+1 ) = · · · = m(vk ) = 0.
Una vez construídos v1 , · · · , vk necesitamos probar que las afirmaciones 1 y 2 son
válidas. En efecto, veamos que el conjunto

{v1 , T (v1 ), · · · , T m(v1 ) (v1 ), · · · , vk , T (vk ) · · · , T m(vk ) (vk )}

es LI sobre K. Sea
k m(v
Xr )
0= ars T s (vr ), con ars ∈ K (5.2)
X

r=1 s=0
168 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Aplicando T a cada lado de la igualdad (2) tenemos

k m(v
Xr ) j m(u
Xr )
s+1
0= (vr ) = ar,s T s (ur ).
X X
ar,s T
r=1 s=0 r=1 s=0

Esta última igualdad junto con a) implica que ars = 0, para 1 ≤ r ≤ j, 0 ≤ s ≤

m(vr ) − 1. Así la igualdad (2) se reduce a
0 = a1,m(v1 ) T m(v1 ) v1 + · · · + aj,m(vj ) T m(vj ) vj + aj+1,0 vj+1 + · · · + ak,0vk ,
pero a1,m(v1 ) T m(v1 ) v1 + · · · + aj,m(vj ) T m(vj ) vj ∈ Ker T ∩ Im T
y aj+1,0 vj+1 + · · · + ak,0vk ∈ W. Como Ker T = (Ker T ∩ Im T ) ⊕ W se tiene
0 = aj+1,0 vj+1 + · · · + ak,0 vk ,
y que
0 = a1,m(v1 ) T m(v1 ) v1 + · · · + aj,m(vj ) T m(vj ) vj .
Pero para cada r, m(vr ) = m(ur ) + 1 y T (vr ) = ur se obtiene
0 = a1,m(v1 ) T m(u1 ) u1 + · · · + aj,m(vj ) T m(uj ) uj . (5.3)

Así (5.3) y b) implican que a1,m(v1 ) = · · · = aj,m(vj ) = 0. Todos los escalares ars son
0 y {v1 , T (v1 ), · · · , T m(v1 ) (v1 ), · · · , vk , T (vk ) · · · , T m(vk ) (vk )} es LI.
Claramente a) implica que dim(Ker T ∩Im T ) = j y esto más el hecho que Ker T =
(Ker T ∩ Im T ) ⊕ W, implica que dim Ker T = k. Además a) implica
j j
dim Im T = (m(ur ) + 1) = m(vr )
X X

r=0 r=0

El número de vectores en la afirmación 1 es

k j
(m(vr ) + 1) = k + m(vr ) = dim V.
X X

r=0 r=0

Tenemos entonces dim V vectores LI y por lo tanto son una base de V.

Finalmente se tiene que
{T m(v1 ) (v1 ), · · · , T m(vk ) (vk )} = {T m(u1 ) (u1 ), · · · , T m(uj ) (uj ), vj+1, · · · , vk }
Luego usando lo anterior, b) y el hecho que Ker T = (Ker T ∩ Im T ) ⊕ W, tenemos
que {T m(v1 ) (v1 ), · · · , T m(vk ) (vk )} es una base Ker T.
Concluimos que el Lema vale para V de dimensión n. Por Principio de Inducción,
el Lema vale para cualquier operador nilpotente de dimensión finita.
5.4. FORMA CANÓNICA DE JORDAN 169

¨
⌣

Teorema 5.36 (Forma de Jordan de un operador nilpotente). Sean V un

espacio vectorial de dimensión finita y T : V → V un operador nilpotente de índice
k. Entonces T tiene una representación en una matriz diagonal por bloques cuyos
elementos de la diagonal son de la forma

0 0 ··· 0 0
 

1 0 · · · 0 0
 

0
J = 1 · · · 0 0
 

:
 

0 0 ··· 1 0

Existe al menos una Jde orden k y las demás J son de orden ≤ k. El número
total de J de todos los órdenes es dim Ker T. Además la representación matricial de
T respecto a esta base es una matriz diagonal por bloques.

J1 ··· 0
 
 J2 ··· 0 
[T ]B
B = 
 
:

 
0 ··· Jk

Demostración. Sabemos que si T es nilpotente, hay vectores v1 , · · · , vk tales que:

1. {v1 , T (v1 ), · · · , T m(v1 ) (v1 ), · · · , vk , T (vk ) · · · , T m(vk ) (vk )} es una base de V.

2. {T m(v1 ) (v1 ), · · · , T m(vk ) (vk )} es una base de Ker T.

Sea Wi = h{vi , T (vi ), · · · , T m(vi ) (vi )}i para i = 1, · · · , k. El conjunto dado por Bi =
{vi , T (vi ), · · · , T m(vi ) (vi )} es base de Wi y por lo tanto

0 0 ··· 0 0
 

1 0 · · · 0 0
 

[T ]B 0
= Ji =  1 · · · 0 0
i
 
Bi 
:
 

0 0 ··· 1 0

Luego B = B1 ∪ · · · ∪ Bk es una base de V y la representación matricial de T respecto

170 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

a esta base es una matriz diagonal por bloques.

J1 ··· 0
 
 J2 ··· 0 
[T ]B
B = 
 
:

 
0 ··· Jk

¨
⌣

Definición 5.37. La representación matricial anterior se llama Forma de Jordan de un

operador nilpotente.
Nos hacemos la siguiente pregunta ¿Existirá la forma de Jordan para un operador
lineal, no necesariamente nilpotente?

Teorema 5.38 (Forma de Jordan de un operador T ). Sean V un espacio

vectorial de dimensión finita y T : V → V operador lineal. Suponga que el polinomio
característico de T es c(x) = (x − λ1 )d1 · · · (x − λk )dk con λi 6= λj si i 6= j y di ≥ 1.
Sea m(x) = (x − λ1 )r1 · · · (x − λk )rk con λi 6= λj si i 6= j y 1 ≤ ri ≤ di , el polinomio
minimal de T. Entonces T tiene una representación en una matriz diagonal por
bloques cuyos elementos de la diagonal son de la forma

λi 0 ··· 0 0
 

 1 λi ··· 0 0
 

0
Ji =  1 ··· 0 0
 


 : 

0 0 · · · 1 λi

llamada matriz elemental de Jordan con valor propio λi .

Demostración. El polinomio minimal de T es m(x) = (x − λ1 )r1 · · · (x − λk )rk con λi 6=

λj si i 6= j y 1 ≤ ri ≤ di . Si Wi = Ker (T − λi I)ri , entonces Wi es T invariante,
V = W1 ⊕ · · · ⊕ Wk y el polinomio minimal de Ti , es la restricción de T a Wi y esta dado
por (x − λi )ri .
Para cada i = 1, . . . , k, sean Ni : Wi → Wi operadores lineales definidos por Ni =
Ti − λi I. Luego,
(T1 − λ1 I)r1 = 0, · · · , (Tk − λk I)rk = 0.
Es decir los operadores Ni son nilpotentes de índice ri . Luego Ti = Ni + λi I es la suma
de un operador nilpotente y un operador diagonal.
5.5. EJERCICIOS RESUELTOS 171

Tenemos que cada Nj |Wj es un operador nilpotente, por Teorema sobre la forma de
Jordan de un operador nilpotente, para cada Wj existe una base donde la restricción
(T − λj I)|Wj tiene como representación matricial un bloque de Jordan. Al hacer la unión
de todas estas bases obtenemos una base de V con la cual la matriz de T tiene bloques
de Jordan en la diagonal.
Esto es, B = B1 ∪ · · · ∪ Bk es una base de V y la representación matricial de T
respecto a esta base es una matriz diagonal por bloques.

A1 ··· 0
 
 A2 ··· 0 
[T ]B
B = 
 
:

 
0 ··· Ak

donde cada Ai es de la forma

(i)
 
J1 ··· 0
(i)
0 
 
Ai =

 J2 ··· 
:
 
 
0 ··· Jn(i)i
(i)
y Jj es una matriz elemental de Jordan con valor propio λi .
¨
⌣

Observación 25.
Es importante notar que la forma de Jordan existe para operadores K- lineales cuyo
polinomio característico c(x) tiene todas sus raíces en K.

5.5. Ejercicios Resueltos

Valores Propios
1) Sea A una matriz de n × n con coeficientes en un cuerpo F . Suponga que λ ∈ F
es valor propio de A.

a) Demuestre que Am tiene valor propio λm para m ∈ N.

b) Suponga que A es invertible. Demuestre que A−m tiene valor propio λ−m para
m ∈ N.

Solución.
172 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

a) Usaremos el inducción para demostrarlo, por lo que sea m = 1 se tiene que

A1 = A tiene valor propio λ1 = λ por hipótesis, es decir, el caso base se cumple.
Supongamos que Am tiene valor propio λm para algún m ∈ N, por lo tanto Am x =
λm x para algún x ∈ F n no nulo. En particular

Am x = λm x
⇐⇒Am+1 x = Aλm x
⇐⇒Am+1 x = λm (Ax) = λm (λx) = λm+1 x

Por lo tanto Am+1 tiene valor propio λm+1 , como el caso n implica m + 1, por
principio de inducción podemos concluir que se cumple lo pedido.
b) Nuevamente lo realizaremos por inducción, por lo que sea m = 1, en particular
por hipótesis tenemos que A tiene valor propio λ, es decir:

Ax = λx para algún x ∈ F n no nulo

mutiplicamos A−1 por la izquierda

A−1 Ax = x = A−1 λx

Como A es invertible se tiene que λ 6= 0F , por lo que

x = λA−1 x
⇐⇒λ−1 x = A−1 x

Es decir A−1 tiene valor propio λ−1 , es decir el caso m = 1 se cumple.

Ahora supongamos que A−m tiene valor propio λ−m para algún m ∈ N, tenemos
que

A−1 x = λ−1 x
⇐⇒A−1 A−m x = A−1 λ−m x
⇐⇒A−(m+1) x = λ−m (A−1 x) = λ−m (λ−1 x) = λ−(m+1) x

Es decir A−(m+1) tiene valor propio λ−(m+1) , como el caso m implica m+1, entonces
por principio de inducción se cumple lo pedido.
2) Sea A una matriz n × n invertible con coeficientes en un cuerpo F . Demuestre que
para todo t ∈ F, t 6= 0F , se cumple

chA−1 (t) = (−1)n det(A−1 )tn chA (t−1 )

5.5. EJERCICIOS RESUELTOS 173

donde chA (x) y chA−1 (x) son los polinomios característicos de A y A−1 respectiva-
mente.

Solución. Tenemos que

chA−1 (t) = |A−1 − tIn | = |A−1 − tA−1 A|

1
 
−1
= −tA A − In
t
1
= −tA−1 · A − In = (−t)n |A−1 |chA (t−1 )
t

5 4
!
3) Sea A = , encuentre sus valores propios y polinomio característico. Lue-
−6 −5
go calcule A47 .

Solución. Se tiene que el polinomio característico es

det(A − λI2 ) = λ2 − 1 = (λ + 1)(λ − 1)

Por lo tanto tenemos dos valores propios, λ1 = 1 y λ2 = −1, en particular se tiene

que
Ker(A − λ1 I2 ) = h(1, −1)i y Ker(A − λ2 I2 ) = h(−2, 3)i
En particular, R2 = Ker(A − λ1 I2 ) ⊕ Ker(A − λ2 I2 ) = h(1, −1), (−2, 3)i, ahora
usando cambio de base tenemos que
!−1
5 4 1 −2 1 0 1 −2 1 −2 1 0 3 2
! ! ! ! ! !
= =
−6 −5 −1 3 0 −1 −1 3 −1 3 0 −1 1 1

Por lo tanto
!47 !47
5 4 1 −2 1 0 3 2 5 4
! ! !
= =
−6 −5 −1 3 0 −1 1 1 −6 −5

4) Sea A la matriz con coeficientes reales, que depende del parámetro α:

2α + 4 1 − α −2α − α2
 

A= 0 4−α 0
 

0 0 4 − α2

a) Obtener los valores de α para que A sea diagonalizable.

174 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

b) Diagonalizar A para α = 1 y α = −2.

Solución.
a) Primero veamos cuales son los valores propios, tenemos que el polinomio carac-
terístico de A es

det(λI3 − A) = (λ − (2α + 4))(λ − (4 − α))(λ − (4 − α2 ))

Por lo tanto tenemos que los valores propios son

λ1 = 2α + 4 λ2 = 4 − α λ3 = 4 − α2

Para ver que valores de α es A diagonalizable, recordemos que si una matriz tiene
valores propios distintos entonces es diagonalizable. Por lo que analizaremos lo
casos donde se tiene igualdad entre algunos de los valores propios de A, tendremos
que analizar cuando α tome valores 0, 1, −2.
α=0
Por lo tanto λ1 = λ2 = λ3 = 4, en particular se tiene que

Ker(A − 4In ) = h(1, 0, 0), (0, 0, 1)i

Es decir A no es diagonalizable.
α=1
Por lo tanto λ1 = 6 y λ2 = λ3 = 3, en particular se tiene que

Ker(A − 6In ) = h(1, 0, 0)i y Ker(A − 3In ) = h(1, 0, 1), (0, 1, 0)i

Es decir A es diagonalizable.
α = −2
Por lo tanto λ1 = λ3 = 0 y λ2 = 6, en particular se tiene que

Ker(A) = h(1, 0, 0), (0, 0, 1)i y Ker(A − 6In ) = h(1, −2, 0)i

Por lo tanto A es diagonalizable.

En resumen si α = 0 entonces A no es diagonalizable, y si α 6= 0 entonces A es
diagonalizable.
b) Usando los subespacios de los valores propios ya calculados en el inciso anterior,
tenemos que para
5.5. EJERCICIOS RESUELTOS 175

α=1
−1 
6 0 0 1 1 0 6 0 −3 1 1 0
    

0 3 0 = 0 0 1 0 3 0  0 0 1
      

0 0 3 0 1 0 0 0 3 0 1 0

α = −2
−1 
0 0 0 1 0 1 0 −3 0 1 0 1
    

0 0 0 = 0 0 −2 0 6 0 0 0 −2
      

0 0 6 0 1 0 0 0 0 0 1 0

5) Sean A y B dos matrices con coeficientes reales, ambas cuadradas y de igual

tamaño. Compruebe que:

a) Si al menos una es invertible, entonces AB y BA tienen el mismo polinomio

característico.
b) Si A y B no son invertibles, entonces AB y BA tienen el mismo polinomio
característico.

Solución.
a) Sin perdida de generalidad supongamos que B es invertible, tenemos que

det(AB − λIn ) = det(AB − λB −1 B) = det(A − λB −1 ) · det(B)

= det(B) · det(A − λB −1 ) = det(BA − λBB −1 )
= det(BA − λIn )

b) Definamos C = A − εIn donde 0 < ε, notemos que si λ 6= 0 es valor propio de A

mas cercano a 0 entonces C es invertible para 0 < ε < |λ|. Por lo tanto ocupando
el inciso anterior sobre C y B se tiene que

det(AB + εB − λIn ) = det(BA + εB − λIn )

Como los coeficientes de estos polinomios varían continuamente con ε (funciones

continuas de ε), al tender ε a 0 se obtiene que

det(AB − λIn ) = det(BA − λIn )

176 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

6) Sea A una matriz n × n antisimétrica. Demuestre que si n es impar entonces A

tiene un valor propio 0. ¿Vale lo mismo para n par?
Solución. Recordemos que una matriz A es antisimetrica si se cumple que A =
−At , tenemos que
det(A) = det(−At ) = (−1)n det(At ) = − det(A)
Como det(A) ∈ K entonces det(A) = 0, por lo que A tiene un valor propio 0.
No pasa lo mismo con n par, considere
0 1
!
A=
−1 0
notemos que det(A) = 1 y por lo tanto no tiene un valor propio 0.

Subespacios Invariantes

7) Sea T un operador lineal sobre R3 cuya representación matricial en la base canónica

es
2 0 0
 

A= 1 2 0 


0 0 −1

a) Encuentre el polinomio minimal de T . ¿Es T diagonalizable?

Solución. El polinomio característico es c(λ) = (λ − 2)2 (λ + 1). Tenemos

0 0 0 3 0 0 0 0 0
    

(A − 2I)(A + I) =  1 0 0   1 3 0  =  3 0 0 
    

0 0 3 0 0 0 0 0 0
como p(A) = (A − 2I)(A + I) 6= 0 el polinomio p(λ) = (λ − 2)(λ + 1) no es
el polinomio minimal. Veamos que ocurre con c(A).

0 0 0 0 0 0 0 0 0
    

c(A) = (A − 2I)2 (A + I) =  1 0 0   3 0 0  =  0 0 0 
    

0 0 3 0 0 0 0 0 0
que actúa como polinomio anulador según Teorema 5.23. Luego el polinomio
minimal es m(λ) = (λ − 2)2 (λ + 1), que no es producto de factores lineales
distintos, por Corolario 5.20 se sigue que T no es diagonalizable.
5.5. EJERCICIOS RESUELTOS 177

b) Hallar subespacios invariantes W1 y W2 por T tal que R3 = W1 ⊕ W2 .

Solución. Observando de a) el polinomio minimal, se proponen
W1 = Ker(A + I) y W2 = Ker(A − 2I)2 .
Calculamos el vector propio para λ = −1.

3 0 0 0
    
v1
(A + I)(v) =  1 3 0   v2  =  0  ,
    

0 0 0 v3 0

⇒ v1 = v2 = 0 ⇒ v = (0, 0, v3 ) = v3 (0, 0, 1).

De donde W1 = Ker(A + I) = h{(0, 0, 1)}i. Ahora obtenemos W2
2
0 0 0 0 0 0 0
     
v1
2
(A − 2I) (v) =  1 0 0  =  0 0 0   v2  =  0  ,
      

0 0 3 0 0 9 v3 0
⇒ v3 = 0 ⇒ v = v1 (1, 0, 0) + v2 (0, 1, 0).
así W2 = Ker(A − 2I)2 = h{(1, 0, 0), (0, 1, 0)}i.
Claramente W1 ∩ W2 = {(0, 0, 0)} y R3 = W1 ⊕ W2 .
Podemos concluir que estos subespacios de R3 son ivariantes por T usando el
Teorema 5.30. También lo veremos calculando directamente, esto es, probando
que T (W1 ) ⊆ W1 y que T (W2 ) ⊆ W2 . En efecto

Si v ∈ W1 entonces v = α(0, 0, 1) para algún α ∈ R. Evaluando T (v) =

αT (0, 0, 1) = −α(0, 0, 1) ∈ W1 , así T (W1 ) ⊆ W1 .
Ahora veamos que T (W2 ) ⊆ W2 , para esto evaluamos T en la base de W2
2 0 0 1 2
    

 1 2 0   0  =  1  = 2(1, 0, 0) + (0, 1, 0) ∈ W2 ,
    

0 0 −1 0 0
2 0 0 0 0
    

 1 2 0   1  =  2  = 2(0, 1, 0) ∈ W2 ,
    

0 0 −1 0 0

Así, dado (x, y, z) ∈ W2 escribimos (x, y, z) = α(1, 0, 0) + β(0, 1, 0) de

donde T (x, y, z) = α(2, 1, 0) + β(0, 2, 0) ∈ W2 .
178 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

8) Del Ejemplo 5.21 tenemos que T : R3 → R3 con matriz en la base canónica dada
por
−9 4 4
 

A =  −8 3 4 ,
 

−16 8 7
tiene polinomio característico c(x) = (x − 3)(x + 1)2 y polinomio minimal m(x) =
(x − 3)(x + 1). Escribimos W1 = Ker (A − 3I) y W2 = Ker (A + I) que corresponde
a los espacios propios de λ = 3 y λ = −1 respectivamente. Luego W1 = V3 =
h{(1, 1, 2)}i y W2 = V−1 = h{(1, 0, 2), (0, 1, −1)}i.
Se puede verificar fácilmente que W1 ∩ W2 = {(0, 0, 0)} y que R3 = W1 ⊕ W2 . Se
concluye que estos subespacios de R3 son ivariantes por T usando el Teorema 5.30.
En particular, si definimos la base B = {(1, 1, 2), (1, 0, 2), (0, 1, −1)} de V , tenemos
que
(3) 0 0
 

[T ]B
B = 
 !
.

−1 0
0

0 −1

9) Determinar todos los posibles polinomios minimales para un operador lineal T :

R5 → R5 cuyo polinomio característico es c(x) = (x − 3)2 (x − 4)3 . Indique en cada
caso cuales son los subespacios invariantes.

Solución. Como V = R5 , para el polinomio minimal tenemos las siguientes posi-

bilidades
si m(x) = (x − 3)(x − 4) en cuyo caso T es diagonalizable y se sigue que
dim Ker (T − 3I) = 2, dim Ker (T − 4I) = 3. Escribimos entonces W1 =
Ker (T − 3I), W2 = Ker (T − 4I), tenemos R5 = W1 ⊕ W2 .

si m(x) = (x − 3)2 (x − 4) entonces obtenemos dim Ker (T − 3I)2 = 2 y

dim Ker (T − 4I) = 3. Escribimos W1 = Ker (T − 3I)2 , W2 = Ker (T − 4I),
tenemos R5 = W1 ⊕ W2 .

si m(x) = (x − 3)(x − 4)2 entonces se sigue que dim Ker (T − 3I) = 2, y

dim Ker (T − 4I)2 = 3. Así, los subespacios son W1 = Ker (T − 3I), W2 =
Ker (T − 4I)2 , y verifican R5 = W1 ⊕ W2 .

si m(x) = (x − 3)2 (x − 4)2 tenemos que dim Ker (T − 3I)2 = 2 y que

dim Ker (T − 4I)2 = 3. Luego W1 = Ker (T − 3I)2 , W2 = Ker (T − 4I)2 ,
y R5 = W1 ⊕ W2 .
5.5. EJERCICIOS RESUELTOS 179

si m(x) = (x−3)(x−4)3 tenemos que dim Ker (T −3I) = 2 y que dim Ker (T −
4I)3 = 3. Luego W1 = Ker (T − 3I), W2 = Ker (T − 4I)3 .
si m(x) = (x − 3)2 (x − 4)3 tenemos que dim Ker (T − 3I)2 = 2 y que
dim Ker (T − 4I)3 = 3. Luego W1 = Ker (T − 3I)2 , W2 = Ker (T − 4I)3 .
10) Sea T : R3 −→ R3 un operador lineal cuya representación matricial en la base
canónica es la matriz
4 1
 
−1
A = −3 1

2
3 1 0
a) Encuentre el polinomio minimal y característico.
b) Determine los subespacios de los valores propios. ¿Se cumple que Vλ1 ⊕ Vλ2 =
R3 ?
c) Hallar los subespacios propios generalizados del valor propio que lo requiera.
d) Encontrar E ≤ R3 invariante por A, tal que R3 = V1 ⊕ E.
e) Sea B la base de R3 conformada por lo vectores de la base E y V1 . Hallar
[T ]B
B.

Solución.
a) Primero calcularemos el polinomio característico de A, tenemos que
λ − 4 −1 1
det(λI3 − A) = 3 λ − 1 −2 = (λ − 1)(λ − 2)2
−3 −1 λ
Gracias al teorema de Caley-Hamilton, se tiene que el polinomio minimal divide al
polinomio característico, por lo que el posible polinomio minimal es (λ − 1)(λ − 2)
o (λ − 1)(λ − 2)2 .
3 1 −1 2 1 −1 0 1 1
    

(A − 1I3 )(A − 2I3 ) = −3 0 2  −3 −1 2  = 0 −1 −1

    

3 1 −1 3 1 −2 0 1 1
0 0 0
 

6= 0 0 0
 

0 0 0
Por lo tanto el polinomio minimal de A es (λ − 1)(λ − 2)2 , es decir, es igual a su
polinomio característico.
b) Como los valores propios son 1 y 2, analizamos cada caso
180 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

λ=1
Debemos solucionar el siguiente sistema de ecuaciones

−3 −1 1 0
    
x
 3 0 −2 y  = 0
    

−3 −1 1 z 0

Por lo tanto V1 = Ker(1I3 − A) = h(2, −3, 3)i.

λ=2
Debemos solucionar el siguiente sistema de ecuaciones

−2 −1 1 0
    
x
 3 1 −2  y  =  0
    

−3 −1 2 z 0

Por lo tanto V2 = Ker(2I3 − A) = h(1, −1, 1)i.

Como V1 + V2 tiene dimensión 2 y R3 tiene dimensión 3, por lo que no podemos

escribir V1 y V2 como suma directa del espacio R3 .
c) Gracias a los incisos anteriores, tenemos que calcular Ker(2I3 − A)2 , por lo que
debemos resolver el siguiente sistema de ecuaciones

−2 0 2 0
    
x
 3 0 −3 y  = 0
    

−3 0 3 z 0

Por lo tanto Ker(2I3 − A)2 = h(1, 0, 1), (0, 1, 0)i.

d) Gracias a el inciso a) tenemos que el polinomio minimal de A es

(λ − 1)(λ − 2)2

Usando un teorema visto en clase tenemos que Ker(A−1I3 )⊕Ker(A−2I3 )2 = R3 ,

en el cual los dos espacios son invariantes por A. Notemos que

Ker(A − 1I3 ) = Ker(1I3 − A) = V1

y
Ker(A − 2I3 ) = Ker(2I3 − A)
Por lo tanto tomando E := h(1, 0, 1), (0, 1, 0)i, se cumple que V1 ⊕ E = R3 con E
invariante por A.
5.5. EJERCICIOS RESUELTOS 181

e) Primero determinemos quien es B, usando los incisos anteriores se tiene

B = {(2, −3, 3), (1, 0, 1), (0, 1, 0)}
Ahora usando el teorema cambio de base debemos calcular las siguiente matrices
[id]B C C B
C · [T ]C · [id]B = [T ]B

Por lo tanto tenemos que

−1 
2 1 0 4 1 −1 2 1 0 1 0 0
    

−3 0 1 −3 1 2  −3 0 1 = 0 3 1

      

3 1 0 3 1 0 3 1 0 0 −1 1

Extra. Si quisiéramos hallar la forma canónica de Jordan de A, debemos tomar

un vector v ∈ Ker(2I3 − A)2 pero que v ∈
/ Ker(2I3 − A), por ejemplo v = (0, 1, 0),
y formar la base
B ′ = {(2, −3, 3), v, (A − 2I3 )v} = {(2, −3, 3), (0, 1, 0), (1, −1, 1)}
Realizar el cambio de base y tenemos
−1 
2 0 1 4 1 −1 2 0 1 1 0 0
    

−3 1 −1 −3 1 2  −3 1 −1 = 0 2 0

      

3 0 1 3 1 0 3 0 1 0 1 2

Forma Canónica de Jordan

11) Sea T un operador lineal sobre R4 , cuya matriz en base ordenada canónica es
2 −2 −4 9
 
0 0 −4 −10
A=
 
0 1 4 5 


0 0 0 2
Determine la forma de Jordan J, si existe, y encuentre la base donde la matriz toma
la forma de Jordan. Encuentre además la matriz P invertible tal que P −1 AP = J.
Solución. Tenemos que c(λ) = det(λI − A) = (λ − 2)4 . Hay un único valor propio
λ = 2. Sea
0 −2 −4 9
 
0 −2 −4 −10
N = A − 2I = 
 
0 1 2 5 


0 0 0 0
182 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Note que N 2 = 0. Sea v = (x, y, z, t) ∈ Ker N = Ker (T − 2I), entonces v satisface

−2y − 4z + 9t = 0, −2y − 4z − 10t = 0, y + 2z + 5t = 0.
De donde t = 0, y + 2z = 0, por lo tanto
Ker N = {(x, −2z, z, 0) ∈ R4 | x, z ∈ R} = h(1, 0, 0, 0), (0, −2, 1, 0)i

Para construir la base de Jordan necesitamos vectores que no estén en Ker N.

Sean v1 = (0, 1, 0, 0), v2 = (0, 0, 0, 1) vectores que no están en Ker N, de hecho
N(v1 ) = (−2, −2, 1, 0) y N(v2 ) = (9, −10, 5, 0). Note que v2 ∈
/ hv1 , N(v1 )i.
Así la base de Jordan es
B = {v1 , N(v1 ), v2 , N(v2 )} = {(0, 1, 0, 0), (−2, −2, 1, 0), (0, 0, 0, 1), (9, −10, 5, 0)}.
La matriz de Jordan respecto de esta base es
2 0 0 0
 
1 2 0 0
J =
 
0 0 2 0


0 0 1 2
2 0 2 0
! !
con dos bloques de Jordan J1 = y J2 =
1 2 1 2
Además, la matriz P es
0 −2 0 9
 
1 −2 0 −10
P =
 
0 1 0 5 


0 0 1 0
cuyas columnas son los vectores de la base ordenada B. Se tiene que P es invertible
pues det P 6= 0, y P es tal que P −1 AP = J. En efecto,
2 −2 −4 9 0 −2 0 9 −2 −4 9 18
    
0 0 −4 −10 1 −2 0 −10  0 −4 −10 −20
AP =  =
    
0 1 4 5  0 1 0 5   1 2 5 10 
 

0 0 0 2 0 0 1 0 0 0 2 0
0 −2 0 9 2 0 0 0
  
1 −2 0 −10 1 2 0 0
=  = P J.
  
0 1 0 5  0 0 2 0


0 0 1 0 0 0 1 2
5.5. EJERCICIOS RESUELTOS 183

12) Sea T un operador lineal sobre R4 , cuya matriz en base ordenada canónica es
−1 2 0 −1
 
−1 1 −2 −6
A= 
 0 1 3 5
 

0 0 0 1
Determine la forma de Jordan J, si existe, y la base donde la matriz toma la forma
de Jordan. Encuentre la matriz P invertible tal que P −1 AP = J.
Como c(x) = det(xI − A) = (x − 1)4 , hay un único valor propio λ = 1. Tenemos
−2 2 0 −1 2 −4 −4 −10
   
−1 0 −2 −6  2 −4 −4 −9 
N =A−I = , N 2 = (A − I)2 = 
   
 0 1 2 5 −1 2 2 4 


0 0 0 0 0 0 0 0

0 0 0 2
 
0 0 0 2
N 3 = (A − I)3 =   , N4 = 0
 
0 0 0 −1
0 0 0 0
dim Ker N 3 = 3, dim Ker N 2 = 2, dim Ker N = 1.
Si v1 ∈
/ Ker N 3 , los vectores v1 , N(v1 ), N 2 (v1 ) y N 3 (v1 ) forman una base ordenada
B en la que la matriz de T es
1 0 0 0
 
1 1 0 0
J =
 
0 1 1 0


0 0 1 1
con un solo bloque de Jordan.

Escogemos v1 = (0, 0, 0, 1) evaluando N(v1 ) = (−1, −6, 5, 0), N 2 (v1 ) = (−10, −9, 4, 0)
y N 3 (v1 ) = (2, 2, −1, 0). Luego
B = {(0, 0, 0, 1), (−1, −6, 5, 0), (−10, −9, 4, 0), (2, 2, −1, 0)}
es la base ordenada cuya representación matricial es J. La matriz P es
0 −1 −10 2
 
0 −6 −9 2
P =
 
0 5 4 −2


1 0 0 0
184 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

cuyas columnas son los vectores de la base ordenada B. Se tiene que P es invertible
pues det P 6= 0, y P es tal que P −1 AP = J. En efecto,
−1 2 0 −1 0 −1 −10 2 −1 −11 −8 2
    
−1 1 −2 −6 0 −6 −9 2  −6 −15 −7 2 
   
AP =  =
 
 0 1 3 5  0 5 4 −2  5 9 2 −2
 

0 0 0 1 1 0 0 0 1 0 0 0

0 −1 −10 2 1 0 0 0
  
0 −6 −9 2  1
  1 0 0
=  = PJ

0 5 4 −2 0 1 1 0
 

1 0 0 0 0 0 1 1

13) Si T es un operador lineal sobre R3 , con matriz en base ordenada canónica

1 0 1
 

A = 0 1 −1
 

1 1 0
Determine la forma de Jordan J, si existe, ¿Cuántos bloques de Jordan hay? En-
cuentre la base para encontrar la forma de Jordan de A. Encuentre además la
matriz P invertible tal que P −1 AP = J.

Tenemos que
x−1 0 −1
c(x) = det(xI3 − A) = 0 x−1 1 = x(x − 1)2 .
−1 −1 x

Como las raíces de c(x) ∈ R, existe la forma de Jordan. El polinomio minimal

m(x) = x(x − 1) o m(x) = c(x). Vemos que
1 0 1 0 0 1 1 1 0 0 0 0
      

A(A − I) = 0 1 −1 0 0 −1 = −1 −1 0 6= 0 0 0

      

1 1 0 1 1 −1 0 0 0 0 0 0

Luego m(x) = c(x) = x (x − 1)2 . Para λ = 1, si N = A − I entonces

0 0 1 0 0 1 0 0 1 1 1 −1
      

N = 0 0 −1 , N = 0 0 −1 0 0 −1 = −1 −1 1  .

2
      

1 1 −1 1 1 −1 1 1 −1 −1 −1 1
5.5. EJERCICIOS RESUELTOS 185

Necesitamos una base {v1 , N(v1 )}, escogemos un vector v1 en Ker N 2 tal que v1 ∈
/
Ker N. Tenemos
Ker N 2 = {(x, y, z) ∈ R3 | z = x + y}
= {(x, y, x + y) ∈ R3 | x, y ∈ R} = h(1, 0, 1), (0, 1, 1)i

y que

Ker N = {(x, y, z) ∈ R3 | z = 0, x + y − z = 0} = {(x, −x, 0) ∈ R3 | x ∈ R}

Escogemos v1 = (1, 0, 1), evaluando

0 0 1 1 1
    

N(v1 ) = 0 0 −1 0 = −1 ,

    

1 1 −1 1 0
por lo tanto, {v1 , N(v1 )} = {(1, 0, 1), (1, −1, 0)}.
Nos falta un vector v2 = (x, y, z) para tener la base buscada, corresponde al vector
propio asociado a λ = 0
1 0 1 0
    
x
(A − 0I)v2 = 0 1 −1 y  = 0
    

1 1 0 z 0

luego Ker (A − 0I) = {(x, y, z) ∈ R3 | x + z = 0, y − z = 0, x + y = 0}

= {(x, −x, −x) | x ∈ R} = h{(1, −1, −1)}i
Finalmente una base buscada es

B = {v1 , N(v1 ), v2 } = {(1, 0, 1), (1, −1, 0), (1, −1, −1)}.

En esta base
1 0 0
 

J = [T ]B = 1 1 0
B  

0 0 0
1 0
!
Identificando dos bloques de Jordan J1 = y J0 = (0).
1 1
Como det P 6= 0, P es invertible y se cumple P −1 AP = J. En efecto,
1 1 1 1 0 0 2 1 0
    

P J = 0 −1 −1 1 1 0 = −1 −1 0
    

1 0 −1 0 0 0 1 0 0
186 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

1 0 1 1 1 1
  

= 0 1 −1 0 −1 −1 = AP
  

1 1 0 1 0 −1

14) Sea p(λ) el polinomio característico de una matriz A ∈ M(2) cuyas raíces son
λ1 , λ2 . Determine las posibles formas canónicas.
Solución. Se tiene uno de los siguientes casos:
a) Si λ1 y λ2 son reales y distintos entonces
λ1 0
!
A∼ =J
0 λ2

b) Si λ = λ1 = λ2 es real y
λ 0
!
(i) dim Ker(λI − A) = 2 entonces A ∼ = λI = J.
0 λ
λ 0
!
(ii) dim Ker(λI − A) = 1 entonces A ∼ = J.
1 λ
!
a b
c) Si λ = a ± ib, a, b ∈ R, b 6= 0, entonces A ∼ = J.
−b a
15) Sea T : R4 → R4 una transformación lineal cuya representación matricial en
términos de la base canónica es
−1 0 0 0
 
−1 −1 0 2 
A= 
 0 0 4 0
 

0 0 0 −1
Encuentre el polinomio característico y minimal de T . Determine una base B de
modo que [T ]B
B = J tenga la forma canónica de Jordan. Indique además la matriz
P tal que P AP = J.
−1

Solución. El polinomio característico de A es c(λ) = (λ + 1)3 (λ − 4). Tenemos

que

0 0 0 0 0 0 0 0
   
−1 0 0 2 0 0 0 0
(A + I) =  , (A + I)2 = 
   
 0 0 5 0 0 0 25 0


0 0 0 0 0 0 0 0
5.5. EJERCICIOS RESUELTOS 187

−5 0 0 0
 
−1 −5 0 2 
(A − 4I) =  
 0 0 0 0
 

0 0 0 −5
y que

0 0 0 0 0 0 0 0
   
5 0 0 −10 0 0 0 0
 
(A + I)(A − 4I) =   6= 
 
0 0 0 0  0 0 0 0


0 0 0 0 0 0 0 0

0 0 0 0 −5 0 0 0 0 0 0 0
    
0 0 0 0 −1 −5 0 2  0 0 0 0
   
(A + I)2 (A − 4I) =   = ,
 
0 0 25 0  0 0 0 0 0 0 0 0


0 0 0 0 0 0 0 −5 0 0 0 0

luego el polinomio minimal es m(λ) = (λ + 1)2 (λ − 4). Un cálculo directo nos da

que
Ker (A + I) = h{(2, 0, 0, 1), (0, 1, 0, 0)}i
de dónde hay 2 de bloques de Jordan asociados al valor propio λ = −1.
Escribimos N = (A + I) y escogemos v ∈ / Ker N digamos v = (1, 0, 0, 1) y N(v) =
(0, 1, 0, 0), con esto obtenemos dos vectores LI asociados al primer bloque. Note
que N 2 (1, 0, 0, 1) = (0, 0, 0, 0).
Para el segundo bloque correspondiente a λ = −1 elegimos w = (2, 0, 0, 1) ∈
Ker N, observe que N(2, 0, 0, 1) = (0, 0, 0, 0). De este modo tenemos la base B1 =
{(1, 0, 0, 1), (0, 1, 0, 0), (2, 0, 0, 1)} del espacio invariante para λ = −1.
Ahora consideramos λ = 4, de la igualdad (A − 4I)v = 0 obtenemos que su espacio
propio es h{(0, 0, 1, 0)}i.

Sea B = {(1, 0, 0, 1), (0, 1, 0, 0), (2, 0, 0, 1), (0, 0, 1, 0)} base de R4 , buscamos [T ]B
B

T (1, 0, 0, 1) = (−1, 1, 0, −1) = −1(1, 0, 0, 1) + 1(0, 1, 0, 0) + 0(2, 0, 0, 1) + 0(0, 0, 1, 0)

T (0, 1, 0, 0) = (0, −1, 0, 0) = 0(1, 0, 0, 1) − 1(0, 1, 0, 0) + 0(2, 0, 0, 1) + 0(0, 0, 1, 0)
T (2, 0, 0, 1) = (−2, 0, 0, −1) = 0(1, 0, 0, 1) + 0(0, 1, 0, 0) − 1(2, 0, 0, 1) + 0(0, 0, 1, 0)
T (0, 0, 1, 0) = (0, 0, 4, 0) = 0(1, 0, 0, 1) + 0(0, 1, 0, 0) + 0(2, 0, 0, 1) + 4(0, 0, 1, 0),
188 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

así
−1 0 0 0
 
 1 −1 0 0
J = [T ]B
B =  .
 
 0 0 −1 0
0 0 0 4

Finalmente P J = AP con
1 0 2 0
 
0 1 0 0
P = .
 
0 0 0 1
1 0 1 0

16) Determinar todas las posibles formas de Jordan para un operador T : R5 → R5

cuyo polinomio característico es c(x) = (x − 3)2 (x − 4)3 . Indique los polinomios
minimales correspondientes.
Solución. Las matrices deben ser de 5 × 5. Como (x − 3) tiene exponente 2 en
c(x), 3 debe aparecer 2 veces en la diagonal principal y en forma similar 4 debe
aparecer 3 veces. Las posibles formas de Jordan son

4 0 0 0 0 4 0 0 0 0 4 0 0 0 0
     

 1 4 0 0 0  1 4 0 0 0  0 4 0 0 0
     
 0 1 4 0 0  0 0 4 0 0  0 0 4 0 0
     
     
 0 0 0 3 0  0 0 0 3 0  0 0 0 3 0
     
0 0 0 1 3 0 0 0 1 3 0 0 0 1 3
m(x) = (x − 3) (x − 4) m(x) = (x − 3) (x − 4) m(x) = (x − 3)2 (x − 4)
2 3 2 2

4 0 0 0 0 4 0 0 0 0 4 0 0 0 0
     

 1 4 0 0 0  1 4 0 0 0  0 4 0 0 0
     
 0 1 4 0 0  0 0 4 0 0  0 0 4 0 0
     
     
 0 0 0 3 0  0 0 0 3 0  0 0 0 3 0
     
0 0 0 0 3 0 0 0 0 3 0 0 0 0 3
m(x) = (x − 3)(x − 4) m(x) = (x − 3)(x − 4) m(x) = (x − 3)(x − 4)
3 2

17) Hallar la forma canónica de A si

1 0 −2
 

A =  −5

6 11 

5 −5 −10
5.5. EJERCICIOS RESUELTOS 189

Solución. El polinomio característico es

p(λ) = det(λI − A) = (λ − 1)(λ + 2 − i)(λ + 2 + i).

Buscamos los vectores propios:

Para λ = 1 se tiene (A − I)v = 0 de donde v = (1, 1, 0).

Para λ = −2 + i obtenemos el vector propio a partir de

−3 + i 0 2 0
    
v1
(A − (−2 + i)I)v = 

5   v2  =  0 
−8 + i −11     

−5 5 8+i v3 0

de donde,

(−3 + i)v1 + 2v3 0

   

 5v1 + (−8 + i)v2 − 11v3  =  0 

   

−5v1 + 5v2 + (8 + i)v3 0

Tomando v1 = 2 se tiene v3 = 3 − i, v2 = −3 + i, de modo que un vector propio

de A es v = (2, −3 + i, 3 − i) para el valor propio λ = −2 + i. Escribimos v =
(2, −3, 3) + i(0, 1, −1) y así:

1 2 0 1 0 0 0 2 2
     
−1 1
Q =  1 −3 1  , J =  0 −2 1  , Q =  1 −1 −1 
    
2
0 3 −1 0 −1 −2 3 −3 −5

18) Encuentre la forma canónica de la matriz

4 −4 3
 

 1 0 −2 
A= 

0 0 3

El polinomio característico es p(λ) = (λ−2)2 (λ−3). Buscamos los vectores propios:

190 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

Para λ = 2 resolvemos (A − 2I)v = 0

2 −4 3 0
    
v1
(A − 2I)v = 
 1 −2 −2 
v
 2 

=  0 
 

0 0 1 v3 0
y obtenemos el vector propio v = (2, 1, 0). Como λ = 2 es de multiplicidad 2
y tiene sólo un vector propio asociado, debemos estudiar Ker(A − 2I)2
0 0 17 0
    
v1
(A − 2I) v =  0 0 5   v2  =  0 
2     

0 0 1 v3 0
de donde v3 = 0. Así, Ker(A − 2I)2 = h{(2, 1, 0), (1, 0, 0)}i
Para λ = 3 resolvemos (A − 3I)v = 0 y obtenemos el vector propio v =
(17, 5, 1).

A partir de esto obtenemos

1 2 17 2 0 0 1 −2 −7
     
−1
Q =  0 1 5  , J =  1 2 0  , Q =  0 1 −5 
     

0 0 1 0 0 3 0 0 1

19) El polinomio característico de la matriz A asociada a una transformación lineal

2−λ 0 1 0
0 2−λ 0 1
det(A − λI) = = (2 − λ)2 ((2 − λ)2 + 1).
0 0 2−λ 0
0 −1 0 2−λ
De esto, los valores propios son λ = 2 y λ = 2 ± i. Para λ = 2 + i calculamos los
vectores propios
−i 0 1 0 v1 0
    
 0 −i 0 1  v2   0 
=
    
 0 0 −i 0 v3 0
   
   
0 −1 0 −i v4 0
de donde v = (0, −i, 0, 1) = (0, 0, 0, 1) + i(0, −1, 0, 0). Para λ = 2
0 0 1 0 v1 0
    
 0 0 0 1  v2   0 
=
    
0 0 0 0 v3 0
   
    
0 −1 0 0 v4 0
5.5. EJERCICIOS RESUELTOS 191

obtenemos el vector propio v = (1, 0, 0, 0). Además

0 0 0 0 v1 0
    
 0 −1 0 0  v2   0 
(A − 2I)2 v =  =
    
0 0 0 0 v3 0
  
    
0 0 0 −1 v4 0

encontramos el vector propio generalizado v = (0, 0, 1, 0).

La forma canónica de A es

2 1 0 0
 
 −1 2 0 0 
J= ,
 
 0 0 2 0 
0 0 1 2

0 0 0 1 0 0 0 1
   
 0 −1 0 0   0 −1 0 0 
así, A = QJQ−1 con Q =  y Q−1 =  .
   
0 0 1 0 0 0 1 0

   
1 0 0 0 1 0 0 0

20) Sea T : R4 → R4 t.l con polinomio característico c(λ) = (λ − 5)4 . Obtener las
posibles formas canónicas de Jordan e indicar en cada caso dim Ker(T − 5I) y el
polinomio minimal.

Solución. Las posibles formas canónicas de Jordan son

dim Ker(T − 5I) = 1, dim Ker(T − 5I) = 3, dim Ker(T − 5I) = 4;

m(λ) = (λ − 5)4 m(λ) = (λ − 5)2 m(λ) = λ − 5;

5 0 0 0 5 0 0 0 5 0 0 0
     

 1 5 0 0 


 1 5 0 0 


 0 5 0 0 

0 1 5 0 0 0 5 0 0 0 5 0
     
     
0 0 1 5 0 0 0 5 0 0 0 5

Si dim Ker(T − 5I) = 2 entonces

192 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

dim Ker(T − 5I)2 = 3, dim Ker(T − 5I)2 = 4

m(λ) = (λ − 5)3 m(λ) = (λ − 5)2

5 0 0 0 5 0 0 0
   

 1 5 0 0 


 1 5 0 0 

0 1 5 0 0 0 5 0
   
   
0 0 0 5 0 0 1 5

21) Sea A ∈ M(5) una matriz cuyo polinomio característico es

p(λ) = (λ − 1)3 (λ − 2 − i)(λ − 2 + i).

Suponga que dim Ker(I − A) = 2, hallar la matriz equivalente a A en bloques de

Jordan.

Como dim Ker(I − A) = 2, asociado al valor propio λ = 1 hay dos bloques de

Jordan, luego la solución es de la forma

1 0 0 0 0
 

1 1 0 0 0
 
 
J= 0 0 1 0 0
 
 
 

 0 0 0 2 −1 

0 0 0 1 2

22) Encontrar la forma canónica de Jordan para A si se sabe que su polinomio carac-
terístico es p(λ) = (λ + 1)3 (λ + 2 − i)(λ + 2 + i) y que dim Ker(−I − A) = 1.
Como dim Ker(−I − A) = 1 el valor propio λ = 1 nos entrega sólo un vector
propio. Así, la forma canónica de Jordan es

0 0 0 0
 
−1
1 −1 0 0 0
 
 
J= 0 1 −1 0 0
 
 
 

 0 0 0 −2 1 

0 0 0 −1 −2

Sabemos que existe Q matriz invertible tal que A = QJQ−1 . Escribimos

5.5. EJERCICIOS RESUELTOS 193

0 0 0 0 0 0 0
     
−1 −1
J1 =  1 −1 0  = D + N =  0 −1 0 + 1 0 0 
    

0 1 −1 0 0 −1 0 1 0

La matriz D es diagonal y N es nilpotente de orden 3.

23) Demostrar que si A es nilpotente entonces A no es invertible. ¿Es cierto el recípro-

co?

Solución. Supongamos que A es nilpotente de indice k, entonces

Ak = 0

En particular
det(A)k = det(0) = 0
Como det(A) ∈ K, por lo tanto det(A) = 0 es decir A no es invertible.
El recíproco no es necesariamente cierto, considere

1 1
!

1 1

24) Demuestre que si A es nilpotente entonces In − A es invertible.

Solución. Lo haremos por contra reciproco, supongamos que In −A no es invertible

entonces In − A tiene valor propio 0, es decir existen v ∈ V \ {0V } tales que

(In − A)v = 0v =⇒ Av = v

Por lo tanto A tiene valor propio 1, usando ejercicio de ayudantía pasada se tiene
que Ak también tiene valor propio 1 con k ∈ N, por lo tanto existe v ∈ V no nulo
tal que
Ak v = v
Es decir Ak 6= 0 para todo k ∈ N (A no es nilpotente).

25) Demuestre que la forma canónica de Jordan de la siguiente matriz

1 a c
 

A = 0 1 b 
 

0 0 1
194 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

tiene solamente un bloque de Jordan ssi ab 6= 0.

Solución. Para esto calculemos su polinomio característico, por lo tanto tenemos
que
λ − 1 −a −c
det(λI3 − A) = 0 λ − 1 −b = (λ − 1)3
0 0 λ−1
Ahora calculamos el subespacio propio asociado al único valor propio y con eso
vemos cuantos bloques de Jordan tiene la matriz. Por lo que tenermos que calcular
dim(Ker(A − I3 )
0 a c 0
      
x x
(A − I3 ) y  = 0 0 b  y  = 0
      

z 0 0 0 z 0
Por lo que tenemos que analizar estas dos ecuaciones
ay + cz = 0
bz = 0
Si
a=0 y b = 0 entonces dim(Ker(A − I3 )) ≥ 2.
a=0 y b 6= 0 entonces dim(Ker(A − I3 )) = 2.
a 6= 0 y b = 0 entonces dim(Ker(A − I3 )) = 2.
a 6= 0 y b 6== 0 entonces dim(Ker(A − I3 )) = 1.
Por lo tanto A tiene un solo bloque de Jordan si y sólo si a 6= 0 y b 6= 0, es decir,
ab 6= 0.
26) Calcule la forma canonica de Jordan de la siguiente matriz
0 2 −1
 

A = 1 2 −2 .
 

0 2 −1
Además encuentre una matriz P invertible tal que J = P −1AP .
Solución. Para eso calculemos el polinomio característico de A, tenemos que
λ −2 1
det(λI3 − A) = −1 λ − 2 2 = λ2 (λ − 1)
0 −2 λ + 1
Calculamos los subespacios propios, por lo que para
5.5. EJERCICIOS RESUELTOS 195

λ=0
Necesitamos resolver el siguiente sistema de ecuaciones

0 2 −1 0
    
x

 1 2 −2 y
 
  = 0
 

0 2 −1 z 0

Tenemos que Ker(A) = h(2, 1, 2)i, por lo tanto necesitamos calcular el valor
propio generalizado, por lo que se tiene que resolver el siguiente sistema de
ecuaciones 2  
0 2 −1 0
  
x

 1 2 −2   
  y =  0
 

0 2 −1 z 0
Por lo que Ker(A2 ) = h(3, 0, 2), (0, 3, 2)i.
λ=1
Necesitamos resolver el siguiente sistema de ecuaciones

−1 2 −1 0
    
x
 1 1 −2 y  = 0
    

0 2 −2 z 0

Por lo tanto Ker(A − I3 ) = h(1, 1, 1)i. Para formar la matriz cambio de base
necesitamos seleccionar un v ∈ Ker(A2 ) pero que v ∈ / Ker(A), escojamos
v = (3, 0, 2) y luego escoger un w ∈ Ker(A − I3 ) por ejemplo w = (1, 1, 1). Y
formamos la base

B = {v, Av, w} = {(3, 0, 2), (−2, −1, −2), (1, 1, 1)}

Por lo que
−1 
0 0 0 3 −2 1 0 2 −1 3 −2 1
    

1 0 0 = 0 −1 1 1 2 −2 0 −1 1
      

0 0 1 2 −2 1 0 2 −1 2 −2 1

27) Sea T : R3 −→ R3 un operador lineal tal que

T (x, y, z) = (−2x + y + z, −x + y, y − z)

a) Demostrar que T es una transformación lineal.

b) Hallar Ker(T ) y Im(T ).
196 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

c) ¿Se cumple que Ker(T ) ⊕ Im(T ) = R3 ?.

d) Demostrar que R3 /h(1, 1, 1)i ∼
= h(−2, −1, 0), (1, 1, 1)i.
e) Encontrar una base dual de Ker(T ) y Im(T ).
f) Hallar Ker(T )0 , Im(T )0 , (Ker(T ) + Im(T ))0 y (Ker(T ) ∩ Im(T ))0 .
g) Encontrar la representación matricial de T en la base canónica.
h) Hallar valores propios, polinomio minimal y característico de la matriz ante-
rior.
i) Hallar una base B de R3 tal que [T ]B
B = J, donde J representa la forma
canónica de Jordan.

Solución.
a) Sean x = (x1 , x2 , x3 ), y = (y1 , y2, y3 ) ∈ R3 y α ∈ R, tenemos que
T (x + αy) = T (x1 + αy1, x2 + αy2 , x3 + αy3)
= (−2(x1 + αy1 ) + (x2 + αy2 ) + (x3 + αy3), −(x1 + αy1 ) + (x2 + αy2 ), 0)
+ (0, 0, x2 + αy2 ) − (x3 + αy3 ))
= (−2x1 + x2 + x3 , −x1 + x2 , x2 − x3 ) + α(−2y1 + y2 + y3 , −y1 + y2 , y2 − y3 )
= T (x) + αT (y)
Por lo tanto T es una transformación lineal.
b) Para hallar una base de Ker(T ) = 0, debemos hallar las soluciones a la siguiente
ecuación
T (x, y, z) = (−2x + y + z, −x + y, y − z) = (0, 0, 0)
Por lo tanto
Ker(T ) = h(1, 1, 1)i
Para Im(T ) notemos que
T (x, y, z) = (−2x + y + z, −x + y, y − z)
= (−2x, −x, 0) + (y, y, y) + (z, 0, −z)
= x(−2, −1, 0) + y(1, 1, 1) + z(1, 0, −1)
Es decir
Im(T ) = h(−2, −1, 0), (1, 1, 1)i

c) Ya que Ker(T ) ∩ Im(T ) = h(1, 1, 1)i no se puede cumplir que

Ker(T ) ⊕ Im(T ) = R3
5.5. EJERCICIOS RESUELTOS 197

d) Usando el primer teorema de isomorfismo sobre T se tiene que

R3 /Ker(T ) ∼
= Im(T )

es decir
R3 /h(1, 1, 1)i ∼
= h(−2, −1, 0), (1, 1, 1)i

e) Para hallar las bases duales de los dos espacios debemos completar la base
{(−2, −1, 0), (1, 1, 1)}, por ejemplo escojamos el vector (0, 0, 1), es decir tenemos
la siguiente base de R3

{(−2, −1, 0), (1, 1, 1), (0, 0, 1)}

Primero debemos hallar las coordenadas del vector (x, y, z) ∈ R3 en la base anterior,
es decir
(x, y, z) = α(−2, −1, 0) + β(1, 1, 1) + γ(0, 0, 1)
Un calculo fácil nos da que

α = y − x β = 2y − x γ = z − 2y + x

Por lo que

f1 : R3 −→ R : (x, y, z) 7−→ y − z
f2 : R3 −→ R : (x, y, z) 7−→ 2y − x
f3 : R3 −→ R : (x, y, z) 7−→ z − 2y + x

Por lo tanto (Ker(T ))∗ = hf2 i y (Im(T ))∗ = hf1 , f2 i.

f) Usando la definición de anulador, queremos halllar

(Im(T ))0 = {f ∈ (R3 )∗ | f (v) = 0V ∀ v ∈ Im(T )}

Como

f1 (−2, −1, 0) = 1, f2 (1, 1, 1) = 1, f3 (α1 (−2, −1, 0) + α2 (1, 1, 1)) = 0

Entonces f1 , f2 ∈
/ (Im(T ))0 y f3 ∈ (Im(T ))0 , ahora sea f ∈ (R3 )∗ usando la base
del dual, tenemos que
f = αf1 + βf2 + γf3
Evaluando en (−2, −1, 0) y (1, 1, 1) se tiene que

f (−2, −1, 0) = αf1 (−2, −1, 0) + βf2 (−2, −1, 0) + γf3 (−2, −1, 0) = α
198 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

f (1, 1, 1) = αf1 (1, 1, 1) + βf2 (1, 1, 1) + γf3 (1, 1, 1) = β

Por lo tanto f ∈ (Im(T ))0 si y solo si α = β = 0, es decir (Im(T ))0 = hf3 i. De
manera similar se obtiene que (Ker(T ))0 = hf1 , f3 i.
Ahora para la otra parte usaremos que
(Ker(T )+Im(T ))0 = (Ker(T ))0 ∩(Im(T ))0 y (Ker(T )∩Im(T ))0 = (Ker(T ))0 +(Im(T ))0
Es decir
(Ker(T ) + Im(T ))0 = (Ker(T ))0 ∩ (Im(T ))0 = hf1 , f3 i ∩ hf3 i = hf3 i
De la misma manera
(Ker(T ) ∩ Im(T ))0 = (Ker(T ))0 + (Im(T ))0 = hf1 , f3 i + hf3 i = hf1 , f3 i

g) Para hallar la representación en la base canónica debemos aplicar T a los vectores

canónicos y hallar sus coordenadas
T (1, 0, 0) = (−2, −1, 0) = −2(1, 0, 0) − 1(0, 1, 0) + 0(0, 0, 1)
T (0, 1, 0) = (1, 1, 1) = 1(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
T (0, 0, 1) = (1, 0, −1) = 1(1, 0, 0) + 0(0, 1, 0) − 1(0, 0, 1)
Por lo tanto
−2 1 1
 

[T ]C
C = 
 −1 1 0 
0 1 −1
h) Para hallar el polinomio caracteristico debemos hallar el determinante de la
siguiente matriz
λ + 2 −1 −1
p(λ) = 1 λ−1 0 = λ2 (λ + 2)
0 −1 λ + 1
Es decir la matriz tiene dos valores propios λ1 = 0 y λ2 = −2. Luego para el
polinomio minimal debemos probar con λa (λ + 1) con a ∈ {1, 2}, notemos que
−2 1 1 −2 1 1 2 0 0 −1 2 −1
       

−1 1 0  −1 1 0  + 0 2 0 = −1 2 −1

       

0 1 −1 0 1 −1 0 0 2 −1 2 −1
Por lo que el polinomio minimal es igual al característico.
i) Para hallar la base que nos piden, debemos de estudiar lo espacios de valores
propios
5.6. EJERCICIOS PROPUESTOS 199

λ1 = 0
Como ya calculamos Ker(T ) entonces ya tenemos que Ker(T ) = h(1, 1, 1)i,
como tiene dimensión propio debemos calcular el subespacio propio generaliza-
do, es decir, Ker(T 2 ). Tenemos que resolver el siguiente sistema de ecuaciones

3 0 −3 0
    
x
 1 0 −1 y  = 0
    

−1 0 1 z 0

De lo que obtenemos que Ker(T 2 ) = h(1, 0, 1), (0, 1, 0)i.

λ2 = −2
Para Ker(T + 2I) debemos resolver el siguiente sistema de ecuaciones

0 1 1 0
    
x
−1 3 0 y  = 0
    

0 1 1 z 0

De lo que se obtiene que Ker(T + 2I) = h(3, 1, −1).

Por lo tanto para formar una base donde la representación matricial de T es la
forma canónica de Jordan, debemos tomar v1 ∈ Ker(T 2 ) pero que v1 ∈ / Ker(T ) y
v2 ∈ Ker(T + 2I), por ejemplo escojamos v1 = (0, 1, 0) y v2 = (3, 1, −1), formando
la base
B = {v1 , T (v1 ), v2 } = {(0, 1, 0), (1, 1, 1), (3, 1, −1)}
Ocupando el teorema de cambio de base tenemos
−1 
0 1 3 −2 1 1 0 1 3 0 0 0
    

1 1 1  −1 1 0  1 1 1  = 1 0 0 
      

0 1 −1 0 1 −1 0 1 −1 0 0 −2

5.6. Ejercicios Propuestos

Valores Propios, Subespacios Invariantes
1) El conjunto de valores propios de A es también llamado espectro de A y denotado
usualmente por σ(A), esto es,

σ(A) = {λ ∈ K : (λI − A) no es invertible}.

Hallar el espectro en C de las siguientes matrices

200 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

1 1 1 6 −3 −2
   
2 3
!
(a)  0 1 1  (b)  4 −1 −2  (c)
   
−1 1
0 0 1 10 −5 −3
2) Sean A y B matrices sobre un cuerpo K. Demostrar que si (I − AB) es inversible
entonces (I − BA) es inversible y
(I − BA)−1 = I + B(I − AB)−1 A.
Además, pruebe que AB y BA tienen el mismo espectro en K.
3) Sea C([0, 1]) el espacio vectorial de las funciones continuas de [0, 1] en R. Considere
el operador de Volterra T : C([0, 1]) → C([0, 1]) definido por
Z t
(T ψ)(t) = ψ(s)ds.
0

Pruebe que T no posee valores propios.

0 −1
!
4) Sean V = M2 (R) y A = ∈ V. Pruebe que σ(A) = ∅.
1 0
5) Considere el operador L : C 1 ([0, 1], C) → C([0, 1], C) definido por
L(f ) = f ′
Pruebe que σ(L) = C.
6) Determine cuales de las siguientes matrices son diagonalizables en relación al cuer-
po de C, al cuerpo R.
0 1 0 0
 
0 0 1 0 0 1
   
 0 0 1 0 
(a)  1 0 0  (b)  0 0 0  (c) 
     
0 0 0 1

0 1 0 −1 0 0
 
1 0 0 0

7) ¿Qué condiciones se deben imponer a los números complejos z1 , . . . , zn para que la

matriz

0 · · · 0 z1
 

 0 · · · z2 0  
 .. .. .. 
. ··· . . 
 

zn ··· 0 0
sea diagonalizable en C?
5.6. EJERCICIOS PROPUESTOS 201

8) Considere la siguiente matriz

1 0 1
 

A =  0 1 1 .
 

1 1 0

Demuestre que existe una matríz C invertible tal que CAC −1 es una matriz dia-
gonal.
9) Sea T ∈ L(R5 , R5 ), que en la base canónica se representa por la siguiente matriz

3 0 0 0 0
 

0 3 1 0 0
 
 
0 0 3 0 0
 
 
 

 0 0 0 0 1 

0 0 0 −9 6

Determine su polinomio minimal y polinomio característico. Existencia de valores

propios. Dimensión de los subespacios de valores propios.
10) Escriba ejemplos de funciones lineales de un espacio en si mismo, que tengan
el mismo polinomio minimal y polinomio característico, pero que sean distintas
funciones lineales. Justifique.
11) Sea f ∈ LQ (Q4 , Q4 ) que en la base canónica se representa por la matriz

0 1 0 0
 
 −1 0 1 0 
.
 
0 0 0 1

 
0 0 −1 0

Determine su polinomio minimal y polinomio característico.

12) Considere el problema anterior pero con K un cuerpo de 5 elementos. Analice
existencia de vectores propios.
13) Sea p(x) = (x − α)(x − β)(x − γ) con α 6= β 6= γ 6= α el polinomio característico de
una función lineal de R3 en si mismo. ¿Qué puede afirmar respecto del polinomio
minimal de esa función?
14) Sea p(x) = (x − α)(x − β) con α 6= β el polinomio minimal de una función lineal
de R3 en si mismo. ¿Qué puede afirmar respecto del polinomio característico de
esa función? Si en lugar de R3 fuera R9 ¿cuál sería su conclusión?
202 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

15) Determine los polinomios minimales y característicos de funciones lineales geomé-

tricas del plano y del espacio, como por ejemplo, las rotaciones alrededor del origen,
las reflexiones respecto de rectas y planos que pasan por el origen.

16) Si S es un subespacio de un espacio vectorial V y f : V → V una función lineal

que deja invariante al subespacio S, esto es, f (S) ⊆ S. Demuestre que la función
f¯ : V /S → V /S definida por f(v
¯ + S) = f (v) + S es una función lineal. Analice
esta función, por ejemplo, polinomio minimal, vectores propios, etc.

17) Sean V y W dos espacios vectoriales sobre el mismo cuerpo K, y f y g dos funciones
lineales de V y W en si mismo, respectivamente. Defina en el espacio vectorial
V × W de los pares ordenados de elementos (v, w) con las operaciones usuales y la
función, denotada por f × g, definida por f × g(v, w) = (f (v), g(w)). Demuestre
que esta función es una función lineal. Estudie la existencia de valores propios de
esta función, obviamente en relación a la existencia de vectores propios de cada
una de las funciones f y g. También considere polinomios minimales. Estudie, en
el caso de dimensión finita de V y W el espacio dual de V × W.

18) Sea V la suma directa de los subespacios M y N que son subespacios invariantes
bajo una función lineal T del espacio V en si mismo. Considere las restricciones
de esta función a cada uno de los subespacios. Analice, desde el punto de vista
de vectores propios, polinomios minimales y característicos la relación entre estas
funciones.

Formas Canónicas

19) Comprobar que cada uno de los siguientes operadores lineales es nilpotente y en-
contrar su forma canónica.

0 0 0 0 0 0 0 0 0 0 0 0
     

 1 0 0 
a)  0 0 0 0 1 0 0 0 0
    
c) 
   
0 2 0 6 7 0 0 e) 0 0 0 0 0
  
   
 
8 9 0 0 
 0 0 0 0 0 

0 0 2 3 0
0 0 0 0 1 1 0 0
   

0 2 −2 1 0 0 0 −1 −1 0 0
     
d)  f) 
   
b)  0 0 4  0 1 0 0 0 1 2 −2
  
    
0 0 0 0 0 1 0 1 0 2 −2
5.6. EJERCICIOS PROPUESTOS 203

20) Para los siguientes operadores lineales en R4 obtener la forma canónica de Jordan.

0 1 0 0 0 0 0 0 0 0 0 100
     
 0 0 2 0   4 0 0 0   0 0 0 0 
a)  
c)  
e)  
0 0 0 3 0 0 0 4 0 0 0 0 
     
    
0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 2 0 0 0 0
   
 0 0 0 0   1 0 0 0 
b)  d) 
   
0 0 0 0 0 1 0 0
 
   
−2 0 0 −2 −1 −1 −1 0

21) Sea N un operador nilpotente sobre R4 de índice 2. Hallar las posibles formas
canónicas de N.

22) Sea N un operador nilpotente sobre R6 de índice 3. Hallar las posibles formas
canónicas de N.

23) Si V es el espacio vectorial de los polinomios de grado menor o igual a n sobre un

cuerpo K, demostrar que el operador derivación sobre V es nilpotente.

24) Sean A ∈ Mn×n (R) y w ∈ Cn un vector propio complejo de A asociado al valor

propio λ = a + ib, con b 6= 0. Escribimos w = u + iv con u, v ∈ Rn dados por
u = 21 (w + w) y v = 2i1 (w − w). Pruebe que {u, v} es LI en Rn y

Au = au − bv
!
a b
concluya que A ∼ .
Av = bu + av −b a

25) Dadas las siguientes matrices con entradas reales, hallar su forma canónica.

1 0 −2 −2 0 0 −2 0 0
     

a)  −5

6 11 
 d) A =  0 4 0
 
g)  0 4 0 
 

5 −5 −10 0 1 1 0 1 1
1 0 −1
 
−7 0 9 1 0 −1
   
h)  −1 1 −1 
 
b)

9 2 −9  e) A = −1

1 −1
0 0 1
  
−4 0 5 0 0 1
1 0 0 1
 

2 −1 0 1 0 0 0 1 1 0
     
i) 
 
c) −1 2 −1  f) 1 2 0  0 0 1 0
  
     
0 −1 2 1 0 −1 1 0 0 0
204 CAPÍTULO 5. FORMAS CANÓNICAS ELEMENTALES

26) Sea V un espacio vectorial de dimensión finita sobre un cuerpo K y sea T un opera-
dor lineal sobre V tal que rango(T ) = 1. Demostrar que, o bien T es diagonalizable,
o bien T es nilpotente, pero no ambas cosas simultáneamente.

27) Sean A, B, Q ∈ Mn×n (R), decimos que A y B son semejantes si AQ = QB con Q

invertible. Sea λ ∈ R, muestre que

a) (λI − A)Q = Q(λI − B),

b) λ es un valor propio de A si y sólo si λ es un valor propio de B,
c) Si A y B son semejantes entonces (λI−A)k y (λI−B)k también son semejantes
para todo k ∈ N.

28) Dé un ejemplo de dos matrices nilpotentes de 4×4 con el mismo polinomio minimal
que no sean semejantes.

29) Dadas las matrices

5 0 0 0 5 0 0 0
   
 1 5 0 0   1 5 0 0 
A= 
B= 
0 0 5 0 0 1 5 0
   
   
0 0 1 5 0 0 0 5

a) Verifique que ambas tienen el mismo polinomio característico c(λ) = (λ − 5)4 .

b) Compruebe que dim Ker (5I − A) = dim Ker (5I − B)
c) Obtener dim Ker (5I − A)2 y dim Ker (5I − B)2
d) ¿Son A y B semejantes?

30) Sea M una matriz de 6 × 6 con entradas reales y valores propios −1, 3 + i y 3 − i.
Suponga además que dim Ker (A + I) = 2 y dim Ker (A + I)2 = 0. Encuentre la(s)
posibles formas canónica.
 Capítulo 6
Productos Internos

6.1. Formas bilineales

En esta primera sección, fijaremos un cuerpo K arbitrario (más adelante nos con-
centraremos en R para ganar intuición geométrica). La idea de cambiar el “algo” por
“escalar” corresponde precisamente a la noción de forma bilineal, que definimos ensegui-
da.

Definición 6.1. Sea V un K-espacio vectorial. Una forma bilineal de V es una función
b : V × V → K que satisface las siguientes propiedades:

1) b(x + αy, z) = b(x, z) + αb(y, z) para todo α ∈ K y todo x, y, z ∈ V (linealidad

por la izquierda).

2) b(x, y + αz) = b(x, y) + αb(x, z) para todo α ∈ K y todo x, y, z ∈ V (linealidad

por la derecha).

Decimos que la forma es simétrica si además cumple que b(x, y) = b(y, x) para todo
x, y ∈ V .

Nótese que si la forma es simétrica, entonces basta con chequear la linealidad en uno
de los dos factores ya que la simetría nos da el otro inmediatamente.
Veamos un ejemplo del curso de Álgebra y Geometría.

Ejemplo 6.2. El producto interno usual de R2 dado por

(x1 , y1 ) · (x2 , y2 ) = x1 x2 + y1 y2 ,

205
206 CAPÍTULO 6. PRODUCTOS INTERNOS

es una forma bilineal simétrica de R2 . En efecto, la simetría es bastante clara y además

tenemos que, para todo α, xi , yi ∈ R,

[(x1 , y1 ) + α(x2 , y2)] · (x3 , y3 ) = (x1 + αx2 , y1 + αy2 ) · (x3 , y3 )

= (x1 + αx2 )x3 + (y1 + αy2)y3
= x1 x3 + y1 y3 + α(x2 x3 + y2 y3 )
= (x1 , y1 ) · (x3 , y3 ) + α[(x2 , y2 ) · (x3 , y3)].

Podemos generalizar esto a Rn considerando el producto interno usual.

Veamos ahora un ejemplo en el área de Cálculo.
Ejemplo 6.3. Si V = C[a, b] = {f : [a, b] → R | f continua}, entonces toda función
b : V × V → R de la forma
Z b
b(f, g) = k(t)f (t)g(t)dt,
a

con k ∈ C[a, b], es una forma bilineal simétrica. En efecto, la simetría es una vez más
bastante clara y, como la integral respeta a la suma y a la multiplicación por constantes,
para todo f, g, h ∈ V y α ∈ R tenemos que
Z b Z b
k(t)f (t)[g(t) + αh(t)]dt = [k(t)f (t)g(t) + αk(t)f (t)h(t)]dt
a a
Z b Z b
= k(t)f (t)g(t) + α k(t)f (t)h(t)dt.
a a

Finalmente, veamos que toda matriz cuadrada se puede interpretar como una forma
bilineal.
Ejemplo 6.4. Sea V = K n , cuyos vectores interpretamos como columnas, y sea A ∈
Mn×n (K) una matriz. Entonces la función b : V × V → K dada por

b(v, w) = w t Av.

es una forma bilineal. En efecto, sabemos que la multiplicación de matrices es asociativa y

distributiva. También sabemos que la trasposición respeta a la suma y a la multiplicación
por escalares. Por lo tanto:

b(u + αv, w) = w t A(u + αv) = w t Au + αw t Av = b(u, w) + αb(v, w),

y
b(u, v + αw) = (v + αw)tAu = v t Au + αw t Au = b(u, v) + αb(u, w),
6.1. FORMAS BILINEALES 207

para todo u, v, w ∈ K n y α ∈ K.
Notemos además que si At = A, la forma es simétrica. Para ver esto, notemos que
como b(u, v) ∈ K = M1×1 (K), tenemos b(u, v)t = b(u, v) y por lo tanto

b(u, v) = b(u, v)t = (v t Au)t = ut At (v t )t = ut Av = b(v, u).

Matriz asociada a una forma bilineal

Ya vimos que a partir de una matriz podemos obtener una forma bilineal. Ahora, al
igual que con las transformaciones lineales, veremos que las formas bilineales pueden ser
entendidas con la ayuda de matrices. La misma analogía nos dice que para lograr esto,
debemos primero fijar una base de V .
Sea V un K-espacio vectorial de dimensión n y sea B = {v1 , . . . , vn } una base de V .
n n
Si fijamos x, y ∈ V y escribimos x = αi vi e y = βj vj y consideramos una forma
X X

i=1 j=1
bilineal b sobre V . Usando la definición de bilinealidad tenemos
   
n n n n n X
n
b(x, y) = = βj vj  = αi βj b(vi , vj )
X X X X X
b  αi vi , βj vj  αi b vi ,
i=1 j=1 i=1 j=1 i=1 j=1

En otras palabras, entendemos perfectamente a la forma bilineal b si sabemos de ante-

mano sus valores en los pares (vi , vj ) con vi , vj ∈ B. Estos valores se pueden condensar
naturalmente en una matriz, dando lugar a lo siguiente.

Definición 6.5. Sea V un K-espacio vectorial de dimensión n con base B = {v1 , . . . , vn }

y sea b : V × V → K una forma bilineal. Definimos la matriz de Gram de b asociada a
la base B como la matriz [b]B ∈ Mn×n (K) cuya coordenada (i, j) es b(vj , vi ).

Nótese el cambio de orden: es decir que la coordenada (i, j) de la matriz [b]B es

b(vj , vi ). Esto responde a una razón técnica que se hace patente en el caso de formas
hermitianas, que veremos más adelante.
Esto nos permite asociar una matriz a toda forma bilineal y recuperar el punto de
vista del ejemplo anterior. En efecto, si escribimos x e y como vectores columna en la
base B, tenemos entonces:
n X
n
b(x, y) = αj βi b(vj , vi ) = [y]tB [b]B [x]B , (6.1)
X

i=1 j=1

ya que [x]B es la columna con los αj e [y]B es la columna con los βi .

208 CAPÍTULO 6. PRODUCTOS INTERNOS

Ejemplo 6.6. Sean V = K n , A = (aij ) ∈ Mn×n (K) y b : V × V → K la forma bilineal

dada por b(v, w) = w t Av. Sea B = {e1 , . . . , en } la base canónica de K n . Entonces

b(ej , ei ) = eti Aej = aij ∈ K.

Esto nos dice que la matriz de Gram de b asociada a la base canónica es precisamente
A.
En particular, como ya notamos, la forma será simétrica si y sólo si At = A, es decir,
si y sólo si aij = aji para todo 1 ≤ i, j ≤ n. Esto nos lleva a la siguiente definición
Definición 6.7. Decimos que una matriz A ∈ Mn×n (K) es simétrica si At = A.
Ejemplo 6.8. Si consideramos V = R2 con su base canónica {e1 , e2 } y su producto
punto interior usual como forma bilineal, entonces sabemos que

hei , ej i = δij ,

donde δij es la delta de Kronecker. Esto nos dice que la matriz de Gram asociada es
1 0
!
nada menos que I2 = .
0 1
Evidentemente, tenemos un resultado análogo en Rn .
Veamos ahora lo que ocurre si cambiamos la base del espacio vectorial.

Proposición 6.9. Sea V un K-espacio vectorial de dimensión n y b : V × V → K

una forma bilineal. Sean B = {v1 , . . . , vn } y B ′ = {w1 , . . . , wn } dos bases de V con
matrices de Gram respectivas A = [b]B y A′ = [b]B′ . Sea finalmente P = [idV ]B B ′ la
matriz de cambio de base de B a B. Entonces
′

A′ = P t AP.

Demostración. Nótese que para toda matriz M = (mij ) ∈ Mn×n (K), se tiene que
eti Mej = mij , donde ei representa al i-ésimo vector de la base canónica de K n .
Ahora, sabemos por definición que las coordenadas de A′ = [b]B′ son a′ij = b(wj , wi).
Por otra parte, unos cuantos cálculos directos usando la igualdad (6.1) nos dicen que

eti P t AP ej = (P ei )t A(P ej ) = ([idV ]B t B

B ′ [wi ]B ′ ) A([idV ]B ′ [wj ]B ′ )
= [wi ]tB [b]B [wj ]B = b(wj , wi ).

Así, vemos que las matrices A′ y P t AP tienen la misma coordenada (i, j) para todo par
(i, j). Esto prueba que ambas matrices son iguales. ¨
⌣
6.1. FORMAS BILINEALES 209

Veamos esto una vez más en el caso básico de V = R2 .

Ejemplo 6.10. Sea R2 con base canónica B = {e1 , e2 } y su producto interno usual
1 0
!
como forma bilineal b, cuya matriz de Gram asociada es [b]B = I2 = .
0 1
Consideremos ahora la base B ′ = {(1, 1), (1, −1)}. En este caso, la matriz de cambio
de base es
1 1
!
B
P = [idV ]B′ = .
1 −1
Así, tenemos que la matriz de Gram de b asociada a B ′ es
1 1 1 0 1 1 2 0
! ! ! !
[b]B′ = P t I2 P = = .
1 −1 0 1 1 −1 0 2
Por otra parte, podemos chequear directamente que
b((1, 1), (1, 1)) = b((1, −1), (1, −1)) = 1 · 1 + 1 · 1 = 2,
b((1, 1), (1, −1)) = b((1, −1), (1, 1)) = 1 · 1 − 1 · 1 = 0,
lo que confirma los cálculos matriciales.
Ejemplo 6.11. Sea V = R2 [x] el R-espacio vectorial de los polinomios de grado menor
o igual a 2. Una base de este espacio es B = {1, x, x2 }. Consideremos la forma bilineal
simétrica dada por Z 2
b(f, g) = f (t)g(t)dt.
1
Calculando las integrales de 1, x, x2 , x3 , x y evaluando, vemos que la matriz de Gram
4

de b es
1 3/2 7/3
 

[b]B = 3/2 7/3 15/4 .

 

7/3 15/4 31/5

√ √
Consideremos ahora la base B ′ = {1, 3(2x−3), 5(6x2 −18x+13)}. Podríamos calcular
las 6 diferentes integrales que se obtienen aplicando b a estos polinomios para tener
1 0 0
 

[b]B′ = I3 = 0 1 0

.
0 0 1
Sin embargo, es probablemente más fácil notar que
√ √ t  √ √  
1 −3√ 3 13 √5 1 3/2 7/3 1 −3√ 3 13 √5 1 0 0
  

0 2 3 −18 5 3/2 7/3 15/4 0 2 3 −18 5 = 0 1 0 .

      
√ √
0 0 6 5 7/3 15/4 31/5 0 0 6 5 0 0 1
210 CAPÍTULO 6. PRODUCTOS INTERNOS

Pareo dual y formas regulares

En las secciones anteriores, vimos que existe una relación estrecha entre un espacio
vectorial V y su dual V ∗ , también probamos que V es isomorfo a su bidual V ∗∗ y que,
también es isomorfo a V ∗ , sin embargo, siempre debemos hacer una elección de bases
para pasar de un espacio a otro. La presencia de una forma bilineal sobre el espacio V
puede remediar esto en algunos casos, como veremos enseguida.

Sea b una forma bilineal sobre el espacio V . Definimos una transformación lineal
b̃ : V → V ∗ , la cual envía v ∈ V a

b̃(v) : V → K,
w 7→ b(v, w).

En corto, tenemos que b̃(v)(w) := b(v, w). Como b es bilineal, vemos que b̃(v) es efecti-
vamente una transformación lineal y por ende un elemento de V ∗ .

Definición 6.12. La transformación lineal b̃ : V → V ∗ se llama el pareo dual definido

por b.

Nos detenemos un instante para estudiar esta construcción en términos de matrices.

Supongamos que V es de dimensión finita con base B y sea A = [b]B la matriz de Gram
correspondiente. Entonces

b̃(v)(w) = b(v, w) = [w]tB [b]B [v]B = [w]tB (A[v]B ).

En otras palabras, a la aplicación b̃(v) le corresponde, en la base B, la matriz columna

A[v]B . Luego, la matriz asociada a b̃ es precisamente A, con la salvedad de que ahora
interpretamos la columna A[v]B como un elemento de V ∗ (lo que se hace al multiplicar
dicha columna por la traspuesta de otras columnas por la izquierda).

Veamos las condiciones necesarias para obtener un isomorfismo entre V y V ∗ vía el

pareo dual.
6.2. PRODUCTOS INTERNOS SOBRE R 211

Proposición 6.13. Sean V un K−espacio vectorial de dimensión finita y b : V ×

V → K una forma bilineal. Las siguientes afirmaciones son equivalentes:

1) La transformación b̃ es inyectiva.

2) La transformación b̃ es sobreyectiva.

3) La transformación b̃ es biyectiva.

4) Para todo v ∈ V no nulo, existe un w ∈ V tal que b(v, w) 6= 0.

5) La matriz de Gram de b es invertible para alguna base B de V .

6) La matriz de Gram de b es invertible para toda base B de V .

Demostración. Por el Lema 3.5, sabemos que V y V ∗ tienen la misma dimensión. El

Teorema del rango (Teorema 2.17) nos dice entonces 1 ⇔ 2 ⇔ 3.
La afirmación 4 es equivalente a afirmar que b̃(v) 6= 0 ∈ V ∗ para todo v ∈ V no nulo.
En otras palabras, 4 ⇔ 3.
Si B es una base de V , ya sabemos que b̃ envía al vector [v]B al vector A[v]B , donde
A = [b]B es la matriz de Gram en la base B. La afirmación 4 es equivalente entonces
a afirmar que A[v]B 6= 0 si v 6= 0. Finalmente, esto equivale a afirmar que A define
una transformación lineal inyectiva y por lo tanto biyectiva, ya que se trata de una
matriz cuadrada. Así, A es invertible. Esto prueba que 4 ⇔ 5 y 4 ⇔ 6, puesto que el
razonamiento fue independiente de la base escogida. ⌣¨

Definición 6.14. Diremos que una forma bilineal b : V × V → K es regular si satisface

cualquiera de las condiciones equivalentes de la Proposición 6.13.
Las formas no regulares suelen llamarse formas singulares, pero no haremos mucho
énfasis en estas formas en este curso.

6.2. Productos internos sobre R

Aplicaremos lo que hemos aprendido a un caso particular de formas bilineales sobre
R, las cuales nos proveen una pequeña intuición geométrica de lo que ocurre en general.
Definición 6.15. Sea V un R-espacio vectorial y sea b : V × V → R una forma bilineal.
Diremos que

b es definida positiva si, para todo v ∈ V no nulo, se tiene que b(v, v) > 0.
212 CAPÍTULO 6. PRODUCTOS INTERNOS

b es definida negativa si, para todo v ∈ V no nulo, se tiene que b(v, v) < 0.

Un producto interno en V es una forma bilineal simétrica definida positiva. Una tal
forma la solemos denotar por v · w, o bien hv, wi en lugar de b(v, w).
Decimos que una matriz simétrica A ∈ Mn×n (R) es definida positiva si la forma
bilineal que define, lo es. Lo mismo para definida negativa.
Nótese que la Proposición 6.13 nos dice que un producto interno corresponde a una
forma bilineal regular. En efecto, siempre se tiene b(v, v) 6= 0 si v 6= 0. Se tiene por ende
un pareo dual en estos casos.
Ejemplo 6.16. En R2 , la forma bilineal b : R2 × R2 → R dada por b(v, w) = w t A1 v
para
1 0
!
A1 = I2 = ,
0 1
es definida positiva. En efecto, para (x, y) 6= (0, 0)

1 0
! !
  x
b((x, y), (x, y)) = x y = x2 + y 2.
0 1 y
Además A1 es simétrica y por la anterior positiva definida.
Si ahora consideramos
−1 0
!
A2 = ,
0 −1
vemos que es definida negativa. En efecto, A2 es simétrica y la forma bilineal b : R2 ×R2 →
R dada por b(v, w) = w t A2 v es negativa definida:

−1 0
! !
  x
b((x, y), (x, y)) = x y = −x2 − y 2 < 0 para (x, y) 6= (0, 0)
0 −1 y
Finalmente, la matriz
1 0
!
A3 = ,
0 −1
define una forma bilineal que no es ni definida positiva ni definida negativa. En efecto,
se ve de inmediato que et1 A3 e1 = 1, mientras que et2 A3 e2 = −1.
Ejemplo 6.17. Retomemos el Ejemplo 6.11. Sea V = R2 [x] el R-espacio vectorial de los
polinomios de grado menor o igual a 2, donde consideramos la forma bilineal simétrica
dada por Z 2
hf, gi := f (t)g(t)dt.
1
6.2. PRODUCTOS INTERNOS SOBRE R 213

Esto define un producto interno puesto que, para todo f 6= 0 ∈ R2 [t],

Z 2
hf, fi = f (t)2 dt > 0.
1

Si uno quiere evitar usar herramientas de análisis para probar que esta integral es efecti-
vamente > 0 (es fácil ver que es ≥ 0, el problema es quitar la posible igualdad), también
podemos usar el siguiente argumento. Como ya vimos en el Ejemplo 6.11, existe una
base B ′ = {f1 , f2 , f3 } de V en la cual la matriz de Gram es sencillamente I3 y por lo
tanto, si f = a1 f1 + a2 f2 + a3 f3 , tenemos que

hf, fi = a21 + a22 + a23 > 0,

la última desigualdad viene del hecho que f 6= 0 y por lo tanto alguno de los ai debe ser
no nulo, por lo que su cuadrado es positivo.

Un producto interno permite definir una buena noción de “largo” de un vector.

Definición 6.18. Sea V un R-espacio vectorial con producto interno. Se define la norma
de un vector v ∈ V como q
||v|| := hv, vi.
Decimos que v es unitario o de largo 1 si ||v|| = 1.

Veamos algunas propiedades de la norma:

Proposición 6.19. Sea V un R-espacio vectorial con producto interno. Entonces,

para todo v, w ∈ V y para todo α ∈ R se tiene que

1) ||αv|| = |α| ||v||.

2) ||v|| > 0 si v 6= 0.

3) |hv, wi| ≤ ||v|| ||w||. (Desigualdad de Cauchy-Schwarz)

4) ||v + w|| ≤ ||v|| + ||w||. (Desigualdad triangular)

Además de estas propiedades, una observación interesante es que, si bien usamos el

producto interno para definir la norma, podemos también definir el producto interno a
partir de la norma. En efecto, tenemos la siguiente igualdad, para todo v, w ∈ V :
1 1
hv, wi = ||v + w||2 − ||v − w||2. (6.2)
4 4
214 CAPÍTULO 6. PRODUCTOS INTERNOS

Demostración. Vamos por orden:

1) Recordando que el producto interno es bilineal, tenemos las siguientes igualdades:

q q q
||αv|| = hαv, αvi = α2 hv, vi = |α| hv, vi = |α| ||v||.

2) Ésta es inmediata del hecho que un producto interno es una forma bilineal definida
positiva.

3) Si v = 0, entonces claramente se tiene la desigualdad ya que ambos lados dan 0.

Supongamos entonces que v 6= 0, de forma que ||v|| =
6 0, y definamos

hv, wi
x := w − v.
||v||2

De esta manera, tenemos por un lado

hv, wi
hv, xi = hv, wi − hv, vi = hv, wi − hv, wi = 0,
||v||2

y por lo tanto
* +
hv, wi hv, wi
0 ≤ ||x||2 = w − 2
v, x = hw, xi − hv, xi
||v|| ||v||2
hv, wi2
* +
hv, wi
= hw, xi = w, w − v = hw, wi − .
||v||2 ||v||2

Así, tenemos que

hv, wi2 ≤ ||v||2||w||2,
lo que implica la desigualdad deseada tomando raíces.

4) Finalmente, usando la desigualdad anterior, tenemos que

||v + w||2 = hv + w, v + wi = ||v||2 + 2hv, wi + ||w||2

≤ ||v||2 + 2||v|| ||w|| + ||w||2 = (||v|| + ||w||)2,

lo que implica la última desigualdad tomando raíces.

¨
⌣
6.3. FORMAS HERMITIANAS 215

Observación 26.
Nótese que la demostración de la desigualdad de Cauchy-Schwarz nos dice que en general
se tiene la desigualdad estricta |hv, wi| < ||v|| ||w||, excepto en el caso particular en que
w = hv,wi
||v||2
v, es decir, cuando w es un múltiplo de v.

Ejemplo 6.20. Sea V = Rn con el producto punto usual. Entonces la desigualdad de

Cauchy-Schwarz nos dice que, para (x1 , . . . , xn ), (y1 , . . . , yn ) ∈ Rn ,
v v
n
X
u n
uX
u n
uX
xi yi ≤ t x2 i
t y2.i
i=1 i=1 i=1

Ejemplo 6.21. Retomemos el Ejemplo 6.11, es decir V = R2 [x], equipado con el pro-
ducto interno Z 2
hf, gi = f (t)g(t)dt.
1
En este caso, la desigualdad de Cauchy-Schwarz nos dice que, para f, g ∈ V ,
s s
Z 2 Z 2 Z 2
f (t)g(t)dt ≤ f (t)2 dt g(t)2 dt
1 1 1

Ejemplo 6.22. Sea V = C([a, b]) el espacio vectorial de las funciones continuas de [a, b]
en R. Para f, g ∈ V , definimos
Z b
hf, gi = f (x)g(x)dx
a

el cual es un producto interno en C([a, b]). En este caso, la desigualdad de Cauchy-

Schwarz nos dice que, para f, g ∈ C([a, b]),
s s
Z b Z b Z b
f (t)g(t)dt ≤ f (t)2 dt g(t)2dt.
a a a

6.3. Formas hermitianas

Veamos ahora el caso de los espacios vectoriales complejos. Si uno quisiera una ana-
logía directa con lo que acabamos de hacer para espacios vectoriales reales, uno se en-
cuentra de lleno con el problema de que la noción de “positivo” (y por ende, la noción
de forma bilineal “definida positiva”) no tiene sentido en los números complejos. Es por
esto que se requieren ciertos ajustes para lograr una buena definición de un producto
interno en este caso.
216 CAPÍTULO 6. PRODUCTOS INTERNOS

Ahora, una vez resuelta dicha dificultad, veremos que todas las demostraciones de
la sección precedente se generalizan sin problemas a este nuevo contexto, al punto de
ser casi puros copy-paste, por lo que en muchos textos se presentan juntas (pero aquí
decidimos no hacerlo, asumiendo el riesgo de parecer muy repetitivos).

La observación de que podemos recuperar el producto interno a partir de la norma, la

igualdad (??) nos da una pista sobre el ajuste que debemos realizar. En efecto,
√ tenemos
una buena noción de “largo” de un complejo α ∈ C: a saber, su módulo |α| = α ᾱ. Esto
nos debería permitir llegar a una buena noción de norma de un vector. La gracia del
módulo es que se trata justamente de un número real, el cual se obtiene a partir del com-
plejo α y de su conjugado ᾱ. Esto nos sugiere que seguramente la conjugación compleja
debe aparecer fuertemente en las definiciones para poder obrar análogamente al caso real.

Comencemos entonces con la “buena” noción de forma bilineal compleja.

Definición 6.23. Sea V un C-espacio vectorial. Una forma hermitiana de V es una

función h : V × V → C que satisface las siguientes propiedades:

1) h(x + αy, z) = h(x, z) + αh(y, z) para todo α ∈ C y todo x, y, z ∈ V (linealidad

por la izquierda).

2) h(x, y) = h(y, x) para todo x, y ∈ V .

Nótese que las propiedades ?? y ?? implican inmediatamente las siguientes propie-

dades:

3) h(x, y+αz) = h(x, y)+ ᾱh(x, z) para todo α ∈ C y todo x, y, z ∈ V (semi-linealidad

por la derecha).

4) h(x, x) ∈ R para todo x ∈ V .

Es esta última propiedad la que nos permitirá definir un producto interno en un C-

espacio vectorial más adelante. Por ahora, sólo diremos lo siguiente:

Definición 6.24. Sea V un C-espacio vectorial y sea h : V × V → C una forma

hermitiana. Decimos que h es definida positiva si se cumple que

h(x, x) > 0, para todo x ∈ V no nulo.

También podemos definir, análogamente al caso real, la noción de forma hermitiana

definida negativa.
6.3. FORMAS HERMITIANAS 217

Ejemplo 6.25. Sea V un C-espacio vectorial de base B = {u, v}. Consideremos una
función h : V × V → C tal que

h(u, u) = h(v, v) = 2, y h(u, v) = i.

A partir de esto, podemos construir naturalmente una forma hermitiana. En efecto, las
propiedades ?? y ?? (y ??) nos fuerzan a definir, para x = αu + βv e y = γu + δv en V ,

h(x, y) = h(αu + βv, γu + δv)

= αh(u, γu + δv) + βh(v, γu + δv)
= αγ̄h(u, u) + αδ̄h(u, v) + βγ̄h(v, u) + β δ̄h(v, v)
= 2αγ̄ + i(αδ̄ − βγ̄) + 2β δ̄.

Chequear que esta definición satisface efectivamente las propiedades ?? y ?? es un ejer-

cicio directo.

Los ejemplos que hemos pedido prestados al curso de Cálculo se extienden también
a este contexto.

Ejemplo 6.26. Sea V = CC [a, b] = {f : [a, b] → C | f continua}. Entonces toda función

h : V × V → C de la forma
Z b
h(f, g) = k(t)f (t)g(t)dt,
a

con k ∈ C[a, b] (ojo, con valores reales), es una forma hermitiana. En efecto, la propiedad
?? se sigue de
Z b Z b
h(g, f ) = k(t)g(t)f (t)dt = k(t)f (t)g(t)dt
a a
Z b Z b
= k(t)f (t)g(t)dt = k(t)f (t)g(t)dt = h(f, g),
a a

donde usamos el hecho que k(t) = k(t) ya que tiene valores reales. Por otra parte, la
linealidad (i.e. la propiedad ??) se deduce como en el Ejemplo 6.3.

Si bien las formas hermitianas no son formas simétricas, la propiedad ?? puede ser
vista como una forma de “casi-simetría”. Ésta está relacionada de forma muy estrecha
con las formas bilineales simétricas reales, como lo muestra el siguiente resultado.
218 CAPÍTULO 6. PRODUCTOS INTERNOS

Proposición 6.27. Sea V un C-espacio vectorial y sea h : V × V → C una forma

hermitiana. Sea b(x, y) := Re(h(x, y)). Entonces b define una forma bilineal simétrica
en V visto como un R-espacio vectorial.
Además, b es definida positiva si y sólo si h lo es y se tiene la fórmula

h(x, y) = b(x, y) − ib(ix, y),

para todo x, y ∈ V . En particular, la forma hermitiana h se puede recuperar a partir

de la forma bilineal b.

Este resultado explica en parte porqué la teoría de formas hermitianas tiene resul-
tados tan similares a los de las formas bilineales simétricas reales (y es por esto que en
muchos textos se presentan juntas). Recordemos en todo caso, que todo espacio vectorial
complejo es naturalmente un espacio vectorial real puesto que satisface todos los axio-
mas de un tal espacio (la multiplicación por escalares complejos nos da la multiplicación
por escalares reales como un caso particular). Nótese eso sí que la dimensión del espacio
se duplica (pruebe a mirar C2 como espacio vectorial real y encuentre una R-base).
Demostración. La simetría de b viene inmediatamente de la propiedad ?? ya que la
parte real de un complejo y de su conjugado coinciden. Para ver la linealidad, basta
con comprobar por la izquierda, puesto que b es simétrica. Tenemos entonces, para todo
x, y, z ∈ V y todo α ∈ R ⊆ C,

b(x + αy, z) = Re(h(x + αy, z)) = Re(h(x, z) + αh(y, z))

= Re(h(x, z)) + αRe(h(y, z)) = b(x, z) + αb(y, z).

Para ver la positividad, basta con recordar que h(x, x) ∈ R para todo x ∈ V . En
particular, b(x, x) = h(x, x) para todo x ∈ V . Esto nos da la equivalencia deseada.
Finalmente, sea c la parte imaginaria de h, es decir, escribamos

h(x, y) = b(x, y) + ic(x, y),

con b(x, y), c(x, y) ∈ R. Debemos demostrar que c(x, y) = −b(ix, y) para todo x, y ∈ V .
Ahora, un cálculo directo nos da

h(ix, y) = ih(x, y) = i(b(x, y) + ic(x, y)) = −c(x, y) + ib(x, y),

mientras que, por otro lado, sabemos que

h(ix, y) = b(ix, y) + ic(ix, y),

6.3. FORMAS HERMITIANAS 219

por definición. Igualando las expresiones las cuales tratan con números complejos, vemos
que sus partes reales deben coincidir y, por lo tanto b(ix, y) = −c(x, y) para todo x, y ∈ V .
Esto nos dice que c(x, y) = −b(ix, y), como queríamos demostrar. ¨
⌣

Finalmente, de la misma manera que en el caso de formas bilineales simétricas, ciertas

matrices cuadradas con coeficientes complejos pueden ser interpretadas como una forma
hermitiana. Para A ∈ Mn×n (C), definimos Ā como la matriz obtenida a partir de A
conjugando cada uno de sus coeficientes.
Ejemplo 6.28. Sea V = Cn , cuyos vectores interpretamos como columnas, y sea A ∈
Mn×n (C) una matriz tal que At = Ā. Entonces la función h : V × V → C dada por
h(x, y) = ȳ t Ax.
es una forma hermitiana. En efecto, la propiedad ?? (linealidad por la izquierda) vie-
ne directamente de las propiedades de multiplicación de las matrices, mientras que la
propiedad ?? se demuestra como sigue:
h(x, y) = h(x, y)t = (ȳ t Ax)t = xt At (ȳ t )t = xt Āȳ = x̄t Ay = h(y, x).

Matriz asociada a una forma Hermitiana

Siguiendo con nuestra analogía con las formas bilineales simétricas, veremos aho-
ra que las formas hermitianas pueden ser completamente entendidas con la ayuda de
matrices.
Sea V un C-espacio vectorial de dimensión n y sea B = {v1 , . . . , vn } una base de V .
Si fijamos x, y ∈ V y escribimos x = ni=1 αi vi e y = nj=1 βj vj , tenemos entonces que
P P

 
n n
h(x, y) =
X X
h  αi vi , βj vj 
i=1 j=1
 
n n
= por linealidad por la izquierda (prop. ??),
X X
αi h vi , βj vj 
i=1 j=1
n X n
= αi β̄j h(vi , vj ) por semilinealidad por la derecha (prop. ??).
X

i=1 j=1

En otras palabras, entendemos perfectamente a la forma hermitiana h si sabemos de

antemano sus valores en los pares (vi , vj ) con vi , vj ∈ B (esto fue lo que hicimos en
el Ejemplo ??). Tenemos entonces la siguiente definición (análoga al caso de formas
bilineales).
220 CAPÍTULO 6. PRODUCTOS INTERNOS

Definición 6.29. Sea V un C-espacio vectorial de dimensión n con base B = {v1 , . . . , vn }

y sea h : V × V → C una forma hermitiana. Definimos la matriz de Gram de h asociada
a la base B como la matriz [h]B ∈ Mn×n (C) cuya coordenada (i, j) es h(vj , vi ).

Nótese nuevamente el cambio de orden, al igual que en las formas bilinealres. Esto
nos permite asociar una matriz a toda forma hermitiana y recuperar el punto de vista
del ejemplo anterior. En efecto, si escribimos x e y como vectores columna en la base B,
tenemos entonces:
n X
n
t
h(x, y) = αj β̄i h(vj , vi ) = [y]B [h]B [x]B .
X

i=1 j=1

Notemos sin embargo que no toda matriz en Mn×n (C) da lugar a una forma hermitiana,
de la misma manera que no toda matriz en Mn×n (C) da lugar a una forma simétrica.
En efecto, la propiedad ?? nos dice que

h(vi , vj ) = h(vj , vi ), para todo 1 ≤ i, j ≤ n.

de donde deducimos que la matriz A debe cumplir con At = Ā para definir una forma
hermitiana.

Ejemplo 6.30. Sean V = Cn , A ∈ Mn×n (C) con At = Ā y h : V × V → K la forma

hermitiana dada por h(v, w) = w̄ t Av. Sea B = {e1 , . . . , en } la base canónica de Cn .
Entonces ēi = ei para todo i ya que sus coordenadas son reales. Así, para todo i, j
tenemos que
h(ej , ei ) = ēti Aej = eti Aej = aij ∈ C.
Esto nos dice que la matriz de Gram de h asociada a la base canónica es precisamente
A.

Resulta cómodo, para recordar la igualdad At = Ā, tener la siguiente definición.

Definición 6.31. Para una matriz A ∈ Mn×n (C), definimos A∗ como su traspuesta
conjugada, es decir A∗ := Āt .
Decimos que una matriz A ∈ Mn×n (C) es auto-adjunta o hermitiana si A∗ = A (lo
que equivale a At = Ā).
Decimos que una matriz auto-adjunta A ∈ Mn×n (C) es definida positiva si la forma
hermitiana que ésta define lo es. Lo mismo para definida negativa.

Veamos ahora lo que ocurre si cambiamos la base del espacio vectorial.

6.3. FORMAS HERMITIANAS 221

Proposición 6.32. Sea V un C-espacio vectorial de dimensión n y h : V × V → C

una forma hermitiana. Sean B = {v1 , . . . , vn } y B ′ = {w1 , . . . , wn } dos bases de V
con matrices de Gram respectivas A = [h]B y A′ = [h]B′ . Sea finalmente P = [idV ]B B′
la matriz de cambio de base de B ′ a B. Entonces

A′ = P ∗ AP.

Demostración. Las coordenadas de A′ = [h]B′ son a′ij = h(wj , wi ) por definición. Por
otra parte, tenemos que
t
eti P ∗ AP ej = ēti P̄ t AP ej = (P ei) A(P ej )
t B t
B ′ [wi ]B ′ ) A([idV ]B ′ [wj ]B ′ ) = [wi ]B [h]B [wj ]B = h(wj , wi ).
= ([idV ]B

Así, vemos que las matrices A′ y P ∗ AP tienen la misma coordenada (i, j) para todo par
(i, j). Esto prueba que ambas matrices son iguales. ¨
⌣
222 CAPÍTULO 6. PRODUCTOS INTERNOS

6.4. Productos internos sobre C

Definición 6.33. Sea V un C-espacio vectorial y sea h : V × V → C una forma
hermitiana. Decimos que h es un producto interno si h es definida positiva. Al igual que
en el caso real, una tal forma la solemos denotar por v · w, o bien hv, wi en lugar de
h(v, w).
Ejemplo 6.34. Sea V = Cn . Entonces la siguiente fórmula define al producto interno
“usual”, análogo al producto punto usual de Rn :
n
h(x1 , . . . , xn ), (y1 , . . . , yn )i :=
X
xi ȳi .
i=1

De hecho, esto corresponde a la forma hermitiana dada por la matriz identidad In ∈

Mn×n (C). Para ver que es definida positiva, basta con notar que
n n
h(x1 , . . . , xn ), (x1 , . . . , xn )i = xi x̄i = |xi |2 ,
X X

i=1 i=1

lo cual es claramente > 0 para todo vector (x1 , . . . , xn ) ∈ Cn no nulo.

Ejemplo 6.35. Retomemos el Ejemplo ??, en el cual V es un espacio vectorial de base
B = {u, v}. La forma hermitiana h que definimos entonces está dada, en la base B, por
la matriz
2 −i
!
A= .
i 2
Esta forma hermitiana define un producto interno, ya que tenemos
h(x, x) = 2αᾱ + i(αβ̄ − β ᾱ) + 2β β̄
= |α|2 + |β|2 + (|α|2 + i(αβ̄ − β ᾱ) + |β|2 )
= |α|2 + |β|2 + |α − iβ|2 .
Así, si x 6= 0, entonces o bien α 6= 0 o β 6= 0, lo que nos dice que la suma debe ser
positiva, es decir, h(x, x) > 0 para todo x 6= 0 ∈ V .
Ejemplo 6.36. Retomemos ahora el ejemplo ??. En este caso, V = CC [a, b] = {f :
[a, b] → C | f continua} y h : V × V → C viene dada por
Z b
h(f, g) = k(t)f (t)g(t)dt,
a

con k ∈ C[a, b]. Si la función k es positiva, i.e. si k(t) > 0 para todo t ∈ [a, b], entonces
se puede demostrar (usando que la integral de una función positiva es siempre positiva,
lo que no detallaremos aquí) que h es un producto interno.
6.4. PRODUCTOS INTERNOS SOBRE C 223

Ejemplo 6.37. Sea V = Mn×n (C) con su estructura natural de C-espacio vectorial.
Entonces la fórmula
hA, Bi := tr(AB ∗ ),
define un producto interno en V . En efecto, si definimos A = (ai,j ) y B = (bi,j ), entonces
la coordenada (i, j) de la matriz B ∗ está dada por b̄j,i . Así, la coordenada (i, j) de AB ∗
está dada por nk=1 ai,k b̄j,k . Por lo tanto,
P

n X
hA, Bi = tr(AB ∗ ) =
X
ai,k b̄i,k ,
i=1 k=1n

2
y esto corresponde al producto interno usual de Cn (que es lo mismo que Mn×n (C),
como ya hemos visto muchas veces).

Extendamos ahora la noción de “largo” de un vector aplicado al contexto complejo.

Definición 6.38. Sea V un C-espacio vectorial con producto interno. Definimos la

norma de un vector v ∈ V como
q
||v|| := hv, vi.

Decimos que v es unitario o de largo 1 si ||v|| = 1.

Y extendamos las propiedades de la norma a este contexto también.

Proposición 6.39. Sea V un C-espacio vectorial con producto interno. Entonces,

para todo v, w ∈ V y para todo α ∈ C se tiene que

1) ||αv|| = |α| ||v||.

2) ||v|| > 0 si v 6= 0.

3) |hv, wi| ≤ ||v|| ||w||. (Desigualdad de Cauchy-Schwarz)

4) ||v + w|| ≤ ||v|| + ||w||. (Desigualdad triangular)

Nótese que, en el caso particular en el que V = C, recuperamos la noción usual de

largo de un complejo, salvo por una constante positiva c ∈ R. En efecto, la propiedad 1
nos dice que ||α|| = |α| · ||1|| para todo α ∈ C. Así, si 0 < ||1|| = c ∈ R, tenemos que
||α|| = c|α|.
224 CAPÍTULO 6. PRODUCTOS INTERNOS

Finalmente, note que aquí también podemos recuperar el producto interno a partir
de la norma, basándonos en la ecuación (??) y en la Proposición ??. La relación precisa
es la siguiente: si definimos b(v, w) como

b(v, w) := ||v + w||2 − ||v − w||2 ,

entonces, para todo v, w ∈ V se tiene que

1
hv, wi = (b(v, w) − ib(iv, w)).
4
Así, podríamos haber comenzado definiendo normas sobre espacios vectoriales complejos,
abusando del hecho que son espacios vectoriales reales, para luego deducir todas las
propiedades que “deberían” tener las formas hermitianas. Sin embargo, es más coherente
hoy en día presentarlo al revés.

Demostración. 1) Usando la definición de la norma y la (semi-)linealidad del producto

interno, vemos que
q q √ q
||αv|| = hαv, αvi = αᾱhv, vi = αᾱ hv, vi = |α| ||v||.

2) Ésta es inmediata del hecho que un producto interno es una forma hermitiana
definida positiva.

3) Si v = 0 claramente se tiene la desigualdad ya que ambos lados dan 0. Supongamos

que v 6= 0, de forma que ||v|| =
6 0, y definamos

hw, vi
x := w − v.
||v||2

De esta manera, tenemos por un lado

hw, vi
hv, xi = hv, wi − hv, vi = hv, wi − hw, vi = 0,
||v||2

y por lo tanto
* +
2 hw, vi hw, vi
0 ≤ ||x|| = w − 2
v, x = hw, xi − hv, xi = hw, xi
||v|| ||v||2
* +
hw, vi hw, vi
= w, w − 2
v = hw, wi − hw, vi
||v|| ||v||2
6.5. ORTOGONALIDAD 225

|hw, vi|2
= hw, wi − .
||v||2

Así, recordando que hw, vi = hv, wi y que la norma no cambia por conjugación,
tenemos que
|hv, wi|2 ≤ ||v||2||w||2,
lo que implica la desigualdad deseada tomando raíces.

4) Finalmente, usando la desigualdad anterior, obtenemos

||v + w||2 = hv + w, v + wi = ||v||2 + hv, wi + hw, vi + ||w||2

= ||v||2 + 2Re(hv, wi) + ||w||2 ≤ ||v||2 + 2|hv, wi| + ||w||2
≤ ||v||2 + 2||v|| ||w|| + ||w||2 = (||v|| + ||w||)2,

y se sigue la última desigualdad tomando raíces.

¨
⌣

Ejemplo 6.40. Sea V = Cn con el producto interno usual, es decir, el dado en el Ejemplo
??. La desigualdad de Cauchy-Schwarz nos dice que, para (x1 , . . . , xn ), (y1, . . . , yn ) ∈ Cn ,
v v
n
X
u n
uX
u n
uX
xi ȳi ≤ |x 2 2.
i| |y i|
t t
i=1 i=1 i=1

Ejemplo 6.41. Sea V = Mn×n (C) con el producto interno definido en el Ejemplo ??, es
decir hA, Bi = tr(AB ∗ ). Entonces la desigualdad de Cauchy-Schwarz nos dice que, para
A, B ∈ Mn×n (C),
q q
∗
|tr(AB )| ≤ tr(AA∗ ) tr(BB ∗ ).

6.5. Ortogonalidad
Al igual que con las transformaciones lineales, el estudio de las formas bilineales
simétricas y hermitianas es extremadamente más sencillo si podemos expresar toda forma
bilineal simétrica (o hermitiana) como una matriz diagonal. Ahora, a diferencia del caso
de transformaciones lineales, diagonalizar una forma bilineal simétrica (o hermitiana) es
un proceso que es (casi) siempre realizable y por lo demás bastante elemental.
En el caso particular de productos internos sobre espacios vectoriales reales o comple-
jos, el proceso de diagonalización corresponde a un proceso de ortogonalización bastante
226 CAPÍTULO 6. PRODUCTOS INTERNOS

concreto, tanto en un sentido geométrico como algebraico. Veremos pues este caso prime-
ro y luego veremos cómo este procedimiento se generaliza para diagonalizar otras formas.

Comencemos por las definiciones básicas. Hasta que se diga lo contrario, trabajaremos
con un cuerpo K que será siempre R o C.
Definición 6.42. Sean V un K-espacio vectorial equipado con un producto interno y
v, w ∈ V . Diremos que v es ortogonal a w, o que v y w son ortogonales, si hv, wi = 0.
Sea S ⊆ V un conjunto de vectores. Decimos que S es un conjunto ortogonal si todo
par de vectores distintos en S son ortogonales. Además diremos que S es ortonormal si
es un conjunto ortogonal tal que ||v|| = 1 para todo v ∈ S.
La noción de ortogonalidad se traduce, en términos geométricos en la perpendicula-
ridad de los vectores correspondientes. Como además la norma nos da el largo de un
vector, debemos considerar un conjunto ortonormal como un conjunto de vectores de
largo 1 todos perpendiculares el uno al otro. En cualquier caso, si S es un conjunto
ortonormal, tenemos que
hv, wi = δvw , ∀ v, w ∈ S, (6.3)
donde δij denota la función delta de Kronecker. En otras palabras, el producto interno
es 0 si son distintos y 1 si son iguales.
Ejemplo 6.43. La base canónica en K n es un conjunto ortonormal con respecto al
producto interno usual.
La utilidad de las bases ortonormales se ve inmediatamente si nos preguntamos por
la matriz de Gram del producto interno (visto como forma bilineal o hermitiana) en la
base en cuestión. La fórmula (??) nos dice precisamente que la matriz no es otra más
que la identidad In ∈ Mn×n (K). En otras palabras, el producto interno, en una base
ortonormal, se ve como el producto interno usual de K n . Es por esto que el producto
interno usual es la imagen mental que conviene tener a la hora de trabajar con conjuntos
ortonormales.
En el caso de una base ortogonal, se puede ver de la misma manera que la matriz
de Gram será diagonal, pero no necesariamente igual a la identidad. Esto hace que las
bases ortogonales tengan un interés propio también.
Ejemplo 6.44. Sea V = Mn×n (K). Como el producto interno dado por hA, Bi =
2
tr(AB ∗ ) corresponde al producto interno usual cuando vemos a Mn×n (K) como K n
(véase el ejemplo ??), vemos que la base canónica de V dada por las matrices Eij ,
compuestas de 0 en todas las coordenadas salvo en la (i, j), es un conjunto ortonormal.
Esto también lo podemos confirmar vía un cálculo directo pues
∗
hEij , Ekℓ i = tr(Eij Ekℓ ) = tr(Eij Eℓk ) = δjℓ tr(Eik ) = δjℓ δik = δ(i,j)(k,ℓ) .
6.5. ORTOGONALIDAD 227

Ejemplo 6.45. Volvamos a los Ejemplos ?? y ?? y consideremos el K-espacio vectorial

V = CK [0, 1] = {f : [0, 1] → K | f continua} con el producto interno dado por
Z 1
hf, gi = f (t)g(t)dt.
0

Si definimos f0 = g0 como la función constante igual a 1 y, para n ∈ N, definimos

√
fn (x) := 2 cos(2πnx),
√
gn (x) := 2 sin(2πnx),
entonces el conjunto infinito S de los fn y gn con n ≥ 0 es un conjunto ortonormal (si
bien no calcularemos las integrales aquí).
Si K = C, un conjunto ortonormal viene dado por las funciones
hn (x) := e2πinx ,
con n ∈ Z. Este conjunto permite obtener las funciones fn y gn como combinaciones
lineales. Todo esto es la base de lo que se conoce como análisis de Fourier.
Los ejemplos anteriores son todos bases de los espacios vectoriales correspondientes.
Esto no es un hecho al azar, como lo confirma el siguiente resultado:

Teorema 6.46. Sean V un K-espacio vectorial con producto interno y S = {v1 , . . . , vn } ⊆

V un conjunto ortogonal de vectores no nulos. Entonces, para todo w ∈ hSi se tiene
que
n
hw, vii
w=
X
v.
2 i
i=1 ||vi ||

Note que debemos considerar que los vectores en S sean no nulos, para poder dividir
por ||vi ||2 . Además, el vector nulo es ortogonal a todo vector, luego siempre se puede
agregar a un conjunto sin afectar la ortogonalidad, pero esto claramente no aporta
mucho. . .
Demostración. Sea w ∈ hSi, es decir
n
w=
X
αi vi ,
i=1

con αi ∈ K. Tenemos
* n + n
hw, vj i = = αi hvi , vj i = αj hvj , vj i.
X X
αi vi , vj
i=1 i=1
228 CAPÍTULO 6. PRODUCTOS INTERNOS

Dividiendo por ||vj ||2, vemos que, para todo 1 ≤ j ≤ n,

hw, vj i
αj = .
||vj ||2
Reemplazando este valor en la primera igualdad obtenemos el resultado. ¨
⌣

Corolario 6.47. Sea V un K-espacio vectorial con producto interno y sea S ⊆ V un

conjunto ortogonal de vectores no nulos. Entonces S es LI. En particular, el cardinal
de S es menor o igual a dimK V .

Demostración. Consideremos una combinación lineal en S que dé 0, es decir

n
0=
X
αi vi .
i=1

h0,v i
Como 0 ∈ hSi, el teorema anterior nos dice que αi = ||vj ||j2 = 0 para todo 1 ≤ i ≤ n, por
lo que la combinación lineal es trivial. En otras palabras, S es LI. La última afirmación
viene del hecho que una base es un conjunto LI maximal. ¨
⌣

Este último corolario permite comparar la dimensión “geométrica”, que usualmente

se entiende como la mayor cantidad de direcciones perpendiculares la una a la otra, con
la dimensión usual, “algebraica”, de los espacios vectoriales. El siguiente resultado nos
permite una comparación más precisa, al darnos una manera de ortogonalizar una base
cualquiera.

Teorema 6.48 (Ortogonalización de Gram-Schmidt). Sea V un K-espacio vectorial

con producto interno y sea S = {v1 , . . . , vn } un conjunto de vectores LI en V . En-
tonces existe un conjunto ortogonal S ′ = {w1 , . . . , wn } que es una base del espacio
generado h{v1 , . . . , vm }i para todo 1 ≤ m ≤ n.

Demostración. Probaremos esto inductivamente en m. Escribimos w1 := v1 , de forma

que la propiedad se cumple para m = 1 (nótese que un conjunto de un sólo vector es
siempre ortogonal ya que no hay con quien compararlo).
Supongamos definidos w1 , . . . , wm de forma que son ortogonales entre sí y generan a
Fm = h{v1 , . . . , vm }i. Veamos como definir wm+1 :
m
hvm+1 , wii
wm+1 := vm+1 − (6.4)
X
wi .
i=1 ||wi||2
6.5. ORTOGONALIDAD 229

Notemos que wm+1 6= 0 ya que de lo contrario tendríamos que vm+1 sería una combinación
lineal no trivial de los wi y por ende de los vi que son LI. Por otra parte, tenemos que
wm+1 es ortogonal a los wj para 1 ≤ j ≤ m ya que
m m
* +
hvm+1 , wi i hvm+1 , wii
hwm+1 , wj i = vm+1 − =
X X
2
w i , w j hvm+1 , w j i − hwi , wj i
i=1 ||wi|| i=1 ||wi ||2
hvm+1 , wj i
= hvm+1 , wj i − hwj , wj i = hvm+1 , wj i − hvm+1 , wj i = 0.
||wj ||2

Así, el conjunto {w1 , . . . , wm+1 } es ortogonal y por ende LI, por lo que genera un subespa-
cio Fm+1 de dimensión m+1 contenido en el subespacio h{v1 , . . . , vm+1 }i, cuya dimensión
es m + 1 ya que los vi son LI. Se trata pues de una base del subespacio en cuestión, lo
que concluye la demostración por inducción. ¨
⌣

En particular, al aplicar este proceso a una base de un espacio vectorial de dimensión

finita, obtenemos una base ortogonal de dicho espacio. Es más, tenemos la siguiente
consecuencia inmediata.

Corolario 6.49. Todo R-espacio vectorial de dimensión finita con producto interno
admite una base ortonormal.

Demostración. Sea V un R-espacio vectorial de dimensión finita con producto interno

y sea B = {v1 , . . . , vn } una base de V . El Teorema ?? aplicado a B nos provee in-
mediatamente una base ortogonal B ′ = {w1 , . . . , wn } de V . Basta entonces con definir
wi
B ′′ = {x1 , . . . , xn } con xi := , de forma que ||xi || = 1, para todo 1 ≤ i ≤ n. Como
||wi||
hwi , wj i = ||wi|| ||wj ||hxi , xj i = 0, vemos que el conjunto B ′′ es ortonormal, y claramente
es una base. ¨
⌣

Una aplicación más concreta en el contexto de matrices es la siguiente:

Corolario 6.50. Sea H ∈ Mn×n (K) una matriz hermitiana positiva definida. En-
tonces existe P ∈ Mn×n (K) tal que H = P ∗ P .

Nótese que si K = R, entonces la definición de hermitiana se reduce simplemente a

una matriz simétrica y que se tiene entonces H = P t P puesto que la conjugación no
hace nada.
230 CAPÍTULO 6. PRODUCTOS INTERNOS

Demostración. Sea B0 la base canónica de K n y sea B una base ortonormal de K n

equipado con el producto interno asociado a H, esto es, hu, vi = v t Hu. Una tal base
existe por el Corolario ??. Sea P = [id]B
B0 la matriz de cambio de base desde B0 a B.
Como la matriz de Gram de un producto interno en una base ortonormal es la identidad
In , sabemos por la Proposición ?? que

H = P ∗In P = P ∗ P,

lo que concluye la demostración. ¨

⌣

Observación 27.
Si bien quizás la fórmula no lo deja ver de manera inmediata, un buen dibujo nos muestra
que

hv, wi v
pw (v) = w
||w||2

w pw (v)

corresponde a la proyección ortogonal de un vector v ∈ V sobre la recta generada por

el vector w ∈ V . En particular, la fórmula (??) no hace más que restar al vector vm+1
sus proyecciones ortogonales sobre los vectores wi con 1 ≤ i ≤ m, de forma de volverlo
ortogonal a todos ellos.
Ejemplo 6.51. Sea V = R3 equipado con el producto interno usual y consideremos la
base {(3, 0, 4), (−1, 0, 7), (2, 9, 11)}, a partir de ella con el proceso de ortogonalización de
Gram-Schmidt obtenemos:

w1 = (3, 0, 4);
hv2 , w1 i h(−1, 0, 7), (3, 0, 4)i
w2 = v2 − w1 = (−1, 0, 7) − (3, 0, 4)
||w1|| 2 3 2 + 02 + 42
−3 + 0 + 28
= (−1, 0, 7) − (3, 0, 4) = (−4, 0, 3);
25
hv3 , w1 i hv3 , w2 i
w3 = (2, 9, 11) − 2
w1 − w2
||w1|| ||w2||2
h(2, 9, 11), (3, 0, 4)i h(2, 9, 11), (−4, 0, 3)i
= (2, 9, 11) − (3, 0, 4) − (−4, 0, 3)
25 4 2 + 02 + 32
6 + 0 + 44 −8 + 0 + 33
= (2, 9, 11) − (3, 0, 4) − (−4, 0, 3) = (0, 9, 0).
25 25
6.5. ORTOGONALIDAD 231

Obtenemos así la base ortogonal {(3, 0, 4), (−4, 0, 3), (0, 9, 0)} de R3 . Si se prefiere, po-
demos obtener también la base ortonormal {( 35 , 0, 45 ), (− 54 , 0, 35 ), (0, 1, 0)}.
Por último, podemos aplicar el Teorema ?? a la base de los wi . Un vector (x1 , x2 , x3 ) ∈
R3 se escribe como combinación lineal de la base {w1 , w2 , w3 } de la siguiente manera:

h(x1 , x2 , x3 ), w1 i h(x1 , x2 , x3 ), w2 i h(x1 , x2 , x3 ), w3 i

(x1 , x2 , x3 ) = 2
w1 + 2
w2 + w3
||w1|| ||w2 || ||w3||2
3x1 + 4x3 −4x1 + 3x3 9x2
= (3, 0, 4) + (−4, 0, 3) + (0, 9, 0).
25 25 81
Una interesante interpretación de esto es con la noción de base dual que vimos en
el Capítulo 3. En efecto, lo que esta fórmula nos dice es que las funciones lineales
{f1 , f2 , f3 } ∈ (R3 )∗ dadas por
3x1 + 4x3
f1 (x1 , x2 , x3 ) = ;
25
−4x1 + 3x3
f2 (x1 , x2 , x3 ) = ;
25
x2
f3 (x1 , x2 , x3 ) = ;
9
forman una base dual de la base {w1 , w2 , w3 } de R3 .

Observación 28.
Si bien es poco práctico en general, el proceso de ortogonalización de Gram-Schmidt
detecta también conjuntos LD. En efecto, si vj pertenece al subespacio generado por vi
con i ≤ j − 1, también pertenece al subespacio generado por los wi con i ≤ j, que es el
mismo. Entonces wj pertenecerá también a este espacio, pero será ortogonal a todos los
miembros de la base por construcción. Esto fuerza a wj a ser trivial, detectando así la
dependencia lineal de vj en los vi precedentes.

La noción de proyección ortogonal que mencionamos en una observación anterior

tiene sentido también para subespacios arbitrarios y no sólo para rectas (piense en la
proyección ortogonal sobre un plano en R3 , por ejemplo). Intentaremos en lo que sigue
desarrollar un poco de teoría en este sentido.

Definición 6.52. Sea V un K-espacio vectorial con producto interno y sea S ⊆ V un

subconjunto. Definimos S ⊥ como el conjunto de los vectores en v que son ortogonales a
todo elemento de S. En otras palabras:

S ⊥ := {w ∈ V | hw, vi = 0, ∀ v ∈ S}.
232 CAPÍTULO 6. PRODUCTOS INTERNOS

Una observación inmediata, que dejaremos como ejercicio, es que S ⊥ es un subespacio

vectorial. Llamaremos a S ⊥ complemento ortogonal de S.
Se puede deducir inmediatamente del siguiente resultado, el cual depende de la Pro-
posición 6.13 y nos trae de vuelta al Capítulo 3:

Proposición 6.53. Sea V un K-espacio vectorial de dimensión finita con producto

interno y sea φ : V → V ∗ el isomorfismo dado por el pareo dual, es decir que
φ(w) ∈ V ∗ es la forma lineal V → K dada por

φ(w)(v) = hw, vi.

Sea S ⊆ V un subconjunto. Entonces φ define una biyección entre S ⊥ ⊆ V y el

subespacio anulador S 0 ⊆ V ∗ .

Demostración. Esto es esencialmente escribir bien las definiciones. En efecto, sabemos

que

S ⊥ = {w ∈ V | hw, vi = 0, ∀ v ∈ S} = {w ∈ V | φ(w)(v) = 0, ∀ v ∈ S},

mientras que
S 0 := {f ∈ V ∗ | f (v) = 0, ∀ v ∈ S}.
Está claro que si w ∈ S ⊥ , entonces φ(w) ∈ S 0 . Inversamente, si f ∈ S 0 y f = φ(w),
obtenemos w ∈ S ⊥ . Como φ es inyectiva, esto concluye la demostración. ⌣¨

Observación 29.
El lector atento habrá notado que el pareo dual no está bien definido para formas her-
mitianas y por lo tanto tenemos un problema si K = C. Para corregir esto, es puede
extender el pareo dual de la siguiente manera. Si h es una forma hermitiana en V , en-
tonces podemos definir una transformación semi-lineal h̃ : V → V ∗ , la cual envía v ∈ V
a

h̃(v) : V → C,
w 7→ h(v, w).

Nótese la necesidad de conjugar para que la semi-linealidad por la derecha de h se trans-

forme en una verdadera C-linealidad y así h̃(v) ∈ V ∗ . Sin embargo el precio a pagar es
que h̃ ya no es exactamente lineal, sino que semi-lineal. De todas formas, las afirmacio-
nes de la Proposición 6.13 se preservan para formas hermitianas (y esencialmente con la
misma demostración, usando la R-linealidad, la cual sí se preserva).
6.5. ORTOGONALIDAD 233

Dada esta relación, podemos importar lo aprendido sobre espacios anuladores en

secciones anteriores para obtener las siguientes propiedades. La demostración la dejamos
como ejercicio, puesto que basta con “traducir” la prueba vista antes.

Proposición 6.54 (Análogo de la Proposición 3.19). Sea V un K-espacio vecto-

rial de dimensión n con producto interno y sea S ≤ V un subespacio. Entonces
dimK S ⊥ = n − dimK S.

Proposición 6.55 (Análogo de las Proposiciones 3.20 y 3.21). Sea V un K-espacio

vectorial de dimensión finira con producto interno y sean S, T ≤ V dos K-subespacios.
Entonces
(S + T )⊥ = S ⊥ ∩ T ⊥ y (S ∩ T )⊥ = S ⊥ + T ⊥ .

Proposición 6.56 (Análogo de la Proposiciíon 3.22). Sea V un K-espacio vectorial

de dimensión finit con producto interno y sea S ≤ V un subespacio. Entonces

S = {w ∈ V | hw, vi = 0, ∀ v ∈ S ⊥ } = (S ⊥ )⊥ .

Para este último resultado, es importante notar que hv, wi = 0 si y sólo si hw, vi = 0.
Esto es obvio en el caso de K = R ya que el producto es simétrico, pero para K = C
vale la pena hacerlo notar.
Una consecuencia simple, pero importante, es la siguiente:

Teorema 6.57. Sea V un K-espacio vectorial de dimensión finita con producto

interno y sea S ≤ V un subespacio. Entonces V = S ⊕ S ⊥ .

Demostración. Sea v ∈ S ∩ S ⊥ . Entonces hv, vi = 0 puesto que v ∈ S y v ∈ S ⊥ . Esto

nos dice inmediatamente que v = 0. Así, S ∩ S ⊥ = {0} y por lo tanto S + S ⊥ = S ⊕ S ⊥ .
Por último,

dimK (S ⊕ S ⊥ ) = dimK S + dimK S ⊥ , = dimK S + (dimK V − dimK S) = dimK V

donde la segunda igualdad viene de la Proposición ??. Esto nos dice que V = S ⊕ S ⊥
ya que se trata de un subespacio de la misma dimensión. ¨
⌣
234 CAPÍTULO 6. PRODUCTOS INTERNOS

Una aplicación más concreta de estos resultados es una desigualdad tan famosa como
la de Cauchy-Schwarz.

Corolario 6.58 (Desigualdad de Bessel). Sea V un K-espacio vectorial con producto

interno y sea S = {v1 , . . . , vn } un conjunto ortogonal de vectores no nulos de V .
Entonces, para todo w ∈ V se tiene que
n
|hw, vii|
≤ ||w||2,
X
||v || 2
i=1 i

con igualdad si y sólo si

n
hw, vii
w=
X
v,
2 i
i=1 ||vi ||

es decir, si y sólo si w ∈ hSi, como nos dice el Teorema ??.

Demostración. Por el Teorema ??, podemos escribir w = w1 + w2 con w1 ∈ hSi y

w2 ∈ hSi⊥ . El Teorema ?? nos dice entonces que
n
|hw, vii|
w1 =
X
2
vi .
i=1 ||vi ||

En particular, como S es un conjunto ortogonal, tenemos que

n n
* +
2 |hw, vii| X |hw, vj i|
||w1 || = hw1 , w1 i =
X
2
vi , 2
vj
i=1 ||vi || j=1 ||vj ||
n X
n n n
|hw, vii||hw, vj i| |hw, vii|2 |hw, vii|2
= = =
X X X
hv ,
i jv i hv ,
i iv i .
i=1 j=1 ||vi ||2 ||vj ||2 i=1 ||vi ||
4
i=1 ||vi ||
2

Así, recordando que w1 ∈ hSi y w2 ∈ hSi⊥ , tenemos

||w||2 = ||w1 + w2 ||2 = hw1 + w2 , w1 + w2 i

= ||w1 ||2 + hw1 , w2 i + hw2 , w1 i + ||w2||2 = ||w1 ||2 + ||w2||2 .

La desigualdad es inmediata entonces de las dos igualdades precedentes y del hecho que
||w2 ||2 ≥ 0. Además, vemos que la igualdad se cumple si y sólo si ||w2 || = 0, lo que
ocurre si y sólo si w2 = 0, es decir, si w = w1 . ⌣¨
6.5. ORTOGONALIDAD 235

Diagonalización de formas bilineales

Sea V un R-espacio vectorial equipado con una forma bilineal simétrica b. El análisis
que daremos aquí se aplica perfectamente a formas hermitianas no definidas positivas
también, pero omitiremos esto para aligerar los enunciados.

Como vimos en el caso de productos internos, el obtener una base ortogonal (u or-
tonormal) nos permite obtener una matriz de Gram diagonal, lo que hace su estudio
mucho más sencillo. Lo que puede fallar al momento de realizar el proceso de ortogo-
nalización de Gram-Schmidt aquí es la noción de norma. En efecto, ésta aparece en los
denominadores de la fórmula de proyección ortogonal y por ende de la fórmula (??).
Pero el análisis de una forma bilineal tan básica como la que está dada en V = R2 por
la matriz
0 1
!
,
1 0
nos dice que b(e1 , e1 ) = b(e2 , e2 ) = 0, a pesar de que la forma bilineal es claramente no
nula. Esto presenta naturalmente problemas a la hora de copiar el proceso anterior, ya
que el hacerlo sin pensar demasiado nos llevaría a dividir por 0 en algún momento.

En cualquier caso, el primer paso en este contexto general es el siguiente:

Proposición 6.59. Sea V un R-espacio vectorial y sea b una forma bilineal simétrica
no nula en V . Entonces existe un vector v ∈ V tal que b(v, v) 6= 0.

Demostración. Sean u, w ∈ V dos vectores tales que b(u, w) 6= 0 (si no existiesen tales
vectores, b sería nula por definición). Consideremos entonces el subespacio W = hu, wi
de V . Si u = λw con λ ∈ K ∗ , entonces
b(u, w) = b(λw, w) = λb(w, w) 6= 0,
y por lo tanto b(w, w) 6= 0, probando el resultado. Podemos asumir entonces que u y
w son LI, es decir, que W tiene dimensión 2. En ese caso, si b(u, u) o b(w, w) son no
nulos, también terminamos, por lo que podemos asumir que b(u, u) = b(w, w) = 0. Así,
la matriz de Gram de b|W en la base {u, w} es
0 λ
!
,
λ 0
para algún λ ∈ K ∗ (de nuevo, b es no nula). Un cálculo directo nos dice entonces que
0 λ 1
! !
 
b(u + w, u + w) = 1 1 = 2λ 6= 0.
λ 0 1
236 CAPÍTULO 6. PRODUCTOS INTERNOS

Así, vemos que v = u + w es un tal vector. ¨

⌣

Este resultado nos permite razonar inductivamente para probar que siempre podemos
diagonalizar las formas bilineales simétricas. Para ello, extenderemos el lenguaje que ya
utilizamos antes.

Definición 6.60. Sea V un R-espacio vectorial y sea b una forma bilineal simétrica
en V . Decimos que v, w ∈ V son ortogonales si b(v, w) = 0. También decimos que un
subconjunto S ⊆ V es ortogonal si b(v, w) = 0 para todo v, w ∈ S distintos entre sí.

Nótese que, a diferencia del caso de los productos internos, aquí un vector puede ser
ortogonal a sí mismo. Sin embargo, no consideramos esta posibilidad a la hora de definir
un subconjunto ortogonal (al igual que en el caso de productos internos). En particular,
todo conjunto S de un sólo vector es ortogonal puesto que no hay ninguna condición
que verificar. Es por estas propiedades contraintuitivas que uno debe tratar definiciones
como ésta con cuidado, para evitar errores de razonamiento.

Teorema 6.61. Sea V un R-espacio vectorial de dimensión finita y sea b una for-
ma bilineal simétrica no nula en V . Entonces existe una base ortogonal de V . En
particular, la matriz de Gram de b asociada a una tal base es diagonal.

La última frase es de hecho equivalente a la anterior puesto que la matriz de Gram

con respecto a una base B de V contiene a todos los productos b(v, w) con v, w ∈ B.
En particular, los productos con v 6= w son precisamente aquellos que están fuera de la
diagonal.

Demostración. Procederemos por inducción sobre la dimensión de V . Si dimK V = 1,

entonces toda base es ortogonal y no hay nada que verificar. Supongamos pues que el
resultado vale para los espacios de dimensión n y que dimK V = n + 1. Si b es nula, una
vez más no hay nada que hacer puesto que todo par de vectores son ortogonales entre
sí. Si no, la Proposición ?? nos dice que existe v ∈ V tal que b(v, v) 6= 0.
Consideremos ahora el subespacio ortogonal a v, definido análogamente al caso de
producto internos:
W := {w ∈ V | b(v, w) = 0}.
Vía el pareo dual vemos que W es el núcleo de una transformación lineal V → K no
trivial (puesto que b(v, v) 6= 0). Por lo tanto, la dimensión de su imagen es 1 y por el
Teorema del rango (Teorema 2.17) obtenemos que dimK W = n. Además, v 6∈ W ya que
b(v, v) 6= 0.
6.6. OPERADORES ORTOGONALES Y UNITARIOS 237

Por hipótesis de inducción, sabemos que W admite una base ortogonal B ′ . Definimos
entonces B como B ′ ∪{v} y afirmamos que se trata de una base ortogonal de V . En efecto,
como v 6∈ W , sabemos que el espacio generado por B ′ debe tener dimensión estrictamente
mayor que dimK W = n, por lo tanto se trata de todo V , cuya dimensión es n + 1. Esto
prueba que B es una base de V . Para ver que es ortogonal, basta notar que b(u, w) = 0
si u, w ∈ B ′ con u 6= w ya que B ′ es ortogonal, mientras que b(v, u) = b(u, v) = 0 para
todo u ∈ B ′ . Por lo tanto b(u, w) = 0 para todo u, v ∈ B con u 6= w. ¨
⌣

Observación 30.
Si bien este resultado nos asegura la existencia de bases ortogonales, en principio no nos
dice cómo encontrar una a partir de una base dada. En otras palabras, no corresponde
al proceso de ortogonalización de Gram-Schmidt. Para lograr obtener un resultado como
aquél en este contexto más general, se requieren más hipótesis técnicas sobre la forma b,
pero no detallaremos esto aquí.

6.6. Operadores ortogonales y unitarios

Una vez que dotamos a uno o varios espacios vectoriales de una estructura de produc-
to interno, o más generalmente de forma bilineal simétrica (o hermitiana), resulta natural
el concentrarse en las transformaciones lineales que respetan esta estructura extra. Esto
nos lleva a la noción de operadores ortogonales (o unitarios), la cual estudiaremos en
esta sección.
Si bien la hemos evitado durante todos estos apuntes, la noción de operador lineal no
es más que un sinónimo de “transformación lineal” usado típicamente en contextos más
analíticos (como cuando el espacio vectorial que nos concierne es un espacio de funciones).
En dichos contextos, como por ejemplo en análisis de Fourier, se cuenta con productos
internos definidos naturalmente y es por esto que se usa más la palabra “operador” que
“transformación”.

Definición 6.62. Sea V un K-espacio vectorial y b una forma bilineal simétrica en V .

Un operador lineal T : V → V se dice ortogonal si, para todo v, w ∈ V se tiene que

b(T (v), T (w)) = b(v, w).

Esto aplica en particular para un espacio vectorial real con producto interno.
Sea V un C-espacio vectorial y h una forma hermitiana en V . Un operador lineal
T : V → V se dice unitario si, para todo v, w ∈ V se tiene que

h(T (v), T (w)) = h(v, w).

238 CAPÍTULO 6. PRODUCTOS INTERNOS

Esto aplica en particular para un espacio vectorial complejo con producto interno. En
ese caso, decimos también que T “preserva largos” (puesto que preserva las normas).
Puesto que las formas bilineales y hermitianas se escriben por medio de matrices
cuando fijamos bases, lo mismo ocurre para los operadores ortogonales y unitarios, de
la manera siguiente:

Proposición 6.63. Sea V un R-espacio vectorial de dimensión finita y b una forma

bilineal simétrica en V . Sea B una base de V y sea G la matriz de Gram asociada.
Sea T : V → V un operador lineal y sea A la matriz correspondiente en la base B.
Entonces T es ortogonal si y sólo si satisface

At GA = G.

Proposición 6.64. Sea V un C-espacio vectorial de dimensión finita y h una forma

hermitiana en V . Sea B una base de V y sea H la matriz de Gram asociada. Sea
T : V → V un operador lineal y sea A la matriz correspondiente en la base B.
Entonces T es unitario si y sólo si satisface

A∗ HA = H.

Como ambas proposiciones tienen esencialmente la misma demostración, haremos

sólo la segunda. Para obtener la demostración de la primera, basta con ignorar las
conjugaciones complejas y reemplazar ∗ por t donde corresponda.
Demostración. Recordemos que T (v) = u si y sólo si A[v]B = [u]B . Así, T es unitario si
y sólo si
t t
(A[w]B ) H(A[v]B ) = [w]B H[v]B ,
para todo v, w ∈ V . Desarrollando el lado izquierdo, esto se transforma en
t t
[w]B A∗ HA[v]B = [w]B H[v]B ,

para todo v, w ∈ V . Finalmente, como la base de los vi ∈ B corresponde a los vectores

columna canónicos ei , la multiplicación de matrices es lineal y ei = ēi para todo 1 ≤ i ≤ n,
esto es equivalente a
eti A∗ HAej = eti Hej ,
para todo 1 ≤ i, j ≤ n.
6.6. OPERADORES ORTOGONALES Y UNITARIOS 239

Pero ya hemos visto en otras demostraciones que, para toda matriz M = (mij ) ∈
Mn (K) se tiene que eti Mej = mij . Por lo tanto, la última afirmación es equivalente a la
igualdad matricial A∗ HA = H. ¨
⌣

En el caso de una base ortonormal, recuperamos las nociones de matrices ortogonales

y auto-adjuntas.

Corolario 6.65. Sea K = R, C y sea V un K-espacio vectorial de dimensión finita

con producto interno y con base ortonormal B. Sea T : V → V un operador lineal
y sea A su matriz en la base B. Entonces T es ortogonal (resp. unitario) si y sólo si
At = A−1 (resp. A∗ = A−1 ).

Demostración. Basta con notar que, en una base ortonormal, la matriz de Gram es la
identidad. El resultado es inmediato entonces de las proposiciones precedentes. ¨
⌣

A estas alturas, uno podría preguntarse porqué estudiamos tan sólo operadores que
van de V a sí mismo. En el caso en que V está equipado con un producto interno, esto
se explica por el siguiente resultado, que informalmente nos dice que, si dos espacios con
producto interno son comparables, entonces son isomorfos.

Teorema 6.66. Sea K = R, C y sean V, W dos K-espacios vectoriales de dimensión

n con producto interno. Sea T : V → W un operador lineal tal que

hT (v), T (w)i = hv, wi, ∀ v, w ∈ V.

Entonces T es un isomorfismo. Además, si B = {v1 , . . . , vn } es una base ortonormal

de V , entonces T (B) = {T (v1 ), . . . , T (vn )} es una base ortonormal de W .

Nótese que en la igualdad del enunciado el primer producto interno es el de W ,

mientras que el segundo es el de V . Usamos sin embargo la misma notación puesto que
basta con ver donde viven los vectores que están adentro del producto.

Demostración. Como ambos espacios tienen dimensión n, basta ver que T es inyectiva
para probar que es sobreyectiva. Ahora, si v ∈ Ker T , entonces tenemos que

hv, vi = hT (v), T (v)i = h0, 0i = 0,

por lo que v = 0. Esto nos dice que Ker T = {0} y T es entonces un isomorfismo.
240 CAPÍTULO 6. PRODUCTOS INTERNOS

Finalmente, si B es una base ortonormal, entonces sabemos que

hvi , vj i = δij , ∀ 1 ≤ i, j ≤ n.
Usando la igualdad del enunciado, esto nos dice inmediatamente que
hT (vi), T (vj )i = δij , ∀ 1 ≤ i, j ≤ n.
Es decir, el conjunto T (B) es ortonormal. Como además tiene n elementos, tiene que ser
una base. ¨
⌣

Tenemos la siguiente aplicación inmediata, que no necesita demostración.

Corolario 6.67. Un operador ortogonal o unitario en un espacio vectorial de di-

mensión finita con producto interno es un automorfismo. ⌣¨

6.7. Operadores adjuntos

La última noción que estudiaremos es la de operador adjunto en un espacio con
producto interno. Se trata de una operación en el mundo de los operadores lineales
(o de las matrices, si estamos en dimensión finita) que tiene bastantes analogías con la
conjugación compleja, permitiéndonos hablar, por ejemplo, de la “parte real” y la “parte
imaginaria” de un operador lineal dado.
En esta sección, K será R o C. Pero las aplicaciones interesantes surgen sobre todo
en el caso complejo, por lo que vale la pena tener éste en mente.
Definición 6.68. Sea V un K-espacio vectorial con producto interno. Decimos que un
operador lineal T : V → V tiene un adjunto si existe un operador lineal T ∗ : V → V tal
que
hT (v), wi = hv, T ∗(w)i, ∀ v, w ∈ V.
El operador T ∗ , si existe, es único. En efecto, si existiese otro operador T ′ : V → V
con la misma propiedad, entonces, para todo v, w ∈ V tendríamos que
hv, T ∗(w) − T ′ (w)i = hv, T ∗ (w)i − hv, T ′(w)i = hT (v), wi − hT (v), wi = 0.
Pero el único vector que es ortogonal a todo v ∈ V es 0, por lo que T ∗ (w) = T ′ (w) para
todo w ∈ V . En otras palabras, T ′ = T ∗ .
Definición 6.69. El operador T ∗ , si existe, se denomina el operador adjunto de T .
En el caso de dimensión finita, este operador siempre existe, y una vez más se trata
de una consecuencia del pareo dual.
6.7. OPERADORES ADJUNTOS 241

Teorema 6.70. Sea V un K-espacio vectorial de dimensión finita con producto

interno. Sea T : V → V un operador lineal. Entonces T tiene un adjunto.

Demostración. Recordemos que el pareo dual (el cual funciona en el caso complejo tam-
bién, como observamos en la sección anterior) nos da una biyección h̃ : V → V ∗ según
la Proposición 6.13. Sea v ∈ V y consideremos entonces el operador lineal h̃(v) ◦ T ∈ V ∗ .
Definimos T ∗ (v) := h̃−1 (h̃(v) ◦ T ). De esta forma tenemos que h̃(T ∗ (v)) = h̃(v) ◦ T , es
decir,
h̃(T ∗ (v))(w) = h̃(v)(T (w)), ∀ v, w ∈ V.
Usando la definición del pareo dual, esto equivale a

hT ∗ (v), wi = hv, T (w)i, ∀ v, w ∈ V.

Finalmente, usando la simetría (salvo conjugación) del producto interno, vemos que esto
es equivalente a
hT (v), wi = hv, T ∗(w)i, ∀ v, w ∈ V.
Por último, un cálculo directo usando la (semi)-linealidad de h̃, h̃−1 y de T permite
chequear que T ∗ es un operador lineal. ¨
⌣

Observación 31.
En dimensión infinita, la existencia del operador adjunto no está asegurada. Sin embargo,
en ciertos contextos (como los espacios de Hilbert que aparecen en mecánica cuántica),
uno puede asegurar su existencia y trabajar con ellos esencialmente como lo hacemos en
dimensión finita.

Este resultado podría haber sido obtenido usando contenidos de la Sección ??, puesto
que el pareo dual relaciona al operador adjunto con la transformación lineal traspuesta.
Esto se ve también mediante el siguiente resultado:

Proposición 6.71. Sea V un K-espacio vectorial de dimensión finita con producto

interno. Sea B = {v1 , . . . , vn } una base ortonormal de V y sea T : V → V un
operador lineal con matriz A en la base B. Entonces [T ∗ ]BB = A .
∗

Demostración. Como la base B es ortonormal, tenemos que

h̃(vi )(vj ) = hvi , vj i = δij , ∀ 1, ≤ i, j ≤ n.

242 CAPÍTULO 6. PRODUCTOS INTERNOS

Esto nos dice que los h̃(vi ) forman una base dual en V ∗ de la base B. Así, como
h̃(T ∗ (v)) = h̃(v) ◦ T y esta última fórmula define a la transformación traspuesta T t :
V ∗ → V ∗ , el Teorema ?? nos dice que la matriz de T t en la base de los h̃(vi ) es At . En
particular
n
h̃(T ∗ (vi )) = T t (h̃(vi )) = ajih̃(vj ),
X

j=1

y por lo tanto
 
n n
T ∗ (vi ) = h̃−1 (h̃(T ∗ (vi ))) = h̃−1  aji h̃(vj ) =
X X
āji vj .
j=1 j=1

Esto nos dice precisamente que la matriz de T ∗ en la base B es A∗ . ¨

⌣

Veamos ahora algunas propiedades que nos muestran la analogía entre el adjunto y
la conjugación compleja.

Proposición 6.72. Sea V un K-espacio vectorial de dimensión finita con producto

interno y sean T, U : V → V operadores lineales y λ ∈ C un escalar. Entonces

1) (T + λU)∗ = T ∗ + λ̄U ∗ ;

2) (T ◦ U)∗ = U ∗ ◦ T ∗ ;

3) (T ∗ )∗ = T .

Demostración. La primera afirmación viene del siguiente cálculo, válido para todo v, w ∈
V:

h(T + λU)(v), wi = hT (v), wi + λhU(v), wi

= hv, T ∗wi + λhv, U ∗ (w)i
= hv, (T ∗ + λ̄U ∗ )(w)i.

Como el operador adjunto es único, vemos que (T + λU)∗ necesariamente debe ser
T ∗ + λ̄U ∗ .
Las otras dos afirmaciones se obtienen usando el mismo argumento, a partir de las
igualdades

h(T ◦ U)(v), wi = hT (U(v)), wi = hU(v), T ∗ (w)i = hv, U ∗ (T ∗ (w))i = hv, (U ∗ ◦ T ∗ )(w)i,

6.8. EJERCICIOS RESUELTOS 243

y
hT ∗ (v), wi = hw, T ∗(v)i = hT (w), vi = hv, T (w)i.
¨
⌣

Éstas propiedades son bastante similares a las de la conjugación compleja, ya que

sabemos que z + z ′ = z̄ + z̄ ′ , zz ′ = z̄ z̄ ′ y z̄¯ = z para z, z ′ ∈ C. Nótese eso sí el cambio de
orden en el caso de la composición de operadores.
Siguiendo esta analogía, los operadores auto-adjuntos (i.e. aquellos tales que T ∗ = T ,
o bien que su matriz en una base ortonormal es auto-adjunta) se portan como los números
reales. Así, todo operador C-lineal T : V → V se escribe como T = U1 + iU2 con U1 , U2
auto-adjuntos. En efecto, basta con definir
1
U1 := (T + T ∗ ),
2
1
U2 := (T − T ∗ ).
2i
Es fácil ver que estos U1 , U2 satisfacen estas propiedades. Pero además resulta que son
los únicos operadores auto-adjuntos que satisfacen T = U1 + iU2 , por lo que realmente
podemos ver a U1 como la “parte real” de T y a U2 como la “parte imaginaria” de T . En
efecto, si U1′ , U2′ fuesen autoadjuntos y tales que T = U1′ + iU2′ , entonces restando ambas
igualdades veríamos que 0 = (U1 − U1′ ) + i(U2 − U2′ ), con Si := Ui − Ui′ auto-adjunto. En
particular, tendríamos que S1 = −iS2 y por lo tanto
−iS2 = S1 = S1∗ = (−iS2 )∗ = iS2∗ = iS2 .
Esto nos dice que S1 = S2 = 0, probando la unicidad de U1 , U2 .

6.8. Ejercicios Resueltos

1) Sea R3 con el producto interno usual y T es un operador lineal en R3 definido por
T (x, y, z) = ( x2 + y2 , x2 + y2 , −z).

a) Verifique que T es tiene adjunta.

Solución. Tenemos que
h(1, 0, 0), T ∗(a, b, c)i = hT (1, 0, 0), (a, b, c)i = h( 12 , 21 , 0), (a, b, c)i = a
2
+ b
2

h(0, 1, 0), T ∗(a, b, c)i = hT (0, 1, 0), (a, b, c)i = h( 12 , 21 , 0), (a, b, c)i = a
2
+ b
2

h(0, 0, 1), T ∗(a, b, c)i = hT (0, 0, 1), (a, b, c)i = h(0, 0, −1), (a, b, c)i = −c
244 CAPÍTULO 6. PRODUCTOS INTERNOS

Luego T ∗ (a, b, c) = ( a2 + 2b , a2 + 2b , −c) y T = T ∗ .

b) Hallar una base ortonormal de R3 formada por vectores propios de T .
Solución. Buscamos los valores propios de T
1
2
−λ 1
2
0
det(A − λI) = 1
2
1
2
−λ 0 = λ(λ + 1)(λ − 1)
0 0 −1 − λ
Los valores propios son λ = 0, λ = 1, λ = −1. Para λ = 1
− 21 1
0
 
0
   
 2
 v1

 1
2
− 12 0 
 v2 
 =  0 
 

v3 0
 
0 0 −2
de donde v = (1, 1, 0). Para λ = −1
3 1
0
 
0
   
 2 2
 v1

 1
2
3
2
0 
 v2  =  0 
 

v3 0
 
0 0 0
de donde v = (0, 0, 1). Por otro lado, note que con λ = 0 se tiene T (v) = 0,
es decir, podemos elegir cualesquier vector en Ker(T ), como Ker(T ) =
h{(1, −1, 0)}i tenemos que {( √12 , − √12 , 0), (0, 0, 1), ( √12 , √12 , 0)} es base orto-
normal de V formada por vectores propios de T .

2) Considere P3 (R) el espacio vectorial de los polinomios de grado menor o igual a

3 con coeficientes en R y el subespacio W = h{1, x − 21 }i. En P3 (R) se define el
producto interno Z 1
hp, qi = p(t)q(t) dt.
0
Hallar la proyección P : P3 (R) → W ⊥ . Deduza que P3 (R) = W ⊕ W ⊥ .

Solución. Sea p(x) = a0 + a1 x+ a2 x2 + a3 x3 ∈ P3 (R). Para la proyección ortogonal

sobre W :
hp(x), 1i hp(x), x − 1/2i
pW (p(x)) = 1+ (x − 1/2)
||1|| 2 ||x − 1/2||2
Z 1
= a0 + a1 t + a2 t2 + a3 t3 dt
0
1 1
Z
+ 12(x − 1/2) (a0 + a1 t + a2 t2 + a3 t3 )(t − )dt
0 2
6.8. EJERCICIOS RESUELTOS 245

Calculamos las integrales

1 a1 a2 a3
Z
a0 + a1 t + a2 t2 + a3 t3 dt = a0 + + +
0 2 3 4
1 1 1 1 1
Z Z Z 
p(t)(t − )dt = a0 t + a1 t2 + a2 t3 + a3 t4 dt − a0 + a1 t + a2 t2 + a3 t3 dt
0 2 0 2 0

a0 a1 a2 a3 a0 a1 a2 a3 a1 a2 3
   
= + + + − − − − = + + a3 .
2 3 4 5 2 4 6 8 12 12 40
Reemplazando
a1 a2 a3 1 9 a2 a3 9
pW (p(x)) = a0 + + + +(x− )(a1 +a2 + a3 ) = a0 − − +(a1 +a2 + a3 )x
2 3 4 2 10 6 5 10
La proyección sobre W ⊥ es pW ⊥ (p(x)) = p(x) − pW (p(x)) es decir,
a2 a3 9
pW ⊥ (p(x)) = + − (a2 + a3 )x + a2 x2 + a3 x3
6 5 10
Note que Ker(pW ⊥ ) = h{1, x}i = h{1, x − 21 }i = W, luego P3 (R) = W ⊕ W ⊥ .

3) En R3 considere el producto interno dado por

1 0 0
  
  a
h(x, y, z), (a, b, c)i = x y z  0 1 1  b 
  

0 1 2 c
y el subespacio U = {(x, y, z) : x + y = 0}, determine U ⊥ .
Solución. Note que U = {(x, −x, z) : x, y ∈ R}, de donde {(1, −1, 0), (0, 0, 1)}
es una base de U. Debemos buscar los vectores (x, y, z) ∈ R3 tal que se verifique
h(x, y, z), (1, −1, 0)i = 0 y h(x, y, z), (0, 0, 1)i = 0, es decir

1 0 0 1 1 0 0 0
     
   
x y z  0 1 1   −1  = 0 y x y z  0 1 1   0  = 0,
     

0 1 2 0 0 1 2 1
de donde −x + y + z = 0 y y + 2z = 0 y obtenemos que
U ⊥ = {(−z, −2z, z) : z ∈ R} = h{(−1, −2, 1)}i.
Observe que dim U = 2, como R3 = U ⊕ U ⊥ se comprueba que dim U ⊥ = 1.
246 CAPÍTULO 6. PRODUCTOS INTERNOS

4) Considere R3 con el producto interno usual. Sea T es un operador lineal en R3 ,

cuya matriz en la base canónica es

3 −2 −1
 

A=

−2 3 −1 

−1 −1 2

a) ¿Es T adjunta?

Solución. Tenemos que

h(1, 0, 0), T ∗(a, b, c)i = hT (1, 0, 0), (a, b, c)i = h(3, −2, −1), (a, b, c)i = 3a − 2b − c

h(0, 1, 0), T ∗(a, b, c)i = hT (0, 1, 0), (a, b, c)i = h(−2, 3, −1), (a, b, c)i = −2a + 3b − c

h(0, 0, 1), T ∗(a, b, c)i = hT (0, 0, 1), (a, b, c)i = h(−1, −1, 2), (a, b, c)i = −a − b + 2c

Luego T ∗ (a, b, c) = (3a − 2b − c, −2a + 3b − c, −a − b + 2c) y T = T ∗ .

b) Pruebe que R3 tiene una base ortogonal B de vectores propios.

Solución. Buscamos los valores propios de T :

det(A − λI)

3 − λ −2 −1
= −2 3 − λ −1 = (3−λ)2 (2−λ)−2−2−(3−λ)−(3−λ)−4(2−λ)
−1 −1 2 − λ

simplificando c(λ) = −λ(λ − 3)(λ − 5), los valores propios son λ = 0, 3, 5.

(i) Para λ = 0 tenemos

3 −2 −1 0
    
x
Av =  −2

3 −1   y  =  0 
  

−1 −1 2 z 0

de donde 3x − 2y − z = 0
−2x + 3y − z = 0
−x − y + 2z = 0, resolviendo obtenemos x = y = z
y v = (1, 1, 1).
6.8. EJERCICIOS RESUELTOS 247

(ii) Para λ = 3 tenemos

0 −2 −1 0
    
x
(A − 3I)v =  −2

 y  =  0 
0 −1     

−1 −1 −1 z 0

de donde − 2y − z = 0
−2x − z = 0
−x − y − z = 0, resolviendo obtenemos x = y, z = −2x
y v = (1, 1, −2).
(iii) Para λ = 5 tenemos

0
    
−2 −2 −1 x
(A − 5I)v =  −2 −2 −1   y  =  0 
    

−1 −1 −3 z 0

de donde − 2x − 2y − z = 0
−x − y − 3z = 0, resolviendo obtenemos − x = y, z = 0
y v = (1, −1, 0). Tenemos que B = {(1, 1, 1), (1, 1, −2), (1, −1, 0)} es una
base ortogonal de R3 .
c) Sea U = {(x, y, z) ∈ R3 : x + y − z = 0}, encuentre U ⊥ y la proyección
ortogonal pU ⊥ (x, y, z).
Solución. Tenemos que U = h{(1, 0, 1), (0, 1, 1)}i, debemos hallar (x, y, z) ∈
R3 tal que h(1, 0, 1), (x, y, z)i = 0 y h(0, 1, 1), (x, y, z)i = 0, esto es x + z = 0
y y + z = 0 de donde

U ⊥ = {(x, x, −x) : x ∈ R} = h{(1, 1, −1)}i.

Además
h(x, y, z), (1, 1, −1)i x+y−z
pU (x, y, z) = (1, 1, −1) = (1, 1, −1)
||(1, 1, −1)|| 2 3

5) Se define la forma bilineal b : R3 × R3 → R por

3 −2 −1
  
x
b((x, y, z), (a, b, c)) = (a b c)  −2

3 −1   y 


−1 −1 2 z
248 CAPÍTULO 6. PRODUCTOS INTERNOS

¿Es b simétrica? ¿positiva definida? ¿producto interno en R3 ? Hallar la matriz de

Gram [b]B . donde B = {(1, 1, 1), (1, 1, −2), (1, −1, 0)} es base de R3 .
Solución. Como A es simétrica, claramente b es una forma bilineal simétrica.
Veamos si es positiva definida:

3 −2 −1
  
x
b((x, y, z), (x, y, z)) = (x y z)  −2

3 −1   y 


−1 −1 2 z
= 3x2 − 4xy − 2xz − 2yz + 3y 2 + 2z 2
= (x − z)2 + (y − z)2 + 2(x − y)2 ≥ 0
de esto, por ejemplo, b((1, 1, 1), (1, 1, 1)) = 0 de donde b no es positiva definida y
por lo tanto no es un producto interno.
Para la matriz de Gram [b]B tenemos que b11 = b((1, 1, 1), (1, 1, 1)) = 0, b22 =
b((1, 1, −2), (1, 1, −2)) = 18, b33 = b((1, −1, 0), (1, −1, 0)) = 6

b12 = b((1, 1, 1), (1, 1, −2)) = 0

b13 = b((1, 1, 1), (1, −1, 0)) = 0
b23 = b((1, 1, −2), (1, −1, 0)) = 0
de donde
0 0 0
 

[b]B =  0 18 0 
 

0 0 6
6) Consideremos
q ahora V =qR2 . Dados u = (x1 , x2 ) y v = (y1 , y2) los números
||u|| = x21 + x22 y ||v|| = y12 + y22 miden las longitudes de dichos vectores.
Solución. Supongamos que u 6= 0, v 6= 0 y llamemos θ al ángulo formado por estos
vectores. Afirmamos que el producto interno canónico es hu, vi = ||u|| ||v|| cos(θ).
Para probar esto, consideramos varios pasos:

a) Supongamos que u y v son perpendiculares. De la definición de norma y

usando propiedades de producto interno, tenemos que
||u + v||2 = hu + v, u + vi = ||u||2 + ||v||2 + 2hu, vi.
Por otro lado, por el Teorema de Pitágoras:
||u + v||2 = hu + v, u + vi = ||u||2 + ||v||2.
6.8. EJERCICIOS RESUELTOS 249

Igualando obtenemos que hu, vi = 0 y como ||u|| ||v|| cos(π/2) = 0 se tiene la

igualdad hu, vi = ||u|| ||v|| cos(π/2) para vectores perpendiculares.
b) Si ||u|| = 1, ||v|| = 1 entonces hu, vi = cos(θ). En efecto, tomando el vector
unitario w perpendicular a u, usando la definición de seno y coseno tenemos
v = u cos(θ) + w sen(θ). Tomando producto interno a ambos lados de la
igualdad hu, vi = hu, ui cos(θ) + hu, wi sen(θ), de donde hu, vi = cos(θ).

w
v

θ u

c) Para el caso general, escribimos u = ||u||u1 y v = ||v||v1, vemos que los

vectores u1 y v1 son vectores unitarios, por los puntos anteriores

hu, vi = ||u|| ||v||hu1, v1 i = ||u|| ||v|| cos(θ).

En resumen, dados u, v ∈ R2 tenemos que hu, vi = ||u|| ||v|| cos(θ) donde θ es el

ángulo entre u y v. En particular, si los vectores u y v forman un ángulo agudo
entonces hu, vi > 0; si los vectores u y v forman un ángulo obtuso entonces hu, vi <
0 y un ángulo recto cuando hu, vi = 0.

7) Si u y v son vectores en R3 entonces

a) hu, u × vi = 0, hv, u × vi = 0
b) ||u × v||2 = ||u||2||v||2 − hu, vi2 (Identidad de Lagrange)

Sean u = (u1 , u2, u3 ) y v = (v1 , v2 , v3 ), tenemos

Solución a). Probaremos que u × v es ortogonal a u.

hu, u × vi = h(u1 , u2, u3 ), (u2v3 − u3 v2 , u3 v1 − u1 v3 , u1 v2 − u2 v1 )i

= u1 u2 v3 − u1 u3 v2 + u2 u3 v1 − u2 u1 v3 + u3 u1 v2 − u3 u2 v1 = 0

Análogo u × v es ortogonal a v.
250 CAPÍTULO 6. PRODUCTOS INTERNOS

Solución b). Identidad de Lagrange

||u × v||2 = (u2 v3 − u3 v2 )2 + (u3 v1 − u1 v3 )2 + (u1 v2 − u2 v1 )2

= u22 v32 − 2u2 v3 u3 v2 + u23 v22 + u23 v12 − 2u3 v1 u1 v3 + u21 v32 + u21 v22 − 2u1 v2 u2 v1 + u22 v12
= (u21 + u22 + u23 )(v12 + v22 + v32 ) − (u1 v1 + u2 v2 + u3 v3 )2
= ||u||2||v||2 − hu, vi2

8) Sea V un espacio vectorial sobre C, de dimensión finita y dotado con producto

interno. Considere β = {u1 , . . . , un } una base ortonormal de V .
n
a) Dados dos vectores v, w ∈ V , demostrar que hv, wi =
X
hv, uk ihw, uk i.
k=1
Solución. Sea v ∈ V escribimos v = α1 u1 + α2 u2 + · · · + αn un . Considerando
que β es base ortonormal se tiene
n
hv, uk i = αi hui, uk i = αk huk , uk i = αk
X

i=1

Luego, para v, w ∈ V
n n n
hv, wi = h hv, uk iuk , wi = hv, uk i huk , wi =
X X X
hv, uk i hw, uk i.
k=1 k=1 k=1

b) Sea T un operador lineal sobre V y (aij )n×n la matriz de T en la base ordenada

β. Pruebe que aij = hT (uj ), uii.
Solución.n Por definición de matriz de una transformación lineal tenemos
T (uj ) = akj uk . Considerando que β es base ortonormal
X

k=1

n
hT (uj ), uii = akj huk , uii = aij hui, ui i = aij .
X

k=1

9) Sea B = {(−1, 0, 2), (2, 2, 0), (0, 4, 3)} una base de R3 .

a) A partir de B encuentre una base ortonormal de R3 .

Solución. Sea w1 = (−1, 0, 2), tenemos que
h(2, 2, 0), (−1, 0, 2)i 2
w2 = (2, 2, 0) − (−1, 0, 2) = (2, 2, 0) + (−1, 0, 2)
||(−1, 0, 2)||2 5
6.8. EJERCICIOS RESUELTOS 251

8 4 2
 
de donde w2 = , 2, = (4, 5, 2). Para w3 :
5 5 5

h(0, 4, 3), (−1, 0, 2)i h(0, 4, 3), 52 (4, 5, 2)i 2

w3 = (0, 4, 3) − (−1, 0, 2) − (4, 5, 2)
||(−1, 0, 2)||2 || 52 (4, 5, 2)||2 5
6 26 5
= (0, 4, 3) − (−1, 0, 2) − (4, 5, 2) = (−2, 2, −1)
5 45 9

Así el conjunto {(−1, 0, 2), (4, 5, 2), (−2, 2, −1)} es una base ortogonal de R3 .
A partir de ella obtenemos una base ortonormal dada por

1 1 1
( )
√ (−1, 0, 2), √ (4, 5, 2), √ (−2, 2, −1)
5 45 5

b) Hallar el ángulo entre u = (−1, 0, 2) y v = (2, 2, 0)

h(−1, 0, 2), (2, 2, 0)i 1
Solución. Tenemos que cos(θ) = = −
||(−1, 0, 2)||2||(2, 2, 0)||2 20
c) Determine el área del paralelogramo de lados adyacentes u = (−1, 0, 2) y
v = (2, 2, 0)
Solución. Tenemos que

î ĵ k̂
u × v = −1 0 2 = −4î + 4ĵ − 2k̂
2 2 0

Así, el área es A = ||u × v|| = 6.

10) Demostrar que la aplicación f : R2 × R2 −→ R, que a cada par de vectores

x = (x1 , x2 ), y = (y1 , y2) le asigna

f (x, y) = f [(x1 , x2 ), (y1, y2 )] = 3x1 y1 − 6x1 y2 + 5x2 y1

es una forma bilineal. Luego:

a) Hallar la matriz de Gram de f asociada a la base canónica.
b) Hallar la matriz de Gram de f asociada a la siguiente base

B{(1, 1); (3, 4)}

Usando la formula de cambio de base.

252 CAPÍTULO 6. PRODUCTOS INTERNOS

Solución. Sean (x1 , x2 ), (y1, y2 ), (z1 , z2 ) ∈ R2 y α ∈ R, tenemos

f [(x1 , x2 ) + α(y1 , y2 ), (z1 , z2 )] = f [(x1 + αy1 , x2 + αy2 ), (z1 , z2 )]

= 3(x1 + αy1 )z1 − 6(x1 + αy1 )z2 + 5(x2 + αy2 )z1
= 3x1 z1 − 6x1 z2 + 5x2 z1 + α(3y1z1 − 6y1 z2 + 5y2 z1 )
= f [(x1 , x2 ), (z1 , z2 )] + αf [(y1, y2 ), (z1 , z2 )]

Haciendo el mismo procedimiento llegaremos a que

f [(x1 , x2 ), (y1, y2 ) + α(z1 , z2 )] = f [(x1 , x2 ), (y1, y2 )] + αf [(x1 , x2 ), (z1 , z2 )]

Por lo tanto f es una forma bilineal.

a) Para hallar la matriz de Gram necesitamos calular
!t
f (e1 , e1 ) f (e1 , e2 ) f (e1 , e1 ) f (e2 , e1 )
!
=
f (e2 , e1 ) f (e2 , e2 ) f (e1 , e2 ) f (e2 , e2 )

Por lo tanto la matriz de Gram es

3 5
!

−6 0

Podemos interpretar f como

3 5
! !
x1
f [(x1 , x2 ), (y1 , y2 )] = (y1 , y2 )
−6 0 x2

b) Para hallar la matriz de Gram asociada a B, usando el teorema de cambio de

base debemos calcular
3 5
!
C t
([id]B ) [id]C
−6 0 B

Es decir !t
1 3 3 5 1 3 1 1 3 5 1 3
! ! ! ! !
=
1 4 −6 0 1 4 3 4 −6 0 1 4
Por lo tanto la matriz de Gram es
2 11
!

0 15

11) Sea f : V × V −→ R una forma bilineal, en un espacio vectorial real V . Demostrar

que f es alternada si y sólo si f es antisimétrica, sabiendo que:
6.8. EJERCICIOS RESUELTOS 253

f se dice alternada si f (x, x) = 0 para todo x ∈ V .

f se dice antisimétrica si f (x, y) = −f (y, x) para todo x, y ∈ V .

Solución. (=⇒) Supongamos que f es alternada, entonces para x + y ∈ V se

cumple que
f (x + y, x + y) = 0
Ocupando que f es bilineal llegamos a que
f (x + y, x + y) = f (x, x) + f (x, y) + f (y, x) + f (y, y) = f (x, y) + f (y, x) = 0
Por lo que se tiene que
f (x, y) = −f (y, x)
Es decir f es antisimétrica.
(⇐=) Supongamos que f es antisimétrica, es decir para x ∈ V se cumple que

f (x, x) = −f (x, x) =⇒ 2f (x, x) = 0 =⇒ f (x, x) = 0

Es decir f es alternada.
12) Hallar la relación que tiene que verificar los parámetros reales α y β para que
2 2
x · y = 2α x1 y1 + 2αβ (x1 y2 + x2 y1 ) + 2β x2 y2
donde
x = (x1 , x2 ) e y = (y1 , y2 )
determine un producto escalar en R2 . Para α = 1 y β = 2, hallar la matriz
de Gramm G de este producto escalar en la base B = {u, v} con u = (1, 1) y
v = (1, −1).

Solución. Primero tenemos que demostrar que es una forma bilineal, sean x =
(x1 , x2 ), y = (y1 , y2), z = (z1 , z2 ) ∈ R2 y γ ∈ R tenemos que
2 2
(x + γy) · z = 2α (x1 + γy1 )z1 + 2αβ [(x1 + γy1 )z2 + (x2 + γy2 )z1 ] + 2β (x2 + γy2 )z2
2 2
= 2α x1 z1 + 2αβ (x1 z2 + x2 z1 ) + 2β x2 z2
2 2
+ γ[2α y1 z1 + 2αβ (y1 z2 + y2 z1 ) + 2β y2 z2 ]
= x · z + γ(y · z)
De la misma forma se demuestra que
x · (y + γz) = x · y + γ(x · z)
254 CAPÍTULO 6. PRODUCTOS INTERNOS

Por lo tanto es una forma bilineal, por otra parte notemos que es claramente
simétrica, por lo que solo nos faltaba comprobar que es definida positiva. Para eso
ocuparemos el criterio de Sylvester, por lo que primero tenemos que calcular su
matriz de Gramm en la base canónica
2
2α 2αβ
!
G = αβ β 2
2 2
2 2 +β 2
Para que sea positiva definida se tiene que cumplir que 2α > 0 y 2α −22αβ > 0,
en particular
α2 + β 2 > 2αβ =⇒ (α − β)2 > 0
Por lo tanto para que la relación de arriba sea un producto escalar en R2 tiene que
pasar que α 6= β. Luego evaluando α = 1 y β = 2, usando el teorema de cambio
de base tenemos que

1 1 2 4 1 1 26 −14
! ! ! !
=
1 −1 4 16 1 −1 −14 10

13) De un producto escalar de vectores en R3 , se sabe que, llamando B = {e1 , e2 , e3 }

a la base canónica, se verifica que:

e1 · e1 = 2 e2 · e2 = 5 e3 · e3 = a
e2 · e3 = −2 e1 · e3 = −1 e2 · e3 = 3

a) Hallar la expresión de este producto escalar, en la base canónica.

b) Determinar los valores de a para que lo de arriba definido sea, realmente, un
producto escalar.
c) Para a = 3, hallar la matriz de Gramm del producto escalar en la base
B = {u1 , u2, u3 } siendo

u1 = (1, 0, 0) u2 = (1, −2, 0) u3 = (1, 2, −3)

Solución.
a) Por definición la matriz de Gramm en la base canónica es

2 3 −1
 

G= 3 5 −2


−1 −2 a
6.8. EJERCICIOS RESUELTOS 255

Por lo que la expresión del producto escalar es

2 3 −1 x′
  
 
′ ′ ′
(x, y, z) · (x , y , z ) = x y z  3 5 −2 y 
   ′

−1 −2 a z′
= 2xx′ + 5yy ′ + azz ′ + 3(xy ′ + x′ y) − (xz ′ + x′ z) − 2(yz ′ + y ′z)

b) Para que sea un producto escalar debemos comprobar que es definida positiva,
por lo que usando el criterio de Sylvester, se tiene que cumplir que

2 3
2>0 =1>0 G =a−1>0
3 5

Por lo tanto es producto escalar si y solo si a > 1.

c) Usando la formula cambio de base, la matriz de Gramm en la base B se tiene
que

1 0 0 2 3 −1 1 1 1 2 −4 5
     

1 −2 0   3 5 −2 0 −2 2  = −4 10 −9

    

1 2 −3 −1 −2 3 0 0 −3 11 −27 7

14) Sean x, y, z ∈ V un R-espacio vectorial, demostrar que se cumple las siguiente

propiedades

||x + y + z||2 = ||x||2 + ||y||2 + ||z||2 + 2(x · y) + 2(x · z) + 2(y · z)

||x + y||2 + ||x − y||2 = 2||x||2 + 2||y||2

Solución. Para la primera propiedad se tiene que

||x + y + z||2 = (x + y + z) · (x + y + z)
= x · x + y · y + z · z + (x · y + y · x) + (x · z + z · x) + (y · z + z · y)
= ||x||2 + ||y||2 + ||z||2 + 2(x · y) + 2(x · z) + 2(y · z)

Para la segunda propiedad se tiene que

||x + y||2 + ||x − y||2 = (x + y) · (x + y) + (x − y) · (x − y)

= ||x||2 + ||y||2 + 2(x · y) + ||x||2 + ||y||2 − 2(x · y)
= 2||x||2 + 2||y||2
256 CAPÍTULO 6. PRODUCTOS INTERNOS

15) En un R espacio vectorial V , se llama distancia o métrica del vector x al vector y

al siguiente número real
d(x, y) = ||x − y||
Demuestre que para cualesquiera vectores x, y, z ∈ V , se cumplen las siguientes
propiedades:
d(x, y) = 0 si y solo si x = y
d(x, y) = d(y, x)
d(x, z) ≤ d(x, y) + d(y, z)

Solución. Demostraremos las 3 propiedades en orden

1.-(=⇒) Supongamos que

d(x, y) = ||x − y|| = 0

q
Como la norma se define como ||x − y|| = (x − y) · (x − y), y el producto interno
por definición es definida positiva entonces

(x − y) = 0V =⇒ x=y

(⇐=) Supongamos que x = y entonces

d(x.y) = ||x − y|| = ||0V || = 0

2.- Tenemos que

d(x, y) = ||x − y|| = || − (y − x)|| = | − 1|||y − x|| = ||y − x|| = d(y, x)

3.- Tenemos que

d(x, z) = ||x − z|| = ||(x − y) + (y − z)|| ≤ ||x − y|| + ||y − z|| = d(x, y) + d(y, z)

16) (Criterio de Sylvester) Sea h : V × V −→ C una forma hermitiana en un C-

espacio vectorial de dimensión n, si A = (aij ) es la representación de h en cualquier
base y para k ∈ {1, 2, ..., n} definimos
 
a11 . . . a1k
Ak =  .. . . . ... 
 . 


ak1 . . . akk
6.8. EJERCICIOS RESUELTOS 257

Se tiene que h es definida positiva si y solo si det(Ak ) > 0 para k ∈ {1, 2, ..., n}.

Solución. (=⇒) Supongamos que A una matriz hermitiana de h, en particular

como h es positiva definida entonces para los vectores de la forma
 
x1
 . 
 .  ~x
 
 . 
xk  0
   
x= 0
  = .
.
.
 . 
 
 .  0
 . 
0

se tiene que 0 < x∗ Ax = ~x∗ Ak ~x, por lo que Ak también para k ∈ {1, 2, .., n} define
una forma hermitiana por lo que existe P de tamaño k × k tal que Ak = P ∗ P , es
decir
det(Ak ) = det(P )det(P ) > 0
(⇐=) Esta implicancia lo haremos por inducción, para el caso n = 1 se tiene que

A1 = (a11 )

Como det(A1 ) = a11 > 0 y se cumple que A es una forma hermitiana positiva.
Ahora supongamos que An define una forma hermitiana postiva, tenemos que
demostrar que
!
An ~v
An+1 = (6.5)
~v ∗ d

es una forma hermitiana definida positiva, por hipotesis tenemos que det(Ak ) > 0
para k ∈ {1, 2, ..., n, n + 1}. Definamos
!
~x
x=
xn+1

luego

x∗ An+1 x = ~x∗ An~x + xn+1~x∗~v + xn+1~v ∗~x + d||xn+1||2

= (~x∗ + ~v ∗ A−1
n xn+1 )An (~ x + xn+1 A−1 n ~v ) − ||xn+1 ||2~v ∗ A−1
n ~v + d||xn+1 ||2
= (~x + ~c)∗ An (~x + ~c) + ||xn+1 ||2 (d − ~v ∗ A−1
n ~v)
258 CAPÍTULO 6. PRODUCTOS INTERNOS

donde ~c = xn+1 A−1

n ~v , el primer termino es positivo por hipótesis inductiva y para
el otro termino usamos la formula del determinante de una matriz por bloques
!
A B
det = det(A)det(D − CA−1 B)
C D
usándolo en (6,5) obtenemos
0 < det(An+1 ) = det(An ) · (d − ~v ∗ A−1
n ~v)
lo que implica que
x∗ An+1 x > 0

17) Sea V = C2 y definamos h·, ·i en V como

h(z1 , z2 ), (w1 , w2 )i = z1 w1 + 2z2 w2
a) Demostrar que h·, ·i es un producto interno en C2 .
b) Encontrar la matriz hermitiana en la base {(i, 1), (0, 2i)}.

Solución.
a) Para demostrar que h·, ·i es un producto interno en C3 , necesitamos verificar
que cumple las siguiente tres propiedades
hv, wi = hw, vi
hv + αu, wi = hv, wi + αhu, wi
hv, vi > 0 para todo v ∈ C2 no nulo
Luego sean v = (v1 , v2 ), u = (u1 , u2) y w = (w1 , w2 ) ∈ C2 y α ∈ C, tenemos
hv, wi = v1 w1 + 2v2 w2 = w1 v1 + 2w2 v2 = w1 v1 + 2w2 v2 = hw, vi
por otra parte se tiene que
hv + αu, wi = h(v1 + αu1, v2 + αu2), (w1 , w2 )i = (v1 + αu1 )w1 + 2(v2 + αu2)w2
= v1 w1 + 2v2 w2 + α(u1 w1 + 2u2 w2 )
= hv, wi + αhu, wi
Luego para ver si es positiva definida ocupemos el criterio de Sylvester, tenemos
que matriz hermitiana en la base canónica es
1 0
!
H=
0 2
6.8. EJERCICIOS RESUELTOS 259

Usando el criterio de Sylvester tenemos que

1 0
1>0 y =2>0
0 2

Por lo tanto h·, ·i es positiva definida, como hemos demostrado las 3 propiedades
entonces h·, ·i es un producto interno en C2 .
b) Ya que hemos calculado la matriz hermitiana en la base canónica entonces
usando el cambio de base se tiene que
!∗
i 0 1 0 i 0 −i 1 1 0 i 0 3 4i
! ! ! ! ! !
′
H = = =
1 2i 0 2 1 2i 0 −2i 0 2 1 2i −4i 8

18) Sea R4 con el producto interno usual, encontrar una base ortogonal y una ortonor-
mal del subespacio generado por

v1 = (2, 2, −1, 0) v2 = (2, 3, 1, −2) v3 = (3, 4, 5, −2)

Solución. Usando el proceso de ortogonalización de Gramm-Schmidt tenemos

w1 = v1 = (2, 2, −1, 0)

hv2 , w1 i 4+6−1
w2 = v2 − w 1 = (2, 3, 1, −2) − (2, 2, −1, 0)
||w1 ||2 22 + 22 + (−1)2
9
= (2, 3, 1, −2) − (2, 2, −1, 0)
9
= (0, 1, 2, −2)

hv3 , w1 i hv3 , w2 i
w3 = v3 − 2
w1 − w2
||w1 || ||w2 ||2
6+8−5 4 + 10 + 4
= (3, 4, 5, −2) − 2 (2, 2, −1, 0) − 2 (0, 1, 2, −2)
2 + 2 + (−1)
2 2 1 + 22 + (−2)2
9 18
= (3, 4, 5, −2) − (2, 2, −1, 0) − (0, 1, 2, −2)
9 9
= (1, 0, 2, 2)

Por lo tanto una base ortogonal del subespacio es {(2, 2, −1, 0), (0, 1, 2, −2), (1, 0, 2, 2)},
luego para una base ortonomal solo normalizamos los vectores y tenemos
{( 23 , 32 , − 13 , 0), (0, 13 , 32 , − 23 ), ( 31 , 0, 23 , 32 )}.
260 CAPÍTULO 6. PRODUCTOS INTERNOS

19) Sea T un operador lineal en R3 cuya representación matricial es

4 −1 0
 

A= 6 0 1


−4 2 2

a) Hallar la base de R3 tal que la representación de T en la respectiva base, es

la forma canónica de Jordan.
b) Sea b(x, y) = y t Ax una forma bilineal.¿Es definida positiva? ¿Define un pro-
ducto interno?.

Solución.
a) Para eso calculamos el polinomio característico, tenemos que

λ−4 1 0
p(λ) = −6 λ −1 = (λ − 2)3
4 −2 λ − 2

Por lo tanto tiene un solo valor propio, analizamos el subespacio al valor propio
λ = 2, debemos resolver el sistema de ecuaciones

−2 1 0 0
    
x
−6 2 −1 y  = 0
    

4 −2 0 z 0

Es decir Ker(2I3 − A) = h(1, 2, −2)i, por lo que A no es diagonalizable, por lo que

debemos resolver los siguientes sistemas de ecuaciones
2   3  
−2 1 0 0 −2 1 0 0
     
x x
−6 2 −1 y  = 0 y −6 2 −1 y  = 0
           

4 −2 0 z 0 4 −2 0 z 0

De lo que obtenemos Ker(2I3 − A)2 = h(1, 0, −4), (0, 1, 0)i y Ker(2I3 − A)3 = R3 .
Como debemos formar un bloque de Jordan de tamaño 3×3, para la base tomemos
v ∈ Ker(2I3 − A)3 tal que v ∈
/ Ker(2I3 − A)2 y formar

B = {v, (A − 2I3 )v, (A − 2I3 )v}

Tomemos v = (0, 0, 1), por lo tanto

B = {(0, 0, 1), (0, 1, 0), (−1, −2, 2)}

6.8. EJERCICIOS RESUELTOS 261

Ocupando el teorema cambio de base, se tiene que

−1 
0 0 −1 4 −1 0 0 0 −1 2 0 0
    

0 1 −2  6 0 1 0 1 −2 = 1 2 0
     

1 0 2 −4 2 2 1 0 2 0 1 2

b) Tenemos que esta definido como

b(x, y) = y tAx
4 −1 0
  
  x1
= y1 y2 y3  6 0 1
 x2 
  

−4 2 2 x3
= 4x1 y1 − x2 y1 + 6x1 y2 + x3 y2 − 4x1 y3 + 2x2 y3 + 2x3 y3

Usando el criterio de Sylvester, se tiene que

4 −1
4>0 =6>0 A =8>0
6 0

Por lo tanto es una forma bilineal definida positiva, pero notemos que nos es
simétrica ya que

b[(1, 0, 0), (0, 0, 1)] = −4 6= 0 = b[(0, 0, 1), (1, 0, 0)]

20) Sea V un R−espacio vectorial con producto interno, demuestre que

a) Sea v = α1 v1 + α2 v2 + ... + αn vn donde αi ∈ R y v1 , ..., vn es un subconjunto
ortonormal de V . Demuestre que ||v||2 = α12 + α22 + ... + αn2 .
b) Sea v1 , ..., vm un subconjunto ortonormal de V y sea v ∈ V . Demuestre que
i=1 hv, vi i ≤ ||v|| . (Desigualdad de Bessel)
Pm 2 2

Solución.
a) Tenemos que

||v||2 = hv, vi = hα1 v1 + ... + αn vn , α1 v1 + ... + αn vn i

n
= + ... + αn vn i
X
hαi vi , α1 v1
i=1
n X n
=
X
hαi vi , αj , vj i
j=1 i=1
262 CAPÍTULO 6. PRODUCTOS INTERNOS

n
=
X
hαi , vi , αi vi i
i=1
n
= αi2 hvi , vi i
X

i=1
n
= αi2 = α12 + α22 + ... + αn2
X

i=1

b) Usando que la norma es postiva, se tiene que

m 2
0≤ v−
X
hv, viivi
i=1
m m
* +
= v−
X X
hv, vi ivi , v − hv, viivi
i=1 i=1
m m
= hv, vi − 2 hv, viihvi , vi + hv, vi i2 hvi , vi i
X X

i=1 i=1
m m
= kvk2 − 2 hv, vii2 + hv, vi i2
X X

i=1 i=1
m
= kvk2 − hv, vi i2
X

i=1

Por lo tanto m
2
hvi , vi2
X
||v|| ≥
i=1

21) Hallar el complemento ortogonal de V = h(1, i, i + 1), (i, 1, 0)i en el C-espacio vec-
torial C3 con el producto interno usual. Además encuentre la proyección ortogonal
del vector (4 + 2i, 2 + 4i, −2 − 2i) en V y V ⊥ .

Solución. Buscamos los vectores (x1 , x2 , x3 ) ∈ C3 tales que cumplan lo siguiente

h(x1 , x2 , x3 ), (1, i, i + 1)i = 0

h(x1 , x2 , x3 ), (i, 1, 0)i = 0

Es decir

x1 − x2 i + x3 (1 − i) = 0
−x1 i + x2 = 0
6.8. EJERCICIOS RESUELTOS 263

Por lo tanto x2 = ix1 y x3 = 2

x
1−i 1
= (−1 − i)x1 , es decir

V ⊥ = h(1, i, −1 − i)i

Por otras parte para hallar la proyección ortogonal del vector (i, 0, 2i) debemos
encontrar los α1 , α2 , α3 ∈ C tales que

(4 + 2i, 2 + 4i, −2 − 2i) = α1 (1, i, i + 1) + α2 (i, 1, 0) + α3 (1, i, −1 − i)

De donde sale α1 = 1, α2 = 2 y α3 = 3, por lo que

(4 + 2i, 2 + 4i, −2 − 2i) = (1 + 2i, 2 + i, i + 1) + (3, 3i, −3 − 3i)

Por lo que las proyecciones ortogonales sobre V es (1 + 2i, 2 + i, i + 1) y sobre V ⊥

es (3, 3i, −3 − 3i).

22) Sea b : C2 × C2 −→ C donde C2 es visto como C espacio vectorial, tal que

b[(x1 , x2 ), (y1, y2 )] = x1 y1 − ix1 y2 + ix2 y1 + 2x2 y2

a) Demostrar que b es una forma hermitiana.

b) Hallar la matriz de Gramm en la base canónica.
c) Hallar la matriz de Gramm en la base B = {(2, 4i), (1 + i, 0)}.
d) ¿Es b simétrica?¿Es definida positiva?¿Define un producto interno en C?.

Solución.
a) Para demostrar que b es una forma hermitiana, tiene que cumplir las siguientes
propiedades

b(x + αy, z) = b(x, z) + αb(y, z)

b(x, y) = b(y, x)

Sean x = (x1 , x2 ), y = (y1 , y2 ), z = (z1 , z2 ) ∈ C2 y α ∈ C, tenemos que

b(x + αy, z) = b[(x1 + αy1, x2 + αy2 ), (z1 , z2 )]

= (x1 + αy1 )z1 − i(x1 + αy1)z2 + i(x2 + αy2 )z1 + 2(x2 + αy2)z2
= x1 z1 − ix1 z2 + ix2 z1 + 2x2 z2 + α[y1 z1 − iy1 z2 + iy2 z1 + 2y2z2 ]
= b(x, z) + αb(y, z)
264 CAPÍTULO 6. PRODUCTOS INTERNOS

por otra parte

b(x, y) = b[(x1 , x2 ), (y1 , y2)]

= x1 y1 − ix1 y2 + ix2 y1 + 2x2 y2
= y1 x1 − iy2 x1 + iy1 x2 + 2y2 x2
= y1 x1 + iy1 x2 − iy2 x1 + 2y2 x2
= y1 x1 − iy1 x2 + iy2 x1 + 2y2 x2
= b(y, x)

Por lo tanto b es una forma hermitiana.

b) Hallar la matriz de Gramm en la base canónica.
Demostración. Ocupando la base canónica C = {(1, 0), (0, 1)}, calculamos
b[(1, 0), (1, 0)] = 1
b[(1, 0), (0, 1)] = −i
b[(0, 1), (1, 0)] = i
b[(0, 1), (0, 1)] = 2
Por lo que la matriz de Gramm es

1 i
!

−i 2

c) Usando el teorema cambio de base para formas hermitianas, tenemos que la

matriz de Gramm en la base B es
!∗
2 1+i 1 i 2 1+i 20 −2 − 2i
! ! !
=
4i 0 −i 2 4i 0 −2 + 2i 2

d) Gracias a que b es una forma hermitiana se tiene que es simétrica (cumple la

segunda propiedad que demostramos), luego ocupando el criterio de Sylvester en
la matriz de Gramm en la base canonica se tiene que

1 i
1>0 y =1>0
−i 2

Por lo tanto b es definida positiva, concluyendo así que b es un producto interno

sobre C.
6.8. EJERCICIOS RESUELTOS 265

23) Considere el R3 [x] el R-espacio vectorial con el producto interno

Z 1
hf, gi = f (x)g(x)dx
−1

considere V = h1+x, x2 −1i, encuentre el complemento ortogonal y la proyecciones

ortogonales en V y V ⊥ .

Solución. Buscamos los polinomios a0 + a1 x + x2 x2 + a3 x3 ∈ R3 [x] tales que

ha0 + a1 x + a2 x2 + a3 x3 , 1 + xi = 0

ha0 + a1 x + a2 x2 + a3 x3 , x2 − 1i = 0
Es decir
Z 1
0= (a0 + a1 x + a2 x2 + a3 x3 )(1 + x)dx
−1
Z 1
= a0 + (a0 + a1 )x + (a1 + a2 )x2 + (a2 + a3 )x3 + a3 x4 dx
−1
2 2 2
= 2a0 + a1 + a2 + a3
3 3 5
Z 1
0= (a0 + a1 x + a2 x2 + a3 x3 )(x2 − 1)dx
−1
Z 1
= −a0 − a1 x + (a0 − a2 )x2 + (a1 − a3 )x3 + a2 x4 + a3 x5 dx
−1
4 4
= − a0 − a2
3 15
De lo que obtenemos a3 = 10
a
3 0
− 35 a1 y a2 = −5a0 , por lo tanto los polinomios en
V ⊥ son de la forma
10 5 5 10 3
     
a0 − a1 x3 + (−5a0 )x2 + a1 x + a0 = a1 − x3 + x + a0 x − 5x2 + 1
3 3 3 3
Así
5 10
 
V = − x3 + x, x3 − 5x2 + 1
⊥
3 3
Ya que R3 [x] = V ⊕ V , luego las proyecciones del vector p(x) = a0 + a1 x + a2 x2 +
⊥

a3 x3 ∈ R3 [x] en los subespacios V y V ⊥ es hallar la combinación

5 10 3
   
2
p(x) = α1 (1 + x) + α2 (x − 1) + α3 − x3 + x + α4 x − 5x2 + 1
3 3
266 CAPÍTULO 6. PRODUCTOS INTERNOS

De lo que se obtiene
1 3
α1 = (a1 + a0 + a2 ) + a3
2 10

5a1 + 3a3 − 5a0 − a2

α2 =
4

1
α3 = (a1 − a0 − a2 )
2

5a1 + 3a3 − 5a0 − 5a2

α4 =
20
Por lo que la proyección de p(x) en V es

α1 (1 + x) + α2 (x2 − 1)

y en V ⊥ es
5 10 3
   
α3 − x3 + x + α4 x − 5x2 + 1
3 3

6.9. Ejercicios Propuestos

1) Sea V un e.v de dimensión finita, con producto interno. Defina ξ : V → V ∗ por
ξ(v) = v ∗ donde v ∗ (w) = hw, vi. Pruebe que ξ es un isomorfismo.

2) Sean V y W dos R−espacios vectoriales de dimensión finita, ambos dotados de

producto interno T : V → W una transformación lineal. La adjunta de T es una
transformación lineal T ∗ : W → V que verifica

hT (v), wiW = hv, T ∗(w)iV .

Pruebe que

a) (T + L)∗ = T ∗ + L∗ c) (LT )∗ = T ∗ L∗
b) (αT )∗ = αT ∗ d) (T ∗ )∗ = T.

3) Pruebe que la adjunta de un isomorfismo es también un isomorfismo.

4) Si V es un e.v de dimensión finita, con producto interno y T, L : V → V transfor-

maciones lineales que conmutan entonces L∗ y T ∗ también conmutan.
6.9. EJERCICIOS PROPUESTOS 267

5) Dada T : R3 → R3 transformación lineal definida por

T (x, y, z) = (x + y + z, 3x − 2y − z, −2x + 3y + 2z).

Hallar una base de Ker (T ∗ ) y Im(T ∗ ). ¿Es T adjunta?

6) Sea T : V → V dada por T (v) = hv, aib, para a, b ∈ V fijos. Pruebe que la adjunta
de T es T ∗ (v) = hv, bia.
7) Las transformaciones lineales T, L : R2 → R2 están dadas por T (x, y) = (x, 2y) y
L(x, y) = (y, x). Verifique que L y T son adjuntas pero que LT no lo es. Concluya
que el producto de si dos transformaciones son adjunta su producto no necesaria-
mente lo es.
8) Pruebe que el producto de operadores adjuntos es adjunto si y sólo si los operadores
conmutan.
9) Sea A ∈ Mn×n (R) simétrica. Pruebe que la aplicación b : Rn × Rn → R dada por
b(x, y) = y t Ax es una aplicación bilineal. ¿Es b un producto interno?
10) Sea B = {(1, 0, −1), (2, 2, 0), (1, 5, 1)} una base de R3 y

b((x, y, z), (a, b, c)) = 2ax + cy − 4bz

una forma bilineal. Encuentre la matriz de Gram de b asociada a la base B. ¿Es b

simétrica?
11) Sea b : Rn × Rn → R la aplicación bilineal dada por b(x, y) = y t Ax donde A ∈
Mn×n (R) simétrica. Pruebe que b es positiva definida si det A 6= 0 y todos los
valores propios de A son positivos.
12) Indique ejemplos de formas bilineales positivas y formas bilineales negativas.
13) Sea g : R4 \ {(0, 0, 0, 0)} → R una función dada por
y z w 1
g(x, y, z, w) = x + + + +
x y z w
Encuentre la matriz Hessiana H(x, y, z, w) (matriz de las segundas derivadas par-
ciales) y pruebe que la forma bilineal b(u, v) = v t H(1, 1, 1, 1)u es positiva definida.
Concluya que (1, 1, 1, 1) es un mínimo local.
14) Si λ1 , . . . , λn son valores propios distintos de un operador adjunto T : V → V,
entonces los vectores propios correspondientes v1 , . . . , vn son ortogonales.
268 CAPÍTULO 6. PRODUCTOS INTERNOS

15) Para cada par de vectores u = (x, y), v = (z, w) ∈ R2 sea

hu, vi = 2xz − xw − zy + 2yw.

Pruebe que h , i define un producto interno en R2 .

16) Sea φ : R2 → R2 definida por φ((x1 , x2 ), (y1 , y2 )) = x1 y1 − x1 y2 − x2 y1 + αx2 y2 .

Hallar todos los valores de α ∈ R para los cuales φ es un producto interno.

17) Determine si los vectores u y v forman ángulo agudo, obtuso o son ortogonales.

a) u = (7, 3, 5), v = (−8, 4, 2) c) u = (1, 1, 1) , v = (−1, 0, 0)

b) u = (6, 1, 3) , v = (4, 0, −6) d) u = (4, 1, 6) , v = (−3, 0, 2).

18) Pruebe las identidades:

ku + vk2 − ku − vk2 = 2kuk2 + 2kvk2

hu, vi = 41 ku + vk2 − 14 ku − vk2

19) Sea B = {u1 , . . . , un } una base ortonormal del K−espacio vectorial V .

n n n
Si u = αi ui y v = βi ui entonces hu, vi =
X X X
αi βi .
i=1 i=1 i=1

20) Sea B = {u1, . . . , un } una base del R−espacio vectorial V , donde se tiene que
hui, uj i = gij .
n n n
a) Si u = αi ui y v = βi ui entonces hu, vi =
X X X
gij αi βi .
i=1 i=1 i=1
b) Verifique que la matriz G = (gij ) ∈ Mn×n (R) es simétrica, es decir, gij = gji.
Además que G es positiva definida.

21) Fijada una base {u1 , . . . , un } una base de V y dada una matriz simétrica positiva
n
(gij ) ∈ Mn×n (K) pruebe que la igualdad hu, vi = gij αi βi define un producto
X

i=1
interno en V.

22) Sea h , iW un producto interno en el espacio vectorial W . Dado un isomorfismo

A : V → W , defina hu, viV = hAu, AviW para todo u, v ∈ V . Pruebe que hu, viV
es un producto interno en V.
6.9. EJERCICIOS PROPUESTOS 269

23) Para todo número natural n, defina el vector v = (n, n + 1, n(n + 1)) en R3 y
pruebe que su norma es un número natural.

24) Si el subespacio W ≤ V es invariante por el operador lineal T : V → V entonces

su complemento ortogonal W ⊥ es invariante por el operador adjunto T ∗ : V → V.

25) Sea T : V → V un operador adjunto. Si el subespacio W de V es invariante por T

su complemento ortogonal W ⊥ también lo es.

26) Determine la proyección ortogonal de u sobre v , si:

a) u = (7, 3, 5) , v = (−8, 4, 2) c) u = (1, 1, 1) , v = (−1, 0, 0)

b) u = (6, 1, 3) , v = (4, 0, −6) d) u = (4, 1, 6) , v = (−3, 0, 2)

27) Demuestre que si v es ortogonal a w1 y w2 , entonces v es ortogonal a k1 w1 +k2 w2 ,

para todo escalar k1 y k2 .

28) Sean u y v , dos vectores distintos de cero. Si k = kuk y l = kvk, demuestre que
el vector w = k+l
l
(k v + l u) , k 6= −l , bisecta el ángulo entre u y v .

29) Para cada par de vectores u = (x, y), v = (z, w) ∈ R2 considere el producto interno
hu, vi = 2xz − xw − zy + 2yw y con el calcule el ángulo entre los siguientes vectores
√
a) u = (2, −1), v = (1, 7) c) u = (−2, −1), v = ( 2, 1)
b) u = (3, 12), v = (3, 4) d) u = (0, −10), v = (21, 2)

30) Dada una transformación lineal T : V → W entre espacios vectoriales de dimensión

finita y dotados de producto interno, pruebe que

a) Ker (T ∗ ) = (Im (T ))⊥

b) Im (T ∗ ) = (Ker (T ))⊥
c) Ker (T ) = (Im (T ∗ ))⊥
d) Im (T ) = (Ker (T ∗ ))⊥
e) Si T es sobreyectiva entonces T T ∗ : W → W es una transformación invertible
y T ∗ (T T ∗ )−1 : W → V es una inversa por la derecha de T.
f) Si T es inyectiva entonces T ∗ T : V → V es un operador invertible y (T ∗ T )−1 T ∗ :
W → V es una inversa por la izquierda de T.
270 CAPÍTULO 6. PRODUCTOS INTERNOS

31) Use el ejercicio anterior para hallar una inversa a la derecha de T : R3 → R2 dada
por T (x, y, z) = (x + 2y + 3z, 2x − y − z) y una inversa a la izquierda para la
transformación L : R2 → R4 dada por L(x, y) = (x + 2y, 2x − y, x + 3y, 4x + y).
32) Encontrar una base del complemento ortogonal del subespacio de R3 dado por
W = h{(3, −1, 2), (−1, 2, 3)}i.
33) Dadas las siguientes bases de R3 , obtener la base ortonormal del proceso de Gram-
Schmidt.
a) {(2, −1, 2), (1, 2, 1), (−2, 3, 3)}.
b) {(2, 6, 3), (−5, 6, 24), (9, −1, −4)}.
c) {(3, 4, 12), (7, −8, 15), (−15, 6, 44)}.
34) Sea B = {(1, 1, 1), (1, −1, 1), (1, −1, −1)} base de R3 . Determine la matriz de cam-
bio de base de B a la base ortonormal U = {u1 , u2, u3 } obtenida de B por el
método de Gram-Schmidt.
35) Pruebe que (a × b) × c = ha, ci b − hb, ci a .
36) Pruebe que:

a) (u + kv) × v = u × v b) hu × v, wi = hu, v × wi

37) Sea P2 [0, 1] = {p : [0, 1] → R : p(x) = a + bx + cx2 ; a, b, c ∈ R}. Se define

Z 1
hp, qi = p(x) q(x) dx
0

a) Pruebe que h , i es un producto interno.

b) Calcular el volumen del paralelepípedo de lados p(x) = 1 y q(x) = x.
c) Sea E = h{1, 2x + 3}i , calcular E ⊥ .

38) Considere el espacio vectorial C([−1, 1]) = {f : [−1, 1] → R : f es continua} con

el producto interno Z 1
hf, gi = f (x) g(x) dx
−1

y sean P, I ≤ C([−1, 1]) los subespacios vectoriales formados por las funciones
pares y las funciones impares respectivamente. Muestre que I es el complemento
ortogonal de P.
 Bibliografía
[1] Hoffman, K.; Kunze, R. Algebra Lineal. Pearson, 1971.

[2] Anton, H. Introducción al Algebra Lineal. Noriega Editores, 1994.

[3] Elon Lages Lima. Álgebra Lineal. IMPA, 2014.

271