Gabriela Jeronimo, Juan Sabia y Susana Tesauri

A lgebra lineal

Buenos Aires, agosto de 2008

Prefacio
El algebra lineal es una herramienta basica para casi todas las ramas
de la matematica as como para disciplinas afines tales como la fsica, la
ingeniera y la computacion, entre otras. Estas notas, basadas en la materia
A lgebra Lineal destinada a alumnos de la Licenciatura en Ciencias Matem
aticas y del Profesorado en Matematicas de la Facultad de Ciencias Exactas
y Naturales de la Universidad de Buenos Aires, que hemos dictado varias veces,
pretenden, entre tantos buenos textos de algebra lineal existentes, ser s
olo una introduccion basica al tema que se ajusta a los contenidos
curriculares del curso y, al mismo tiempo, una gua de estudios para los
alumnos.
Las notas no presuponen ningun conocimiento previo de algebra lineal,
aunque s de algu- nas propiedades basicas de polinomios a coeficientes en
un cuerpo y de numeros complejos, y en algunos ejercicios se utilizan
estructuras que provienen de la aritmetica elemental. Se comienza con las
definiciones basicas de estructuras algebraicas necesarias para definir la
nocion de espacio vectorial, para seguir con la nocion de subespacio, sistema
de generadores e independencia lineal. Despues de dar una breve introducci
on al tema de las matrices a coeficientes en un cuerpo, se definen y
estudian las transformaciones lineales, el espacio dual y la teora de
determinantes. La diagonalizacion de matrices y la forma de Jordan de automorfismos en espacios de dimension finita se desarrollan a continuacion,
seguidas del estudio de espacios con producto interno reales y complejos. El cap
tulo de variedades lineales puede verse como una aplicacion del algebra
lineal a la geometra afn. Finalmente, se da una breve introduccion a la teor
a de formas bilineales.

Gabriela Jeronimo, Juan Sabia y Susana

Tesauri

iv

Indice General

Espacios vectoriales
1
1.1 Espacios vectoriales y subespacios........................................................................1
1.1.1 Preliminares..........................................................................................................1
1.1.2 Espacios vectoriales.........................................................................................5
1.1.3 Subespacios.........................................................................................................7
1.1.4 Sistemas de generadores............................................................................10
1.2 Sistemas de ecuaciones lineales...........................................................................12
1.2.1 Sistemas lineales homogeneos .................................................................13
1.2.2 Metodo de triangulacion ..........................................................................13
1.2.3 Cantidad de soluciones de un sistema homogeneo ...........................17
1.2.4 Sistemas lineales no homogeneos. .........................................................19
1.3 Independencia lineal y bases..................................................................................23
1.3.1 Independencia lineal......................................................................................23
1.3.2 Bases y dimension ........................................................................................27
1.4 Suma de subespacios................................................................................................31
1.4.1 Subespacio suma............................................................................................31
1.4.2 Suma directa.....................................................................................................34
1.5 Ejercicios..........................................................................................................................36

2 Matrices
47
2.1 Definiciones y propiedades......................................................................................47
2.2 Matrices inversibles.....................................................................................................50
2.3 Matrices elementales.................................................................................................53
2.4 Coordenadas..................................................................................................................55
2.4.1 Coordenadas de un vector en una base...............................................55
2.4.2 Cambios de base.............................................................................................56

vi

INDICE
GENERAL
2.5 Ejercicios...................................................................................................................59
3 Transformaciones lineales
65
3.1 Definiciones, ejemplos y propiedades basicas ..........................................65
3.1.1 Transformaciones lineales.....................................................................65
3.1.2 Nucleo e imagen de una transformacion lineal ........................68
3.1.3 Composicion de transformaciones lineales ....................................71
3.2 Espacios vectoriales de dimension finita ....................................................72
3.3 Teorema de la dimension .................................................................................73
3.4 Proyectores..............................................................................................................75
3.5 Representacion matricial .................................................................................76
3.5.1 Matriz de una transformacion lineal ...............................................77
3.5.2 Matriz de la comp osicion y cambios de bases .............................78
3.6 Rango de una matriz...........................................................................................79
3.6.1 Rango columna y rango fila.................................................................79
3.6.2 Equivalencia de matrices......................................................................82
3.7 Espacios vectoriales de transformaciones lineales.................................83
3.8 Ejercicios...................................................................................................................85
4 Espacio dual
95
4.1 El espacio dual de un espacio vectorial......................................................95
4.2 Base dual..................................................................................................................96
4.3 Anulador de un subespacio..............................................................................99
4.4 Ejercicios................................................................................................................102
5 Determinantes
107
5.1 Definicion y ejemplos basicos ...................................................................107
5.1.1 Funciones multilineales alternadas.................................................107
5.1.2 Existencia y unicidad del determinante.......................................110
5.2 Propiedades del determinante......................................................................115
5.2.1 Determinante de la transpuesta de una matriz.......................115
5.2.2 Matrices triangulares............................................................................115
5.2.3 Desarrollo del determinante por una fila o columna..............117
5.2.4 Determinante del producto de matrices......................................118
5.3 Determinantes y matrices inversibles.......................................................119
5.3.1 Inversibilidad de matrices..................................................................119
5.3.2 Adjunta de una matriz.........................................................................119

5.4
5.5
5.6
5.7

5.3.3 Regla de Cramer...........................................................................................121

Calculo de algunos determinantes ....................................................................122
Rango de una matriz y determinante..............................................................124
Otra formula para el determinante ..................................................................126
Ejercicios.......................................................................................................................127

6 Diagonalizacion
133
6.1 Nociones basicas .....................................................................................................133
6.1.1 Autovalores y autovectores......................................................................134
6.1.2 Polinomio caracterstico.............................................................................136
6.2 Una caracterizacion de matrices diagonalizables ........................................137
6.2.1 Suma directa de subespacios..................................................................137
6.2.2 Espacios de autovectores y diagonalizacion .....................................139
6.3 Polinomios minimales..............................................................................................142
6.3.1 Polinomio minimal de una matriz..........................................................142
6.3.2 Polinomio minimal de un vector.............................................................146
6.3.3 Teorema de Hamilton-Cayley...................................................................148
6.3.4 Un criterio de diagonalizacion usando el polinomio minimal .......151
6.4 Subespacios invariantes..........................................................................................153
6.5 Ejercicios.......................................................................................................................156
7 Forma de Jordan
163
7.1 Transformaciones lineales nilpotentes..............................................................163
7.1.1 Definiciones y propiedades basicas ......................................................163
7.1.2 Existencia de forma de Jordan para una transformacion lineal
nilpotente 165
7.1.3 Unicidad de la forma de Jordan nilpotente. Semejanza...............169
7.2 Caso general...............................................................................................................172
7.2.1 Forma de Jordan de una transformacion lineal ...............................173
7.2.2 Unicidad de la forma de Jordan..............................................................178
7.3 Aplicacion: Calculo de las potencias de una matriz ...............................182
7.4 Ejercicios.......................................................................................................................184
8 Espacios vectoriales con producto interno
189
8.1 Producto interno.........................................................................................................189
8.1.1 Definicion y ejemplos ................................................................................189
8.1.2 Norma de un vector....................................................................................191
8.1.3 Distancia entre vectores............................................................................193

viii

INDICE
GENERAL
8.1.4 A ngulo entre dos vectores ..............................................................194
8.1.5 Matriz de un producto interno..........................................................194
8.2 Ortogonalidad.......................................................................................................195
8.2.1 Conjuntos ortogonales y ortonormales.........................................195
8.2.2 Complemento ortogonal.....................................................................201
8.2.3 Proyeccion ortogonal ..........................................................................203
8.2.4 Distancia de un punto a un subespacio.......................................204
8.3 Endomorfismos en espacios vectoriales con producto interno........206
8.3.1 Adjunta de una transformacion lineal ..........................................206
8.3.2 Transformaciones autoadjuntas y matrices hermitianas.......209
8.3.3 Transformaciones unitarias y ortogonales...................................212
8.3.4 Clasificacion de transformaciones ortogonales .........................214
8.4 Ejercicios................................................................................................................222
9 Variedades lineales
231
9.1 Nociones basicas ..............................................................................................231
9.1.1 Variedades lineales...............................................................................231
9.1.2 Algunas variedades lineales particulares.....................................233
9.1.3 Otra forma de describir variedades lineales..............................235
9.2 Interseccion y suma de variedades lineales ...........................................235
9.2.1 Interseccion de variedades lineales ..............................................235
9.2.2 Variedades lineales paralelas y alabeadas..................................236
9.2.3 Suma de variedades lineales............................................................238
9.3 Variedades lineales en espacios con producto interno.......................239
9.3.1 Ortogonalidad de variedades lineales...........................................240
9.3.2 A ngulo entre rectas y planos .........................................................240
9.3.3 Distancia de un punto a una variedad lineal.............................241
9.3.4 Distancia entre variedades lineales...............................................242
9.4 Ejercicios................................................................................................................244
10 Formas bilineales
249
10.1Definicion y ejemplos ......................................................................................249
10.2Matriz de una forma bilineal..........................................................................250
10.3Formas bilineales simetricas ........................................................................252
10.3.1Definiciones y propiedades basicas ...............................................252
10.3.2Diagonalizacion de formas bilineales simetricas ....................253
10.4Formas bilineales simetricas reales ...........................................................256

10.4.1Clasificacion .................................................................................................256
10.4.2Formas bilineales definidas positivas...................................................260
10.5Ejercicios.......................................................................................................................262
Bibliografa

265

Indice Alfabetico

266

INDICE
GENERAL

Captulo 1

Espacios vectoriales
En diversos2 conjuntos
conocidos, por ejemplo los de vectores en el plano o en el
espacio (R y R3 ), o tambien el de los polinomios (R[X]), sabemos sumar sus
elementos y multiplicarlos por numeros. Todos estos conjuntos comparten
una cierta estructura, que esta dada por
esa suma y ese producto por numeros, a la que llamaremos espacio vectorial. En
este captulo presentaremos la nocion de espacio vectorial y estudiaremos
algunas propiedades basicas que poseen los conjuntos con dicha estructura.

1.1
1.1.1

Espacios vectoriales y subespacios

Preliminares

La nocion de espacio vectorial requiere de dos conjuntos: un conjunto K

(los escalares) y otro conjunto V (los vectores). Estos dos conjuntos deben
satisfacer ciertas propiedades, que esencialmente se refieren a que los
elementos de V se puedan sumar entre s y multiplicar por elementos de K.
Comenzaremos dando algunas definiciones previas para poder despues
presentar la defini- cion precisa de espacio vectorial.
Deftnicion 1.1 Sea A un conjunto no vaco. Una operacion (o ley
composicion interna u
operacion binaria) de A es una funcion : A A A.
Notacion. (a, b) = c se escribe a b = c.
Ejemplos.

+ : N N N, tal que +(a, b) = a + b, es una operacion de N.

Como la resta, (a, b) = a b, no es una funcion de N N en N,
entonces no es una operacion de N.

de

Espacios vectoriales

La suma +, el producto y la resta son operaciones de Z, Q, R y C.

No nos interesaremos por operaciones cualesquiera, sino que trabajaremos
con operaciones que posean algunas propiedades. Entre las propiedades que
analizaremos se encuentran las siguientes:
Deftnicion 1.2 (Propiedades basicas) Sea : A A A una operacion.
i) se dice asociativa si (a b) c = a (b c) a, b, c A.
ii) Se dice que tiene elemento neutro si e A tal que e a = a e = a para
cada a A.
r
(Observar
si tiene
elementos que
neutros,
er = eelemento
er = e.) neutro, este es unico, ya que si e y e son
iii) Si tiene elemento neutro e, se dice que todo elemento tiene inverso para si

a A,
ar A tal que a ar = ar a = e.
iv) se dice conmutativa si a b = b a a, b A.
Se pueden estudiar las caractersticas que comparten los conjuntos con
una operacion que satisface algunas de estas propiedades. Una nocion util
es la de grupo, que definimos a continuacion.
Deftnicion
1.3
Sea
undeconjunto,
y sea
una operacion
en A que
propiedades
i), ii)
y A
iii)
la definicion
anterior.
) satisface
se
llama las
un
grupo.
Si ademas
cumple
iv), se dice
que (A, Entonces
) es un (A,
grupo
abeliano
o
conmutativo.
Ejemplos.

(N, +) no es un grupo: se puede probar que no tiene elemento neutro.

(Z, +), (Q, +), (R, +) y (C, +) son grupos abelianos.
(Z, ) no es un grupo: se puede probar que solo 1 y -1 tienen inverso
multiplicativo.
(Q {0}, ), (R {0}, ) y (C {0}, ) son grupos abelianos.

A
{f : Rlas
unicas
R}, = funciones
(composicion
de funciones).
(A, ) no es
un=
grupo:
con inversa
para son Entonces
las biyectivas.
SR = {f : R R / f es biyectiva }, = . Entonces (SR , ) es un grupo.
C un conjunto, P (C) = {S C }. Se define la operacion 6 : P (C)
P (C) P (C), llamada diferencia simetrica, de la siguiente forma:
A6B = (A B) (A B).
Entonces (P(C), 6) es un grupo abeliano.

A partir de la definicion de grupo pueden probarse propiedades que

poseen todos los conjuntos con esa estructura. Por ejemplo:

Sea (tt, ) un grupo. Entonces para cada a tt existe un unico inverso para a.
Sea e el elemento neutro de (tt, ). Supongamos que b y c son inversos de a.
Entonces
b = e b = (c a) b = c (a b) = c e = c.
Notacion.
Si0 tty,es
un grupo
abeliano
y la operacion
se nota+,
elemento
neutro
se
notara
para
cada
el inverso
se notara
a. el
(En
otros casos,
el
elemento
neutro
se nota
1 ay eltt,
inverso
de ade
seanota
a1.)
La siguiente definicion que daremos se refiere a conjuntos en los cuales hay dos
operaciones relacionadas entre s.
Deftnicion 1.4 Sea A un conjunto y sean + y operaciones de A. Se dice
que (A, +, ) es un anillo si
i) (A, +) es un grupo abeliano
ii) es asociativa y tiene elemento neutro
iii)Valen las propiedades distributivas: Para a, b, c A,

a (b + c) = a b + a c
(b + c) a = b a + c a
Ademas, si es conmutativa, se dice que (A, +, ) es un anillo conmutativo.
Notacion.
quede
claro cuales son las operaciones + y , para
referirnos
alCuando
(A,
+,
producto se
loanillo
notara
1. ), escribiremos simplemente A. Al elemento neutro del
Ejemplos.

(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son anillos conmutativos.

(Zn, +, ) es una anillo conmutativo.
Si (A, +, ) es un anillo conmutativo, entonces (A[X], +, ) es un anillo
conmutativo con las operaciones usuales de polinomios.
Si C es un conjunto, (P(C), 6, ) es un anillo conmutativo.
{f : R R} con las operaciones usuales de suma y producto de funciones es
un anillo conmutativo.

Al igual que en el caso de los grupos, tambien pueden probarse

propiedades que poseen todos los anillos:

Sea (A, +, ) un anillo, y sea 0 el elemento neutro de +. Entonces 0 a = 0, a A.

Se tiene que
0 a = (0 + 0) a = 0 a + 0 a.
Si b es el inverso aditivo de 0 a, resulta
0 = 0 a + b = (0 a + 0 a) + b = 0 a + (0 a + b)
= 0 a.
Luego, 0 a = 0.
cualquiera
es cierto
en En
Z4, un
se anillo
tiene que
2 2 = no
0, pero
2 = que
0. a b = 0 a = 0 o b = 0. Por ejemplo,
Deftnicion 1.5 Un anillo conmutativo (A, +, ) se llama un dominio de integridad
o dominio
ntegro si a b = 0 a = 0 o b = 0.
Ejemplos.

(Z, +, ), (Q, +, ), (R, +, ) y (C, +, ) son dominios de integridad.

Si A es un dominio de integridad, entonces A[X] es un dominio de integridad.
Zp es un dominio de integridad p es primo.
La siguiente definicion resume las propiedades que debe satisfacer uno de
los conjuntos involucrados en la definicion de un espacio vectorial.
Deftnicion
1.6 cuerpo
Sea K si
un conjunto, y sean + y operaciones de K. Se dice que
(K,
un
nulo+,
de) Kestiene
inverso (K, +, ) es un anillo conmutativo y todo elemento no
multiplicativo. Es decir:
i) (K, +) es un grupo abeliano,
ii) (K {0}, ) es un grupo abeliano, y
iii) vale la propiedad distributiva de con respecto a +.
Ejemplos.

(Q, +, ), (R, +, ) y (C, +, ) son cuerpos

(Zp, +, ) es un cuerpo p es primo.

Se define Q[ 2] =
) es un
cuerp
o.

..

ai ( 2)i / ai Q, n N0 . Veamos que (Q[ 2], +,

i=0

Usando que Q[ 2] R, se puede probar facilmente que (Q[ 2], +, ) es un

anillo conmutativo.

Observamos que Q[ 2] = {a + b 2 : a, b Q}.

En efecto, para cada k N,

2k
2k+1

se tiene
k
que ( 2)
= 2k 2 y entonces, todo elemento de la
forma
n = 2 y ( 2)
( 2)i
.i=0 i
a

con ai Q y n N0 puede escribirse como a + b 2 con a, b Q. Rec

procamente, es

b a + 2 con a, b Q pertenece a
claro que todo elemento de la forma

Q[ 2].
Veamos ahora que todo elemento no nulo tiene inverso.

Sea a + b 2 = 0. Entonces(a + b 2)(a b 2) = a2 2b2 = 0 (pues a, b

Q), de donde
1
(a + b 2) =

a2 2b2

2.

a2 2b2

Tambien en el caso de los cuerpos se pueden probar propiedades generales.

Por ejemplo:

Todo cuerpo (K, +, ) es un dominio de integridad.

Tenemos
queesta.
probar
=0 a=
0 o b a=[Link]
Supongamos
que
= 1.
0.
Si
a = 0, ya
Si que
a = a0, bentonces
existe
que a a1 =
a1a ab =
Entonces
a1 (a b) = a1 0 (a1 a) b = 0 1 b = 0 b = 0.

Para poder completar la definicion de espacio vectorial necesitamos definir una

clase es- pecial de funciones que se aplican a elementos de dos conjuntos
distintos:
Deftnicion 1.7 Sean A y B dos [Link] accion de A en B es
una funcion
: A B B.
Notacion: (a, b) = a b
Estamos ahora en condiciones de dar la definicion de espacio vectorial.

1.1.2

Espacios vectoriales

Deftnicion 1.8 Sea (K, +, ) un cuerpo. Sea V un conjunto no vaco, sea + una
operacion en
V y sea una accion de K en V . Se dice que (V, +, ) es un K-espacio vectorial
si se cumplen
las siguientes condiciones:

i) (V, +) es un grupo abeliano.

ii) La accion : K V V satisface:

(a) a (v + w) = a v + a w a K; v, w V .
(b) (a + b) v = a v + b v

a, b K; v V .

(c) 1 v = v v V .
(d) (a b) v = a (b v)

a, b K; v V .

Los elementos de V se llaman vectores y los elementos de K se llaman

escalares. La accion
se llama producto por escalares.
Notese que el smbolo se usa tanto para la accion de K en V como para
el producto en
K, pero esto no debera generar confusion puesto que en el primer caso estar
a aplicado a un
elemento de K y otro de V , mientras que en el segundo, a dos elementos de
K.
En lo que sigue, K denotara un cuerpo. Si (V, +, ) es un K-espacio vectorial y
la operacion
+ de V y la accion de K en V quedan claras del contexto, diremos
simplemente que V es
un K-espacio vectorial.
Hay propiedades que se cumplen en cualquier espacio vectorial. A
continuacion mostramos algunas de ellas.
Sea V un K-espacio vectorial. Entonces:
1. 0 v = 0 para todo v V . (Observar que el elemento 0 que aparece en el miembro
izquierdo de la igualdad es el elemento neutro de K, mientras que el de la derecha es
el
vector 0 V .)
2. (1) v = v para todo v V . (Recuerdese que v denota al inverso aditivo de v).
Demostracion.
1. Se tiene
que

0 v = (0 + 0) v = 0 v + 0 v.

Sea w el inverso aditivo de 0 v. Entonces

0 = 0 v + w = (0 v + 0 v) + w = 0 v + (0 v + w) = 0 v + 0
=0v
2. Vemos que
v + (1) v = (1) v + v = (1) v + 1 v = (1 + 1) v = 0 v = 0.
Luego, (1) v es el inverso aditivo de v, es decir (1) v = v.

Ejemplos. En lo que sigue K es un cuerpo.

1. K es un K-espacio vectorial.

2. Sea K n = {(x1, . . . , xn) / xi K}. Se definen

+ : K n K n K n , (x1, . . . , xn) + (y1, . . . , yn) = (x1 + y1, . . . , xn + yn)

K Kn Kn,

(x1, . . . , xn) = (x1, . . . , xn)

Entonces K es un K-espacio vectorial.

3. Una matriz de n filas y m columnas es un arreglo de n m numeros ubicados
en n filas y m columnas.

A=

Sea Knm = {A / A es una matriz de n filas ynmmcolumnas de elementos en

K}. Ob- servamos que un elemento A de K
es de la forma

A11 A12 A1m

A
A22 A2m
21
.

An1 An2 Anm
Si A K nm , denotaremos por Aij al elemento ubicado en la interseccion de
la fila i y la columna j de A.
Se definen
+ : Knm Knm Knm, (A + B)ij = Aij + Bij
(1 i n, 1 j
m)

: K Knm Knm, ( A)ij = Aij

nm

Entonces K

(1 i n, 1 j m)

es un K-espacio vectorial.

4. Sea Z un conjunto no vaco. Se considera K Z = {f : Z K / f es

funcion } y se definen
+ : K Z K Z K Z , (f + g)(x) = f (x) + g(x) x Z,

: K K Z K Z , ( f )(x) = f (x)

x Z.

Entonces K es un K-espacio vectorial.

5. K[X], el conjunto de polinomios en la variable X a coeficientes en K, es
un K-espacio vectorial con la suma usual de polinomios y la multiplicaci
on usual de polinomios por una constante.
6. R es un Q-espacio vectorial; C es un R-espacio vectorial y un Q-espacio
vectorial.

7. Q[ 2] es un Q-espacio vectorial.

1.1.3

Subespacios

Dentro de un K-espacio vectorial V , hay subconjuntos que heredan la estructura

de V , es decir, que son tambien espacios vectoriales con la misma operacion, el
mismo elemento neutro y la misma accion que V .
En esta seccion,
comenzaremos el estudio de los subconjuntos con esta propiedad.

Deftnicion 1.9 Sea V un K-espacio vectorial. Un subconjunto S V no vac

o se dice un
subespacio de V si la suma y el producto por escalares (de V ) son una operaci
on y una accion
en S que lo convierten en un K-espacio vectorial.
Ejemplo. Caractericemos todos los subespacios de R2:

S = {(0, 0)} es un subespacio.

Supongamos
que S es un
subespacio
y que
algun
v no
nulo.
Entonces,
todo
S esR,un.v
[Link]
Si estos
sonelemento
todos los
elementos
de S,para
entonces
subespacio (que, graficamente, resulta ser una recta que pasa por el origen).
Con la notacion del punto anterior,
si S contiene algun elemento que no
es
la forma
digamos
v r , dos
contiene
a todos
multiplos
v r . deLuego,
S .v,
contiene
a las
rectastambien
L y Lr que
pasanlos
por
el origende
y
cuyas direcciones son v y vr respectivamente.
2
Es
claro
la regla del paralelogramo) que
r
cualquier punto en R es
suma
de(usando
un elemento
consecuencia,
S = R2 . de L mas uno de L , luego pertenece a S. En
Observamos que, dado un K-espacio vectorial V y un subconjunto S de V ,
para determinar si S es un subespacio de V segun la Definicion 1.9 debemos
verificar la validez de una gran cantidad
de
propiedades
(todas
las
involucradas en la definicion de espacio vectorial). La siguiente proposici
on nos provee una caracterizacion de los subespacios en terminos de s
olo tres propiedades, a partir de las cuales se deducen todas las demas.
Proposicion 1.10 Sea V un K-espacio vectorial y sea S V . Entonces
S es un subes- pacio de V si y solo si valen las siguientes
condiciones:
i) 0 S
ii) v, w S = v + w S
iii) K, v S = v S
Demostracion.
() Es inmediato verificar que si S es un subespacio de V se cumplen i), ii)
e iii). () La condicion i) asegura que S es no vaco.
Por ii), + es una operacion de S y por iii), es una accion.
La
asociatividad
y Vconmutatividad
de
la suma
se
deducen
de la validez
de
las
mismasdepara
, el elemento
neutro
la dado
sumav 0
existencia
se deduce
dede
que

S, Svpor
= (i),
1)y la
v,
que
perteneceinverso
a S por aditivo
iii).
Las propiedades de la accion en la definicion de espacio vectorial se
deducen tambien de su validez en V .
Q
Observamos que la condicion i) en la proposicion anterior puede ser
reemplazada por

ir ) S = .
Es decir, las condiciones i), ii), iii) son equivalentes a i), ii), iii). La
demostracion de este hecho queda como ejercicio.
Ejemplos. Sea V un K-espacio vectorial.
1. {0} es un subespacio de V .
2. V es un subespacio de V .
3. Si v V , S = { v / K } es un subespacio
de V : i) 0 = 0 v S.
ii) Si v, v S, entonces v + v = ( + ) v S.
iii) Si v S y K, entonces ( v) = ( ) v S.
Este subespacio se denomina el subespacio generado por v y se nota S =
< v >.
4. Sean v1, . . . , vn V .
Entonces S = {1.v1 + + [Link] : i K, 1 i n} es un subespacio de V :
i) 0 = 0.v1 + + [Link] S.
ii) Si v, w S, v = 1.v1 + + [Link], w = 1.v1 + + [Link], entonces
v + w = (1 + 1).v1 + + (n + n).vn S.
iii) Si K y v = 1.v1 + + [Link] S, entonces
.v = (.1).v1 + + (.n).vn S.
El subespacio S que hemos definido se llama el subespacio generado por
v1, . . . , vn y se nota S = < v1, . . . , vn >.
Si V es un K-espacio vectorial, tiene sentido considerar las operaciones de
union e inter- seccion entre subespacios de V (que son subconjuntos de V ).
Una pregunta que surge es si estas operaciones preservan la estructura de
subespacio. Como veremos a continuacion, esto vale en el caso de la intersecci
on de subespacios, pero no para la union.
Proposicion 1.11 Sea V un K-espacio vectorial, y sean S y T subespacios
de V . Entonces
S T es un subespacio de V .
Demostracion.
i) 0 S T puesto que 0 S y 0 T .
ii) Sean
v, w S T . entonces
Entoncesv v+
w
S, v S.
T,Analogamente,
w S y w T . Como
SyS
es
v + w v,
[Link],
v +un
w subespacio,
ST.

1.1 Espacios vectoriales y

subespacios

11

iii) Sean
K y v entonces
S T . Entonces
S y v T . Como
S y Ses
un
v S. vAnalogamente,
v
TK,. vLuego,
Qv
Ssubespacio,
T.
En forma analoga a lo hecho en la demostracion de la proposicion
anterior, se prueba que la interseccion de cualquier familia de subespacios
de un K-espacio vectorial V es un subespacio de V .
Observacion 1.12 Si V es un K-espacio vectorial, S y T subespacios de V ,
entonces S T
no es necesariamente un subespacio de V .
En efecto, consideremos en R2 los subespacios S = < (1, 0) > y T = < (0, 1)
>. Observamos que (1, 0) S y (0, 1) T ; luego, ambos pertenecen a S T
. Pero (1, 0) +
(0, 1) = (1, 1) / S T , puesto que (1, 1) / S y (1, 1) / T .
Concluimos esta seccion exhibiendo algunos ejemplos de subespacios de
distintos K- espacios vectoriales.
Ejemplos.
1. Sean a1 , . . . , an K fijos. Sea S = {(x1 , . . . , xn ) K n : a1 x1 + an xn =
0}. Es facil verificar que S es un subespacio de K n .

.
a11x1 + + a1nxn = 0 .
2. S
=

(x1, . . . , xn) K n :

es un subespacio de Kn, pues

S=
m) y

am1x1 + + amnxn = 0
Si, donde Si = {(x1, . . . , xn) Kn : ai1x1 + + ainxn = 0} (1 i

m
T

i=1

cada Si es un subespacio de Kn.

3. Sean V = K[X] y n N fijo. Se tiene que Kn [X] = {f K[X] / f = 0 o gr(f )

n}
es un subespacio de V :
i) 0 Kn[X].
ii) Sean f, g Kn[X]. Si f = 0 o g = 0 es claro que f + g S. Si f + g = 0,
entonces
f + g S. Si no, gr(f + g) max(gr(f ), gr(g)) n, y por lo tanto f + g S.
iii)K [X].
Sean
gr(.f
K y f ) K
= donde
0 o f =.f0,entonces
.f = 0
Si no,
=n[X].
gr(fSi),de
Kn[X].
n
Observar que el conjunto {f K[X] / f = 0 o gr(fn ) n}, para
n N fijo,
no
es un subespacio
de K[X]. Por ejemplo: f = X y g = Xn + 1
pertenecen
a dicho conjunto,
pero f + g = 1 no.

1.1.4

Sistemas de generadores

El objetivo de esta seccion es mostrar como pueden describirse todos los

elementos de un
K- espacio vectorial V a partir de ciertos subconjuntos de elementos de V .

De laelementos
definicion
K-espacio
vectorial vemos que una forma de obtener
nuevos
dede
Vfinitas
a partir
considerando
sumas
dede los elementos de un subconjunto tt V es
multiplos por escalares de elementos de tt. Surge entonces la nocion de
combinacion lineal:
Deftnicion 1.13 Sea V un K-espacio vectorial, y sea tt = {v1 , . . . , vr } V .
Una combinacion lineal de tt es un elemento v V
tal que v =
1 i r.

r
.

[Link] con i K para

cada

i=1

Ejemplos.
1. Sea
tt =2){(1,
(3,4)4)con
} R,2 . Una
= .(1,
+ 2),
.(3,
R. combinacion lineal de tt es un vector v
n
.
2. Sea tt = {1, X, . . . , X n } Rn [X]. Una combinacion lineal de tt es
i X i
con i R
i=0

para cada 0 i n.

La definicion de combinacion lineal se extiende al caso de subconjuntos no

necesariamente finitos del espacio vectorial considerado:
Deftnicion 1.14 Sea V un K-espacio vectorial, sea I un conjunto de ndices
y sea tt =
{vi / i I } V . Una combinacion lineal de tt es un elemento v V tal que
.
v =
i .vi
iI

donde i = 0 salvo para finitos i I.

Ejemplos.

. iXi donde i R

1. Sea tt = {X i / i N0 } R[X]. Una combinacion lineal

i=0

de tt es y i = 0 salvo para finitos valores de i N0.

2. Sea tt = {(, 0) : R} R2 . Una combinacion lineal de tt es

.(, 0)

tal que
R

R y = 0 salvo para finitos R.

Dado un espacio vectorial V , considerando las combinaciones lineales de los
elementos de ciertos subconjuntos de V , podemos obtener cualquier elemento
del espacio vectorial en
cuestion. Como se vera en los ejemplos, en muchos casos esto nos permitira
describir conjuntos
infinitos (como por ejemplo R2) utilizando finitos elementos del espacio.
Deftnicion 1.15 Sea V un K-espacio vectorial y sea tt V . Se dice que tt es un
sistema de generadores de V (y se nota < tt > = V ) si todo elemento de V es
una combinacion lineal de tt.

1
2

Espacios vectoriales

Ejemplos.
1. R2 = < (1, 0), (0, 1) >, pues x = (, ) R2, x = .(1, 0) + .(0, 1).
2. Kn = < (1, 0 . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1, 0, . . . , 0), . . . , (0, . . . , 0,
1) >.
,
1 si k = i y j = l
n m
ij
ij
3.
K
= < E donde (E )kl
0 si no
> 1in =
1 j m
4. K[X] =< Xi 0>i
.

5. Si tt K[X] tal que para cada i N0, existe fi tt con gr(fi) = i, entonces
K[X] =
< tt >:
Es claro que 0 < tt >. Veamos, por induccion en gr(g), que g < tt
> para cada
g K[X].
Si gr(g) = 0, entonces g K, y como existe f0 tt con gr(f0) = 0 (es
g
decir, f0
K {0}), se tiene que g = .f0 < tt >.
f0
Sea
n > 0 ynulo
supongamos
que
polinomio
grado
el
polinomio
pertenecen
a todo
<ntt >.
Sea g de
K[X]
conmenor
gr(g) que
= n.n yPor
hipotesis,
existe
tt con
n fn.
.
an
j
j
g
gr(fn) = n. Si g =
aj X y fn =
bj X ,
b fn. Observamos
n
consideramos = g
.
j=0
j=0
cgf .f con g) < n. Por hipotesis inductiva, < tt >, es decir =
g
g
cf = 0 salvo para finitos f . En
consecuencia,
.
g
an= g + f
n

=
b
+
n

1.2

f G

cf .f

f G, f =fn

.c + a f < tt >.
n n
.
fn
bn

Sistemas de ecuaciones lineales

Hemos visto que un conjunto del tipo

a11x1 + + a1mxm = 0
..
m
S = ( x1, . . . , xm) K :

an1x1 + + anmxm = 0
es un subespacio de K m . Surge entonces la cuestion de describir estos conjuntos.
Esto puede hacerse, por ejemplo, encontrando un sistema de generadores del
subespacio S.
Mas en general, estudiaremos el problema de dar una descripcion del
conjunto de soluciones
de un sistema de ecuaciones de la forma
a x + a x + + ax
= b
12 2
1m m
1
11 1
.
..

an1 x1 + an2 x2 + + anm xm = bn

donde aij K para todo 1 i n y 1 j m, y bi K para todo 1 i n, a los
que llamaremos sistemas de n ecuaciones lineales en m incognitas.

1.2.1

Sistemas lineales homogeneos

Un primer tipo de sistemas de ecuaciones que estudiaremos son los que tienen
todas las ecuaciones igualadas a 0.
Deftnicion 1.16 Un sistema lineal homogeneo de n ecuaciones con m inc
ognitas a coeficientes
en un cuerpo K es un sistema del tipo
a x + a x + + ax
= 0
12 2
1m m
11 1
.
..

an1 x1 + an2 x2 + + anm xm

= 0
donde aij K para cada 1 i n, 1 j m.
Notacion. La matriz A K nm definida por Aij = aij se llama la matriz asociada al
sistema.
Observacion 1.17 El conjunto de las soluciones de un sistema lineal homog
eneo con m
incognitas es un subespacio de K m (ver Ejemplo 2 en la pagina 10).
Resolver un sistema de este tipo significara dar un sistema de generadores
para el subes- pacio de las soluciones.
El metodo que daremos para la resolucion de sistemas de ecuaciones lineales
consiste en transformar el sistema dado, por medio de ciertas operaciones, en
otro que tenga el mismo conjunto de soluciones, pero cuya resolucion sea mas
simple. Aparece entonces la nocion de sistemas equivalentes:
Deftnicion 1.18 Dos sistemas lineales homogeneos se dicen equivalentes si sus
conjuntos de soluciones son iguales.
Ejemplo. Los siguientes sistemas lineales homogeneos a coeficientes en R son
equivalentes:
.
.
x+y+z = 0
x = 0
y+z = 0
y+z = 0

1.2.2

Metodo de triangulacion

Algunos sistemas de ecuaciones lineales son muy faciles de resolver:

Ejemplo. Consideremos el siguiente sistema lineal homogeneo en R3 :
2x + 3x x

= 0
1
2
3

x2

x3 =
5x3 =

0
0

Este sistema tiene como unica solucion a (0, 0, 0): De la tercera ecuacion,
resulta que x3 = 0. Teniendo en cuenta que x3 = 0, de la segunda ecuacion
se deduce que x2 = 0. Finalmente, reemplazando x2 = x3 = 0 en la primera
ecuacion, se obtiene que x1 = 0.

Analogamente, sera mas facil obtener las soluciones de cualquier

sistema lineal que se
encuentre en esta forma triangular, es decir, de la forma

a11x + a x + + a x + + ax
= 0
1
12
2
1n n
1m m

a22 x2 + + a2n xn + + a2m xm

= 0
.
..

ann xn + + anm xm = 0
La idea de lo que sigue es ver como puede obtenerse, dado un sistema
lineal arbitrario, un sistema de este tipo equivalente al dado.
La siguiente proposicion caracteriza ciertas operaciones que producen
sistemas equiva- lentes. En estas operaciones se basa el metodo de eliminacio
n de Gauss (o metodo de trian- gulacion) que utilizaremos para resolver
sistemas lineales.
Proposicion 1.19 Dado un sistema lineal homogeneo de ecuaciones, los
siguientes cambios en las ecuaciones dan lugar a sistemas equivalentes:
1. Intercambiar dos ecuaciones de lugar.
2. Multiplicar una ecuacion por una constante no nula.
3. Reemplazar una ecuacion por ella misma mas un multiplo de otra.
Demostracion.
1. Si vemos al conjunto de soluciones del sistema como la interseccion de los
conjuntos de soluciones de cada una de las ecuaciones que lo integran,
intercambiar dos ecuaciones corresponde a intercambiar dos conjuntos
en la interseccion. Como la interseccion es conmutativa, el conjunto
que resulta es el mismo.
2. Sea x = (x1 , . . . , xm ) K m una solucion de

a11x1 + a12x2 + + a1mxm = 0

.

..

()
ai1x1 + ai2x2 + + aimxm = 0

.
..

an1x1 + an2x2 + + anmxm

= 0
Al multiplicar la i-esima ecuacion por K, = 0, resulta el sistema

a11x1 + a12x2 + + a1mxm = 0

.

..

()
ai1x1 + ai2x2 + + aimxm

0
.
..
an1x1 + an2x2 + + anmxm =

Es claro que x es solucion de todas las ecuaciones que no fueron

modificadas. Ademas
ai1x1 + ai2x2 + + aimxm = (ai1x1 + ai2x2 + + aimxm) = . 0 = 0.
Luego, x es solucion de ().
Recprocamente, multiplicando la i-esima ecuacion de
() por

se

obtiene (), de
donde, con el mismo razonamiento que antes, se deduce que si x es
solucion de ()
tambien lo es de ().
3. Se demuestra en forma analoga.

Observacion 1.20 Si A es la matriz asociada a un sistema lineal homogeneo H,

efectuar las operaciones de la proposicion anterior sobre las ecuaciones de H
equivale a hacerlo sobre las filas de A.
Como consecuencia de esta observacion, para resolver un sistema lineal
trabajaremos con la matriz asociada al sistema, en lugar de hacerlo con las
ecuaciones. Al aplicar en las matrices las operaciones dadas en la Proposici
on 1.19 estaremos obteniendo matrices cuyos sistemas lineales asociados
son equivalentes al original.
El siguiente teorema nos asegura que, por medio de las operaciones
permitidas siempre puede obtenerse un sistema triangular equivalente al dado. M
as aun, de la demostracion se desprende un algoritmo para realizar esta
tarea.
Teorema 1.21 Sea H un sistema lineal homogeneo de n ecuaciones con
m incognitas. En- tonces, aplicando los cambios descriptos en la
Proposicion 1.19, puede obtenerse un sistema
lineal homogeneo H r cuya matriz B es triangular superior, es decir, tal
que Bij = 0 si i > j.
Demostracion. Procedemos por induccion en n, la cantidad de ecuaciones del
sistema.
Si n = 1 no hay nada que probar.
Supongamos que vale para n y consideremos un sistema lineal de n + 1
ecuaciones

a x + + a x
= 0

11 1
1m m

..

an1 x1 + + anm xm = 0
an+1 1 x1 + + an+1m xm
= 0
Si m = 1, es claro que el resultado vale. Supongamos m > 1.
Primer caso: Si ai1 = 0 para cada 1 i n + 1. Entonces la matriz del
sistema es de la forma

0 a12
a1m

.
.

.
0 c

.
..
..

.
0 M
0 a
a
n+1 2

n+1 m

donde 0 denota una columna de ceros y c K 1(m1) , M K n(m1) .

Segundo caso:
j, 1 1j yj,n +
1, con suponer
a1j = [Link]
Eventualmente
intercambiando
lasExiste
ecuaciones
podemos
a11 = 0.
Multiplicando la primera ecuacion por 1
y
aplicando operaciones de tipo 3. en las otras resulta

a12

a21

..

an+1

..
.

an+1

a1m
a11

a11
a22

a2m
..
.

an+1

1
Fi ai1F1

a1

con c K1(m1) y M Kn(m1).

Entonces, en cualquier caso, aplicando las operaciones descriptas en la
Proposicion 1.19 al sistema dado, puede obtenerse un sistema cuya matriz
asociada es de la forma

a c
con M K n(m1) y a = 1 o a = 0.
A=
0
M
Sea
HM eloperaciosistemar cuya
matriz asociada
esobtenerse
M . Por hipotesis
inductiva,
aplicando
nestriangular
permitidas
puede
un sistema
equivalente a
HM cuya matriz
M es
superior. Aplicando esas mismas operaciones en la matriz A se obtiene

B=

con a = 1 o a = 0,

Mr
que es triangular superior.

Ejemplo. Resolver el siguiente sistema lineal homogeneo en R4 :

.
2x2 x3 + x4 = 0
3x1 + x2 + 10x3 + 5x4 = 0
x1 + 3x3 + x4 = 0
La matriz asociada al sistema de ecuaciones es

0 2 1 1
A= 3 1
10 5 .
1 0 3 1
El primer paso del metodo de Gauss consiste en colocar en el lugar A11 un
elemento no nulo. Para eso permutamos las filas 1 y 3 de la matriz (podra
usarse tambien la fila 2). Se obtiene

1 0 3 1
3 1 10 5 .
0

1 1

A continuacion debemos realizar operaciones de fila de manera de conseguir que

los restantes elementos de la primera columna de la matriz sean ceros. Si Fi
denota la i-esima fila de la
matriz, haciendo F2 3F1 resulta

1 0 3 1
0 1 1 2 .
0

1 1

Pasamos ahora a la segunda columna de la matriz. El elemento ubicado en la

fila 2 columna 2 de la matriz es un 1, con lo que solo resta conseguir un 0 en la
fila 3 columna 2. Para eso
efectuamos F3 2F2:

1 0 3
1
0 1 1
2 .
0 0 3 3
Esta matriz se encuentra en forma triangular. El sistema asociado
.
x1 + 3x3 + x4 = 0
x2 + x3 + 2x4 = 0
3x3 3x4 = 0
es equivalente al original.
De
la tercera
ecuacion
deducimos
que si Xen=
, x4 ) es solucion
1 , x2 , x3ecuacion
del
sistema,
x3 =
x4 . Reemplazando
la (x
segunda
y
despejando
x2entonces
se obtiene
x2 =
x4 . Finalmente, de la primera ecuacion se deduce que x1 = 2x4 . Adem
as es claro que
cualquier X que cumple estas condiciones es solucion de la ecuacion.
En consecuencia, las soluciones del sistema son todos los vectores en R4 de
la forma
X = (2x4, x4, x4, x4) = x4(2, 1, 1, 1), es decir, el conjunto de las soluciones
del sistema
es el subespacio
S = < (2, 1, 1, 1) >.

1.2.3

Cantidad de soluciones de un sistema homogeneo

Una consecuencia inmediata del Teorema 1.21 es la siguiente:

Observacion 1.22 Sea H un sistema lineal homogeneo de n ecuaciones con
m incognitas. Supongamos que n > m. Entonces, por el teorema anterior, el
sistema es equivalente a uno cuya matriz es triangular superior. Luego, las u
ltimas filas de su matriz asociada son nulas
y en consecuencia vemos que existe un sistema H r de n ecuaciones con n
incognitas cuyo
conjunto de soluciones coincide con el de H (basta considerar las n primeras
ecuaciones del sistema obtenido).
Si H es un sistema lineal homogeneo con m incognitas, es claro que 0 K m es
una solucion de H. E sta se llama la solucion trivial del sistema. En muchos
casos nos interesara saber si el
sistema tiene alguna solucion distinta de 0 (a las que llamaremos soluciones no
triviales). El siguiente resultado nos dice que en el caso de un sistema con menos
ecuaciones que incognitas esto siempre sucede.

Teorema 1.23 Sea H un sistema lineal homogeneo de n ecuaciones

con
m
m incognitas.
Su-del
pongamos
que
es solucion
sistema que
H. n < m. Entonces existe x K , x = 0,
Demostracion. Por induccion en la cantidad n de ecuaciones de H.
Si n = 1, m 2: Entonces H : a11x1 + a12x2 + a1mxm = 0. Si a11 = 0,
a
entonces
. . . , 0) es solucion del sistema y si a11 = 0, entonces ( 12 ,
1, 0, . . . , 0)(1,
es 0,
solucion.
a1
Supongamos que el resultado vale para sistemas con n ecuaciones y sea H un
sistema de
n + 1 ecuaciones con m incognitas, n + 1 < m.
Triangulando la matriz del sistema, resulta que es equivalente a una de la
forma
.

a12
,
B

a11
0

a1m

donde B Kn(m1), y m 1 > n.

Por
lo tanto, inductiva.
el sistema Luego,
cuya matriz
en las
de
la hipotesis
existeasociada
(x1 , . . . , es
xmB1 )esta
= 0 que
es condiciones
solucion del
sistema
asociado a B.
Si a11 = 0, entonces (1, 0, . . . , 0) es solucion del sistema original.
.. .
.
1
Si a11 = 0, entonces .
m.
es una solucion no nula
,
x
,
.
.
.
,
1
a1ixi
x
del
a11

sistema.

i=2

m1

El siguiente teorema se refiere a la existencia de soluciones no triviales para

sistemas ho- mogeneos con igual cantidad de ecuaciones que incognitas.
Teniendo en cuenta la observacion hecha la comienzo de esta seccion, esto
resuelve el problema en el caso general.
Teorema 1.24 Sea H un sistema lineal homogeneo de n ecuaciones y n
incognitas. Sea H r
un
sistema
equivalente
a Hsicuya
matrizsiBBes
triangular superior. Entonces
H tiene
solucion
unica
y solo
ii = 0 1 i n.
Demostraci
on.

B11 B1n

.
.

. con B
.
.
0
.
ii = 0 1 i n.

0 Bnn
Entonces, la ultima ecuacion del sistema H r es Bnn xn = 0 y, como
Bnn = 0, resulta que xn = 0. Reemplazando en la ecuacion anterior xn
por 0, queda Bn1 n1xn1 = 0, de donde xn1 = 0.

( ) Supongamos que
B

Siguiendo de este modo, para cada k = n 2, . . . , 1 de la k-esima ecuacion

se obtiene
xk = 0.

() Supongamos que B11 = 0, . . . , Bii = 0 y Bi+1 i+1 =

B11

B1n

..
.
..

0
.
...
. Bii Bi i+1 Bin

0
0
0
.
.
..
.

..
M
0 0
0.

0, o sea

Es claro que (1, 0, . . . , 0) es solucion del sistema cuya matriz asociada es

.
0 M , o sea xi+1 = 1, . . . , xn = 0.

De la i-esima ecuacion se despejaBiixi = i i+1 .

Se sigue as para calcular los valores de todas las variables. Se obtiene
una solucion de
H r de la forma (x1 , . . . , xi , 1, 0, . . . , 0), que es una solucion no nula del
sistema.
Q
Ejemplo. Hallar todos los valores de k R para los cuales el sistema homogeneo
cuya matriz

asociada es

k+1

2
k1
tiene solucion unica.
k + 1
1
4
1

En primer termino aplicamos el metodo de eliminacion de Gauss para

obtener un sistema triangular equivalente al dado:

1
2
k1
1
2
k1
F2 2F1
0 k 3 2k + 3
2
k + 1 1

F3 (k +
0 2k 6 k2 + 2
k + 1 4
1
1)F1
F3 2F2

1
0

2
k 3
0

k1
2k + 3

k + 4k 4
2

0
Por
2 el teorema anterior, el sistema tiene solucion unica si y solo si k 3 = 0 y
k +4k 4 = 0, es decir, para todo k R {3, 2}.

1.2.4

Sistemas lineales no homogeneos.

Para terminar, estudiaremos sistemas de ecuaciones lineales en el caso general,

es decir, cuando las ecuaciones que integran el sistema no estan
necesariamente igualadas a 0.
Deftnicion 1.25 Un sistema
de ecuaciones lineales
a x + a x + + ax
= b
12 2
1m m
1
11 1
.
H:
..

an1 x1 + an2 x2 + + anm xm =

bn

20

Espacios vectoriales

se dice no homogeneo si existe i, 1 i n, con bi = 0.

La matriz A = (aij ) se dice la matriz asociada al
sistema. Llamaremos sistema homogeneo asociado
a H a

a x + a x + + ax
= 0
12 2
1m m
11 1
.
..

an1 x1 + an2 x2 + + anm xm =

En el caso de un sistema lineal no homogeneo el conjunto de soluciones no es

un subespacio (es claro que 0 no es solucion). Sin embargo, el conjunto de
soluciones de un sistema no homogeneo ntimamente relacionado con el subespacio de soluciones del sistema
esta
homogeneo
asociado.
Proposicion 1.26 Sea H un sistema lineal no homogeneo con soluciones.
Sea S el conjunto de soluciones del sistema homogeneo asociado a H
y sea p una solucion particular de H.
Entonces, el conjunto M de soluciones de H es M = S + p = {s + p : s S}.
Demostracion. Sea
H el sistema
a x + a x + + ax
= b
12 2
1m m
1
11 1
.
..

an1 x1 + an2 x2 + + anm xm =

bn

() Sea
z M .que
Se tiene
que
+p.p Luego,
para probar que z S + p,
basta
zp=
(z1 z=p1(z
, .. .p)
, zm
m ) S, es decir, que es solucion del
sistemaver
homogeneo
asociado a H.
Sea i, 1 i n. Entonces
ai1(z1 p1) + + aim(zm pm) = (ai1z1 + + aimzm) (ai1p1 + + aimpm)
= bi bi = 0
puesto que z y p son ambas soluciones de H. Luego,
z p S. () Sea y S + p. Entonces y = s + p con s S.
Para cada 1 i n,
ai1y1 + + aimym = ai1(s1 + p1) + + aim(sm + pm) =
= (ai1s1 + + aimsm) + (ai1p1 + + aimpm) = 0 +
bi = bi,
puesto que p es solucion de H y s es solucion del sistema homogeneo
asociado a H. En consecuencia, y es solucion de H, es decir, y M .

Ejemplo. Resolver el siguiente sistema de ecuaciones lineales

en R4:
.

2x2 x3 + x4 = 0
3x1 + x2 + 10x3 + 5x4 = 3
x1 + 3x3 + x4 = 1

Por la proposicion anterior, para obtener todas las soluciones del

sistema basta conocer una solucion particular y el conjunto de soluciones del
sistema homogeneo asociado.
Vemos que p = (1, 0, 0, 0) es una solucion particular del sistema.
Por otro lado,
en un ejemplo
anteriorasociado
(pagina
hemos
que
de soluciones
del sistema
homogeneo
es16)
S=
< (2, visto
1, 1,
1)el>.conjunto
En consecuencia, el conjunto de soluciones del sistema es < (2, 1, 1, 1) > +
(1, 0, 0, 0).
Sin embargo, el resultado que relaciona las soluciones de un sistema no homog
eneo con las del homogeneo asociado es mas que nada teorico: dado un
sistema de ecuaciones lineales no homogeneo, es poco probable que
conozcamos una solucion particular sin resolverlo. La reso- lucion de un
sistema lineal no homogeneo, al igual que en el caso homogeneo, puede
realizarse triangulando una matriz adecuada como mostramos en el siguiente
ejemplo (comparar con el ejemplo de la pagina 16).
Ejemplo. Resolver el siguiente sistema lineal no homogeneo en R4 :
.
2x2 x3 + x4 = 2
3x1 + x2 + 10x3 + 5x4 = 1
x1 + 3x3 + x4 = 2
Consideraremos la siguiente matriz formada por la matriz del sistema homog
eneo asociado al sistema a la que le agregamos como ultima columna los
escalares solucion de cada ecuacion (lo separamos con una lnea para recordar
que esos escalares son los que aparecen
del otro lado de los iguales):

0 2 1 1 2
(A | b) = 3 110 5 1 .
1 0 3 1 2
El metodo de resolucion es similar al de los sistemas homogeneos.
Utilizamos el metodo de Gauss para triangular la matriz que esta a la
izquierda de la lnea pero realizando las operaciones en toda la fila,
inclusive en los elementos a la derecha de la lnea: el metodo de
Gauss se basa en intercambiar y operar con ecuaciones, as que para no
cambiar las soluciones debemos trabajar con ambos miembros de las ecuaciones
(en el caso homogeneo, esto no era necesario porque siempre los segundos
miembros daban cero). Entonces, triangulando con las mismas operaciones que
en el ejemplo de la pagina 16, obtenemos

0 2 1 1
1 0 3 1 2
1 0 3 1 2

2
3 1 10 5 1 3 1 10 5
0 1 1 2

1
7
1 0 3 1
0 2 1 1
0 2 1 1
2
2

2
2

Espacios vectoriales

0 3
1
1
2
0 1 1
0 0 3 3
Esta matriz se encuentra en forma
asociado
.

2
7
12
triangular y

1 0 3 1 2
0 1 1 2 7
0 0 1 1 4 .
su sistema no homogeneo

x1 + 3x3 + x4
= 2 x2 + x3 +
2x4 = 7 x3 + x4
=4

es equivalente al original.
Dedella sistema,
tercera entonces
ecuacion xdeducimos
X = (x1 , x2 , x3en
, x4 )laes segunda
solucio
n
4 que
x4 .2 si =
Reemplazando
ecuacion
y despejando
x2 3 que
se =obtiene
Finalmente,
de la
4.
primera
ecuacion
se deduce
x1 = x14
+ 2x34 . x
Ademas
es claro que cualquier X que cumple estas condiciones es solucion 4del
sistema. Luego, las soluciones del sistema son todos los vectores en R de la
forma
X = (2x4 14, x4 + 3, x4 + 4, x4) = x4(2, 1, 1, 1) + (14, 3, 4, 0),
es decir, el conjunto de las soluciones del sistema es el subespacio

S = < (2,

1, 1, 1) >
(solucion del sistema homogeneo asociado) mas la solucion particular (14,
3, 4, 0).
Este procedimiento para resolver
motiva la siguiente definicion:

sistemas

lineales

no

homogeneos

Deftnicion 1.27 Dado un

sistema de ecuaciones lineales no homogeneo
a x + a x + + ax
= b
12 2
1m m
1

11
1

.
,
H:
..

an1 x1 + an2 x2 + + anm xm

= bn
se llama matriz ampliada asociada al sistema

a11 a12 a1m

..
.
..
.
.
.

.
an1 an2 anm

H a la matriz

b1
.
.
. .
bn

A diferencia de los sistemas homogeneos, los sistemas no homogeneos

pueden no tener soluciones. El metodo descripto, que triangula la matriz
ampliada asociada al sistema, nos muestra que en estos casos no hay solucio
n particular posible:
Ejemplo. Resolver el siguiente sistema lineal no homogeneo en R4 :
.
+ 12x
+
x3x
x4
2x
= x21 3x
2
3
x4 +
=
7
5x1 3x3 x4 = 5

Triangulando la matriz ampliada asociada al sistema, tenemos

1
3
5

1
0
0

2 1 1 2
1 2

1 1 1 7

0
0 3 1 5
5 0

2
1 1 2
1
5 4 2
1 0
10 8 4 5
0

1 1 2
5 4 2
3 1 5

2
1 1 2
5 4 2
1
0
0
0 7

Esto significa
que una solucion
X 0.x
=1 +
(x10.x
, x22+
, x0.x
) del sistema debe
3, x
satisfacer
la ultima
es decir
3 4+ 0.x4 = 7, lo que
es
un absurdo.
Por lo ecuacion,
tanto el sistema
en cuestion no tiene soluciones.

1.3

Independencia lineal y bases

En la Seccion 1.1.4 introdujimos la nocion de sistema de generadores de un Kespacio vectorial V . Un espacio vectorial puede tener distintos sistemas de
generadores y ademas dos sistemas de generadores de un mismo espacio
vectorial pueden tener distinta cantidad de elementos.
En esta seccion veremos que para cualquier sistema de generadores tt de un
K-espacio vectorial V que cumpla cierta propiedad adicional, que llamaremos
independencia lineal, la cantidad de elementos de tt estara fija. Esto nos
llevara a definir la nocion de dimension de un espacio vectorial.

1.3.1

Independencia lineal

Una cuestion que surge al considerar un sistema de generadores de un Kespacio vectorial V es la de hallar sistemas de generadores que sean
minimales respecto de la inclusion, es decir, tal que ningun subconjunto
propio sea tambien un sistema de generadores de V . Los siguientes resultados
caracterizan a los conjuntos con esta propiedad.
Proposicion
1.28 Sean< Vv1,un
de V y {v1 ,
. . . , vn } V . Entonces
. . .K-espacio
, vn > S vectorial,
vi S 1Sun
i subespacio
n.
Demostracion.
() Para cada 1 i n,
vi = 0.v1 + + 0.vi1 + [Link] + [Link]+1 + + [Link] < v1, . . . , vn >
S,
de donde vi S.
() Como v1, . . . , vn S y S es un subespacio,
entonces

n
.

ivi S i K.

Luego,

i=1

< v1, . . . , vn > S.

Corolario 1.29 Sea V un K-espacio vectorial, y sea {v1, . . . , vn, vn+1} V .

Entonces
< v1, . . . , vn, vn+1 > = < v1, . . . , vn > vn+1 < v1, . . . , vn >.
Demostracion.
() Se tiene < v1 , . . . , vn , vn+1 > < v1 , . . . , vn >. Entonces, por la proposici
on anterior,
vn+1 < v1, . . . , vn >.
( )
Por
vn+1
vn >
>. <
Ademas
< v1 , . . . , vn > 1 i
n. hipotesis,
En- tonces,
< v1, .<. .v1, ,v.n., .v,n+1
v1, . . . , vnvi>.
Por otro lado, vi < v1, . . . , vn+1 > 1 i n, y entonces vale
< v1, . . . , vn, vn+1 > < v1, . . . , vn >.
Luego < v1, . . . , vn, vn+1 > = < v1, . . . , vn >.

Introducimos ahora la nocion de independencia lineal.

Deftnicion
V que
un K-espacio
vectorial y sea
{v }I una familia
vectores de 1.30
V . SeSea
dice
{v}I es linealmente
independiente
(l.i.) de
si
.
a.v = 0 a = 0 I.
I

Si {v}I no es linealmente independiente, se dice que es linealmente

dependiente (l.d.).
Aunque, a diferencia de un conjunto, una familia puede contener elementos
repetidos, en lo que sigue hablaremos indistintamente de familias o conjuntos
de vectores, entendiendo que pueden ocurrir repeticiones.
La nocion de independencial lineal esta ntimamente relacionada con
la minimalidad de un sistema de generadores. Mas precisamente:
Observacion 1.31 Sea V un K-espacio vectorial y sean v1 , . . . , vn V . Entonces
el conjunto

{v1 , . . . , vn } es linealmente independiente si y solo si

< v1, . . . , vn > = < v1, . . . , , > 1 i n.
...,v
vi
n
(Notacion:
< v1 , . . . , , . > denota el subespacio generado por {v , . . . , v } {v }.)
..,v
vi
n
1
n
i
Demostracion.
() Supongamos que < v1, . . . , , . . . , v > = < v
,...,v
vi

>. En particular
n

vi < v1, . . . ,vi, . . . , vn

>,

es decir, existen j K (j = i) tales que vi =

j vj . Entonces

j=
j 1
i=

i1

0=

j vj +

n
. j vj ,
j=i+1

(1)vi +
j=1

de donde {v1, . . . , vn} no es linealmente independiente.

() Si {v1, . . . , vn} es linealmente dependiente, existen 1, . . . , n K no todos
nulos, tales

que

i vi = 0. Sin perdida de generalidad, supongamos que n = 0.

Entonces
i=1

n.
1

vn =
vn

i=1

>.

.vi < v1, . . . ,

Luego, < v1, . . . , vn > = < v1, . . . , vn1 >.

Ejemplos. Decidir si los siguientes conjuntos son linealmente independientes.

1. En R3, {(1, 0, 1), (1, 1, 0), (0, 0, 1)}.
Sean 1, 2, 3 R tales que
1(1, 0, 1) + 2(1, 1, 0) + 3(0, 0, 1) = (0, 0, 0).
Comparando coordenada a coordenada resulta que 1 , 2 , 3 son solucio
n del sistema de ecuaciones
1 + 2 = 0
2 = 0

1 + 3 = 0
Es facil ver que este sistema tiene como unica solucion a la trivial.
Luego, el conjunto {(1, 0, 1), (1, 1, 0), (0, 0, 1)} es linealmente independiente.
2. En R[X], {Xi : i N0}.
Sean i R (i N0) tales que i = 0 para casi todo i N0 y
Para que el elemento
coeficientes

iN0

iXi = 0.

i Xi de R[X] sea el polinomio nulo, todos sus

iN0

deben ser 0. Luego, i = 0 para todo i N0, de donde el conjunto {Xi : i

N0} es
linealmente independiente.
La siguiente proposicion nos permitira obtener otro metodo para
decidir si un conjunto de vectores en K n es linealmente independiente.
Proposicion 1.32 Sea V un K-espacio vectorial.
Entonces:

1. {v1, . . . , vi, . . . , vj , . . . , vn} V es l.i.

{v1, . . . , vj , . . . , vi, . . . , vn} V es l.i.

2. {v1, . . . , vi, . . . , vn} V es l.i. {v1, . . . , vi, . . . , vn} V es l.i. para K { 0}.
3. {v1, . . . , vi, . . . , vj , . . . , vn} V es l.i. {v1, . . . , vi + vj , . . . , vj , . . . , vn}
V es
l.i. para K.
Demostracion.
1. Se deduce del hecho que en un conjunto no interesa el orden de sus elementos.
2. Supongamos que {v1, . . . , vi, . . . , vn} es linealmente independiente.
Sean
1, . . . , tiene
tales que
1v1 + + i(vi) + + nvn = 0.
n K que
Entonces
j = 0 para cada j = i y que i. = 0. Puesto
que = 0,seresulta
que tambien
i = 0.
Luego, el conjunto {v1, . . . , vi, . . . , vn} es linealmente independiente.
Esto prueba la equivalencia, puesto que para demostrar la otra implicacion
basta mul- tiplicar el i-esimo vector del conjunto por 1 .
3. Supongamos que {v1, . . . , vi, . . . , vj , . . . , vn} es linealmente
independiente. Sean 1, . . . , n K tales que
0

= 1v1 + + i(vi + vj ) + + j vj + + nvn

= 1v1 + + ivi + + (i + j )vj + + nvn.

La independencia lineal de {v1, . . . , vi, . . . , vj , . . . , vn} implica que

1 = . . . = i = . . . = i + j = . . . =
n = 0, de donde k = 0 para todo 1 k n.
En consecuencia, el conjunto {v1, . . . , vi + vj , . . . , vj , . . . , vn} es linealmente
independiente.
La
otra implicacion
se deduce de esta observando que el conjunto {v1 , . . . ,
vvector
1 , . . . , vi + vj , . . . , vj , . . . , vn } cambiando el i-esimo
n } se obtiene
vi + vj de
por{v(v
Q
i + vj )+ ()vj = vi.
Como consecuencia de la proposicion anterior, para decidir si un subconjunto
de vectores

{v1, . . . , vr} de Kn es linealmente independiente podemos proceder como sigue:

Considerar la matriz A cuyas filas son los vectores v1, . . . , vr.
Triangular la matriz A.

 Si la matriz obtenida tiene alguna fila nula, el conjunto es linealmente

dependiente. De
lo contrario, es linealmente independiente.
En efecto, en cada paso de la triangulacion, lo que se hace es
cambiar el conjunto de vectores por otro conjunto como en 1., 2. o 3.
de la proposicion anterior. Luego, el nuevo conjunto de vectores sera
l.i. si y solo si el anterior era l.i. Si alguna fila de la matriz obtenida
es nula, es decir, uno de los vectores del conjunto de vectores obtenido es
el 0, es claro que el conjunto es l.d. Por otro lado, si ninguna fila de la
matriz triangular superior es nula, es facil ver que el conjunto de vectores
obtenido es l.i.

1.3.2

Bases y dimension

Introducimos ahora el concepto de base de un espacio vectorial.

Deftnicion
1.33 Sea
V un K-espacio
Una familia
{v }Iindependiente
se llama una
base
del espacio
vectorial
V si {v}I vectorial.
es una familia
linealmente
de V que
satisface
< v >I = V .
Ejemplos.
1. En K n , B = {e1, . . . , en}, donde (ei)i = 1 y (ei)j = 0 si j = i, es una base,
llamada la
base canonica de K n .
2. En Knm, B = {Eij / 1 i n, 1 j m} es una base.
3. En K[X], B = {Xi / i N0} es una base.
Dos sistemas de generadores cualesquiera de un K-espacio vectorial V
pueden tener dis- tinta cantidad de elementos. Esto no sucede en el caso de
dos bases y lo demostraremos para espacios vectoriales finitamente generados,
lo que nos permitira definir la dimension de un espacio vectorial
finitamente generado como la cantidad de elementos de una base cualquiera.
Teorema 1.34 Sea V un K-espacio vectorial. Supongamos que < v1, . . . , vr >
= V y que

{w1, . . . , ws} V es una familia linealmente independiente. Entonces s r.

Demostracion. Como V = < v1 , . . . , vr >, para cada 1 i s, existen ij K
(1 j r)

tales que wi =
incognitas:

ij vj . Consideremos el siguiente sistema de r ecuaciones y s

j=1
s

hj xh = 0 1 j r.
(1.1)

h=1

Sea (1 , . . . , s ) una solucion del sistema. Entonces

s
.
h=1

hwh =
h=1

h .
j=1

hj vj . =
h=1

j=1

hhj vj . =

r
.

hhj vj . =

s.

hhj

.vj = 0.
j=1

j=1

h=1

h=1

Dado que {w1, . . . , ws} es linealmente independiente, debe ser (1, . . . , s) =

0.
En
el sistema del
(1.1)
tiene solucion
se deduce
que
la consecuencia,
cantidad
der ecuaciones
sistema
es mayor unica,
o igual de
quedonde
el numero
de
variables,
es decir
s.
Q
Corolario 1.35 Sea V un K-espacio vectorial, y sean B1 y B2 dos bases de
V . Si B1 =

{w1, . . . , wn} y B2 = {v1, . . . , vm}, entonces n = m.

Demostracion. Por el teorema anterior

B1 sistema de generadores de V y B2 conjunto linealmente independiente = n

m.
B2 sistema

de

generadores

de

B1

conjunto

linealmente

independiente = m n. Luego, n = m.

Deftnicion 1.36 Sea V un K-espacio vectorial y sea B = {v1 , . . . , vn } una base

de V . Di- remos entonces que n es la dimension de V (como espacio
vectorial sobre K). En este caso, diremos que V es un K-espacio vectorial de
dimension finita, para distinguirlo de los espacios vectoriales que no admiten
una base con finitos elementos. Por convencion, la dimension de
{0} es 0.
Notacion. Si n es la dimension del K-espacio vectorial V , escribimos n = dimK V ,
o simple- mente dim V si el cuerpo K queda claro por el contexto.
Una propiedad de las bases es que cualquier vector del espacio vectorial
considerado se puede expresar como combinacion lineal de los elementos de la
base de manera unica. Como veremos mas adelante, aplicando esta
propiedad se trabajara en un K-espacio vectorial de dimension n arbitrario
como si fuese K n .
Proposicion 1.37 Sea V un K-espacio vectorial de dimension finita. Sea {v1 ,
. . . , vn } una

base de V . Entonces para cada x V existen unicos 1 , . . . , n K tales que

.
x=
i vi .
i=1

Demostracion. La existencia se deduce de que, por ser una base de V ,

{v1 , . . . , vn } es un sistema de generadores de V .
n .
n .
n
.
Supongamos que
i vi =
i vi , entonces
(i i )vi = 0. Como {v1 , . . . ,
vn } es un
i=1

i=1

i=1

conjunto linealmente independiente, i i = 0 1 i n. Luego, i = i 1 i

n, lo
que prueba la unicidad.
Q
La siguiente proposicion muestra como hallar una base de un Kespacio vectorial de di- mension finita V a partir de cualquier sistema de
generadores finito de V
y como completar un subconjunto linealmente
independiente arbitrario de V a una base.

Proposicion 1.38 Sea V un K-espacio vectorial de dimension finita.

i) Sea {v1, . . . , vs} un sistema de generadores de V . Entonces existe un

subconjunto tt

{v1, . . . , vs} que es una base de V .

ii) Sea
{w1, ele...,w
V . Entonces
r} un conjunto
existen
wr+1, . . . linealmente
, wn V talesindependiente
que {w1, . . . , wde
r , wr+1, . . . , wn} es
una base
dementos
V.
Demostracion.
i) Si {v1, . . . , vs} es linealmente independiente, entonces es una base de V .
Si
no es linealmente
del conjunto es
combinacion
lineal independiente,
de los otros. alguno de los vectoresSupongamos
vahora
Consideramos que
s < v1, . . . , vs1 >.
{v1, . . . , vs1}, que es un sistema de generadores de V , y procedemos
inductivamente.
ii) Sea B = {z1, . . . , zn} una base de V .
Sea tt0 = < w1, . . . , wr >. Consideramos
.
{w1 , . . . , wr , z1 } si z1 / < tt0 >
tt1 :=
{ w1 , . . . , w r }
si z1 < tt0 >.
Se procede inductivamente para 2 i n, es decir,
.
tti1 {zi } si zi / < tti1 >
tti :=
si zi < i1 >.
tti1
tt
Observar que {w1, . . . , wr} tti 1 i n.
Ademas,
para
cada 1 i n,En
< zparticular,
tti<>,
conjunto
1 , . . . , zi > V<=
linealmente
independiente.
z1,y. tt
. .i ,es
zn un
>
< ttn > y ttn
es linealmente
independiente. Luego, ttn es una base de V .
Q

Ejemplos.
1. Extraer una base de S = < (1, 1, 7, 3), (2, 1, 1, 0), (3, 1, 1, 1) > del
sistema de genera- dores dado.
Observamos que el sistema de generadores dado es linealmente
dependiente. En efecto,

1 1 7 3
1 1 7
3
F2

0 3 15 6
2F1
0 4 20 8

2 1 1 0

F3
1

3F1

F3 43 F2

1 1 7
0 3 15
0 0
0

3
6 .
0

30

Espacios vectoriales

Como
anterior
ve {simultaneamente
que
3),
(2, por
1, la
1, triangulacion
0)} l.d,
es un
conjunto
l.i. yse
que
(1, 1, 7, 3), (2, 1, 1,
0),{(1,
(3, 1,1,1,7,1)}
es un
conjunto
resulta
que (3, 1, 1, 1) < (1, 1, 7, 3), (2, 1, 1, 0) >.
Luego, {(1, 1, 7, 3), (2, 1, 1, 0)} es un sistema de generadores de S. Como
ademas es linealmente independiente, es una base de S.
2. Extender el conjunto linealmente independiente {(1, 1, 0, 0), (1, 1, 1, 0)} a
una base de
4

R .
Consideremos la base canonica de R4,
E = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}.
Con la notacion utilizada en la demostracion de la proposicion anterior:
Se tiene tt1 := {(1, 1, 0, 0), (1, 1, 1, 0), (1, 0, 0, 0)}, que es linealmente
independiente. Ahora, (0, 1, 0, 0) < tt1 >, puesto que (0, 1, 0, 0) = (1, 1,
0, 0) (1, 0, 0, 0) y entonces tt2 := tt1.
El conjunto tt2 {(0, 0, 1, 0)} es linealmente independiente. Consideramos
entonces
tt3 := tt2 {(0, 0, 1, 0)}. Este conjunto, formado por cuatro vectores
linealmente independientes de R4 , debe poder
extenderse a una base de R4 , que tendra 4
elementos puesto que dim R4 = 4; luego, ya es una base de R4.
Como consecuencia de la proposicion anterior, se obtienen los siguientes
resultados sobre subespacios de un K-espacio vectorial de dimension finita.
Observacion 1.39 Si V es un K-espacio vectorial de dimension finita y S V ,
entonces S
es de dimension finita.
(Notar que si S tuviese una base con infinitos elementos, podramos
obtener dim V + 1 elementos l.i. en S y por lo tanto en V . Este conjunto
podra extenderse a una base de V con mas de dim V elementos, lo que es
un absurdo.)
Proposicion 1.40 Sean S y T subespacios de un K-espacio vectorial V de
dimension finita. Entonces:
i) S T dim S dim T.
ii) S T y dim S = dim T S = T.
Demostracion.

i) Sea {s1, . . . , sr} una base de S y sea n = dim T . Como S T , se tiene que {s1, . .
. , sr}
T
, y ademas
es un
conjunto
independiente.
extenderse
a una
base
de T , ylinealmente
en consecuencia,
dim S = Luego,
r n = puede
dim T .
ii) Siguiendo el razonamiento de la demostracion de i), al extender una base {s1 , .
. . , sr }
de S a una de T , como dim S = dim T , no se agrega ningun vector.
Luego S =
< s 1 , . . . , sr > = T .
Q

Observar que el tem ii) de la proposicion anterior nos facilita la verificacion

de la igualdad entre dos subespacios.
Ejemplo. Sean S y T los subespacios de R3: S = < (1, k2 + 1, 2), (k + 1, 1 k,

2) > y
T = {x R3 : x1 + x2 + x3 = 0}. Hallar todos los valores de k R para los cuales
S= T.
En primer lugar, veamos para que valores de k R se tiene que S T :

(1, k2 + 1, 2) T 1 + (k2 + 1) + 2 = 0 k = 2
(k + 1, 1 k, 2) T para todo k R.
Luego, S T si y solo si k = 2 o k =
2.
Finalmente,
para
cada
unobase
de estos
Observar
que dim
T=
2 (una
de T valores
es {(1,de
1, k,
0),basta
(1, 0,ver
1)}si
). dim S = dim T .
Si k = 2, S = < (1, 3, 2), (1, 3, 2) > = < (1, 3, 2) >, de donde dim S
= 1.

Si k = 2, S = < (1, 3, 2), (3, 1, 2) > y, como {(1, 3, 2), (3, 1, 2)} es l.i.
y por lo
tanto una base de S, se tiene que dim S = 2.
Concluimos que S = T si y solo si k = 2.

1.4

Suma de subespacios

Dados dos subespacios S y T de un K-espacio vectorial V la union S T en

general no es un subespacio de V , porque no contiene necesariamente a todos
los elementos de la forma
s + t con s S y t T , y un subespacio que contenga a S y a T debe contener a
todos estos
elementos. Esto da lugar a la nocion de suma de subespacios.

1.4.1

Subespacio suma

Deftnicion 1.41 Sea V un K-espacio vectorial, y sean S y T subespacios de

V . Se llama
suma de S y T al conjunto S + T = {v V / x S, y T tales que v = x
+ y} =

{x + y / x S, y T}.
La siguiente proposicion muestra que la suma de dos subespacios es, en
efecto, un subes- pacio que contiene a ambos, y da una caracterizacion de este
conjunto en terminos de sistemas de generadores de los subespacios
considerados.
Proposicion 1.42 Sea V un K-espacio vectorial, y sean S y T subespacios de
V . Entonces:
i) S + T es un subespacio de V .
ii) S + T es el menor subespacio (con respecto a la inclusion) que
contiene a S T .
iii)Si
{vi }iI es un sistema
S y {wj }de
es un sistema
j J generadores
de
de T , {vide
}iI generadores
{wj }j J es undesistema
de generadores
S + T.

3
2

Espacios vectoriales

Demostracion.
i) 0 = 0 + 0 S + T , pues 0 S, 0 T .
r
Sean
v, vr v S++vrT=
. Existen
x, xrr+S,yy,
T tales
v =yxr ),
+ y, vr = xr + yr .
r y (x
Entonces
(x x+r y)S,+(x
+ xvr )+que
+(y
son subespacios
x+
y + yr T) .=
Luego,
vr +
S + T . y como S y T
Sea
v S +.v
T y
+y)K.=Existen
x Como
S, y T tales
+ y.
Entonces,
= sea
.(xque
.y.
K, xTque

S vy =
S xes
subespacio,
resulta
.x .x
S. +
Analogamente,
.y
. Luego
.v un
S
+T.
En consecuencia, S + T es un subespacio de V .

ii) Sea W un subespacio de V tal que S T W .

Sea v S + T . Entonces v = x + y con x S, y T . Como S S T W ,
entonces
x W ; y como T S T W , entonces y W . En consecuencia v = x + y W ,
puesto que W es un
subespacio. Luego, S + T
W.
iii) Sea
v S + T , v de
= x
y con x
vi}iI espara
un sistema
de generadores
S,+
existen
i S,
K y(i
TI),. Dado
con ique
= 0 {salvo
finitos i
.
con

salvo
para
finitos
I, i
tales
x=

v
.
De
la
misma
manera,
existen

K
(j J),
Ij = 0que
i
i
j
.
j J, tales que y =
j wj . Luego
jJ

v=

ivi +

i I

j w j

jJ

resulta una combinacion lineal de {vi }iI {wj }j J S + T .

Ejemplo. Sean S y T los subespacios de R4

S = < (1, 1, 0, 1), (2, 3, 1, 1) > y

T = < (0, 0, 1, 1), (1, 2, 2, 1) >.

Hallar una base de S + T .

Por la proposicion anterior, podemos obtener un sistema de generadores de S
+T mediante la union de un sistema de generadores de S y un sistema de
generadores de T . Entonces
S + T = < (1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1), (1, 2, 2, 1) >.
Ahora extraemos una base del sistema de generadores

1 1 0
1 1 01
1 1 01
2 3 1 1

0 1 1 1
0 1 1 1

0 0 1 1
0
0
1
1
0 0 1 1

1 2 2 1
0 1 2 0
0 0 1 1

hallado. Se tiene:

01

0 1 1 1

0 0 1 1

0 0 0 0

Esta
simultaneamente
que el{(1,
conjunto
(2, 0,
3,
1,
1),} triangulacion
(0,l.i.
0, 1,Por
1),lo
(1, muestra
2,tanto,
2, 1)} es
l.d. y que el conjunto
1, 0, 1),{(1,
(2, 1,
3, 0,
1, 1),
1), (0,
1, 1)
es
(1, 2, 2, 1) < (1, 1, 0, 1), (2, 3, 1, 1), (0, 0, 1, 1) > y {(1, 1, 0, 1), (2, 3, 1, 1), (0,
0, 1, 1)} es una
base de S + T .
Si S y T son dos subespacios de dimension finita de un K-espacio vectorial V , el
.siguiente teorema relaciona las dimensiones de los subespacios S, T , S T y S + T
Teorema 1.43 (Teorema de la dimension para la suma de subespacios.) Sea
V un
K-espacio vectorial. Sean S y T subespacios de V de dimension finita.
Entonces
dim(S + T ) = dim S + dim T dim(S T ).
Demostracion. Sean s = dim S, t = dim T y r = dim(S T ).
Si s = 0, o sea S = {0}, se tiene que S + T = T y S T = {0} y la
igualdad vale.
Analogamente se ve que vale si t = 0.
Sea {v1, . . . , vr} una base de S T (si r = 0, consideramos simplemente el
conjunto vaco).
Sean wr+1, . . . , ws S tales que {v1, . . . , vr, wr+1, . . . , ws} es una base de S, y
sean
ur+1, . . . , ut T tales que {v1, . . . , vr, ur+1, . . . , ut} es una base de T .
Veamos que {v1, . . . , vr, wr+1, . . . , ws, ur+1, . . . , ut} es una base de S + T :
Es claro que es un sistema de generadores de S +T . Veamos que es un
conjunto linealmente independiente. Supongamos que
s
t
. j wj . k uk = 0.
. r
+
ivi +
j=r+1

i=1
r

Entonces
ivi +

k=r+1

t
. k uk . Ademas,

. j w j =

j=r+1

k=r+1

i=1

ivi + . j wj S y

i=1

de donde

j=r+1

. k uk T,
k=r+1

. k uk S T . Luego, existen 1, . . . , r K tales que

k=r+1

t
.
k uk

=
k=r+1

. A .vA o,
equivalentemente,
A=1

t
. k uk
+
k=r+1

r
. A .vA = 0.
A=1

Pero
{v1, . . . , vinde. . . , ut} es una
base de
T , en particular, un conjunto
r, ur+1,pendiente.
linealmente
Luego,
k = 0 r + 1 k t y A = 0 1 A r.
Entonces
s
. j .wj = 0,
. r
[Link] +
i=1

j=r+1

y como {v1, . . . , vr, wr+1, . . . , ws} es una base de S, resulta que i = 0 para todo 1 i
ry
j = 0 para todo r + 1 j s.
Luego
dim(S + T ) = r + (s r) + (t r) = s + t r = dim S + dim T dim(S T
).
Q

1.4.2

Suma directa

Un caso de especial importancia de suma de subespacios se presenta cuando S

T = {0}.
Deftnicion 1.44 Sea V un K-espacio vectorial, y sean S y T subespacios de V .
Se dice que
V es suma directa de S y T , y se nota V = S T , si:
1. V = S + T , 2.
S T = {0}.
Ejemplo.
Sean S = {x R3 : x1 + x2 + x3 = 0} y T = < (1, 1, 1) >. Se tiene que
dim
= R3S. = 2, dim T = 1 y S T = {0}. Entonces dim(S + T ) = 3, de donde S + T
Luego, R3 = S T .
Proposicion 1.45 Sea V un K-espacio vectorial. Sean S y T subespacios
de V tales que
V = S T . Entonces, para cada v V , existen unicos x S e y T tales
que v = x + y.
Demostracion.
Existencia: Como V = S + T , para cada v V existenr x S,
y T tales que v =
x + y. Unicidad: r Supongamos
que v = x + y y v = x + yr con x, xr S, y, yr T
. Entonces x x = y yr y x xr S, y yr T , luego x xr S T = {0}. En
consecuencia
x xr = y yr = 0, de donde x = xr , y = yr .
Q
La Proposicion 1.42 establece que dados dos subespacios S y T de un espacio
vectorial, la union de un sistema de generadores de S y un sistema de
generadores de T es un sistema de generadores de S + T . Esto no vale en el
caso de dos bases: la union de una base de S y una de T puede ser un conjunto
linealmente dependiente. Sin embargo, la propiedad es valida en el caso en que
los subespacios esten en suma directa:
Proposicion 1.46 Sea V un K-espacio vectorial. Sean S y T subespacios
de V . Sean BS y
BT bases de S y T respectivamente. Son equivalentes:
i) V = S T
ii) B = BS BT es una base de V .
Observamos que en la condicion ii), B es la familia obtenida mediante la union
de las familias
BS y BT .

Demostracion. Supongamos que BS = {vi }iI y BT = {wj }j J .

i) ii) Dado que BS y BT son sistemas de generadores de S y T
respectivamente, entonces
B = BS BT es un sistema de generadores de V = S T . Por otro lado, si
.
.
iv i +
j wj = 0,
i I

s x

j J

x
T

como tambien se tiene 0 = 0 + 0 con 0 S y 0 T , por la

.
proposicion anterior
.
iI i vi =
j J j wj = 0. La independencia lineal de BS y BT implica que
i = 0
i I y j = 0 j J. Luego, B es linealmente independiente.
ii) i) Como B = BS BT es una base de V , para cada v V existen i K, i
I,

.
.
y j K, j J, casi todos nulos, tales que v =
ivji J+
j wj y por lo
tanto
i I
.
v = x + y con x =
ivi S e jyJ j wj T . Luego V = S + T .
.
=
i I
.
.
.
Si v S T , se tiene que v =
iv i =
j wj , de donde
ivi +
.
(j )wj = 0,
iI

jJ

i I

jJ

y por la independencia lineal de B, resulta que i = 0 i I y j = 0 j J,

de
donde v = 0 y S T = {0}.
Q
Deftnicion
V un K-espacio
Diremos que1.47
T es Sea
un complemento
devectorial
S si S yTsea
= VS. V un subespacio de V .
Ejemplos.
1. Hallar un complemento de Rn[X] en R[X].
Buscamos un subespacio S de R[X] tal que R[X] = Rn[X] S, es
R[X] =

decir,

Rn[X] + S y R[X] = Rn[X] S = {0}.

Se tiene que Rn[X] = < 1, X, . . . , Xn >.

i
Consideremos S = < Xn+1, . . . , Xj , . . . > = < X
>i
n+1. Es claro que Rn[X] + S = R[X].
Si f Rn [X] S, entonces f = 0 o gr(f ) n, y adem

as f = Luego, f = 0.

. a Xi con a R.
i
i
i=n+1

En consecuencia, R[X] = R n[X] S.

2. Sea S = {f R[X] / f (1) = 0}. Hallar un complemento de S en R[X].
N0 . Sea T = < 1 >.
Vemos que S = < (X
1)Xi >i
.
.
Dado f R[X], f = f f (1) +f (1) y f f (1) S, f (1) T . Entonces, S
+T = R[X].
Sea f S T . Como f S, se tiene que f = (X 1)g para algun g R[X]
y como
f T , f = 0 o gr(f ) = 0. Luego f =
0. Por lo tanto S T = R[X].

1.5

Ejercicios

Ejercicio 1.
i) Representar graficamente en el plano los siguientes vectores:
(1, 1) ; (2, 3) ; (1, 1) + (2, 3) ; 1 .(1, 1) + 3 .(2, 3)
2

ii) Sean v, w R . Interpretar geometricamente v3 , 3.v ,

.v , v + w , v w.

iii) Sean v = (3, 1) , w = (2, 4) R . Representar graficamente los conjuntos:

S1 = {r.v / r R}
S2 = {r.v / r R1}
S3 = {r.v + s.w / r, s R}
S4 = {r.v + s.w / r, s R , 0 r, s 1}
S5 = {r.v + s.w / r, s R , 0 r, s 1, r + s = 1}
Ejercicio 2. Probar en cada caso que el conjunto V con la suma y el producto por
escalares definidos es un espacio vectorial sobre K.
N
i) V = K =
K i N}, el conjunto de todas las
N = (a , a , . . . ,
a , . . .)/a
{(ai)i

sucesiones de elementos de K (donde K es un cuerpo cualquiera).

+ : (ai)iN + (bi)iN = (ai + bi)iN
. : k.(ai)iN = ([Link])iN
ii) X es un conjunto, V = P (X), K = Z2.
+ :
. :

B + C = B6C
0.B = , 1.B = B

iii) V = R>0, K = Q.
: a b = a.b

m
n

a=

am

Ejercicio 3. Sea V un espacio vectorial sobre K, k K, v V . Probar las siguientes

afirmaciones:
i) k.0 = 0
iii) k.v = 0 k = 0 o v = 0

ii) (v) = v
iv) 0 = 0
Ejercicio 4.
i) Sea v R2 un vector fijo. Se define la funcion fv : R2 R2 de la siguiente
forma:
fv (x, y) = (x, y) + v
Interpretar geometricamente el efecto de fv sobre el plano (fv se llama la
traslacion en
v).

3
7

1.5 Ejercicios

ii) Probar que R2 es un R-espacio vectorial con la suma +(2,1) y el producto por
escalares
.(2,1) definidos de la siguiente forma:
(x, y) +(2,1) (xr, yr )
r .(2,1)(x, y)

(x + xr 2, y + yr 1)

=
=

r.(x 2, y 1) + (2, 1)

(Este espacio se notara

R
para distinguirlo de R2 con la suma y el
(2,1
)
producto usual.
La notacion se basa en que el (2, 1) resulta el neutro de la suma +(2,1) ).
iii)

Interpretar geometricamente +(2,1) y .(2,1) , teniendo en cuenta que:

.
.
(x, y) +(2,1) (xr , y r ) = f(2,1) f(2,1) (x, y) + f(2,1) (xr , y r )
.
.
r .(2,1)(x, y) = f(2,1) r.f(2,1)(x, y)

Ejercicio 5. Sea S = {f R[X] / f (1) = f (2)}.

i) Verificar que la suma usual de polinomios es una operacion en S (es decir:

f, g S
f + g S)
ii) Verificar que el producto usual de un numero real por un polinomio es una
accion de R
en S (es decir: r R, f S r.f S)
iii)
Probar que (S, +, .) es un R-espacio vectorial. (Si se minimiza el
trabajo solo debera verificarse una propiedad para esto. Comparar i),
ii) y iii) con el criterio para decidir si un subconjunto es un subespacio.)
Ejercicio 6.
i) Encontrar un subconjunto no vaco de R2 que sea cerrado para la suma y
para la resta pero no para la multiplicacion por escalares.
ii) Encontrar un subconjunto no vaco de R2 que sea cerrado para la
multiplicacion por escalares pero no para la suma.
Ejercicio 7. Decidir cuales de los siguientes subconjuntos son subespacios
de V como K- espacio vectorial:
i) S1 = {a.i / a R} V = C K = R o K = C
ii) S2 = {f K[X] / f r (1) = 0} V = K[X]
iii)

S3 = {M Knn / Mij = Mji i, j } V = Knn

iv) S4 = {f C (R) / f rr + 3f r = 0} V = C (R)

v)

2
2
S5 = {v R(2,1
/ x + y = 3} V = R
(2,1
)

K=R

K=R

vi)

S6 = {(ai)iN K N / a1 = 0} V = K N

vii)

S7 = {(ai)iN K N / k N tal que ar = 0 r k} V = K N

viii)

S8 = {(ai)iN K N / a1.a2 = 0} V = K N

Ejercicio
8. Sean de
S yVT subespacios
es un subespacio
S T o de
T un
S.K-espacio vectorial V . Probar que S T
Ejercicio 9. Encontrar un sistema de generadores para los siguientes K-espacios
vectoriales: i) S = {(x, y, z) R3 / x + y z = 0},

K = R

ii) Kn [X] = {f K[X] / f = 0 o gr(f ) n}

iii)
Cnn, K = R
iv) P({a, b, c}), K = Z2
Ejercicio 10. Decidir cuales de las siguientes afirmaciones son verdaderas y cu
ales falsas.
i) Sea V un K-espacio vectorial y sean v , w V ,
k K. Entonces < v , w > = < v , w + k.v >.
ii) Sean v1 , v2 , v3 , v4 , w R7 tales que < v1 , v2 , w > = < v3 , v4
, w >. Entonces < v1 , v2 > = < v3 , v4 >.
Ejercicio 11. Resolver los siguientes sistemas de ecuaciones lineales (K = R).

x1 + x2 2x3 + x4
= 0
x1 +
x2 2x3 + x4
i)

= 2

3x1 2x2 + x3 + 5x4

ii) 3x1 2x2 + x3 + 5x4

=
0

= 0
x1
2

x1 + x2 + x3 + x4 = 2

x1 x2 + x3 + 2x4
x2 + x3 + 2x4
=

x1 + x2 + x3 2x4 + x5
=
1
iii)

iv) x1 + 3x2 + 2x3 + 4x4 =

x1 3x2 + x3 + x4 + x5

=
0

3x1 5x2 + 3x3 + 3x5

x4
=

2x1 + x3

Cambia algo si K = Q? Y si K = C?
Ejercicio 12.
i) Resolver los siguientes sistemas y comparar los conjuntos de soluciones (K
= R).
.
x + 2y 3z
=
4
a) {x + 2y 3z = 4
x + 3y + z = 11
b)
c)

x + 2y 3z = 4
x + 3y + z = 11

2x + 5y 4z = 13

ii) Interpretar geometricamente los conjuntos de soluciones obtenidos.

Ejercicio 13. Resolver los siguientes sistemas no homogeneos. Considerar en

cada uno de ellos el sistema homogeneo asociado (A.x = 0).

ii)
x1 x2 + x3 = 2
x1 x2 + x3 = 1
i)
x1 + 2x2 + x3
x1 + 2x2 + x3 = 1
=

x1 + 4x2 + 5x3 =
5x3
= 4

x1 x2 x3 = 2
iii)

2x1 + x2 2x3

x1 x2 x3 =

iv) 2x1 + x2 2x3

x1 + 4x2 +

=
1

x1 + 4x2 + x3
=

Ejercicio 14. Dado el

sistema:

x1 + 4x2 + x3
R)
2x1 x2 + x3 =
3x1 + x2 + 4x3

x1 + 3x2 + 2x3

1
=

(, ,

Determinar los valores de 1 , 2 , 3 R para los cuales el sistema admite solucio

n.
Ejercicio
R
15. Resolver segun los valores de a y b en
(5 a)x1 2x2 x3 =
ax + y + z
1

i)

2x1 + (2 a)x2 2x3

= 2

x1 2x2 + (5 a)x3 =
b

ii) x + ay + z = a

x + y + az

a2

Ejercicio 16. Determinar todos los k R para que cada uno de los siguientes
sistemas tenga
solucion unica.

x1 + (k 1)x2
= 0
x1 + kx2 + x3 = 0
ii)
i)

x
+
(3k

4)x
+
kx
= 0
2x1 + x3
= 0
1
2
3

k
2x1 + kx2 + = 0
x1 + (k 1)x2 2+ x3
= 0
kx3
Ejercicio 17. Determinar
los numeros reales k para los cuales el sistema
kx1 + x2
= 0

x1 + kx2
= 0
k3x1 + x2 + k3x3 + = 0

x1 + k2xkx
+ kx3 + = 0
2 4
kx4
tiene alguna solucion no trivial y, para esos k, resolverlo.
Ejercicio 18. Determinar para que valores de k R cada uno de los
siguientes sistemas tiene solucion unica, no tiene solucion o tiene infinitas
soluciones.


i)

x1 + kx2 x3
= 1
x 1 + x 2 + k 2 x 3 =
1
x1 + kx2 + (k 2)x3
=
2

ii)

kx1

kx1 + 2x2 + kx3

+ (k +
4)x2

+
3kx3

kx1 2x2 + x3

(k + 2)x2 + (3k + 1)x3 =

1.5 Ejercicios

41

Ejercicio 19.
i) Resolver el siguiente sistema en C2:
.
(1 i)x1 ix2 = 0
= 0
2x1 + (1
i)x2
ii) Resolver en C3 el sistema A.x = 0 donde

i (1 + i) 0
A = 1 2
1
1
2i
1
Ejercicio 20. Resolver los siguientes sistemas:

x1 + 2x2 + 2x3 + x4
= 4
i) en
Z 5:

ii) en Z7:
2x1 + 3x3 + x4 =

4x2 + 2x3 + 4x4 =

x+z = 2

2
1

2y + z =

x + 3y
= 0

x + y + z= 1
iii) en
Z 3:

2x + y + 2z

x+z

Ejercicio 21. Encontrar un sistema a coeficientes reales cuya solucion general

sea:
(1, 1, 0) + (1, 2, 1), R.
Ejercicio 22. Sean A Kmn, b Km1.
i) Si el sistema A.x = 0 tiene solucion unica, probar que el sistema
A.x = b tiene a lo sumo una solucion. Dar ejemplos de los distintos
casos que se puedan presentar.
ii) Vale la recproca de i)?
Ejercicio 23. Encontrar un sistema de generadores para cada uno de los
siguientes espacios vectoriales sobre K:
i) S1 = {(x, y, z) R3 / x + y z = 0 ; x y = 0} , K = R
.
.
.
x+ z
3
ii) S2
, K = Z7
= 0 2y
(x, y, z) (Z7)
=
+ z= 0
/
x + 3y
= 0

iii) S3 = {A Q33 / Aij = Aji i, j }, K = Q

iv) S4 = {f R4 [X] / f (1) = 0 y f (2) = f (3)} , K = R
v) S5 = {(an)nN RN / ai = 0 i 5 ; a1 + 2a2 a3 = 0 ; a2 + a4 = 0} ,

K=

R
vi) S6 = {f C (R) / f rrr = 0} , K = R
Ejercicio 24. Sea V un R-espacio vectorial y sean v1 , v2 , v3

V . Probar

que si
v1 + 3v2 v3 = 0 = 2v1 v2 v3 entonces < v1 , v2 , v3 > = < v3 >.
Ejercicio 25. Determinar si v S en cada uno de los
siguientes casos: i) v = (1, 2, 1), S = < (1, 3, 2) , (2, 0, 1)
, (1, 1, 1) > R3
ii) v = (1, 0, 1, 3),

S = < (1, 0, 1, 0) , (2, 1, 0, 1) , (0, 1, 0, 2) > R4

Ejercicio 26. Sea S = < (1, 1, 2, 1), (3, 1, 0, 1), (1, 1, 1, 1) > R4.
i) Determinar si (2, 1, 3, 5) S.
ii) Determinar si {x R4/x1 x2 x3 = 0} S.
iii)Determinar si S {x R4/x1 x2 x3 = 0}.
Ejercicio 27. Hallar un sistema de generadores para S T como subespacio de V
en cada uno de los siguientes casos:
i) V = R3, S = {(x, y, z)/3.x 2.y + z = 0} T = {(x, y, z)/x + z = 0}
ii) V = R3, S = {(x, y, z)/3.x 2.y + z = 0} T = < (1, 1, 0), (5, 7, 3) >
iii)
iv)
v)
vi)

V = R3, S
V = R33,
V = R[X],
V = R[X],

= < (1, 1, 3), (1, 3, 5), (6, 12, 24) > T = < (1, 1, 0), (3, 2, 1) >
S = {(xij ) / xij = xji i, j } T = {(xij ) / x11 + x12 + x13 = 0}
S = {f R[X] / f (1) = 0} T = < 1 , X, X 2 , X 3 + 2X 2 X, X 5 >
S = {f R[X] / f (1) = 0} T = {f R[X] / f r (1) = f rr (1) = 0}

Ejercicio 28. Decidir si las siguientes sucesiones de vectores son linealmente

independientes sobre K.
i) (1 X) 3 , (1 X) 2 , 1 X, 1 en
K[X] ii) (1, 2, 3) , (2, 3, 1) , (1, 1, 4) ,
(5, 1, 1) en R3
iii) (1, 4, 1, 3) , (2, 1, 3, 1) , (0, 2, 1, 5) en Q4
iv)
(1 i, i) , (2, 1 + i) en C2, para K = R y K = C

4
2

Espacios vectoriales

v) (3 +

2, 1 + 2) , (7, 1 + 2 2) en R2, para K = Q y K = R

vi)

f (x) = 1 , g(x) = x en RR

vii)

f (x) = sen(x) , g(x) = cos(x) en RR

viii)

f (x) = ex , g(x) = x en RR

ix) u = (1, 0, 1, 0, 1, . . .) , v = (0, 1, 0, 1, 0, . . .) , w = (1, 1, 0, 1, 1, 0, . . .) en

RN
Ejercicio 29. Hallar todos los k R para los cuales {v1 , v2 , v3} V es un conjunto
linealmente independiente en los siguientes casos:
i) {(1, 2, k) , (1, 1, 1) , (0, 1, 1 k)} R3
ii) {(k, 1, 0) , (3, 1, 2) , (k, 2, 2)} R3
iii) {k.X2 + X , X 2 k , k 2 .X } R[X]
1
k
. .
iv) . .
., .
22
k 1
0 0 R
0 2k
1 2
. .
,
1 0
n
Ejercicio
30. Sean
v1, .R. .,
vn{
{v1, . . . , vnindependientes
} son linealmente
independientes
sobre
v1,R. ... ,Probar
vn} sonque
linealmente
sobre C.

Ejercicio 31. En cada uno de los siguientes casos hallar una base del subespacio
de soluciones del sistema lineal homogeneo A.x = 0 (K = R).

0 5 3
2 0 3 1

i) A =

2 1
0
1 1 0

ii) A = 1 1 2
2 3 1

iii)

3
1
A =
3
2

1 0 1 2
0 4 1 0

1 1 0 1
0 0 3 1

Ejercicio 32. Completar los siguientes conjuntos linealmente independientes a una

base del
K- espacio vectorial V indicado.
i) {(1, 1, 1, 1) , (0, 2, 1, 1)}, V = R4, K = R
ii) {X3 2X + 1 , X3 + 3X}, V = R3[X], K = R
, V = 22 , K = R y K = C
. .
.
. .
1
0i
C
0
2
.
1 1
.
.
1
iii)
1 1
,
i 1
,
Ejercicio 33. Extraer una base de S de cada uno de los siguientes sistemas de
generadores.

i) S = < (1, 1, 2) , (1, 3, 5) , (1, 1, 4) , (5, 1, 1) > R3, K = R

ii) S = < X2 + 2X + 1 , X2 + 3X + 1 , X + 2 > R[X], K = R
1 1
0i
0 i
1 1
iii) S = . .
., .
., .
., .
..
C22, K = R y K = C

1 1
1 1
0
0 0
0
Ejercicio 34.
i) Sea B = {f0 , f1 , f2 , . . . , fn , . . .}, donde cada fi K[X] es un polinomio de
grado exac- tamente i. Probar que B es una base de K[X].
ii) Es {(1, 0, 0, 0, 0, . . .); (0, 1, 0, 0, 0, . . .); (0, 0, 1, 0, 0, . . .); (0, 0, 0, 1, 0, . . .); .
. .} una base de
KN?
Ejercicio 35. Hallar una base y la dimension de los siguientes K-espacios
4
vectoriales:
i) <
. (1,.4, 2, 1)
. , (1,
. 3, 1,
. 2)., (3, 8,
.2, 7) > R , K = R
. .
1 5
1 1
2 4
1 7
22
.
,
,
,
ii)
Q
, K= Q
4 2
1
5
5

5
7
iii) C,

K=RyK=C

iv) {f R[X] / f = 0 o gr(f ) 3 y f (2) = f (1)}, K = R

v) P({a, b, c}), K = Z2
vi) {f Q[X] / f = 0 o gr(f ) 3 y (x2 2) | f }, K = Q
vii) {(an)nN KN / ai = aj i, j }
Ejercicio 36. Hallar la dimension del R-espacio vectorial S para cada k R en los
siguientes casos:
i) S = < (1, k, 1) , (1, k, 1) , (0, 1, k) >

1 k
1
ii) S = {x R3/A.x = 0} siendo A R33, A = 1 1 k2
1
k k2
Ejercicio 37. Hallar todos los b R para los cuales el R-espacio vectorial de
soluciones del
sistema:

3x1 + (b 6)x2 + 5bx3 = 0

2
= 0
x1 + (b 2)x2 + (b +
= 0
x1 4b)x
2x2 +
bx
3
3

i) tenga dimension 1.
ii) tenga dimension 2.

Ejercicio 38. Sean S y T los subespacios de R4

S = < (1, 2, 1, 0), (2, 1, 0, 1) >

T = {x R4/x1 3x2 2x3 = 0}.

Hallar un subespacio U de R4 tal que dim U = 2 y S T U T .

Ejercicio 39. Determinar todos los k R para los cuales
< (2, 1, 6), (3, 0, 8) > = < (1, k, 2k), (1, 1, k2 2), (1, 1, k) >.

Ejercicio 40. Se considera el Q-espacio vectorial V R generado por {1, 2, 3,

6}.

un polinomio
i) Utilizando
un argumento de dimension probar que existe
tal
.
f fQ[X]
con gr(f ) 4 que se anula en el punto = 2 + 3. Hallar un
ii) Calcular dimQ V .
Ejercicio 41. En cada uno de los siguientes casos caracterizar S + T V y
determinar si la suma es directa.

i) V = Knn, S = {A Knn / Aij = Aji i, j }, T = {A Knn / Aij = Aji i, j }

ii) V = R3, S = < (1, 1, 1) >, T = < (2, 1, 1), (3, 0, 2) >
iii) V = R[X], S = {f R[X] / f = 0 o gr(f ) 3}, T = {f R[X] /
mult(4, f ) 4} iv) V = R23, S = {A R23 / A11 + A21 = 0, 3A22 2A11
= A13 + A23},
. .
. .
2
0
3
2
3
T=
,
. .
0
2 1 1
2 2 1
Ejercicio 42. Determinar todos los k R para los cuales S T = < (0, 1, 1) >,
siendo
S = {x R3/x1 + x2 x3 = 0} y

T = < (1, k, 2), (1, 2, k) >.

Ejercicio 43. Para cada S dado hallar T V tal que S T

= V . i) S = < (1, 2, 1, 3) , (2, 3, 2, 1) , (0, 1, 0, 7) >, V
= R4
ii)

S = {A Rnn / tr(A) = 0}, V = Rnn

iii) S = < 3, 1 + X2 >, V = R4[X]

Ejercicio
44.
Dado Sv =, v{(x1, de
x2, xR3,4 x4)tales
R4 que
/ x1 para
x2 + toda
2x4 =eleccion
0 , x2 + x3de
xuna
4 = 0},
hallar
vectores
3
4
base {vdos
1 , v2 } de S,
4
{v1 , v2 , v3 , v4} sea una base de R .

Ejercicio 45. Decidir si las siguientes afirmaciones son verdaderas o falsas.

Justificar.
i) S, T subespacios de R3, dim S = dim T = 2 v = 0 tal que v S T .
ii) S, T, W subespacios de R11, dim S = dim T = dim W = 4 dim(S T W )

1.
Ejercicio 46. Sea V un K-espacio vectorial y sean S, T y U subespacios de V .
i) Probar que (S T ) + (S U ) S (T + U ).
ii) Mostrar que, en general, la inclusion anterior es estricta.
iii)
Probar que, si U S, entonces vale la igualdad en i).
Ejercicio 47. Sean S, T y U subespacios de un K-espacio vectorial V tales que
S T = S U,
S+T =S+U y
T U.
Probar que T = U .
Ejercicio
48. Sea
un K-espacio
vectorial den dimension
n y sea T un hiperplano
de V (es decir,
un Vsubespacio
de dimension
1).
i) Probar que v / T , T < v > = V .
ii) Si S es un subespacio de V tal que S T , probar que S + T = V . Calcular
dim(S T ).
iii)

Si S y T son dos hiperplanos distintos, deducir dim(S T ).

Ejercicio 49. Sea V = RR.

i) Sean S = {f V / f (x) = f (x) x R } y T = {f V / f (x) = f (x) x

R}
(S es el conjunto de funciones pares y T el conjunto de funciones impares).
Probar que
S y T son subespacios de V y que S T = V .
ii) ySean
U =
{f V / f (0)
W U
={fW =
V /V f. es constante}. Probar que U
W son
subespacios
de=V 0y} y
que
Ejercicio 50.
i) Sea S = {(un)nN RN / un+2 = un+1 + un n N }. Probar que S es un
subespacio de RN . Calcular su dimension.
ii) Encontrar una base de S formada por sucesiones (un)nN que, n N ,
verifiquen
un = un1 para algun u R.
iii)
Usando ii), encontrar una formula para el termino general de la
sucesion de Fibonacci:
.
F1 = 1
F2 = 1
Fn+2 = Fn+1 + Fn
n1

46

Espacios vectoriales

Captulo 2

Matrices
En ecuaciones
el captulolineales
anteriory hemos
matrices
delas
sistemas
de
hemos utilizado
visto que,
para n, para
m N,laelresolucion
conjunto de
matrices de n filas
y m columnas
con coeficientes en un cuerpo K es un K-espacio vectorial. A continuacion
estudiaremos mas en detalle estos conjuntos de matrices, as como tambien
ciertas matrices particulares que nos seran de utilidad.

2.1

Definiciones y propiedades

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el

captulo ante- rior.
Sean n, m N.

El conjunto de las matrices de n filas y m columnas con

coeficientes en
un cuerpo K es

a1

1
n m
K
=
.
..

an1

...
a1m

/ aij K 1 i n, 1 j m
.

..

. . . anm

Para definir una matriz en Knm basta especificar, para cada 1 i n y

cada 1 j m, que elemento de K se halla en el lugar ij (correspondiente a
la interseccion de la fila i y la columna j) de la matriz.
Ejemplo. Sean n, m N, y sean 1 k n, 1 l m. Se define la matriz Ekl
Knm
como

1 si i = k, j = l
0 si no
Estas matrices se llaman las matrices canonicas de K nm .
(Ekl)ij =

Una primera observacion que debemos hacer se refiere a como determinar si

dos matrices (de las mismas dimensiones) son iguales:

48

Matrices

m . Entonces A = B si y solo si A
Observacion
K nm.
ij =
Bij para cada 2.1
1 Sean
i n,A,
1B
j

Podemos definir una operacion (suma) en K nm y una accion de K en K nm

que trans- forman a este conjunto en un K-espacio vectorial:
Deftnicion 2.2 Se definen la suma de matrices y el producto por escalares
como
+ :

n m

KK

nm

n m

nm

n m

, (A + B)ij = Aij + Bij (1 i n, 1 j m)

, ( A)ij = Aij

(1 i n, 1 j m).

Es facil verificar que (K nm , +, ) es un K-espacio vectorial.

Definiremos ahora un producto que, dadas dos matrices A y B con
coeficientes en K tales que la cantidad de columnas de A es igual a la cantidad
de filas de B, calcula una nueva matriz C.
Deftnicion 2.3 Sean Anr K nm y B K mr . Se define el producto de A por
B como la matriz C K
tal que
m
.
Cij =
AikBkj 1 i n, 1 j r.
k=1

Analizaremos ahora algunas propiedades del producto de matrices y su

relacion con la suma de matrices.
Proposicion 2.4 Propiedades del producto de matrices:
1. Propiedad asociativa:

dadas A Knm, B Kmr y C K rs, se tiene

que
(A.B).C = A.(B.C).
2. Para cada n N, sea In Knn definida por
(In)ij =
A Knm, se verifica: In.A = [Link] = A.
La matriz In se denomina matriz identidad de
K

1 si

i=j

si

. Entonces, si

n n

3. Propiedades distributivas:
(a) Si A Knm y B, C Km r, entonces A.(B + C) = A.B + A.C.
(b) Si A, B Knm y C Kmr , entonces (A + B).C = A.C + B.C.
Demostracion.
1. Observemos
en primer lugar que si A Knm, B Kmr y C Kr s, entonces
(A.B).C Kns y A.(B.C) Kns.

Para cada 1 i n, 1 j s, se tiene:

.

r
r. m.
r . m.
.
.
(A.B).C ij =
(A.B)i Cj =
.
Ai B .Cj =
.
Ai B Cj . =
m
.

=1

(B.C)j
=1

=1

.Ai BC.j . =
= A.(B.C) .

=1

=1

.r

Ai .

=1

=1

=1

=1

BCj . =

Ai

ij

=1

2. Sean 1 i n, 1 j m. Se tiene que

n

(In .A)ij =

(In )ik Akj = [Link] = Aij .

k=1

De la misma manera, ([Link])ij = Aij para cada 1 i n, 1 j m.

3. Queda como ejercicio.

Observemos que, en particular,

n el producto de matrices esta definido para
n
cualquier
en nKn
y, por
lo tanto, se
tiene una
operacion
productopar
en de
K nmatrices
para cada
N. De
la proposicion
anterior
se deduce:
Proposicion 2.5 (K nn , +, ) es un anillo.
Si bien el producto de matrices comparte muchas de sus propiedades con el
producto usual de numeros reales, hay propiedades que verifica este que no
son validas para el producto de matrices:
Observacion 2.6 Dos de las propiedades que no se cumplen para el producto
de matrices son las siguientes:

El
producto en
deelmatrices
no esseconmutativo.
Aun
enyelB.A,
caso
matrices
cuadradas,
que siempre
pueden calcular
A.B
en de
general
se
tiene que A.B
= B.A.
Por
.
ejemplo, para .
0. 1 y B
1. 0 se tiene que
A=
=
0 0
0 0
A.B =

0 0
.
0 0

y
=

B.A .

.
0 1 .
0 0

El hecho que A.B = 0 no implica que A = 0 o B = 0.

anterior, A = 0,
B = 0, pero A.B = 0.

En el ejemplo

El conjunto K nn resulta ser a la vez un anillo y un K-espacio vectorial. La noci

on que engloba a los conjuntos con estas caractersticas es la siguiente:

50

Matrices

Deftnicion
2.7 accion
Sea K un
cuerpo
un conjunto con dos operaciones,
+
y , y una
K de
K en yA sea
talesAque
1. (A, +, ) es un anillo
2. (A, +, K ) es un K-espacio vectorial
3. ( K X) Y = K (X Y ) = X ( K Y ) K X, Y A
Se dice entonces que A es una K-algebra.
Observacion 2.8 (K nn , +, K , ) es una K-algebra.
Observamos que el producto de matrices nos permite escribir un sistema
lineal de n ecua- ciones
con m incognitas
a x + a x + + ax
= b
12 2
1m m
1
11 1
.
..

en la
forma

an1 x1 + an2 x2 + + anm xm =

bn

A.x = b,
nm

donde
A Kde una
es la
matrizcuyos
asociada
al sistema,
Km1 se define
como xi1y
= xi (matriz
columna
elementos
son lasx incognitas
del sistema),
n1
bK
se define como
bj1 = bj (matriz de una columna cuyos elementos son los resultados a los que est
an igualadas las ecuaciones). De esta manera, un sistema lineal puede verse
como una unica ecuacion con una unica incognita x, pero que involucra
matrices en lugar de escalares.
El hecho que la solucion en K de la ecuacion
a.x = b con a, b K, a
= 0, se obtiene haciendo simplemente x = a1b, nos lleva a pensar
que el
sistema lineal Ax = b podra resolverse
analogamente como x = A1 b en caso
1

de disponer de una matriz

A
que
sea
una
inversa
de
A
para
el
producto
de
matrices. E ste sera el tema a estudiar en la proxima seccion.
Concluimos esta seccion introduciendo dos nociones que nos seran de utilidad
en lo suce- sivo:
Deftnicion 2.9 Sea A K nm . Se llama matriz transpuesta de A, y se nota At , a la
matriz
At Kmn definida por (At)ij = Aji para cada 1 i m, 1 j n.
Deftnicion 2.10 Sea A K nn . Se llama traza de la matriz A, y se nota tr(A), al
escalar
.n
tr(A) = i=1 Aii .

2.2

Matrices inversibles

No es cierto que todo elemento no nulo de Knn tenga inverso con respecto al
producto. Por
.
.
1 0
ejemplo: A =
K22 no tiene inversa. En efecto, A.B = I2 para toda
0 0
matriz
B K22, puesto que (A.B)22 = 0 = (I2)22 para toda matriz B K22.

En esta seccion nos ocuparemos de las matrices que s tienen inversa y

veremos tambien como hallar la inversa de una matriz en el caso en que esta
exista.
Deftnicion 2.11 Una matriz A K nn se dice inversible si existe una matriz B
K nn tal que A.B = B.A = In.
Observemos que la matriz B de la definicion es unica. En efecto, si
A.B = B.A = In y
A.C = C.A = In, entonces
B = In.B = (C.A).B = C.(A.B) = [Link] = C.
Notacion. B = A1 .
Para cada n N consideraremos el conjunto de todas las matrices inversibles
en Knn:
ttL(n, K) = {A K

nn

/ A es inversible}.

Nos interesa estudiar la estructura de este conjunto.

Proposicion 2.12 Para cada n N , se verifican las siguientes
propiedades:
1. Si
B. En
ttL(n, K), entonces A.B ttL(n, K). Mas aun, (A.B)1 =
1 A,1
B
en A
ttL(n,
K). particular, el producto de matrices es una operacion
2. In ttL(n, K).
3. Si A ttL(n, K), entonces A1 ttL(n, K).
Demostracion.
1. Sean A, B ttL(n, K). Entonces existen A1 y
B1. Se tiene que (A.B).(B1. A1) = In y
(B1. A1).(A.B) = In.
Entonces A.B es inversible y (A.B)1 = B1. A1.
2. Es consecuencia de que [Link] = In.
3. De
la definicion
de inversa se deduce
1 1 = inmediatamente
que
ttL(n,
A y por lo tanto Q
A1 si A
ttL(n,
K).K), entonces (A )
De la proposicion anterior y la asociatividad del producto de matrices se
deduce que:
Proposicion 2.13 (ttL(n, K), ) es un grupo, que se denomina el grupo lineal
general (n, K).

5
2

Matrices

Para concluir esta seccion, veremos un metodo para determinar si una matriz
en K nn es inversible y, en caso de serlo, encontrar su inversa. Lo describimos
en el siguiente ejemplo:
Ejemplo. Hallar, si es posible, A1 siendo A R33 la matriz

1 1 0
A= 0 2
1 .

a b c
2 1 1
, debe ser
d e
f
g h
i

c
1 0 0
= 0 1 0 .
0 0 1

Buscamos B R33 tal que A.B = B.A = I3. Si

B=

a b
A. d e
f
g h
i

Esta igualdad se traduce en los tres sistemas de ecuaciones siguientes:

A.
d

= 0 , A.

g
0

e = 1 , y A. = 0 ,
f
h
0
i
1

que podemos

1 1
0 2
2 1

1 1

resolver simultaneamente:

0 1 0 0
0

1 1
1 0
0

0 2 1 0 1 0
1 0 1 0
1 0 0 1
0 1 1 2 0 1

0
1 0 0
1 0 0 3 1
0 1 1 2 0 1 0 1 0 2

0 0 1 4 1
0 0 1 4 1
2

3 1 1
verifica la igualdad A.B = I3.
Entonces B = 2
1
1
4 1

1
1

2
Observemos que, si buscamos una matriz C tal que B.C = I3, bastara con
hacer los pasos anteriores, pero a la inversa, con lo que obtendramos la matriz
A.

3 1 1
Luego, A.B = B.A = I3, es decir A1 = 2 1
1 .
4 1
2
Como decidir si una matriz es inversible y hallar su inversa:

Dada A Knn, se arma una matriz en Kn2n cuyas primeras n columnas

correspon- den a la matriz A y cuyas ultimas n columnas estan formadas
por los n vectores de la base canonica de K n .

Esto corresponde a plantear la ecuacion A.B = In con B K nn ,

subdividirla en n
sistemas lineales [Link] = ei, 1 i n, igualando columna a columna, y
escribir la
matriz ampliada de los n sistemas.

Si al triangular la matriz no aparece ningun cero en la diagonal, se pueden

resolver los sistemas que resultan (que tienen solucion unica) y hallar
entonces la inversa de A.
Para esto se puede proceder como en el ejemplo anterior: al no aparecer
ceros en la diagonal, se continua aplicando operaciones elementales sobre
las filas de la matriz de
manera que en las primeras n columnas quede formada la matriz In.
Entonces A1
es la matriz que aparece en las ultimas n columnas (esto puede probarse de
la misma manera que se hizo en el ejemplo).
Si al triangular la matriz aparece un cero en la diagonal, la matriz A no es
inversible. En efecto, la presencia de un cero en la diagonal al triangular
implica que el sistema
homogeneo cuya matriz es A tiene solucion no trivial, es decir, existe
x0 K n no
nulo tal que A.x0 = 0. Si A fuese inversible, multiplicando por A1
resultara x0 =
A1.A.x0 = 0, contradiciendo que x0 = 0.

2.3

Matrices elementales

El metodo de triangulacion que hemos visto para la resolucion de

sistemas de ecuaciones lineales se basa en la aplicacion de ciertas
operaciones elementales (ver Proposicion 1.19) a las ecuaciones o,
equivalentemente, a las filas de la matriz del sistema. Como veremos a
continuacion, cada una de estas operaciones puede verse como la multiplicaci
on a izquierda de la matriz del sistema por una matriz conveniente.
A cada operacion de filas en una matriz de n n, le asociaremos la matriz que
se obtiene
al aplicarle dicha operacion a la matriz identidad In. Las matrices obtenidas de
esta forma se denominan matrices elementales. Tendremos entonces tres
familias de matrices elementales, correspondientes a los tres tipos de
operaciones de filas permitidas. A continuacion damos las definiciones precisas
y estudiamos el comportamiento de las matrices elementales con respecto al
producto.
Comenzamos definiendo las matrices que corresponden a la operacion
Intercambiar dos ecuaciones.
1. Sean 1 i, j n. Se define P ij Knn como
P

ij

ii

jj

ij

ji

= In E E + E + E .

Observamos que P ij es la matriz que resulta al intercambiar las filas i y j

en la matriz
In.
Es facil verificar que, dada B K nn el producto P ij B es la matriz
que resulta al intercambiar en la matriz B las filas i y j.
En particular, P ij .P ij = In, es decir que P ij es inversible y P ij

= P ij .

Ahora introducimos las matrices elementales asociadas a la operacion

Multiplicar una ecuacion por una constante no nula.
2. Sea a K, a = 0, y sea 1 i n. Se define Mi(a) Knn

como

ii

Mi(a) = In + (a 1).E .
Observamos que Mi (a) es la matriz que se obtiene al mutiplicar por a la iesima fila de la matriz In.
Dada B Knn se tiene que

.
Bkj si k = i
.
.
Mi(a).B kj = [Link] si k = i,

es decir, Mi (a).B es la matriz que resulta al multiplicar por a la i-esima fila

de B.
En particular,
M (a).M (a1) = Mi(a1).Mi(a) = In, de donde Mi(a) ttL(n,
K) y (Mi(a))1 =i Mi(ai 1).
Finalmente, la tercera de las familias de matrices elementales es la que
representa la operacion Reemplazar una ecuacion por ella misma m
as un multiplo de otra.
3. Sea a K y sean i = j con 1 i, j n. Se define T ij (a) Knn como
T

ij

ij

(a) = In + a.E ,

la matriz que se obtiene de la matriz In al sumarle a la i-esima fila, a por

la fila j. Si B Knn, entonces
.
T

ij

(a).B

.
kl

Bkl
si k
= = i Bil + a.B
si kjl=
i,

o sea que T ij (a).B es la matriz que se obtiene de B al sumarle a la i-esima

fila, a por la fila j.
En particular, se tiene que T ij (a).T ij (a) = T ij (a).T ij (a) = In, con lo que
T ij (a)
ttL(n, K) y (T ij (a))1 = T ij (a).
De las propiedades de las matrices elementales que hemos visto, se deduce
que triangular una matriz mediante operaciones sobre sus filas es multiplicarla
a izquierda por matrices elementales. En forma totalmente analoga, puede
verse que multiplicar una matriz a derecha por matrices elementales
corresponde a efectuar operaciones sobre las columnas de la matriz.
Observacion 2.14 Sea A K nn .

Entonces existen matrices elementales E1 ,

. . . , Er
K nn tales que Er . . . E1 .A es triangular superior. Si ademas, Er . . . E1 .A no
tiene ceros en
la
diagonal,
existen
matrices elementales E de
, . .matrices
. , Es taleselementales:
que Es . . . Er+[Link]
.=. .E
E11.A. .=
1 = E . . . E . A es productor+1
1
s
. EIn.1,En
y Aconsecuencia,
1
s

5
5

2.4 Coordenadas

En particular, esta observacion nos dice que si por medio de la aplicacion

de operaciones elementales a las filas de la matriz A obtenemos la matriz
identidad I, entonces aplicando las
mismas operaciones en las filas de I obtendremos A1.
Por otro lado, nos da un teorema de estructura para ttL(n, K): as como el
Teorema Fundamental de la Aritmetica en Z dice que todo numero entero
no nulo es producto de enteros primos, la observacion anterior nos dice que
toda matriz en ttL(n, K) es producto de matrices elementales.

2.4

Coordenadas

Dado un K-espacio vectorial V de dimension n y fijada una base B de V ,

mediante el concepto de coordenadas de un vector en la base B podremos
identificar cada elemento de V con un vector en K n y trabajar entonces con
elementos de K n .

2.4.1

Coordenadas de un vector en una base

Deftnicion
unV K-espacio
deunicos
dimension
B
= {v1 , . . . , vn2.15
} unaSea
baseV de
. Dado x vectorial
V , existen
1 , . . finita
. , n yKsea
tales
n
que
x
=

v
+

v
(ver
Proposicion
1.3
7).
El
vector
(
,
.
.
.
,

K
1
1
1
n
n
n
se llama el vector de coordenadas de x
en la base B y sera denotado por (x)B .
Ejemplos.
i) Sea V = R4[X] y sea B = {1, X, X 2 , X 3 , X 4 } base de V .
Las coordenadas de X3 + 3X2 1 en la base B son (X3 + 3X2 1)B =
(1, 0, 3, 1, 0). Sea Br = {X4 , X 3 , X 2 , X, 1}. Entonces (X3 + 3X2 1)Br =
(0, 1, 3, 0, 1).
3
ii) Sea
V =R
sea E(x,
=y,{(1,
0,R
0),
3 (0, 1, 0), (0, 0, 1)} la base canonica.
Entonces
paray cada
z)
, se tiene que (x, y, z)E = (x, y, z).
3
iii) Sea V = R y sea B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Para cada (x, y, z) R3,
(x, y, z) = z.(1, 1, 1) + (y z).(1, 1, 0) + (x y).(1, 0, 0).
Entonces, (x, y, z)B = (z, y z, x y).
Observemos que el vector de coordenadas en la base B de un elemento de
R3 se obtiene de su vector de coordenadas en la base canonica
multiplicando este por una matriz
apropiada: Si v R3 tiene coordenadas (x, y, z) en la base canonica E,
entonces

0 0

z
x
1
t
t
z = 0 1 1 = C(E, B). ((v)E ) .
((v)B ) = xy
y
y

1 1 0
z
s

x
C(E,B)

2.4.2 Cambios de base

Dadas dos bases de un mismo K-espacio vectorial V de dimension finita,
cada
elemento
de V tiene asociados dos vectores de coordenadas
(generalmente distintos), uno en cada una de las bases. Con la ayuda de cierta
matriz, llamada de cambio de base, se pueden obtener las coordenadas de un
vector con respecto a una base de V a partir de las coordenadas del vector en
otra base.
Deftnicion 2.16 Sea V un K-espacio vectorial de dimension n, y sean B1 = {v1 , . . . ,
vn } y
B2 = {w1, . . . , wn} bases de V . Para cada 1 j n, sean ij K (1 i n) tales
que n
.
vj =
ij wi. Se llama matriz de cambio de base de B1 a B2, y se nota C(B1, B2)

Knn,

i=1

a la matriz definida por (C(B1, B2))ij = ij para cada 1 i, j n.

En otros terminos, la matriz de cambio de base C(B1 , B2 ) K nn es la
matriz cuya
j-esima
columna
soncada
las 1coordenadas
en la base B2 del j-esimo vector
de la base
B1 , para
j n.
Ejemplo. Sea V = R3. Consideremos las bases B1 = E = {(1, 0, 0), (0, 1, 0), (0, 0,
1)} y
B2 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Para construir la matriz C(B1, B2) R33,
comenzamos
por escribir los elementos de B1 como combinacion lineal de los 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)

Entonces, la matriz de cambio de base es:

0 0
1
C(B1, B2) = 0 1 1 .
1 1 0
(Comparar con el Ejemplo iii) de la seccion anterior.)
La proposicion siguiente muestra que la matriz de cambio de base
cumple la propiedad que hemos mencionado al comienzo de esta seccion.
Proposicion
Sea V un K-espacio vectorial de dimension finita, y
sean B1 y B2.17
2 bases de V . Entonces, para cada x V ,
C(B1, B2).((x)B1 ) t = ((x)B2 ) .
Demostracion. Sean B1 = {v1 , . . . , vn } y B2 = {w1 , . . . , wn }. Supongamos
que, para cada
1 j n, vj =
B2))ij = ij
(1 i, j n).

n
.

i=1

ij wi, con ij K para cada 1 i n; es decir, (C(B1,

Sea x V . Si x =

k=1

ak vk , entonces para cada 1 h n,

.C(B1 , B2 ).((x)B )t .
1

n
.

hr ar.

r=1

n
.
Si bh =
hr ar para cada 1 h n, por la unicidad de las coordenadas en
una base,
r=1

para probar que (x)B2 = (b1, . . . , bn) basta ver que x =

bhwh. Ahora,

h=1

.
h=1

bhwh =
h=1

hr ar .
wh

r=1

h=1

. .

r=1

hr r

hr ar wh . =

h=1

a w

r=1

=
h
n.

r=1

ar .

n.

hr wh . =

ar vr = x,

r=1

h=1

que es lo que queramos probar.

Una pregunta que surge es la de la unicidad de la matriz de cambio de base:

dadas dos bases B1 y B2, la matriz C(B1, B2) que hemos definido transforma
coordenadas en la base
B1 en coordenadas en la base B2 . Existira alguna otra matriz en K nn
con esta misma
propiedad? El resultado que probamos a continuacion nos asegura que no.
Proposicion 2.18 Sean A, Ar K nn . Si A.x = Ar .x para todo x K n ,
entonces A = Ar . Demostracion. Sea E = {e1 , . . . , en } la base canonica
de K n . Por hipotesis, [Link] = Ar .ej
para cada 1 j n. Pero
n.
([Link] )i =
Aih (ej )h = Aij y
Ar

(A .ej )i =

h=1

n.

ih (ej

r
)h = A
ij

h=1

para cada 1 i n, de donde Aij para todo 1 i, j n. Luego, A = Ar .

ij
= Ar

De las proposiciones anteriores se desprende:

Observacion 2.19 Dadas dos bases B1 y B2 de un espacio
vectorial V de dimensi
on
la ((x)
matriz)tC(B
B2 ) es
matriz en K nn que verifica
C(B1 , B2 )
1 , todo
((x)Bn,)t =
para
x laV unica
.
1
B
Esta observacion dice que si una matriz A verifica
A.((x)B2 )t = ((x)B )t
1
para todo x
V , entonces necesariamente A = C(B1 , B2 ). Utilizando este resultado, es f
acil probar las
igualdades que enunciamos a continuacion.
Corolario 2.20 Sea V un K-espacio vectorial de dimension finita, y sean B1 ,
B2 y B3 bases de V . Entonces:

1. C(B1, B3) = C(B2, B3).C(B1, B2).

2. C(B2, B1) = C(B1, B2)1.
Para terminar, probaremos algunos resultados que relacionan matrices
inversibles con cambios de base.
Proposicion 2.21 Sea A ttL(n, K). Existen bases B1 , B2 de K n tales que A
= C(B1 , B2 ). Demostracion. Supongamos que Aij = aij para cada 1 i n,
1 j n.

Sea B2 = E = {e1 , . . . , en }, la base canonica de K n , y sea B1 = ,

.
,
ain .ei ,

i=1

ai1 .ei , . . ..

i=1

Veamos que B1 es una base de Kn, para lo cual basta ver que B1 es un conjunto
linealmente
n
n .
.
.
.
independiente. Supongamos que
j
aij .ei = 0. Entonces
j=1

0=

n
.

j=1
n

de donde

j=1

n
.

i=1

i=1

n. n

j aij ei . =

i=1

j aij ei . =

j=1

.n .

i=1

j=1

j eaij .

aij j = 0 para cada 1 i n, o equivalentemente,

1
.
A.
= 0.
..
n

Como A es inversible, esto implica que 1 = = n = 0. Luego B

1 es
linealmente indepen- diente y, en consecuencia, una base de Knn.
Es claro que C(B1, E) = A.

Proposicion 2.22 Sea A ttL(n, K) y sea B una base de K n . Entonces:

i) Existe una base B1 de K n tal que A = C(B1, B).
ii) Existe una base B2 de K n tal que A = C(B, B2).
Demostracion.
i) Se prueba en forma analoga a la proposicion anterior, reemplazando la base
canonica E
por la base B dada.
ii)

Por la parte i), dadas A1 ttL(n, K) y la base B

de K n , existe una base B2

de K n
tal que A1 = C(B2, B). En consecuencia, A = C(B2, B)1 = C(B, B2).

2.5 Ejercicios

2.5

59

Ejercicios

Ejercicio 1. Probar que los siguientes conjuntos son subespacios de Knn y

calcular su dimension.
i) S1 = {A K nn / A = At } (matrices simetricas)
ii) S2 = {A K nn / A = At } (matrices antisimetricas)
iii)
S3 = {A Knn/ Aij = 0 si i > j} (matrices triangulares superiores)
iv)

S4 = {A Knn/ Aij = 0 si i = j} (matrices diagonales)

v) S5 = {A Knn/ Aij = 0 si i = j y A11 = A22 = ... = Ann} (matrices

escalares)
vi) S6 = {A Knn/ tr(A) = 0}
Ejercicio 2. Sean S1 , S2 , S5 y S6 los subespacios del ejercicio anterior.
i) Probar que S1 S2 = Knn si 2 = 0 en K.
ii) Probar que S5 S6 = K nn si K = Q , R o C.
Ejercicio 3. Sean m, n y r N. Probar:

i) Si A K

mn

, BK

nr

1j
b . (la columna
con B = (bij ) y, para 1 j r , B
j .. jbn
j

esima de B), entonces A.B = ( A.B1 | . . . | [Link] ) (es decir, [Link] es la

columna j-esima
de A.B).
ii) (Multiplicacion de matrices por bloques.)
Sean A, Ar Knn ; B, Br Knm ; C, Cr Kmn y D, Dr Kmm.
Sean M , Mr K(n+m)(n+m) definidas por
M=
.
Entonces M.M
=

[Link] + B.C r [Link] + [Link]

.
[Link] + [Link] [Link] + [Link]

A
. B
C
. D

y Mr
=

.
Ar B r .
C r Dr

Ejercicio 4.
i) Probar que, n N , n 2, el producto de matrices en Knn no es
conmutativo.
ii) Caracterizar el conjunto {A Knn/ A.B = B.A B Knn}.
n . Probar que el conjunto S de todas las matrices que
iii)conmutan
Sea A con
KnA
es un subespacio de Knn. Probar que In S y que Aj S j
N.

iv)
Sea A Knn con n 2. Probar que el conjunto {In, A, A2, A3, . . . ,
n 1
A
} es lineal- mente dependiente.
v) Dar condiciones necesarias y suficientes sobre A y B
2

Knn para que a)

(A + B)2 = A2 + 2AB + B2

b) A2 B2 = (A B).(A + B)
vi) Probar

que si A y B Knn no necesariamente vale A2.B2 = (A.B)2

Ejercicio 5. Sean A, B y C Knn (n 2). Mostrar la falsedad de las siguientes

afirma- ciones:
i) A.B = 0 A = 0 o B = 0
ii) A.B = A.C y A = 0 B = C
iii) A.B = 0 B.A = 0
iv) Aj = 0 A = 0
2
v) A
= A A = 0 o A = In
Ejercicio 6. SeanAn Knn. Probar
que el conjunto T = {B Knn/ A.B = 0} es un
subespacio
. Si S K n es el subespacio de soluciones del sistema homog
eneo
cuyade K
matriz asociada es A, probar que dim T = n. dim S.
Ejercicio 7. Sean A, Ar Kmn ; B Knr ; D, Dr Knn ; K. Probar:
i)

(A + Ar )t = At + (Ar )t

ii) (.A)t = .At

t

iii) (A.B) = B .A

iv) tr(D + Dr ) = tr(D) + tr(Dr )

v)

tr(.D) = .tr(D)

vi) tr([Link] ) = tr(Dr.D)

Ejercicio 8. Sean A y B Knn.

i) Probar que si A y B son triangulares superiores, A.B es triangular superior.
ii) Probar que si A y B son diagonales, A.B es diagonal.
iii) Probar que si A es estrictamente triangular superior (es decir, Aij = 0 si i

j), An = 0.

Ejercicio 9. Sea A Knn.

i) Probar que [Link] y At.A son simetricas. Encontrar un ejemplo donde [Link] =
At.A.
ii) El producto de dos matrices simetricas, es una matriz simetrica?

2.5 Ejercicios

iii)

61

Si K = R, probar que A = 0 [Link] = 0 tr([Link]) = 0.

.

Ejercicio 10. Sea A

=

4 1
R22.
.
8 2

i) Hallar b y c R tales que A2 + b.A + c.I2 = 0.

ii) Calcular An n N.
Ejercicio 11. Sea A K22 con A
=
A ttL(2, K) y A1
=

y sea = a.d b.c. Probar que, si

a b = 0,
.
.
. c d
1
d
b
.
.
c a

Ejercicio 12. Sea A ttL(n, K) y B , C Knm. Probar:

i) A.B = A.C B = C
ii) A.B = 0 B = 0
Ejercicio 13. Decidir si cada una de las siguientes afirmaciones es verdadera o
falsa.
i) A, B ttL(n, K) A + B ttL(n, K)
ii) A ttL(n, K) At ttL(n, K)
iii)
tr(A) = 0 A / ttL(n, K)
iv)

A nilpotente (es decir, j N / Aj = 0) A / ttL(n, K)

Ejercicio 14. Sea A Kmn y sea b Km. Sea H = {x Kn / A.x = b}. Probar:
i) Si C ttL(m, K), entonces H = {x K n / (C.A).x = C.b}.
ii) Si m = n y A ttL(n, K), entonces H tiene un solo elemento. Cual es?
(Notar que esto significa que si A es inversible, cualquier sistema lineal
cuya matriz asociada sea A tiene solucion unica).
Ejercicio 15.
i) Sea A = T 12(1) R22. Calcular A20 y 20.A.
ii) Calcular (P ij )15 y (P ij )16.
iii)
Sea B = M3(2) R44. Calcular B20 y 20.B.

Ejercicio 16. Averiguar si las siguientes matrices son inversibles y en caso

afirmativo exhibir sus inversas.

2 13 1 2
1 1
0 5 1 8 2

i) A = 0 1 1
iv) A =
0 0
0 1 2
0 0 1
0 0 0 1 2

1 0

ii)

iii)

0
1
0 0
A=
0

2 1 2 3
3 1 1 3

cos sen 0
A = sen
cos 0
0

v)

0 0

a11 0

...

...

A=

a22

... ... ... ...

0
0 . . . ann

Escribir las que sean inversibles como producto de matrices elementales.

Ejercicio 17. Sea A Knn y sea b Kn.
i) Probar que el sistema A.x = b tiene solucion unica A ttL(n, K).

ii) Probar que A ttL(n, K) las filas de A son linealmente independientes

las columnas de A son linealmente independientes.
Ejercicio 18. Sea A Knn. Probar que:

BK
n n

Deducir que B K

nn

/ B.A = In A ttL(n, K).

/ A.B = In A ttL(n, K).

Ejercicio 19. Encontrar las coordenadas de v V respecto de la base B en los

siguientes casos:
i) V = K n ; v = (x1 , . . . , xn ) y B la base canonica
ii) V = R3 ; v = (1, 2, 1) y B = {(1, 2, 1), (0, 1, 1), (0, 0, 2)}
iii) V = R3 ; v = (1, 1, 2) y B = {(1, 2, 1), (2, 1, 3), (1, 3, 2)}
iv) V = R3 ; v = (x1, x2, x3) y B = {(1, 2, 1), (2, 1, 3), (1, 3, 2)}
v) V = R3[X] ; v = 2X2 X3 y B = {3 , 1 + X , X2 + 5 , X3 + X2}
.
vi) V = R22 ;
..
.
.
..
.
a11 a12 y B
1 3
1 4
0 2 ,
1 1
=
v=
.
2 5
. .
.
,
3 2
1 1
0
a21 a22
1
,

2.5 Ejercicios

63

Ejercicio 20. Calcular C(B, Br ) en los siguientes casos:

i) V = R2, B = {(1, 1), (1, 2)} , Br = {(1, 3), (2, 5)}
ii) V = R3, B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} , Br = {(1, 1, 1), (2, 0, 1), (1, 1, 3)}
iii) V = R3, B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} , Br = {(0, 1, 1), (1, 0, 1), (1, 1, 0)}
iv) V = R2[X], B = {3 , 1 + X , X 2 } , Br = {1 , X + 3 , X 2 + X }
v) V = R4, B = {v1, v2, v3, v4} , Br = {v3, v1, v4, v2}
vi) V = R22, B = {E11, E12, E21, E22} ,
..
.
.
. .
..
0 2
1 1
. 1 3
.1
, 4
,
Br =
3 2
0 1
1 1
2 5
,
Ejercicio
21. Dado
V y las
B ydeBrbase,
, hallar
coordenadas
v respecto
de
B y utilizando
la vmatriz
de bases
cambio
laslas
coordenadas
dede
v respecto
de
r
B .
i) v = (2, 3) y B, Br como en el Ejercicio 20, i)
ii) v = (1, 5, 6) y B, B r como en el Ejercicio 20, ii)
iii)
v = (1, 5, 6) y B, Br como en el Ejercicio 20, iii)
iv)
v) v
=

r
.v = 2.v1 +.3.v2 5.v3 + 7.v4 y B, B como en el Ejercicio 20, v)
a11 a12
y B, Br como en el Ejercicio 20, vi)
a21 a22

Ejercicio 22. Sea V un K-espacio vectorial de dimension n y sean B, B r y B rr

bases de V .
i) Probar que C(B, Brr ) = C(Br, Brr ). C(B, Br ).
ii) Deducir que C(B, Br ) ttL(n, K) con C(B, Br )

= C(Br, B).

1 0 1
Ejercicio 23. Dadas la matriz M = 1 1 1 y la base B = {v1, v2, v3} de K3,
hallar
una base Br tal que M = C(B, Br ).

1 1

1 0 1
Ejercicio 24. Dadas la matriz M = 1 1 1 y la base Br = {v1, v2, v3} de K 3 ,
hallar
una base B tal que M = C(B, Br ).

1 1

Captulo 3

Transformaciones lineales
Las transformaciones lineales son las funciones con las que trabajaremos en A
lgebra Lineal. Se trata de funciones entre K-espacios vectoriales que son
compatibles con la estructura (es decir, con la operacion y la accion) de estos
espacios.

3.1

Definiciones, ejemplos y propiedades basicas

En esta seccion introduciremos la nocion de transformacion lineal, as como

tambien ciertas nociones basicas asociadas a estas funciones.

3.1.1

Transformaciones lineales

Deftnicion 3.1 Sean (V, +V , V ) y (W, +W , W ) dos K-espacios vectoriales.

Una funcion
f : V W se llama una transformacion
simplemente morfismo)
de V en W si cumple:

lineal

(u

homomorfismo,

i) f (v +V vr ) = f (v) +W f (vr )
ii) f ( V v) = W f (v)

v, vr V.
K, v V.

Observacion 3.2 Si f : V W es una transformacion lineal, entonces f

(0V ) = 0W . En efecto, puesto que f (0V ) = f (0V + 0V ) = f (0V ) + f
(0V ), entonces
0W = f (0V ) + (f (0V )) = .f (0V ) + f (0V ). + (f (0V )) =
= f (0V ) + .f (0V ) + (f (0V )). = f (0V ) + 0W = f (0V
).

6
6

Transformaciones lineales

Ejemplos.
1.

Sean V y W dos K-espacios vectoriales. Entonces 0 : V W , definida por 0(x)

= 0W

x V , es una transformacion lineal.

2. Si V es un K-espacio vectorial, id : V V definida por id(x) = x es una
transformacion lineal.
3. Sea A Kmn. Entonces fA : K n K m definida por fA(x) = ([Link])t es una
transformacion lineal.
4. f : K[X] K[X], f (P ) = P r es una transformacion lineal.
1

5. F : C (R) R, donde C (R) = {f : R R | f es continua}, F (g) =

g(x) dx

es una
transformacion lineal.

Como hemos mencionado al comienzo, las transformaciones lineales

respetan la estructura de K-espacio vectorial. Esto hace que en algunos casos
se respete la estructura de subespacio, por ejemplo en las imagenes y pre-im
agenes de subespacios por transformaciones lineales:
Proposicion 3.3 Sea f : V W una transformacion lineal. Entonces:
1. Si S es un subespacio de V , entonces f (S) es un subespacio de W.
2. Si T es un subespacio de W, entonces f 1(W ) es un
subespacio de V . Demostracion.
1. Sea S V un subespacio y consideremos f (S) = {w W / s S, f (s) = w}.
(a) 0W f (S), puesto que f (0V ) = 0W y 0V S.
(b) Sean
w, wr fw(S).
Entonces
existen
s, sfr (s
S
= f (s) yque
wr =s
r = f (s) +
f+(ssrr ).
+w
f (sr ) =
+tales
sr ) que
f (S),w puesto
Luego
S.
(c) Sean K y w f (S). Existe s S tal que w = f (s). Entonces w = f
(s) =
f ( s) f (S), puesto que s S.
2. Sea T un subespacio de W y consideremos f 1 (T ) = {v V / f (v) T } .
(a) 0V f 1(T ), puesto que f (0V ) = 0W T .
1
r T y, por lo tanto, f (v + vr
(b) Sean
v, vr+ ff (v
(T
). TEntonces
r)
) = f (v)
. Luego vf+(v),
vr f(v
f 1)(T
).
(c) Sean K, v f 1 (T ). Entonces f (v) T y, en consecuencia, f ( v) = f
(v)

T . Luego v f 1 (T ).

De la Definicion 3.1 se deduce inmediatamente que una transformacion

lineal preserva combinaciones lineales. Veremos que, debido a esto, una
transformacion lineal queda unvo- camente determinada por los valores que
toma en los elementos de una base cualquiera de su dominio. Comenzamos
con un ejemplo.
Ejemplo. Hallar, si es posible, una transformacion lineal f : R2 R2 que
verifique f (1, 1) = (0, 1) y f (1, 0) = (2, 3).
Dado (x1, x2) R2 se tiene que (x1, x2) = x2(1, 1)+(x1 x2)(1, 0). Entonces, si f
verifica lo pedido, debe ser
f (x1, x2)

x2.f (1, 1) + (x1 x2).f (1, 0) = x2.(0, 1) + (x1 x2).(2, 3)

= (2x1 2x2, 3x1 2x2).

Ademas, es facil ver que esta funcion es una transformacion lineal y que vale
f (1, 1) = (0, 1) y f (1, 0) = (2, 3).
Luego, f (x1 , x2 ) = (2x1 2x2 , 3x1 2x2 ) es la unica transformacion lineal
que satisface
lo pedido.
La construccion realizada en el ejemplo puede hacerse en general. Por
simplicidad, lo probaremos para el caso en que el dominio de la transformacion
lineal es un K-espacio vectorial de dimension finita.
Proposicion 3.4 Sean V y W dos K-espacios vectoriales, V de dimensi
on finita. Sea B =
{Entonces
v1, . . . , vn} existe
una base
V y sean w1, . . . , wn W vectores arbitrarios.
una1de
unica
(vi ) = wi para
cada
i n. transformacion lineal f : V W tal que f
Demostracion.
Existencia.

Dado v V existen unicos 1 , . . . , n K

n
.

ivi, es
decir,

tales que v =
i=1
(1, . . . , n) = (v)B es el vector de coordenadas de v en la base B. Definimos
n
.
f (v) =
iw i.
i=1

(Observar que no hay ambiguedad en la definicion de f por la unicidad de 1 , . .

. , n .) Veamos que f es una transformacion lineal:
n
n
.
.
Sean v, vr V . Supongamos que v =
ivi y vri=
r vi. Entonces
i=1

n.

v + vr =

i=1

.
n

+
vi=1
i

i=1

i + r )vi,

i =
i=1

y, en consecuencia,
n .
f (v + v r ) =
(i +
r )w
i=1

n
.
i=1

r
r
iwi i wi = f (v) + f (v ).
i=1

De manera analoga se prueba que f (v) = f (v) K, v V .

Unicidad. Supongamos que f y g son dos transformaciones lineales de V en W
tales que
n
.
f (vi) = wi y g(vi) = wi para cada 1 i n. Entonces, dado v V , si v =
i v i ,
por la
i=1

linealidad de f y g se tiene que

n

f (v) =

i=1

if (vi) =

ig(vi) = g(v).

i=1

Luego, f (v) = g(v) para todo v V , de donde f = g.

Observacion 3.5 Con una demostracion analoga a la de la proposicion

anterior se prueba que, si V y W son dos K-espacios vectoriales (V no
necesariamente de dimension finita),
B = {vi : i I } una base de V y {wi : i I } W , existe una unica transformacion
lineal
f : V W tal que f (vi) = wi i I.
Teniendo en cuenta que las transformaciones lineales son funciones entre
conjuntos, tiene sentido estudiar la validez de las propiedades usuales de
funciones: inyectividad, suryectividad y biyectividad. Las transformaciones lineales
que verifican alguna de estas propiedades reciben nombres particulares:
Deftnicion 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V W una
transformacion lineal. Se dice que:
1. f es un monomorfismo si f es inyectiva.
2. f es un epimorfismo si f es suryectiva.
3. f es un isomorfismo si f es biyectiva.
En algunos casos, consideraremos transformaciones lineales de un K-espacio
vectorial en s mismo:
Deftnicion 3.7 Sea V un K-espacio vectorial. Una transformacion lineal f : V
V se llama un endomorfismo de V . Si f es un endomorfismo que es ademas
un isomorfismo, entonces se dice que es un automorfismo.

3.1.2

Nucleo e imagen de una transformacion lineal

A una transformacion lineal f : V W podemos asociarle un subespacio de V ,

llamado su nucleo, que de alguna manera mide el tamano de la pre-imagen
por f de un elemento de su imagen. En particular, conocer este subespacio nos
permitira determinar si f es inyectiva.
Deftnicion
3.8 Sean V Se
y W
dos nucleo
K-espacios
y sea
f :) V=
WV una
transformacion
llama
devectoriales,
f al conjunto
Nu(f
{v
/f
(v) = 0} = f 1 ({0lineal.
}).

Observamos que si f : V W es una transformacion lineal, Nu(f ) es un

subespacio de
V , puesto que es la pre-imagen por f del subespacio {0} W (ver Proposicion
3.3).
Ejemplo. Sea f : R3 R2
x3 ) = (x1 , x2 ). Entonces
Nu(f )

la transformacion lineal definida por f (x1 , x2 ,

{(x1, x2, x3) R3 : f (x1, x2, x3) = 0}

= {(x1, x2, x3) R3 : x1 = x2 = 0}

= < (0, 0, 1) > .
La siguiente proposicion nos da una manera de determinar si una
transformacion lineal es un monomorfismo considerando simplemente su nu
cleo.
Proposicion 3.9 Sea f : V W una transformacion lineal. Entonces
f es monomorfismo Nu(f ) = {0}
Demostracion.
() particular,
Si f es un monomorfismo,
entonces
es una funcion
inyectiva. En
a loser
sumo
unLuego,
elemento
que f (0) =existe
0, debe
v = 0.
Nu(fv) =V{0tal
}. que f (v) = 0. Puesto
r ). Entonces f (v vr ) = f (v)
() Sean
vr
. Supongamos
que )f y(v)por
= lo
f (v

f (vr v,
) que
=
0,vV
con
lo 0,
que
v r Nu(f
tanto,
la hipotesis Nu(f ) = {0Q}
implica
vr =
esv
decir,
v = vr . Luego
f es inyectiva.
Otro conjunto importante
a unase
transformacion
lineal
es {su
Recordamos
siDe
f : la
V
Wasociado
, su imagen
como
=
w imagen.
W / una
v

V, f (v) =que
w}. lineal
3.3 se define
desprende
queIm(f
la )imagen
de
transformacion
f :Proposicion
V W resulta
ser un subespacio de W .
Ejemplo.

Hallar la imagen de la transformacion lineal f : R3

R3

definida como
f (x1, x2, x3) = (x1 x2, x1 + x2, 2x1 2x2 + x3).
Por definicion,
Im(f )

{y R3 / x R3, f (x) = y}

{y R3 / (x1, x2, x3) R3, (x1 x2, x1 x2, 2x1 2x2 + x3) = y}.

Entonces, un elemento de y pertenece a Im(f ) si y solo si es de la forma

y

(x1 x2, x1 + x2, 2x1 2x2 + x3)

= (x1, x1, 2x1) + (x2, x2, 2x2) + (0, 0, x3)

= x1.(1, 1, 2) + x2.(1, 1, 2) + x3.(0, 0, 1).

70

Transformaciones lineales

Luego, Im(f ) = < (1, 1, 2), (1, 1, 2), (0, 0, 1) > = < (1, 1, 2), (0, 0, 1) >.
Otra manera de calcular la imagen de f , teniendo en cuenta que es una
transformacion lineal, es la siguiente:
Consideremos un sistema de generadores de R3 , por ejemplo la base canonica
{e1 , e2 , e3 }.
Para cada x R3 se tiene que x = x1.e1 + x2.e2 + x3.e3, de donde resulta que
f (x) = x1.f (e1) + x2.f (e2) + x3.f (e3).
Luego
,

Im(f )

=
=

{f (x) : x R3 } = < f (e1 ), f (e2 ), f (e3 ) > =

< (1, 1, 2), (1, 1, 2), (0, 0, 1) > = < (1, 1, 2), (0, 0, 1) >.

La proposicion siguiente generaliza el segundo de los procedimientos utilizados

en el ejem- plo anterior para el calculo de la imagen de una transformacion
lineal.
Proposicion
3.10 macion
Sean V y W dosEntonces,
K-espacios
f : V de
W
una transforsi vectoriales
{vi : i I } es yunsea
sistema
generadores
de V , {f (vi ) : lineal.
i I } es
un sistema de generadores de Im(f ).
Demostracion. Por definicion, Im(f ) = {w W / v V, f (v) = w} = {f (v) : v

V }.
Si {vi : i I} es un sistema de generadores de V , para cada v V , existen i1, . . . ,
in I

y elementos ij K tales que v =

j=1

f (v) =

n.

ij vij . Luego

i f (vi ) < {f (vi ) : i I } >.

j

j=1

Esto prueba que Im(f ) < {f (vi ) : i I } >. Es claro que vale la otra inclusi
on, ya que
f (vi) Im(f ) para cada i I.
Luego, Im(f ) = < {f (vi ) : i I } >.

Corolario 3.11 Sean V y W dos K-espacios vectoriales y sea f : V W una

transfor- macion lineal. Si V es de dimension finita, entonces Im(f )
tambien lo es y se tiene que
dim(Im(f )) dim V .
Corolario
3.12
V W es un
epimorfismo,
y {vi : i I } es un sistema de
generadores
deSiVf,: entonces
{f (v
i ) : i I } es un sistema de generadores
de W .
Ejemplo. Sean S y T los subespacios de R3 definidos por S = {x R3 / x1 x2
= 0} y
T = {x R3 / x3 = 0}. Hallar una transformacion lineal f : R3 R3 tal que f
(S) = T .
Sabemos que para definir una transformacion lineal f : R3 R3 basta con
especificar los valores que toma sobre los elementos de una base de R3.

Consideramos
entonces
una
S, por {ejemplo
{(1,0,
1,1),
0),(1,
(0,0,
0,0)
1)}.}, y
la
extendemos
a una
base
de
R3base
, por de
ejemplo
(1, 1, 0), (0,
Teniendo
en cuenta
que
T =
< (1, 0, 0), (0, 1, 0) >, definimos:
f (1, 1, 0) = (1, 0, 0),

f (0, 0, 1) = (0, 1, 0),

(0, 0, 1).

f (1, 0, 0) =

Entonces f (S) = < f (1, 1, 0), f (0, 0, 1) > = < (1, 0, 0), (0, 1, 0) > = T .
que si f : V W es un epimorfismo y {vi : i I} es una base de
V
, Observemos
entonces
anterior,
es {f (vi) : i I} no es necesariamente una base de Im(f ): Por el corolario
un sistema de generadores, pero podra no ser un conjunto linealmente
independiente, como puede verse en el ejemplo presentado en la pagina 69.
Esto es consecuencia de que una transformacion lineal arbitraria no preserva
independencia lineal. En la proposicion siguiente veremos que esto s es valido
para el caso de monomorfismos.
Sin
embargo,
si f lo
: V W no es un monomorfismo, existe v V , v = 0, tal
que
f (v)
0, no
con
(v)} =
{0} =
W
lo cual {v} V es un conjunto linealmente independiente, pero {f
es.
Proposicion
3.13 Sean
W dos K-espacios
vectoriales
sea conjunto
f : V
W
un monomorfismo.V yEntonces,
I } conjunto
V es y un
linealmente
independiente,
{f (vi ) : i siI } {vi W: ies un
linealmente
independiente.
Demostracion.
Supongamos que una combinacion lineal de {f (vi ) : i
I } satisface
..
.
.
i f (vi ) = 0. Como f es una transformacion lineal, entonces f
i vi
= 0, y como

iI

es un monomorfismo, debe ser

I} implica

i I

ivi = 0. La independencia lineal de {vi : i

i I

que i = 0 i I.

Corolario
3.14 Si{ff(v: )V :i WI es
monomorfismo
{vi particular,
: i I } es una
de
, entonces
} esununa
base de Im(fy ).B =
En
si base
V es
i
un VK-espacio
vectorial
de dimension finita, dim(Im(f )) = dim V .
Teniendo en cuenta que un isomorfismo es una transformacion lineal que
es a la vez un epimorfismo y un monomorfismo, de los Corolarios 3.12 y 3.14
se deduce:
Corolario 3.15 Sean V y W dos K-espacios vectoriales y sea f : V W un
isomorfismo. Entonces para toda base B de V , f (B) es una base de W . En
particular, si V es de dimension finita, W tambien lo es y dim V = dim
W.

3.1.3

Composicion de transformaciones lineales

La composicion de funciones usual puede realizarse, en particular, entre dos

transformaciones lineales. El resultado es, en este caso, una nueva transformaci
on lineal.

7
2

Transformaciones lineales

Proposicion 3.16 Sean V, W y Z K-espacios vectoriales. Sean f : V W y g :

W Z
transformaciones lineales. Entonces g f : V Z es una transformacion
lineal.
Demostracion. Sean v, v r V . Entonces
.
.
.
.
g f (v + vr ) = g f (v + vr ) = g f (v) + f (vr ) = g(f (v)) + g(f (vr )) = g
f (v) + g f (vr ).
Analogamente, si K y v V , se tiene que
g f ( v) = g(f ( v)) = g( f (v)) = g(f (v)) = (g f (v)). Q
Finalmente, analizamos las propiedades de la funcion inversa de una
transformacion lineal biyectiva (es decir, un isomorfismo).
Proposicion
3.17 macion
Sean V ylineal.
W dosSiK-espacios
vectoriales yentonces
sea f : Vf
1
W
una
transforf es un isomorfismo,
:
W
V es
una transformacion
lineal
(que resulta ser un isomorfismo).
Demostracion.
Sean w, wr W . Como f es un isomorfismo, existen u
nicos v, v r V tales que w = f (v) y wr = f (vr ). Entonces
f 1 (w + wr ) = f 1 (f (v) + f (v r )) = f 1 (f (v + v r )) = v + v r = f 1 (w) + f 1 (wr ).
Dados w W y K, existe un unico v V tal que w = f (v). Entonces
f 1 ( w) = f 1 ( f (v)) = f 1 (f ( v)) = v = (f1(w)).
Luego, f 1 es una transformacion lineal. Es claro que es biyectiva.

3.2

Espacios vectoriales de dimension finita

Al estudiar espacios vectoriales de dimension finita en los captulos

anteriores, dijimos que podramos trabajar en un K-espacio vectorial arbitrario
de dimension n como si fuese K n simplemente considerando vectores de
coordenadas. La nocion de isomorfismo nos permite formalizar esta idea.
Proposicion 3.18 Sea V un K-espacio vectorial
de dimension n.
Entonces existe un iso- morfismo f : V K n .
Demostracion. Sea B = {v1 , . . . , vn } una base de V .
n
.
Dado x V , existe unicos x1 , . . . , xn K tales que x =
xi vi . Definimos
i=1

f : V K , f (x) = (x1, . . . , xn).

Veamos que f es una transformacion lineal:

n .
n
n
.
.
Sean x, y V . Si x =
x i vi e y =
yi vi , entonces x + y =
(xi + yi )vi .
Luego
i=1

i=1

i=1

f (x + y) = (x1 + y1, . . . , xn + yn) = (x1, . . . , xn) + (y1, . . . , yn) = f

(x) + f (y).
En forma analoga se prueba que f (.x) = .f (x) para cada K y
cada x V . Es claro que si f (x) = 0, entonces x = 0, de donde f es
un monomorfismo.
n
.
Finalmente, dado (x1, . . . , xn) K n , consideramos x =
xivi V . Se tiene
que f (x) =
(x1, . . . , xn). Luego, f es un epimorfismo.
En consecuencia, f es un isomorfismo.

i=1

Ejemplo. Sea K3[X] = {P K[X] / P = 0 o gr(P ) 3}, que es K-espacio

vectorial de dimension 4.
Un isomorfismo f : K3[X] K 4 puede definirse como sigue:
3
.
Si P =
a i Xi , entonces f (P ) = (a0, a1, a2, a3), lo que corresponde a
considerar en la
i=0

demostracion anterior la base B = {1, X, X 2 , X 3 } de K3 [X].

Observar que, teniendo en cuenta que la aplicacion f definida en la
demostracion de la Proposicion 3.18 es tomar coordenadas en la base B,
esto nos permite trabajar con coorde- nadas en una base en el siguiente
sentido:
i) {w1 , . . . , ws } es linealmente independiente en V {f (w1 ), . . . , f (ws )} es
linealmente independiente en K n .
ii) {w1 , . . . , wr } es un sistema de generadores de V {f (w1 ), . . . , f (wr )} es un
sistema de generadores de K n .
iii)
{w1 , . . . , wn } es una base de V {f (w1 ), . . . , f (wn )} es una base de
K n.
Por ejemplo, para decidir si {X2 X + 1, X2 3.X + 5, 2.X2 + 2.X 3} es una
base de
R2 [X], bastara ver si {(1, 1, 1), (1, 3, 5), (2, 2, 3)} es una base de R3 para lo
que se puede
usar el metodo de triangulacion.

3.3

Teorema de la dimension

El siguiente resultado relaciona las dimensiones del nucleo y de la imagen

de una transfor- macion lineal con la de su dominio.
Teorema 3.19 (Teorema de la dimension para transformaciones lineales) Sean
V y
W dos K-espacios vectoriales, V de dimension finita, y sea f : V W
una transformacion
lineal. Entonces
dim V = dim(Nu(f )) + dim(Im(f )).

Demostracion. Sean n = dim V y r = dim(Nu(f )).

Si r = n, entonces f 0 y dim(Im(f )) = 0. Por lo tanto, el teorema vale.
Si r = 0, entonces f es un monomorfismo. En este caso, si B es una base
de V , entonces f (B) es una base de Im(f ). Luego dim(Im(f )) = dim V (ver
Corolario 3.14), y el teorema vale.
Supongamos ahora que 0 < r < n. Sea {v1, . . . , vr} una base de Nu(f ). Sean
vr+1, . . . , vn
en V tales que {v1, . . . , vr, vr+1, . . . , vn} es una base de V .
Veamos que entonces {f (vr+1 ), . . . , f (vn )} es una base de Im(f ), de donde
se deduce
inmediatamente el teorema:

Puesto que {v1, . . . , vr, vr+1, . . . , vn} es una base de V , se tiene que
Im(f ) = < f (v1), . . . , f (vr), f (vr+1), . . . , f (vn) > = < f (vr+1), . . . , f
(vn) >,
pues f (vi) = 0 para 1 i r.

Sean r+1, . . . , n K tales

que
n
.

n
. if (vi) = 0.
Entonces f .

n
. ivi. = 0, es

i=r+1

i=r+1

decir
ivi Nu(f ). Como {v1, . . . , vr} es una base de Nu(f ), existen 1, . . .
i=r+1
,
, r
K tales que
r
r
n
.
.
. ivi = 0
n
. i v i =
ivi
(i )vi
i=r+1

+
i=1

i=r+1

i=1

Como {v1, . . . , vn} es un conjunto linealmente independiente, i = 0 para

cada 1
i n. En particular, i = 0 para i = r + 1, . . . , n. Luego, {f (vr+1 ), . . . , f
(vn )} es un
conjunto linealmente independiente.
Q
Como consecuencia de este resultado se prueba que si una transformaci
on lineal entre dos espacios vectoriales de dimension n es inyectiva (resp.
suryectiva), entonces tambien es suryectiva (resp. inyectiva):
Corolario 3.20 Sean V y W dos K-espacios vectoriales de dimension n
y sea f : V W
una transformacion lineal. Son equivalentes:
1. f es un isomorfismo.
2. f es un monomorfismo.
3. f es un epimorfismo.
Demostracion.
(1. 2.) Por definicion.

3.4 Proyectores

75

(2. 3.) Por el teorema de la dimension, n = dim V = dim(Nu(f )) + dim(Im(f

)), y como f
es un monomorfismo, dim(Nu(f )) = 0. Entonces dim(Im(f )) = n = dim W ,
de donde
Im(f ) = W .
(3. 1.) Por el teorema de la dimension, y teniendo en cuenta que f es un
epimorfismo, se tiene que n = dim V = dim(Nu(f )) + dim(Im(f )) =
dim(Nu(f )) + n. Esto implica que
dim(Nu(f )) = 0, con lo cual, Nu(f ) = {0} y f es un monomorfismo. Siendo
epimorfismo
y monomorfismo, resulta que f es un isomorfismo.
Q
A diferencia de lo que sucede para muchos de los resultados que hemos
demostrado, en el corolario anterior la hipotesis de que los espacios
vectoriales sean de dimension finita es esencial. El resultado no vale para
transformaciones lineales definidas en espacios de dimension infinita:
Ejemplo. Sea V = K[X].
1. Sea f : K[X] K[X], f (P ) = P r , que es una transformacion lineal.
n

f es epimorfismo: Sea Q =
.
Entonces f .

n+1

a iX .

i=0

ai
X i.
i

= Q.

i=1

f no es monomorfismo: f (1) = 0,
pero 1 = 0.
2. Sea g : K[X] K[X], g(P ) =
X.P .

g es monomorfismo: Si f (P ) = X.P = 0, entonces P = 0.

g no es epimorfismo: 1 / Im(f ).

3.4

Proyectores

Deftnicion
Sea
un K-espacio
Una transformacion lineal f
: V V se 3.21
llama
un Vproyector
si f fvectorial.
=f.
Proposicion
3.22 Sea V Entonces
un K-espacio
y sea
f :solo
V si
V una
transformacion
f es vectorial,
un proyector
si y
f (x)
= x para cada x lineal.
Im(f ).
Demostracion.
() Supongamos que f es un proyector. Sea x Im(f ). Entonces existe v V
tal que
x = f (v). Luego, f (x) = f (f (v)) = f f (v) = f (v) = x.
() Sea v V . Entonces f (v) Im(f ) y, por hipotesis, f (f (v)) = f (v), es
decir, f f (v) =
f (v). Como esto vale para cada v V , resulta que f f = f .
Proposicion 3.23 Sea V un K-espacio vectorial y sea f : V V un
proyector. Entonces
Nu(f ) Im(f ) = V .

Demostracion.
En primer
que Nu(fanterior,
) Im(f f) (x)
= {=
0}:[Link]
x x
Nu(f
Im(f
). Como
Im(f lugar,
), por veamos
la proposicion
Pero
Nu(f )),de
donde
f (x) x= 0.
Luego, x = 0.
Veamos
ahora
quef Nu(f
Im(f ) = V : Sea x V . Entonces x = (x f (x)) +
fque
(x)
tiene
que
f)+
(x))
xy se
f (x)
Nu(f
) y (x
f (x)
Im(f=).f (x) f f (x) = f (x) f (x) = 0, con lo
Q
Proposicion 3.24 Sea V un K-espacio vectorial, y sean S y T
subespacios de V tales que
S T = V . Entonces existe un unico proyector f : V V tal que Nu(f )
= S, Im(f ) = T .
Demostracion. Como V = S T , para cada x V , existen unicos s S y t

T tales que
x = s + t. Entonces, si f : V V es un proyector tal que Nu(f ) = S, Im(f ) = T ,
se tiene
que
f (x) = f (s +
= ff (s)
+ fproyector
(t) = 0 +
t, donde
penultima 3.22).
igualdad
es consecuencia
de t)
que
es un
y tt =Im(f
) (verlaProposicion
Consideremos entonces la funcion f : V V definida por
f (x) = t si x = s + t con s S, t T.
Observamos que f es una transformacion lineal:

Si
x, xr V xtales
que
x sr=) +s (t
++t, tr x)r con
= ssr+
+ strr, Scon
s, tsrrT S(puesto
y t, tr que
T,
r=
entonces
+
x
(s
+
y
t
+
r
r
S
y
T
son
subespacios
de
V
)
y,
por
lo
tanto,
f
(x
+
x
)
=
t
+
t
=
f
(x)
+
f
r
(x ).
Si
K yS, [Link], . x Luego
= s + ft (.x)
con s=.t
S, =t
, entonces .x = (.s) + (.t)
con .s
.fT(x).
Ademas, f es un proyector: Si x V y x = s + t con s S, t T ,
entonces f f (x) =
f (f (s + t)) = f (t) = f (0 + t) = f (x).
Es
claro
) = T . 0Veamos
que
Nu(flo) cual,
= S: xSi
xs Nu(f
) yotro
x= s+ t
con
S,
tque
T Im(f
, entonces
f (x)s
=
t, 0
con
=
S.f (s)
Por
si s s S,
entonces
s = s + 0=con
S,
T y, por lo
tanto,
= 0. lado,
Luego, la funcion f que hemos definido es el unico proyector f : V V con Nu(f
) = S,
Im(f ) = T .

3.5

Representacion matricial

Uno de los primeros ejemplos den transformaciones

lineales que hemos visto
son
aquellas
deellacontexto,
forma f : K K m , f (x) = A.x con A Kmn (cuando
quede
claro por
suprimiremos el signo de t, escribiendo A.x en lugar de ([Link])t).
En esta seccion veremos que toda transformacion lineal entre espacios
vectoriales de di- mension finita puede representarse de esta manera. Para
esto, utilizaremos de manera funda- mental el hecho de que fijada una base de un
K-espacio vectorial V de dimension finita n, se tiene un isomorfismo entre V y
K n tomando coordenadas en dicha base.

3.5 Representacion
matricial

77

En esta seccion todos los espacios vectoriales considerados seran de dimension

finita.

3.5.1

Matriz de una transformacion lineal

Si V y W son K-espacios
de dimension
n y m determinada
respectivamente,
una
transformacion
f valores
:vectoriales
V W queda
unvocamente
por los
n
vectores de W quelineal
son los
de f en una base cualquiera de V . Ademas, fijada una base de W , estos n
vectores quedan determinados por medio de sus vectores de coordenadas en
K m . Se define entonces una matriz asociada a f que contiene toda esta
informacion.
Deftnicion 3.25 Sean V y W dos K-espacios vectoriales de dimension finita.
Sean B1 =
{v1, . . . , vn} una base de V y B2 = {w1, . . . , wm} una base de W . Sea f : V W
una
m
.
transformacion lineal. Supongamos que f (vj ) =
ij wi (1 j n). Se llama
matriz de f

i=1

en las bases B1 , B2 , y se nota |f |B1 B2 , a la

matriz en K
para cada 1 i m, 1 j n.

mn

definida por (|f |B1 B2 )ij =

ij

Notacion. Si f : V V y B1 = B2 = B, notaremos |f |B = |f |BB .

Ejemplo. Sea f : R3 R2, f 3(x1, x22, x3) = (x1 + 2x2 x3, x1 + 3x2), y sean B1 y
B2 las bases canonicas de R y R respectivamente. Se tiene que
f (1, 0, 0) = (1, 1),

f (0, 1, 0) = (2, 3),

f (0,

0, 1) = (1, 0).
.
.
1 2 1
.
Entonces |f |B1 B2
1 3 0
=
Observacion 3.26
la transformacion lineal asociada a una
nm Si consideramos
matriz
A la
Kdefinicion
, fA : anK mterior,
K nladefinida
porfA fen
A.x, canonicas
entonces, E
a
A (x)
partir
de
matriz de
las =
bases
m
n
r
y E de K y K respectivamente resulta ser |fA |EE r = A.
Observacion 3.27 Sea V un K-espacio vectorial de dimension n, y sean B1 y
B2 bases de
V . Entonces |idV |B1 B2 = C(B1 , B2 ), la matriz de cambio de base de B1 a B2 (ver
Definicion
2.16).
Mediante el uso de las matrices introducidas en la Definicion 3.25 y de
vectores de coorde- nadas, toda transformacion lineal puede representarse como
la multiplicacion por una matriz fija.
Proposicion
Sean: V
V
y W
W una
dos transformacion
K-espacios vectoriales
de dimensi
on
finita,de3.28
yV sea
lineal.
son bases
y Wf respectivamente,
entonces para cada
x VSi, B1 y B2
|f |B1 B2 . (x)B1 = (f (x))B2 .

Demostracion. Supongamos que B1 = {v1 , . . . , vn }.

n

Sea x V y sea (x)B1 = (x1, . . . , xn), es decir, x =

i=1

xivi.

Para cada 1 i n, sea Ci la i-esima columna de |f |B1 B2 . Por definicion, Ci

= (f (vi ))B2 .
Entonces

|f |B1 B2 . (x)B1 =

x1 .C1 + + xn .Cn =

= x1.(f (v1))B2 + + xn.(f (vn))B2 =

n
.
= .
xif)(vi = (f (x))B2 .

B2

i=1

3.5.2 Matriz de la composicion y cambios de bases

La composicion de dos transformaciones lineales se traduce como la multiplicaci
on de sus matrices.
Proposicion
3.29
V , W y U tres K-espacios vectoriales de dimension
finita.
, BSean
2 y B3 bases de V , W y U respectivamente. Sean f : V
W y g : Sean
W UB1transformaciones
lineales. Entonces
rm y
|g f |B1 B3 = |g |B2 B3 .|f |B1 B2 .
Demostracion.

Sean n = dim V , m = dim W y r = dim U .

Entonces |g |B2 B3 K

|f |B1 B2 K mn , con lo que |g |B2 B3 .|f |B1 B2

K
Para cada x V se tiene que

rn

. Ademas |g f |B1 B3
K

rn.

|g |B2 B3 .|f |B1 B2 .(x)B1 = |g |B2 B3 .(f (x))B2 = g(f (x))B3 = (g f (x))B3 = |g f |B1 B3 .
(x)B1
Luego, |g |B2 B3 .|f |B1 B2 = |g f |B1 B3 (ver Proposicion 2.18).

Corolario 3.30 Sean V y W dos K-espacios vectoriales de dimension

finita, y sean B1 y
B2 bases de V y W respectivamente. Sea f : V W un isomorfismo. 2 1
Entonces |f 1 |B B =
(|f |B 1B )1 .
Demostracion. Se deduce inmediatamente aplicando la proposicion anterior
a f 1 f = idV
y f f 1 = idW .

Concluimos
esta seccion estudiando
obtener
a partir
matriz
una transformacion
lineal f como
: V Wseenpuede
un par
de bases
B1 y de
B2 lade
V y W de
respectivamente,
la
matriz de la misma transformacion lineal en cualquier otro par de
Br y
1 bases
2
r
B de dichos
espacios.
Proposicion 3.31 Sean V y W dos K-espacios vectoriales de dimension
finita. Sean B1 , B r
bases de V y B2,2Br bases de W. Entonces
|f |B r r = C(B2 , B r ).|f |B B .C(B r , B1 ).

B2

80

Transformaciones lineales

Demostracion. Se tiene que f = idW f idV . Aplicando dos veces el

resultado dado en la
Proposicion 3.29 y el hecho que la matriz de la transformacion lineal identidad
en un par de
bases coincide con la matriz de cambio de base entre las mismas, se obtiene

|f |B r

B2

=
=

|idW f idV |B r
1

B2

= |idW f |B1 B r |idV |B r

|idW |B2 B r .|f |B1 B2 .|idV |B r

2

B1

= C(B2 , B r ).|f |B
2

.C(B r , B1 ),
1

B1

que es lo que se quera probar.

3.6

Rango de una matriz

Utilizando la relacion entre matrices y transformaciones lineales

introduciremos un nuevo invariante asociado a una matriz: su rango.

3.6.1

Rango columna y rango fila

Sean V y W dos K-espacios vectoriales tales que dim V = m y dim W = n, y

sean B1 y B2
bases de V y W respectivamente. Sea f : V W una transformacion lineal.
Consideremos
la matriz de f en las bases B1 y B2 dada por sus columnas:
|f |B1 B2 = (C1 | . . . | Cm ) K
nm .
Si B1 = {v1, . . . , vm}, entonces Im(f ) = < f (v1), . . . , f (vm) >. Tomando
coordenadas en la
base B2 se obtiene un subespacio T Kn dado por T = < (f2(v1))B , . . . , (f2
(vm))B > =
< C1, . . . , Cm >. Como tomar coordenadas en una base es un isomorfismo, se tiene
que
dim(Im(f )) = dim < C1, . . . , Cm >.
Esto motiva la siguiente definicion:
Deftnicion 3.32 Sea A K nm . Se llama nrango columna de A, y se nota rgC
(A), asilaAdisubespacio de K generado por las columnas de A, es
decir,
= mension
(C1 | | Cdel
m ),
entonces rgC (A) = dim < C1, . . . , Cm >.
Mediante el calculo del rango columna de una matriz A es posible obtener
la dimension del subespacio de soluciones del sistema lineal homogeneo
asociado a A:
Observacion 3.33 Sea A K nm y sea S = {x K m / A.x = 0}. Entonces
dim S =
m rgC (A).
En efecto, consideramos la transformacion lineal asociada a A, fA : K m
K n definida pormfA (x)n = A.x. Entonces A = |fA |EE r (donde E y E r son las
bases
canonicas de K y K
respectivamente) y S = Nu(fA). Entonces
dim S = dim(Nu(fA)) = m dim(Im(fA)) = m rgC (A).

1 2 3
Ejemplo. Sea A R33, A = 1 2 1 , y sea S = {x R3 / A.x = 0}.
Entonces
1 2 4
dim S = 3 rgC (A) = 3 dim < (1, 1, 1), (2, 2, 2), (3, 1, 4) > = 3 2 = 1.
Teniendo en cuenta el subespacio generado por las filas de una matriz en
lugar del generado por sus columnas puede darse la siguiente definicion de
rango fila analoga a la de rango columna.
Deftnicion 3.34 Sea A K nm . Se define el rango fila de A, y se nota rgF
(A), como la

1
dimension del subespacio de K m generado por las filas de A. Es decir,F. si A =
.
.
,

Fn
entonces rgF (A) = dim < F1, . . . , Fn >.
Observacion 3.35 Sea A K nm . Entonces rgF (A) = rgC (At ).
Nuestro siguiente objetivo es mostrar que el rango fila y el rango columna
de una matriz coinciden. Para hacer esto nos basaremos en la observacion
anterior. Primero mostraremos que el rango columna de una matriz A no cambia
si se la multiplica a izquierda o derecha por matrices inversibles.
Lema 3.36 Sea A Knm. Sean C ttL(n, K) y D ttL(m, K). Entonces
rgC (A) = rgC (C.A.D).
Demostracion. Sea fA : K m K n la transformacion
lineal inducida por la
r
multiplicacion
n
a izquierda se
por tiene
A. Sique
E y|f E
son
las bases canonicas de
Km
r = A y por lo tanto, rg
y
K
respectivamente,
|
A
EE
C (A) =
dim(Im(fA )).
Por la Proposicion 2.22, puesto que D ttL(m, K), existe una base B1
de K m tal que
D = C(B1, E), y como C ttL(n, K), existe una base B2 de Kn tal que C
Entonces

= C(Er, B2).

C.A.D = C(E r , B2 ).|fA |EE r .C(B1 , E) = |fA |B1 B2 ,

de donde rgC (C.A.D) = dim(Im(fA)) = rgC (A).
Ahora veremos que multiplicando a A por matrices inversibles convenientes
se puede obtener una matriz tal que su rango y el de su transpuesta son faciles
de comparar.
Lema 3.37 Sea A Knm {0}. Entonces existen k N, 1 k min{n, m}, y
matrices
C ttL(n, K) y D ttL(m, K) tales que
(C.A.D)ij =

0 si i = j
1 si i = j k
0 si i = j > k

82

Transformaciones lineales

Demostracion. Consideremos la transformacion lineal fA : K m K n inducida por

la multim
plicacion a izquierda por A. Sea {v1 , . . . , vs } una base de Nu(fA ) y sean w1 , . . . ,
wms K
tales que
B1 = {w1, . . . , wms, v1, . . . , vs}

es una base de Km (si Nu(fA) = {0}, s = 0 y se toma una base B1 cualquiera de

Km).
Entonces {fA (w1 ), . . . , fA (wms )} es una base de Im(fA ) y puede extenderse a

una base
de K n . Sean z1, . . . m+s Kn tales que
, zn
B2 = {fA (w1 ), . . . , fA (wms ), z1 , . . . , znm+s }

si i = j

es una base de Kn.

Se tiene
que

Observamos
que

(|fA |B1 B2 )ij

=

1
0

si i = j m s
si i = j > m s

|fA |B1 B2 = C(E r , B2 ).|fA |EE r .C(B1 , E) = C.A.D,

donde C = C(E r , B2) ttL(n, K) y D = C(B1, E) ttL(m, K).

Proposicion 3.38 Sea A K nm . Entonces rgC (A) = rgF (A).

m {0}, por
Demostracion.
Es claromatrices
que el resultado
vale
0. Dada
K ntales
el lema anterior, existen
C ttL(n,
K),siDA=
ttL(m,
K) y kA N,
que
.
0 si i = j
(C.A.D)ij = 1 si i = j k
0 si i = j > k

Por el Lema 3.36 se tiene que rgC (A) = rgC (C.A.D), y es claro que rgC (C.A.D)
= k.
Por otro lado, transponiendo se obtiene
.
0 si i = j
t
t
t
(D .A .C )ij = 1 si i = j k
0 si i = j > k
con Dt ttL(m, K) y Ct ttL(n, K), de donde rgC (At) = rgC ([Link]) =
En consecuencia

k.

rgF (A) = rgC (At) = rgC ([Link]) = k = rgC (A).

Deftnicion 3.39 Sea A K nm . Al numero rgC (A) = rgF (A) lo llamaremos el
rango de la matriz A, y lo notaremos rg(A).
La Observacion 3.33 puede ahora reescribirse utilizando la nocion de rango
de una matriz.

Proposicion 3.40 Sea A K nm y sea S = {x K m / A.x = 0}.

dim S =

Entonces

m rg(A).
Esto significa que la dimension del espacio de soluciones de un sistema lineal
homogeneo es igual a la cantidad de incognitas menos la cantidad de
ecuaciones independientes.

3.6.2 Equivalencia de matrices

n m
Deftnicion
3.41matrices
Sean A, B
que AK)
es tales
equivalente
a B,C.B.D.
y se nota A

B, si existen
C K
ttL(n, .K)Sey dice
D ttL(m,
que A =
Es inmediato verificar que es una relacion de equivalencia.

Como hemos visto en la seccion anterior, si dos matrices son equivalentes

entonces tienen el mismo rango. A continuacion veremos que la recproca de
esta propiedad tambien es cierta. En consecuencia, el rango resulta ser un
invariante que nos permite determinar facilmente si dos matrices son
equivalentes.
Proposicion 3.42 Sean A, B K nm . Entonces A B rg(A) =
rg(B). Demostracion.
() Es consecuencia del Lema 3.36.
() Supongamos que rg(A) = rg(B) = k. Entonces existen matrices C1, C2
ttL(n, K) y
D1, D2 ttL(m, K) tales que
.
0 si i = j
1 si i = j
(C1.A.D1)ij
=
k
0 si i = j >
k

y (C2.B.D2)ij
=

si i = j
1 si i = j k
0 si i = j > k
0

En consecuencia, C1.A.D1 = C2.B.D2, de donde

A = (C1.C2).B.(D2.D1) = C.B.D
1

con C = C1.C2 ttL(n, K) y D = D2.D1 ttL(m, K).

1

Luego, A B.

Finalmente, la siguiente proposicion caracteriza matrices equivalentes por

medio de trans- formaciones lineales: dos matrices son equivalentes si y solo si
son las matrices de una misma transformacion lineal en distintas bases.
Proposicion 3.43 Sean A, B K nm . Entonces A B si y solo si existe
una transformacion lineal f : K m K n y bases
B1 , B r de K2m y B2 , B r de K n tales
que
1
1 2
|f |B B = A y
|f |B r r = B.
1

B2

8
3

3.7 Espacios vectoriales de transformaciones lineales

Demostracion.

La validez de () se deduce de la proposicion anterior,

teniendo en cuenta
que rg(A) = dim(Im(f )) = rg(B).
Veamos que vale la otra implicacion. Consideremos la transformacion lineal f
: Km Kn
definida por f (x) = B.x. Entonces B = |f |EE r , donde E y E r son las bases can
onicas de K m
y Kn respectivamente.
Por definicion, si A B, existen matrices inversibles C y D tales que A =
C.B.D. Sea
B1 base de Km tal que D = C(B1, E) y sea B2 base de Kn tal que C = C(Er, B2).
Entonces
A = C.B.D = C(E r , B2 )|f |EE r C(B1 , E) = |f |B1 B2 .

3.7

Espacios vectoriales de transformaciones lineales

Fijados dos K-espacios vectoriales V y W , tiene sentido considerar el conjunto de

todas las transformaciones lineales de V en W .
En esta seccion,
estudiaremos la estructura de estos conjuntos de transformaciones lineales.
Deftnicion 3.44 Sean V y W dos K-espacios vectoriales. Definimos
HomK (V, W ) = {f : V W / f es una transformacion lineal }.
Definimos ahora una operacion en HomK (V, W ) y una accion de K en HomK
(V, W ) que lo convierten en un K-espacio vectorial:
Suma. Dadas f, g HomK (V, W ) se define f + g como
(f + g)(x) = f (x) + g(x)

x V.

Veamos que f + g HomK (V, W ), con lo cual + resulta un operacion en HomK

(V, W ):

Es claro que f + g : V W .
f + g es una transformacion lineal:
Para cada x, y V , se tiene que
(f + g)(x + y)

f (x + y) + g(x + y) = f (x) + f (y) + g(x) + g(y) =

.
.
.
.
=
f (x) + g(x) + f (y) + g(y) = (f + g)(x) + (f
+ g)(y).

Por otro lado, para cada K y cada x V vale

(f + g)( x)

f ( x) + g( x) = f (x) + g(x) =
= (f (x) + g(x)) = (f + g)(x).

Es facil verificar que (HomK (V, W ), +) es un grupo abeliano.

Producto por escalares. Dados f HomK (V, W ) y K se define ( f ) : V W como
( f )(x) = f (x) x V.
Veamos que f HomK (V, W ), y por lo tanto, es una accion de K en HomK
(V, W ):

 Por definicion, f : V W .
f es una transformacion
lineal: Para todo par de
elementos x, y V :
( f )(x + y)

(f (x + y)) = (f (x) + f (y)) = f (x) + f

(y) =

= ( f )(x) + ( f )(y).
Para todo K y todo x V :
( f )( x)

(f ( x)) = ( f (x)) = ( ) f (x) =

.
.
= ( f (x)) = ( f )(x) .

Ademas se cumplen las siguientes propiedades: Si , K y f, g HomK (V, W ),

i) (f + g) = f + g
ii) ( + ) f = f + f
iii) 1 f = f
iv) ( ) f = ( f )
En consecuencia:
Proposicion 3.45 (HomK (V, W ), +, ) es un K-espacio vectorial.
En el caso en que ambos V y W son K-espacios vectoriales de dimension
finita, dim V = n
y dim W = m, este K-espacio vectorial resulta ser isomorfo a Kmn.
Proposicion
3.46
Sean
y W
K-espacios
de dimension
finita, con dim
V =
n y V dim
W dos
= m.
Sean vectoriales
B y B r bases
de V y W
respectivamente.
la funcion T : HomK (V, W ) K mn definida
por T (f ) = |f |BB r es Entonces
un isomorfismo.
Demostracion. Supongamos que B = {v1 , . . . , vn } y B r = {w1 , . . . , wm }.

T es una transformacion lineal:

Sean f, g HomK (V, W ). Por definicion, T (f + g) = |f + g |BB r .
Observemos que la
j-esima columna de esta matriz es
.
.
.
.
(f + g)(vj ) Br = f (vj ) + g(vj ) Br = (f (vj ))Br +
(g(vj ))Br , es decir, es la suma de las j-esimas columnas de |f |
BB r y |g |BB r .
Luego, |f + g |BB r = |f |BB r + |g |BBr o, equivalentemente, T (f + g) = T (f ) + T
(g).
En forma analoga se prueba que T ( f ) = T (f ).

8
5

3.8 Ejercicios

T es un isomorfismo:
T
esr =
monomorfismo:
{Hom
W ) tal
K (V,
|f |BB
0. Entonces, Sea
Im(f )f =
0}, de
donde
f que
0. T (f ) = 0, es decir,
T es epimorfismo: Sea A Kmn. Consideramos fA : V W definida por
.
.
Br
fA(x)
=
.
.
t t
A.(x) B para cada x V .
Se tiene que fA HomK (V, W ) y T (fA ) = |fA |BB r = A.

3.8 Ejercicios
Ejercicio 1. Determinar cuales de las siguientes aplicaciones son

lineales. i) f : R3 R2, f (x1, x2, x3) = (x2 3.x1 +2 2.x3 , x1

1 .x2)
ii) f : R2 R3, f (x1, x2) = (x1 x2 , 2.x2 , 1 + x1)
iii) f : R3 R3, f (x1, x2, x3) = (2.x1 7.x3 , 0 , 3.x2 + 2.x3)
iv) f : R2 R2 , f (x1 , x2 ) = (x1 + x2 , |x1 |)
v) f : C C , f (z) = i.z (considerando a C como R-espacio vectorial y como
C-espacio vectorial)
vi) f : C C , f (z) = [Link](z) (considerando a C como R-espacio vectorial y
como C- espacio vectorial)
vii)
f : C C , f (z) = z (considerando a C como R-espacio vectorial y
como C-espacio vectorial)
.
viii)
f : R 2 2
a11 a12 = a11.a22 a12.a21
R,f
.
a21 a22
ix) f : R23 R3,
f

a11 a12 a13 = (3.a13 a23 , a11 + 2.a22 a23 , a22 a12)
.

a21 a22 a23

x) f : R22 R23, . a a
11 12
f
.

.. .
.
aa110aa
12 a
0
+aa1121
22
12
11 22
=

a
a22
. 21
a11 a12
.
xi) f : C22 C22,
f

a21

a21

(considerando a C22 como Respacio

a22
a22
vectorial y como C-espacio vectorial)
Ejercicio 2. Interpretar geometricamente las siguientes aplicaciones lineales f :
R2 R2 . i) f (x, y) = (x, 0)
ii) f (x, y) = (0, y)

iii) f (x, y) = (x, y)

iv) f (x, y) = (
2

.(x + y), 1 .(x + y))

2

v) f (x, y) = ([Link] t [Link] t , [Link] t + [Link] t)

Ejercicio 3.
i) Encontrar
una funcion
ff :(vV+
V (para un K-espacio vectorial V
conveniente)
vectores v , w que
V cumpla
pero que
no w) = f (v) + f (w) para cualquier par de
sea una transformacion lineal.
ii) Encontrar
unaque
funcion
ff :(k.v)
V V (para un K-espacio vectorial V
conveniente)
cualquier vector
vcumpla
V pero
que = k.f (v) para cualquier escalar k K y
no sea una transformacion lineal.
Ejercicio 4. Probar la linealidad de las siguientes aplicaciones:
i) tr : Knn K
n m
m n
t
ii) t : K K , t(A) = A
n m
rm
iii) f : K
K
, f (A) = B.A donde B Krn
iv) : C (R) C (R), (f ) = f r
v) s : K[X] K, s(f ) = f () donde K
vi) s : KN KN, s({ai}iN) = (0, a1, a2, . . . , an, . . .)
Ejercicio 5.
i) Probar
que existe una unica transformacion lineal f : R2 R2 tal que f
(1,
f (1)
1, =
2).(5, 3) y f (1, 1) = (5, 2). Para dicha f , determinar f (5, 3) y
ii) Existira una transformacion lineal f : R2 R2 tal que f (1, 1) =
(2, 6), f (1, 1) = (2, 1) y f (2, 7) = (5, 3)?
iii) Sean f, g : R3 R3 transformaciones lineales tales que
f (1, 0, 1) = (1, 2, 1), f (2, 1, 0) = (2, 1, 0),

f (1, 0, 0) =

(1, 2, 1),
g(1, 1, 1) = (1, 1, 0),

g(3, 2, 1) = (0, 0, 1),

g(2, 2, 1) = (3, 1, 2).

Determinar si f = g.
iv)lineal
Hallarf todos
los 3 aque
Rsatisfaga
para los cuales
una
3
(1, exista
1, 1) =
(2, transformacion
a, 1) , f (1, 1,
2: R
2) = (a
, 1, 1)yRf (1,
1, 2) = (5,que
1, f 7).

v) Hallar
una formula
todas
las
tranformaciones
lineales
f : R3 [X]
R3
2
2
que
(X3para
X
+1)
4)
5,3 3),
f (3X
2
3), fsatis(X3 facen
2X2 +f 3X
+2)2X
= (0,
1,
y= f(6,
(2X
3X
+ 7)+=2X
(6,4,5)
7).= (0, 0,
Ejercicio 6.
i) Calcular bases del nucleo y de la imagen para cada tranformacion lineal
del ejercicio 1.
Decidir,
enque
cada
caso,
si f es epimorfismo,
o isomorfismo.
En el caso
sea
isomorfismo,
calcular f1monomorfismo
.
ii) Clasificar las transformaciones lineales tr , t , , s y s del ejercicio 4 en
epimorfismos, monomorfismos e isomorfismos.
Ejercicio 7. Sean f : R3 R4, f (x1, x2, x3) = (x1 + x2, x1 + x3, 0, 0) y
4

g :

R R ,
g(x1 , x2 , x3 , x4 ) = (x1 x2 , 2x1 x2 ). Calcular el nucleo y la imagen de f , de g
y de g f .
Decidir si son monomorfismos, epimorfismos o isomorfismos.
Ejercicio 8. Sean g : V V r y f : V r V rr transformaciones lineales. Probar:
i) Nu(g) Nu(f g).
ii) Si Nu(f ) Im(g) = {0}, entonces Nu(g) = Nu(f g).
iii)
Im(f g) Im(f ).
iv)
Si Im(g) = V r , entonces Im(f g) = Im(f ).
Ejercicio 9.
i) Sean
S, 0T} y RT4 =
los{(xsubespacios
definidos por S = {(x1, x2, x3, x4)/ x1 + x2
+ x3 =
1, x2, x3, x4) / 2.x1 + x4 = 0 , x2 x3 = 0}.
Existira algun isomorfismo f : R4 R4 tal que f (S) = T ?
ii) Existira algun monomorfismo f : R3 R2 ?
iii)
Existira algun epimorfismo f : R2 R3 ?
2 1, 1,4 0) y v3 = (1, 1, 1, 1). Existira
iv)alguna
Sean
v1 = (1, 0, 1,lineal
0), v2 f=
transformacion
: R(1,
R tal que {v1, v2, v3} Im(f )?

Ejercicio 10. Determinar si existe (y en caso afirmativo hallar) una

transformacion lineal
f : R3 R4 que verifique Im(f ) = S y Nu(f ) = T en los siguientes casos:
i) S = {(x1, x2, x3, x4)/x1 + x2 x3 + 2.x4 = 0}, T = < (1, 2, 1) >
ii) S = {(x1, x2, x3, x4)/x1 + x2 = 0, x3 + x4 = 0}, T = < (1, 2, 1) >

Ejercicio 11. En cada uno de los siguientes casos encontrar una

transformacion lineal
f : R3 R3 que verifique lo pedido:
i) (1, 1, 0) Nu(f ) y dim(Im(f )) = 1
ii) Nu(f ) Im(f ) = < (1, 1, 2) >
iii) f = 0 y Nu(f ) Im(f )
iv) f = 0 y f f = 0
v) f = Id y f f = Id
vi) Nu(f ) = {0}, Im(f ) = {0} y Nu(f ) Im(f ) = {0}
Ejercicio 12. En cada uno de los siguientes casos construir un proyector f : R3
R3 que cumpla:
i)
x3
+
iii)

Im(f ) = {(x1, x2, x3)/x1 + x2 +

= 0} ii) Nu(f ) = {(x1, x2, x3)/x1
x2 + x3 = 0}
Nu(f ) = {(x1, x2, x3)/3.x1 x3 = 0} e Im(f ) = < (1, 1, 1) >

Ejercicio 13. Sea V un K-espacio vectorial y sea f : V V un proyector.

Probar que
g = idV f es un proyector con Im(g) = Nu(f ) y Nu(g) = Im(f ).
Ejercicio 14. Sea V un K-espacio vectorial y sea f : V s V una transformacion
lineal. Se dice que f es nilpotente si s N tal que f = 0.
i) Probar que si f es nilpotente, entonces f no es ni monomorfismo ni
epimorfismo.
ii) Si V es de dimension n probar que f es nilpotente f n = 0.
(Sugerencia: considerar si las inclusiones Nu(f i) Nu(f i+1) son estrictas o no).
iii) Sea B = {v1 , . . . , vn } una base de V . Se define la transformacion lineal f
: V V de la siguiente forma:
,
vi+1
si 1 i n 1
f (vi) =
0
si i = n
Probar que f

=0yf

n 1

= 0.

iv) Si V = R , para cada i , 2 i n, construir una transformacion lineal

nilpotente
f : Rn Rn tal que f i = 0 y f

i1

= 0.

Ejercicio 15. Sea S = < (1, 1, 0, 1), (2, 1, 0, 1) > R4.

i) Hallar una transformacion lineal f : R4 R2 tal que Nu(f ) = S.

ii) Hallar ecuaciones para S (usar i)).

iii)

Hallar un sistema de ecuaciones lineales cuyo conjunto de soluciones sea

< (1, 1, 0, 1), (2, 1, 0, 1) > + (0, 1, 1, 2).

Ejercicio 16.
i) Sea S K n el conjunto de soluciones de unnsistema
lineal homogeneo.
Encontrar una transformacion lineal f : K K n tal que Nu(f ) = S.
ii) Sea T K n el conjunto de soluciones de un sistema
lineal
no homog
n
n
n
eneo.
que T =Encontrar
f 1 (x). una transformacion lineal f : K K y x K tales
Ejercicio 17. Sea f : V V una tranformacion lineal y sean B, B r bases de V .
Calcular

|f |BB r en cada uno de los siguientes casos:

i) V = R3, f (x1, x2, x3) = (3.x1 2.x2 + x3, 5.x1 + x2 x3, x1 + 3.x2 + 4.x3),
B = Br la base canonica de R3
ii) V = R3, f (x1, x2, x3) = (3.x1 2.x2 + x3, 5.x1 + x2 x3, x1 + 3.x2 + 4.x3),
B = {(1, 2, 1), (1, 1, 3), (2, 1, 1)} y Br = {(1, 1, 0), (1, 2, 3), (1, 3, 1)}
iii)

V = C2 , f (x1 , x2 ) = (2.x1 i.x2 , x1 + x2 ), B = B r es la base can

onica de C2 como
C-espacio vectorial.
iv) V = C2, f (x1, x2) = (2.x1 i.x2, x1 + x2), B = Br = {(1, 0), (0, 1), (i, 0), (0, i)}
considerando a C2 como R-espacio vectorial.
v) V = R4[X], f (P ) = P r , B = Br = {1, X, X 2 , X 3 , X 4 }
vi) V = R4[X], f (P ) = P r , B = Br = {X4, X 3 , X 2 , X, 1}
vii) V = R4[X], f (P ) = P r , B = {1, X, X 2 , X 3 , X 4 } y Br = {X4 , X 3 , X 2 , X, 1}
viii) V = R22 , f (A) = At , B = B r la base canonica de R22 .
ix) V , f y B = Br como en el ejercicio 14, iii)
3
r
Ejercicio
Sean
4
3 {v1, v42, v3} una base de R y B = {w1, w2, w3, w4} una
base de R18.
. Sea
f : BR=
R la transformacion lineal tal que

1 2 1
1 1 1
|f |BB r =

2 1
4
3 2 5

i) Hallar f (3.v1 + 2.v2 v3 ). Cuales son sus coordenadas en la base B r ?

90

Transformaciones lineales

ii) Hallar una base de Nu(f ) y una base de Im(f ).

iii)
Describir el conjunto f1(w1 3.w3 w4).
Ejercicio 19. Sea V un K-espacio vectorial y B = {v1, v2, v3, v4} una base de V .
Sea
f : V V la transformacion lineal tal que

|f |B

11 1
1 1 1

=
1 0
1
1 0 0

1
0

0
0

i) Calcular |f 1 |B
.
ii) Calcular f1(v1 2.v2 + v4).
Ejercicio 20. En cada uno de los siguientes casos, hallar una matriz A Rnn
para un n
adecuado que verifique:
i) A = In y A3 = In.
ii) A = 0; A = In y A2 = A.
Ejercicio 21. Sea V un K-espacio vectorial de dimension finita y sea B una base
de V .
i) Sea tr : Hom(V, V ) K la aplicacion definida por tr(f ) = tr(|f |B ). Probar
que tr(f ) no depende de la base B elegida.
tr(f ) se llama la traza del endomorfismo f .
ii) Probar que tr : Hom(V, V ) K es una transformacion lineal.
Ejercicio 22. Sean B = {v1, v2, v3}, U = {v1 + v3, v1 + 2.v2 + v3, v2 + v3} y Ur = {w1,
w2, w3}
bases de R3 , y sea E la base canonica de R3 . Sea f : R3 R3 la
transformacion lineal tal
que

1 1 0
1 1

3
|f |BE = 2 1 1
y
|f |UU r = 0 1 1
3 2
0 0 1
1
Determinar
Ur .
Ejercicio 23.
i) Sea f : R4 R4 la trasformacion lineal definida por
f (x1, x2, x3, x4) = (0, x1, x1 + x2, x1 + x2 + x3)
y sea v = (1, 0, 0, 0). Probar que B = {v, f (v), f 2(v), f 3(v)} es una base de R4.
Calcular

|f |B .

ii) Sea V un K-espacio vectorial dendimension

n1 n y sea f : V V una
tranformacion
= 0. Probar que existe una
base B de V tallineal
que tal que f = ,0 y f
1 si i = j + 1
.
.
|f |B ij
0 si no
=
(Sugerencia: elegir v1 / Nu(f
n1
)).
Ejercicio 24. Sea V un K-espacio vectorial de dimension n y sea f : V V un
proyector.
Probar que existe una base B de V tal que
.
.
|f |B ij =

1 si i = j ; i dim(Im(f ))
0 si no

Ejercicio 25. Sea f : R5 R4 definida por

f (x1, x2, x3, x4, x5) = (2.x1 x5, x2 + 2.x3, x1 + x4 + x5, x1 + x4 + x5).
Encontrar bases B y B r de R5 y R4 respectivamente tales que |f |BB r sea una matriz
diagonal.
Ejercicio 26. Sean V y W K-espacios vectoriales, dim V = n y dim W = m, y f :
V W
una
lineal
que
)) = s. Probar que existen una
base transformacion
B de V y una base
Br tal
de W
tal dim(Im(f
que
,
.
.
1 si i = j ; i s
|f |BB r ij =
0 si no
Ejercicio 27. Sea f : R3 R3 definida por
f (x1, x2, x3) = (x1 + x2 x3, 2.x1 3.x2 + 2.x3, 3.x1 2.x2 + x3).
i) Determinar bases B y Br de R3 tales que

1 0 0
|f |BB r = 0 1 0 .
0 0 0
ii) Si A es la matriz de f en la base canonica, encontrar matrices C, D
ttL(3, R) tales
que

1 0 0
C.A.D = 0 1 0 .
0 0 0

92

Transformaciones lineales

Ejercicio 28. Calcular el rango de las siguientes matrices:

2 0 3 1
0 5

i)

A=

2 1
0
1 1 0

A = 1 1 2
2 3 1

ii)

iii)

3 1

1 0
A=
3 1
2
0
1

0 1

1
0

0
3

0
1

1 0 1 0 0
1 1 0 0 0

A = 0 1 1 0 0

0 0 1 1

0
0 1 0 1 1

iv)

Ejercicio 29. Calcular el rango de A R33 para cada k R siendo

1 k
1
.
A = 1 1
k2
1
k k2
m
Ejercicio
30.
Sean A Probar
Kmn, bque
KA.x
. Se
el sistema
A.x ==
b yrg(A
sea| b).
(A |
b) su matriz
ampliada.
= bconsidera
tiene solucion
rg(A)

Ejercicio 31. Sea A Kmn, rg(A) = s y sea T = {x Kn r/ A.x = 0}. Calcular la

dimension de T .
Ejercicio 32. Sean A Kmn y B Knr. Probar que rg(A.B) rg(A) y rg(A.B)

rg(B).

Ejercicio 33. Sean A, D R33,

1 1 1
A = 2 3 2
3 2 1

D=

1 1

0 1 1.
1 0 1

i) Determinar C1 , C2 , C3 y C4 ttL(3, R) tales que

1 0 0
C1.A.C2 = C3.D.C4 = 0 1 0
0 0 0
ii) Determinar f Hom(R3, R3) y bases B, Br , B11 y Br de R3 tales que
|f |BB r = A
y
|f |B1 B r = D
1

Ejercicio 34. Dadas A , B

tales que
A = P.B.Q.

Rnn,

decidir si existen matrices P , Q ttL(n, R)

i) n = 2;
A=

ii) n = 2;
A=

;B
2 =
.
5
1 3
;B
.
2 =
.

.
3
4 6

1 2
.

1 1
.

5
.
8
1 2

1 0 5
3 8 5
iii) n = 3; A = 2 1 0 ; B = 2 2 0
0 1 0
0 7 0

1 1

0
iv) n = 3; A = 2
3 0

1
1

0 ; B = 1
1 1 3

01

nn
Ejercicio
35.
Kque
. Se
que
1.A es semejante a B (y se nota A
B) si existe
C Sean
ttL(n,A,K)B tal
A =dice
C.B.C
i) Demostrar que es una relacion de equivalencia en K nn .

ii) Probar que dos matrices semejantes son equivalentes. Vale la recproca?
Ejercicio 36. Sean A, C Knn. Probar que las siguientes afirmaciones son
equivalentes:
i) A C.
ii) f : K n K n tranformacion lineal y bases B y B r de K n tales que |f |
B

= A y

|f |B r = C
Ejercicio 37.
i) Sean A, C Knn tales que A C. Probar que tr(A) = tr(C).
3 3
ii) Sean A, C R

1 1 1
1 1 0
A= 2 3
4 1

5
3

C=0 1 1 .
1 0 1

Existen f Hom(R3 , R3 ) y bases B y B r de R3 tales que |f |B = A y |f |B r =

C?

94

Transformaciones lineales

Captulo 4

Espacio dual
Una de las situaciones en donde se aplica la teora de espacios vectoriales es
cuando se tra- baja con espacios de funciones, como vimos al final del captulo
anterior. En este captulo estudiaremos algunas nociones basicas de ciertos
espacios que de alguna forma le dan una estructura a las ecuaciones lineales.

4.1

El espacio dual de un espacio vectorial

Deftnicion 4.1 Sea V un K-espacio vectorial. Se llama espacio dual de V , y

se lo nota V , al K-espacio vectorial
V = HomK (V, K) = {f : V K / f es una transformacion lineal }.
Segun vimos en la Seccion 3.7, si dim V = n, dadas B una base de V
y B r una base de
K, se tiene que : HomK (V, K) K 1n definida por (f ) = |f |BB r , es un
isomorfismo. En
consecuencia,
n

dim(V ) = dim(K1 ) = n = dim V.

Ejemplo.
Se consideran las transformaciones lineales 1, 2, 3 de R3 a R
definidas por
i(x1, x2, x3) = xi para i = 1, 2, 3.
(R3 ) =
=

{f : R3 R / f es transformacion lineal }
{f : R3 R / f (x1 , x2 , x3 ) = ax1 + bx2 + cx3 con a, b, c R}

= {f : R3 R / f = a 1 + b 2 + c 3 con a, b, c R}
= < 1, 2, 3 >

9
6

Espacio dual

4.2

Base dual

Sea E = {e1, e2, e3} la base canonica de R3. Las funciones del ejemplo anterior
cumplen la condicion i (ej ) = ij (donde ij es la funcion delta de
Kronecker, definida por ij = 1 si
i = j y ij = 0 si i = j). En lo que sigue, fijada una base de cualquier espacio
vectorial V de
dimension finita, vamos a ver como encontrar una base de V que cumpla esta
propiedad.
Proposicion
4.2
Seade
V un
vectorial
dimension
B =
{tal
v1 , .que
. . , vn } una
base
V . K-espacio
Existe una
unicade
base
B = {1 , n,
. . .y, sea
n } de V
.
1 si i = j
i(vj )
0 si i = j
=
B se llama la base dual
de B.
Demostracion.
i n, sea i : V K la transformacion lineal
definida en la base Para
{v1, . .cada
. , vn}1por:
.
1 si i = j
i(vj ) =
0 si i = j.
Como
dim(V ) = n, para ver que 1, . . . , n V forman una base de V ,
basta
que verificar que son linealmente independientes. Sean a1, . . . , an K tales
a11 + + ann = 0.
Evaluando en vi, resulta que 0 = a11(vi) + + aii(vi) + ann(vi) = ai para i = 1,
. . . , n.
En consecuencia, B = {1, . . . , n} verifica las condiciones requeridas.
Supongamos
que { , . }Ensea otra base que satisface las mismas condiciones.
..,
1
n
tonces, para cada 1 i n, se tiene que
i(vj ) = 0 = i(vj ) si 1 j n, j = i,

i(vi) = 1 = i(vi) = 1,

es decir,
i y
sonconsedos transformaciones
lineales
que coinciden sobre una base.
En
para cada 1 i
n.
Q

i
cuencia,
=

Ejemplos.
1. El ejemplo de la Seccion 4.1 muestra que la base dual de la base can
onica de R3 es
E = {1, 2, 3}, donde i(x1, x2, x3) = xi para i = 1, 2, 3.
2. Sea V = R2. Consideremos la base B = {(1, 1), (1, 1)}. Si B = {1, 2} es
la base dual de B, entonces debe cumplir
.
.
1(1, 1) =
2(1, 1) = 0
y
1
2 (1, 1) = 1
1(1, 1)
0

Puesto que para cada (x, y) R2 vale

x+y
xy
(x, y) =
(1, 1) +
(1, 1)

2
2
xy
x+y
y 2(x, y) =
.
resulta que 1(x, y)
2
2
=
Si B es una base de un K-espacio vectorial V de dimension finita y B es su
base dual,
es
posible la
calcular
facilmente
las coordenadas
de un elemento de V en la base B

utilizando
base
Recprocamente,
utilizando
las coordenadas
enBla .base
B de un elemento
de V .la base B, es facil obtener
Observacion 4.3 Sea B = {v1 , . . . , vn } una base de V y sea B = {1 , . . . ,
n } su base dual.
n

Dado v V , podemos escribir v =

cada 1 j n,

ivi, con i K. Entonces, para

i=1
n

j (v) = j .
i=1

i vi . =

ij (vi) = j .

i=1

Luego, (v)B = (1(v), . . . ,

n
n(v)).
.
Dada V , existen i K tales que =
ii. Entonces, para cada
1 j n,
i=1

(vj ) = .

i=1

ii.(vj ) =

ii(vj ) = j .

i=1

Luego, ()B = ((v1), . . . , (vn)).

Ejemplo. Sean B = {(1, 1), (1, 1)} R2 y B = {1, 2}, con 1(x,
y) =
2(x, y)
=

xy
2

x+y
2 y

, su base dual (ver Ejemplo 2. en la pagina 96).

1. Hallar las coordenadas del vector v = (5, 7) R2 en la base B.

Teniendo en cuenta que B es la base dual de B, por la observacion anterior
resulta que
(5, 7)B = (1(5, 7), 2(5, 7)) = (6, 1).
2. Hallar las coordenadas de (R2) dada por (x, y) = 5x + 3y en
la base B. Por el segundo tem de la observacion anterior
tenemos que:
()B = ((1, 1), (1, 1)) = (8, 2).

Hemos visto
que toda
base
de unRecprocamente,
K-espacio vectorial
V de
finita
dualbase
asociada.
resulta
quedimension
toda base de
V es posee
la baseuna
dualbase
de una
de V :
Proposicion
4.4 dual.
Sea VSea
un K-espacio
dimension
n, y sea
su espacio
V
{1 , . .vectorial
. , n } unadebase
de V . Entonces
existe
una unica
base B B
=1 {v=
1 , . . . , vn } de V que satisface B = B1 .
Demostracion.
Existencia. Sea B2 = {w1, . . . , wn} una base de V y sea
B su base dual.
2
Para cada 1 i n, se tiene que2 (i)B = (i(w1), . . . , i(wn)). Como {1, . . . , n}
es
un conjunto linealmente independiente y tomar coordenadas es un isomorfismo,
resulta que
{(1)B , . . . , (n)B } Kn es linealmente independiente. En consecuencia, la matriz
2
2
(w ) (w )
1
1
1
n

2(w1)
2 (wn)

M=

.
.

.
.

.
.
n(w1)
n(wn)
es inversible (sus filas son linealmente independientes).
Sea A = (aij ) su inversa. Entonces M.A = In, de donde, para cada 1 i, j

n,
n.

ij = (In)ij = (M.A)ij =

MikAkj =

i(wk )akj = i.

akj

wk ..
k=1
n

Para cada 1 j n, sea vj =

k=1

k=1

k=1

akj wk .

Por por
construccion,
vale
ide
(vj )V =
ij para
i,Vj
Queda
ver este
que {conjunto
v1, es
. . . claro
, vn} esque
una
base
. Como
dimcada
V =1
dim
=n.n,
n
basta ver
que
.
es linealmente independiente. Ahora, si
j vj = 0, para cada 1 i n, se
tiene que
j=1

0 = i .

j=1

j vj . =

j i(vj ) = i,

j=1

lo que prueba la independencia lineal.

Unicidad.
Supongamos
que
. , vn} y Br =para
{u1, .cada
. . , un}1son
dos
V tales que
B = (Br ) =
{1,B. =
. . ,{v1n,}.. . Entonces,
i
n, bases de
(ui)B = (1(ui), . . . , n(ui)) = ei = (vi)B ,
de donde ui = vi.

4.3 Anulador de un
subespacio

99

Ejemplo. Sea V = R2[X]. Sean 0, 1, 2 (R2[X]) definidas por 0(P ) = P (0),

1(P ) =
P (1) y 2(P ) = P (2).
Veamos que {0, 1, 2} es una base de (R2[X]): Como dim(R2[X]) = 3, basta
ver que
son
linealmente
independientes.
Supongamos
+ 1 +)=
220=
Entonces
para cada
P R2[X], se tiene
que (00que
+
o,0.
101 0+ 212)(P
equivalentemente,
00(P ) + 11(P ) + 22(P ) = 0.
Tomando P = (X 1)(X 2) y evaluando, resulta que 0 = 0. De la misma
manera, para
P = X(X 2) y P = X(X 1) se obtiene 1 = 0 y 2 = 0 respectivamente.
Luego,

{0, 1, 2} es una base de (R2[X]) .

Entonces,
portallaque
proposicion
existeesta
unabase:
unica
base B =P{P0 ,
P
de R2 [X]
B = {0, 1,anterior,
2}. Hallemos
El polinomio
1 , P2 }satisfacer
0
debe
las condiciones

P0(0) = 1
P0(1) = 0

P0(2) = 0
(X 1)(X 2) 1
=
(X 1)(X 2). Analogamente se calculan los
(1) 2)
2
otros dos
(
1
elementos de la base: P1 = X(X 2) y P2 =
X(X 1).
2
Si se quiere hallar un polinomio P R2[X] tal que P (0) = , P (1) = y P (2)
con lo que P0
=

= , basta
tener en cuenta que esto equivale a que
(P ){P0,P1,P2} = (, , ),
puesto que {P0, P1, P2} = {0, 1, 2}. Luego, P = .P0 + .P1 + .P2.
Notese que este polinomio P hallado es el unico polinomio de grado menor o
igual que 2 que cumple lo pedido (polinomio interpolador de Lagrange).

4.3

Anulador de un subespacio

En lo que sigue vamos a relacionar los subespacios de V con ciertos subespacios

de V . Esencialmente, dado un subespacio S de V consideraremos el conjunto
de todas las ecuaciones lineales que se anulan en S y veremos que tiene una
estructura de subespacio.
Deftnicion 4.5 Sea V un K-espacio vectorial y sea S un subespacio de V . Se
llama anulador
de S al conjunto
S = {f V / f (s) = 0 s S } = {f V / S Nu(f )}.
Observacion 4.6 S es un subespacio de V .
En efecto:

 Es claro que 0 S .
Si f, g S , entonces f (s) = 0 y g(s) = 0 para todo s S, de donde (f
+ g)(s) =
f (s) + g(s) = 0 para todo s S. Luego, f + g S .

Si
K y que
f S
, entonces
f )(s)
= Luego
f (s)=
0 =
S, puesto
f (s)
= 0 para(
cada
s S.
f S
. 0 para todo s

En el caso de un K-espacio vectorial de dimension finita, existe una

relacion entre las dimensiones de un subespacio y su anulador.
Proposicionde4.7
V un K-espacio
subespacio
V .Sea
Entonces
dim(S ) =vectorial
n dim [Link] dimension n y sea S un
Demostracion. Sea {v1 , . . . , vr } una base de S, y sean vr+1 , . . . , vn V tales
que B =

{la
v1,base
. . . , vdual
. . .B., vEntonces,
V . rSea
. . tiene
, r, r+1
,..
. ,(v
n} V
1, .se
r, vr+1,de
n} es una base
para de
cada
+ 1B =
i {n,
que
i 1) = . . .
=

(v
)
= 0 y, por lo tanto, i se anula sobre todo S. En consecuencia, {r+1, . . . ,
i
r
n} S .
Como {r+1, . . . , n} es parte de una base, es un conjunto linealmente
independiente.
Veamos que tambien es un sistema de generadores de S :
Sea g S . Puesto que B es una base de V , existen 1 , . . . , n K
n
.

tales que g =

i i . Por la Observacion 4.3, para cada 1 i n, se tiene que i = g(vi ). Adem

as, como

i=1

g S y {v1 , . . . , vr } es una base de S, g(vi ) = 0 para cada 1 i r.

consecuencia,
i = 0 para cada 1 i r, y por lo tanto g < r+1, . . . , n >.
Luego, {r+1 . . . . , n } es una base de S , de donde
dim S + dim S = n.

La demostracion de la proposicion anterior nos da una manera de calcular el

anulador de un subespacio:
Ejemplo. Sea S = < (1, 1, 1), (1, 2, 1) > R3 . Hallar una base de S .
Consideramos una base B de R3 que extienda a una base de S, por ejemplo
B = {(1, 1, 1), (1, 2, 1), (1, 0, 0)}.
Si
B =es{una
la
dual de
B, de
la demostracion anterior deducimos
1 , 2 , 3 } es
que
S base
. A partir
condiciones
= 0,{33} (1,
0, 0)base
= 1 de
obtenemos
quede3las
(x, y,
z) = x z. 3 (1, 1, 1) = 0, 3 (1, 2, 1)
En la siguiente proposicion veremos como recuperar un subespacio a partir de
su anulador.
Proposicion 4.8 Sea V un K-espacio vectorial de dimension n y sea S un
subespacio de V . Entonces
{x V / f (x) = 0 f S } = S.

En

4.3 Anulador de un
subespacio

101

Demostracion. Sea T = {x V / f (x) = 0 f S }. Veamos que T = S.

() Si x S, para cada f S se tiene que f (x) = 0.
Luego, x T . () Supongamos que existe x T tal que x /
S.
Sea
{v1, . . . , vr} Sean
una base
de
Entonces
{v1, .B. =
. , {vvr, , x.}. es
independiente.
vr+2
, B.
. .=
, vS.
V tales que
. , vlinealmente
1
n
r , x, vr+2, . . . ,
vB,
es tiene
una base
de
V
.
Si
{
1, . . . , r , r+1 , . . . , n} es la base
n} se
que r+1(v1) = . . . = r+1 (vr ) = 0, de donde r+1 S . dual de
Como x T , debe ser r+1 (x) = 0, lo que contradice que, por
construccion, vale
r+1(x) = 1.
Luego, T S.

Este resultado nos da otra forma de encontrar ecuaciones para un

subespacio:
Ejemplo. Sea S = < (1, 1, 1), (1, 2, 1) > R3. Hallar ecuaciones para S.
En el ejemplo anterior vimos que S = < 3 > (R3 ) , donde 3 (x, y, z)
= x z.
Entonces, por la Proposicion 4.8,
S

{(x, y, z) R3 / f (x, y, z) = 0 f S }

= {(x, y, z) R3 / .(x z) = 0 R}
=

{(x, y, z) R3 / x z = 0}.

Mas en general, podemos enunciar el siguiente resultado.

Observacion
V un
vectorial
un subespacio4.9
de VSea
. Sea
{1 ,K-espacio
. . . , r } una
base dede
S dimension
. Entonces finita y sea S
r

S = {v V / 1(v) = 0 . . . r(v) = 0} =

Nu(i).

i=1

Para terminar, vamos a ver como se comporta el anulador con la suma y la

interseccion de subespacios.
Proposicion 4.10 Sea V un K-espacio vectorial de dimension n. Sean
S y T subespacios de V . Entonces:
1. (S + T ) = S T .
2. (S T ) = S + T .

Demostracion.
1. Sea f V . Se tiene que:
f (S + T )

f (s + t) = 0

s S, t T
f (s) = 0 s S f (t) = 0 t T

f S T

2. Sea
f T S, se
+ tiene
T . Entonces
f =
fS ++fTf , con
fS S y fT T . Para cada
x
que

T )S. Por
lo tanto,
S
+ fT(x)
=
(S fST(x)
) . T (x) = 0 + 0 = 0. Luego, f (S
Ademas, por el teorema de la dimension para la suma de
subespacios, la Proposicion
4.7 y el hecho que S T = (S + T ) , resulta que
dim(S + T )

dim S + dim T dim(S T )

= dim S + dim T dim(S + T )

= (n dim S) + (n dim T ) (n dim(S + T ))
= n (dim S + dim T dim(S + T ))
= n dim(S T )
= dim(S T ).
En consecuencia, (S T ) = S + T .

4.4 Ejercicios
Ejercicio 1. Sea S (R3) el subespacio S = { (R3) / (1, 1, 2) = 0}.
Encontrar una base de S.
Ejercicio 2. Dada la base B del K-espacio vectorial V , hallar su base dual en cada
uno de los siguientes casos:
i) V = R2, B = {(1, 1), (2, 0)}
ii) V = R3, B = {(1, 1, 0), (0, 1, 0), (0, 0, 1)}
iii) V = R3[X], B = {X + 2, X 1, X2 3.X + 2, X3 3.X2 + 2.X}
Ejercicio 3. Sea Br = {1, 2, 3} la base de (R3) definida por
1(x1, x2, x3) = x1 + x2 2(x1, x2, x3) = x1 + x3
+ x3 Hallar la base B de R3 tal que Br = B .

3(x1, x2, x3) = x2

Ejercicio 4. Sean f1 , f2 y f3 (R2[X]) las siguientes formas lineales:

1
2
0
f1(p) = p(x) dx f2(p) = p(x) dx f3(p) = p(x) dx
0

10
3

4.4 Ejercicios

i) Probar que {f1 , f2 , f3 } es una base de (R2 [X]) .

ii) Hallar una base B de R2 [X] tal que B = {f1 , f2 , f3 }.
Ejercicio 5. Sea V un K-espacio vectorial de dimension n.
i) Sean 1, 2 V {0}. Demostrar que Nu(1) = Nu(2) {1, 2} es
linealmente dependiente.
ii) Sean i (1 i r) formas lineales en V y sea V tales que
1(x) = 2(x) = . . . = r(x) = 0 (x) = 0.
Probar que < 1, . . . , r >.
iii)
Sean i (1 i n) formas lineales en V . Probar que

{ 1, . . . , n } es base de V

n
\

Nu(i) = 0.

i=1

Ejercicio 6. Sea (R3) definida por (x1, x2, x3) = 2.x1 + 3.x2 x3
sea E =

{1 , 2 , 3 } (R3 ) la base dual de la canonica.

i) Calcular las coordenadas de en E .
ii) Calcular las coordenadas de en la base B = {1 + 2 + 3, 1 + 2, 1}.
3
iii)sea BSea

el subespacio
S =(0,
{(x1,1, x1),
) R1,3/0)
2.x
+ 3.x2 x3una
= 0} y
2 , x3(1,
RS3 para
la Rbase
B=
{(0, 0,B.
1),
}. 1 Encontrar
ecuacion
S en
la base
(Sugerencia: notar que B es la base dual de B y no hacer ninguna cuenta.)

Ejercicio 7. Sea B R2 la base B = {(1, 1), (1, 1)}. Encontrar las coordenadas de
la base dual de B en la base dual de la canonica.
Ejercicio
8.
y
B1 las
de
R3 1,
definidas
{(1, 1,coordenadas
0), (1, 0, 1),
3
(0,
} yrespecto
B1Sean
= {(1,Bde
1,
(1,bases
1, 1),
(1,
1)}. Si por
respecto
(RB
) =tiene
, calcular
(1, 1,
3,1)2)
B1),
sus
coordenadas
de B .
Ejercicio 9. Hallar una base de S V 1 en los siguientes
casos: i) V = R3 y S = < (1, 1, 2), (2, 1, 3), (1, 5, 0) >
ii) V = R4 y S = < (1, 1, 1, 1), (2, 1, 3, 1) >
,
iii) V = R3 y S =, (x1, x2, x3) R,3 / + x3 = 0
2.x1 x2 + x3 = 0
x1

.
iv) V = R4
yS=

(x1, x2, x3, x4)

R4 /
.

Ejercicio 10. Sea B

=

.
x1 x2 + x3 + x4 = 0
2.x1 + x2 2.x3 + 3.x4 = 0
4.x1 x2 + 5.x4 = 0

R22 y sea W = {A R22/ A.B = 0}. Sea f W

1
1

tal que f (I2) = 0

yf

= 3. Calcular f (B).

0
.
0
0 1

Ejercicio
Para
losde
siguientes
(S + T ) y11.
una
base
(S T ) .subespacios S y T de V , determinar una base de
4
i) V = R , S = < (1, 1, 1, 1), (2, 1, 3, 1) > , T = < (2, 4, 8, 0), (1, 1, 2, 3)
>
=0
, (x1, x2, x3, x4),/
ii) V = R4, S =
, , T = < (2, 1, 3, 1) >
x1
x
+
x
+
x
=
0,
1
2
4
x3
2.x2 + x3 = 0
x

iii) V = R3, S = ,( x1, x2, x3) / , 1

,
3.x2 2.x3 = 0
T = {(x1, x2, x3, x4) R4/ 2.x1 x2 = 0}
= S T finita
Ejercicio
12. Sea
un VK-espacio
de Vdimension
y sean S y
T subespacios
talesV que
= S T . vectorial
Probar que
.

Ejercicio 13. Sea V un Zp -espacio vectorial de dimension n. Probar que

#{S V subespacio / dim(S) = 1} = #{S V subespacio / dim(S) = n 1}.
Calcular dicho numero.
Ejercicio 14. Sea tr : Knn K la forma lineal traza y dado a Knn se
define
fa : Knn K como fa(x) = tr(a.x).
i) Probar que fa (Knn) a Knn.
ii) Probar que fa(x) = 0 x Knn a = 0.
iii) Se define : Knn (Knn) como (a) = fa. Probar que es un isomorfismo.
iv) Sea f : R22 R definida
por: .
.
a11 a12

2.a + 5.a .
=

3.a
f

a21 a22

11

12

Encontrar una matrix a R22 tal que (a) = f .

22

Ejercicio 15. Sea (Knn) tal que (a.b) = (b.a) a, b Knn. Probar que
K
tal que = .tr. Deducir que si (a.b) = (b.a) a, b Knn y (In) = n entonces
= tr.
Ejercicio 16. Sean 0, . . . , n K, i = j si i = j. Para cada i, 0 i n,
se define
si : Kn [X] K como si (P ) = P (i ).
i) Probar que B1 = {s0 , . . . , sn } es una base de (Kn[X]).
ii) Sea B = {P0, . . . , Pn} la base de K n[X] tal que B = B1. Probar que el
polinomio
P=

.n

[Link]

i=0

es el unico polinomio en K[X] de grado menor o igual que n tal que,

i , 0 i n, P (i) = i. Este polinomio se llama el polinomio
interpolador de Lagrange.
iii)
Probar que existen numeros reales a0 , . . . , an tales que, para todo P
Rn [X],
1
n.
P (x) dx =
ai.P (i).
0

i=0

Hallar a0, a1 y a2 en el caso en que n = 2, 0 =2 1, 1 =

y 2 = 0.

Ejercicio 17. Sean V y W K-espacios vectoriales de dimension

finita y sea f : V

W una manera:
transformacion lineal. Se define la funcion f t : W V de la
siguiente
t
f () = f
W . f t se llama la funcion transpuesta de f .
i) Probar que f t es una tranformacion lineal.
ii) Probar que (Im(f )) = Nu(f t) y que Im(f t) = (Nu(f )) .
iii)
Sean V = R2 y W = R3 y sea f (x1, x2) = (2.x1 x2, 3x1, x1 2.x2).
Si B = {(1, 2), (1, 3)} y B1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}, calcular
|f |BB1 y |f t |
1
B

iv)

Si B y B1 son bases de V y W respectivamente, probar que

t

|f |B
1

= (|f |BB1) .

Ejercicio 18. Sea V un C-espacio vectorial. Sean f , g V tales que f. g V .

Probar
que f = 0 o g = 0.
Ejercicio
19. nulos.
Sea V Probar
un C-espacio
vectorial
dimension
Sean
v1 ,f. (v
. . ), vn=0V
vectores
que existe
unade
forma
lineal ffinita.
V tal
que
i
i, 1 ino
n.

106

Espacio dual

Captulo 5

Determinantes
Los determinantes aparecieron originalmente al tratar de resolver sistemas de
ecuaciones li- neales. A continuacion vamos a dar una definicion precisa de
determinante y a relacionarlo, entre otras cosas, con la inversibilidad de
matrices.
En el caso de matrices en K22, sabemos
que A =

a b es inversible si y s
.
olo si
c d
ad bc = 0 (ver Ejercicio 11, Seccion 2.5). Este escalar ad bc se llama el nn
determinante
deescalar
la matriz
A. Para n > 2, el determinante de una matriz en K
es tambien un
que
se calcula a partir de los coeficientes de la matriz.

5.1

Definicion y ejemplos basicos

Existen distintas definiciones de determinante. La definicion que

daremos
introduce al deter- minante como una funcion particular de K nn en K.

5.1.1

Funciones multilineales alternadas

En esta seccion daremos la definicion y estudiaremos algunas propiedades b

asicas de funciones multilineales y alternadas, las que nos permitiran definir el
determinante.
Notacion.
Dada
nK).nn cuyas columnas son A1 , . . . , An
escribiremos
A =una
( A1matriz
| A2 | . . A
.|A
nn
Deftnicion
Unacada
funcion
:K
K se dice multilineal alternada (por
columnas) 5.1
si para
1 fi
n:
r
i) f (A1 | . . . | Ai + A | . . . | An) = f (A1 | . . . | Ai | . . . | An) + f (A1 | . . . | Ar | . . . |
An).
i

ii) f ( A1 | . . . | .Ai | . . . | An ) = f ( A1 | . . . | Ai | . . . | An )para todo K.

108

Determinantes

iii) f ( A1 | .s . .| Axi | . . . | A
s i | . . . | An ) = 0 para cada j = i, 1 j n (es decir, si
co l . i

co

la

l .

matriz A tiene dos columnas iguales, f (A) = 0).

Notar que los tems i) y ii) dicen que si f : Knn K es multilineal, para
cada columna i, una vez fijados los valores de las columnas restantes, se
obtiene una funcion lineal en la columna i.
Ejemplos.
1. f : K 11 K es multilineal alternada si y solo si f es lineal.
.
.
2. f : K22 K definida
a
por f
= ad bc es multilineal alternada:
b
c
.
i) f

d
a+

ar

.
= (a + ar
)d

b(c + cr ) = bc +
ad
ard

bcr =

c + cr
d

ab . +f. r . .
cr a db
c d
Analogamente se prueba la aditividad en la segunda columna.
.
.
.
.
a
a
= ad bc = (ad bc) =
para todo K, y lo
ii) f
=f

d
mismo vale en la segunda columna.
.
.
a a
iii)
f
= ab ba = 0.
b b

En la siguiente proposicion damos algunas de las propiedades basicas

que verifica toda funcion multilineal alternada.
Proposicion 5.2 Sea f : K nn K multilineal alternada. Entonces
i) f ( A1 | . . . | | . . . | An ) = 0 1 i n.
0
s x
co l . i

ii) f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) = f ( A1 | . . . |
Aj

s x
co l . i

| . . . | Ai
s x
co l . j

5.1 Deftnicion y ejemplos b

109
asicos
| . . . | An ).
iii) f ( A1 | . . .s | Ai+
Axj | . . . | Aj | . . . | An ) = f ( A1 | . . . | Ai | . . . | Aj | . . . | An ).
co l . i
n

iv)

Si Ai =
j=1
j =i

j Aj , entonces f ( A1 | . . . | Ai | . . . | An ) = 0.

Demostracion.
i) f (A1 | . . . | 0 | . . . | An ) = f (A1 | . . . | 0. 0 | . . . | An ) = 0 f (A1 | . . . | 0 | . . . |
An ) = 0.
ii) Sea A Knn. Consideremos la matriz que en las columnas i y j tiene la
suma de las columnas i y j de A. Por la definicion de funcion multilineal
alternada se tiene que
f ( A1 | . . . | Ai + Aj | . . . | Ai + Aj | . . . | An ) = 0 y, por lo tanto, vale:
0

f ( A1 | . . . | Ai | . . . | Ai + Aj | . . . | An ) +
+ f ( A1 | . . . | Aj | . . . | Ai + Aj | . . . | An )

= f ( A1 | . . . | Ai | . . . | Ai | . . . | An ) + f ( A1 | . . . | Ai | . . . | Aj | . . . | An )
+
+ f ( A1 | . . . | Aj | . . . | Ai | . . . | An ) + f ( A1 | . . . | Aj | . . . | Aj | . . . |
An )
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) + f ( A1 | . . . | Aj | . . . | Ai | . . . | An
),
de donde
f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) = f ( A1 | . . . | Aj | . . . | Ai | . . . | An
).
iii) Se tiene que
f ( A1 | . . . | Ai + Aj | . . . | Aj | . . . | An ) =
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ) + f ( A1 | . . . | Aj | . . . | Aj | . . . | An ) =
= f ( A1 | . . . | Ai | . . . | Aj | . . . | An ),
donde la primera igualdad es consecuencia de i) y ii) de la Definicion 5.1,
y la tercera se deduce de iii) de dicha definicion.
n

iv) Si Ai =

j Aj ,

col.i

entonces

xs
n

j=
j 1
i=

f ( A1 | . . . | Ai | . . . | An ) = f ( A1 | . . . |

j Aj | . . . | An )

j=1

.
n

. . | Aj
j=
1
j=
i

j =i

j f ( A 1 | .

| . . . | An ) = 0.

s x
co l . i

Podemos ahora caracterizar facilmente todas las funciones multilineales

alternadas de K 22 en K y ver como puede definirse el determinante en este
caso particular.
Ejemplo. Hallar todas las funciones multilineales alternadas f : K22 K.

5.1 Deftnicion y ejemplos b

asicos

111

2 2
Si
K es multilineal alternada, entonces:
.f : K
.
a .
.
.
.
a
(Def. 5.1 i) en primera columna)
0
b
b
b
+ f
= f
f
c
0
c
d
d
d

.
=

.
.
.
ab . +f.
. +f.
0 0
0 + f
0 0
0a0
d
c d
b
c 0

.
=

a0
0 d . +f.

(Def. 5.1 i) en segunda columna)

c
.

(Prop. 5.2 i))

0
b
0

+ cb.
.
1 0 f
0 1
.
.
0 1
1 0

=
f

ad.

=
f

(ad cb).

(Def. 5.1 ii))

(Prop. 5.2 ii))

1 0
.
0 1

Por
otro lado,
toda
funcion108).
de este
tipo es
multilineal
alternada
(comparar con
22pagina
el
Ejemplo
2 de
la
Luego,
todas
las funciones
multilineales
alternadas
. f : K . K son de
la forma
a
= (ad bc) con K.
f
b
c
d
Vemos entonces que una forma posible de definir una funcion de K22 en K
que coincide con lo que conocemos como determinante en dicha situacion
es como la unica funcion f multilineal alternada tal que f (I2) = 1.
En la proxima seccion, generalizaremos lo que hemos visto en el
ejemplo anterior para matrices en K22 a matrices en Knn para n N
arbitrario.

5.1.2

Existencia y unicidad del determinante

El siguiente lema que relaciona una funcion multilineal alternada definida en

K (n+1)(n+1)
con otras definidas en
la base para un argumento recursivo que nos
K nn sera
permitira
probar la unicidad de la funcion determinante.
Lema
5.3 Sea
f : K (n+1)(n+1) K una funcion multilineal
alternada
tal
nn
que f (I
K como
n+1 ) =
. Sea i con 1 i n + 1. Se define fi : K
a11
. . . a1 i1 0 a1 i . . . a1n
.
.
.
.
..

.
.
.
.

110

ai1

fi(A) = f 0

ai1

.
.
.
an1

.
.
. . . ai1 i1 0
...
0
1
...

...

.
ai 1
0

ai i 1

ai i

an i1

an i

. . . ai1 n
...
0

. . . ai n
. ..
....

...

Determinantes
si A = (ajl)1j, ln.

..

ann

Entonces fi es una funcion multilineal alternada y fi (In ) = .

Demostracion. De la definicion de fi y del hecho que f es multilineal

alternada, se deduce facilmente que fi es multilineal alternada.
Ademas, fi (In ) = f (In+1 ) = .
Q
Veamos como puede
utilizarse
resultado
para hallar una sobre
funcion
3 3
multilineal
de K
en Keste
con
un determinado
I3
conociendoalternada
las funciones
multilineales
alternadas
de K22 en valor
K:
Ejemplo. Hallar f : K33 K multilineal alternada tal que f (I3) = 1.
Supongamos que f satisface lo pedido. Entonces

a b c
1 b c
0 b c
0 b
= a. f 0
+ d. f 1e
+ g. f 0e
f d e
k
e
k
1 h
g h i
k
0 h
0 h i
i

1 0 0
0 b c
0 b
= a. f 0 e k + d. f 1 0 0 + g. f 0
0 h i
0 h i
1 0

1 0 0
b 0 c
b c

= a. f
0 e
k d. f 0 1 0 + g. e k
f
0 h i
0 0
h 0 i
.
.
.
. + g. .
.
b c f3
e
b c .
d.
= a. f1
e k
h i
f2
k
h

c
k
i

c
e k
0

0
0
1

i
Por el lema anterior, f1, f2, f3 : K22 K son funciones multilineales alternadas
que en la identidad I2 valen 1. Pero ya vimos, en un ejemplo anterior, que hay
una unica funcion que
.
.

2 2
cumple esto, a saber, f0 : K
K,
= . En

consecuencia
definida por f0

a b c
f d e k = a.(ei hk) d.(bi hc) + g.(bk ce).
g h i
Ademas, esta f cumple lo pedido con lo cual resulta que es la unica
funcion multilineal alternada tal que f (I3) = 1.
El siguiente teorema nos permite definir la nocion de determinante en
general.
Teorema 5.4 Sea K. Para cada n N, existe una unica funcion
multilineal alternada
f : Knn K tal que f (In) = .
Deftnicion 5.5 La unica funcion multilineal alternada f : K nn K tal que f
(In ) = 1 se llama el determinante de orden n.

11
2

Determinantes

Demostracion. Dada A K (n+1)(n+1) , notaremos A(i|j) K nn a la matriz que

se obtiene al suprimir la fila i y la columna j de A.
Existencia. Por induccion en n.
Para n = 1, definimos f : K11 K, f (x) = .x, que es multilineal alternada y
cumple
f (1) = .
Supongamos que existe g : Knn K multilineal alternada tal que g(In) = .
Definimos
f : K(n+1)(n+1) K como
n+1
.
i
f (A) =
(1) +1 a1i . g(A(1|i))
)1

.
j,A n+1

si A = (ajA

i=1

Veamos que f es multilineal alternada y que f (In) = .

i) Sean A = ( A1 | . . . | Ak | . . . | An+1 ), Ar = ( A1
r
A = ( A1 | . . . | Ak +
k A | . . . | An+1 ). Entonces

| . . . | Akr | . . . | An+1 )

n+1

f (A)
=

k+1

(1) +1 a1i g(A(1|i)) + (1)

(a1k1k ) g(A (1|k))

+ ar
i=1
i=
k

n+1

n+1

(1) +1 a1i g(A(1|i)) +

i=1
i=
k

(1) +1 a1i g(Ar (1|i)) +

i=
i1
=
k

k+1

+ (1)
k+1

(1)

a1k g(A(1|k)) +

1k

g(Ar (1|k))

ar

f (A) + f (Ar ).

ii) Sea A = ( A1 | . . . | Ak | . . . | An+1 ) y sea A = ( A1 | . . . | Ak | . . . | An+1 ).

Entonces
n+1
.
i
k
(1) +1 a1i g(A(1|i)) + (1) +1 a1k g(A(1|k))

f (A ) = ii=1
=k
n+1

(1) +1 a1i g(A(1|i)) + (1)

k+1

a1k g(A(1|k))

ii=1
=k

= f (A).
iii) Sea A = ( A1 | . . . | Aj | . . . | Aj | . . . | An+1 ), donde la k-esima columna
coincide con la
j-esima (k > j). Entonces
n+1

f (A)
=

(1) +1 a1i g(A(1|i)) + (1)

ii=1
=k,j

j +1

a1j g(A(1|j)) + (1)

k+1

a1j g(A(1|k)).

Observamos
que para
cada
= j,
k, la matriz
|A(1
i) tiene
dos difieren
columnas
iguales,
con lo
g(A(1
|i)) =ila0.
Ademas
A(1|j)A(1
yde
|k)|k)
solo
en
la
posicion
deque
una
columna:
j-esima
columna
A(1
esobtenerse
la (k 1)esima
columna
de
A(1
|
j).
En
consecuencia,
A(1
|
j)
puede
a
partir de A(1|k) mediante
k

j
intercambios
de
columnas
y
por
lo
tanto,
g(A(1|k)) = (1)k1j g(A(1|j)). Luego
j
k
k
j
f (A) = (1) +1 a1j g(A(1|j)) + (1) +1 a1j (1) 1 g(A(1|j))
=

((1)

j +1

+ (1)2

kj

) a1j g(A(1|j)) = 0.

Esto prueba que f es multilineal alternada.

Calculemos f (In+1). Se tiene que
n+1

f (In+1 ) =

(1) +1 (In+1 )1i . g(In+1 (1|i)) = (1)2 .1. g(In ) = .

i=1

Unicidad. Por induccion en n.

Para n = 1, basta tener en cuenta que f : K 11 K es multilineal alternada si
y solo si es lineal. Por la condicion f (1) = , resulta que la unica funcion
con las condiciones requeridas es f (x) = .x.
Supongamos que hay una
unica g : K nn K multilineal alternada con g(In ) =
(n+1)(n+1)
. Consideremos f : K
K multilineal alternada tal que f (In+1)
= .
Sea
(n+1)(n+1)
A = (aij ) K
. Por linealidad en la primer columna, se tiene que

0 a12
. . . a1n+1
.
.
.

..
..

..
n+1
0
a
.
.
.
a
i

1
2
i

1
n+1
.

ai1 . f 1 ai2
. . . ai n+1
f (A) =
.

i=1
..0 a.i+1 2 . . . ai+1. n+1

..

..
.

0 an+1 2 . . . an+1 n+1

Restandole a la columna j la primer columna multiplicada por aij para j = 2, . . .
, n + 1, por la Proposicion 5.2 iii) tenemos que

0 a12
. . . a1n+1
.
.
.

..

..
..
0
a
.
.
.
a
n+1
i1 2
i1 n+1

.
ai1 . f 1 0
...
0

f (A)
0 a
.
.
.
a
i+1
2
i+1
n+1

..
=
i=1
..
.

.
.
.
.

0 an+1 2 . . . an+1 n+1

n+1
.

(1) 1ai1

ai+1
..
.
an+1

i=1

n+1
.
i=1

. f

a12
.
..
ai1
0

a1i
.
..
. . . ai1
...
0

0 a1i+1
. . . a1n+1
.
.
.
..
..
..
0 ai1 i+1 . . . ai1 n+1
1
0
...
0

...

. . . ai+1
.
. . . an+1

0 ai+1
.
.

i+1

an+1

i+1

. . . ai+1 n+1
.. .. ..
..
.

. . . an+1 n+1

(1) +1 ai1 . fi (A(i|1)).

Por el Lema 5.3, fi : K nn K es una funcion multilineal alternada y

fi (In ) = , luego debe ser fi = g. Por lo tanto, f (A) es necesariamente
n+1

f (A) =

(1) +1 ai1 . g(A(i|1)),

i=1

de donde f es unica.

De la demostracion anterior se deduce inmediatamente el siguiente resultado:

Corolario 5.6 Sea A K nn . Si para cada r N, det : K rr K denota
la funcion determinante de orden r (quedando en claro por el
contexto de que funcion determinante se trata), entonces
det(A) =

n.

i=1

(1) +1 ai1 . det(A(i|1)) =

.
i
(1) +1 a1i . det(A(1|i)).

i=1

Las formulas recursivas para el calculo del determinante de una matriz dadas
en el corolario anterior se llaman el desarrollo del determinante por la primera
columna y por la primera fila respectivamente.

2 00 1
0 1 01
Ejemplo. Calcular det(A), siendo A =
.

1 0 1 0
0 1 1 0
Utilizando la formula del desarrollo por la primera fila del Corolario 5.6
obtenemos:

00

10

det

1
0

0 1 0
1 1 0

(1)2. 2. det 0
1
.

1 0

2. (1)2.1.
det

1 0
.
1 0
.

10

0 + (1)5. 1. det 1

1 1

4
+ 1+ ( 1) .1. det0

..
1

11
5

5.2 Propiedades del determinante

+ (1) .
(1)3.1.

01 1 1

..

det
= 2.(0 + 1) + (1)(1) = 3.

5.2

Propiedades del determinante

En esta seccion estudiaremos algunas propiedades basicas de los determinantes

que facilitan su calculo.

5.2.1

Determinante de la transpuesta de una matriz

La identidad enunciada en el Corolario 5.6 nos permite deducir el siguiente

resultado:
Proposicion 5.7 Sea A K nn . Entonces det(A) =
det(At ). Demostracion. Probaremos la igualdad por
induccion en n:
Para n = 1, no hay nada que probar.
Supongamos que vale para n y sea A = (aij ) K(n+1)(n+1). Entonces
n+1

det(A )
=

n+1
i+1

(1)

(A )1i det(A (1|i))

i=1
n+1
.
i=1

(1) +1 ai1 det(A(1|i) )

i=1

=
=

(1) +1 ai1 det(A(i|1)) = det(A).

Observacion 5.8 La definicion de funcion multilineal alternada podra

haberse dado en terminos de las filas de las matrices, en lugar de
respecto de las columnas, y se hubiese obtenido la misma funcion
determinante.

5.2.2 Matrices triangulares

Un caso en el que es muy facil calcular determinantes es el de las matrices
triangulares. Lo veremos para matrices triangulares superiores, pero el mismo
resultado vale para una matriz triangular inferior.
Proposicion

5.9

Sea A = (aij ) K nn

una matriz triangular superior.

Entonces det(A) =
n
Q
aii.
i=1

Demostracion. Probaremos la validez de la formula por

induccion en n: Para n = 1, no hay nada que hacer.

Supongamos que vale para n y sea A = (aij ) K(n+1)(n+1) una matriz

triangular superior. Entonces
n+1

det(A) =

(1) +1 ai1 det(A(i|1)) = a11 det(A(1|1)),

i=1

puesto que por nuestra hipotesis sobre A, se tiene que ai1 = 0 para cada i 2.
Ahora, la matriz A(1|1) K nn es triangular superior y entonces, por hipotesis
inductiva,

det(A(1|1)) =
1))jj =
j=1

n+1

(A(1|

aii. En
consecuencia,

n+1

i=2

det(A) = a11 det(A(1|1)) =

i=1

aii,

que es lo que se quera probar.

Observacion 5.10 Dado que el determinante es una funcion multilineal

alternada por fi- las (ver Observacion 5.8), podemos calcular el
determinante de una matriz triangulandola, teniendo en cuenta el cambio del
determinante de acuerdo a la operacion elemental efectuada:
0

0
1
F1
F1
.
.
1
B.. C
B
C
B .C
B .C
B i CC
B j CC
B
B
B F.
BF
Intercambiar dos filas
CB . C
C . B
C
detB .C
= BdetC ..
cambia el signo del determinante.
B j CC
B i CC
B
B
BF C
BF C
B .C
B .C
.
@ .A
@ .. A
Fn
Fn
0 11
0 11
Multiplicar una fila por una constante no nula
B F..
B F..
C .
C
B
C
B .C
B
C
B
C
F
= BdetC Fi
detB
Ci
multiplica el determinante por esa constante.
.
BB ..C
BB .C
.
.
C
C
@
A
@ A
Fn
Fn
0
1
0
1
F1
F1
B ..
C
B .. C
B
C
B .C
.
B
C
B
C
B Fi + Fj
B Fi C
C
BB .
B B
C
C
C Sumarle a una fila un multiplo de otra
.
det
= det
B ..C.
B
C
no modifica el determinante.
.
B
C
B
C
B
C
B
C
F
Fj
B
C
B jC
B
C
B .C
.
.
@
A
@ .. A
.
Fn
Fn

El determinante de la matriz triangular obtenida es el producto de los

elementos de su diagonal.

2 00 1
1
0 1 0
Ejemplo. Calcular det(A), siendo A =
.

1 0 1 0
0 1 1 0

det

0 0

10

1 0 1
1 0 1 0

0
0 1 0 1
0 1 0 1

= det
=
= det

1 0 1

0
0 1 1 0

0 0

0
0

0 2
1 1

1
0

0 1 1 0

1 0 1 0
1 0 1 0
0
1
0
1

0 1 0
= det
=
1

0 0 2
1 = 2 det 0 0 1
2
0 0 1 1
0 0 1 1

1 0 1 0
1
0
1 = 3.
0
= 2 det
1
2
0 01
0 0 0 23

5.2.3 Desarrollo del determinante por una fila o columna

Veremos ahora formulas para el determinante analogas a las del Corolario 5.6 en
las cuales la primera columna (o fila) de la matriz es reemplazada por cualquier
otra columna o fila.
Sea A Knn, A = (aij ). Sean A1, . . . , An las columnas de A.

Observemos

que se
puede
ubicar
la j-esima
columna
en1 el
lugar de la primera,
sin modificar
el
orden de
las restantes,
por
medio de
de A
j
intercambios
de columnas.
Entonces
j 1
det(A) = (1) det( Aj | A1 | A2 | . . . | A
A |...|A)
j 1 | j+1
n

j 1

(1)

.
i
.
(1)1+ aij det(A(i|j)).
i=1

.
i j
(1) + aij det(A(i|j)),

i=1

lo
da una formula
desarrollo
del determinante
de una
matriz
porque
lat j-esima
columna para
para el
1
j n arbitrario.
Usando que
det(A)
=
det(A
), 1
se prueba
una formula para el desarrollo por la i-esima fila para
cualquier
i n.
Hemos demostrado el siguiente resultado:
Proposicion 5.11 Sea A = (aij ) K nn . Entonces
det(A)
=
det(A)
=

n
.
i=1
n
.
j=1

i j

para todo j con 1 j n

i j

para todo i con 1 i n.

(1) + aij det(A(i|j))

(1) + aij det(A(i|j))

1 2 1 2
2 1
1 0
Ejemplo. Calcular det(A), siendo A =
.

1 0 2 0
1 0 1 0
Desarrollando el determinante por la segunda columna, se obtiene:

1 2 1
1 2 1
det(A) = (1)1+2. (2). det 1 2 0 = 2. det 1 2 0 ,
1 1 0
1 1 0
y desarrollando por la tercera columna el determinante del miembro derecho,
.
.
1+3
1 2
det(A) = 2.
(
1)
.
1.
det
= 2. (1. 1 2. 1) = 2.

1 1

5.2.4 Determinante del producto de matrices

En esta seccion estudiaremos como se comporta el determinante con respecto al
producto de matrices. Para esto, probaremos en primer lugar un resultado sobre
funciones multilineales
alternadas que nos sera de utilidad.
Proposicion 5.12 Sea f : K nn K multilineal alternada tal que f (In ) =
. Entonces
f = . det.
Demostracion. Como consecuencia de que ndet
: K nn K es una funci
on multilineal alternada, se tiene que . det : K n Ademas,
K es multilineal
alternada.
(. det)(I
n ) = .
Por la unicidad de las funciones multilineales alternadas (ver Teorema 5.4),
resulta que
f = . det.
Q
Proposicion 5.13 Sean A, B K nn . Entonces det(A.B) = det(A). det(B).
Demostracion. Se define f : K nn K
f (X) = det(A.X). Nuestro
ncomo
n
objetivo
se tiene que f (B) = det(A).
det(B). es probar que para cada B K
Observamos que la funcion f es multilineal alternada y calculamos su valor
en In :
i) Para i con 1 i n,
.
.
f ( X1 | . . . | Xi + Xr | . . . | Xn ) = det A. ( X1 | . . . | Xi + X r | . . . | Xn ) =
i

= det( AX1 | . . . | AXi + AX

i | . . . | AXn ) =
r
= det( AX1 | . . . | AXi | . . . | AXn ) + det( AX1 | . . . | AX
| . . . | AXn ) =
i
= f ( X1 | . . . | Xi | . . . | Xn ) + f ( X1 | . . .i | X r | . . . | Xn ).
ii) Para K, 1 i n,

.
.
f ( X1 | . . . | Xi | . . . | Xn ) = det A.( X1 | . . . | Xi | . . . | Xn ) =
.
.
.
.
= det AX1 | . . . | [Link] | . . . | AXn = det AX1 | . . . | AXi | . . . | AXn =
= f ( X1 | . . . | Xi | . . . | Xn ).

5.3 Determinantes y matrices inversibles

119

Para 1 i n,

iii)

.
.
f ( X1 | . . . | Xi | . . . | Xi | . . . | Xn ) = det A.( X1 | . . . | Xi | . . . | Xi | . . . | Xn ) =
.
.
= det AX1 | . . . | AXi | . . . | AXi | . . . | AXn = 0.

iv) f (In) = det([Link]) = det(A).

Por la proposicion anterior, resulta que f = det(A). det.
Luego, para cada B Knn se tiene que det(A.B) = f (B) = det(A). det(B). Q

5.3

Determinantes y matrices inversibles

El objetivo de esta seccion es estudiar la relacion entre

determinantes e
inversibilidad
de [Link] que una matriz A K nn es inversible si y
solo si su determinante
no nulo. A continuacion, mostraremos que los determinantes pueden ser
utilizados tambien para la resolucion de sistemas de ecuaciones lineales.

5.3.1

Inversibilidad de matrices

El siguiente resultado, cuya demostracion se basa en la formula para el

determinante de un producto de matrices vista en la seccion anterior, caracteriza
la inversibilidad de matrices por medio de determinantes:
Proposicion 5.14 Sea A K nn . Entonces A es inversible si y s
olo si det A = 0. Demostracion.
() Supongamos que A Knn es inversible. Entonces existe una matriz B Knn
tal que A.B = In . Aplicando el resultado de la Proposicion 5.13 se obtiene
que
1 = det(In) = det(A.B) = det(A).
det(B), de donde se deduce que det(A) = 0.
() Si det(A) = 0, entonces las columnas de A son linealmente independientes
(ver Proposicion 5.2 iv)) y, por lo tanto, A es inversible (ver Ejercicio 17, Seccion
2.5).
Q

5.3.2 Adjunta de una matriz

Dada una matriz A Knn, podemos asociarle una matriz, cuyos elementos se
calculan a partir de determinantes de submatrices de A que, en el caso en que
A sea inversible, nos permitira obtener la inversa de A.

Deftnicion 5.15 Sea A = (aij

) K nn . Se llama adjunta de A, y se nota
adj(A), a la matriz adj(A) Knn definida por
i j
(adj(A))ij = (1) + det(A(j |i)).

1 5 2
Ejemplo. Sea A = 2 1 1 . Entonces la adjunta de A es la matriz
1 2 0
+

det .
.
.
+ det . 1 1
5 2
5 2
det .
.

2 0
0

.
2 1
.

adj(A) = det
1
0

2
.
. 1
+ det
1

+ det

.
. 1

det

det
1

+ det

.
2 4
3
2 =
1 2 3
3
3 9

Si calculamos A. adj(A), tenemos

que

A. adj(A) = 0
0
de donde se deduce que A1 =

A 1

.
1

0
.

det(A)

9 0 ,
0 9

. adj(A). Teniendo en cuenta que det(A) = 9,

resulta que

. adj(A).

En el ejemplo anterior obtuvimos una relacion entre la matriz A, su adjunta

y su deter- minante. La siguiente proposicion muestra que lo mismo sucede en
general.
Proposicion 5.16 Sea A K nn . Entonces A. adj(A) = det(A). In . Luego, si
det(A) = 0,
se tiene que A1 =
1

. adj(A).

det(A)
Demostracion. Sea A K nn , A = (aij ). Entonces
n.

(A. adj(A))kA =

i=1

aki . (adj(A))i A =
i=1

i A

aki (1) + det(A(A|i)).

Si k = A, entonces (A. adj(A))A A =

la sumato-

i=1

(1)i+A aA i det(A(A|i)) = det(A), puesto que

ria resulta ser el desarrollo de det(A) por la A-esima fila.

122

Determinantes
n

Por otro lado, si k = A, se tiene que (A. adj(A))kA =

0, puesto

(1)i+A aki det(A(A|i)) =

i=1

que se trata del desarrollo por la A-esima fila del determinante de la matriz A(kA)
definida por
.
aij si i = A
(A(kA) )ij =

akj

si i = A

que tiene dos filas iguales.

La segunda parte de la proposicion se deduce inmediatamente de la igualdad
A. adj(A) = det(A).In.
Q

5.3.3 Regla de Cramer

Por ultimo en esta seccion presentaremos la regla de Cramer, que permite
obtener la (unica) solucion de un sistema lineal no homogeneo cuya matriz
asociada es inversible por medio de determinantes.
Proposicion

5.17

(Regla de

Cramer)

Sea A = (aij ) K nn una matriz

inversible, y sea
b K n1 . Entonces la (unica) solucion del sistema lineal A.x = b esta
dada por

a11
a
det 21
.
.

.
an1
xi =

. . . a1 i1
. . . a2 i1
.
..
. . . an i1

b1 a1 i+1 . . . a1n
b2 a2 i+1 . . . a2n

.
.
.
..
..
..
bn an i+1 . . . ann

para i = 1, . . . , n.

det A

Demostracion. Multiplicando la ecuacion A.x = b por adj(A), se tiene que

adj(A).A.x = adj(A). b.
Por la proposicion anterior y el hecho que A es inversible, adj(A).A = A. adj(A)
= det(A). In . En consecuencia,
det(A).x = adj(A). b.
Sea 1 i n. Entonces, de la igualdad anterior, resulta que
n

det(A).xi =

(adj(A). b)i1 =

n
.
.
i j
i j
(1) + det(A(j |i)) bj =
(1) + bj det(A(j |i))

=
j=1

det

a11 . . . a1i1
a21 . . . a2i1
.
.
..
..
an1 . . . ani1

j=1

b1 a1i+1
b2 a2i+1
.
.
..
..
bn ani+1

. . . a1n
. . . a2n
.
..
. . . ann

de donde se deduce la formula del enunciado de la proposicion.

La regla de Cramer en general no se utiliza para resolver sistemas de

ecuaciones lineales, pero es util para derivar resultados teoricos sobre las
soluciones de esta clase de sistemas.
Ejemplo. Sea A Znn tal que det(A) = 1 y sea b Zn. Entonces el sistema
lineal
A.x = b tiene solucion en Zn .
Sea x0 Qn la solucion del sistema A.x = b. Por la regla de Cramer,
sabemos que cada coordenada de x0 se obtiene como el cociente entre el
determinante de una matriz cuyos coeficientes son coeficientes de A y de b, y el
determinante de la matriz A. Como tanto los coeficientes de A como los de b
son numeros enteros, el determinante que aparece en cada
numerador es un numero entero y, puesto que det(A) = 1, el cociente resulta
entero. Luego
x0 Zn.

5.4

Calculo de algunos determinantes

Ejemplo. Calcular el determinante de

t
0
0

t
0

0 1 t
0 1
0
A =
... ... ...

0
0
0
0
0
0

la matriz A Knn definida por:

... 0
0
a0

... 0
0
a1

... 0
0
a2

... 0
0
a3

... ... ...

...

. . . 1 t
an2
. . . 0 1
t+
an1

Probaremos, inductivamente, que det(A)= tn + an 1tn11 + + a t + a .

0

Para n = 2:
det

a0

t+

= t(t + a1) + a0 = t2 + a1t + a0.

a1
Supongamos que vale para (toda
matriz de este tipo en Knn. Entonces, dada
una matriz
forma en K n+1)(n+1), desarrollando el determinante por la
primera
fila,de
y esta
aplicando
luego la hipotesis inductiva resulta que

t
0
0 ... 0
0
a0
0 ... 0
0
a1
1 t

0 1 t . . . 0
0
a2
det
0 1 . . . 0
0
a3
0
.. ... ... ... ... ...
...

0. 0
an1
0 . . . 1 t
0
0
0 . . . 0 1 t +
an

5.4 Calculo de algunos determinantes

= t. det

t
0
0
0
1 t
0 1 t
.. ... ...
0. 0
0
0
0
0

= t.(t + ant

n1

... 0
a1
. . .
a2
0
... 0
a3
... ...
...
... t
an1
. . . 1 t +
an

n
n
+ (1) +2a0(1) =

+ + a1) + a0 = t

Ejemplo. Dados k1, . . . , kn K se define la

1
1
k1
k2
V (k1, k2, . . . , kn)
= k12
k22

.n..1
.n.1.
k
k2
1
.
.
Entonces det V (k1, k2, . . . , kn) =

123

n+1

+ ant + + a1t + a0.

matriz de Vandermonde:

... ...
1
. . . . . . kn

. . . . . . kn2
Knn.
. . . . . . .n.1.
. . . . . . kn

(kj ki).

1i<jn

Vamos a probarlo por induccion

en n: Para n = 2,

.
.
det V (k1, k2) =
det

k1

k2

= k2 k1,

y por lo tanto, la formula vale.

.
.
Supongamos ahora que vale para n y calculemos det V (k1, k2, . . . , kn, kn+1) .
Se tiene
que

1 1 ... ...
1

k1 k2 . . . . . . kn+1
.
.
2
2
det V (k1, k2, . . . , kn+1) =
det
k1 k2 . . . . . . kn+1 .

. .n. . n. . . . . . . . .n. .
k
k2 . . . . . . kn+1
1
Para i = n, n 1, . . . , 2 a la i-esima fila de esta matriz le restamos k1 veces la
fila i 1 y obtenemos:
.
.
det V (k1, k2, . . . , kn+1) =

1
1
0
k2 2 k1
0 k k 1k 2
= det

...
0

...

k1k

n1

1
k2 3 k1
k k1 k3
3

...
1

. . . 2 kn+1 k1
... k
k1kn+1
n+1

3 n+1

...
...
n
n 1
... k
kn k 1k

n+

...

n 1
k1k 1

12
4

Determinantes

1
0

0
k2 k1
= det 0
0 (k (k2
. . . n 2 k.1)k
. .2 2
k1)k 1

n+1
Y

1
k2
...
(kj k1). det

j=2

kn 1
2

n+1

(kj k1) .

j=2

...
0
...
kn+1 k
1

. . . (kn+1 k1)kn+1

...
...
n1
. . . (kn+1 k1)kn+1

0
k3 k1
(k3 (k
3
3
n 1
. .3
k1)k k.1)k

...
1
. . . kn+1
... ...

1
k3
...
n 1

n 1

k3

. . . kn+1

(kj ki)

2i<jn+1

(kj ki).

1i<jn+
1

Observacion 5.18 Del ejemplo anterior se deduce

que, si k1 , . . . , kn K son
escalares
dis- tintos,
matriz V (k1, . . . , kn) Knn es inversible, pues su
determinante
es no la
nulo.
La matriz de Vandermonde se relaciona con el siguiente problema de interpolaci
on: dados
0, . . . , n K escalares distintos, y 0, . . . , n K escalares arbitrarios, hallar un
n
polinomio
.
P=
a iX i K[X] de grado menor o igual que n tal que P (i) = i para cada 0
i n.

i=0

Estas condiciones dan lugar a un sistema de ecuaciones lineales para los

coeficientes de P :
t

(V (0, . . . , n)) .x = ,
donde xi (0 i n) representa el coeficiente de Xi en P y = (0, . . . , n)
Kn+1.
Ahora, siendo (V (0, . . . , n))t una matriz inversible (por ser 0, . . . , n escalares
distinn
.
aiX i
tos), este sistema tiene solucion unica (a0 , . . . , an ) K n+1 , y el
polinomio P =

i=0

cuyos coeficientes
son las ocoordenadas
de esta solucion resulta ser el unico
polinomio
de grado
menor
igual
i n (polinomio
interpolador
de que n que satisface P (i) = i para cada 0
Lagrange).

5.5

Rango de una matriz y determinante

De acuerdo a lo que hemos visto previamente, para decidir si una matriz es

inversible, basta verificar si su determinante es no nulo. En esta seccion
veremos que, aun en el caso de una matriz A no inversible, es posible
determinar el rango de A calculando determinantes de submatrices de A.
Deftnicion 5.19 Sea A K nm y sean 1 r n, 1 s m. Una submatriz de A en
K r s
es una matriz B Krs que se obtiene suprimiendo n r filas y m s columnas de A.

5.5 Rango de una matriz y determinante

2 1 3
Ejemplo. Sea A R33, A = 2 2 1 .
1 4 1

Una submatriz de A de 2 3 es, por

ejemplo, la primera fila de A.
Una submatriz de A de 2 2 es, por
ejemplo, tercera fila y la segunda
columna de A.

125

.
.

.
2 1
, que se obtiene al suprimir
2 4
1
1

3
2 2 1

.
, que se obtiene al
suprimir la

La relacion entre rango y submatrices con determinante no nulo viene dada por
la siguiente proposicion.
Proposicion 5.20 Sea A K nm . Son equivalentes:
i) rg(A) r.
ii) Existe B Krr submatriz de A con det(B) = 0.
Demostracion.
i) ii) Si rg(A) r, entonces existen r filas Fi1 , . . . , Fir (i1 < . . . < ir) der A que
son linealmente independientes. Consideramos
la submatriz A de A
formada
por dichas
Se rtiene que Ar K rm y rg(Ar ) = r. Esto
ultimo implica
quefilas.
Ar tiene
columnas Cj1 , . . . , Cjr (j1 < . . . < jr) linealmente independientes.
Sea B Krr la submatriz de Ar cuyas columnas son Cj , . . . , Cj . Es claro
que B es
1

una submatriz de A y, como sus columnas son linealmente independientes,

det(B) = 0.
ii) i) Supongamos que B Krr es una submatriz de A con determinante no
nulo. En- tonces, las columnas de B son linealmente independientes.
Consideremos la submatriz Ar Krm de A que resulta de suprimir las
mismas filas que para obtener B (pero sin suprimir ninguna columna).
Entonces las columnas de
B son algunas de las columnas de Ar , con lo que rg(Ar ) rg(B) = r y, por
lo tanto,
rg(Ar ) = r, pues Ar tiene r filas.
r
Finalmente,
donde rg(A) observemos
rg(Ar ) = r. que las filas de A son algunas de las filas de A , de
Q

De esta proposicion se desprende el siguiente resultado que permite

obtener el rango de una matriz estudiando los rangos de sus submatrices
cuadradas.
Observacion
5.21
Sea A K nm una matriz que posee una submatriz de r r
inversible,
pero
no
Entonces rg(A)
= [Link] ninguna submatriz de (r + 1) (r + 1) inversible.

12
6

Determinantes

5.6

Otra formula para el determinante

Concluimos este captulo dando una formula alternativa para el determinante.

FF21
Dada A = (aij )
=
K nn , usando que el determinante es una funcion
.
.
. multilineal

Fn
alternada por filas tenemos que

det(A) =
.

a1i
1

1i1n

1
ei2
F

det .
..
Fn

donde ei1 es el i1 -esimo vector de la base canonica de K . Repitiendo el

n
procedimento para todas las filas tenemos que

det(A) =

a1i1
1i1,i2,...,inn a
2i2

...
anin

eeii2

det

.. .
.

ei n

Dado que, si una matriz tiene dos filas iguales, su determinante es cero, en la
suma podemos quedarnos solo con los determinantes de las matrices cuyas
filas son los n vectores distintos de la base canonica, eventualmente cambiados
de orden. Para facilitar la notacion, daremos la siguiente
Deftnicion 5.22 Sea In = {1, 2, . . . , n} N.

Una permutacion de In es una

funcion
: In In biyectiva. El conjunto de todas las permutaciones de In se nota Sn.
Luego
,

det(A) =
.

Sn

a1(1)a2(2)

e(1)

e(1)
e(2)

. . . an(n)
.det

.
e(n)

e
Como el determinante de la matriz (2) solo depende de la permutacion y
siempre da

.
..
e(n)
1 o 1 (ya que la matriz se obtiene intercambiando filas de la matriz In),
podemos definir
el signo de la permutacion (que notaremos sg()) como dicho
determinante. Usando esta
notacion, tenemos:

Proposicion 5.23 Sea A = (aij ) K nn . Entonces

.
det(A) =
sg() a1(1)a2(2) . . . an(n).
Sn

Observacion 5.24 Para calcular el signo de una permutacion Sn basta

considerar la

e
(1)
e

matriz (2) y contar cuantos intercambios de filas se deben realizar

para conseguir

la
.
..
e(n)
matriz In . Si el numero de intercambios es r, el signo de la permutacion sera
(1)r .
Nota. La definicion de signo de una permutacion puede darse
independientemente de la definicion de determinante. De esta forma, la
identidad de la Proposicion 5.23 nos da una
funcion de K nn en K que puede probarse que es multilineal alternada y que en
la identidad
vale 1 y por lo tanto es la funcion determinante. Esto nos dara una definici
on no inductiva del determinante independiente de nuestra definicion anterior.

5.7

Ejercicios

Ejercicio 1. Calcular el determinante de las siguientes

matrices:
.
i)
.

3 2
4

iv)

2 1

2. 2

ii)

1 1 2
v)
4 1 5

1
2

5 4 2 5
2 3 0 6

4 5 0 6

2 0 1
7
6

iii) 3 0

2 3

vi)

8
Ejercicio 2. Calcular el determinante de las matrices elementales definidas en la
Seccion 2.3.
Ejercicio 3. Calcular el determinante de A Knn siendo
0
0
A=
.. .

0
a

0
0
...
an1
0

... 0

. . . a2 a01

... ... ... .

... 0
0
... 0

Ejercicio 4.
i) Si A Knn, B Kmm y C Knm, sea M K(n+m)(n+m) la matriz de bloques
.
.
A C
definida por M =
. Probar que det(M ) = det(A). det(B).
0B
ii) Sean r1 , r2 , . . . , rn N y para cada i , 1 i n, sea Ai K ri ri . Se
considera la matriz de bloques

A1 0 0 . . . 0
0 A2 0 . . . 0

M =
0 0 A3 . . . 0
.

... ... ... ... ...

0 0 0 . . . An
Calcular
det(M ).
Ejercicio 5. Calcular

1 2
1
0
i) 1

2

... ...

iii)

los determinantes de las siguientes matrices:

3 ... n
x
a
a ... a
a
x
a ..
a
3 ... n

ii) a
.
a
x
0 . . . .n. .

... ..
. . . . .a.

... ... .
...

a ... x
a
a
1 2 3 . . . 0

0 1 1 ... 1 1
x

1 x0 x0 .. .. .. x
x
x
1

.. ... ... ... ... ..

.

1 x
.
x ... 0
x
x ... x
1 x
0

Ejercicio 6. Calcular inductivamente el determinante de A Rnn:

2 1
0
0 ... ... 0

1
0 ... ... 0
1 2

0 1
2
1
0 ... 0
A =

. . . . . . . . . . . . . . . . . . . .
.

.
0 ... 0
1
2
1

0
0 ... ... 0
1
2 1
0 ... ... ... 0
1 2
Ejercicio 7. (Calculo alternativo para el determinante de la matriz de
Vandermonde.) Dada la matriz

1
1
... ...
1
k1
k2
. . . . . . kn
2
2
V (k1, k2, . . . , kn)
=
... ...
k
k2

n
1

.n..1
.n.1. . . . . . . .n.1.
k
k2
. . . . . . kn
1

k2

.
.
Q
probar que det V (k1, k2, . . . , kn) =
perder

(kj ki) de la siguiente forma: Sin

1i<jn

generalidad se puede suponer que ki = kj si i = j. Si se considera el

determinante de
V (k1, k2, . . . , kn1, X) como polinomio en X, probar que k1, . . . , kn1 son sus ra
ces y facto- rizarlo.
Ejercicio 8. Calcular los siguientes
determinantes:

1 +a 1+b 1+c 1+d

2
i) 1 + a 12 +
b

3
1+a

2
1 + d
12 +
c
1 + b3 1 + c3

c3
d3
4
4
1 + a 1 + b 1 + c4 1 +
d4

Ejercicio 9. Sea A = (aij ) R

calcular el
determinante de la
matriz

3 3

1 1

a2

b2 c2 d2
ii) 3

1 + d3
a
a4

b3

b4 c4 d4

1
1
tal que A. 2 = 2 . Si det(A) = 3,
1

a12

a22

a32

a11 + 2a13 a21 + 2a23 a31 + 2a33

.

Ejercicio 10. Dadas las matrices A, B

2 1

R22
.
A=

3
2

B=

probar que no existe ninguna matriz C ttL(2, R) tal que A.C = C.B. Y si no se
pide que
C sea inversible?
Ejercicio 11. Sea A R33

0 1
la matriz A = 0

2
1

2 y sea B R33, B = (bij

), una

0 2 3
matriz tal que det(A + B) = det(A B). Probar que B es inversible si y solo si
b11 = b21 .
Ejercicio 12.
i) Sea A R44 la matriz

a b
c
b
a
d

A = c d a

d
c

.
b

d c b a
Probar que el sistema A.x = 0 tiene solucion unica si y solo si a, b, c y d no
son todos iguales a cero.
ii) Analizar la validez de la afirmacion anterior si A C44 .

130

Determinantes

Ejercicio 13. Sea A Knn y sea K. Probar que existe x Kn, x = 0, tal que
A.x = .x si y solo si det(A .In ) = 0.
Ejercicio 14. Sean 1, . . . , n R, todos distintos y no nulos. Probar que las
funciones
e1 x , . . . , en x son linealmente independientes sobre R. Deducir que
RR no tiene dimension finita.
n
.
Sugerencia: Derivar n 1 veces la funcion
ci ei x .
i=1

Ejercicio 15. Calcular el determinante, la adjunta y la inversa de cada una de las

siguientes matrices:
.
3
i)
1

2
.

2 3

ii) 5 4

iii)

1 1

5
1 1 2

1 2

4
2 1 0

Ejercicio 16. Sea A una matriz inversible.

iv)

cos 0
0

sen 0

sen

0
cos

.
.
Calcular det adj A .

Que pasa si A

no es
inversible?
Ejercicio 17.
i) Resolver los siguientes sistemas lineales sobre Q empleando la regla de Cramer:

,
3.x1 x2
x1 + x2 + x3 + x4 = 0
a)

= 3
x1 + 7.x2 =
4

x1 + 2.x2 4.x3 + x4
= 1
c)
.
3.x1 2.x2 +
= 4
x1 x2 x x 4

x3 = 0
3
2.x1 + x2 + 4.x3 = 2
b) x1 + x2 + 2.x3

5.x1 + x2 3.x3 + 2.x4

= 0
=1
ii) Resolver el siguiente sistema lineal sobre Z7

3x + y + 2z
x+z
=

2x + 2y + z

b
a
e
Ejercicio 18. Sea A R
la matriz A =
gd h

1 b c
a 2 c
det 2 e f = 0, det d 4 f =
3 3

5
i
Calcular det A.

g 10
i

empleando la regla de Cramer:

= 1
6
= 3

fc . Se sabe
i
que

a b 1
0, y det d e 2 = 0.
g h 5

Ejercicio 19.
i) Sea A K 33 no inversible tal que A11 .A33 A13 .A31 = 0. Calcular la
dimension de
S = {x K3/ A.x = 0}.
ii) Sea A Knn no inversible tal que adj(A) = 0. Calcular rg(A) y rg(adj(A)).
Ejercicio 20.
i)

Sea A = (aij ) K 66 . Con que signos aparecen los siguientes

productos en det(A)? a)
b)

a23.a31.a42.a56.a14.a65

a32.a43.a14.a51.a66.a25

ii) Sea A = (aij ) K55. Elegir todos los posibles valores de j y de k tales
que el producto
a1j .a32.a4k .a25.a53 aparezca en det(A) con signo +
iii)

Sea A = (aij ) K 44 . Escribir todos los terminos de det(A) que

tengan al factor a23

y signo +
iv)
Sin calcular el determinante, calcular los coeficientes de X 4 y de X 3
en

2.X X 1 2
1 X 1 1
det

.
3 2 X
1
1
1 1 X
v) Sin calcular el determinante, calcular el coeficiente de a6 y el de b6 en

1
1

det 1
a

1
b

b
1
1
1
1
a

a
b
1
1
a
1

1
1
a
1
b
1

1
a
b
1
1
1

1a

1 .
b

a
1

Ejercicio 21. Sean A, B, C, D Knn. Sea M K2n2n la matriz de bloques

.

.
A B
M =
.
C D
Probar que si A ttL(n, K), det(M ) = det(A.D A.C.A1 .B). Si ademas
A.C = C.A
entonces det(M ) = det(A.D C.B).

132

Determinantes

Captulo 6

Diagonalizacion
En este captulo empezaremos a estudiar la estructura de los endomorfismos de
un espacio vectorial de dimension finita.

6.1

Nociones basicas

Dada una transformacion lineal f : K n K n , y dos bases B1 y B2 de K n se

tiene que
|f |B1 = C(B2 , B1 )|f |B2 C(B1 , B2 ) = C(B2 , B1 )|f |B2 C(B2 , B11) ,
y por lo tanto, existe una matriz
C ttL(n, K) tal1 que |f |B = C. |f |B . C 1 .
n n
Recproca- mente,
son
que existe una matriz C ttL(n, K)
n tales
1 si A, B K

tal que A = C.B.C , definiendo

f : K K n como f (x) = A.x y considerando B1
= E la base canonica
de K n y
n
B2 la base de K formada por las columnas de C, resulta que
A = |f |B1 y B = C 1.A.C = C(E, B2 )|f |E C(B2 , E) = |f |B2 .
Esto da lugar a la siguiente definicion (ya introducida en el Ejercicio 35 de la
Seccion 3.8):

n
1
Deftnicion
6.1 una
Sean
A, B CKn
. Se
que A
y BC.B.C
son semejantes,
y se nota
A B, si existe
matriz
ttL(n,
K)dice
tal que
A=
.

Por lo tanto, se demostro la siguiente propiedad (que es lo propuesto por el

Ejercicio 36 de la Seccion 3.8):
Proposicion 6.2 Sean A, B K nn .

Entonces A B si y solo si existen una

transformacion
lineal f : K n K n y bases B1 y B2 de K n tales que
|f |B = A2 y |f |B = B.
1
Por lo que vimos, una misma transformacion lineal da lugar a matrices
semejantes si calculamos sus matrices en distintas bases. Es por eso que, en lo
que sigue, estudiaremos la

13
4

Diagonalizaci
on

semejanza de matrices. El primer problema que consideraremos es el de

determinar si una matriz es semejante a una matriz diagonal.
Deftnicion 6.3 Una matriz A K nn se dice diagonalizable si existe una
matriz C
ttL(n, K) tal que C.A.C1 es una matriz diagonal.
En otras palabras, una matriz diagonalizable es una matriz que es semejante
a una matriz diagonal. La nocion correspondiente para transformaciones lineales
es la siguiente:
Deftnicion 6.4 Sea V un K-espacio vectorial de dimension finita, y sea f :
V V una transformacion lineal. Se dice que f es diagonalizable o diagonal
si existe una base B de V
tal que |f |B es diagonal.
Teniendo en cuenta que la semejanza de matrices es una relacion de
equivalencia (ver Ejercicio 35 de la Seccion 3.8) deducimos que:
Observacion
6.5 Sea V un K-espacio
vectorial de dimension finita y sea f
:si V|f | es
V una
transformacion
diagonalizable
para lineal. Entonces f es diagonalizable si y solo
B
toda base B de V .

6.1.1

Autovalores y autovectores

Sea
V un K-espacio
de dimension
n y una
sea base
f : VB
transformacion
linealvectorial
diagonalizable.
Luego, existe
= V{v1una
, . . . , vn } de
V tal que |f |B es diagonal:

1 0 . . . . 0
..
. .

.
2
|f |B =
.
. .

.
..
.. .. 0
0 . . . 0 n
Entonces, para cada 1 i n, f (vi) = ivi.
Recprocamente,
si para
una base B = {v1 , . . . , vn } de V y 1 , . . . , n K
se
cumple
que f (vi ) f=
y, en
consecuencia,
esi vi para cada 1 i n, la matriz |f |B es diagonal
diagonalizable.
Esto nos lleva a la siguiente definicion:
Deftnicion
6.6 Sea que
V unv K-espacio
vectorial,
sea f : V de
V una
on
lineal.
V , v =
0,seesllama
unyautovector
f sif .transformaci
existe K
tal que
f (v)Se=dice
.v. El elemento
K
un autovalor de
Usando estas definiciones, el razonamiento anterior se puede reescribir de
esta forma:
Proposicion 6.7 Sea V un K-espacio vectorial de dimension n y sea f
: V V una transformacion lineal. Entonces f es diagonalizable si y
solo si existe una base B de V formada por autovectores de f.

nn
La mismas
nociones
se pueden definir
matrices:
Dada Apor
K
n
le puede
asociar
una transformacion
lineal para
fA : K
K n definida
fA (x), se
=
n
A.x.
Notar que |f |E = A, donde E es la base canonica de K . Entonces v
K n , v = 0, es un A
autovector de fA de
autovalor si y solo si A.v = .v.

Deftnicion 6.8 Sea A K nn . Se dice que v K n , v = 0, es un autovector de

A si existe
K tal que A.v = .v. El elemento K que verifica la condicion anterior se
llama un
autovalor de A.
Podemos dar tambien un resultado analogo a la Proposicion 6.7 para
matrices:
Proposicion 6.9 Sea A K nn . Entonces A es diagonalizable si y solo
si existe una base
B de Kn formada por autovectores de A.
Ejemplos.
1. Decidir si A
=

R22 es diagonalizable.
2 3
.
2 1

En virtud de la proposicion anterior, basta buscar los autovectores de

A, es decir, los
.
. .
.
vectores x = (x1, x2) R2 tales que (x1, x2) =
para
=
.x
1
x
(0, 0) y A.
1
.x2
x2
algun R.
Para esto, buscaremos en primer termino los elementos R para los
cuales el sistema
2
A.x
=cada
.x tiene
no trivial (autovalores de A) y despues,
para
uno
desolucion
los valores
soluciones
del sistema
lineal hallados, los vectores (x1, x2) R que son
correspondient
e. Observamos
que
.
A.x = .x (I2 A).x = 0
2 3
. .. . . 0.

=
.
2
0
1
xx2
1
2 el
Este
sistema homogeneo
tiene solucion
no trivial si y solo si
determinante
de su matriz
Luego,
los autovalores
de Aasociada
son = es
10, o sea, si y solo si 3 4 = 0.
y = 4.

Busquemos ahora los autovectores correspondientes a cada

autovalor: Para = 1, queda el sistema
.
. .
. .
.
3 3
= 0 ,
x1
2 2
x2
0
cuyo
conjuntoasociados
de soluciones
(1,<(1,
1)
>.1)Luego
el 0)
conjunto
de los
autovectores
a =es
1<es
> {(0,
}.
Para = 4, el sistema es

. .

.
0 ,

x1
x2

cuyo conjuntoasode soluciones

es4<es
(3,<2)(3,
>.2)
Luego
el conjunto
de los
autovectores
ciados a =
> {(0,
0)}.
En consecuencia, A es diagonalizable, puesto que B = {(1, 1), (3, 2)} es una
base de
R2 formada por autovectores de A. Mas aun, si C = C(E, B) se tiene
que
.
.
1 0
.
C. A. C1 =
0 4

0 0
2. Decidir si A = 1 3 0 es diagonalizable en R33.
0 0 3
Busquemos los autovalores de A, es decir, los valores de R para los cuales el
sistema
A.x
==
.x0tiene
solucion no
o, equivalentemente,
sistema
(.I3

notrivial
trivial.
Pero esto vale si y el
solo
si det(.I
3
A)A).x
= 0,
estiene
decirsolucion
( 3)3 =
0.
Luego, = 3 es el unico autovalor de A.
3

Si A fuese diagonalizable, existira C ttL(n, K) tal que

3 0 0
3 0 0
C.A.C1 = 3 0 A = 0 3 0
0 0 3
0 0 3 .
Luego, A no es diagonalizable.

6.1.2

Polinomio caracterstico

Como vimos en la seccion anterior, un metodo para determinar si una matriz es

diagonalizable consiste en buscar sus autovalores y luego ver si se puede armar
una base de autovectores.
Sea A Knn y sea K. Se tiene que:
es autovalor de A

trivial.

x K {0} tal que A.x = .x.

El sistema A.x = .x tiene solucion no trivial.
El sistema (.In A).x = 0 tiene solucion no
det(.In A) = 0.

(Comparar con el Ejercicio 13 de la Seccion 5.7.)

n
Deftnicion
Sea A KXn
. Se llama polinomio caracterstico de A, y
se nota XA ,6.10
al polinomio
A = det([Link] A) K[X].

Si A K nn , XA resulta ser un polinomio monico de grado n (notar que

en la matriz
X.I n A, solo aparece n veces X y que el signo del termino (X a11 ) . . . (X
ann ) en el
determinante es 1). Por lo anterior, tenemos:

6.2 Una caracterizacion de matrices diagonalizables

13
7

Proposicion 6.11 Sea A K nn y sea K. Entonces es autovalor de A

si y solo si
es raz del polinomio caracterstico de A.
.
Ejemplo. Decidir si A
=

0 1
1

.
es diagonalizable en Q22, R22 y C22.

0
Los autovalores de A son las races del polinomio
.
.
X 1
2

XA = det

= X + 1.
1 X
Como este polinomio no tiene races en Q ni en R, resulta que A no es
diagonalizable en Q22
ni en R22.
2 2
Considerada
como matriz
i y}. Como
i, y los
autovectores
asociados
son <en
(1, 2C
i) >,los
{(0,autovalores
0)} y < (1, de
i) >Ason
{(0,
0)
B
=
{
(1,
i),
(

1,
i)
}
es
una
base
de
C
formada
por
autovectores
de
A,
entonces
2 2
A es diagonalizable en C .

Queremos definir el polinomio caracterstico asociado a un endomorfismo de

un espacio vectorial de dimension finita. Para eso, veremos que dos matrices
semejantes tienen el mismo polinomio caracterstico.
Proposicion 6.12 Sea A K nn y sea C ttL(n, K). Entonces

XC.A.C 1 = XA . Demostracion. Se tiene que

XC.A.C1

det([Link] C.A.C1) = det([Link].C1 C.A.C1)

det(C.([Link] A).C1) = det([Link] A) = XA.

Deftnicion
6.13 Sea V un K-espacio vectorial de dimension finita, y sea f :
V VXfuna
como
= transformacion
X|f |B , donde B lineal. Se define el polinomio caracterstico de f
es una base cualquiera
de V .
Como en el caso de matrices, se tiene que:
Observacion
6.14 Sea V unlineal
K-espacio
de dimension
finita. de
Sea
V
Vsiuna
y sea vectorial
K. Entonces
es autovalor
f sif y:
solo
estransformacion
raz de Xf .

6.2
6.2.1

Una caracterizacion de matrices diagonalizables

Suma directa de subespacios

Para lo que sigue, vamos a necesitar generalizar la nocion de suma

directa de dos subes- pacios de un K-espacio vectorial (ver Seccion 1.4.2)
al caso de cualquier cantidad finita de subespacios.

Deftnicion 6.15 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr

subespacios de V . Se define la suma de S1, S2, . . . , Sr como
W = S1 + S2 + + Sr = {s1 + + sr / si Si, 1 i r}.
Es facil ver que W es un subespacio de V .
Deftnicion
6.16
V unque
K-espacio
y suma
sean S1 , S2 , .si,. .para
, Sr
subespacios
de V Sea
. Se
S1, S2, . . . vectorial
, Sr estan
cada
w
+ dice
caso
+ se
Sr existen
si en
Si , 1 i directa
r, tales que w
= s1 +
. .W
. +=srS.1 +
EnS2este
dice queunicos
W es la suma
directa de los subespacios S1, . . . , Sr, y se nota
r

W = S1 S2 Sr =

Si.

i=1

Vamos a dar una definicion equivalente de la suma directa de varios

subespacios:
Proposicion 6.17 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr
subespacios de V . Son equivalentes:
r

i) W =

i=1

Si.

ii) W = S1 + . . . + Sr y para cada 1 j r, vale

Sj (S1 + S2 + + Sj1 + Sj+1 + + Sr) = {0}.
Demostracion.
i) ii) Sea 1 j r. Sea x Sj (S1 + S2 + + Sj1 + Sj+1 + + Sr).
Entonces
x = 0+ + 0 + x+ 0 +
+ 0, x = s1 + + sj1 + 0 +
sj+1 + + sr.
Por la unicidad de la escritura en la suma directa, resulta que x = 0.
r

ii) i) Por hipotesis, existen s1 , . . . , sr con si Si para cada 1 i r tales que w =

.
si .
i=1
. r
.
r
Supongamos que w =
si =
sr con si, sr Si para cada 1 i r.
i=1

i=1

Entonces, para cada 1 j r, se tiene que

.
r
sj sr =
(sr si ).
j

Como sj sr Sj y
otesis
j

.
r

i=1
ij
=

(sr si ) es una suma donde cada sr si Si , de la hip

i

i=j
se deduce que sj i=1
sr = 0. Luego, sj = sr .

Como en la suma directa de dos subespacios, en este caso tambien es

posible obtener una base del espacio suma uniendo bases de cada uno de los
sumandos. La demostracion de este resultado es analoga a la de la Proposici
on 1.46.
Proposicion
6.18 Sea V un K-espacio vectorial y sean S1 , S2 , . . . , Sr
subespacios
equivalentes:de V . Para cada 1 i r, sea Bi una base de Si. Son
rL
i) W =
Si.
i=1

ii) B = B1 B2 Br es una base de W.

Observamos que en la condicion ii), B es la familia obtenida mediante
la union de las familias B1, B2, . . . , Br.

6.2.2 Espacios de autovectores y diagonalizacion

Dado un autovalor de una matriz A Knn, el conjunto de los autovectores de
autovalor no es un subespacio de K n , puesto que, por definicion, 0 no
es un autovector de A.
Sin embargo, podemos considerar el siguiente
subespacio que consiste en agregar el vector 0 a ese conjunto:
Deftnicion 6.19 Sea A K nn y sea un autovalor de A. Se define
n

E = {v K / A.v = .v} = {v K / ( In A).v = 0}.

Observamos que E es un subespacio de K n , puesto que es el conjunto de
soluciones de un sistema lineal homogeneo.
Proposicion 6.20 Sea A K nn y sean 1 , . . . , r autovalores distintos de
A. Entonces
E1 , . . . , Er estan en suma directa.
Demostracion. Lo probaremos por induccion en la cantidad r de autovalores
considerados. Para r = 2: Sean 1

y 2

autovalores distintos de A. Si v

E1 E2 , se tiene que
A.v = 1.v y A.v = 2.v, de donde (1 2).v = 0. Como 1 2 = 0, resulta que v
= 0.
Luego, E1 E2 = {0} y la suma es directa.
Supongamos ahora que el resultado vale para el caso de r autovalores
distintos, y sean
1, . . . , r, r+1 autovalores distintos de A.
r+1
L
Debemos probar que para cada 1 i r + 1, Ei
Ej = {0}. Sin p
erdida de
j=1
j =i

generalidad, supongamos que i = r + 1.

r
L
Sea v Er+1
Ej . Entonces, existen vj Ej (1 j r) tales que v = v1
+ . . . + vr .

j=1

Multiplicando esta igualdad por la matriz A, tenemos

r+1v = 1v1 + . . . + rvr,

140

Diagonalizaci
on

pero si la multiplicamos por r+1, se tiene

r+1v = r+1v1 + . . . + r+1vr.
Restando miembro a miembro,
0 = (1 r+1)v1 + . . . + (r r+1)vr.
Como
por
hipotesis
inductiva,
los
subespacios
Ej unica
(1 j como
r) estan
en
suma Luego,
directa,
elvector
cero
separa
escribe
de
forma
suma
de
ceros.
(

)v
=
0
cada
1

r
y,
por
lo
tanto,
v
=
0
j
r+1
j
j
para cada 1 j r, con lo cual v = 0.
Q
Ya vimos que todo autovalor de una matriz A es raz de su polinomio
caracterstico.
Ahora
veremos
siempre
multiplicidad
de que
como
raz existe
de [Link] relacion entre la dimension de E y la
Proposicion
K nnX y =sea
Sea Pr()
la multiplicidad
de =

r
como nraz 6.21
de XASea
(es Adecir,
(X )K.
P con
= 0) y sea E
A

{x K / A.x = x}. Entonces dim(E

) r.
n
Demostracion.
K n la transformacion lineal definida por
A : K
fA (x) = A.x.
Sea Sea
s = fdim(E
) y sea {v1, . . . , vs} una base de E. Seann vs+1,
n
.tiene
. . , vnque
K tales que B = {v1, . . . , vs, vs+1, . . . , vn} es una base de K . Se

ss

|fA |B

de
donde

= .

0 xs
..
.
..
. .
.
..
.. ..

0 0

XfA

N ,

..

ss

0
det
.

..

0 xs
..
.
.
..
0

0
..
.
..

= (X ) det(XIns M )
s

(X ) Q.

0
s

XIns M

Por hipotesis, XA = (X )r P con P K[X] tal que P () = 0. Entonces

s

(X ) Q = Xf A= XA = (X ) P con P () = 0,
de donde s r, es decir, dim(E) mult(, XA).

El siguiente teorema establece condiciones necesarias y suficientes sobre los

subespacios
E asociados a los autovalores de una matriz para que esta sea diagonalizable.
Teorema 6.22 Sea A Knn y sean 1, . . . , r todos los autovalores de A en
K, con i = j
si i = j. Son equivalentes:
i) A es diagonalizable en Knn.
r
L
ii)
Ei = K . n
i=1

iii)XA = (X 1 )a1 . . . (X r )ar y ai = dim E para cada 1 i

i

r. Demostracion.
i)

n n

ii) Si A es
diagonalizable
en
K
, existe
una
B = {vi,
, vin
} de
Kn
1, .1. .
formada
por
autovectores
deautovalor
A. Para
cada
vj base
B,existe
r, los
tal
que
v
es
autovector
de
A
de

(porque
,
.
.
.
,

son
todos
1
j
i
r
autovalores de A), es decir vj Ei
r
L
para algun 1 i r, lo que implica que vj
E i .
i=1

En consecuencia, K = < v1, . . . , vn > =

i=1

L
i

E .

ii) iii ) Por la proposicion anterior, para cada 1 i r, dim Ei

mult(i , XA ). Si
r
L
Kn =
Ei se tiene que
i=1

r
n

n = dim K =

dim E

mult(i, XA) gr(XA) = n.

i=1
i=1

Luego, en la cadena anterior, son todas

igualdades. En particular:
r
.
mult(i, XA) = gr(XA) implica que XA se puede
La
factorizar como
igualdad
i=1

producto de polinomios de grado 1 en K[X]: si ai = mult(i, XA) (1 i r),

entonces
XA = (X 1 )a1 . . . (X r )ar .
r
.
Como dim Ei mult(i, XA) para cada 1 i r, de la
dim Ei
igualdad
=
r
i=1
.
mult(i, XA) se deduce que dim Ei = mult(i, XA) para cada 1 i r.
i=1

14
2

Diagonalizaci
on
iii)
i ) Para cada 1 i r sea Bi una base de Ei . Por la
Proposicion 6.18, B =
r L
n
es una base de
. Ahora,
E i K

i=1 B

i=1

#B =
dim E
.
de donde dim
r
L

.i=1
=
dim

#Bi =

.
i

i=1
n

. Luego

ai = gr(XA) = n,
n

y
entonces

i=1
r

Ei

r
.

i=1

es una base

=
Ei

i=1

(formada por autovectores de A) de K n . En consecuencia, A es

diagonalizable.

1 0 01
1 1 0 1
4 4
Ejemplo. Decidir si A =
es diagonalizable.
R
0 0 1 1
0 0 0 2
Calculamos XA = (X 1)3(X 2). Para el autovalor 1 se tiene que
E1 = {x R4 / (I4 A).x = 0} = < (0, 1, 0, 0), (0, 0, 1, 0) >,
de donde dim E1 = 2 < 3 = mult(1, XA). El teorema anterior implica entonces
que A no es diagonalizable.

6.3

Polinomios minimales

En lo que sigue, a cada matriz le asociaremos un polinomio. Este polinomio,

entre otras propiedades, nos dara un nuevo criterio para decidir si la matriz es
diagonalizable.

6.3.1

Polinomio minimal de una matriz

Sea P K[X], P = a0 + a1X + + arXr. Dada A Knn definimos

r

P (A) = a0In + a1A + + arA K

nn

Observemos que si P, Q K[X] y A Knn, entonces (P + Q)(A) = P (A) +

Q(A) y (P.Q)(A) = P (A).Q(A).
Analogamente, si V es un K-espacio vectorial de dimension finita y f :
V V es una transformacion lineal, definimos
P (f ) = a0idV + a1f + + arf

HomK (V, V ), donde, para k N, f k = f f . . . f es la

composicion.

k v e ces

Dada una matriz A Knn nos interesa considerar polinomios P K[X] que
anulen a A, es decir, tales que P (A) = 0. El siguiente resultado asegura que
para cualquier matriz existe un polinomio no nulo con esta propiedad.
Lema 6.23 Sea A Knn. Existe un polinomio P K[X], P = 0, tal que P (A) =
0.
2

Demostracion. Consideremos el conjunto {In , A, A2 , . . . ,2An } K nn . Este

conjunto
es linealmente dependiente, puesto que tiene n + 1 elementos y
dim(Knn) = n2. Luego,
n2
.
existen a0, a1, . . . , an2 K no todos nulos, tales que
aiAi = 0. Sea P K[X]
el polinomio
P=

2
n
.

i=0

i=0

aiX . Entonces P = 0 y P (A) = 0.

Para cada matriz, distinguimos un polinomio particular entre todos los

polinomios que la anulan: el de grado mnimo y monico. Veamos que para
toda matriz existe un polinomio con estas propiedades y que es unico:
Existencia.
Sea HH=tiene
{gr(Pprimer
) : P elemento
K[X], P =r.0,Entonces
P (A) = 0existe
} N. un
Porpolinomio
el LemaQ 6.23,
H
. Luego,
= 0
de=
grado
r tal que
Q(A) = 0 y Q es monico (si no lo fuera, bastara dividir por su coeficiente
principal).
r K[X] monico, Qr =
Unicidad.
Supongamos
que
existe
polinomio
Q
r ) = r y
r Q) < r,
Q,
tal que
que
gr(Q
Qr (A)
= [Link]
Entonces
(Qrcontradice
Q)(A)
= 0
y gr(Q
r son ambos
puesto
Q
y
Q
monicos,
lo
que
que
r es el
primer
elemento de H.

Deftnicion 6.24 Sea A K nn . Llamaremos polinomio minimal de A, y lo

notaremos mA , al polinomio monico de grado mnimo que anula a A.
.
1 0 .
. Calcular mA.
Ejemplo. Sea A
1 1
=
Puesto que {I2, A} es linealmente independiente, no existe P R[X] tal que gr(P
)=1y
P (A) = 0.
2
Buscamos entonces
P=
+aX
la independecia
lineal de
{I2X, A,
A2}.+b que anule a A, para lo cual estudiamos
.
A2 + aA + bI2 = 0
.
.
.
1 0 .

1 0
1 0 + a
.
1 1 + b 0 1 = 0

2 1
1 a+ b= 0

2 + a = 0
a

= 2, b = 1.

Luego, mA = X2 + 2X + 1. (Observar que, en este caso, mA coincide con

XA.)
Dada una matriz A Knn, el conjunto de todos los polinomios que anulan a A
puede caracterizarse a partir de su polinomio minimal mA.

Proposicion 6.25 Sea A K nn y sea P K[X]. Entonces P (A) = 0 si y

solo si mA
divide a P.
Demostracion.
() Si mA | P , existe Q K[X] tal que P = Q. mA. Luego
P (A) = (Q. mA)(A) = Q(A). mA(A) = Q(A). 0 = 0.
() Por el algoritmo de division en K[X], existen polinomios Q, R K[X]
tales que P =
Q. mA + R con R = 0 o gr(R) < gr(mA). Se tiene que
0 = P (A) = Q(A). mA(A) + R(A) = Q(A). 0 + R(A) = R(A).
Como mA es de grado mnimo entre los polinomios que anulan a A, no
puede ser gr(R) < gr(mA) y, por lo tanto, R = 0.
Q
Como sucede en el caso del polinomio caracterstico, vemos que dos
matrices semejantes tienen el mismo polinomio minimal.
Para eso,
analizamos en primer lugar la relacion entre los polinomios que anulan a dos
matrices semejantes. Utilizaremos el siguiente hecho:
Observacion 6.26 Si A, B K nn y C ttL(n, K) son matrices tales que A = C.
B. C 1
entonces Ak = C. Bk . C1 para todo k N.
En efecto, es claro que la igualdad vale para k = 1 y, que si vale para k N, entonces
Ak+1 = A. Ak = C. B. C1. C. Bk . C1 = C. Bk+1. C1.
Lema 6.27 Sean A, B Knn, A B. Entonces P (A) P (B) para todo P
K[X]. En particular, P (A) = 0 si y solo si P (B) = 0.
r
.

Demostracion. Sea P
K[X], P =
A = C.B.C1, y entonces
P (A)

i=0

r
P (C. B. C1) .
=

i=0

r.

i=0

ai . C. B . C 1

aiXi. Si A B, existe C ttL(n, K) tal que

ai.(C. B. C1)
r

= C..

ai B .. C 1

i=0

Luego, P (A) P (B).

Proposicion 6.28 Sean A, B K nn , A B. Entonces mA
= mB . Demostracion. Por el lema anterior y la Proposici
on 6.25,

= C. P (B). C 1 .
Q

 mA(A) = 0 mA(B) = 0 mB | mA.

mB (B) = 0 mB (A) = 0 mA | mB .
Puesto que mA y mB son ambos monicos, resulta que mA = mB .

Este resultado implica que si f : V V es una transformacion lineal

definida en un K-espacio vectorial V de dimension finita, y consideramos la
matriz de f en dos bases de V distintas, los polinomios minimales de estas dos
matrices coinciden. Esto nos permite dar la siguiente definicion de polinomio
minimal para transformaciones lineales:
Deftnicion 6.29 Sea V un K-espacio vectorial de dimension finita, y sea B
una base de
V . Sea f : V V una transformacion lineal. Se define el polinomio
minimal de f como
mf = m|f |B .
En la Proposicion 6.11 vimos que las races del polinomio caracterstico de
una matriz son sus autovalores. El siguiente resultado muestra que lo mismo
vale para el polinomio minimal.
Proposicion 6.30 Sea A K nn , y sea mA el polinomio minimal de A.
Sea K. Entonces es autovalor de A si y solo si es raz de
mA .
Demostracion.
() Sea un autovalor de A. Por el algoritmo de division en K[X]
existen Q K[X] y
R K tales que mA = Q. (X ) + R. Entonces
0 = mA(A) = Q(A).(A In) + R. In.
Como es autovalor de A, existe v Kn, v = 0, tal que A.v = .v. Se
tiene que
0 = Q(A).(A In).v + R.v = Q(A).(Av v) + R.v = Q(A). 0 + R.v = R.v,
es decir, R.v = 0. Como v = 0, debe ser R = 0.
En consecuencia, mA = Q. (X ), y entonces es raz de mA.
() Sea

una
de mA. Entonces mA = (X ).Q y, por lo tanto, 0 =
mA(A)
=K(A
Iraz
n).Q(A).
Observamos que Q(A) = 0, puesto que gr(Q) = gr(mA) 1. En
consecuencia, existe
w Kn tal que Q(A).w = 0. Sea v = Q(A).w. Entonces
(A In).v = (A In).Q(A).w = 0.w = 0,
de donde es un autovalor de A.

6.3.2 Polinomio minimal de un vector

Sea A Knn y sea v Kn. Dado P K[X], definimos P (v) = P (A).v. Diremos
que P
anula a v si P (v) = 0.
Observacion 6.31 Sea A n K nn y sea mA el polinomio minimal de A.
Entonces, para cada v K , se tiene que
mA(v) = mA(A).v = 0.v = 0.
Luego, para cada v K n existe un polinomio monico que anula a v.
Deftnicion 6.32 Sea A K nn y sea v K n . El polinomio minimal de v, que
notaremos
mv , es el polinomio monico de grado mnimo que anula a v.
La existencia y unicidad de un polinomio que cumple las condiciones de
la definicion se prueban, a partir de la Observacion 6.31, en forma an
aloga a lo hecho para el polinomio minimal de una matriz.
Ejemplos.
1. Sea A Knn y sea v K n un autovector de A de autovalor . Entonces mv = X
.
.
.
, y sea e1 = (1, 0). Calcular me1 .
1 0
2

2
2. Sea A
R
1 1
=
Comenzamos buscando un polinomio monico P = X + b R[X] de
grado 1 tal que
P (e1) = 0: Observamos que
P (e1) = 0 (A + bI2).e1 = 0 A.e1 + b.e1 = 0 (1, 1) + (b, 0) =
(0, 0),
pero esto no vale para ningun valor de b R. Luego, gr(me1 ) 2.
Buscamos entonces un polinomio P R[X] monico de grado 2: P = X 2 +
aX + b. En este caso
(A2 + aA + bI2).e1 = 0

P (e1) = 0

A2e1 + a.Ae1 + b.e1 = 0

,

(1, 2) + a(1, 1) + b(1, 0) = (0, 0)

1a+ b= 0

2 + a = 0
a = 2, b = 1.

Luego, el polinomio minimal de e1 es P = X2 + 2X + 1.

Como hallar el polinomio minimal de un vector:

Sea A Knn y sea v Kn. Si mv = Xm +
am
polinomio minimal de v,
entonces
m

A .v + am

m 1
1X

+ + a X2 + a X +

1A

m 1

es el
0

.v + + a2 A2.v + a1 A.v + a .v = 0.
0

Ademas, como mv es de grado

mnimo entre los polinomios que satisfacen P (v)
= 0, se tiene que {v, A.v, . . . , Am1.v} es un conjunto linealmente independiente.
Luego, para hallar el polinomio minimal de v, un primer paso consiste en
buscar el mnimo
m N tal que {v, A.v, . . . , Am.v} es linealmente dependiente. Si Am.v = a0.v
a1.A.v
am 1.Am1.v, entonces mv = X m + am 1Xm1 + + a X + a .

Al igual que para el polinomio minimal de una matriz (ver Proposicion 6.25),
fijada una matriz A, todo polinomio que anula a un vector dado resulta ser
multiplo de su polinomio minimal.
Proposicion 6.33 Sean A K nn , v K n y P K[X]. Entonces P (v) = 0
si y solo si
mv divide a P. En particular, mv divide a

mA.

Demostracion. Dado P K[X] se tiene que P = Q. mv + R con Q, R

K[X], R = 0 o gr(R) < gr(mv ). En consecuencia,
P (v) = P (A). v = Q(A). mv (A). v + R(A). v = Q(A). 0 + R(v) = R(v),
de donde P (v) = 0 si y solo si R(v) = 0.
de grado
entresilos
que R(v)Como
= 0 simvyes
solo
si R =mnimo
0, es decir,
y polinomios
solo si mv que
| P . anulan a v, resulta
Q
La siguiente proposicion muestra como calcular el polinomio minimal de una matriz
Knn a partir de los polinomios minimales de los vectores de una base de Kn.

Proposicion
6.34 Sea A K nn y sea B = {v1 , . . . , vn } una base de K n .
Entonces
multiplo).mA = mcm{mvi : i = 1, . . . , n} (mcm denota el mnimo comun
Demostracion. Sea P = mcm{mvi : i = 1, . . . , n}.
Por la proposicion anterior, mvi | mA para cada 1 i n. Luego, P | mA .
Por otro lado, como mvi | P para cada 1 i n, se tiene que P (A).vi = 0 para
n

1 i n. Sea v K y sean 1, . . . , n K tales que v =

P (A).v = P (A) .

n
.
[Link].
i=1

=
.
i=1

i=1

cada
ivi. Entonces

iP (A).vi = 0.

En consecuencia, se tiene que P (A) Knn satisface P (A).v = 0 v Kn y, por

lo tanto,
P (A) = 0. Luego, mA | P .
Como mA y P son dos polinomios monicos que se dividen mutuamente, mA =
P.
Q

1 0 0
Ejemplo. Calcular mA para A = 1 1
0 0 2

0 .

Consideremos
E ={{me1e , ,e2m,ee3,}mlae base
canonica de R3 . Por la proposicion
anterior,
mA = mcm
1
2
3 }.
Busquemos entonces los polinomios minimales de cada uno de los vectores
de E:
me1 : Vemos que {e1, A.e1} = {e1, e1 + e2} es un conjunto linealmente independiente,
pero

{e1, A.e1, A2.e1} = {e1, e1 + e2, e1 + 2e2} no lo es.

Ademas, 0 = (e1 + 2e2 ) 2.(e1 + e2 ) + e1

= A2 .e1 2.A.e1 + e1 ,
1

de donde me =
X2 2X + 1 = (X 1)2.
me2 : Como A.e2 = e2, entonces me2 = X 1.
me3 : Como A.e3 = 2.e3, entonces me3 = X 2.
Luego, mA = mcm{(X 1)2, X 1, X 2} = (X 1)2(X 2).

6.3.3 Teorema de Hamilton-Cayley

El teorema de Hamilton-Cayley, cuya demostracion damos a continuacion,
establece que para cualquier matriz A, el polinomio caracterstico de A anula a A.
n y sea X el
Teorema
6.35
(Teorema dede
Hamilton-Cayley)
Sea
Knque
A
polinomio
caracterstico
A. Entonces mA
| XAA (lo
es equivalente
a que XA (A)
= 0).

Demostracion. Sea fA : K n K n la transformacion lineal definida por fA (x)

= A.x.
Sea v K n . Supongamos que {v, fA(v), . . . , f k (v)} es un conjunto
A
linealmente ink+1
k
dependiente y que f
(v) = (ak )f (v) + + (a1)fA(v) + (a0).
Entonces mv = A
A

Xk+1 + ak Xk + + a1X + a0.

Extendemos el conjunto {v, fA(v), .A. . , f k (v)} a una base de K n : sean wk+2, . . . , wn
Kn
tales
k
que
B = {v, f (v), . . . , f (v), w , . . . , w }
A

k+2

es una base de Kn. Se tiene

que

0
1

0
0

...

0
0

a0
a1

.
..

.
..

|fA |B

Sabemos que XA = XfA

0
.
=
..

.. . 0
...
1

0
= X|fA |B , con lo que

XA =

ak

ak

X
0 ... 0
1 X
0

..
det 0
.. 1 .
.. X

0 ...
1

a0
a1
.
..
ak 1
X
+ ak

M
.

X. Ink1 N

X
0 ... 0
a0
1 X

0
a1

.
.
det 0 1
..
..
det(X. Ink1 N ).

.. X
..

k1
.
a
0 ...
1 X + ak

Por lo calculado en el primer ejemplo de la Seccion 5.4, obtenemos que

XA =
=

(X

k+1

+ ak X + + a1X + a0). det(X. In

mv . det(X. Ink1 N ).

k 1

N)

Por lo tanto, mv | XA para v K n arbitrario.

Sea E = {e1 , . . . , en } la base canonica de K n . Por lo anterior,
m e | XA
i
para cada
1 i n. En consecuencia, mA = mcm{me1 , . . . , men } divide a XA.
Q
A partir del Teorema de Hamilton-Cayley podemos deducir algunos resultados
relaciona- dos con el polinomio minimal de una matriz.
Observacion 6.36 Sea A K nn . Entonces:
1. gr(mA) n.

150

Diagonalizaci
on
2. Si gr(mA) = n, entonces mA = XA.
3. Si existe v K n tal que gr(mv ) = n, entonces mv = mA = XA.

En el ejemplo que sigue, mostramos como puede utilizarse el hecho de conocer

un polinomio que anula a una matriz (en este caso, su polinomio caracterstico)
para calcular las potencias de la matriz.
.
0 1 R22. Calcular An para cada n N.
Ejemplo. Sea A
.
=
1 2
2
el polinomio
caracterstico
2 A: XA = (X 1) . Por el Teorema
de Calculamos
Hamilton- Cayley,
XA(A) =
0, es decir, Ade
2.A + I2 = 0.
n
La idea para calcular A para cada n N es ver que cada potencia de A es

combinacion
lineal de I2 y A (observar que la igualdad dada por el teorema de HamiltonCayley dice que
A2 = 2A I2 ), encontrar esta combinacion lineal y usarla para dar una f
ormula cerrada para
los coeficientes de An en funcion de n.
Sea n N. Por el algoritmo de division, existen P (X) R[X] y an , bn R tales
que
n

X = (X 1)2P (X) + an.X + bn.

(6.1)
Evaluando esta igualdad en X = 1, se obtiene
1 = 0. P (1) + an + bn an + bn = 1.
Derivando la identidad (6.1) resulta que
n1

n.X

= 2(X 1)P + (X 1)2Pr + an,

y evaluando esta igualdad en X = 1, se deduce que an = n. En consecuencia,

bn = 1 n.
Luego, para cada n N se tiene que
n

X = (X 1)2P (X) + nX + 1 n,
de donde
n

A = n.A + (1 n)I2
= n.

+ (1 .
.
0 1 n)
1 0
.
0 1
1

1 n n

=
n

.
n+1

Aplicando el Teorema de Hamilton-Cayley, tambien podemos calcular A1

como combi- nacion lineal de I2 y A. Basta observar que
A2 2A + I2 = 0 I2 = 2A A2 I2 = A(2I2 A) = (2I2 A)A,
lo que implica que A1 = 2I2 A.
El procedimiento para calcular A1 del ejemplo anterior puede generalizarse
para hallar la inversa de cualquier matriz en ttL(n, K):

Observacion 6.37 Sea A ttL(n, K). Entonces A1 < In , A, A2 , . . . , An1 >.

Supongamos que XA = Xn + an 1Xn1 + + a X + a . Entonces, por el
Teorema de

HamiltonCayley,

A + an

n1
1A

+ + a1 A + a0 I = 0.

Observemos que a0 = XA(0) = det([Link] A) = det(A) = (1)n det(A) = 0,

puesto que A
es inversible. En consecuencia,
1
n
In =
. (A + an

n 1
1A

a 1
n
= A.0 .
. (A 1
+a

de donde A1
+a

+ + a A2 + a A)
2

+ a A + a I ).

n2

A
+

2
1
n
n 1
1a0 n1
= .
. (A
+ a A + a .. A,
An2
I
)
+a
+

n1
2
1
n
a0
1
n1
=
. (A
An2 + + a A + a I ).
a0

n1

6.3.4 Un criterio de diagonalizacion usando el polinomio minimal

En primer lugar, notemos que vale lo siguiente:
Observacion 6.38 Sea A K nn y sea XA K[X] el polinomio caracterstico de
A. Si XA se factoriza linealmente en K[X] y tiene todas sus races simples,
entonces A es diagonalizable. En efecto, si XA = (X 1 ) . . . (X n), con i = j
para cada i = j, A tiene n autovalores
distintos. Ademas, para cada 1 i n, existe vi K n autovector de A de
autovalor
i .
n
Puesto que E1 , . . . , En estan en suma directa, {v1 , . . . , vn } resulta una formad
a
base de K
por autovectores de A, y por lo tanto, A es diagonalizable.
La recproca de este resultado no es cierta, es decir, XA puede tener races
multiples y, de
todas formas, A ser diagonalizable. Basta considerar, por ejemplo, la matriz A
= In .
Sin embargo, es posible dar una condicion necesaria y suficiente para la
diagonalizacion, considerando la factorizacion del polinomio minimal de la
matriz.
Proposicion 6.39 Sea A K nn . Entonces A es diagonalizable en K nn si
y solo si mA
tiene todas sus races en K y son simples.
Demostracion.
() Supongamos que A es diagonalizable. Sean 1, . . . , r los autovalores de
A, con i = j
si i = j y sea {v1, . . . , vn} una base de autovectores de A. Si mv denota el
minimal del
vector v para la matriz A, se tiene que:

mA

mcm{mv1 , . . . , mvn }

mcm{X 1, . . . , X 1, . . . , X r, . . . , X r}

= (X 1)(X 2) . . . (X r)

15
2

Diagonalizaci
on
En consecuencia, mA tiene todas las races en K y son simples.

() Supongamos que mA = (X 1) . . . (X r) con i = j si i = j. Entonces 1,

. . . , r
son todos los autovalores de A en K.
r L
n
Veamos que Kn =
E
i , donde
i E = {x K : A.x = i.x}.
i=1

Sea v K {0}. Consideremos el subespacio

m

S = < v, A.v, A2.v, . . . , A .v, . . . > K .

Supongamos que {v, A.v, . . . , Ak .v} es un conjunto linealmente independiente,
pero
{v, A.v, . . . , Ak .v, Ak+1.v} es linealmente dependiente.
Luego Aj .v < v, A.v, . . . , Ak .v > para todo j N y BS = {v, A.v, A2.v, . . . , Ak .v}
resulta ser una base de S. Ademas, gr(mv ) = k + 1, o sea, mv es de la
forma
k+1

mv = X

+ a k X + . . . + a 1X + a 0.

Por la construccion de S, si x S resulta que A.x S. Sea fA : S S la

transformacion lineal definida por fA(x) = A.x. Se tiene que

0 0 . . ... 0 a0
1 0
a

. 1

...
..
|fA |BS = 0
.
1

..
.
0

..

. . . . 0 ak1
0 . . . 1 ak

k+1 X
Observamos que XfA = det(XIk+1 |fA |BS ) =
+ ak X + + a1 X +
a0 = mv . Puesto que mv | mA y, por hipotesis, mA tiene
todas sus ra
ces en K y son simples, resulta que XfA = mv tiene todas sus races
en K, son simples y son algunos de los
autovalores de A. Por la Observacion 6.38 concluimos que fA es
diagonalizable sobre
S. Ademas, si XfA = (X i1 ) . . . (X ik+1 ), como v S, existen vi1 , . . .

, vik+1
autovectores de fA (donde vij es un autovector de autovalor ij ) tales que
v = v i1 +
+vik+1 . Pero si vij es un autovector de fA de autovalor ij , entonces es un
autovector
r
L
de A con el mismo autovalor. En consecuencia v
Ei .
i=1
r

Como v Kn era arbitrario, resulta que Kn =

el

L
i

E . La equivalencia dada por

i=1

Teorema 6.22 dice entonces que A es diagonalizable.

A continuacion presentamos un ejemplo en el que mostramos como

puede aplicarse este resultado para determinar si una matriz es diagonalizable.
Ejemplo. Sea A Cnn tal que Ak = In para algun k N. Entonces A es
diagonalizable.

Por hipotesis, Ak In = 0, con lo que el polinomio X k 1 anula a A. En

consecuencia,
mA | X k 1. Como X k 1 tiene todas sus races en C y son simples, entonces
mA tambien.
Luego, A es diagonalizable.
Notar que si A Rnn satisface Ak = In, A no es necesariamente
diagonalizable sobre

0 0 1
R. Por ejemplo, A = 1 0 0 cumple A3 = I3, pero A no
es diagonalizable, puesto que 0 1 0
mA = (X 1)(X2 + X + 1), que no tiene todas sus races en R.

6.4

Subespacios invariantes

Dada una transformacion lineal f : V V donde V es un K-espacio vectorial de

dimension finita, una posible manera de estudiar f consiste en descomponer el
espacio V como suma
directa
de subespacios V i=1
= Si y analizar la restriccion de f a cada uno de
Lr
estos subespacios Si . Ahora, para que esto sea posible, es necesario que la restricci
on de f a cada Si sea una transformacion lineal de Si en Si , es decir, que la
imagen por f del subespacio este incluida en el mismo.
Deftnicion
6.40
Sea V un SK-espacio
vectorial
y sea fpor
: Vf
transformaci
on
Un
subespacio
V se dice
invariante
(oVf una
-invariante)
si f
(S) lineal.
S.
Ejemplos.

1
1
1. Sea A =
0
0

0
1
0
0

0
0
2
0

0
0
4 4
0
R .
3

Si E = {e1 , e2 , e3 , e4 } es la base canonica de R4 , algunos subespacios

invariantes por fA
son: < e1, e2 >, < e2 >, < e3 >, < e4 >, < e3, e4 >, < e1, e2, e4 >.
.
.
1
0
2. Hallar todos los subespacios invariantes por fA
R22.
siendo A =
2 1
(a) Subespacios invariantes de dimension 0: S =
{0}.
(b) Subespacios invariantes de dimension 2: S =
R2 .
(c) Subespacios
invariantes
de dimension
1: Observamos
< v si
>
es
pacio
dimension
1 invariante
por0 fyAque
si =
yS =
solo
valgun
un
= subes0 y R.
A.v
<dev >
o, equivalentemente,
v =
A.v
.v para
Luego, un subespacio S = < v > de dimension 1 es fA -invariante si y s
olo si v es autovector de A.
Es facil ver entonces que el unico subespacio fA -invariante de dimensi
on 1 es S =
< (0, 1) >.

En la siguiente proposicion se prueban algunas propiedades sobre subespacios

invariantes.
Proposicion 6.41 Sea V un K-espacio vectorial. Sea f : V V una
transformacion lineal. Entonces:
i) Nu(f ) e Im(f ) son subespacios f -invariantes de V .
ii) S es un subespacio f -invariante de V de dimension 1 si y solo si S
= < v > con v V
un autovector de f.
iii)Si S y T son subespacios f -invariantes de V , entonces S T y S + T son
subespacios
f -invariantes de V .
Demostracion.
i) Se tiene que f (Nu(f )) = {0} Nu(f ), con lo que Nu(f ) es
invariante por f . Ademas, es claro que f (Im(f )) Im(f ), de
donde Im(f ) es invariante por f .
ii) Sea
S un
subespacio
de V
de dimension
1. Entonces
S=<v
>
para
algun
v V ,.fvv-invariante
=
0, algun
tal que
v >. Esta
condicion
implica
que f (v)
para
f (v)
K, y<siendo
v =ultima
0, resulta
que v es
un
autovector
de =
f.
Recprocamente,
si Sy=como
< v >fcon
un autovector
de f , como
v =
0,
entonces
1,
(v) v =
. v para algun
K,
resulta
que f (S) dim
S.S =
Luego,
S es un
subespacio f -invariante de V de dimension 1.
iii)Sean
S y T subespacios
de V invariantes
por f . Entonces
(S ) T )T . f (S)

S, puesto
que
Analogamente,
f (S fpor
T
En
consecuencia,
f (SS Tes
) f S-invariante.
T , de donde
S T es invariante
f.
Para SSy+TTson
, teniendo
en cuenta
que f es una transformacion lineal y
que
invariantes
S + T y, por lo
tanto, S +por
T f , se tiene que f (S + T ) f (S) + f (T )
es invariante por f .
Q
Dada una transformacion lineal f : V V y un subespacio S de V
invariante por f , la restriccion de f a S, que notaremos f|S resulta ser una
transformacion lineal de S en S. En lo que sigue, analizamos la relacion
entre los polinomios minimales y caractersticos de esta restriccion f|S y los
de f .
Proposicion
6.42
Sea V un K-espaciolineal
vectorial
finita,
sea
f : V
V una
y seadeS dimension
V un subespacio
invariante
por
f . transformacion
Sea f|S : S S la
restriccion. Entonces:
i) mf|S | mf .
ii) Xf|S | Xf .

Demostracion. Sean n = dim V y s = dim S. Sea BS = {v1 , . . . , vs } una

base de S y sean
vs+1, . . . , vn V tales que B = {v1, . . . , vs, vs+1, . . . , vn} es una base de V .
i) Sabemos que
mf |

= mcm{m1v , . . . , mv }

mf

mcm{mv1 , . . . , mvs , mvs+1 , . . . , mvn }.

Ahora, como mvi | mf para cada 1 i s, el mcm de estos polinomios

divide, es decir, f
m

tambien lo

| mf .
|S

ii) Para la base B considerada, se tiene que

.
.
|f |B =
con A = |f|S |BS
A B
Knn
0
K
Luego
,

s s

Xf = X|f |B =
det
=
con lo que Xf|S | Xf .

[Link] A

[Link] C

det([Link] A). det([Link] C) = Xf|S . Q,

Si f es una transformacion lineal definida en un espacio V de dimension

finita y el espacio V puede descomponerse como suma directa de subespacios f
-invariantes, entonces existe una base de V en la que la matriz de f tiene forma
diagonal por bloques. Mas precisamente:
Observacion 6.43 Sea V un K-espacio vectorial de dimension finita y sea f : V V
una transformacion lineal. Sean S y T subespacios de V invariantes por f tales que S

T = V . Supongamos que dim(S) = s > 0, dim(T ) = t > 0. Sean BS = {v1, . . . , vs} y

BT =
{w1, . . . , wt} bases de S y T respectivamente. Entonces
B = BS BT = {v1, . . . , vs, w1, . . . , wt}
es una base de
Vy

|f |B =
.

,
donde A1 K ss y A2
las restricciones,

0 A2
K tt . Mas aun, si f

se tiene que A1 = |f|S |BS y A2 = |f|T |BT .

|S

: S S y f : T T son
|T

Esto nos lleva a la siguiente definicion:

Deftnicion
6.44S
Sea
V un
K-espaciof vectorial
y sea
: V V una transformaci
on
Sea
V un
subespacio
-invariante.
Unf complemento
para lineal.
S es un
subespacio
T de V tal que
T es f -invariante
y S T = Vinvariante
.

Observamos que dada una transformacion lineal f : V V y un

subespacio S de V
invariante por f no siempre existe un complemento invariante para S.
2
Por
sea f(S
:2 R
R2)),
definida
f (x, y)un
=complemento
(0, x). Entonces
S = < (0,
1)
>
esejemplo,
f - invariante
= Nu(f
pero nopor
admite
invariante.
En
efecto,
si
S

2 T = R , entonces dim T = 1. Luego, si T es f -invariante, T =

<
R loun
autovector
de f . Ahora,que
el conjunto
de autovectores de f
esv S>con
{0},vcon
que
v S, contradiciendo
T
es un complemento para S.

En el caso en que V sea suma directa de subespacios f -invariantes,

podemos relacionar los polinomios caracterstico y minimal de f con los de
sus restricciones a estos subespacios:
Proposicion
Sea V un K-espacio
vectorial
finitaf y
sea
f : V V6.45
SeandeS dimension
y T subespacios
-invariantes
deuna
V transformacion
tales que S T =lineal.
V.
Entonces:
i)

Xf = Xf|S . Xf|T

ii) mf = mcm(m
f , mf )
|
|
S

Demostracion.
i) Se deduce inmediatamente de la Observacion 6.43.
ii) Sea P = mcm(m
,m
f

). Puesto que S y T son subespacios f -invariantes de V ,

por
la Proposicion 6.42, se tiene f
| mf y mf|T | mf . Luego P | mf .
que m
|S

f|

|S

Por
otro lado, por la
6.43, si BS y BT son bases de S y T
respectivamente,
y BObservacion
= BS BT , entonces
|f |B = . 1
A. 0
0 A2
con A1 = |f| |BS y A2 = |f| |
S

BT .

Como m

f |S

| P y mf|T

por bloques,

| P , resulta que P (A1) = 0 y P (A2) = 0. Entonces,

operando
.
.
P (A1)
0
P (|f |B )
= 0,
0
P
=
(A2)

de donde mf | P
.
Luego P = mf , puesto que P y mf son dos polinomios monicos que se
dividen mutua- mente.

6.5

Ejercicios

Ejercicio
1. Calcular
el polinomio
caracterstico,
los autovalores
y los
autovectores
de la matriz
A en cada
uno de los siguientes
casos (a
R):

15
7

6.5 Ejercicios

(Analizar por separado los casos K = R y K = C)

i)

A
=

vii)

ii) A
=

3 1

iv)

1
.

iii) A = .

1 3
.

0
a

a
0

3 1

A = 20 3
1
1 3 0

0 1 0

1
1
0
1

A=
0

0 1 0

1
1 0 1
0

v)

A = 4

10

vi)

4 8
2

0 0 0

0
1 0 0
viii) A =
0

0 1 0

0
0 0 0
1

a 1 1

A= 1

1 1 a
ix) A

10 0
= a 1 0

0 a 1

Ejercicio 2.
Para cada nuna de
n las matrices A del ejercicio anterior, sea U una
base
K n y encontrar
sea f : K Kbase
la tranformacion
lineal
que
|f |U = [Link]
Decidir
si
es de
posible
B de K n tal que
|f |Btal
sea
diagonal.
caso
afirmativo,
calcular C(U, una
B).
Ejercicio 3. Sea f : R3 R3 la transformacion lineal definida por:
f (x, y, z) = (x 2.y + 2.z, y, x 3.y 4.z)
i) Encontrar una base B de R3 tal que |f |B sea diagonal.
1 2 2
ii) Calcula 0 1 0
r
1 3 4

n
, n N. (Sugerencia: ver Observacion 6.26.)

iii) Existe una matriz P R33

2
=
Ejercicio 4.

ab
0 c

1 2 2
?
tal que P 0 1 0
1 3 4

i) Sea A
=

.
Determinar todos los a, b y c K para los que
K22 A es

diagonalizable.
ii) Probar que toda matriz A C
una matriz
.
.
0

22

es diagonalizable o bien es semejante a

15
8

del
tipo

Diagonalizaci
on

Ejercicio 5. Diagonalizar las matrices A Rnn y B R66 encontrando sus

autovectores:

1 1
1
1 1

1
A=
1
1
1

... ... ...

1 1
1

...
...
...
..
.
..

1
1

1
. . .

2
1

B= 2

1
2
1

1
2
1
2
1
2

2
1
2
1
2
1

1
2
1
2
1
2

2
1
2
1
2
1

1
2

2
1
2

Ejercicio 6. Se sabe que la matriz A R22 tiene a (1, 1) como autovector de

autovalor

2 y, ademas, XA Q[X]. Decidir si A es diagonalizable en R22 . Es A unica?

Ejercicio 7.
i) Sea
A R33 que
diagonalizable
con tr(A)
2 4. Calcular los autovalores de
A, sabiendo
los autovalores
de A=
+ 2.A son 1, 3 y 8.
44
ii) Sea
A R detal
det(A)
= 46;
1 y 2los
sonrestantes
autovalores
de A y 4de
esA.
autovalor
la que
matriz
A 3.I
. Hallar
autovalores
.
Ejercicio 8. Sea A =

R22. .
0
.

n .

1
i) Probar que, para todo n N, An.

Fn+1

donde Fi es el i-esimo termino

de

=
la sucesion de Fibonacci (es decir, F0 = 0, F1 = 1 y Fi+1 = Fi + Fi1 ).

ii) Encontrar una matriz P ttL(2, R) tal que P.A.P 1 sea diagonal.
iii) Hallar la formula general para el termino Fn , n N0 (comparar con
el Ejercicio 50 de la Seccion 1.5).
iv) Se define la sucesion {an }nN0 de la siguiente manera:
.
a0 = 0 , a 1 = 1 , a 2 = 1
an+3 = [Link]+2 [Link]+1 + [Link] n N0
Hallar una formula general para el termino an , n N0 .
Ejercicio 9. Resolver el siguiente sistema de ecuaciones diferenciales
.
xr (t) = 6x(t) + 2y(t)
yr (t) = 2x(t) + 3y(t)
con condiciones iniciales x(0) = 3, y(0) = 1.
Sugerencia: Hallar una matriz C ttL(2, R) tal
que C1
.
cambio de
variables

u(t)
v(t
)

.
= C1
.

.
x(t)
.
y(t)

6 C sea diagonal y hacer el

.
2
2 3

Ejercicio 10. Sea A Knn. Probar que A y At tienen los mismos autovalores. Dar
un ejemplo en el que los autovectores sean distintos.
Ejercicio 11. Sea : C (R) C (R) la transformacion lineal derivacion.
Mostrar que todo numero real es un autovalor de y exhibir un autovector
correspondiente.
Ejercicio 12. Analizar la validez de las siguientes afirmaciones:
i) A Rnn inversible 0 no es autovalor de A.
ii) A Rnn inversible, x autovector de A x autovector de A1.
iii)

A Rnn con n impar A admite un autovalor real.

Ejercicio 13.
i) Sea f : K n K n un proyector con dim(Im(f )) = s. Calcular Xf . Es f
diagonalizable?
ii) Sea
K unCalcular
cuerpo incluido
C y sea f : K n K n un morfismo nilpotente
no nulo.
Xf . Es en
f diagonalizable?
Ejercicio 14. Sea A Rnn que verifica A2 + In = 0. Probar que A es inversible,
que no tiene autovalores reales y que n debe ser par.
Ejercicio 15. Sea V un K-espacio vectorial de dimension finita y sea f : V

V una
transformacion
talsique
diagonalizable si lineal
y solo
Nu(fdim(Im(f
) Im(f )))==
{0}.1. Probar que f es
n
nn
Ejercicio
16. Sea Dlineal
Kndefinida
una matriz
inversible
y diagonal.
Sea
f : Knn yKlos
1 .A.D.
la
transformacion
por
f
(A)
=
D
Hallar
los
autovalores
autovectores
de f y probar que es diagonalizable.

Ejercicio 17. Sea f : Cn Cn una transformacion lineal. Probar que existe una
base B de
Cn tal que |f |B es triangular superior.
Ejercicio 18. Sea A Cnn y sean 1, . . . , n las races de XA contadas con
multiplicidad.
n

i) Probar que det(A) =

i.

i=1
n

ii) Probar que tr(A) =

i=1

i .

6.5 Ejercicios

161

Ejercicio 19. Sean A Kmn y B Knm.

en
.
.
.
A.B 0
0 0 K
i) Probar que las
matrices
.
y
B
B.A
B
0

son semejantes.

(m+n)(m+
n)

ii) Deducir que, si n = m, XA.B = XB.A.

Ejercicio 20. Dadas las matrices A C22 y los polinomios P C[X], calcular P (A)
para:
.

.
0
i) A =
, a) P = X 1 , b) P = X 2 1 , c) P = (X 1)2
1 1
,P=
+1+i
.
2
3
i.X
ii) A
i 0 X
.
=
1 i
1

Ejercicio 21. Sea A Rnn. Probar que el minimal de A como matriz real y el
minimal de
A como matriz compleja coinciden.
Ejercicio 22. Hallar el polinomio minimal de las siguientes matrices (comparar
con el poli- nomio caracterstico):
ii)
iii)
iv)
.
.
.
.
.
4 1
1
a 0
i 0
.
1 i
i)
.
.
0
2 1
1 1
0 a

0
1 1 0
v)
0 vi)
0 0 1

00

10

ix)

xii)

1
1
0 1 1
1 vii)
0 0 1

x)

0
1 0
0 0

a 0 0 0

0 a 0 0

1 0

1 0

0
1
0 2 0
0 viii)
0 0 2
0

1 2 1

3
a 0 0 0

1 a 0 0

xiii)
0 0 a 0
0 0 a
xv)
0
1
a 0
0 0 0
0 0 1
a
a

0
0

0
0
0 1 1
0
1 0
0

xi
)

1 i

1
1

0 1

0 0 20
0 0 0 2

0 1

a 0 0 0
a 0 0 0
1 a 0 0

1 a 0 0

xiv)
0
0
1 a 0
0 0 0
a

0 0 1 a

160

Diagonalizaci
on
Ejercicio 23. Calcular el polinomio minimal para cada una de las siguientes
transformaciones lineales:
i) f : R2[X] R2[X], f (P ) = P r + 2.P
ii)

f : Rnn Rnn, f (A) = At

Ejercicio 24. Sea A Knn la matriz

0
1

0
A =
. .
0.
0

0 0
0 0
1 0
... ...
0 0
0 0

... 0
... 0
... 0
... ...
... 0
... 1

a0
a1

a2
...

an
2
an 1

Calcular su polinomio minimal y su polinomio caracterstico. Comparar con lo

calculado en la Seccion 5.4.
Ejercicio 25. Sea : R[X] R[X] la transformacion lineal derivada. Probar
que no admite ningun polinomio minimal.
Ejercicio 26. Utilizando el Teorema de Hamilton-Cayley:
.
.
2 1
i) Calcular A4 4.A3 A2 + 2.A 5.I2 para A =

1 0 0
ii) Calcular A1000 para A = 1 0 0 .
0 1 0
.
iii)
Da
da A =

iv)
a A=

1 3
.

1 3

, expresar a A1 como combinacion lineal de A y de I2 .

1 4
.
1 1
.
Dad

, expresar a (2.A4 12.A3 + 19.A2 29.A 37.I2)1

como com-

5
binacion lineal de A y de I2 .

0 1 1
v) Dada A = 1 0 1 , calcular A1, A3 y A3.
0 1 0
n
2 2 0
vi) Calcular 1 2
n N.
1
1 2 1
Ejercicio
27. transformacion
Sea V un K-espacio
vectorial
dimension
finita yy sea
V
V una
quede
f es
un
isomorfismo
solof si:
el termino
constante
de Xf lineal.
es no Probar
nulo. En
dicho
caso,
hallar lasiexpresion
1

general de f
como polinomio en f .
Ejercicio 28. Exhibir una matriz A Cnn tal que A2 + In = 0. Comparar con el
Ejercicio 14.

162

Diagonalizaci
on

Ejercicio 29.
i) Sea f : R2 R2 la transformacion lineal definida
por f (x, y) = (x +
3.y, 3.x 2.y). Hallar todos los subespacios de R2 que sean f -invariantes.
2
ii) Sea f : R
R2 la rotacion de angulo . Probar que, para todo = k. (k

Z), f
no es diagonalizable. Hallar todos los subespacios de R2 que sean f
-invariantes.
iii) Sea R y g : C2 C2 la transformacion C-lineal cuya matriz en la base can
onica es

|g |E =

cos sen

sen cos

Es g diagonalizable? Hallar todos los subespacios de C2 que sean g

-invariantes.
Ejercicio 30. Sea f : Rn Rn una tranformacion lineal nilpotente tal que
fn = 0 y
f n1 = 0. Probar que existe un hiperplano de Rn que es f -invariante pero que no
admite un
complemento f -invariante (comparar con el Ejercicio 23. ii) de la Seccion 3.8).
Ejercicio 31.
i) Sea
V un K-espacio
vectorial
de dimension
finita
y sea f : V
transformacion
lineal
diagonalizable.
Si S es
un subespacio
deV Vuna
f
-invariante, probar
que
f : S S es
diagonalizable.
ii) Sean A, B Knn tales que A.B = B.A y sea E = {x K n / A.x = .x}.
Probar que E es B-invariante.
iii)Probar
Sean A,
B existe
Knn dos matrices diagonalizables
1 y tales
1 son
[Link].
= B.A.
que
[Link]
(Es decir,
A y B seC ttL(n, K) tal que C.A.C
pueden diagonalizar simultaneamente.)
Ejercicio 32.
i) Hallar una matriz A C33 tal que mA(X) = X 3 5X2 + 6X + 8. Decidir si
A es diagonalizable.
ii) Hallar una matriz A C44 tal que mA(X) = X4 + 4X3 + 8X2 + 8X + 4.
Decidir si A
es diagonalizable.
Ejercicio 33. Sea A Knn.
i) Probar que si A es nilpotente, entonces existe k N tal que mA(X) = Xk .
Calcular todos los autovalores de A.
ii) Si K = C y el unico autovalor de A es el 0, probar que A es nilpotente. Qu
e pasa si
K = R?
Ejercicio 34. Sea A Cnn una matriz de traza nula. Probar que A es semejante a
una matriz que tiene toda la diagonal nula.

Captulo 7

Forma de Jordan
En este captulo continuaremos estudiando la estructura de los endomorfismos
de un espacio vectorial de dimension finita.
Veremos que si V es un K-espacio vectorial de dimension finita y f es un
endomorfismo de V , bajo ciertas condiciones, existe una base de V en la cual la
matriz de f es de una forma particular que nos permite clasificar los
endomorfismos y tambien trabajar mas facilmente con ellos. Esto, en
particular, resuelve el problema de decidir si dos matrices complejas son
semejantes o no, o sea si son las matrices de la misma transformacion lineal en
distintas bases.
Comenzaremos estudiando algunos casos particulares y luego extenderemos los
resultados obtenidos al caso general.

7.1
7.1.1

Transformaciones lineales nilpotentes

Definiciones y propiedades basicas

Empezamos con el caso en que la transformacion lineal tenga como polinomio

caracterstico a una potencia de X (notar que en este caso, usando el Teorema
de Hamilton-Cayley, el polinomio minimal de la transformacion lineal tambi
en es una potencia de X y su unico autovalor es el 0). Esto significa que
existe una potencia de f que da cero, lo que motiva la siguiente definicion.
Deftnicion 7.1 Sea V un K-espacio vectorial. Una transformacion lineal f : V

V se dice
nilpotente si existe k N tal ques f

=f f
x . . . f = 0.

k v e ces

Analogamente, se dice que una matriz A K nn es nilpotente si existe

k N tal que
Ak = 0.
Observacion
7.2 Si V es un K-espacio vectorial de dimension finita y f : V

V una transformacion
cualquier
base B de V , |f |Blineal, entonces f es nilpotente si y solo si para

16
4

Forma de
Jordan

es una matriz nilpotente.

Deftnicion 7.3 Sea f : V V una transformacion jlineal nilpotente. Se define el
ndice de nilpotencia de f como min{j N / f = 0}.
Analogamente, se define el ndice de nilpotencia de una matriz nilpotente A
K nn como min{j N / Aj = 0}.
Lema 7.4 Sea V un K-espacio vectorial de dimension finita y sea f : V
V una transfor- macion lineal. Entonces f es nilpotente de ndice k
si y solo si mf = X k .
Demostracion.
Si f es nilpotente de ndice k, se tiene que
fk = 0 y f
k1
k
= 0. La primera
condicion
implica
que
el polinomio
Xk.
anula
acomo
f , yf
k
j
en
consecuencia,
m
|
X
.
Luego,
m
=
X
para
algun
j

Ahora,
k1
f
= 0, resulta quef mf = X k .
Recprocamente, es claro que si mf = X k , entonces f k = 0 y f k1 = 0, con
cual f es
nilpotente de ndice k.

lo

Notar que, con las mismas hipotesis del lema anterior, como el grado del
polinomio minimal de f es siempre menor o igual que la dimension n de V ,
tendremos que f es nilpotente si y solo si f n = 0 (comparar con el Ejercicio
14 de la Seccion 3.8).
Proposicion 7.5 Sea V un K-espacio vectorial de dimension n y sea
f : V V una transformacion lineal nilpotente de ndice k.
Entonces
k

{0} Nu(f ) Nu(f 2) . . . Nu(f ) = V

y todas las inclusiones son

estrictas.

Demostracion. Siendo k el ndice de nilpotencia de f , se tiene que f

donde Nu(f k ) =
V . Ademas, es claro que valen las inclusiones. Veamos que son estrictas.

= 0, de

i
En primer lugar,
observamos que si Nu(fi+2
) = Nu(f i+1 ) para
algun i
N0 , entonces
Nu(f i+1) = Nu(f i+2): Si v Nu(f
), se tiene que f i+2(v) = 0,i+1
de
i+1
i+1
donde fi (f (v)) = 0. Luego, f (v)
Nu(f
) y, como
Nu(f
)
i
i+1 por hipotesis
i
= Nu(f ), entonces
f (v) Nu(f ). Esto dice que f
(v) = f (f (v)) = 0, es
i+1
decir, v Nu(f ).
Luego,
si Nu(f i0 ) = Nu(f i0 +1 ) para algun i0 N0 , se tiene que Nu(f i ) =
i+1
Nu(f
) para todo
i i0. Pero como el ndice de nilpotencia de f es k, Nu(f
k
1 ) = V
= Nu(f k ), y en
consecuencia debe ser i0 k.
Q

Notacion.
Para cada
matrizn A nK nn , notaremos Nu(A) al nucleo de la
transformacion
n lineal fA : K K definida por fA(x) = A.x, es decir, al
conjunto {x K : A.x = 0}.
Con esta notacion, como consecuencia de la Proposicion 7.5 se tiene que si
A K nn es una matriz nilpotente de ndice k, entonces
k

{0} Nu(A) Nu(A2) . . . Nu(A ) = K

y todas las inclusiones son estrictas.

7.1.2

Existencia de forma de Jordan para una transformacion

lineal nilpotente

Comenzamos estudiando un caso particular de endomorfismos nilpotentes: los

de ndice de nilpotencia maximo (o sea, aquellos en los que el polinomio
minimal coincide con el carac- terstico):
Sea V un K-espacio vectorial de dimension n y sea f : V V una transformaci
on lineal nilpotente de ndice n (es decir, mf = X f = Xn ).
n 1
v propiedad
V tal que porque
f n1(v) por
= 0,hipotesis
es decir vfnV1 =
Nu(f
(existe
elemento
conSea
esta
0). )Como
mvun
divide
a m
n
k
= X , resulta
que mv = X con 1 k n. Como f n1(v) =
0, resultaf
n
que mv = X y, por lo tanto, el
conjunto
n
B = {v, f (v), f 2(v), . . . , f 1(v)}
es una base de V .
Ademas,

|f |B

0
0
1
0

=
0
1
. . . . . .
0
0

... 0
0
... 0
0

.
... 0
0

... ... ...

... 1
0

Este tipo de matrices aparecera en nuestra clasificacion y les daremos un

nombre:
Deftnicion 7.6 Sea J K nn . Se dice que J es un bloque de Jordan
nilpotente si

0
0 ... 0
0
1
0 ... 0
0

.
J=
0
1 ... 0
0

. . . . . . . . . . . . . . .
0
0 ... 1
0
A continuacion probaremos que para cualquier transformacion lineal
nilpotente f : V V , donde V es un K-espacio vectorial de dimension n, es
posible encontrar una base donde la matriz este formada unicamente por
bloques de Jordan nilpotentes ubicados sobre la diagonal y ceros en los demas
lugares.
Teorema 7.7 Sea V un K-espacio vectorial de dimension n, y sea f : V
V una transfor- macion lineal nilpotente de ndice k. Entonces
existe una base B de V tal que

J1 0 . . . 0

..

.
|f |B = 0 J2

..
. 0
..
0 . . . 0 Jr
donde, para cada 1 i r, Ji K ni ni es un bloque de Jordan nilpotente
y k = n1 n2
. . . nr.

Para la demostracion de este teorema, usaremos el siguiente resultado t

ecnico:
Lema
7.8 Sea
V unmacion
K-espaciolineal
vectorial
f : V
V una
transfory seade i dimension
N. Sea {v1finita.
, . . . , vSea
r } V un
conjunto linealmente independiente tal que Nu(f i ) < v1 , . . .i,1vr > = {0}.
Entonces
(v{10
),}.. . . , f (vr )} es linealmente independiente y Nu(f ) < f (v1),
. . . , f (vr) >{f=
Demostracion. Supongamos que v = 1 f (v1 ) + + r f (vr ) Nu(f i1 ). Entonces
0=f

i 1

(v) = f (1v1 + + rvr),

de donde 1v1 + + rvr Nu(f i). Como Nu(f i) < v1, . . . , vr > = {0}, resulta que
1v1 + + rvr = 0, y como v1, . . . , vr son linealmente independientes, 1 = . . . = r
= 0.
Luego, v = 0.
De la misma demostracion se deduce que si 1 f (v1 ) + + r f (vr ) = 0,
entonces 1 =
. . . = r = 0, con lo cual {f (v1 ), . . . , f (vr )} es linealmente independiente.
Demostracion del Teorema 7.7.

Como f es nilpotente de ndice k se tiene que

{0} Nu(f ) Nu(f ) . . . Nu(f

k1

) Nu(f ) = V.

Lo que haremos a continuacion es construir conjuntos de vectores en Nu(f j )

recursivamente, comenzando en j = k hasta j = 1, utilizando el lema anterior y de
forma tal que la union de esos conjuntos sea una base de V .
k1
Sea Bk1 una base de Nu(f
), y sea
C k = {v

(k)

, . . . , v( )} Nu(f
rk

)=V

un conjunto linealmente independiente tal que Bk1 Ck es una base

de Nu(f construccion, Ck es un conjunto linealmente independiente y
Nu(f

k1

) = V . Por

) < Ck > = Nu(f ) = V.

Para fijar ideas, hagamos el paso siguiente de la recursion:

Por el lema anterior f (Ck ) Nu(f k1) es un conjunto linealmente
independiente tal
que Nu(f k2) f (Ck ) = {0}. Sea Bk
conjunto

una base de Nu(f k2). Completamos el

k1

linealmente independiente Bk2 f (Ck ) a una base

de Nu(f
Luego, si llamamos
(k1)

Ck1 = f (Ck ) {v1

k1

(k1
)

, . . . , vrk

(k
) 1

) con {v1

} Nu(f

),

tenemos que Ck1 es un conjunto linealmente independiente y vale

Nu(f

k2

) < Ck1 > = Nu(f

k1

).

(k1)

, . . . , vrk1 }.

Notar que, por lo

tanto,

Nu(f

k2

) < Ck

> < C > = V.

Pasemos ahora al paso j-esimo de la recursion:

Sea j con 1 j < k. Supongamos construidos los conjuntos linealmente
independientes
Cj+1 Nu(f j+1), . . . , Ck Nu(f k ) tales que f (Ch) Ch
Nu(f j )
< Cj+1 > = Nu(f j+1) y

j + 2 h k,

Nu(f ) < Cj+1 > . . . < Ck > = V.

Por el lema anterior, f (Cj+1) Nu(f j ) es un conjunto linealmente
independiente y
j1
).
Nu(f j1) < f (Cj+1) > = {0}. Consideremos una
1 de Nu(f
Entonces
base Bj

j
Bj1 f (Cj+1) Nu(f ) es un conjunto linealmente independiente y, por lo
tanto,(jexis)
(j )
(j )
(j )
ten v , . . . , v
Nu(f j ) tales 1 f (C
) {v , . . . , v } es una base de
que Bj
Nu(f j ).
1

Sea

j+1

rj

rj

Cj = f (Cj+1 ) {v

(j )

, . . . , v ( ) } Nu(f ).
rj

Es claro que Cj Nu(f j ) es un conjunto linealmente independiente (puesto

que, por cons- truccion, es un subconjunto de una base de Nu(f j )) y que
j
j
Nu(f 1) < Cj > = Nu(f ).
Por lo
tanto,

Nu(f

j1

) < Cj > . . . < Ck > = V.

Al terminar la recursion tendremos que

< C1 > . . . < Ck > = V,
y como cada conjunto Cj para cada 1 j k es linealmente independiente,
resulta que
Sk
Cj es una base de V .
j=1

Consideremos la base B de V obtenida reordenando esta base como sigue:

B
,

= {v

( k)

1
(j)

, f (v

(k)

1
(j
)

, f (v1

), . . . , f

k1

(v

(k)

j 1

k)

, f (v(

rk

1
(j)

), . . . , f

), . . . , v(

(v1

k)

), . . . , f
rk

rk

), . . . , v( ), f (v( )), . . . , f

rj

rj

rj

k1

(v(

k)

), . . .

(1)
j1
1

Se puede verificar que |f |B tiene la forma del enunciado del Teorema.

(v( )), . (1)

..,v
, . . . , v }.
r1

Deftnicion 7.9 Una matriz A K nn se dice una forma de Jordan nilpotente si

J1 0 . . . 0

..

.
A = 0 J2
.

..
. 0

.
.
0 . . . 0 Jr

con Ji K ni ni bloques de Jordan nilpotentes (1 i r) y n1 n2 . . . nr .

El Teorema
7.7 nos dice entonces que para todo endomorfismo nilpotente f :
V
, donde
deV Vtal
que |fV|B es un K-espacio vectorial de dimension finita, existe una base B
es una forma de
Jordan nilpotente. A una tal base B la llamaremos una base de
Jordan para
f y a la matriz |f |B , una forma de Jordan para f .
Aplicando este teorema a la transformacion lineal fA : K n K n asociada a
una matriz
A K nn , obtenemos el analogo para matrices:
Teorema 7.10 Sea A Knn una matriz nilpotente. Entonces A es semejante a
una forma de Jordan nilpotente.
A una base B de Kn tal que |fA|B = JA es una forma de Jordan nilpotente la
llamaremos una base de Jordan para A, y a la matriz JA una forma de Jordan
para A.
Ejemplo. Hallar una forma de Jordan y una base de Jordan para A R66, siendo

0
0 0 0 0 0
1

1 10 0 0 0 0
0
0
0
0

A =

0
1 0 0 1 0

1 0 0 0 0 0
1
0 0 0 1 0
Como XA = X6, A es una matriz nilpotente.
de la forma mA = X k para algun k con 1 k 6. Como

0 0 0 0 0 0
0 0 0 0 0 0

y
A3 = 0,
1 0 0 0 0
=

0 0 0 0 0
0

0 0 0 0 0
0
1 0 0 0 0 0

Calculemos mA , que
sera

A2
0

resulta que mA = X3.

Sea E = {e1 , e2 , e3 , e4 , e5 , e6 } la base canonica de R6 . Entonces,
B1 = {e3, e4, e6}, B2 = {e3, e4, e6, e2, e5} y B3 = {e3, e4, e6, e2, e5, e1}
son bases de Nu(A), Nu(A2) y Nu(A3) respectivamente.
6
Construimos
una base de Jordan
A siguiendo
la demostracion
Teorema
7.7
la transformacion
linealpara
nilpotente
que consideramos
es fdel

A : R
R6 ):(donde
Tenemos
que
{0} Nu(A) Nu(A2) Nu(A3) = R6.
2
6
Extendemos
la base eB12 que
de Nu(A
) a una
de Nu(A3) =
, por
agregando
completa
[Link]
Consideramos
A.eR1 =
(0, ejemplo,
1, 1, 0, 1,
1) Nu(A2).el
Sevector
tiene:
2
3
6
{0} Nu(A) Nu(A ) Nu(A ) = R
A. e1
e1

Ahora consideramos la base B1 de Nu(A), tomamos

el conjunto B1 {A.e1} Nu(A2),
y extendemos este conjunto a una base de Nu(A2).
Para esto podemos elegir,
por ejemplo,
2
el
vector linealmente
e5 Nu(A ). Multiplicando
por
A.e1 y e5 se obtiene el
conjunto
independiente
{A2Ae1los
, [Link]
2
5} = {(0, 0, 1, 0, 0, 1), (0, 0, 0, 1,
0, 1)} Nu(A
):

{0}

Nu(A)
A2.e1
A.e5

Nu(A2)
A.e1
e5

Nu(A3)
e1

= R6

Finalmente, extendemos el conjunto {A2.e1, A.e5} a una base de Nu(A), por ejemplo,
con el vector e3. Obtenemos:

{0}

Nu(A)
A2.e1
A.e5
e3

Nu(A2)
A.e1
e5

Nu(A3)
e1

= R6

Entonces, una base de Jordan para A es

B

=
=

{e1, A.e1, A2.e1, e5, A.e5, e3}

{(1, 0, 0, 0, 0, 0), (0, 1, 1, 0, 1, 1), (0, 0, 1, 0, 0, 1), (0, 0, 0, 0, 1, 0),

(0, 0, 0, 1, 0, 1), (0, 0, 1, 0, 0, 0)}.

y una forma de Jordan de A es JA = |fA |B , es decir:

JA =

7.1.3

0
1
0
0
0
0
0

0
0
1
0
0
0

0
0
0
0
0

0
0
0
0
1
0

0
0
0
0
0
0

0
0
0
0
0
0

Unicidad de la forma de Jordan nilpotente. Semejanza

A continuacion probaremos que la forma de Jordan de una transformacion lineal

nilpotente es unica. Este resultado, junto con la existencia de forma de Jordan
para matrices nilpotentes probada en la seccion anterior, nos permitira resolver
el problema de decidir si dos matrices nilpotentes son semejantes o no.
La demostracion de la unicidad consiste en mostrar que la cantidad de
bloques de Jordan de cada tamano que aparecen en una forma de Jordan
de una transformacion lineal f esta unvocamente determinada por f .
Comenzamos probando un resultado auxiliar.
m m
i
Lema
7.11 Sea
i para cada
1 JiKm. un bloque de Jordan nilpotente. Entonces rg(J ) = m

7.1 Transformaciones lineales nilpotentes

171

i
t
Demostracion. Se puede verificar inductivamente que
m
i+1 J = (e

| . . . | et | 0

| . . . | 0 ), donde
n
eelevar
j-esimo
vector
de la base
de Ki
(eslugares).
decir que al
j denota
un el
bloque
de Jordan
nilpotente
a la i,canonica
los unos bajan
1
i
En consecuencia, rg(J ) = dim < ei+1, . . . , em > = m i.
Q

Este resultado nos permite calcular la cantidad de bloques de cada tamano

que aparecen en una forma de Jordan usando los rangos de las potencias de la
matriz.
Proposicion
7.12 Sea elAbloque
K nnde una
forma
de grande
Jordanque
nilpotente
de
ndice
k.
Entonces
Jordan
mas
aparece en
A
es
de
tamano
k

k.
Ademas,
para
cada
0 i ique
k aparecen
1 la cantidad
de
bloques de Jordan nilpotentes de tamano
mayor
que
en A es
i
i
bi = rg(A ) rg(A +1).
En particular, la cantidad de bloques de Jordan que aparecen en A es b0 =
n rg(A) = dim(Nu(A)).
Demostracion. Como el ndice de nilpotencia de A es k, se tiene que mA =
Xk .
Sean
. .r. (ver
, Jr los
bloques de
Jordan
que aparecen en A con JA KnAnA para
cada
1 JA1,
Definicion
7.9).
Entonces
mA = mcm{mJ1 , . . . , mJr } = mcm{X n1
, . n. r. , X } = X .
n1

Luego, n1 = k, es decir, el bloque de Jordan mas grande que aparece en A es

de k k.
Para cada 1 i k, sean ci la cantidad de bloques de Jordan nilpotentes de
tamano i i
que aparecen en A y bi la cantidad de bloques de tamano mayor que i.
Si A esta formada por r bloques de Jordan nilpotentes, resulta que rg(A) = n

r ya que
este
rango es la
de los
los distintos
bloques
Jordan.
Enb0 = n
consecuencia,
lasuma
cantidad
de rangos
total dede
bloques
de Jordan
que de
forman
A es
rg(A).
Sea 1 i k 1. Observamos, por el lema anterior, que para un bloque
de Jordan
J K j j se tiene que J i = 0 si j i o rg(J i ) = j i si j > i. Ademas, rg(Ai ) es
la suma de
los rangos de los bloques que aparecen en la diagonal. En consecuencia
i

rg(A ) rg(A +1)

=

. cj . (j i)

j=i+1

. cj . (j (i +
1)) =

j=i+2

k
. cj = bi .
j=i+1

Tenemos entonces el siguiente resultado:

Corolario
7.13 para
Sea cada
A K n1nuna
de Jordan
nilpotente de ndice
k.
Entonces,
k,forma
la cantidad
nilpotentes
de tamano
i i ique
aparecen
en de bloques de Jordan
A es
i
i
i
ci = rg(A +1) 2 rg(A ) + rg(A 1).

k1

Demostracion. kObservamos
que c =
bk1 = rg(A rg(A 1), puesto que Akk = 0.
Sea 1 i k 1. Entonces
ci

k+1

) rg(A ) =
rg(A

=
=

bi1 bi
i
i
i
i
(rg(A 1) rg(A )) (rg(A ) rg(A +1))

rg(A +1) 2 rg(A ) + rg(A 1).

) 2 rg(A )
+

Ejemplo.5 Decidir si existe una matriz A R1515 tal que rg(A) = 10, rg(A4) =
3 y rg(A ) = 0.
Si rg(A5) = 0 y rg(A4) = 3, entonces A5 = 0 y A4 = 0, de donde A es
nilpotente de ndice
5. Entonces
A es
semejante
tamano
mas
grande
es de a5 una
5. forma de Jordan nilpotente JA cuyo bloque de
Ahora, por la Proposicion 7.12, JA tiene rg(A4 ) rg(A5 ) = 3 bloques de
5 5 y, como
JA R1515 estos son los unicos bloques que aparecen.
Pero la cantidad de bloques de Jordan en JA debe ser 15 rg(A) = 15 10 = 5,
contradiciendo lo anterior.
Luego, no existe una matriz A R1515 que satisfaga las condiciones del
enunciado.
El Corolario 7.13 nos permite probar el siguiente resultado:
Lema 7.14 Sean J y Jr formas de Jordan nilpotentes. Si J Jr, entonces J =
Jr.
Demostracion. Segun lo que hemos visto, las cantidades de bloques de
cada tamano que aparecen en una forma de Jordan nilpotente solo
dependen de los rangos de sus potencias.
Por otro
si J J r , entonces para cada 1 i k, se tiene que rg(Ji) =
r )i). lado,
rg((J
En
consecuencia,
cantidad
es la misma en J que en J r .la
Luego,
J = de
J r . bloques de Jordan de cada tamano
Q
A partir de este lema, se deduce la unicidad de la forma de Jordan en el caso
nilpotente:
Teorema
Sea Vmacion
un K-espacio
de dimension
n. Sea
f : uV
V una 7.15
transforlineal vectorial
nilpotente.
Entonces existe
una
nn
nica
forma
de
Jordan
nilpotente
J

K
tal
que
|
f
|
=
J
para
alguna
B
base B de V .
Demostracion.
Si B y B r son bases de V tales que
|f |B = J y |f |B r = J r con =
J
r
r
y
J r .J formas de Jordan nilpotentes, entonces J J y, por el lema anterior, J Q
Por lo tanto, se obtiene este resultado sobre semejanza de matrices
nilpotentes:

17
2

Forma de
Jordan

n
r. Entonces Sean J y Jr formas de
Teorema
7.16 Seantales
A, B que
KnA
matrices
Jordan nilpotentes
J y B Jnilpotentes.
A B J = Jr.

Demostracion.
() relacion
Si A B, como
por hipotesis
AJy
B JJr ,J rteniendo
cuenta
que7.14,
es una
de equivalencia,
resulta
que
. Luego,en
por
el Lema
J = Jr
.
r
() se
Si deduce
J = J r que
, siendo
A B.A J, B J y por ser una relacion de equivalencia,Q
Ejemplos.
1. Sean A, B R44 dos matrices tales que mA = mB = X 3 . Probar que A B.
Por el teorema anterior, el problema es equivalente a probar que A y B
tienen la misma forma de Jordan. Luego, basta ver que existe una u
nica forma de Jordan nilpotente
J R44 tal que mJ = X3.
3
Si
m3J =
, entonces
J 4tiene
menos)
un bloqueentonces
de Jordan
nilpotente
4 , la (al
de
X
3.
J de
R
unica
posibilidad
que
J este
formada
porComo
un bloque
33y
otro de
1 1, eses
decir

0 0 0 0

1 0 0 0

J = 0 1 0 0 .
0 0 0 0

2. Sean A, B R77 las matrices

A=

0
1
0
0
0
0
0

0
0
1
0
0
0
0

0
0
0
0
0
0
0

0
0
0
0
1
0
0

0
0
0
0
0
1
0

0
0
0
0
0
0
0

0
0
0
0
0
0
0

0
1

B= 0

0
0
0

0
0
1
0
0
0
0

0
0
0
0
0
0
0

0
0
0
0
1
0
0

0
0
0
0
0
0
0

0
0
0
0
0
0
1

0
0
0
0
0
0
0

Observamos que XA = X7 = XB , mA = X3 = mB y rg(A) = rg(B), pero A B

puesto que son dos formas de Jordan nilpotentes distintas.

7.2

Caso general

En esta seccion generalizaremos lo anterior para endomorfismos en un Kespacio vectorial de dimension finita cuyos polinomios minimales se factorizan
linealmente (es decir, con todas sus races en K).

7.2.1

Forma de Jordan de una transformacion lineal

Primero veremos un caso particular, en el que el polinomio minimal del

endomorfismo se factoriza linealmente pero tiene una unica raz.
Sea V un K-espacio vectorial de dimension n y sea f : V V una
transformacion lineal tal kque mf = (X )kk1para algun k n. Se tiene
entonces
que
. idk.
= 0 y (f . idV )
= 0, con lo cual f . idV es
V)
nilpotente
de (f
ndice
Por el Teorema 7.7, existe una base B de V tal que |f . idV |B K nn es una
forma
de Jordan nilpotente, es decir,

J1

|f . idV |B = 0
.
.

0.

... 0

..
J2
.

..
. 0
. . . 0 Jr
0

donde, para cada 1 i r, Ji K ni ni es un bloque de Jordan nilpotente y k = n1

n2
. . . nr.
Observamos que |f |B = |f . idV |B + |. idV |B = |f . idV |B + . In , de donde

J(, n1)
0
...
0

..

0
J(, n2)
.
|f |B =

..
..

.
0
0
...
0 J(, nr )
donde, para cada 1 i r,

J(, ni) = 1

0
0

0
0
1

0
... ...
0 0

...

...

...

K ni ni

... ......
... 1

y k = n1 n2 . . .
nr .
Esto motiva la siguiente definicion:
Deftnicion 7.17 Sea K. Se llama bloque de Jordan asociado al autovalor
de tamano
n a la matriz J(, n) Knn

0
1

J(, n) =
0 1
... ...
0 0

...
...
...
...
...

0 0
0 0

0 0
.
......
1

La idea de la forma de Jordan general es, como en el caso nilpotente,

encontrar una base donde la matriz del endomorfismo considerado tenga una
forma particular (bloques de Jordan en la diagonal).
La demostracion de la existencia de forma de Jordan se basa en el
siguiente lema, que permite descomponer el espacio en suma directa de
subespacios invariantes, en cada uno de los cuales la transformacion lineal
tiene un solo autovalor.
Lema 7.18 Sea V un K espacio vectorial de dimension finita. Sea f : V
V una transfor- macion lineal tal que mf = P. Q con (P, Q) = 1.
Entonces:

Nu(P (f )) y Nu(Q(f )) son subespacios invariantes por f;

m f|

V = Nu(P (f )) Nu(Q(f ));

= P y mf|
= Q.

Nu(P (f ))

Nu(Q(f ))

Demostracion.

Nu(P (f )) y Nu(Q(f )) son invariantes por f :

r
.
Sea P =
a iX i y sea x Nu(P (f )). Entonces P (f )(x) = 0. Aplicando f se
obtiene
i=0

f (P (f )(x)) = 0. Luego
r

0= f .
i+1

r
.
.
i
aif (x) =

(x) =

aif

. r
aif
.

.
(f (x)),

i
i=0

i=0

i=0

de donde f (x) Nu(P (f )). Por lo tanto, Nu(P (f )) es

invariante por f . De la misma manera, Nu(Q(f )) es invariante
por f .

V = Nu(P (f )) Nu(Q(f )):

Puesto que (P, Q) = 1, existen R, S K[X] tales que 1 = R.P + S.Q, de
donde
idV = R(f ) P (f ) + S(f ) Q(f ).
Sea x Nu(P (f )) Nu(Q(f )). Entonces
.
.
.
.
x = idV (x) = R(f ) P (f )(x) + S(f ) Q(f )(x) = R(f )(0) + S(f )(0) =
0.
Luego, Nu(P (f )) Nu(Q(f )) = {0}.
Por otro lado, para cada x V se tiene que
x = (R(f ) P (f ))(x) + (S(f ) Q(f ))(x).
Ahora, teniendo en cuenta que Q(f ) R(f ) = (Q. R)(f ) = (R. Q)(f ) =
R(f ) Q(f ), resulta que
Q(f )((R(f ) P (f ))(x)) = (Q(f ) R(f ) P (f ))(x) = R(f ).(Q(f ) P (f ))(x).
=
= R(f )(mf (f )(x)) = R(f )(0) = 0,

de donde (R(f ) P (f ))(x) Nu(Q(f )). Analogamente, (S(f ) Q(f ))(x)

Nu(P (f )). En consecuencia, Nu(P (f )) + Nu(Q(f )) = V .

= P y mf|
= Q:
mf|
Nu(P (f ))

Nu(Q(f ))

Sean f1 y f2 las restricciones de f a Nu(P (f )) y Nu(Q(f ))

respectivamente. Como
V = Nu(P (f )) Nu(Q(f )), se tiene que mf = mcm(mf1 , mf2 ).
r
.
Si P =
a iX i, para cada x Nu(P (f )), se tiene que
i=0

P (f1)(x) = .
(f )(x) = 0,

aif .(x) =
1

i=0

aif (x) =

aif (x) = P

i=0

i=0

con lo cual mf1 | P . Analogamente, mf2 | Q.

Como P y Q son coprimos, resulta que mf1 y mf2 tambien lo son y, por lo
tanto,
P.Q = mf = mcm(mf1 , mf2 ) = mf1 . mf2
de donde mf1 = P y mf2 = Q.

Deftnicion 7.19 Diremos que J K nn es una matriz de Jordan o una forma de

Jordan si

J1 0 . . . 0

..

.
0
J
2
J=
.

.
.
. 0

.
.
0 . . . 0 Js
donde, para cada 1 i s, Ji es de la forma
i

J(i, n1( ))

Ji =

0
(i )
n )
.
..

...
..

J(i,
2

0
...
0

con n
1

(i)

()
...n

r
i

...

J( i,

(i)
nr )
i

y i = j para i = j, o sea, cada Ji esta formada por (varios) bloques de

Jordan de autovalor
i ubicados sobre la diagonal.
Demostremos ahora el resultado principal de esta seccion:
Teorema 7.20 Sea V un K-espacio vectorial de dimension finita. Sea f
: V V una transformacion lineal tal que mf se factoriza linealmente
sobre K. Entonces existe una base
B de V tal que |f |B es una forma de Jordan.

Con la notacion anterior, a una base B con la propiedad del teorema la

llamaremos una
base de Jordan para f y a la matriz |f |B una forma de Jordan para f .
Demostracion. Probaremos el teorema por induccion en
n = dim V . Para n = 1, no hay nada que hacer.
Supongamos
que el teorema
vale para
lineal
definida en
un
vectorial
deKdimension
m <toda
n y transformacion
sea f : V V una
transformaci
onK-espacio
lineal definida
en un
espacio vectorial V de dimension n.
Si mf = (X )k , estamos en el caso analizado al comienzo de esta seccion,
para el que el teorema vale.
Supongamos
quedef tiene
al menos
dos
distintos.
.mf =
1 es
uno de
los entonces
autovalores
f , entonces
(Xautovalores
1)kk1.. Q con
gr(Q) Si
1
k1
1
subespacios
f
-invariantes
de
V
y
y ((X 1) , Q) = 1. Por el Lema 7.18, Nu (f 1. idV )
y Nu(Q(f )) son
k1
V = Nu((f 1. idV ) ) Nu(Q(f )).
.
.
Ademas,
como 1 es autovalor de f pero no el unico, {0} Nu (f 1 .idVk1)
k1
V yV las
inclusiones
)) <dim
= n.
Entonces son estrictas. En particular, 0 < dim(Nu((f 1 . idV )
tambien vale 0 < dim Nu(Q(f )) < dim V = n.
.
.
Consideremos las restricciones de f a Nu (f 1. idV )k1 y Nu(Q(f )):
k

f1 : Nu((f 1. idV ) 1 ) Nu((f 1. idV ) 1 ) y

f2 : Nu(Q(f )) Nu(Q(f )).

.
.
de Nu (f 1 .I)k1 y una

Por hipotesis inductiva, existen una base B1

base B2 de
Nu(Q(f )), tales que |f1 |B1 y |f2 |B2 son formas de Jordan. Entonces, tomando B =
B1 B2
obtenemos una base de V tal que
.
|f |B = . |f |
0
1 B1
0

|f2 |B2

k1

Observamos que, de acuerdo al Lema 7.18, mf1 = (X 1 ) y mf2 = Q.

Entonces |f1 |B1
esta formada por bloques de Jordan de autovalor 1 y, como 1 no es raz de
Q, |f2 |B2 esta
formada por bloques de Jordan de autovalor con = 1 . En consecuencia, |f |
B es una
forma de Jordan.
Q
r
Q

(X i )ki con
Observemos que, con las notaciones del teorema
i=1
anterior, si mf =
i = j si i = j, la demostracion nos permite dar una forma constructiva de
obtener una
forma de Jordan de f . Como
k

V = Nu((f 1. idV ) 1 ) Nu((f r. idV ) r ),

podemos obtener una forma de Jordan para cada
ki una de las restricciones de f a
estos
subes- paciosEntonces
invariantes
Nu((f
i. id
)resulta
) y las
bases
de de
Jordan
V
correspondientes.
B
=
B

B
ser una
base
V y |fB|Bi
1
r
resulta una forma de Jordan de f .
El resultado del teorema se puede enunciar tambien para matrices
complejas.

Teorema 7.21 Sea A Cnn. Entonces A es semejante a una forma de

Jordan.
una base
B de para
K n talA,que
es una
de Jordan,
la llamaremos
unaA base
de Jordan
y a |flaA |B
matriz
|fA |Bforma
una forma
de Jordan
para A.
Demostracion. Consideremos la transformacion lineal fA : Cn Cn
definida por fA (x) =
A.x. Observamos que mfA = mA C[X] se factoriza
linealmente en C[X]. Por el
teorema
existe entonces una base de Cn tal que la matriz JA = |fA|B es
una
formaanterior,
de Jordan,
semejante a A.
Q
Ejemplo. Hallar una forma de Jordan semejante a A y una base de Jordan para A,
siendo

1 0
0 2
2 1 0 2
44

A=

C
.

2 0 1 2
0 0
0 1
Se tiene que XA = (X 1)2(X + 1)2, luego los autovalores de A son 1 y 1.
Calculemos mA = mcm{me1 , me2 , me3 , me4 }, donde {e1 , e2 , e3 , e4 } es la base can
onica de
C4:
Puesto que A.e1 = e1 + 2e2 + 2e3 (luego {e1, A.e1} es l.i.) y A2e1 = e1, se
tiene2 que
me1 = X 1.
Por otro lado, A.e2 = e2, con lo cual me2 = X + 1. De la misma manera,
me3 = X + 1.
Finalmente, para e4 tenemos que A.e4 = 2e1 + 2e2 + 2e3 + e4 (y entonces

{e4, A.e4} es l.i.)

y A2e4 = 4e1 + 4e2 + 4e3 + e4 = 2. A.e4 e4. Luego
me = X2 2X + 1.
4
2
2
En consecuencia, mA = mcm{X 1, X + 1, X 2X + 1} = (X 1)2(X + 1).
Sabemos entonces que
C4 = Nu((A I)2) Nu(A + I),
y si f1 : Nu((A I) 2 ) Nu((A I) 2 ) y f2 : Nu(A + I) Nu(A + I) son las
restricciones de
fA a Nu((A I)2) y Nu(A + I) respectivamente, una forma de Jordan para A es
. 1
.
J 0
JA = 0
J
2

donde
JB1 1 yy JB
son formas de
de Jordan de f y f respectivamente. Mas au
n,
2 son bases
una si
base
de 2Jordan
para A. Jordan para1 f1 y f22, entonces B = B1 B2 es
Base y forma de Jordan de f1 : Nu((A I)2 ) Nu((A I)2).
2

Se tiene que mf1 = (X 1) , luego f1 idNu((AI)2 ) es nilpotente de ndice

2. Ademas

0
2
A I=

2
0

0
0
2 0
0
0

2
0

2
2
2
0

0 0 0 0
4 4 0 0
,
(A I)2 =

4 0 4 0
0 0 0 0

de donde Nu(A I) = < (1, 1, 1, 0) > y Nu((A I)2) = < (1, 1, 1, 0), (0, 0,
0, 1) >.
Consideramos
el vector
= (0, 0, 0, 1) que extiende una base de Nu(A
I) a una de Nu((A
I)2 ).e4 Obtenemos
2
{0} Nu(A
I).e
I) 4 Nu((A eI)
)
(A
4
Luego, una base de Jordan para f1 es B1 = {e4, (A I).e4} = {(0, 0, 0, 1), (2,
2, 2, 0)} y su forma de Jordan es
.
.
|f1 |B1 = 11 10.

Base y forma de Jordan de f2 : Nu(A + I) Nu(A + I).

Sabemos que mf2 = X 1, luego f2 es diagonalizable. Se tiene que
A+ I=

0
2
0
2 0
0 0

0
0
0
0

2
2
.
2
2

Luego, una base de Nu(A + I) (que sera tambien una base de

Jordan para f2 ) es
B2 = {(0, 1, 0, 0), (0, 0, 1, 0)} y la forma de Jordan de f2 es

|f2 |B2 = .

1 0
0

En consecuencia, una base de Jordan para A es

B = B1 B2 = {(0, 0, 0, 1), (2, 2, 2, 0), (0, 1, 0, 0), (0, 0, 1, 0)}
y una forma de Jordan semejante a A es

1
1
0
0

0 0
1 0
0 1
0 0

0
0
.
0
1

7.2.2 Unicidad de la forma de Jordan

Veremos ahora que la forma de Jordan asociada a una transformacion
lineal f : V V , donde V es un K-espacio vectorial de dimension finita,
es unica salvo por el orden en que aparecen los bloques de Jordan
correspondientes a autovalores distintos.
Teorema 7.22 Sea V un K espacio vectorial de dimension n, y sea f : V V
una transformacion lineal tal que mf se factoriza linealmente
sobre K. Entonces
n n
existe una
debase
Jordan
J V K
bloques)
tal unica
que paraforma
alguna
B de
, (salvo por el orden de sus
|f |B = J .

Demostracion. Sea B = {v1 , . . . , vn } una base de

forma de Jordan
J Knn,

J1(1)
0
...
0
..

.
0
J2(2)
J=

..
..

0
.
.
0
...
0 Js(s)

V tal que |f |B es una

didi
donde
cada 1 de
i autovalor
s, Ji(i) iKque
denota la en
matriz
todos
bloquespara
de Jordan
aparecen
J y formada
i = j sipor
i =
j. los
s
Q
di
(X i ) . Entonces 1 , . . . , s son los autovalores
Se tiene que Xf =
de f y,
XJ =
i=1

para cada 1 i s, di = mult(i, Xf ).

ki

Ahora, para cada 1 i s, se tiene que mJi (i )

para algun 1 ki
= (X i )
di .
s Q
ki
Entonces mf = mJ =
(X i ) , con lo que, para cada 1 i s, ki = mult(i ,
mf ).
i=1

Sea uno de los autovalores de f y sea k = mult(, mf ). Sin perdida

de generalidad, supongamos que = 1. Observamos que

J1(0)
0
...
0

..

0
J2(2 )
.
J

.
I
=
n
,

de
donde

..
0

...

..

.
0
0 Js(s )

0
...
0
0
..
k

0
(J
(

))
.
2 2
k
(J . In) =
..
..
.
.
0
...
0 (Js(s ))k

.
Puesto que (Ji(i ))k es inversible para cada 2 i s, entonces Nu (J
.
In)k =
< e1 , . . . , ed1 >. Teniendo en cuenta que J = |f |B , resulta que J .In = |f .idV
|B , con
lo que
k
Nu((f . idV ) ) = < v1, . . .1, vd >.
Consideremos la
restriccion
k

f = (f . id )
: Nu((f . id ) ) Nu((f . id ) ).
|Nu((f . id )k )
V

1
V
V
La restriccion fV1 resulta una transformacion lineal nilpotente y, por lo tanto,
tiene una unica forma de Jordan nilpotente J1 asociada.
.
Sea B1 = {v1, . . . ,1 vd }, que como vimos, es una base de Nu (f .
.
Observamos
. idV )k
que
.
|f1 |B1 = . f|Nu(f . id )k ..
.Id1 = J1(0).

V
. 1
B

180

Forma de
Jordan

Como J1(0) es una forma de Jordan nilpotente, debe ser la forma de Jordan J1
de f1.
En consecuencia, J1 (1 ) = J1 + 1 .Id1 esta unvocamente determinada por
f . (Notar que
el subespacio invariante Nu((f
. id )k ) y la
solo
. idV )

restriccion f = (f
1
V

dependen de f y no de una base.)

|Nu((f . id

k
V) )

Haciendo lo mismo para cada i con 1 i s, resulta que, Ji (i ) K di di satisface:

Ji (i ) = Ji + i . Idi ,
donde di = mult(i, Xf ) y, si ki = mult(i, mf ), Ji es la forma de Jordan
nilpotente de la restriccion
k
k
(f . id )
: Nu((f . id ) i ) Nu((f . id ) i ).
i
i

i
V |Nu((f . id )ki )
V
V

Por lo tanto, la forma de Jordan de f esta unvocamente determinada

por f (salvo el orden de los bloques correspondientes a los distintos
autovalores de f ).
Q

El hecho que todo polinomio se factorice linealmente en C[X] nos permite

demostrar el siguiente resultado sobre semejanza de matrices en Cnn.
Teorema 7.23 Sean A, B Cnn, y sean JA y JB las formas de Jordan de A y
B respecti- vamente. Entonces
A B JA = JB
(salvo el orden de los bloques).
Demostracion.
() Sabemos
que resulta
A JA que
y B J JBJ. Si
A B, como es una relacion de
equivalencia,
A
B . Entonces existe una transformacion
n
n
n
B1 y B2 de K tales que |1f |B = JA y 2|f |B = JB . lineal f : K K y bases
Por el teorema anterior, la forma de Jordan de una transformacion lineal es
unica salvo el orden de los bloques correspondientes a los distintos
autovalores. Luego JA = JB salvo el orden de los bloques.
() Se deduce inmediatamente de que es una relacion de equivalencia.
Q
Ejemplo. Sean A, B C33. Probar que
A B XA = XB y mA = mB . Vale el
mismo resultado para matrices en C44?
Ya sabemos que vale (). Probemos la otra implicacion. Por el
Teorema 7.23, A y B
son
semejantes si tienen
la misma
forma
Jordan
(salvo de
el orden
losuna
distintos
res). unvocamente
Luego,
basta
verdeque
la forma
Jordandede
matriz enautovaloC33 queda
determinada por su polinomio caracterstico y su polinomio minimal.
Sea J C33 una forma de Jordan. Entonces XJ es un polinomio monico de
grado 3 en
C[X], luego puede escribirse de alguna de las siguientes formas:

(i) XJ = (X 1)(X 2)(X 3) con 1, 2, 3 C y i = j si i = j.

(ii) XJ = (X 1)2(X 2) con 1, 2 C y 1 = 2.

XJ = (X )3 con C.

(iii)

Para cada una de las opciones anteriores, veremos que existe una unica J para
cada polinomio minimal posible.
(i) Si
(X 1)(X y,
2)(X 3 ) con 1, 2, 3 C y i = j si i =
J =
j,
JXes
diagonalizable
cada
autovalor.
Luego por lo tanto, tiene un bloque de 1 1 para
(salvo el orden de los autovalores)

1 0 0
J = 0 2 0 .
0 0 3
(ii) Si
XJ = (X
1)2=
(XX . 2) con 1, 2 C y 1 = 2, entonces mJ = (X
)(X
) o m
1

Si mJ = (X 1)(X 2), J es diagonalizable y, por lo tanto, cada

bloque en J
es de 1 1. Luego

1 0
J = 0 1
0 0

0
0,
2

salvo el orden de los autovalores.

Si mJ = (X 1)2(X 2), entonces J tiene un bloque de 2 2 con
autovalor 1
y uno de 1 1 con autovalor 2. Luego (salvo el orden de los
autovalores),

1 0

J=
1 1
0 0
(iii)

0
0.
2

Si XJ = (X )3 con C, entonces mJ = (X )k para k = 1, 2 o 3.

Si mJ = (X ), entonces J es diagonalizable y solo tiene
bloques de 1 1, es decir,

0 0
J = 0 0 .
0 0

Si
mJ solo
= (X puede
)2 , entonces
bloquede
mas
luego
tener un el
bloque
2 2grande
y unode
deJ 1esde
1: 2 2,

0 0

J=
1 0 .
0 0

18
2

Forma de
Jordan

Si mJ = (X )3, entonces J tiene un bloque de 3 3 y, por lo tanto

0 0
J = 1 0 .
0 1
El resultado no vale en C44. Por ejemplo, las matrices

0 0 0
0 0 0 0

1 0
0
B=
y
A=

0
0 0 0 0
0 0 1 0

0 0 0 0
0 0 0 0

verifican XA = XB = X4 y mA = mB = X2, pero A B, porque son dos formas de

Jordan distintas.

7.3

Aplicacion:
matriz

Calculo

de

las

potencias

de

una

En diversas aplicaciones, por ejemplo en la resolucion de sistemas de

ecuaciones diferenciales lineales de primer orden, surge la necesidad de calcular
las potencias de una matriz dada. En esta seccion veremos que esto puede
hacerse utilizando la forma de Jordan de la matriz.
En primer lugar, observamos que es posible calcular las potencias de una
matriz a partir de las potencias de una matriz semejante:
Si A B, existe C ttL(n, K) tal que A = C. B. C1. Entonces, para cada k N,
k
A = C. B k . C 1 (ver Observacion 6.26).
A partir de esta observacion vemos que, si una matriz
A K nn es
diagonalizable, entonces se puede ncalcular
facilmente Ak para cada
k N:
n diagonal
Basta
hallar
C

ttL(n,
K)
y
D

K
tales
que
A
=
C.
D.
C1 y tener
en cuenta
que

1 0 . . . 0
0 ... 0

..

k
..
.
0 k
k N.
D = 0 2
=

D
=
.

2
..
..

. 0
. 0
.
.
.
.

0 . . . 0 n
0 . . . 0 kn
Utilizando la igualdad Ak = C. Dk . C1 se obtienen las potencias de A.
Consideremos ahora el caso de una matriz A Knn que no sea diagonalizable.
Si

M1

AM= 0
.
.

0.

0
..

M2
.

..
. 0
. . . 0 Mr
0

...

con Mi K

ni ni

(1 i r)

existe C ttL(n, K) tal que A = C.M.C1. Entonces, para cada k N, Ak = C. M k .

C1 y, multiplicando por bloques, resulta que

0 ... 0

..
k
k0

M 2k
M = M
.
.

.. 0
..
.

0
. . . 0 M rk
Por lo visto en las secciones anteriores, si mA se factoriza linealmente en K,
se puede hallar una matriz M (la forma de Jordan de A) en la que cada Mi es
un bloque de Jordan de
autovalor i para algun i K. Luego, para calcular las potencias de A basta
poder calcular
J(, m)k .
Se puede probar inductivamente (ver Lema 7.11) que

0k(mk)
0kk
k
.
J(0, m) =
Imk
0(mk)k
Si = 0, escribimos J(, m) = . Im + J(0, m). Puesto que . Im y J(0, m)
conmutan, podemos calcular las potencias de . Im +J(0, m) aplicando la formula
del binomio de Newton:
J(, m)

k
.
. .
k (Im)ki. J(0, m)i
i=0 i
.
0ii
(mi)

= (. Im + J(0, m)) =
k

.
. .ki. .
k

i=0

k
.
i=0

.
(Consideramos
h

.k.

0(mi)i

Imi

.
0
.k. kii(mi)
. Im i

(mi)i

k
.k.

k1
.k1.
k2
2
.

k . k(m1)
. m 1

0ii

0
k

.k

...

...

..
.

. k1
1

..
.
...

..
.k. .
k2

..
.

..
.k. .
k1
1

0
.
..
..
.

0
k

= 0 si h > k.)

Esto nos da una formula para el calculo de las potencias de un

bloque de Jordan de autovalor . Usando las observaciones anteriores podemos
calcular las potencias de A.

7.4

Ejercicios

0 1 0 ... 0
0 0 1 ... 0

Ejercicio 1. Dadas las matrices A y Ar en

Knn

0 0 ... 0 0
1 0 ... 0 0

A=

r
. . ..
0 1 ... 0 0
A = ..
y
.

.
.

.
..
0 0 0 ... 1
..
..

.
0 0 ... 1 0
0 0 0 ... 0
i) Probar que ambas son nilpotentes y que A es semejante a Ar .
r de R
ii) Dar
bases
B ylaBbase
1 [X]Artal
B sea
A y en
Bnr sea
. que la matriz de la derivacion en la base

iii) Sea B una base de K n y sea f : K n K n tal que |f |B = A.

Probar
que
no existen subespacios propios f -invariantes S y T de K n tales que
Kn = S T .
Ejercicio 2. Sean Ai (1 i 6) matrices en C88
tales que mA

nilpotentes

= X3

(1 i 6). Es cierto que necesariamente dos de estas matrices son

semejantes?
Ejercicio 3. Sean A, B C66 son matrices nilpotentes tales que mA =7m7B y
rg(A) = rg(B). Probar que A y B son semejantes. Es cierto esto en C ?
Ejercicio 4. Hallar la forma y una base de Jordan de la matriz A C99:
00 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0
A =
0

0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0
0 0 0 0 0 1 0 0 0
1 1 0 0 0 0 0 0 0
Ejercicio 5. Hallar la forma y una base de Jordan de la matriz A = (aij ) Cnn
donde

.
aij =

0 si i j
1

si i > j

Ejercicio 6.
i) Decidir si4 existe A C858 nilpotente tal que rg(A) = 6, rg(A2) = 4, rg(A3)
= 3, rg(A ) = 1 y rg(A ) = 0 simultaneamente. En caso afirmativo,
exhibir una.
ii) Decidir
si existe4 A R1616 tal5 que mA(X) = X 5 , rg(A) = 9, rg(A2) = 5,
3
rg(A ) = 3, rg(A ) = 1 y rg(A ) = 0 simultaneamente. En caso
afirmativo, exhibir una.

18
5

7.4 Ejercicios

Ejercicio 7. Sea f : C7 C7 una transformacion lineal y sea B una base de C7

tal que

|f |B

2
1

0
= 0

0
0
0

0
2
1
0
0
0
0

0
0
2
0
0
0
0

0
0
0
2
1
0
0

0
0
0
0
2
0
0

0
0
0
0
0
0
3
0

0 .

0
0
3

i) Hallar Xf y
mf .

ii) Sea un autovalor de f tal que mult(, Xf ) = m. Se definen E = {v C7/

f (v) = .v}
.
.
y V = {v C7/ (. Id f )m(v) = 0} = Nu (. Id f )m .
Para que autovalores de f se tiene que E = V ?
iii)

Para cada autovalor de f , cual es la menor potencia k tal que V =

.
Nu (. Id f )k ?
.

iv)
Si es un autovalor de f , se nota f a la restriccion de f a V .
2
Calcular dim(Im(f
)) y dim(Im(f )) para cada .

Ejercicio 8. Sea V un K-espacio vectorial, sea f : V V una transformacion

lineal y sea
P K[X].
i) Probar que Nu(P (f )) e Im(P (f )) son subespacios invariantes por f .
ii) Probar que si un autovalor de f es raz de P , entonces E Nu(P (f )).
iii)

Probar que si un autovalor de f no es raz de P , entonces E

Im(P (f )).
Ejercicio 9. Hallar la forma y
siguientes casos:

3
1 1 1
3
3 3 3
;
2 2 2
2

1 1

2
3

;
2
4

una base de Jordan de A C nn en cada uno de los

0
8
4 2 10
2 8
6
4 3 7
4 10 6
1 6
;
;
4 8 4
3 1 7
0 5

;
7

17

Ejercicio 10. Sea A R44 la matriz

1 0

0 1

0 1
A=

18
63

3 1 6
2 0 5
0
0
0

0
.
0
1

Forma de
Jordan

i) Para cada a R, calcular XA, mA y hallar la forma de Jordan de A.

ii) Para a = 2, hallar una base de Jordan para A.
Ejercicio 11. Sea V C(R) el subespacio V = < ex, x. ex, [Link], e2x >. Sea : V
V
la transformacion lineal definida por (f ) = f r . Hallar la forma y una base de
Jordan para .
Ejercicio 12. Sean A, B C 44 las matrices

2 00
0
0 1 1 0

1 0
0 0 1 1
1 2
A=
,
B
=
0 1 1

0 0
1 0
0
0
0
2
0
0

0 1
2

Decidir si A y B son semejantes.

Ejercicio 13. Sean A, B C55 tales que XA = XB = (X 1)3.(X 3)2 y mA =
mB . Decidir si, necesariamente, A es semejante a B.
Ejercicio 14. Encontrar todas las formas de Jordan posibles de la matriz A Cnn
en cada uno de los siguientes casos:
i) XA(X) = (X 2)4(X 3)2 ;
ii) XA(X) = (X 7)5 ; mA(X)
iii) XA(X) = (X 2)7 ;mA(X) =
iv) XA(X) = (X 3)4(X 5)4 ;

mA(X) = (X 2)2(X 3)2

= (X 7)2
(X 2)3
mA(X) = (X 3)2(X 5)2

Ejercicio 15. Sea A C1515 una matriz con autovalores 1, 2 y 3 y que

cumple, simul- taneamente:
rg(A 1.I) = 13, rg(A 1.I)2 = 11, rg(A 1.I)3 = 10, rg(A 1.I)4 =
10,
rg(A 2.I) = 13, rg(A 2.I)2 = 11, rg(A 2.I)3 = 10, rg(A 2.I)4 = 9,
rg(A 3.I) = 13, rg(A 3.I)2 = 12, rg(A 3.I)3 = 11.
Hallar su forma de Jordan.
Ejercicio 16. Dar la forma de Jordan de una matriz A C1414 que verifica,
simultanea- mente:
mA = (X 1)2.(X 2).(X 3)2.(X 4)3 (con i = j si i = j),
rg(A 1.I) = 11, rg(A 1.I)2 = 10, rg(A 3.I) = 12, rg(A 3.I)2 = 10
rg(A 4.I) = 13.

Ejercicio 17. Hallar la forma de Jordan de la matriz A Cnn:

2
0
0
0

3
2
0
0
..
.
0

4 5 ... n+ 1

n
3 4 ...

2 3 . . . n 1
0 2 ... n2
..
.
0 0 . . .2

Ejercicio 18. Sean x, y Cn y A Cnn, A = (aij ) con aij = [Link] .

i) Calcular todos los autovalores y autovectores de A.
ii) Calcular las posibles formas de Jordan de A.
Ejercicio 19. Sea A Cnn. Probar que A y At son semejantes.
Ejercicio 20. Sea A C66 una matriz tal que mA = X 6 y sea {v1, v2, v3, v4, v5, v6}
una base de
Jordan para A. Calcular la forma y una base de Jordan para las
matrices A2, A3, A4 y A5.

5 1 4
Ejercicio 21. Dada la matriz A = 1 3
= A.
0 0 1

1 , encontrar B Q33 tal que B2

Ejercicio 22. Sean , R. Se define la sucesion {an }nN0 de la siguiente

manera:

a0 = , a1 =

an+2 = [Link]+1 [Link] n N0

Hallar una formula general para el termino an , n N0 .
Sugerencia: Ver el razonamiento del Ejercicio 8 de la Seccion 6.5 e intentar
modificarlo con- venientemente utilizando el calculo de potencias de una matriz
de la Seccion 7.3.
Ejercicio 23. Resolver el siguiente sistema de ecuaciones diferenciales
r
x
1 (t) = 3 x1 (t) x2 (t)
r
x2(t)
= x1(t) + x2(t)

= x2(t) + 2 x3(t)
3(t)
r

con condiciones iniciales xx1(0) = 1, x2(0) = 2, x3(0) = 1.

Sugerencia: Ver Ejercicio 9 de la Seccion 6.5.

Captulo 8

Espacios vectoriales con

producto interno
En este captulo, se generalizaran
las nociones geometricas de distancia y
perpendicularidad, conocidas en R2 y en R3 , a otros espacios vectoriales. Solo
se consideraran espacios vectoriales sobre R o sobre C.

8.1

Producto interno

Algunas nociones geometricas en R2 y en R3 pueden definirse a partir del

producto escalar. La definicion que sigue es una generalizacion del producto
escalar a otros espacios vectoriales.

8.1.1

Definicion y ejemplos

Deftnicion
8.1 Sea
V un Vespacio
C). Un C)
producto
interno
sobre
es unavectorial
funcionsobre
: VR(respectivamente
V R (respectivamente
que
cumple:
i) Para cada R (respectivamente C), y v, w, z V

(v + w, z) = (v, z) + (w, z)
(.v, z) = . (v, z)
ii) (v, w) = (w, v) v, w V .
(Notar
que
esta
implica que para cada v V , (v, v) = (v, v), es
decir que
(v,
v) condicion
R.)
iii)(v, v) > 0 si v = 0.
Notacion. Si es un producto interno, escribiremos (v, w) = (v, w).

19
0

Espacios vectoriales con producto interno

Deftnicion 8.2 A un espacio vectorial real (respectivamente complejo) provisto

de un pro- ducto interno se lo llama un espacio eucldeo (respectivamente
espacio unitario).
Observacion
i) y ii) de la definicion de producto interno se
deduce
si 8.3
: De
V las
V condiciones
R C),
(respectivamente
cada que
R (respectivamente
y v, w, z V vale:C) es un producto interno, para
(v, w + z) = (v, w) + (v, z),
(v, .w) = .(v, w).
Ejemplos. Se puede comprobar que las funciones definidas a continuacion son
productos internos sobre los espacios vectoriales correspondientes:

Producto interno canonico en Rn:

((x1, . . . , xn), (y1, . . . , yn)) = x1y1 + + xnyn.

Producto interno canonico en Cn:

((x1, . . . , xn), (y1, . . . , yn)) = x1y1 + + xnyn.
n, denotamos por B Cnm a la matriz
Dada
B Cm
transpuesta
conjugada
de
m n
mnB, es decir, a la matriz definida por (B )ij = Bji. Se define
:C
C
C como

(A, B) = tr(A.B ).

Si a < b R y C[a, b] = {f : [a, b] R / f continua}, se define : C[a, b] C[a, b]

R
como
(f, g) =

b
a

f (x)g(x) dx.

Dado un espacio vectorial V es posible definir distintos productos internos

sobre
V . En el ejemplo siguiente veremos una familia de productos internos en
2
R.
Ejemplo. Sea : R2 R2 R definida por
((x1, x2), (y1, y2)) = x1y1 x1y2 x2y1 + . x2y2
Hallar todos los valores de R para los cuales es un
producto interno.
Es inmediato verificar que, para cualquier R se cumplen las condiciones i)
y ii) de la definicion de producto interno. Veamos para que valores de se
cumple la condicion iii). Se tiene que
((x1, x2), (x1, x2)) = x2 2x1x2 + x2
=
=

x2 2x1x2 + x2 + ( 1)x2

2
(x1 x2)2 + ( 1)x
2

De esta igualdad se deduce que (v, v) > 0 v = 0 > 1.

En consecuencia, es un producto interno si y solo si > 1.

8.1.2 Norma de un vector

La nocion que sigue generaliza la de longitud de un vector en R2 o R3 .
Deftnicion
8.4 Sea (V, v(,))Vun
espacio
sobre
(respectivamente
con
producto
. Se
definevectorial
la norma
de vRasociada
a (, ) (y seC)
nota
1
"v") comointerno
"v" = (v,yvsea
) 2.
Proposicion 8.5 (Propiedades de la norma.) Sea (V, (, )) un espacio
vectorial con producto interno.
i) Para cada v V , "v " 0, y "v " = 0 si y solo si v = 0.
ii) Sean R (respectivamente C) y v V . Entonces ".v" = ||. "v".
iii)Desigualdad de Cauchy-Schwartz. Si v, w V , entonces

|(v, w)| "v". "w".

iv)

Desigualdad triangular. Si v, w V , entonces

"v + w" "v" + "w".

Demostracion. Las propiedades i) e ii) se deducen inmediatamente de la
definicion de norma.
iii) Si w = 0, no hay nada que hacer. Supongamos entonces que w = 0. Se
tiene que
.
(v, w) .
(v , w)
w

2
0
v
w, v
"w" 2
"w"
.
, w)
(v
= .v, v
. (.v, w) w, v (v, w) w
2
"w" 2
"w"
w
"w" 2
(v, w)
(v, w)
(v, w) (v, w)
(v, w)
(w, v) +
= (v, v)
2
2
"w"
"w"
"w" 2 "w" 2 (w, w)
2
|(v, w)|
= "v" 2
2
"w"
Esto implica que |(v, w2)| "v" 22"w" , de donde se obtiene la desigualdad
buscada.
iv) En primer lugar, observamos que

"v + w"2 =
=
w)
=

(v + w, v + w)
(v, v) + (v, w) + (v, w) + (w,
"v" 2+ 2 Re(v, w) + "w" .

(8.1)

Entonces, teniendo en cuenta que Re (v, w) |(v, w)| y aplicando la

desigualdad de
Cauchy-Schwartz, resulta que
2
"v + w " 2 " v" +
2 2 |(v, w)| + "w"

"v" 2+ 2 "v""w" + "w"

= ("v" + "w")2,
de donde se deduce que "v + w" "v" + "w".

La desigualdad de Cauchy-Schwartz vista en ciertos espacios vectoriales con

producto interno nos permite obtener distintas propiedades:
Ejemplo. Sean f, g C[a, b]. Entonces
.
. .
. b
..

f (x)g(x) dx .
.
. a
.

b2

f (x)
dx

g (x) dx

1
2

En una
general,
se puede definir una norma en un espacio vectorial V sobre R o C
como
funcion
on anterior.
Una " " : V R que cumpla las condiciones i), ii) y iv) de la proposici
normapuede
cualquiera
en este
sentido puede interno
no provenirque
de unnorma
producto interno
(es
decir,
node
haber
sea
"
"). norma
Un ejemplo
es
la
infinito
enesto
Rn ,ningun
definidaproducto
por "(x1 , . . . , xn )"tal
= maxla
{|x |, . . . , |xasociada
|}.

Dada una norma, se puede decidir si proviene o no de un producto interno, ya

que este se puede recuperar a partir de su norma asociada:
Proposicion 8.6 (Identidades de polarizacion.)
i) Sea (V, (, )) un R-espacio vectorial con producto interno. Entonces para
cada v, w V
vale:

(v, w) =

"v + w"

"v w" .

4
4
ii) Sea (V, (, )) un C-espacio vectorial con producto interno. Entonces para
cada v, w V
vale:

(v, w) =

"v + w"

1
4

"v w" + 4"v + iw"

"v iw" .

Demostracion.
i)

Si V es un R-espacio vectorial, entonces = "v" 2 + 2(v, w) + " y "v w" 2 =

"
2
2
"v + w 2
"w 2

"v" 2(v, w) + "w" . Entonces

1
1
2
1
4

"v + w "

"v w" = 2(v, w)

. 1 .
2

(v, w) = (v, w).

ii) En forma analoga a lo hecho en i), usando la identidad (8.1), resulta

que si V es un
C-espacio vectorial, entonces
1
4

"v + w "

Por otro lado, "v + iw2 2 = "v

"
2

similarmente, "v
iw"

=
" v"
i

2"

1
4

"v w" = Re(v, w).

+ 2 Re(v, iw) + "iw = "v" + 2 Im(v, w) + ""w 2

2

y,
" 2
2 Im(v, w) + "w" , lo que implica que
2

"v + iw" "v iw" = i Im(v, w).

4
4
La identidad del enunciado se obtiene haciendo (v, w) = Re(v, w) + i Im(v, w).
Q
Una norma cualquiera estara asociada a un producto interno si y solo
si la funcion que
se obtiene mediante estas identidades resulta un producto interno. En lo que
sigue, solo se consideraran normas asociadas a productos internos.

8.1.3 Distancia entre vectores

A partir de la definicion de norma de un vector, podemos definir la nocion de
distancia entre dos vectores.
Deftnicion 8.7 Sea V un R-(o C-) espacio vectorial con producto interno (, ).
Se define
d : V V R como d(v, w) = "v w".
Utilizando las propiedades de la norma se puede verificar que la funcion
d satisface las siguientes propiedades:
i) d(v, w) 0 v, w V .
ii) d(v, w) = 0 v = w.
iii) d(v, w) = d(w, v) v, w V .
iv) d(v, z) d(v, w) + d(w, z) v, w, z V .
Dados vectores v, w V se dice que d(v, w) es la distancia entre v y w.
Dadocualquier
un conjunto
no vaco
puede
definirse
una distancia
en
X
funcion
d : cualquiera
X X R X,
que
cumpla
las propiedades
i), ii),
iii)como
y iv) anteriores.
Hay distancias en espacios vectoriales que no provienen de ninguna norma. En
lo que sigue, solo trabajaremos con distancias asociadas a normas asociadas a
productos internos.

8.1.4 A ngulo entre dos vectores

Sea
(V,
(, ))todo
un espacio
eucldeo.v,La
de Cauchy-Schwartz
que
para
parque
de vectores
w desigualdad
V se tiene que
|(v, w)| "v"."w". Si establece
v, w = 0,
resulta
entonces
(v, w)
1
1.
"v"."w"
Esto nos permite introducir la siguiente nocion de angulo entre dos
vectores:
Deftnicion
8.8 Sea (V, (, )) un espacio eucldeo y sean v, w V no nulos. Se
define el angulo
(v , w) entre v y w comoel unico numero real [0, ] tal que
cos() =
.
"v"."w"
Observamos que si es el angulo entre v y w, entonces

"v + w"2 =

(v + w, v + w) = 22"v" + 2(v, w) + "w"

2
= " v" +
2. cos(). "v"."w" + "w" ,

que es la formula conocida como teorema del coseno.

8.1.5

Matriz de un producto interno

Si V es un espacio vectorial de dimension finita con un producto interno (, ), fijada

una base de V , vamos a construir una matriz asociada al producto interno y a
dicha base.
Deftnicion
8.9 (,Sea
un R-(respectivamente
C-)
espacio
de base
dimensi
on
finita,
sea
) un Vproducto
interno
sobre V
seala
B=
{v1, vectorial
.B. . como
, vn} una
de
V . Se
define
la matriz
del producto
interno
(, y
) en
base
la matriz
A
Rnn (respectivamente A Cnn)
tal que
Aij = (vi, vj )
1 i, j n.
Notacion. Escribiremos |(, )|B para denotar la matriz del producto interno (, ) en la
base B.
Observacion 8.10 Si A es la matriz de un producto interno, entonces Aij = Aji
i, j.
Sin embargo, la condicion Aij = Aji i, j no es suficiente para que A sea la
matriz de un
.
.
0 1
producto interno. Por ejemplo, A =
no puede ser la matriz de un
1 1
producto interno
en una base, ya que si v es el primer vector de la base, sera (v, v) = 0.
Ejemplo. Para el producto interno en R2 definido por
((x1, x2), (y1, y2)) = x1y1 x1y2 x2y1 + x 2 y 2 ( > 1)

19
5

8.2 Ortogonalidad

(ver pagina 190) y E la base canonica de R2 , resulta

.
.
1 1
.
|(, )|E =
1
La matriz de un producto interno en una base B nos permite calcular el
producto interno entre cualquier par de vectores:
Proposicion
Sea V un
R-(o sobre
C-) espacio
vectorial
finita
y sea (, ) 8.11
un producto
interno
V . tiene
Sea B
una basedededimension
V . Entonces,
para cada
v, w V , se
que

(v, w) = (v)B . |(, )|B . (w)t .

B

Demostracion. Sea B = {v1 , . . . , vn }. Supongamos que v =

i vi . Entonces

i=1

(v, w) = ..
i=1

v i,

.=

j=1

n
.

i=1

i .vi ,

n
.

j=1

i vi y w =

i=1

n
n
.
.
j . =
. j (vi, v)j ..
i=1

j=1

Por otro lado, teniendo en cuenta que (v)B = (1, . . . , n) y (w)B = (1, . . . , n),
resulta que
(v)B . |(, )|B .
(w)

n
.

t
i=1

i .|(, )|B (w) .

B

=
i1

n
.

n
.
i .
(vi , vj )j ..

i=1

j=1

t
Luego (v, w) = (v)B . |(, )|B . (w)
B .

8.2 Ortogonalidad
En esta seccion generalizaremos la nocion conocida de perpendicularidad en R2 y
algunas pro- piedades que se basan en esta nocion, a espacios vectoriales con
producto interno arbitrarios.

8.2.1 Conjuntos ortogonales y ortonormales

Deftnicion 8.12 Sea (V, (, )) un espacio vectorial con producto interno. Dos
vectores v, w
V se dicen ortogonales (o perpendiculares) si (v, w) = 0.
Observacion 8.13 (Teorema de Pitagoras.) Si v, w V son vectores
2

ortogonales, entonces
"v + w" = "v" 2 + "w
" 2.
Deftnicion 8.14 Sea (V, (, )) un espacio vectorial con producto interno.
Se dice
que
{v1, . . . , vr} V es un conjunto ortogonal si (vi, vj ) = 0 i = j. El conjunto se
dice
ortonormal si es ortogonal y "vi" = 1 para cada 1 i r.

Ejemplos.
1. En Rn (o Cn ) con el producto interno canonico, la base canonica es un
conjunto ortonor- mal:

(ei, ej ) = 0 si i = j.
"ei" 2= (ei, ei) = 1 para cada 1 i n.
2. En
R2 conjunto
con el producto
canonico,
{(1, 1), (1, 1)}
es un
ortogonal,interno
pues ((1,
1), (1, 1))el= conjunto
0.

Este conjunto no es ortonormal, ya que "(1, 1)" = 2 = 1 y "(1, 1)" = 2 =

1.
A
partir de este conjunto podemos
. 1 hallar uno ,que es ortonormal dividiendo cada
uno
de
1
por su norma: ,
1
,los vectores
,
, 1
. .
2.

2
2
2
.
Si (V, (, )) es un espacio vectorial con producto interno, la matriz de (, ) en una
base
ortogonal (u ortonormal) de V es particularmente simple:
Observacion
8.15 Si (V, (, )) es un espacio vectorial de dimension n con
producto
y solo siinterno, entonces B = {v1 , . . . , vn } es una base de V ortogonal para (, ) si

(v1, v1)
0

.
..
..
|(, )|B =
.
..

.
.
0
( vn , v n )
En particular, B es una base ortonormal de V si y solo si |(, )|B = In .
Como consecuencia, si B = {v1, . . . , vn} es una base ortonormal de V se puede
calcular facilmente el producto interno entre dos vectores (y, en particular, la
norma de un vector) a
n
n
.
.
partir de sus coordenadas en la base B: si v =
i vi y w =
i v i ,
entonces:
i=1

(v, w) =

.
i=1

i=1

i i

"v " = .

.
i=1

. 12
|i |
.
2

Proposicion
8.16 Sea (V,
(, )) un espacio
vectorial
con cada
producto
Sea
{Entonces
v1 , . . . , vr } {un
de V con
vi = 0 para
1 interno.
i r.
v1, .conjunto
. . , vr} es ortogonal
linealmente
independiente.
r

Demostracion. Supongamos que

i=1
r

0 = (0, vj ) = .
i=1

y como vj = 0, resulta que j

= 0.

i vi = 0. Entonces para cada 1 j r,

r

i v i , vj . =
i=1

i(vi, vj 2) = j . "vj " ,

En consecuencia, {v1, . . . , vr} es linealmente independiente.

Si se tiene una base ortogonal de un subespacio, las coordenadas en esta

base de cualquier vector del subespacio pueden encontrarse facilmente usando
el producto interno:
Proposicion 8.17 Sea (V, (, )) un espacio vectorial con producto interno.
Sea {v1 , . . . , vr }
V un conjunto ortogonal tal que vi = 0 para cada 1 i r y sea v <
v1, . . . , vr >.
Entonces
r

(v,2 . vj .
v=
"
v
j "
vj ) j=1

Demostracion. Si v =

i vi , para cada 1 j r se tiene que

i=1
r

(v, vj ) = .

i=1

i v i , vj . =

i=1

i(vi, vj ) = j (vj , v2j ) = j "vj " ,

v, vj )
(
de donde se deduce, teniendo en cuenta que vj = 0, que j =
Q
"vj "

Corolario
8.18
Sea (V, (ortonormal
, )) un espacio
con producto
interno
{>,
v1,se
. . .tiene
, vr} un
conjunto
de Vvectorial
. Entonces,
para cada
v < vy1,sea
. . . , vr
que
r
.
v=
(v, vi ). vi .
i=1

Finalmente, combinando este resultado con la Observacion 8.15, se obtiene:

Corolario 8.19 Sea (V, (, )) un espacio vectorial con producto interno y sea
{v1, . . . , vr} un conjunto ortonormal de V . Entonces:
r

i) Para v, w < v1 , . . . , vr >, (v, w) =

(v, vi ).(w, vi ).
.
ii) Para cada v < v1, . . . , vr >, "v" =r .
|(v,1 vi)|
. 2
i=1

i=1

En lo que sigue, intentaremos encontrar bases ortonormales en un espacio

vectorial de dimension finita con producto interno. Comenzaremos haciendo esto
en un ejemplo.
Ejemplo. Se considera en R2 el producto interno definido por

((x1, x2), (y1, y2)) = x1y1 x1y2 x2y1 + x 2 y 2 ( > 1)

(ver pagina 190). Hallar una base de R2 ortonormal para este producto
interno.
Elegimos
vector en
R2 , pordado,
ejemplo,
(1, 0).
ortogonal
a
este
para elunproducto
interno
es decir,
unBuscamos
vector (y1,un
y2)vector
R2 tal
que
0 = ((1, 0), (y1, y2)) = y1 y2,
por ejemplo, (y1, y2) = (1, 1).
Entonces {(1, 0), (1, 1)} es una base ortogonal de R2 y, por lo tanto, basta
normalizar (es decir, dividir por la norma) cada uno de los vectores de esta base.
Se tiene que

,
Luego,
B
=

"(1, 0)" = 1,
"(1, 1)" = ((1, 1), (1,1 1)) 2 = (1 1

1.
1 1 + ) 2 =

.
.,
es una base ortonormal de R2 para el producto
, 0),
1

,
1
interno
(1
1
1

dado
.

La proposicion siguiente asegura que todo espacio vectorial de dimension

finita con pro- ducto interno tiene una base ortonormal. Mas aun, su
demostracion da un procedimiento recursivo, conocido como el metodo de
ortonormalizacion
de
Gram-Schmidt,
que
permite obtener una base
ortonormal del espacio a partir de una base cualquiera del mismo.
Proposicion
8.20
(Metodo
ortonormalizacion
de
(Existe
, )) unun
espacio
vectorial
conB de
producto
{v1, Gram-Schmidt)
. . . , vn} una baseSea
de (V,
V.
base ortonormal
= {w1, . . . ,interno
wn} de y
V sea
tal que
< v1, . . . , vk > = < w1, . . . , wk > 1 k n.
Demostracion. Se construira una base ortogonal {z1 , . . . , zn } de V que cumpla:
< z1, . . . , zk > = < v1, . . . , vk > 1 k n.
Normalizando los vectores de esta base se obtendra la base ortonormal buscada.
Construiremos los vectores de la base recursivamente:

Tomamos z1 = v1, que satisface < z1 > = < v1 >.

Buscamos
z2 V convale
(z2, zsi1) y=solo
0 y tal
< z1, z2 > = < v1, v2 >. Esta
segunda
condicion
si zque
2 es de la forma z2 = a.v1 + b.v2
con b = 0.
Podemos suponer
entonces que b = 1, es decir, z2 = v2 + a.v1 y buscar a de manera que se
cumpla la primera condicion:
0 = (z2, z1) = (v2 + av1, v1) = (v2, v1) + a.(v1, v1),
lo que implica
que

a=

(v2, v1)
"v1" 2
.

Luego, el
vector

v 2,
v1()
z2 = v2
2
v2
"v1"
satisface las condiciones requeridas.

(v2, z1)
.v1 =

.z1

"z1 "

Supongamos construidos z1, . . . , zr V

tales que
(i) (zi, zj ) = 0 si i = j.
(ii) < z1, . . . , zk > = < v1, . . . , vk > 1 k

r.
Consideramos el vector

i
(r
r . v +1, z ) i
zr+1 = vr+1
.z .
i=1
2 (8.2)
"zi"

Se tiene
que:
a) < z1, . . . , zr, zr+1 > = < z1, . . . , zr, vr+1 > = < v1, . . . , vr, vr+1 >,
b) para cada j r

(zr+1 , zj ) =
i

.vr+1

.
r (vr

2
i=1

=
r

+1

,z)

+1

"zi"

(vir+1, zj )

r. v

.zi, zj .

(, z )
2

. (zi, zj )

i=1

"zi"
vr+1, zj
)
= (vr+1, zj ) "zj 2
. (zj , zj )
"
= 0.
(

Luego, zr+1 satisface las condiciones requeridas.

De esta manera, al concluir el n-esimo paso se obtiene una base ortogonal {z1 , . .
. , zn } de V
que ademas satisface < z1 , . . . , zk > = < v1 , . . . , vk > para cada 1 k n.
zi
. Luego el
Finalmente, para cada 1 i n consideramos el
"zi" conjunto
vector wi =
B = {w1, . . . , wn} resulta una base ortonormal de V que cumple lo pedido.

Corolario
8.21 Seay(V,
(, )) un espacio
vectorial de dimension finita con
producto
sea
subespacio
una base interno,
ortonormal
de SVun
que
contiene de V , S = {0}. Entonces existe
una base ortonormal de S.
Demostracion.

Sea {s1 , . . . , sr } una base de S.

Existen vr+1 , . . . , vn V

tales que B =
{Schmidt
s1, . . . , sr,avr+1
. . obtiene
. , vn} es una
base ortonormal
de V . Aplicando
GramB ,se
una base
Br = {wel1, proceso
. . . , wr, wde
r+1, . . . , wn} de V
que satisface
< w1, . . . , wr > = < s1, . . . , sr > = S.

200

Espacios vectoriales con producto interno

En consecuencia, {w1, . . . , wr} es una base ortonormal de S incluida en la base

ortonormal
B r de V .

Mostramos ahora el metodo de Gram-Schmidt en un ejemplo:

Ejemplo. Dada la base B = {(1, 0, i), (1, 1, 2 + i), (0, 0, 1)} de C3,
ortonormalizarla usando el metodo de Gram-Schmidt.
Notaremos v1 = (1, 0, i), v2 = (1, 1, 2 + i) y v3 = (0, 0, 1).

Comenzamos tomando z1 como el primer vector de la base: z1 = (1, 0, i).

Construimos ahora z2 aplicando la formula (8.2) para r = 1:
v( 2, z1)
((1, 1, 2 + i), (1, 0, i))
z2 = v2
. z1 = (1, 1, 2 +
. (1, 0, i)
2
2
i)
" z 1"
"(1, 0, i)"
= (1, 1, 2 + i) (1 i). (1, 0, i) = (i, 1, 1).
Finalmente, hallamos z3 aplicando nuevalmente la formula (8.2) para r = 2:
v( 3, z1)
( v 3, z 2 )
z3 = v3
.z1
.z2
2
2
"z1 "
" z 2"
(0, 0, 1), (1, 0, i))
((0, 0, 1), (i, 1, 1))
. (1, 0, i)
. (i, 1,
= (0, 0, 1)
1)

2
2
"
(1,
0,
i)
"
(
1
"(i, 1, 1)"

i
= (0, 0, 1) + . (1,
. (i, 1, 1)
0, i)
3
2 .
.
i 1 1
.
=
,
,
6 3 6
El conjunto {z1, z2, z3} es una base ortogonal de C3. Dividiendo cada vector por
su norma, obtenemos
z1
1
1
i
w1 =
= . (1, 0, i) = . , 0, .
"zz1"
i 2 1 21
12
2
w2 =

"z 2 "
w3 =

z3

"z3"

= . (i, 1, 1) = . , , .
3 3 3
3
=

. .

1
6. . 1
6i
i
=
,
,
,3
6
6

6 .
6
6
3,

tales que {w1, w2, w3} es una base ortonormal de C3 que cumple < v1 > = < w1
>y
< v1, v2 > = < w1, w2 >.

8.2.2 Complemento ortogonal

Deftnicion 8.22 Sea (V, (, )) un espacio vectorial con producto interno, y sea
S V un conjunto. Se define el complemento ortogonal de S como
S = {v V : (v, s) = 0 s S}.
Observacion 8.23 S es un subespacio de V :
i) 0 S , pues (0, s) = 0 para todo s S.
ii) Sean v, w S. Para cada s S, se tiene que (v, s) = 0 y (w, s) = 0, con
lo que

(v + w, s) = (v, s) + (w, s) = 0 + 0 = 0. Luego, v + w S.

y R (o C), entonces para cada s S vale (. v, s) = .(v,
iii)s) = .
Si0v =
S0.
Luego, . v S .

Ejemplos.
1. En R2 con el producto interno canonico:

{(1, 1)} = {(x, y) R2 / ((x, y), (1, 1)) = 0}

= {(x, y) R2 / x + y = 0}
= < (1, 1) > .
2. En C3 con el producto interno canonico:

{(x, y, z) C3 / ((x, y, z), (, i, (1 + i)) = 0 C}

= {(x, y, z) C3 / (x.1 + y(i) + z(1 i)) = 0 C}
= {(x, y, z) C3 / x iy + (1 i)z = 0}

< (1, i, 1 + i) > =

= < (i, 1, 0), (i 1, 0, 1) >.

En el caso enprovee
que S un
es un
subespacio
V , se
el siguiente resultado, cuya
demostracion
metodo
para de
hallar
S tiene
.
Proposicion
8.24 y
Sea
, ))Vun
vectorial
de dimension finita con
producto interno,
sea(V,S(
unespacio
subespacio.
Entonces:

i) S S = {0}.
ii) dim(S) + dim(S) =
dim V . En consecuencia,
S S = V .

20
2

Espacios vectoriales con producto interno

Demostracion.
i) Sea x S S . Como x S , para cada s S, se tiene que (x, s) = 0. En
particular,
2
tomando s = x S, resulta que "x" = (x, x) = 0, de donde x = 0.
ii) Sea {s1, . . . , sr} una base de S. Existen vr+1, . . . , vn V tales que
{s1, . . . , sr, vr+1, . . . , vn}
es
una
base
de base
V . Aplicando
el de
proceso
de{wGram-Schmidt
a esta base
se
obtiene
una
ortonormal
V, B=
1 , . . . , wr , wr+1 , . . . , wn }, que
ademas
cumple
< w1, . . . , wr > = < s1, . . . , sr > = S.
Sea j > r. Veamos que wj S. Dado s S, existen escalares 1, . . . , r
tales que
r
.
s=
iwi. Entonces
i=1

(wj , s) = .wj ,

r
.
i=1

i wi . =

i=1

i (wj , wi ) = 0,

ya
que,
como1labase
esconsecuencia,
ortogonal y j >wr,se
que (wj , wi) = 0
para
cada
i [Link]
S tiene
.
j

Se tiene entonces que wr+1, . . . , wn S , con lo que < wr+1, . . . , wn > S

(pues S
es un subespacio) y, por lo tanto,
dim(S) dim(< wr+1, . . . , wn >) = n r = n dim(S),
es decir, dim(S) + dim(S) n. Por otro lado, como S S
= {0}, dim(S) + dim(S) = dim(S + S)
dim(V ) = n.
= dim(V ). Mas aun, de la demostracion se
Entonces
dim(S) +
dim(S
deduce tambien
que
S =) <
wr+1, . . . , wn >.
Q
3
Ejemplo.
Sea S
= base
< (1, ortonormal
0, i), (1, 1, 2 {+
>w }Cde
. C
En
3 el ejemplo de la pagina
200,
una
w1, i)
w
con ladel
propiedad
que
2, demostracion
3
{proposicion
w1, whallamos
}
es
una
base
de
S.
Entonces,
la
tem ii)dede
la
2
= <w
anterior
nos
dice
que
S
>
=
3
..
..

6 ,

3
6 6 .
6i

Proposicion 8.25 Sea (V, (, )) un espacio vectorial de dimension

finita con
producto interno, y sea S un subespacio de V . Entonces (S) = S.
Demostracion. Por definicion, (S ) = {v V / (v, t) = 0 t S }.
Veamos
S (S)que
: Seas
s (SS.
Para
cada t S se tiene que (s, t) = (t, s) =
)
0, de
dondeque
se deduce
.

Por vale
otro la
lado,
por laS proposicion
anterior, dim((S ) ) = dim S, y por lo
tanto,
igualdad
= (S) .
Q
Ejemplo. Hallar el complemento ortogonal del subespacio
.
,
x1 + ix2 + x3 x4 = 0
(1 i)x2 + x3 = 0
S = ,(x1, x2, x3, x4)
C4 /
para el producto interno canonico.
Observamos
que interno
la condicion
x1 +ix
x4 la =
0 puede
2 +x
utilizando
producto
canonico
C4 , 3
en
((x1x,3x2reescribirse,
, x 30
, xpuede
4 ), (1,

i, 1, 1))el=
0. ((xAnalogamente,
la de
ecuacion
(1 forma
i)x2 +
=
reescribirse
como
1 , x2 , x3 , x4 ), (0, 1 + i, 1, 0)) = 0.

Concluimos entonces que S = < (1, i, 1, 1), (0, 1 + i, 1, 0) > y, por lo

tanto, aplicando la proposicion anterior resulta que
S = (< (1, i, 1, 1), (0, 1 + i, 1, 0) >) = < (1, i, 1, 1), (0, 1 + i, 1, 0)
>.

8.2.3 Proyeccion ortogonal

Dado
un interno,
subespacio
S Sde
vectorial V de dimension
finita
=espacio
producto
nucleo
Sun
V , es
se Spuede
el proyector
pS : Vcon

(ver considerar
V cuya imagen
escomo
S y cuyo
Seccion 3.4).
Deftnicion
8.26y sea
SeaS
(V,
, ))subespacio.
un espacioSe
vectoriallade
dimension ortogonal
finita con
producto
interno
V (un
proyeccion
sobre S como
la transformacion
lineal pS : V define
V que satisface:
pS (s) = s s S
pS (t) = 0 t
S
Observamos que si B = {v1, . . . , vr, vr+1, . . . , vn} es una base ortonormal de V
tal que
{v1 , . . . , vr } es una base de S y {vr+1 , . . . , vn } una base de S , la proyeccion
ortogonal sobre
S es la unica transformacion lineal pS : V V que satisface:
pS (vi) = vi 1 i r
y
pS (vi) = 0 r + 1 i n.
n

En consecuencia, para cada v V , recordando que v =

que

(v, vi). vi, resulta

i=1
n

r
.
.
.
pS (v) = pS . ( v, vi ). vi . =
(v, vi ). pS (vi ) =
(v, vi ). vi ,
i=1

i=1

i=1

lo que nos da una expresion para pS (v) en terminos de los vectores de la base
ortonormal de
S.

3
Ejemplo.
Sea S el subespacio
Hallar
la proyeccion
ortogonal de
pS :CC3dado
C3por
. S = < (1, 0, i), (1, 1, 2 + i) >.
De acuerdo a lo calculado en el ejemplo de la pagina 200, el conjunto
1
i
i
1 1
BS = ,. , 0, ., . , , .,
2
2
3 3 3
es una base ortonormal de S. Entonces, para cada x = (x1, x2, x3) C3, vale
1
ii
1
i
1
i
1 1
1
pS (x) = .x, . , 0, ... . , 0, . + .x, . , , ... . , , .
2
2
2
3 3
3 3 3
2
3
.
x1 + ix2 + ix1 + x2 + ix1 + x2 +
.
ix1 +
x1 ix,3
.
ix3
=
x3
.
2
x3
x3
0,
+
2
3
3
3
,
,
. 5
i
i
1
1
1
5 .
=
i
i

x1 +

x2

x3,

x1 +

x2 +

x3,

x1 +

x2 +

x3

Notar que si {w1 , . . . , wr } es una base ortogonal de S, de la formula

hallada mas arriba

v, .
w)
para pS se desprende que pS (v) = i2
i=1

wi para cada v V .

"wi"

Observacion 8.27 Sea V un espacio vectorial de dimension finita con

producto interno y sea S un subespacio de V . Entonces pS + pS = idV .
En efecto, si B = {v1, . . . , vr, vr+1, . . . , vn} es una base ortonormal de V
tal que
{v1, . . . , vr} es una base de S y {vr+1, . . . , vn} es una base de S, para cada v V se tiene
que
r
n
n
.
.
.
pS (v) =
(v, vi). vi y pS
(v, vi). vi. Entonces pS (v) + pS (v) =
(v, vi). vi =
(v) =

i=r+1

i=1

v.

i=1

8.2.4 Distancia de un punto a un subespacio

A continuacion nos concentraremos en el estudio del siguiente problema: dado
un subespacio
S de un espacio vectorial V de dimension finita con producto interno y un
punto p V ,
encontrar,
si si
es Sposible,
el punto de S 2que se encuentra a menor distancia de p.
Por
ejemplo,
el segmento
de ses
a una
p es recta en R , dicho punto es el unico s S tal que
perpendicular a S. En lo que sigue, generalizamos esta idea a un espacio
vectorial y un subespacio arbitrarios.
Comenzamos introduciendo el concepto de distancia de un punto a un
conjunto.
Deftnicion
Sea
(V, (, )la
) un
espaciode
vectorial
con producto interno y sea S V .
Para cada v 8.28
V se
define
distancia
v a S como
d(v, S) = inf{d(v, s) : s S} = inf{"v s" : s S}.

La proyeccion ortogonal nos permitira resolver el problema enunciado al

comienzo y cal- cular la distancia de un punto a un subespacio.
Proposicion
8.29 Sea (V,S (,))Vun
espacio vectorial de dimension finita con
producto
d(v, S) = "interno
v pS (v)y". sea
En otras un subespacio. Entonces para cada v V ,
palabras, el punto de S a menor distancia de v es pS (v).
Demostracion.

Sea B = {v1 , . . . , vr , vr+1 , . . . , vn } una base ortonormal

de V tal que

{v1, . . . , vr} es una base de S.

n
r
.
.
Sea v V . Se tiene que v =
(v, vi). vi y pS (v) =
(v, vi). vi. Por otro
lado, para cada
i=1
i=1
r .
s S, vale s =
(s, vi).vi. Entonces
i=1

n
r
r.
.
.
vs=
(v, vi ). vi
(s, vi ). vi = ( v s, vi ). vi

n
.

(v, vi). vi

+
i=1

i=1

i=1

i=r+1

y, en
consecuencia,
2

"v s"

r
2

|(v s, vi)|

=
.

2
n

.
+i=r+1

|(v, vi)|

2
n
.

|(v, vi)| .

i=r+1

i=1

Ademas, la igualdad vale si y solo si

r

|(v s, vi)|

= 0 |(v s, vi)| = 0 1 i r (s, vi) = (v, vi) 1 i r,

i=1

es decir, para

r
r.
.
s = ( s, vi ).vi =
(v, vi ). vi = pS (v).
i=1

i=1

Luego, el punto de S a menor distancia de v es pS (v) y d(v, S) = "v pS (v)".

Como consecuencia de la Observacion 8.27 y de la proposicion anterior se

deduce:
Observacion
8.30 Sea V un espacio vectorial de dimension finita con
producto
d(v,
S) = interno
"pS (v)". y sea S un subespacio de V . Entonces, para cada v V , vale
Ejemplo. Sea S = {x R3 / 2x1 + 2x2 x3 = 0}. Hallar la distancia de (1, 1, 2) a
S y el punto de S mas cercano a (1, 1, 2).
Sabemos que d((1, 1, 2), S) = "pS (1, 1, 2)". Calculamos entonces pS (1,

1, 2).
En primer lugar,observemos que S = {x R3 : (x, (2, 2, 1)) = 0} = < (2, 2,

1)
> , de donde
= < (2, 2, 1) >. Luego, {(2, 2, 1)} es una base
(ortogonal)
de S . SEntonces
.
(1, 1, 2), (2, 2,
2
4 2 .
1))
4
. (2, 2, 1)
,
,
,
pS (1, 1, 2)
=

. (2, 2,
2
9
9 9
(
9
"(2, 2, 1)"
=
1) =

206

Espacios vectoriales con producto interno

y
d((1, 1, 2), S) = p
4
" S
= .
,

.
(1, 1,
2) 4 2 = 2.
"

9 9

El punto de S mas cercano a (1, 1, 2) es pS (1, 1, 2), que podemos calcular

como

. 4 4 2 .

pS (1, 1, 2) = (1, 1, 2) pS (1, 1, 2) = (1,

1, 2)

8.3
8.3.1

9
=

. 13 5 16 .

Endomorfismos en espacios vectoriales con producto

interno
Adjunta de una transformacion lineal

En
lo que sigue, le asociaremos a cada endomorfismo f de un espacio vectorial
V
de
. dimension finita con producto interno, otra transformacion lineal f : V V

Deftnicion
8.31transformacion
Sea (V, (, )) un lineal.
espacio
vectorial
con producto
funa
: Vtransformacion
V una
Seque
llama adjunta
de f , y interno
se nota yf sea
, a
lineal f : V V tal
(f (v), w) = (v, f(w)) v, w V.
Ejemplo.
Consideremos C2 con el producto interno canonico. Sea f : C2 C2
la
quetransfor- macion lineal definida por f (x, y) = (x + iy, 2x (1 + i)y). Se tiene

(f (x, y), (z, w)) =

((x + iy, 2x (1 + i)y), (z, w))

(x + iy) z + (2x (1 + i)y) w

x (z + 2w) + y (iz (1 + i)w)

x (z + 2w) + y (iz + (1 + i)w)

((x, y), (z + 2w, iz + (1 + i)w)).

: C2 C2 definida por f (z, w) = (z + 2w, iz

Entonces,
la
funcion(f f(x,

+
(

1
+
i)w)
satisface
2 y), (z, w)) = ((x, y), f (z, w)) para todo par de
vectores (x, y), (z, w) en C .
Observar que, si E es la base canonica de C2, entonces

|f |E =

.
|f |E = . 1
,
2
i
i 1 + i
y, por lo tanto, |f |E es la matriz transpuesta y conjugada de |f |E .
. i
1

y 2 .1

El siguiente resultado prueba la existencia y unicidad de la adjunta para

endomorfismos en espacios vectoriales de dimension finita con producto interno.

Proposicion
8.32 ySea
vectorial
de dimension
finita
con
producto
interno
sea(V,f(, :))Vun
espacio
V unalineal
transformacion
lineal.
Entonces
existe
f : V V que
satisface
(f (v),
w) = (v,una
f(w)unica
) v, w transformacion
V.
Demostracion.
Unicidad. Supongamos que f : V V y f : V V son dos transformaciones
lineales que verifican la propiedad del enunciado.
Fijemos w V . Para cada v V , se tiene que

(f (v), w) = (v, f (w)).

(f (v), w) = (v, f (w)) y

Entonces (v, f (w)) (v, f (w)) = 0 para todo v V o, equivalentemente,

(v, f (w) f (w)) = 0

v V.

En
particular, tomando v = f (w) f (w) resulta que (f (w) f (w), f (w)
f (w)) = 0, lo que implica que f (w) f (w) = 0. Luego, f (w) = f (w).
Como esto vale para cada w V , concluimos que f = f .

Existencia.
Sea
1, . . . , vn} una base ortonormal de V . Si existe f : V V con las
condiciones
del{venunciado,
para cada w V debe cumplirse
.
.
.
.
n
n
n
n
f (w) =
f(w), vi) vi =
(vi, f(w)) vi =
(f (vi), w) vi =
w, f (vi)) vi.
(
(
i=1
i=1
i=1

i=1

Definimos entonces f : V V como f (w) =

i=1

(w, f (vi)) vi.

Veamos que la funcion f que definimos es una transformacion lineal

que cumple la
propiedad del enunciado:

f es una transformacion lineal:

Para w, wr V , se tiene que
n
.

f(w + wr )
=

(w + wr, f (vi)) vi
=

i=1
n

i=1

i=1

n
.
i=1

((w, f (vi )) + (wr , f (vi ))) vi

.
.
=
(w, f (vi )) vi + (wr , f (vi )) vi = f (w) + f (wr ).
Para C (o R), w V , vale
n

f ( w) =

=
i=1

(w, f (vi )) vi

.
i=1

( w, f (vi)) vi = f (w).

208

Espacios vectoriales con producto interno

Para todo par de vectores v, w V , vale (f (v), w) = (v, f(w)):

n
n
.
.
Sean v, w V . Se tiene que v =
(v, vi) vi y entonces f (v) =
(v, vi) f
(vi). Obseri=1
i=1
vamos
n
n
que
.
.
(f (v), w) = . ( v, vi )f (vi ), w. =
(v, vi ) (f (vi ), w).
i=1

Por otro lado,

(v, f (w) ) = .
)) v j . =

.
n

i=1

=
i=1
n

.
=
i=1

v, vi) vi,

n
.

i=1

j=1

w, f (vj

n
.

(v, vi)
j=1

.(v, vi) .vi ,

j=1

i=1
n

(w, f (vj ))(vi,

vj )

.
i=1

n
.
(w, f (vj )) vj .

(v, vi)(w, f (vi))

(v, vi) (f (vi), w).

Concluimos entonces que (f (v), w) = (v, f(w)).

A partir de la matriz de un endomorfismo f : V V en una base ortonormal

de V , puede obtenerse facilmente la matriz de su adjunta en la misma base:
Proposicion
8.33 ySea
(,:))Vunespacio
de dimension
con
producto
sea(V,
V una vectorial
transformacion
lineal. finita
Sea B
una
base interno
ortonormal
def V
. Entonces

|f |B = (|f |B ) .
Demostracion.
V . Entonces, paraSupongamos
cada 1 i, jque
n,B = {v1 , . . . , vn } es la base ortonormal dada de

(|f |B )ij = (f (vj ), vi ) = (vi , f (vj )) = (f (vi ), vj ) = (|f |B )ji = ((|f |B ) )ij ,
de donde concluimos que |f |B = (|f |B ) .

Este resultado puede utilizarse para hallar la adjunta de una transformacion

lineal:
Ejemplo. Sea f : C3 C3 la transformacion lineal definida por
f (x, y, z) = (x + iy iz, (2 + i)x + iy + z, (1 + i)y + 2z).
Hallar f para el producto interno canonico de C3.
Consideremos la base canonica E de C3, que
producto interno canonico. Se tiene que

1
i
|f |E = 2 + i i
0
1+i

es una base ortonormal para el

i
1 .
2

Por la proposicion
anterior,

1 2i

|f |E = (|f |E ) = i i
i
1

1i .
2

Luego, f(x, y, z) = (x + (2 i)y, ix iy + (1 i)z, ix + y + 2z).

8.3.2 Transformaciones autoadjuntas y matrices hermitianas

En esta
seccion
una clase
particular de transformaciones
en
espacios
con estudiaremos
producto
interno:
las transformaciones
lineales f : V lineales
V cuya
adjunta
coincide
con f .
Deftnicion
8.34ySea
(V, (, )) un espacio vectorial de dimension finita con
producto
interno
autoadjunta
si f =sea
f . f : V V una transformacion lineal. Se dice que f es
Esta definicion puede reescribirse en terminos de la transformacion
lineal y el producto interno del espacio considerado:
Observacion 8.35 Una transformacion lineal f : V V es autoadjunta si y s
olo si

(f (x), y) = (x, f (y))

x, y V.

En lo que sigue veremos que la matriz de una transformacion lineal

autoadjunta en una base ortonormal tiene cierta estructura particular. Mas
precisamente, las matrices involucradas seran del siguiente tipo:
Deftnicion 8.36 Una matriz A Rnn se dice
simetrica si Aijnn= Aji 1

i, j n sio,Aijequivalentemente,
A = At. Una matriz
A=
AC.
se dice
hermitiana
= Aji 1 i, j n o,siequivalentemente,
si A
Proposicion
8.37 y
Seasea
(V, (,f)) :un
vectorial
de dimension
finita Son
con
producto
interno
V espacio
V una
transformacion
lineal.
equivalentes:
i) f es autoadjunta.
ii) B base ortonormal de V , |f |B es hermitiana.
iii) B base ortonormal de V tal que |f |B es hermitiana.
Demostracion. La equivalencia de los tres enunciados se deduce de la
Proposicion 8.33 y la definicion de transformacion lineal autoadjunta.
Q

210

Espacios vectoriales con producto interno

Diagonalizacion de transformaciones lineales autoadjuntas

A
continuacion lineales
nos concentraremos
el estudio que
de la
de
transformaciones
[Link]
si fdiagonalizacion
: V V es una
transformacion lineal
autoadjunta,
entonces f es diagonalizable.
Mas aun, veremos que existe una base
ortonormal de V formada por autovectores de f y que todos sus autovalores son
reales.
Comenzamos con el estudio de los autovalores:
Proposicion
8.38 Sea
unV espacio
vectorial de dimension
finita con
producto
Sea (V,
f caracterstico
:(,V))
una transformacion
lineal autoadjunta.
Entonces,interno.
el polinomio
de f tiene todas sus races en R.
Demostracion. Consideraremos por separado los casos en que f esta definida
en un C-espacio vectorial o en un R-espacio vectorial.

Si V es un C-espacio vectorial:
Sea
C una raz
Se
es un
autovalor
de f . Sea v V
f . Entonces,
un autovector
de f de
de X
autovalor
C.
tiene
que
. "v " =2 . (v, v ) = (v, v ) = (f (v), v ) = (v, f (v)) = (v, v ) = . "v " .
Como "v " = 0, resulta que = , es decir, R.

Si V es un R-espacio vectorial:
Sea B una base ortonormal de V y sea A = |f |B Rnn . Como f es
autoadjunta, A
es una matriz simetrica.
Si C es raz del polinomio caracterstico de f , entonces C es un
autovalor de A
considerada como matriz en Cnn. Entonces existe x Cn autovector de A
asociado al
autovalor . Si consideramos Cn con el producto interno canonico,
entonces
2 (x, x) = (Ax, x) = (x, Ax) = (x, x) = . "x" ,
. "x" =
de donde = y, por lo tanto R.

Esta proposicion nos dice, en particular:

Observacion 8.39 Sea A Cnn una matriz hermitiana.
races del polinomio caracterstico de A son reales.

Entonces todas las

Probamos ahora un resultado sobre diagonalizacion de transformaciones

lineales autoad- juntas:
Teorema
8.40
Sea Sea
(V, (, f)) : un
espacio
vectorial de dimension
finita con
producto
interno.
V
V una transformacion
lineal
Entonces
existe una
base
ortonormal
B de V tal que
|f |B autoadjunta.
es diagonal
real.

Demostracion. Por induccion en n =

dim V : Para n = 1, el resultado es
inmediato.
Sea n = dimlineales
V > autoadjuntas
1 y supongamos
la propiedad
vale para
transformaciones
definidasque
en espacios
de dimension
n
1.
Sea f : V V una transformacion lineal autoadjunta.
Por la proposicion anterior, existe R autovalor de f . Sea v un autovector
v
asociado al autovalor y sea w =
, que es un autovector de norma 1
asociado al mismo "autovalor.
v"
Sea S = < w > . Se tiene que S es un subespacio de V con dim S = n 1.
Ademas, S
es f -invariante, puesto que para cada x S se tiene que
(f (x), w) = (x, f (w)) = (x, w) = (x, w) =
0, de donde f (x) < w > = S.
Consideremos
S con
el , producto
interno obtenido
por
la restriccion
a S
del
producto interno
de V
yinductiva,
la transformacion
que
r deresulta
|S : S S, B
autoadjunta.
Por hipotesis
existe unalineal
base fortonormal
S tal
que |f|S |B r es diagonal
real.
Sea B = {w} Br . Entonces, B es una base ortonormal de V y

|f |B =

|f 0
0
|

|S Br

es una matriz diagonal real.

A partir de este teorema es posible deducir un resultado analogo sobre

diagonalizacion de matrices hermitianas:
n n
Observacion
8.41 Sea
A Ccanonico,
una matriz
hermitiana. Entonces,
n
Cn con el producto
interno
la transformacion
lineal fAsi :seCconsidera
Cn ,
definida
por fA (x) = A.x, es autoadjunta y, si E es la base canonica
de Cn , |fA |
E = A.
Por la proposicion anterior, existe una base ortonormal B de Cn tal que

|fA |B = D es
diagonal real. Entonces

C(B, E)1. A. C(B, E) = D.

Ademas, como E y B son bases ortonormales de Cn , la matriz de cambio de base

satisface: (C(B, E)1)ij = C(E, B)ij = (ej , vi) = (vi, ej ) = C(B, E)ji = (C(B, E))ij
para todo 1 i, j n. En consecuencia, C(B, E)1 = C(B, E).
Analogamente, si A Rnn es una matriz simetrica, la transformacion
lineal fA : Rn
n
n
R
es una
autoadjunta
para elBproducto
canonico nde
y, por lo tanto,
n R diagonal.
existe
basede
ortonormal
de
Rn que
talinterno
que
fA |igualdad
B = D RC(B, es
caso, la
matriz
da |la
E)1. A. C(B, En
E) este
= D
t
1cambio de base

cumple: C(B, E)
= C(B, E) .

Esto nos lleva a la siguiente definicion:

21
2

Espacios vectoriales con producto interno

Deftnicion
8.42 Una matriz U Cnn se dice unitaria si es inversible y U 1
= U . Una matriz O Rnn se dice ortogonal si es inversible y O1 = O t.
Utilizando esta definicion, la Observacion 8.41 puede resumirse como sigue:
Corolario 8.43 Sea A Cnn una matriz hermitiana. Entonces existe una
matriz unitaria
C Cnn tal que C. A. C es diagonal real.
Sea A Rnn una matriz simetrica. Entonces existe una matriz
ortogonal O Rnn tal que O t. A. O es diagonal.
El hecho que la matriz
de cambio de base de
una base ortonormal
B de Cn
n
n
n
(respectivamente R ) a la base canonica de C (respectivamente R ) es una
matriz unitaria (respectivamente ortogonal) vale tambien para dos bases
ortonormales cualesquiera:
Observacion 8.44 Sea (V, (, )) r un espacio vectorial de dimension finita r con
producto
terno y sean
una matrizin-unitaria
(u B y B bases ortonormales de V . Entonces C(B, B ) es
ortogonal).
Supongamos que B = {v1, . . . , vn} y Br = {w1, . . . , wn}. Entonces, para cada 1
i, j n, vale
(C(B, Br )1)ij = C(Br , B)ij = (wj , vi) = (vi, wj ) = C(B, Br )ji = (C(B, Br )

)ij , de donde C(B, Br )1 = C(B, Br ), es decir, C(B, B r ) es una matriz

unitaria.

8.3.3 Transformaciones unitarias y ortogonales

En esta seccion estudiaremos los endormorfismos de un espacio vectorial (V, (,
)) que preser- van el producto interno y, en particular, las distancias entre
vectores. El siguiente teorema caracteriza dichos endomorfismos.
Teorema
8.45
Sea (V,
(, )) un
de dimensionlineal.
finita Son
con
producto
interno
y sea
f :espacio
V V vectorial
una transformacion
equivalentes:
i) Existe una base ortonormal B de V tal que f (B) es una base
ortonormal de V . ii) (f (v), f (w)) = (v, w) v, w V .
iii) Para toda base ortonormal B de V , f (B) es una base ortonormal
de V .
iv) "f (v)" = "v" v V .
v) f f = f f = idV .
Deftnicion
8.46 lineal
Sea (V,
) un
espacio vectorial con producto interno. Una
transformacion
f : (V, )
Teorema 8.45 se dice
unitaria
si V que cumple las condiciones equivalentes del
V es un C-espacio vectorial, u ortogonal si V es un R-espacio vectorial.

Demostracion del Teorema 8.45. Probaremos que i) ii) iii) i), ii) iv)
y ii) v).

i) ii) Sea B = {v1 , . . . , vn } una base ortonormal de V tal que f (B) = {f (v1 ), . . .
, f (vn )}
es tambien una base ortonormal de V . Entonces, si v, w
V con v =
n
.
w=
ivi, como B y f (B) son bases ortonormales de V , se
tiene que

n
.

i v i

i=1

i=1

n
.

(v, w) = .

i=1
n

(f (v), f (w)) = .

ivi,

j=1

j vj . =
i=1

if (vi),

i i

n
.

i i ,

j f (vj )
i=1

j=1

i=1

de donde (v, w) = (f (v), f

(w)).
ii) iii) Sea B = {v1, . . . , vn} una base ortonormal de V . Consideramos el
conjunto f (B) =

{f (v1 ), . . . , f (vn )}. Se tiene que

(f (vi), f (vi)) =

1 in

(v i , v i ) = 1

(f (vi), f (vj )) = (vi, vj ) = 0 1 i, j n, i = j.

Luego, f (B) es una base ortonormal de V .
iii) i) No hay nada que probar.
1

ii) iv) Para cada v V , se tiene que "f (v)" = (f (v), f (v)) 2 = (v, v) 2 = "v",
donde la
segunda igualdad es consecuencia de la hipotesis ii).
iv) ii) Sean v, w V .
Aplicando la primera de las identidades de polarizaci
on (ver Proposicion 8.6) resulta, si V es un espacio vectorial real,
1

2
+ f (w)" 1 "f (v) f (w)
"
"f
4
2
4
= (v)
1
4"f (v w)"2
4

1"f (v +
1
= 1w)"
2
2
4 "v + w" 4 " v w"
=
(v, w).
En el caso en que V es un espacio vectorial complejo, la igualdad se prueba an
alogamente utilizando la segunda de las identidades de polarizacion.

(f (v), f (w)) =

ii) v) Sea v V . Para cada w V , se tiene que

( f f (v), w) = (f(f (v)), w) = (f (v), f (w)) = (v, w),

lo que implica que ( f f (v) v, w) = 0. Tomando w = f f (v) v, resulta

que
(f f (v) v, f f (v) v) = 0, de donde concluimos que f f (v) =
v.
En
f f
f f=
V es de dimension finita, esto implica
id
V .idComo
queconsecuencia,
tambien vale
=
V.
v) ii) Para v, w V , se tiene que (f (v), f (w)) = (v, f (f (w))) = (v, f f
(w)) =

(v, idV (w)) = (v, w).

La proposicion siguiente nos da la relacion entre transformaciones

lineales unitarias (or- togonales) y matrices unitarias (ortogonales).
Proposicion
8.47 ySea
)) unbase
espacio
vectorialde
de Vdimension
con
producto
interno
sea(V,Entonces
B(, una
ortonormal
. Sea f : V finita
V una
trasformacion
lineal.
f es unitaria (ortogonal) |f |B es unitaria (ortogonal).
Demostracion. Haremos la demostracion para transformaciones lineales y
matrices unitarias (el otro caso es totalmente analogo). Sea n = dim V .
() Si f es unitaria, entonces f f = f f = idV . Para una base
ortonormal B de V se tiene que
In = |f f |B = |f |B |f |B = (|f |B ) |f |B .
En consecuencia, |f|B es inversible y (|f|B )1 = (|f|B ), con lo que es
una matriz unitaria.

( ) =
Si I|f |By,espor
unitaria,
|fB|1f =(f|f =
|B )f ,de
lo tanto,
f donde
= idV .resulta que |f f |B = |f f |B Q
n

8.3.4 Clasificacion de transformaciones ortogonales

Para
terminar,
estudiaremos
mas en detalle las transformaciones
ortogonales
en un
espacio eucldeo
existe
una base
ortonormal
de V enV . Veremos que dada f : V V ortogonal,
la que la matriz de f tiene cierta estructura particular. Esto nos permitira
clasificar las transformaciones ortogonales.
A lo largo de esta seccion, V denotara un espacio eucldeo, es decir, un
espacio vectorial real de dimension finita con producto interno.
En primer lugar, probamos dos resultados acerca de los autovalores de una
transformacion ortogonal y de sus subespacios invariantes.
Lema 8.48 Sea f : V V una transformacion lineal ortogonal y sea R
un autovalor de
f. Entonces = 1.

Demostracion. Si R es autovalor de f , existe v V , v = 0, tal que f (v)

= .v. Como f
es ortogonal vale "f (v)" = "v". Entonces
"v " = "f (v)" = ".v " = ||."v ",
de donde resulta que || = 1 puesto que v = 0. Luego, = 1.

Lema 8.49 Sea f : V V una transformacion lineal ortogonal. Sea S V

un subespacio
f- -invariante. Entonces S es f -invariante.
Demostracion. Sea x S . Veamos que f (x) S : Sea s S. Se tiene que f|S
: S S es una transformacion lineal ortogonal, lo que implica que es un
isomorfismo. Entonces existe

s) y, en consecuencia,
s)) = (x, ) = 0.
s
En conclusion, (f (x), s) = 0 para todo s S. Luego, f (x) S .
Q
Clasiftcacion de transformaciones ortogonales en un espacio de dimension 2
En lo que sigue, daremos una caracterizacion para las trasformaciones
lineales ortogonales definidas en espacios vectoriales de dimension 2. En
particular, clasificaremos las transforma- ciones ortogonales en R2.
Sea V un espacio eucldeo con dim V = 2 y sea f : V V una
transformacion lineal
ortogonal.
Sea B = {v1, v2} una base ortonormal de V . Entonces {f (v1), f (v2)} es una base
ortonor- mal de V y, si
f (v1) = v1 + v2
y f (v2) = rv1 + r v2,
resulta que {(, ), (r, r )} es una base ortonormal de R2, es decir,
"(, )" = "(r, r )" = 1 y r + r = 0.
De estas condiciones se desprende que 2 +2 = 1 y que (r, r ) = (, ) o (r,
r ) = (, ). En consecuencia, la matriz de f en la base B es de alguna de las
dos formas siguientes:
(1) |f |B
=

o
=

(2) |f |B

(1) En este caso se tiene que Xf = (X )2 + 2 = X 2

2X + 1. Si = 1, entonces f = idV . Si no, Xf no
tiene races reales.
Por otro lado, como "(, )" = 1, existe [0, 2) tal que = cos , =
sen . Luego

|f |B = .

cos sen

.
sen cos
Eventualmente cambiando la base {v1, v2} por {v1, v2} se puede tomar [0,
].

r
Como
|f |B es Puesto
simetrica,
existe
una base ortonormal
2
2 de V tal que |f |B r
es
diagonal.
que BX
= XB
1 = (X 1)(X
rf = (X )(X + )
+ 1)
se puede
tomar
tal que
.
|f |B r = .
1 0
.
0 1

(2)

Observamos que si Br = {w1, w2} entonces f (w1) = w1 y f (w2) = w2.

En el caso en que V = R2, clasificaremos las transformaciones lineales
ortogonales en los siguientes tipos:
Deftnicion 8.50

i) Sea f : R2 R2 una transformacion lineal ortogonal. Se

dice que f
es una rotacion si det(f ) = 1.
ii) Sea f : R2 R2 una transformacion ortogonal. Sea H R2 un subespacio de
dimension
1. Se dice que f es una simetra respecto de H si f|H = idH y f|H = idH .
De nuestro analisis anterior se deduce que:
Observacion 8.51 Sea f : R2 R2 una transformacion lineal ortogonal.
Entonces f es una rotacion o f es una simetra.
Vimos que si f es una transformacion ortogonal, existe una base ortonormal
B = {v1 , v2 }
de R2 tal que

|f |B = .

cos sen
sen
o
cos

|f |B

.
1 0
.
0 1

En el primer caso, det(|f |B ) = 1, con lo cual, f es una rotacion.

En el segundo caso, f (v1 ) = v1 y f (v2 ) = v2 . Ademas, < v1 > = < v2 >.
Luego, f es
una simetra respecto del subespacio < v1 >.
Ejemplos.
1. Hallar la simetra f : R2 R2 respecto de la recta L de ecuacion x + y = 0.
Tenemos que L = < (1, 1) > y L = < (1, 1) >. Definimos f : R2 R2 en
la

base

{(1, 1), (1, 1)} como sigue:

f (1, 1) = (1, 1)
f (1, 1)

= (1, 1).

Entonces f|L = idL y f|L = idL , lo que dice que f es la simetra respecto
de la recta
L.
Se tiene que f (x, y) = (y, x) para cada (x, y) R2.

2. Hallar una rotacion f : R2 R2 tal que f (2, 1) = (1, 2).

En
primerque
lugar,
observemos
que ortogonal
"f (2, 1)" =
"(1,cumplir
2)" = "5
= ""(2,
(recordar
una
transformacion
debe
f (v)
= "1)
v ""para
cada vector v).
2
Vemos a definir f en una base ortonormal de R .
Para esto, consideramos
el(2vector
2
1
,1)
2
que lo contiene:
= ( , ) y construimos una base
"(2,1)"

ortonormal de R

. .
1
1

B = ,. 2

2 .,

, , , .
5
5 a f (5 2 5
La condicion f (2, 1) = (1, 2) equivale
, 1
Escribimos este vector
como combinacion lineal de la
base B:
. 1 2 . 4.
2

1 .

).

3 . 12 .

) = (

5
Esto implica que la primera columna de la matriz |f |B de una transformaci
on lineal f
que verifique las condiciones del enunciado es (
la estructura
5

, 3 )t. Teniendo en cuenta

de la matriz de una rotacion en una base ortonormal, concluimos que debe

ser
4 3
5 .

4
5

5
|f |B =
3
5
En consecuencia,
debe ser
.
1 2 .
f
2

3 .
=

1 .
.
5
5

5
=

4 . 12
+

2 1 .

Consideramos entonces la transformacion lineal f : R2 R2 definida como:

. 2 1 .
. 1 2 .
f

. 5 , 5. = . 5 , 5.
1 2
2 1
f
,
, .
=
5
5
5
5
Observamos que f es una transformacion ortogonal, puesto que la
imagen por f de
una
base ortonormal
ortonormal.
es 2)
una
rotacion,
det(es
|f |B una
)en=elbase
[Link]
La
condicion Ademas,
f (2, 1) = f (1,
se
deduce de porque
la definicion
vector de la base.
Clasiftcacion de transformaciones ortogonales en un espacio de dimension 3

En lo que sigue, daremos una caracterizacion de las transformaciones

ortogonales definidas en un espacio eucldeo V de dimension 3.
En el caso en que V = R3 , para hacer esta clasificacion nos interesar
an particularmente las transformaciones lineales ortogonales que introducimos en
la definicion siguiente.

Deftnicion 8.52

i) Sea f : R3 R3 una transformacion lineal ortogonal. Se

dice que f
es una rotacion si det(f ) = 1.
ii) Sea f : R3 R3 una transformacion ortogonal. Sea H R3 un subespacio
de dimension
2. Se dice que f es una simetra respecto de H si f|H = idH y f|H = idH .
Sea V un espacio eucldeo con dim V = 3 y sea f : V V una
transformacion lineal ortogonal.
Se tiene
que
grX.
[Link]
Entonces,
Xf
tiene
en R, es
f R[X] yreal
f=
decir,
f tiene
un X
autovalor
Por
Lema 8.48,
= 1una
o raz
= 1.

Si = 1 es autovalor de f :
Sea v1 un autovector de f asociado al autovalor 1 con "v1" = 1 (si "v1" =
1, lo dividimos por su norma). Entonces S = < v1 > es un subespacio
invariante por f . Por el Lema
8.49
, S es f -invariante.
Consideremos
S con
por el producto
interno
de V . En- tonces
f|S el
: producto
S
S interno
es unainducido
transformacion
ortogonal
en
un
espacio
eucldeo
conS dim
= 2. En consecuencia, existe una base
ortonormal B1 = {v2,v3} de
tal S que
vale alguna de las dos igualdades siguientes:
.

(1) |f|S |B1

=

cos sen

sen cos
(2) |f|S |B1
=

, con

[0, ],

.
1 0
.
0 1
Sea B = {v1, v2, v3}. Entonces B es una base ortonormal de V y vale alguna de
las dos igualdades siguientes:

1 0
0
, con [0, ],
(1) |f |B = 0 cos sen

(2) |f |B

0 sen cos

1 0 0
= 0 1 0 .
0

0 1

En particular, vemos que si V = R3:

Si la matriz |f |B es como en (1), entonces f es una rotacion. En
este caso, al subespacio < v1 > se lo llama el eje de la rotacion.
Si la matriz |f |B es como en (2), entonces f es una simetra respecto del
subespacio
H = < v1, v2 >.

Si
= 1 no
autovalor
de
, entonces
= sea
1 S
lo =
es.< Sea
v1 De
un
autovector
de es
f de
autovalor
en
1 f con
"v1 "anterior,
= 1, y
v1 , >.
manera
analoga
a
lo
hecho
el
caso
se
considera
S
que
es
un subespacio f -invariante de dimension 2, y la

 S
restriccion f|S : S
resulta una transformacion lineal
ortogonal.
no que
es autovalor de f , existe una base ortonormal
B1 = {v2, v3}Como
de S 1tal

|f|S |B1 = .

cos sen

sen cos

.
, con

(0, ].

Entonces B = {v1, v2, v3} es una base ortonormal de V tal que

1 0
0
|f |B = 0 cos sen , con (0, ].

0 sen cos

Vemos que en el caso en que V = R3 , f es una rotacion compuesta con

una simetra, puesto que:

1 0 0
10
0
|f |B = 0 1 0 . 0
cos sen .
0 0 1
0 sen cos

x s
x
s
simetra
rotacion
Resumimos los resultados obtenidos sobre transformaciones lineales
ortogonales en R3:
Observacion 8.53 Sea f : R3 R3 una transformacion lineal ortogonal.
Entonces f es una rotacion o una simetra o una composicion de una simetr
a y una rotacion.
Ejemplo. Definir una rotacion f : R3 R3 tal que f (1, 1, 0) = (0, 1, 1) y tal
que el eje de la rotacion sea ortogonal a (1, 1, 0) y (0, 1, 1).
Sea H = < (1, 1, 0), (0, 1, 1) > el subespacio de R3 de dimension 2 que
contiene a (1, 1, 0) y a (0, 1, 1).
Consideremos H = {(x1, x2, x3) R3 : x1 + x2 = 0, x2 + x3 = 0} = <
(1, 1, 1) >.
Queremos definir f de manera que H sea el eje de la rotacion, es
decir, que f

= idH .

|
H

En primer lugar, construimos una base ortonormal de R3 que contenga una

base de H
y una base de H:
B = , . 1 1
1 . . 1
. .
2. ,
1
1
1
, ,
, , ,0 , , ,
.
3
3
3
2
2
6
6
6
x
base de H
base de H
Definimos f en los primeros vectores de la base como sigue:

1
1 1 .
.
.
,
,
,
,
=
1
1

.
. 3
31 31 3
3 . 3 . 1
(b) f .
=
0,
, ,0
2
2 2

(a) f .
1

.1
,

11 1 1 2 .

1
,

,0

,
,
6 6

220

Espacios vectoriales con producto interno

De esta manera, tendremos que la matriz de f en la base B es de la forma

0
1
2

0
|f |B =

2
Para que la matriz tenga la estructura del tem (1) de la pagina 218,
definimos
.
1 1
1
(c) f .
,
, . =
3 1 1 . 1 . 1 1 2 .

, ,0
, , .

2
6
6
2
2
6
6
6

+
2
6
En conclusion, f : R3 R3 es la transformacion lineal definida por (a), (b) y
(c). La condicion
(b)implica que f (1, 1, 0) = (0, 1, 1). Ademas, para la base ortonormal B considerada,
se tiene
que

1 0
0

0 1 3 ,
|f |B =

2
2
0

3
1
2
2
de donde se desprende que f es una rotacion.

Clasiftcacion general de transformaciones lineales ortogonales

A continuacion generalizamos lo hecho en espacios de dimension 2 y 3
al caso general de una transformacion lineal ortogonal definida en un
espacio eucldeo V de dimension finita arbitraria.
Teorema 8.54 Sea (V, (, )) un espacio eucldeo de dimension finita.
Sea f : V V una transformacion lineal ortogonal. Entonces existe
una base ortonormal B de V tal que

In2

In1
cos 1 sen

..
1

|f |B =

sen 1 cos
(8.3

1
)

cos r sen r

sen r cos r

con n1, n2 N0 y i (0, ) para cada 1 i r (donde todos los

coeficientes de la matriz
cuyos valores no estan indicados son cero).
Demostracion. Por induccion en n = dim V .

Ya vimos que el resultado vale para dim V = 2.

Sea n > 2 y supongamos que el resultado vale para transformaciones
ortogonales definidas en espacios de dimension menor que n. Sea V un espacio
eucldeo tal que dim V = n y sea
fposibles
: V Vautovalores
una transformacion
de f son 1lineal
y [Link]. Por el Lema 8.48, sabemos que los

Si = 1 es autovalor de f :
Sea v1 una autovector de f de autovalor 1 tal que "v1" = 1 (si "v1" = 1, lo
dividimos por su norma). Entonces S = < v1 > es un subespacio de V
invariante por f , de donde
S tambien es invariante por f .
Consideremos f1 = f|S : S S , que es una transformacion lineal
ortogonal
definida en un espacio eucldeo de dimension n1 (considerando
en S la restriccion del producto interno
de V ). Por hipotesis inductiva,
existe una base ortonormal B1 de S tal que
|f1 |B1 es de la forma (8.3).
Tomando B = {v1} B1, se obtiene una base ortonormal de V tal que
.
1
01 (n 1) .
|f |B =

,
0(n1)1 |f1 |B1
que es de la forma
(8.3).

Si = 1 no es autovalor de f , pero = 1 s lo es:

Tomando
un
autovector
v1 de autovalor 1 con "v1" = 1 y procediendo como
en
el caso
anterior,
matriz
|f |B es
de la resulta que existe una base ortonormal B de V tal que la
forma (8.3) con n1 = 0 (es decir, sin unos en la diagonal).
Si f no tiene autovalores reales:
En
estepara
caso,
el polinomio
tiene
la forma
mf = [Link]
. Pr ,
2 . .grado
donde
cada
1 i r, minimal
Pi R[X] de
es fun
polinomio
irreducible
2. Se tiene
que
0 = mf (f ) = P1(f ) P2(f ) . . . Pr(f ).
Entonces, si definimos Q = P2 . . . Pr R[X], vale Q(f ) = P2(f ) . . . Pr(f
) y, por lo tanto,
(P1(f ) Q(f ))(v) = 0 v V.
Como Q | mf y Q = mf , existe w V tal que Q(f )(w) = 0. Sea v
= Q(f )(w) y sea S = < v, f (v) >. Observamos que S es f -invariante,
puesto que P1(f )(v) = 0 y gr(P1 ) = 2. Ademas, v no es autovector de f
puesto que f no tiene autovalores, con lo que dim(S) = 2.
Consideremos la restriccion f1 = f|S : S S, que es una transformacion
lineal ortogonal sin autovalores reales definida sobre un espacio eucldeo de
dimension 2. Entonces existe
una base ortonormal BS .de S tal que
(0, ).
cos 1 sen 1 . con

|f1 |BS =

sen
1

cos 1

22
2

Espacios vectoriales con producto interno

Dado
que SSea
es f2f =
-invariante
entonces
-invariante.
f|S : S y fes
S ortogonal,
la restriccion,
queS eses
unaf

transformacion
ortogonal
definida
sobre
un
espacio
eucldeo
con
dim
S
=

n 2. Porhipotesis inductiva, existe una base ortonormal

BS de S tal que la matriz |fS2|B tiene la forma (8.3). Ademas, como f
no tiene
autovalores reales, f2 tampoco los tiene, y por lo tanto en esta matriz no
aparecen 1 ni
1 en la diagonal. Luego

..
cos 2 sen

.
2

|f2 |BS =

sen 2 cos
2
cos r sen r
sen r cos r

con i (0, ) para todo 2 i r.

En consecuencia, tomando B = BS BS se obtiene una base ortonormal de V
tal que

|f |B =

|f1 |BS
0

|f2 |BS

cos 1 sen

.
1
=
sen 1 cos
1

..
.
cos
r

sen r

sen r cos r
con i (0, ) para cada 1 i r.

8.4 Ejercicios
Ejercicio 1. Sea V un espacio vectorial y sea (, ) un producto interno sobre V .
Probar: i) (x, y + z) = (x, y) + (x, z)

ii) (x, cy ) = c. (x, y )

iii) (x, y) = (x, z) x V y = z
.
.
Ejercicio 2. Sea V, ( ,) un espacio vectorial con producto interno. Probar que |(x,
y)| =
"x"."y " si y solo si {x, y } es un conjunto linealmente dependiente.
Ejercicio 3. Sea V un espacio vectorial. Demostrar que la suma de dos productos
internos sobre V es un producto interno sobre V .
Ejercicio 4. Sea V un espacio vectorial con producto interno y sea d la distancia
asociada. Demostrar que:
i) d(x, y) 0

ii) d(x, y) = 0 x = y
iii)
iv)

d(x, y) = d(y, x)
d(x, y) d(x, z) + d(z, y)

Ejercicio 5. Determinar si las siguientes funciones son o no productos internos.

En caso afirmativo encontrar su matriz en la base canonica del espacio
correspondiente.
i) : R2 R2 R, (x, y) = 2.x1.y1 + 3.x2.y1 x2.y2 +
3.x1.y2 ii) : R2 R2 R, (x, y) = x1.y1 + x2.y1 +
2.x2.y2 3.x1.y2
iii) : K2 K2 K, (x, y) = 2.x1.y1 + x2.y2 x1.y2 x2.y1,
=C
iv) : C2 C2
v) : C2 C2
vi) : C2 C2
vii) : K3 K3
C

C,
C,
C,
K,

con K = R y K

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

(x, y) = 2.x1.y1 + (1 + i).x1.y2 + (1 + i).x2.y1 + 3.x2.y2
(x, y) = x1.y1 i.x1.y2 + i.x2.y1 + 2.x2.y2
(x, y) = 2.x1.y1 + x3.y3 x1.y3 x3.y1, con K = R y K =

viii) : K3 K3 K, (x, y) = 3.x1.y1 + x2.y1 + 2.x2.y2 + x1.y2 + x3.y3, con

K=R y
K=C
Ejercicio 6. Sea A R22. Sea : R2 R2 R definida por (x,t y) = [Link].
Probar que es un producto interno sobre R2 si y solo si A = A , A11 > 0 y
det(A) > 0.
Ejercicio 7. Determinar para que valores de a y b en R es
(x, y) = a.x1.y1 + b.x1.y2 + b.x2.y1 + b.x2.y2 + (1 +
b).x3.y3 un producto interno en R3.
Ejercicio 8. Probar que las siguientes funciones definen productos internos sobre
los espacios vectoriales considerados:
i) (, ) : Knn Knn K, (A, B) = tr(A.B), con K = R y K = C
1
ii) (, ) : C[0, 1] C[0, 1] R, (f, g0) =
f (x).g(x) dx
iii) (, ) : K n K n K, (x, y) = y. Q.Q. xt, con K = R y K = C
donde Q Knn es una matriz inversible.
iv) (, )T : V V K, (x, y)T = (T (x), T (y)), con K = R y K = C
donde V y W son espacios vectoriales sobre K, ( , ) es un producto interno
sobre W y
T : V W es un monomorfismo.

Ejercicio
9. Restringir
el producto
interno
ii)n}del
ejercicio anterior a
Rn[X] y calcular
su matriz
en la base
B = {del
1, X,item
...,X
.
Ejercicio 10.
i) Sea : R2 R2 R definida por (x, y) = x1.y1 2.x1.y2 2.x2.y1 + 6.x2.y2.
a) Probar que es un producto interno.
b) Encontrar una base de R2 que sea ortonormal para .
ii) Encontrar una base de C2 que sea ortonormal para el producto interno
definido en el Ejercicio 5. vi).
Ejercicio 11. Sea V un espacio vectorial de dimension n y sea B = {v1 , . . . , vn }
una base de
V.
i) Probar que existe un unico producto interno en V para el cual B resulta
ortonormal.
ii) Hallarlo en los casos
a) V = R2 y B = {(1, 1), (2, 1)}
b) V = C2 y B = {(1, i), (1, i)}
c) V = R3 y B = {(1, 1, 1), (1, 1, 0), (0, 1, 1)}
d) V = C3 y B = {(1, i, 1), (0, 0, 1), (0, 1, i)}
Ejercicio 12. Hallar el complemento ortogonal de los siguientes subespacios de
V:
i) V = R3 ,
S1 = {(x1 , x2 , x3 ) R3 / 2.x1 x2 = 0} para el producto interno
canonico. ii) V = R3,
S2 = < (1, 2, 1) >
a) Para el producto interno canonico.
b) Para el producto interno definido por (x, y) = x1.y1 +2.x2.y2 +x3.y3 x1.y2

x2.y1.
iii) V = C3, S3 = < (i, 1, 1), (1, 0, i) >
3 T: C C
para el producto interno (, )T definido en el Ejercicio 8. iv) con

i 1 + i 0
T (x) = 1 i
0 . xt y (, ) el producto interno canonico sobre C3 .
1 i+1 i
.
.
.
x1 + 2i.x2 x3 + (1 + i).x4 = 0
iv) V = C4, S4
(x1, x2, x3, x4)
x2 + (2 i).x3 + x4 = 0
=
C4 /
para el producto interno (x, y) = x1.y1 + 2.x2.y2 + x3.y3 + 3.x4.y4.
v) V = R4 , S5 = < (1, 1, 0, 1), (1, 1, 1, 0), (2, 1, 1, 1) >
para el producto interno canonico.

Ejercicio 13.
i) Hallar bases ortonormales para los subespacios del ejercicio anterior para
cada uno de los productos internos considerados.
ii) Definir explcitamente las proyecciones ortogonales sobre cada uno de
dichos subespa- cios.
iii)

Hallar el punto de S5 mas cercano a (0, 1, 1, 0).

Ejercicio 14. Sean S1, S2 y S3 los subespacios de R4 definidos por

S2
.
x1 + x2 2.x3
: ,
x1 + x2 x3 +
S3 : {2.x1 + x2 + 2.x3
S1 = 0
:
=0
x1 x2 = 0
x4 = 0
x2 x4 =

2.x1 + 2.x4 = 0

0
Encontrar una base ortonormal {v1 , v2 , v3 , v4 } de R4 tal que vi Si (i = 1, 2, 3).
Por que este problema tiene solucion?
Ejercicio 15. Se define (, ) : Rn[X] Rn[X] R como
.
n
k
k
(f, g ) =
f . .. g . ..
n
n
k=0

i) Probar que (, ) es un producto interno.

ii) Para n = 2, calcular < X >.
Ejercicio 16.
i) Se considera Cnn con el producto interno (A, B) = tr(A.B). Hallar el
complemento ortogonal del subespacio de las matrices diagonales.

1
ii) Se considera R3[X] con el producto interno (f, g
)
=
f (x).g(x) dx. Aplicar
1
el proceso de Gram-Schmidt a la base {1, X, X 2 , X3 } . Hallar el complemento
ortogonal del
subespacio S = < 1 >.
Se considera C[1, 1] con el producto
1
interno (f, g) =
nomio dea grado
menor o igual que 3 mas pr
oximo
la

iii)

f (x).g(x) dx. Hallar el

poli-

1 on f (x) = sen(x).
funci
Sugerencia: Observar que basta considerar el subespacio S = < 1, x, x2, x3,
sen(x) >.

iv)
Se considera C[0, ] con el producto interno
(f, g) =
f (x).g(x) dx.
0
a) Aplicar el proceso de Gram-Schmidt a la base B = {1, cos x, sen x}.
b) Sea S el subespacio de C[0, ] generado por B. Hallar el
elemento de S mas proximo a la funcion f (x) = x.

Ejercicio
17. Sea V un espacio
vectorial
producto
, ).,Sea
W V un
subespacio
finita
de V . con
Probar
que interno
si x / (W
entonces
existe y Vdetaldimension
que y W
y
(x, y) = 0.
Ejercicio 18. Calculo de volumenes. Consideremos Rn con el producto
interno canonico (, ).
El area del paralelogramo P (v1 , v2 ) que definen dos vectores v1 y v2
linealmente indepen- dientes en Rn se puede
calcular
la formula
base
por
altura,con
o sea,
"v1 ". "p<v
(v2
)".
1>
El volumen del paraleleppedo P (v1 , v2 , v3 ) que definen tres vectores v1 , v2 , v3
linealmente independientes en Rn sera area de la base por altura, o sea,
"v1". "p<v1>(v2)". "p<v1,v2> (v3)".
Si esto se generaliza a k vectores linealmente independientes en Rn, el volumen
del paralele- ppedo P (v1 , . . . , vk ) sera
"v1". "p<v1> (v2)". "p<v1,v2> (v3)" . . . "p<v1,...,vk1> (vk )".
Se define entonces recursivamente el volumen del paraleleppedo
n P (v1 , . . . , vk )
definido
. por los vectores linealmente independientes v1, . . . , vk R como:
vol(P (v1)) = "v1"
vol(P (v1, . . . , vk )) = vol(P (v1, . . . , vk1)). "p<v1,...,vk1> (vk )" para k 2.
Vamos
a probar que
el volumen vdel
paraleleppedo
n
definido por los
nn
vectores
linealmente
independientes
1, . . . , vn en R es igual a | det(A)|, donde A

R
es
la
matriz
cuyas
columnas son los vectores v1, . . . , vn.
i) Dados v1, . . . , vk Rn se define tt(v1, . . . , vk ) Rkk como tt(v1, . . . , vk )ij
= (vi, vj ). Probar que:
a) Si vk < v1, . . . , vk1 >, entonces det(tt(v1, . . . , vk )) = 0.
b) Si vk < v1, . . . , vk1 >, entonces
2
det(tt(v1, . . . , vk )) = det(tt(v1, . . . , vk1)).
" vk " .
c) det(tt(v1, . . . , vk )) = det(tt(v1, . . . , vk1)). "p<v1,...,vk1> (vk )"2.
ii) Probar que, si v1, . . . , vk son vectores linealmente independientes,
2

(vol(P (v1, . . . , vk ))) = det(tt(v1, . . . , vk )).

iii) Sean v1, . . . , vn Rn linealmente independientes y sea A Rnn la matriz
cuyas columnas son los vectores v1, . . . , vn. Probar que tt(v1, . . . , vn) =
At. A. Deducir que
vol(P (v1, . . . , vn)) = | det(A)|.
iv)(
Calcular
area
del paralelogramo definido por los vectores (2, 1) y
2
enyelR
Calcular
(1,4,2,5)
1)
(1,. 4,
1) en Rel3 . volumen del paraleleppedo definido por (1, 1, 3),

v) Sea f : Rn Rn un isomorfismo. Si v1, . . . , vn Rn son linealmente

independientes, probar que
vol(P (f (v1 ), . . . , f (vn ))) = | det f |. vol(P (v1 , . . . , vn )).
Ejercicio 19. Calcular f para cada una de las transformaciones lineales
siguientes: i) f : R2 R2,
3

f (x1, x2) = (3.x1 + x2, x1 + x2)

ii) f : C C , f (x1, x2, x3) = (2.x1 + (1 i).x2, x2 + (3 + 2i).x3, x1 + i.x2

+ x3)
f : R3 R3 tal que

1 01
|f |B = 2 0 1
0 1 0

1
iv) f : R2[X] R2[X], f (p) = pr (donde (p, q) =
p(x).q(x) dx).

iii) B = {(1, 2, 1), (1, 0, 0), (0, 1, 1)},

n n

n n

(donde (A, B) = tr(A.B)).

1
vi) f : R[X] R[X], f (p) = f.p donde f R[X] y (p, q) =
p(x).q(x)dx
0
v) P ttL(n, C), f : C

, f (A) =

P1.A.P

Ejercicio 20. Sea (V, (, )) un espacio vectorial de dimension finita con

producto interno.
Sean f1 y f2 endomorfismos de V y sea k un escalar. Probar:
i) (f1 + f2) = f + f
1

ii) (k.f1) = k.f

1

iii) (f1 f2) = (f2) (f1)

iv) Si f1 es un isomorfismo, entonces f es un isomorfismo y (f)1 = (f1)
1

v) ((f1)) = f1
vi) f f1 = 0 f1 = 0
1

Ejercicio
21. Sea y(V,
(, )f) :un
espacio
de dimension
finitaque
conIm(f )
producto
sea
V
V una vectorial
tranformacion
lineal. Probar
.
= (Nu(f ))interno
Ejercicio 22. Sea f : R3 R3 la transformacion lineal definida por
f (x, y, z) = (x 3y 2z, 4x + 6y + 2z, 3x 3y).
Hallar un producto interno (, ) : R3 R3 R3 tal que f sea autoadjunta para (,
).
Ejercicio 23. Sea (V, (, )) un espacio vectorial de dimension finita con producto
interno y sea
S un subespacio de V . Probar que la proyeccion ortogonal P : V V sobre S es
autoadjunta.
Calcular sus autovalores.

Ejercicio 24.
i) En cada uno de los siguientes casos, encontrar una matriz O Rnn ortogonal tal
que
[Link] sea diagonal:
.
A
.=

2 1

.
A=

5
A= 0
2

1 3
.

3 1

0 2
7 2
2 6

ii) En cada uno de los siguientes casos, encontrar una matriz U Cnn unitaria tal
que
U.A.U sea diagonal:

2i 1
1 3
A = i 2i 3 i

i 2

1 2
A = i
i
0
0

i 0

i 0

2 0
0 3

Ejercicio 25. Encontrar una base ortonormal B de R2 tal que |f |B y |g |B sean

diagonales si las matrices de f y de g en la base canonica son:
.
.
.
.
2 1
1 3
y
1 2
3 1
Sugerencia: ver el Ejercicio 31 de la Seccion 6.5.
Ejercicio
un C-espacio
vectorial
de dimension finita con producto
interno y 26.
sea Sea
f : V(V,
(,V))una
transformacion
lineal.

Definicion: Se dice que f es normal si f f = f f .

i) Probar que si f admite una base ortonormal de autovectores, entonces f es
normal.
ii) Probar que si f es normal valen las siguientes afirmaciones:
a) "f (v)" = "f(v) " v V . En particular, Nu(f ) = Nu(f).
b) C, f . idV es normal.
c) Si v es un autovector de f de autovalor , entonces v es un autovector
de f de
autovalor .
d) E = {v V / f (v) = .v} es f-invariante.
iii) Probar que si f es normal, entonces admite una base ortonormal
de autovectores. Sugerencia: observar que (E) es f -invariante y
f-invariante.
iv) Deducir de lo anterior que las matrices unitarias son diagonalizables
sobre C. Encontrar un ejemplo de matriz ortogonal que no sea
diagonalizable sobre R.

Ejercicio 27. Hallar la matriz en la base canonica de las siguientes

transformaciones orto- gonales:

i) f : R2 R2 , rotacion de angulo .
3
ii) f : R2 R2 , simetra respecto de la recta de ecuacion x1 x2 = 0.
iii)
f : R3 R3 , simetra respecto del plano de ecuacion x1 + x2 x3
= 0.
iv)

f : R3 R3 , rotacion de angulo
4

y eje < (1, 0, 1) >.

Ejercicio 28. Sea f : R3 R3 la transformacion lineal cuya matriz en la base

canonica es
1
2 1
2

2
2

1
2

2
2

1
2

Decidir si f es una rotacion, una simetra o una composicion de una rotacion

y una simetra. Encontrar la rotacion, la simetra o ambas.
Ejercicio 29. Sea f : R3 R3 la transformacion lineal cuya matriz en la base
canonica es

4
8
1
9
9
9

1
8

9
9
7

i) Probar que f es una rotacion.

ii) Hallar g : R3 R3 tal que g g = f .
Ejercicio 30. Una funcion f : Rn Rn se llama isometra si verifica que
n

d(x, y) = d(f (x), f (y)) x, y R .

i) Probar que si f : Rn Rn es una isometra tal que f (0) = 0, f resulta una
transfor- macion lineal y ademas f es ortogonal.
ii) Deducir
que f : Rn Rn es una isometra si y solo si existen g : Rn
nRn transfor- macion ortogonal y v Rn tales que f (x) = g(x) + v, x
R .

230

Espacios vectoriales con producto interno

Captulo 9

Variedades lineales
Al considerar los subespacios de R2 , vimos que estos son el conjunto {(0,
0)}, el espacio R2 y las rectas que pasan por el origen. Ahora, en algunos
contextos, por ejemplo para resolver problemas geometricos, puede ser util
trabajar con rectas que no pasan por el origen, es decir, que no son subespacios.
En este captulo estudiaremos una nocion que generaliza a la de
subespacios de un K- espacio vectorial: las variedades lineales. As como los
subespacios aparecen como conjuntos de
soluciones
de
sistemas
de
ecuaciones lineales homogeneas, las variedades lineales pueden verse como
conjuntos de soluciones de ecuaciones lineales no homogeneas.

9.1
9.1.1

Nociones basicas
Variedades lineales

Las variedades lineales en un K-espacio vectorial V pueden definirse como sigue

a partir de los subespacios de V .
Deftnicion
9.1
V unMK-espacio
Una
variedad
lineal M
un
de Sea
la forma
= {s + p / svectorial.
S}, donde
S es
un subespacio
deVV yes
p
V conjunto
.
Notacion. M = S + p.
Podemos entonces pensar a la variedad lineal M = S + p V como el
subespacio S
corrido, es decir, que en lugar de pasar por el 0 pasa por un punto p.
Observacion 9.2 Sea V un K-espacio vectorial, y sea p V . Si M = S + p
V (con S
un subespacio de V y p V ) es una variedad lineal, se le puede dar a V otra
estructura
de K-espacio vectorial (donde p pasa a tener el papel del 0 de V ) tal que M
resulta ser un
subespacio de V con esa nueva estructura:

23
2

Variedades lineales

Se
definen

+p : V V V ,

v +p w = v + w p

K V V , p v = (v p) + p

Entonces
(V, +pla
, pfuncion
) es un K-espacio
vectorial,
p es de
el elemento
de +p (con
lo
de ser el nuevo
origen
V ) y M es neutro
un subespacio
de
(V,cual
+p , cumple
p ) (comparar
con el Ejercicio 4 de la Seccion 1.5).
La siguiente proposicion muestra que una variedad lineal en un Kespacio vectorial V
determina unvocamente un subespacio de V .
Proposicion
9.3 Sea Vque
un existen
K-espacio
vectorial
y sea MS y SVr de
una
variedad
lineal.
p, pSrr
V tales
que
M = S +Supongap y M = Srmos
+ pr. Entonces
S=
yV
py
subespacios
pr S.
Demostracion. En primer lugar, veamos que bajo las hipotesis de la proposicion,
p pr S r
y p pr S.

Como p M = Sr + pr , existe sr Sr tal que p = sr + pr . Entonces p pr = sr Sr .

r
Por
lado,
se tiene
pr = otro
s + p.
Luego,
p pr que
= spS.M = S + p, con lo que existe s S tal que
Veamos ahora que S = Sr :
Sea s S. Entonces s+p M = Sr +pr , y por lo tanto, existe sr Sr tal que s+p = sr
+pr .
En consecuencia s = sr + (pr p) Sr . Luego, S Sr .
Analogamente se prueba la otra inclusion.
Q

Este resultado nos permite introducir una nocion de dimension para

variedades lineales.
Deftnicion
9.4 gamos
Sea V que
un M
K-espacio
vectorial
sea
M V una
lineal.
Supon= S + p, donde
S esyun
subespacio
de variedad
V y pV.
Entonces
S se llama
el
subespacio asociado a M . Si S es de dimension finita, se define la
dimension de M como dim(M ) = dim(S).
Si bien el subespacio
S cualquier
asociado a punto
una variedad
lineal Mque
esta
determinado
por M , para
p M resulta
M =unvocamente
S + p:
Observacion 9.5 Si V es un K-espacio vectorial, M = S + p V (con S un
subespacio de
V y p V ) es una variedad lineal y m M , entonces M = S + m.
Como m M , existe sr S tal que m = sr +
p. () Sea s + p M = S + p. Entonces
s + p = s + p m + m = s + p (sr + p) + m = (s sr ) + m S +
m.
() Sea s + m S + m. Entonces s + m = s + (sr + p) = (s + sr ) + p S + p = M.

A continuacion damos algunos ejemplos de variedades lineales en distintos

espacios vecto- riales.
Ejemplos.
1. Los subespacios de un K-espacio vectorial V son variedades lineales: S = S
+ 0.
2. Un conjunto formado por un punto de un K-espacio vectorial es una
variedad lineal.
3. Sea A Kmn y sea b Km1. Entonces
n

{x K / A.x = b} = Shom + p,
donde Shom K n es el subespacio de soluciones del sistema homogeneo
asociado A.x = 0 y p es una solucion particular del sistema A.x = b, es
una variedad lineal.
(Observar que si el sistema es incompatible, el conjunto es vaco y
entonces no es una variedad lineal.)
4. Se considera en K[X] el conjunto
n

{P K[X] / P (0) = 1} = {P K[X] / P =

a i X + 1}

i=1

= {P K[X] / P (0) = 0} + 1.
Como {P K[X] / P (0) = 0} es un subespacio de K[X], entonces M es una
variedad lineal.
5. En C(R), sea
M = {f C (R) / f rr = sen(x)} = {f C (R) / (f + sen(x))rr = 0}
Sea S = {f C (R) / f rr = 0}, que es un subespacio de C (R).
Observamos que
f M si y solo si f + sen(x) S. Luego, M = S sen(x) es una variedad
lineal.

9.1.2

Algunas variedades lineales particulares

Las nociones de recta y plano conocidas en R2 o R3 , as como tambien

algunas propiedades basicas de estos conjuntos, se generalizan a K-espacios
vectoriales arbitrarios:
Deftnicion 9.6 Sea V un K-espacio vectorial.
i) Una recta en V es una variedad lineal de dimension 1, es decir, L =
< v > + p, con
v, p V , v = 0.
ii) Un plano en V es una variedad lineal de dimension 2, es decir, = < v, w
> + p, con

{v, w} V linealmente independiente

iii)

Si dim V = n, un hiperplano de V es una variedad lineal de dimension

n 1.

Observacion
9.7 recta
Sea VL un
existe una unica
V K-espacio
tal que p vectorial
L y q L.y sean p = q V . Entonces
Demostracion.
Sea Lp =
q1.> +
q. Se tiene que L es una recta, puesto
que como p = q, dim(<
q<
>)p =
Ademas:

q L, puesto que q = 0 + q.
p L, puesto que p = 1. (p q) + q.
r una recta tal que p Lr y q Lr . Entonces existe un subespacio S con dim
Sea
r = S + p. Por lo tanto, p q S y, como p q = 0 y
Sdim
= 1SL =
tal1,que resulta
Lr = S +que
q ySL=
< p q >. Luego Lr = < p q > + q = L.
Q

Observacion
9.8 Sea
V un K-espacio vectorial. Dados x, y, z V no
alineados
que
plano tal(es
que decir,
x, y, z
. no pertenecen a una misma recta), existe un unico
Demostracion. Sea = < y x, z x > + x. Se tiene que x , y = (y x) +
x y
z = (z x) + x .
Como
por hipotesis,
x, y, z no estan alineados, debe ser dim(< y x, z x >) =
2
(si
no,
plano
con x,sera
y, z una
. recta con x, y, z o un solo punto). Luego, es un
r = S + p es un plano con x, y, z r . Entonces r = S +
que
r = S + y, r =
x,
Supongamos
S +
y x S y z x S. En consecuencia, S = <Qy
x,
z x >, de donde
z.r =Luego,
.
En general, dada una cantidad finita de vectores en un K-espacio vectorial V
, existe una variedad lineal que los contiene. Esto da lugar a la siguiente definici
on:
Deftnicion lineal
9.9 Sea V un K-espacio
vectorial
y sean a0 , lineal
a1 , . . . M
, anVVmas
. Se llama
a0 , .si
. .M
, ar naV la
chica
r
talvariedad
que a0 M, . . . generada
, an M (espor
decir,
esvariedad
una
variedad
lineal
con
r
r ).,
. . . , a M , entonces Ma0MM
n

El resultado siguiente caracteriza la variedad lineal generada por un

conjunto finito de vectores de un K-espacio vectorial. En particular, establece
que dados n + 1 vectores existe una variedad lineal de dimension menor o igual
que n que los contiene.
Proposicion
9.10
Sea Vlineal
un generada
K-espacio por
vectorial
a0 ,=a1<, .a. .
, aan , . .V. .,
Entonces,
variedad
a0, a1, . .y. , sean
an es M
1
0
an a0 > + ala
0 . Observar que dim(M ) n.
Demostracion. Es claro que ai M para cada 0 i n. Veamos que M es la
menor variedad lineal (con respecto a la inclusion) con esta propiedad.
r = S + a
Supongamos
verifica que ai M r para cada 0 i n.
01
Entonces
a0que
SM
para
cada
r . i n, de donde < a1 a0, a2 a0, . . . , an
a0 > S, y enai consecuencia
MM
Luego, la variedad lineal mas chica que contiene a a0 , . . . , an es M .
Q

23
5

9.2 Interseccion y suma de variedades

lineales

9.1.3

Otra forma de describir variedades lineales

En el Ejemplo 3 de la pagina 233 vimos que el conjunto de las

soluciones de un sistema lineal compatible de ecuaciones con n incognitas
es una variedad lineal en K n . Por otro lado, sabemos que todo subespacio
de K n es el conjunto de las soluciones de un sistema lineal homogeneo Ax =
0, lo que implica que una variedad lineal en K n es el conjunto de las soluciones
de un sistema lineal (no necesariamente homogeneo).
Esto dice que las variedades lineales de K n son los conjuntos de soluciones de
sistemas de ecuaciones lineales.
Mediante el uso de coordenadas, es posible dar una descripcion del
mismo tipo para variedades lineales en un K-espacio vectorial de dimension
finita arbitrario:
Sea
un K-espacio
vectorial
n y sea B una
=S
+ pV una
variedad
lineal
en de
V , dimension
con S un subespacio
de Vbase
y p deV V. . Sea M
Denotemos
por
SB al subespacio
de Kn formado por las coordenadas de los vectores de S en la base B. Entonces
n

v M (v)B SB + (p)B en K .
Por lo tanto, {(v)B K n : v M } es una variedad lineal en K n y, entonces, es el
conjunto de las soluciones de un sistema lineal (no homogeneo si no es un
subespacio).
Ejemplo.
Sea M la
= base
{P RB2[X]
1}, que es una variedad lineal en R2[X].
Conside- remos
= {/1,PX,(2)
X2 }=
. Entonces
P M P (2) = 1 (P )B = (a, b, c) y a + 2b + 4c = 1.

9.2

Interseccion y suma de variedades lineales

9.2.1

Interseccion de variedades lineales

A diferencia de lo que sucede para subespacios, la interseccion de dos variedades

lineales puede ser el conjunto vaco. La siguiente proposicion muestra que
si esta interseccion es no vaca, entonces es una variedad lineal.
Proposicion
9.11 Seaen V V un
K-espacio
sean
M
y M2
variedades
lineales
. Entonces
M1 vectorial
M2 = yo M
1 M2 1 es una
variedad lineal.
Demostracion.

Supongamos que M1 M2 = .

Entonces existe p M1

M2 , con lo cual
M1 = S1 + p y M2 = S2 + p con S1 y S2 subespacios
de V . Veamos que M1 M2 = (S1 S2) + p:
() Sea
M
existen
s1 S1q y=s2s
tales
1 M2. Entonces
+ p. qEn
consecuencia,
s1 =
s2, es decir
+ Sp2 con
s que
S1 q S=2. s1 + p = s2
() Si q = s + p con s S1 S2, como s S1, se tiene que q M1 y como s S2,
entonces
q M2. Luego q M1 M2.

9.2.2 Variedades lineales paralelas y alabeadas

A continuacion estudiaremos las distintas situaciones que se pueden
presentar para que la interseccion de dos variedades lineales sea el conjunto
vaco. Por ejemplo, esto sucede en R2 en el caso de dos rectas paralelas no
coincidentes.
Deftnicion
Sea VM1 un= K-espacio
sean M1 y M2 variedades
lineales
en V 9.12
tales
p1 S1yvectorial
M2S2 =o SS22y +
1 ,+ si
son paralelas,
y seque
nota M1 " SM

Sp12.. Se dice que M1 y M2

2
Observacion 9.13 De la definicion anterior se deduce que:

Un punto es paralelo a cualquier variedad lineal.

Si M1 = S1 + p1 y M2 = S2 + p2 son variedades lineales de la misma dimensi
on en un
K-espacio vectorial V , entonces M1 " M2 si y solo si S1 = S2 .
Proposicion 9.14 Sea V un K-espacio vectorial con dim(V ) 2. Sean L1
y L2 dos rectas en V . Son equivalentes:
i) Existe un plano V tal que L1 y L2 .
ii) L1 L2 = o L1 " L2.
Demostracion.
ii) i) Analizaremos por separado los casos a) L1 L2 = y b) L1 " L2.
a) Supongamos que L1 L2 = . Sea p L1 L2. Entonces L1 = S1 + p = < v1 >
+py
L2 = S2 + p = < v2 > + p, con v1, v2 V no nulos.
Si v1 y v2 son linealmente independientes, consideramos = < v1, v2 > + p,
que es un plano y contiene a L1 y a L2.
Si v1 y v2 son linealmente dependientes, sea w V tal que {v1, w} es
linealmente independiente. Entonces = < v1, w > + p es un plano que
contiene a L1 = L2.
b) Si L1 L2 = y L1 " L2 , entonces L1 = < v > + p1 y L2 = < v > + p2
para algun
v V no nulo.
Sea = < v, p1 p2 > + p2. Vemos que dim(< v, p1 p2 >) = 2, puesto que
si fuera
p1 p2 = .v, se tendra p1 = .v + p2 L1 L2 , contradiciendo la hip
otesis. Luego,
es un plano, y contiene a ambas rectas.
i) ii)
Sea un >plano
.
queS L
< v1 > + pde
1
1 =
1,
L
+ pV2 ,con
yy p L=
S
+ yp1L,2con
v1Supongamos
, v2 V no nulos,
un
subespacio
2 = < v2 2
dimension
de
1 , p2 V .

Dado que v1 + p1, p2 y v2 + p2 pertenecen a , se tiene que

v1 S
pues s S : v1 + p1 = s + p1, de donde v1
= s,r p2 p1 Spues sr S : p2 = sr + p1, de donde p2 p1
=s,
v2 S
pues srr S : v2 + p2 = srr + p1, de donde v2 = srr (p2
p1),
Como dim S = 2, existe una combinacion lineal no trivial
a. v1 + b. (p2 p1) + c. v2
= 0. Si b = 0, resulta que < v1 > = < v2 > con lo
que L1 " L2.
c
a
Si b = 0, entonces v + p =
v + p , de donde L L = .
2
2
1
1
1
b
b

Es posible que dos variedades lineales no sean paralelas, pero tampoco tengan
interseccion no vaca (por ejemplo, L1 = < (1, 0, 0) > + (0, 0, 1) y L2 = < (0, 1,
0) > + (0, 0, 2) son dos rectas en R3 que no son paralelas ni se cortan). Esto da
lugar a la siguiente definicion:
Deftnicion
Sea
V un K-espacio
Dos variedades lineales M1 y
M2 de V se9.15
dicen
alabeadas
si M1 Mvectorial.
2 = y M1 M 2 .
Ejemplos.
1. L1 = < (1, 0, 0) > + (0, 0, 1) y L2 = < (0, 1, 0) > + (0, 0, 2) son dos
rectas alabeadas en
R3.
2. Los planos definidos en R4 por
1 = {(x, y, z, w) R4 : x = 1, y = 1}
2, z = 3}

2 = {(x, y, z, w) R4 : x =

son alabeados.
(Se
puede
si Vson
es un
K-espacio
vectorialdim(V
tal que
dos
planos
1 yprobar
2 enque,
V que
alabeados,
entonces
) existen
4.)
En el ejemplo que sigue, estudiaremos como determinar si dos rectas en R3 se
intersecan, son paralelas o son alabeadas a partir de ecuaciones que las
definen.
Ejemplo. En.R3, consideremos dos rectas L1 y L2 definidas por
.
ax + by + cz
=
d
r
r r r
y
L2
a rx +
d=e x
L1 :
r b y+
r c z=
+
ex + fy + gz = h
r f y+ g z
h
:
donde dim < (a, b, c), (d, e, f ) > = 2 y dim < (ar , br , cr ), (dr , er , f r ) > = 2. Se tiene
que

ax + by + cz = d
h
L1 L2 :
rx +
aex
+ fy
bry+
+gz
crz=
=
r

d
r
e x + f r y + g r z = hr .

Sea
n

a
A
=
e

ar
er

b
f

c
g

br cr
f r gr

a
B=
e

ar
er

b
f

c
g

br
fr

cr
gr

d
h
.

dr
hr

Observamos
que:
i) Si rg(A) = 2 y rg(B) = 2, el sistema de ecuaciones que define L1 L2 es
compatible y
su conjunto de soluciones es una recta. Entonces L1 = L2.
ii) Si
rg(A) = 2 y rg(B)
= 3, elhomogeneo
sistema es incompatible,
el conjunto de
soluciones
sistema
es pero
un subespacio
de
dimension del
1. Luego,
L1 " L2 y L1 L2asociado
= .
iii) Si rg(A) = 3 y rg(B) = 3, el sistema tiene solucion unica, de donde
L 1 L 2 = y
L1 L2.
iv) Si rg(A) = 3 y rg(B) = 4, entonces el sistema es incompatible, con lo
que L1 L2 = y el sistema homogeneo asociado tiene solucion unica,
lo que implica que L1 L2 . Luego, L1 y L2 son alabeadas.

9.2.3 Suma de variedades lineales

Para concluir esta seccion, introducimos el concepto de suma de variedades
lineales. Al igual que en el caso de subespacios, dadas variedades lineales M1 y
M2 en un K-espacio vectorial V , la idea es construir la menor variedad lineal en V
que contiene a M1 y a M2 simultaneamente.
Deftnicion
V un K-espacio vectorial y sean M1 y M2 variedades
lineales
en V 9.16
. Si MSea
1 = S1 + p1 y M2 = S2 + p2 con S1 y S2 subespacios de V y p1,
p
2 V , se define la variedad lineal suma de M1 y M2 , que notaremos M1 M2 ,
como
M1 M2 = (S1 + S2 + < p1 p2 >) + p2.
Algunas observaciones respecto de la definicion:
Observacion 9.17 Se puede probar que:
1. Si M1 = S1 +p1 = S1 +pr y M2 = S2 +p2 = S2 +pr , con Si subespacio de V y pi,
pr V
1
2
i
para i = 1, 2, entonces (S1 + S2 + < pr pr >) + pr = (S1 + S2 + < p1 p2
>) + p2.
1

Es decir, la definicion de M1 M2 no depende de las descripciones de M1 y

M2 .
2. M1 M1 M2 y M2 M1 M2.
3. Si
M1 =
+
p1, en
y Mcuyo
p1 p2 S1 + S2 si y solo
2 = S
2 + pM
2 , entonces
si M
M2S1 =
caso
1
1 M2 = (S1 + S2) + p2.

9.3 Variedades lineales en espacios con producto interno

239

En
efecto,
si p1
p2s +
S1 + S2 existen
sp1 S1 M
y s2
M
S2 tales
que p1 p2 = s1
+
sM
entonces
Recprocamente,
2, y
2 ,+
2
1existen
2.
si
1 y q p1 M1= sM
1queM
2 entonces
tales
s12 + p=
de
donde p1
p2 = ss11 + sS2 1 yS1s2+
S2.S2
1 = q = s2 + p 2 ,
El analogo del Teorema 1.43 para variedades lineales es el siguiente
resultado:
Teorema 9.18 (Teorema de la dimension para la suma de variedades
lineales.) Sea V un K espacio vectorial y sean M1 y M2 variedades
lineales de V de dimension finita. Entonces:
i) Si M1 M2 = ,
dim(M1 M2) = dim(M1) + dim(M2) dim(M1 M2).
ii) Si M1 M2 = , M1 = S1 +p1 y M2 = S2 +p2, con S1, S2 subespacios de V
y p1, p2 V ,
dim(M1 M2) = dim(M1) + dim(M2) dim(S1 S2) + 1.
Demostracion. Si M1 = S1 + p1 y M2 = S2 + p2 , por las definiciones de
variedad suma y de dimension de una variedad lineal, se tiene que
dim(M1 M2) = dim(S1 + S2 + < p1 p2 >).
i) Si
M1 M2 =lovisto
y p en
M1la observacion
M2 , entoncesanterior,
M1 Mp2
=p (S1 S S+
2 ) S+ p.
Ademas,
1
2
1
2 y
entonces Mpor
1 M2 = (S1 + S2 ) + p2 .
Entonces, aplicando el teorema de la dimension para subespacios,
tenemos que dim(M1 M2) = dim(S1 + S2)
= dim(S1) + dim(S2) dim(S1 S2)
= dim(M1) + dim(M2) dim(M1 M2).
ii) Si M1 M2 = , entonces p1 p2 / S1 + S2 , con
lo que dim(M1 M2)

dim(S1 + S2 + < p1 p2

dim(S1 + S2) + 1
dim(S1) + dim(S2) dim(S1 S2) + 1

>)
=
=

dim(M1) + dim(M2) dim(S1 S2) + 1.

9.3
Variedades lineales en espacios con producto
interno
Para terminar, estudiaremos variedades lineales en espacios eucldeos (es
decir, R-espacios vectoriales con producto interno). El hecho de que en el
espacio este definido un producto interno permite extender las nociones de
perpendicularidad, angulo y distancia a variedades lineales, lo que a su vez
posibilita el estudio de problemas geometricos.

9.3.1

Ortogonalidad de variedades lineales

Deftnicion
9.19S Sea
(V, (, )) un espacio
M1 = S1 lineales
+ p1 y M
S
+ p2que
(con
de Veucldeo.
y p1, p2 VSean
) variedades
en2 V=.
2 dice
1 , S2 subespacios
Se
2 son ortogonales si S1 S2, es decir, si s1 S1 , s2 S2, se
tiene
que (s1,Ms12)y=M0.
Si M = S + p es una variedad lineal en un espacio eucldeo V de dimension
finita y q V , se puede considerar la variedad lineal ortogonal a M de dimensi
on maxima que pasa por q
(por ejemplo, si q = 0, esta variedad lineal es S):
Deftnicion
9.20lineal
Sea (V,
(, )) un
de dimension
finita,
seapor
M el
V
una
variey lineal
sea
q espacio
V . El eucldeo
complemento
ortogonal
a M
punto
q esdad
la variedad

Mq = S + q, donde S es el subespacio de V asociado a M .

Escribiremos M para denotar al complemento ortogonal a M por q = 0.
Ejemplos.
1. Sea L = < (1, 2, 3) > + (1, 5, 4) R3. Hallar L .
(1,1,2
Por la definicion, se tiene que
/ ((x, y,) z), (1, 2, 3)) = 0} + (1, 1, 2)
(1,1,2)

L 3
R

2. Hallar
(1,0,1
Se tiene)
que

= {(x, y, z)

{(x, y, z) R3 / x + 2y + 3z = 0} + (1, 1, 2)

{(x, y, z) R3 / x + 2y + 3z = 9}.

siendo = {(x, y, z) R3 / 3x 2y + z = 7}.

= {(x, y, z) R3 / 3x 2y + z = 0} + (0, 0, 7)

= {(x, y, z) R3 / ((x, y, z), (3, 2, 1)) = 0} + (0, 0, 7)

Entonces

= < (3, 2, 1) > + (0, 0, 7).

.
.
= < (3, 2, 1) > + (0, 0, 1) = < (3, 2, 1) > + (0, 0, 1).
(1,0,1)

9.3.2 A ngulo entre rectas y planos

Utilizando el concepto de angulo entre vectores introducido en la Seccion 8.1.4
podemos definir el angulo entre dos rectas en un espacio eucldeo como sigue:
Deftnicion
9.21
Sea (V, (, )) un espacio eucldeo y sean L1 = < v1 >+p1 y L2
=
< v2L>+p
2 , con v1 , v2 V no nulos, dos rectas en V . Se define el angulo
entre
1 y L2 como el (unico)

numero real comprendido entre2 0 y

que coincide con el angulo entre v1 y v2
o con el angulo
entre v1 y v2.

9.3 Variedades lineales en espacios con producto interno

241

Esta nocion nos permite a su vez definir el angulo entre una recta y un
plano, y el angulo entre dos planos, en un espacio eucldeo de dimension 3:
Deftnicion 9.22 Sea (V, (, )) un espacio eucldeo con dim V = 3.

Sean
L una recta y un plano en V . Si es el angulo entre las rectas L y
, se define el angulo entre L y como
.
Sean
11 y 22 planos en 2V. Se define el angulo entre 1 y 2 como el
angulo entre las rectas y .

9.3.3 Distancia de un punto a una variedad lineal

Deftnicion
9.23
unqespacio
dimension
Sea M una
variedad
lineal
en Sea
V yV
sea
V . Seeucldeo
define lade
distancia
de q finita.
a M como
d(q, M ) = inf{d(q, z) / z M}.
Aplicando
los
resultados
vistos
la Seccion
8.2.
4,Mpodemos
probar
si qqr
V
M es
una
variedad
lineal
en V en
, existe
un punto
qr
tal que d(q,
M )que
= d(q,
) yydar
una
formula
para su calculo:
Observacion
9.24
de la definicion anterior, si M = S + p con S
un subes- pacio
de Con
V y pla
notacion
V , entonces
d(q, M ) = inf{d(q, z) / z M} = inf{d(q, s + p) / s S}
=

inf{"q (s + p)" / s S} = inf{"q p s" / s S} = d(q p, S)

d(q p, pS (q p)) = "pS (q p)",

donde pS y pS denotan las proyecciones ortogonales sobre S y S

respectivamente.
Notar que lo que se hizo es trasladar el problema al 0, o sea, restarle p a
todos los puntos de la variedad y a q, y entonces calcular la distancia de un
vector a un subespacio.
De las igualdades de la observacion anterior se deduce que d(q, M ) = "q (pS
(q p) + p)"
y, como pS (q p) + p M , concluimos que este es el punto de M mas cercano
a q.

Finalmente observamos que se puede probar que,

q si M es el complemento
ortogonal a
M por q, entonces qM M = {pS (q p) + p}.
Ejemplo. Calcular la distancia de (1, 2, 4) a M = < (1, 1, 0), (0, 1, 0) > + (5,
1, 2).
Se0,tiene
< (1, 1,
0), cada
(0, 1,(x,
0) y,
> z)
eselR3subespacio
M z).
y SDe
=
<
(0,
1)
>.que
Por Slo=tanto,
para
vale pS (x,asociado
y, z) = (0,a 0,
acuerdo
a la
observacion
anterior,
d((1, 2, 3), M ) = "pS ((1, 2, 4) (5, 1, 2))" = "(0, 0, 2)" = 2.

9.3.4 Distancia entre variedades lineales

Para terminar, estudiaremos la nocion de distancia entre variedades
lineales. Comenzamos con un ejemplo:
Ejemplo. Sean L1 y L2 las rectas definidas en R3 como
L1 = {(x1, x2, x3) R3 / x1 = 1, x2 = 1} y L2 = {(x1, x2, x3) R3 / x1 = 2, x3
= 4}.
La distancia d(L1, L2) entre L1 y L2 puede definirse como el nfimo de las
distancias
d(m1, m2) con m1 L1, m2 L2. Entonces
d(L1, L2)

= inf{d(m1, m2) / m1 L1, m2 L2}

= inf{d((1, 1, ), (2, , 4)) : , R}
,
= inf{ 1 + (1 )2 + ( 4)2 : , R}
= 1.

Mas aun, el conjunto posee mnimo, el cual se alcanza para = 4,

= 1. En conclusion,
d(L1, L2) coincide con la distancia entre los puntos (1, 1, 4) L1 y (2, 1, 4) L2.
En lo que sigue, veremos que lo que sucede en el ejemplo (es decir, que la
distancia entre L1 y L2 es la mnima de las distancias entre un punto de L1 y
un punto de L2 ) se da tambien para variedades lineales arbitrarias en espacios
eucldeos de dimension finita. Damos entonces la siguiente definicion:
Deftnicion 9.25 Sea (V, (, )) un espacio eucldeo de dimension finita. Sean
M1 y M2 var- iedades lineales en V . Se define la distancia entre M1 y M2
como
d(M1, M2) = inf{d(m1, m2) / m1 M1, m2 M2}.
Veamos que, dadas dos variedades lineales M1 y M2 es un espacio eucldeo
V , existen
m1 M1 y m2 M2 tales que d(m1, m2) = d(M1, M2):
Supongamos que M1 = S1 +p1 y M2 = S2 +p2, con S1 y S2 subespacios de V y
p 1, p 2 V .
Consideremos el subespacio S = S1 + S2 . Como S S = V , existen u
nicos v S y
u S tales que

p1 p2 = v + u.

A continuacion mostraremos que d(M1 , M2 ) = "u".

i) En primer lugar, veamos que el elemento u S no depende de los puntos p1
M1 y
pr2 M2, es decir, que si M1 = S1 + pr y M2 = S2 + pr , entonces pr pr =
v + u con
1

vr S:

r
Como p1 r M1 = S1 + p1 y
2 p M2 = S2 + p2,
1 S1 y 2 S2 tales que
r
existen
s
sr
1 = s1 + p1 y p2 = s2 + p2. Entonces
r
r
r
r
p
+ u,
1 p2 = s1 + p1 s2 p2 = s1 s2 + (p1 p2) = s1 s2
+v+u=v
r
r
r
r
r
r
r
pr
r

donde vr = sr sr + v S.
1

9.3 Variedades lineales en espacios con producto interno

243

ii) Veamos ahora que d(x, y) "u" para cada x M1, y M2:
Por i), para x M1 , y M2 se tiene que x y = vxy + u, para algun vxy S.
Entonces
"x y"2 = "vxy "2 + "u" 2 "u"
y, en consecuencia, d(x, y) "u".
iii)

Finalmente veamos que existen m1 M1 y m2 M2 tales que d(m1, m2) =

"u":
Sea
como al
que
p2s=
v + u. Como v S =
S1 + vS2, Sexisten
s1 comienzo,
S1 y s2 esS2decir,
talestal
que
v =p1s1+
2.
Sean m1 = s1 + p1 M1 y m2 = s2 + p2 M2. Entonces
d(m1, m2)

"m1 m2" = " s1 + p1 p2 s2"

"(p1 p2) (s1 + s2)" = "v + u v" = "u".

Observamos que, como consecuencia de ii) y iii), resulta que

d(M1, M2) = "u" = d(m1, m2),
con m1 M1 y m2 M2 los puntos definidos
en iii) y u = pS (p1 p2), donde pS
es la proyeccion ortogonal sobre S .
Hemos demostrado entonces el siguiente resultado:
Proposicion
Sea
(V,
(, )) un espacio
de dimension
finita
y
sean M1 lineales
=9.26
S1 +
p1 yV
M
Seucldeo
2 = S2 + pd(M
2, con
1 , S2 subespacios de
variedades
en
. Entonces
pV2)y".p1, p2 V ,
1, M2) = "p(S1+S2) (p1
Ejemplo. Hallar la distancia entre las rectas L1 y L2 en R3, siendo
L1 = < (1, 2, 1) > + (1, 7, 2)y L2 = < (2, 1, 1) > + (0, 0, 1).
Consideremos el subespacio S = < (1, 2, 1), (2, 1, 1) >, que es la suma de
los subespacios asociados a L1 y L2.
Se tiene que
S = .
3 ,
(x, y, z)
: x + 2y + z
R
2x + y + z
=0
=0
Buscamos u = pS ((1, 7, 2) (0, 0, 1)):
(1, 7, 1), (1, 1,
3))

= < (1, 1, 3) >.

. 5

15 .

(1, 1, 3) 11
,
.
=
"(1, 1, 3)
, 11 11
"
2

5 5 15 . 5 11

d(L1, L2) =
.
., ,

11 11 11 = 11

u = pS (1, 7, 1)
(
=
En consecuencia,

9.4

Ejercicios

Ejercicio 1. Sea V un K-espacio vectorial y sean p, q V . Si M es la recta que

pasa por p
y q, probar la validez de las siguientes afirmaciones:

i) Si M r V es una variedad lineal tal que p, q M r entonces M

M r . ii) M = {.q + .p / , K ; + = 1}
Ejercicio 2. Probar que cada uno de los siguientes conjuntos son variedades
lineales y calcular su dimension:
i) M1 = {(x1, x2, x3) R3 / 2.x1 x3 = 1 y x2 + x3 = 2}
ii) M2 = {(1, 2, 3)} R3
iii) M3 = {P Q 3 [X] / P r (2)
= 1} iv) M4 = {A C22 /
tr(A) = 5}
Ejercicio 3.
i) Sea L R3 la recta que pasa por los puntos (2, 1, 0) y (1, 3, 1). Hallar
una variedad lineal M de dimension 2 que contenga a L. Es M unica?
ii) Sea
= {(x
, x3) R3lineal
/ 2.x1Mx2 R
+x
3 3 = 1} y sea L = < (0, 1, 1) > +(1, 1,
1, x2variedad
0). Hallar
una
de dimension 2 tal que M = L.
Ejercicio 4. Determinar la dimension de la variedad lineal
.
M = (x1 , x2 , x3 ) R3 / x1 x2 + 3.x3 = 0, 2.x1 + x2 + x3 = 1, x1 + x2 +
.
a.x3 = 0
de acuerdo a los distintos valores de a R.
Ejercicio 5. Hallar ecuaciones implcitas para las siguientes
variedades lineales: i) M = < (1, 2, 1), (2, 0, 1) > + (1, 1, 1) R3.
ii) M R4 la mnima variedad que contiene a (1, 1, 2, 0), (2, 1, 1, 0) y (1, 0, 4,
1).
Ejercicio 6. Sea L = < (2, 1, 1) > + (0, 1, 1) R3.
i) Hallar un plano tal que 0 y L .
ii) Existira un plano r tal que L r , 0 r y (0, 0, 1) r simultaneamente?

9.4 Ejercicios

24
5

Ejercicio 7.
i) Encontrar en R3 dos rectas alabeadas que pasen por (1, 2, 1) y (2, 1, 1)
respectivamente.
ii) Encontrar en R4 dos planos alabeados que pasen por (1, 1, 1, 0) y (0, 1, 1, 1)
respectiva- mente.
iii)
Hay planos alabeados en R3 ? Mas generalmente, si V es un Kespacio vectorial de dimension n y M1 y M2 son variedades lineales
alabeadas en V , que se puede decir de sus dimensiones?
Ejercicio 8.
i) Sea S = < (2, 3) > R2. Hallar una recta L " S tal que (1, 1) L. Graficar.
ii) Sea
L1 =
1, 0) > + (0, 0, 1). Hallar una recta L2 " L1 que pase por el
punto
(<
1,(2,
3, 0).
iii)
Si L1 y L2 son las variedades de ii), hallar un plano R3 tal que L1
y L2 simultaneamente. Es unico?
iv)
Con las notaciones anteriores, hallar un plano r R3 tal que r
= L1 .
Ejercicio 9. En cada uno de los siguientes casos, decidir si las variedades
lineales M1 y M2
se cortan, son paralelas o alabeadas. En cada caso, hallar M1 M2, M1 M2 y
calcular todas
las dimensiones:
i) M1 = {(x1, x2, x3) R3 / x1 + x2 x3 = 1}
M2 = < (1, 0, 1) > + (0, 0, 3)
ii) M1 = < (1, 2, 1, 0), (1, 0, 0, 1) > + (1, 2, 2, 1)
M2 = < (1, 0, 1, 1), (2, 2, 1, 0) > + (1, 4, 2, 3)
iii) M1 = {(x1, x2, x3, x4) R4 / x1 x2 1 = x3 + x4 = 0}
M2 = {(x1, x2, x3, x4) R4 / x1 x2 = x2 + x3 + x4 1 = 0}
Ejercicio 10. Sean
M1 = < (1, 1, 1) > + (0, 2, 0) y M2 = {(x1, x2, x3) R3 / x1 + x2 x3 = x1
x2 + x3 = 1}.
i) Hallar planos 1 y 2 de R3 tales que M1 1 , M2 2 y 1 " 2 simult
aneamente.
ii) Hallar M1 M2 y M1 M2 y calcular sus dimensiones.

Ejercicio 11. Sean

L1

=
L2

.
(x1 , x2 , x3 ) R3 /x1 3.x3 = 0 , x2 x3 = 2 y
.
.
=
(x1 , x2 , x3 ) R3 /x1 6.x3 = 1 , x2 + 2.x3 = 0 .

Hallar una recta L R3 que pase por el punto (1, 0, 2) y corte a L1 y a L2.
3
Ejercicio
12.
A=
(1,A,1,B2)y yC Bformen
= (2, 0,
Sea =equilatero.
{(x1, x2, x3) R
x1 + x2
=
}. Hallar
C Sean
tal
que
un2).
triangulo
La/ solucio
n2es
unica?

Ejercicio 13. Se consideran en R2 las rectas dadas por las ecuaciones L1 : x2

= 0, L2 : x2 =
y L3 : x2 = , con y dos numeros no nulos y distintos entre s. Sean L
y Lr dos rectas
transversales a L1, L2 y L3. Probar que
d(L1 L, L2 L)
d(L1 Lr, L2 Lr )
.
=
d(L2 L, L3 L) d(L2 Lr, L3 Lr )
Este enunciado es una version del Teorema de Thales.
Ejercicio 14. Dado el triangulo P QR, se llama mediana correspondiente
al vertice P a la recta que pasa por dicho vertice y por el punto medio del
lado QR.
Se considera en R2 el triangulo cuyos vertices son P = (0, 0), Q = (c, 0) y
R = (a, b).
i) Probar que sus tres medianas se cortan en un punto M .
ii) Probar que si d(M, P ) = d(M, Q) = d(M, R), el triangulo P QR es equilatero.
Ejercicio 15. Un paralelogramo es un cuadrilatero tal que sus lados opuestos
son paralelos.
i) Probar que si el cuadrilatero dado en R2 por los puntos (0, 0), (a, b),
(c, d) y (e, 0) es un paralelogramo, el punto de interseccion de sus
diagonales es el punto medio de cada una de ellas.
ii) Bajo las mismas hipotesis de i), probar que si las diagonales son
perpendiculares, los cuatro lados son iguales.
Ejercicio 16. Sean A1, A2 y A3 en R3 tres puntos no alineados. Probar que el
conjunto
S = {x R3 / d(x, A1) = d(x, A2) = d(x, A3)}
es
una
ortogonal
1 , A2 y A3 . Calcular S en el
caso
A1 recta
= (1,
1, 0), A2al=plano
(0, 1,que
1) ycontiene
A3 = (1, a
1,A2).
Ejercicio
17.
Sea el
P :subespacio
R3 R3 laS proyeccion
interno
canonico,
sobre
= {(x1, x2, x3)ortogonal,
R3 / 2.x1para
x2 el
= producto
0}.

i) Encontrar una recta L R3 tal que P (L) = (1, 2, 1). Es unica?

2.x1 x2 =
ii) Encontrar una recta L R3 tal que P (L ) = L siendo L : ,
0
1
1
2
2
x
x =
.
0
1 3
Es unica?
Ejercicio 18. Hallar en Rn el complemento ortogonal a M que pasa por A,
la proyeccion ortogonal de A sobre M y d(A, M ) en los siguientes casos:
i) n = 2, M : x1 x2 = 2, A = (2, 3)
3.x1 + x3 = 1
ii) n = 3, M : ,
,
A = (1, 0, 0)
x1 x2 = 1
x x2 + x3 = 1
iii) n = 4, M : , 1
, A = (0, 2, 0, 1)

2.x1 3.x4 = 2
Ejercicio 19. Dado en R2 el triangulo de vertices A = (2, 3), B = (8, 5)
y C = (14, 11), hallar la longitud de la altura que pasa por el vertice A.
Ejercicio 20. Se consideran en R2 los puntos O = (0, 0), P = (a, b) y Q = (c, d).
Dichos puntos forman un triangulo isosceles con base P Q. Probar que la
altura correspondiente a la base corta a esta en su punto medio.
Ejercicio 21. Sean en R3 los puntos A1 = (1, 1, 0) y A2 = (1, 1, 1). Encontrar
tres hiperplanos H tales que d(A1, H) = d(A2, H).
Ejercicio 22.
i) Calcular el angulo entre las rectas de R2 definidas por L1 : x1 x2 = 1 y L2
: x1 +x2 = 3.
ii) Hallar una recta L3 tal que Ang(L1, L2) = Ang(L2, L3) y L1 L2 L3.
Ejercicio 23. Sea L R3 la recta L = < (1, 1, 1) > + (2, 1, 0). Encontrar un
plano R3
tal que (2, 1, 0) y Ang(L, )4 =

Ejercicio 24. Hallar la distancia entre M1 y M2 en los

siguientes casos: i) M1 = {(x1, x2, x3) R3 / x1 2.x2 + x3
= 1}
M2 = {(x1, x2, x3) R3 / x1 2.x2 + x3 = 3}
ii) M1 = {(x1, x2, x3) R3 / x1 + x2 = 1 , x1 x3 = 0}
M2 = {(x1, x2, x3) R3 / x1 + x2 + x3 = 0 , x3 = 1}
iii) M1 = < (1, 1, 0), (2, 1, 1) > + (1, 0, 0)
M2 = {(3, 0, 1)}
iv) M1 = {(x1, x2, x3, x4) R4 / x1 x2 + x3 = 2 , x2 2.x4 = 2}
M2 = {(x1, x2, x3, x4) R4 / x1 + x2 + x3 = 0 , x2 2.x4 = 8 , x1 x2 +
x4 = 5}

n
Ejercicio
Probar
que si M1 y M
de R
2 1son

dim M2 25.
y M
d(M
, M2)variedades
= d(P, M2) lineales
para todo
P con
[Link] M1
1 " M2, entonces
2
Ejercicio
[Link]
Searecta
en RL
L que
rla
Determinar
" Lrecta
tal que
d(L,pasa
Lr ) =por
2. los puntos (2, 1) y (5, 3).

Ejercicio 27. Sean en R3 la recta L = < (1, 1, 2) > y elpunto P = (1, 0, 2).
Encontrar un plano H ortogonal a L tal que d(P, H) = 6.
Ejercicio
28. Sean en R3 la recta
L = < (1,de
2,
2) >recta
+ (0,L2,
0) y el punto
P=
r ortogonal
(1,
implcitas
una
a L tal
que
d(P,2,
Lr2).
) =Encontrar
3 y LLr =ecuaciones
.
Es unica?
Ejercicio 29. Sean
M1 = {(x1, x2, x3) R3 / 2.x1 x2 + x3 = 1} y M2 = (1, 1, 1) + < (0, 1, 1), (1, 0,

2) >.
Hallar un plano H tal que Mi " H (i = 1, 2) y d(P1, H) = d(P2, H).
r
Ejercicio
L=
< (3,
r )4)
alabeada 30.
conSea
L, tal
que
d(L,0,L
=>2.+ (1, 1, 0). Encontrar una recta L

Ejercicio 31.
i) Construir una rotacion f : R3 R3 tal que f (M1 ) = M2 en cada uno de
los siguientes casos:
a) M1 = {(1, 2, 1)},M2 = {(1, 2, 1)}
b) M1 = {(x1, x2, x3) R3 / x1 x2 = 2, x3 = 1}
M2 = {(x1, x2, x3) R3 / x1 2.x2 = 1, 3.x2 x3 = 4}
c) M1 = {(x1, x2, x3) R3 / x1 x2 + x3 = 3}
M2 = {(x1, x2, x3) R3 / x1 x2 + x3 = 3}
3
3
ii) tales
Encontrar
M y M2 variedades
lineales
dimension
rotacion
f : Rde
RR3 de
queigual
cumpla
f (M1 ) =
M2 . que no1 haya ninguna

Ejercicio 32. Sean en R3 los planos 1 y 2 definidos por las ecuaciones:

1 : x2 x3 = 1 y

2 : x2 + x3 = 1.

Definir una transformacion ortogonal f : R3 R3 tal que f (1 ) = 2 y f (2 )

= 1 .
Ejercicio 33. Sea k R y sean 1 y 2 los planos en R3 definidos por
1 = {(x1, x2, x3) R3/ x1 x2 + 2x3 = k} y

2 = < (1, 0, 1), (0, 1, 2) > + (1, 1,

1).
Determinar k para que exista una simetra f : R3 R3 tal que f (1) = 2.
Para ese valor de k hallar dicha simetra y calcular f (2).

Captulo 10

Formas bilineales
Las formas bilineales son un caso particular de funciones multilineales que
tienen diversas aplicaciones. En este captulo solo daremos una breve
introduccion al tema para poder de- mostrar una caracterizacion de las
formas bilineales simetricas reales definidas positivas que se utiliza en el c
alculo de extremos de funciones multivariadas.

10.1

Definicion y ejemplos

Deftnicion 10.1 Sea V un K-espacio vectorial. Una funcion : V V K es

una forma bilineal si:
i) (v + vr, w) = (v, w) + (vr, w) v, vr, w V .
ii) (v, w) = . (v, w) K, v, w V .
iii)
(v, w + wr ) = (v, w) + (v, wr ) v, w, wr V .
iv)
(v, .w) = . (v, w) K, v, w V .
Notar que el nombre bilineal deriva del hecho que, cuando se fija cualquiera
de las variables, la funcion resulta lineal en la otra.
Ejemplos. Se puede probar facilmente que:
1. Los productos internos reales son formas bilineales.
2. Sea
V un K espacio vectorialEntonces
y sean f1 : V
K Vy
f2 :KV definida
K
transformaciones
:V
por (v, w)
= f1(v). f2(w) es unalineales.
forma
bilineal.
3. Sea A Knn. Entonces : K n K n K, (x, y) = x. A. y t, es una forma
bilineal.

25
0

Formas bilineales

4. Sea : R2 R2 R definida por (x, y) = x1y1 + x2y1 + x1y2 + 3x2y2.

Vemos que
(x, y)
(x1, x2).

.
=

x1.(y1 + y2) + x2.(y1 + 3y2) =

y1 + y2

y1 + 3y2

.
. . 1 .
y ,
(x1, x2) 1 1
y2
1 3
de donde resulta ser una forma bilineal como las del ejemplo anterior.
=

10.2

Matriz de una forma bilineal

Al igual que las transformaciones lineales y los productos internos, fijando una
base, las formas bilineales pueden caracterizarse por una matriz.
Deftnicion 10.2 Sea V un K-espacio vectorial de dimension finita y sea B
= {v1 , . . . , vn }
una base de V . Sea : V V K una forma bilineal. Se define la matriz de
en la base
B como
(||B )ij = (vi, vj )
1 i, j n.
Ejemplo. Para la forma bilineal
del ejemplo 4 anterior,
.
.
.si E es la
. base canonica
de R2 , se tiene
(e1, e1) (e1, e2)
1 1
.
=1 3
||E = (e , e ) (e , e )
2

La matriz de una forma bilineal en una base sirve, como en el caso de las
transformaciones lineales, para poder calcular el valor de la forma si
conocemos las coordenadas de los vectores en dicha base.
Proposicion 10.3 Sea V un K-espacio vectorial de dimension finita y sea B
= {v1 , . . . , vn }
una base de V . Sea : V V K una forma bilineal. Entonces, para cada x,
y V,
t

(x, y) = (x)B . ||B . (y)

B .
n

Demostracion. Sean x, y V . Supongamos que x =

Entonces

i=1

(x, y) = .

n
n.

i vi ,

j vj . =

i .(vi ,

j vj )

.
=

i vi e y =
j=1

j vj .

(vi, vj )j .

i
i=1

j=1

i=1

j=1

i=1

j=1

Por otro
lado
(x)
B . |
|B . (y)
| |

1. n .

(1, . . . , n).||B . .
=
.

n
n

i
i=1

..

.
n

i1

10.2 Matriz de una forma

.
.
.
.
bilineal
=
i .
(||B )ij j . =
i .
(vi , vj )j ..
i=1

j=1

i=1

j=1

25
1

En consecuencia, (x, y) = (x)B . |B|B . (y)t .

Observacion 10.4 Si A K nn es una matriz tal que x, y V vale (x)B B = (x,

y),
.A.(y)t
entonces Aij = (vi, vj ). En efecto,
t

(vi, vj ) = (vi)B . A.B(vj ) = eji. A. e = Aij .

Las matrices de cambio de bases nos permiten calcular la matriz de una
forma bilineal en distintas bases.
Proposicion
Sea V un K-espacio vectorial de dimension finita y
sean B1 y B10.5
2 bases de V . Sea : V V K una forma bilineal. Entonces
t
C(B2, B1) . ||B 1. C(B2, B1) = ||B .
Demostracion.

Sea A = C(B2 , B
)t .||B .C(B2 , B1 ).
11

Por la observacion

anterior, basta
t
verificar que (x)
2 B .A.(y) = (x, y) para todo par de vectores x, y V . Se tiene
que
t

(x)B2 .A.(y)B2 = (x)B2 .C(B2 , B1 ) .|t|B1 .C(B2 , B1 ).(y)B2 =

t
t
= .t C(B2 , B1 ).(x) . .||B . (y) = (x)B ||B
(y)
B2

B1

= (x, y).

B1

Notar que la matriz de cambio de base de la izquierda aparece transpuesta, lo

que es natural por la forma de calcular la forma bilineal en un par de vectores,
conocidas sus coordenadas.
Ejemplo. Sea : R2 R2 R la forma bilineal definida por
(x, y) = x1y1 + x1y2 + x2y1 + 3x2y2.
.
Si E es la base canonica de R2, vimos que |
|E =

1 3
=

{(1, 1), (1, 2)}.

.
. Calcular ||B para B

Este calculo puede hacerse de dos formas:

1. A partir de la definicion de matriz de una forma bilineal:
.
.
.
((1, 1), (1, 1)) ((1, 1), (1, 2))
6
=
||B = ((1, 2), (1, 1)) ((1, 2),
10 17
(1, 2))
2. Usando matrices de cambio de base:

||B
.
=

= C(B, E) . ||E . C(B, E)

1
. 1
1 2

11. 3 1

.
1 21 =
1
17

6
10

.
.

10

.
.

10.3
10.3.1

Formas bilineales simetricas

Definiciones y propiedades basicas

Las formas bilineales que nos interesan son las que no varan cuando se cambia
el orden de los vectores en los que se las calcula. Estas formas se llaman sim
etricas.
Deftnicion 10.6 Sea V un K-espacio vectorial. Una forma bilineal : V V K
se dice
simetrica si (x, y) = (y, x) x, y V .
Ejemplo. Un producto interno real es una forma bilineal simetrica.
A las formas bilineales simetricas les corresponden matrices simetricas:
Proposicion 10.7 Sea V un K-espacio vectorial de dimension finita y
sea : V V K
una forma bilineal. Sea B una base de V . Entonces
es simetrica ||B es simetrica.
Demostracion.
() Supongamos que es una forma bilineal simetrica. Entonces
(||B )ij = (vi, vj ) = (vj , vi) = (||B )ji.
() Sean x, y V . Entonces
(x, y) = (x)B . ||B .
tt
t
B = .(x)B . ||B . (y) .
(y)
B
t
t
= (y)B . || . (x) = (y)B . ||B . = (y, x).
t
(x)
B

A cada forma bilineal simetrica, se le asocia un subespacio nucleo de la

siguiente forma:
Deftnicion
10.8 Sea V unSeK-espacio
vectorial de
y sea como
: Nu()
V V {xK una
forma
el Nu()
nucleo
V /
(x,
y) bilineal
=
0 ysimetrica.
V }degenerada.
. En el casodefine
en que
= {0} sedice
que es =
una forma
bilineal
simetrica
2
2
Ejemplo. Sea : R R R la forma bilineal simetrica definida por
.
. . 1 .
y .
(x, y) = (x1, 12 24
y2
x2)
Se tiene
que

. 1.
x Nu() (x1 + 2x2, 2x1 + 4x2) y
= 0 (y1 , y2 )
y2
,
x1 + 2x2 = 0

+
= 0.
2x1 + 4x2 = 0
2x
2
x1
Luego, Nu() = < (2,
1) >.

25
3

10.3 Formas bilineales sim

etricas

Observacion 10.9 Sea : V V K una forma bilineal simetrica. Entonces:

1. Nu() es un subespacio de V .
2. Si dim V = n y B es una base de V , entonces
Nu() = {x V / (x)B . ||B .
= 0 y V } = {x V / (x)B . ||B = 0}
B
t
(y)
t
t
t
= {x V / ||B . (x)B = 0} = {x V / ||B . (x)B = 0}
= {x V / (x)B Nu(||)B }.
En consecuencia, dim Nu() = n rg(||B ).
A partir de este resultado, se define una nocion de rango de una forma bilineal
simetrica:
Deftnicion 10.10 Sea V un K-espacio vectorial de dimension finita. Sea :
V V K
una forma bilineal simetrica. Se define el rango de como
rg() = dim V dim Nu().
Notar que,
anterior, si B es cualquier base de V ,
entonces
rg()por
= la
rg(|observacion
|B ).

10.3.2 Diagonalizacion de formas bilineales simetricas

A
continuacion,
mostrara
un proceso
inductivo
algortmico
permite
diagonalizar
formasse
bilineales
simetricas
en cuerpos
arbitrarios
dondeque
2 =
0.
Proposicion
10.11 de
Sea
K un cuerpo
tal yque
2
= :0 Ven VK. Sea
V un
Kespacio
vectorial
dimension
finita,
seabase
K que
una
forma
bilineal
simetrica.
Entonces
existe
una
B
de
V
tal
|

|
es
B
diagonal.
Demostracion. Sea B0 = {v1 , . . . , vn } una base de V . Supongamos que

a11 a12 . . . a1n

a12

||B0 = .

..

M
a1n
donde M K (n1)(n1) es una matriz simetrica.
1. Si a11 = 0:

a11 a12 . . .

1
0 ... 0
a1n
1

.
a
12
a11
0
1

..
.1
a

na11
1

a12
.
.

.. . 0
.
a1n
0
...

..

.
0

a11
12

...

...

..
.
0

a1n

a1

..
.
1

a11
0

=
..

.
0

0 ... 0

con
Mr

Mr

simetrica.

Ahora se sigue diagonalizando M r .

2. Si a1i = 0 1 i n:

0 ... 0

y basta diagonalizar M .
.

Entonces ||B0 =
. .
M

3. Si a11 = 0 y existe i con 2 i n tal que a1i = 0, pueden pasar dos cosas:
i) Si1iaii = 0, se multiplica a izquierda y 1ai derecha
por la matriz elemental
P
se lo
obtiene
la matriz
.||B0 .P 1i tal que (P 1i .||B .P 1i )11 =
0 simetrica P
aii , ycon
que estamos
en
el primer caso.
ii) Si aii = 0, sea C(i) la matriz definida por
,
(i)
1 si k = A o k = i, A = 1
C
kA
0
si no
=
Entonces
((C (i) )testamos
.|0|B .C (i) )en
2.a1i ycaso,
la matriz
con Q
11 el=
lo que tambien
primer
pues 2es=simetrica,
0 en K.
Ejemplos.
1. Sea : R3 R3 R la forma bilineal simetrica tal que

0 1 1
||E = 1 1 0 .
1 0 0
Hallar una base B de R3 tal que la matriz ||B sea diagonal.
Siguiendo
el algoritmo
que
demuestra
la proposicion
estamos
12 pero
en el caso
a11 =
a22 = 0.
Multiplicandoanterior,
a izquierda
ya
derecha
poren
laque
matriz
P 0
obtenemos

0
P 12.||E .P 12 = 0 0

0
1 0 1

1 1 0

1 0 0

1 0 0 =
0 0 1

1 0 1
0 1 0 .

12 condiciones
Estamos
ahora
aplicar
el primer paso del algoritmo, ya
que tenemos
(Pen
.||E .P 12)11 = de
1 =
0. Luego

1 0
1

1 0 0
1

0 0
1 1 0
1 0 1 0
0 = 0 1 .
0
1

0 0 1
0 1 0
0 0 1
0 1 0
1

.
Ahora, nos basta diagonalizar el
bloque

1 0
1 1

1 0
condi-

ciones del paso 1, as que,

.

.
, que nuevamente satisface las

. .

. .
1 1
1
1 0
0 1

.
=
0 1

.
.

Por lo tanto, podemos resumir la operaciones efectuadas de la siguiente

forma:

1 1
12
11 1 0
0 .P 12.| E . P . 0 1
0 0 1
0 0
|

1 0 0
= 0 1 0 .
0 0 1

1 0

0 1 0
0

0 1 1

0 0
1 1 =
0 0 1

0
0

1 .

Por lo tanto, la base B de R3 que estamos buscando debe satisfacer que

1 1 0
1 0 0
0
1

1
12

C(B, E) = P .
01 0
.
0 1 1
= 1 1 1
0 0 1
0 0
0 0
1
1
y por lo tanto, la base B resulta ser B = {(0, 1, 0), (1, 1, 0), (1, 1, 1)}.
2. Sea : R3 R3 R la forma bilineal simetrica tal que

0 1 2
||E = 1 0 0 .
2 0 0
Hallar una base B de R3 tal que la matriz ||B sea diagonal.
En este caso, a11 = 0 pero a22 = 0. Como estamos en el caso 3. ii) del
algoritmo anterior, multiplicamos por las matrices C(2) y (C(2))t a
derecha y a izquiera respectivamente y obtenemos

0
0
0 1 0 .||E . 1 1 0 =
0 0 1
0 0 1

1 0 0
2 0 0 .

Luego, como estamos en el primer caso del algoritmo,

1 0
0
1

1 0 1 0
2
2
1 .
2 0
1 0 1
0

1 1
2

0 0 1
0

0
1

0
0 1

0
= 0

Diagonalizando ahora el bloque de 2 2 queda que

1 0

2 0

0
0 1 0 0 2
1
0 2
0 1
1

1 0 0

1 0 1
01
0 0
2

2 0

2 =
0

0 .
0

Como antes, si B es la base buscada, la matriz de cambio de base C(B, E)

resulta

1
1 0 0
1 1
1
1

0
2

2
1 0
0

C(B, E) =
1 1 0
0
0 1 2
=
1 1
2 ,
1
2
0
0 0 1
0 0
0 0
0 0
1
1
1
con lo que B = {(1, 1, 0), ( 1 , 1 , 0), (0, 2, 1)}.
2

10.4

Formas bilineales simetricas reales

10.4.1

Clasificacion

En lo que sigue daremos una clasificacion de formas bilineales simetricas reales

que se utiliza, entre otras cosas, para la clasificacion de extremos locales de
funciones multivariadas:
Deftnicion 10.12 Sea V un R-espacio vectorial. Una forma bilineal simetrica :
V V R
se dice:
i) Definida positiva si (x, x) > 0 x = 0.
ii) Semidefinida positiva si (x, x) 0 x V .
iii) Definida negativa si (x, x) < 0 x = 0.
iv) Semidefinida negativa si (x, x) 0 x V .
v) Indefinida si no vale ninguna de las condiciones anteriores.
Ejemplos.
i) : Rn Rn R, (x, y) = (x, y) es definida positiva.
ii) : Rn Rn R, (x, y) = x1y1 es semidefinida positiva.
iii) : Rn Rn R, (x, y) = (x, y) es definida negativa.
iv) : Rn Rn R, (x, y) = x1y1 es semidefinida negativa.
v) : Rn Rn R (n 2), (x, y) = x1y1 x2y2 es indefinida.
Todas las formas bilineales simetricas reales pueden diagonalizarse de una
forma especial:

25
7

10.4 Formas bilineales simetricas

reales

Teorema
10.13
Sea
V bilineal
un R-espacio
vectorial
de dimension
y sea
V
V |R
forma
Entonces
existe una n
base
B de V:
talque
|B una
es diagonal
con 1,simetrica.
1
y 0 en la diagonal, es decir,
(||B )ij = . 1 si 1 i r, j = i
( )
1 si r + 1 i s, j
= i
0 en otro caso
Demostracion. Sea B1 una base de V . Como es simetrica, ||B1 es sim
etrica. En conse- cuencia, es diagonalizable. Mas aun, existe una matriz
ortogonal O tal que
..

1
.

..

r+1
O . ||B . O =
con i > 0, i < 0.
1

s
0
. ..

Sea A Rnn la matriz definida por

1
i si 1 i r, j = i

1
si r + 1 i s, j = i
Aij = i
1
si i = j > s

0
en otro caso
Es facil ver que [Link] . |1|B . O.A tiene la forma del enunciado del teorema.
Puesto que O y A son ambas inversibles, entonces O.A es inversible. En
consecuencia, existe una base B tal que O.A = C(B, B1 ). Ademas, A.O t =
At .Ot = (O.A)t = C(B, B1 )t .
Por lo tanto
t

||B = C(B, B1) . ||B1. C(B, B1) = A.O . ||B . O.A

es de la forma ().

La cantidad de 1, la de 1 y la de 0 que aparecen en la diagonal cuando se

diagonaliza una forma bilineal simetrica real son invariantes asociados a la forma
bilineal.
Teorema 10.14 Sea : V V R una forma bilineal simetrica. Sean
B1
B2

=
=

{v1, . . . , vr, vr+1, . . . , vs, vs+1, . . . , vn}

{w1 , . . . , wt , wt+1 , . . . , wA , wA+1 , . . . , wn }

bases de V tales
que

(||B1 )ij
= (||B2 )ij

1
1
0
.
1
1
0

si 1 i r, j = i
si r + 1 i s, j = i
en otro caso
si 1 i t, j = i
si t + 1 i A, j = i
en otro caso

=
Entonces r = t y s
= A.

Demostracion.
Sabemos que rg(||B ) = dim V dim Nu() para
cualquier base B de
V . Entonces s = rg(||B1 ) = rg(||B2 ) = A. Mas aun, Nu() = <
vs+1 , . . . , vn > =
< wA+1 , . . . , wn >.
Consideremos
V + un subespacio de V de dimension maxima tal que es definida
positiva.
|V +V +

V un subespacio de V de dimension maxima tal que es definida

|
negativa.
V V

Veamos que V V
Nu(): i) V + (V +
Nu()) = {0}:
Supongamos que x V + y x = x1 + x2 con x1 V y x2 Nu(). Entonces
(x, x) = (x1 + x2, x1 + x2) = (x1, x1) + 2 (x1, x2) + (x2, x2).
, (x , x ) 0, y como x Nu(), (x , x ) = (x , x ) =
Como
x1 V (x,
2
2
0. Entonces
x)1 10. Pero x V +, con
lo que (x,1 x)2 > 0 o x 2= 0.
En consecuencia, x = 0.

ii) V (V + + Nu()) = {0}:

Se prueba de la misma manera que el caso anterior.
iii) Nu() (V + + V ) = {0}:
Supongamos que x Nu() y x = x1 + x2 con x1 V +, x2 V . Entonces
0
0

=
=

(x, x1) = (x1 + x2, x1) = (x1, x1) + (x2, x1),

(x, x2) = (x1 + x2, x2) = (x1, x2) + (x2, x2),

y como (x1, x2) = (x2, x1), resulta que (x1, x1) = (x2, x2).
Puesto que x1 V + y x2 V se tiene que (x1, x1) 0 y (x2, x2) 0, con
lo cual debe ser
(x1, x1) = (x2, x2) = 0.
Luego, x1 = x2 = 0 y entonces x = 0.

Observamos que si S = < v1, . . . , vr >, entonces

|SS
puesto que
r

. . ivi, r v . r
. j j

.
=
i=1

j=1

es definida positiva,

2
r
r
. j (vi, vj . > 0
) =
j=1

i=1

i=1

si
algun i = 0. Como V + tiene dimension maxima entre los +
subespacios
dim S = r. en los cuales la restriccion de es definida positiva, dim V
De la misma manera resulta que dim V dim < vr+1, . . . , vs > = s r.
En consecuencia se tiene que
n dim(V + V Nu) = dim V + + dim V + dim Nu() r + (s r) + (n
s) = n,
de donde se desprende que V + V Nu = V , dim V + = r y dim V = s r.
Considerando la base B2 se obtiene dim V + = t y dim V = A t.
Por lo tanto, r = t.

Observacion 10.15 Los subespacios V + y V que aparecen en la demostracion

anterior no son unicos.
Por ejemplo, para la forma bilineal : R2 R2 R tal que
||E = tomarse V + = < (1, 0) > o V + = < (1, 1) >.

podr
1 0 a
.
0 0

Lapuede
clasificacion
de a
formas
introducida
comienzo
secci
on
efecpartir bilineales
de las cantidades
de 1,alde
1 y de 0deenesta
la matriz
diagonal
dada
portuarse
el Teorema
10.13:
Observacion 10.16 Sea V es un R-espacio vectorial de dimension n, y sea : V

V R
una forma bilineal simetrica. Si B es una base de V tal que ||B es de la forma
(), entonces:
i) es definida positiva r = n.
ii) es semidefinida positiva r < n y s = r.
iii)

es definida negativa r = 0 y s = n.

iv)

es semidefinida negativa r = 0 y s < n.

v) es indefinida 0 < r < s.

La suma de la cantidad de 1 y la de 1 en una matriz de la forma () es el
rango de la forma bilineal . Definimos a continuacion otro invariante que, junto
con el rango, permite clasificar formas bilineales simetricas reales:

260

Formas bilineales

Deftnicion 10.17 Sea V un espacio vectorial real y sea : V V R una forma

bilineal
simetrica tal que para una base B
(||B )ij = . 1 si 1 i r, j = i
1 si r + 1 i s, j = i
0 si no
Se
definede
la signatura
de como
la| diferencia
entre la cantidad de 1 y la
cantidad
1 que aparecen
en |
B , es decir
+
signatura() = dim V dim V = 2r s.

10.4.2 Formas bilineales definidas positivas

El hecho de que una forma bilineal simetrica real sea definida positiva se
relaciona con los signos de los autovectores de su matriz en una base.
Proposicion 10.18 Sea V un R-espacio vectorial de dimension n y sea
: V V R una forma bilineal simetrica. Sea B una base de V .
Entonces es definida positiva si y solo si
todos los autovalores de ||B Rnn son positivos.
Demostracion. Como A es una matriz simetrica, existe una matriz ortogonal
O Rnn tal que

1. . 0

.
t
.
.
O . A. O = .
,
.
. .
0 n
donde 1, . . . , n son los autovalores de A.
Sea Br = {v1, . . . , vn} una base de V tal que O = C(Br, B). Entonces

1 0
. .

. ..
||Br =
.
..
. .
0 n
() Para cada 1 i n, i = (vi, vi). Si es definida positiva, resulta i > 0 1 i
n.
n
.
() Supongamos que 1, . . . , n son positivos. Entonces, para cada x V , si x =
xivi,
se tiene
que

i=1

.
.0
.
.
(x, x) = (x1, . . . , xn).
.
=
x2 0,
.. .
.
..
.
. .
i i
i=1
0 n
xn
y vale (x, x) = 0 si y solo si xi = 0 1 i n, es decir, si y solo si x =
0.
En consecuencia, es definida positiva.
Q

Finalmente, estamos en condiciones de demostrar el criterio que permite

decidir si una forma bilineal simetrica real es definida positiva mediante el c
alculo de los menores principales de su matriz en una base.
Teorema
10.19n y
(Criterio
Sylvester)
Seaforma
V unbilineal
R-espacio
vectorial Sea
de
dimension
:deV
V esRdefinida
una
simetrica.
B una base de
Vsea
. Entonces
positiva si y
solo si todos
los menores principales de ||B Rnn son positivos.
Demostracion. Sea B = {v1 , . . . , vn } y denotemos por A =
(aij )1

a la matriz

n n

R
de en la base B.
i,j n

() Por induccion en n.
Es claro que vale para n = 1.
Supongamos que vale para n 1 y que V es un R-espacio vectorial de
dimension n.
Como es definida positiva, a11 = (v1, v1) > 0. Entonces, A se puede
triangular, en el sentido de las formas bilineales, como sigue:

1
0 ... 0

1
a1n
a12

..

a12

1
a11

.
.. .

.
.

a1

na11

. A.

...

a11
1

. . . a011

a11
0

.
=

..
..

0
1

... 0

..
.
...

1
Es facil ver que estas operaciones no cambian los menores principales. Por
lo tanto, el
i-esimo menor principal de A se obtiene multiplicando el (i 1)-esimo
menor principal
de M por a11.
a
a
Ahora, si S = < v2 12 . v1 , . . . , vn 1n . v1 >, entonces M es la matriz (sim
etrica) de
a11

a11

la forma bilineal |SS : S S R (que se obtiene al restringir a S S) en

la base a12
a
BS = {v2
. v1, . . . , vn 1n . v1}. Como
es definida positiva y dim S =
n 1,
a
a
11

11

|SS

por hipotesis inductiva, los menores principales de M son positivos.

Como ademas a11 > 0, resulta que todos los menores principales de A son
positivos. () Por induccion en n.
Para n = 1 no hay nada que hacer.
Supongamos que n > 1 y que el resultado vale para n 1.
El primer menor principal de A es positivo, es decir, a11 > 0. Entonces

a1n
1
0 ... 0
a
0
.
.
.
0
11

a12

... a
a
0
0
111
011
..
a12
.

1
. A.
.
.

a11
.
.
=

.. .

.
.

a1

na11
1

...

..
.

.
0

...

..

..
0

10.5 Ejercicios

263

Observar que todos los menores principales de M son positivos, puesto que
al multipli- carlos por a11 se obtienen menores principales de A, que son
positivos.
a
a
a
a
Si S = < v2 12 . v1, . . . , vn 1n . v1 > y BS = {v2 12 . v1, . . . , vn 1n . v1},
entonces
a11
a11
a11
a11
=
M
| |SS |BS . Por hipotesis
SS es definida positiva. Entonces existe
inductiva, |
r
una base B r = {w2 , . . . , wn } de S tal que|S|
S |B = In1 (ver Observacion
10.16). En
consecuenc

a11 0 . . . 0
ia,
0
||{v1 ,w2 ,...,wn } = .
..
0

1 ... 0
. . . . ..
.
.

.
... 0 1

con a11 > 0.

Luego, es definida positiva.

10.5

Ejercicios

Ejercicio 1. Probar que las siguientes funciones son formas bilineales:

i) : K n K n K definida por (x, y) = [Link] donde A Knn.
ii)
:VV
vectorial
y fK, definida
f V . por (v, w) = f1(v).f2(w) donde V es un K-espacio
iii) : K

mn

mn

K definida por (A, B) = tr(At.C.B) donde C Kmm.

Ejercicio 2. Determinar si las siguientes funciones son o no formas bilineales.

En caso afirmativo calcular su matriz en la base canonica correspondiente
y determinar si la forma bilineal es simetrica:
i) : R2 R2 R, (x, y) = 2.x1.y1 + 3.x2.y1 x2.y2
+ 3.x1.y2 ii) : R2 R2 R, (x, y) = x1.y1 x2.y1 +
2.x2.y2 + 2.x1.y2
iii) : C2 C2 C, (x, y) = (1 + i).x1.y1 + x2.y1 + (1 i).x2.y2 3.x1.y2
iv) : R2 R2 R, (x, y) = x2 + x2.y1 + x1.y2 x2
1

v) : R3 R3 R, (x, y) = 2.x1.y1 + x3.y3 x1.y3 x3.y1

vi) : C3 C3 C, (x, y) = x1.y1 + (2 + i).x2.y1 + 2.x2.y2 + (2 + i).x1.y2
+ x1.y3

x3.y1 x3.y3
vii) : R3 R3 R, (x, y) = (3x1 + x2 x3).(4y2 + 2y3)

Ejercicio 3.
i) Para las formas bilineales sobre R3 del ejercicio anterior, calcular su matriz
en la base
{(1, 2, 4), (2, 1, 0), (1, 2, 0)}.
ii) Para las formas bilineales simetricas del ejercicio anterior calcular su nu
cleo.
Ejercicio 4. Hallar una forma bilineal simetrica en R3 tal que Nu() =< (1,
2, 1) > y ((1, 1, 1), (1, 1, 1)) < 0. Calcular la matriz de en la base can
onica.
Ejercicio 5. Para cada una de las formas bilineales reales siguientes hallar una
base ortonor- mal tal que la matriz de la forma bilineal en dicha base sea
diagonal y exhibir la matriz de la forma bilineal en esta base. Calcular signatura
y rango, decidir si es degenerada o no, definida (positiva o negativa),
semidefinida (positiva o negativa) o indefinida.

5
0 2
i) : R3 R3 R tal que ||E = 0
7 2
2 2 6
ii) : R4 R4 R definida por (x, y) = 2.x1.y1 + 2.x1.y3 + 2.x3.y1 x3.y3 x4.y4.
Para cada una de las formas bilineales simetricas reales dadas

Ejercicio 6.
en la base

canonica
poren
lasdicha
matrices
hallar
una
B en
tallaque
la matriz
de la
forma
bilineal
basesiguientes,
sea diagonal
con
1, base
1 y 0
diagonal.
Calcular
signatura
y rango,
decidir
si es degenerada o no, definida (positiva o negativa), semidefinida (positiva o
negativa) o indefinida.

1 2 3
i) 2 6 9
3

1
1
ii)
2
3

2 3
5 1

5 6
9
1 9 11
1
2

4
Ejercicio 7. Sea A Rnn una matriz simetrica. Probar que la forma bilineal
que tiene a A como matriz en la base canonica es definida negativa si y solo si
los signos de los menores principales de A van alternandose comenzando por un
signo menos.

Bibliografa
[1] Kenneth Hoffman, Ray A. Kunze, A lgebra lineal. Prentice-Hall
Hispanoamericana, Mexico, 1973.
[2] Serge Lang, Linear Algebra. 3rd. ed. Undergraduate texts in mathematics,
Springer, New York, 1987.
[3] A ngel Larotonda, A lgebra lineal y geometra. 2a. ed. Eudeba,
Buenos Aires, 1977.
[4] Elon Lages Lima, Algebra Linear. R. de J. Instituto de Matematica
Pura e Aplicada.
CNPq, 1998.
[5] Seymour Lipschutz, A lgebra lineal. 2a. ed. McGraw-Hill, 1992.
[6] Carl Meyer, Matrix analysis and applied linear algebra. SIAM,
Philadelphia, 2000.
[7] Ben Noble, D. Daniel James, Algebra lineal aplicada. Prentice-Hall
Hispanoamericana, Mexico, 1989.
[8] Gilbert Strang, A lgebra lineal y sus aplicaciones. Fondo
Educativo Interamericano, Mexico, 1982.

Indice Alfabetico

accion, 5
adjunta de una transformacion
lineal, 206
algebra, 50
angulo
entre dos planos,
241 entre dos
rectas, 240 entre
dos vectores, 194
entre una recta y un plano,
241 anillo, 3
conmutativo, 3
anulador
de la interseccion de
subespacios, 101 de la suma de
subespacios, 101
de un subespacio,
99 automorfismo, 68
autovalor
de una matriz, 135
de una transformacion lineal,
134 autovector
de una matriz, 135
de una transformacion lineal,
134
base, 27
canonica de K n ,
27 de Jordan
para una matriz, 168,
177
para una transformacion lineal,
168, 176 dual, 96
bloque de Jordan,
173 nilpotente,
165
combinacion lineal, 11
complemento
de un subespacio, 35
invariante de un subespacio,
155 ortogonal de un
subespacio, 201

ortogonal de una variedad lineal

por un punto, 240
conjunto
ortogonal, 195
ortonormal, 195
coordenadas
de un vector en una
base, 55 criterio de
Sylvester, 261
cuerpo, 4
determinante, 111
desarrollo por una columna,
117 desarrollo por una fila,
117
diagonalizacion simultanea, 162
diferencia simetrica, 2
dimension, 28
de una variedad lineal,
232 finita, 28
distancia, 193
de un punto a un subespacio, 204
de un punto a una variedad lineal,
241 entre variedades lineales, 242
dominio de integridad, 4
elemento neutro, 2
endomorfismo, 68
epimorfismo, 68
equivalencia de
matrices, 82 escalar, 6
espacio
dual, 95
eucldeo, 190
unitario, 190
vectorial, 5
forma bilineal, 249

INDICE ALFABE TICO

simetrica, 252
forma bilineal sim
etrica
definida negativa, 256
definida positiva, 256
degenerada, 252
indefinida, 256
semidefinida negativa, 256
semidefinida positiva, 256
forma de Jordan, 175
nilpotente, 167
para una matriz, 168, 177
para una transformacion lineal,
168, 176
grupo, 2
abeliano, 2
lineal general,
51
hiperplano, 45, 233
HomK (V, W ), 83
homomorfismo, 65
identidades de polarizacion,
192
imagen de una transformacion lineal,
69, 70 independencia lineal, 24
ndice de
nilpotencia
de una matriz nilpotente,
164
de una transformacion lineal
nilpotente, 164
interseccion de variedades lineales,
235 inversa de una transformacion
lineal, 72 inverso de un elemento, 2
isometra, 229
isomorfismo, 68
metodo de eliminacion de
Gauss, 14 metodo de
ortonormalizacion
de Gram-Schmidt, 198
matrices
canonicas, 47
elementales, 53
equivalentes, 82
multiplicacion por
bloques, 59 producto, 48
producto por escalares, 48
semejantes, 93, 133
suma, 48

267
matriz, 7, 47
adjunta, 120
ampliada de un sistema no homog
eneo, 22
antisimetrica, 59
de cambio de base,
56 de Jordan, 175
de un producto interno,
194 de un sistema lineal,
20
de un sistema lineal homog
eneo, 13 de una forma
bilineal, 250
de una transformacion
lineal, 77 de Vandermonde,
123
diagonal, 59
diagonalizable, 134
escalar, 59
hermitiana, 209
identidad, 48
inversible, 51
nilpotente, 163
ortogonal, 212
simetrica, 59
triangular superior, 15, 59
unitaria, 212
monomorfismo, 68
morfismo, 65
multilineal alternada, 107
nucleo
de una forma bilineal sim
etrica, 252 de una matriz,
164
de una transformacion lineal,
68 norma de un vector, 191
operacion, 1
plano, 233
polinomio
caracterstico de una matriz, 136
caracterstico de una
transformacion lineal,
137
interpolador de Lagrange, 99, 105,
124 minimal de un vector, 146
minimal de una matriz, 143
minimal de una transformacion
lineal, 145

268
TICO

producto interno, 189

canonico en Cn ,
190 canonico en
Rn , 190
producto por escalares,
6
propiedad
asociativa, 2
conmutativa, 2
proyeccion ortogonal sobre un
subespacio, 203
proyector, 75
rango, 81
columna, 79
de una forma bilineal simetrica,
253 fila, 80
recta, 233
regla de Cramer, 121
rotacion, 216, 218
semejanza de matrices, 93, 133
signatura, 260
simetra, 216, 218
sistema de
generadores, 11
sistema lineal
homogeneo, 13
homogeneo asociado, 20
no homogeneo, 19
notacion matricial,
50 sistemas lineales
equivalentes, 13
subespacio, 8
asociado a una variedad lineal,
232 generado, 9
invariante, 153
submatriz, 124
sucesion de Fibonacci, 45,
158 suma
de subespacios, 31, 138
directa de subespacios, 34, 138
teorema de la dimensi
on
para la suma de subespacios,
33 para transformaciones
lineales, 73 para variedades
lineales, 239
teorema de Pitagoras,
195 teorema de Thales,
246

INDICE ALFABE

teorema del coseno,

194 transformacion
lineal, 65
autoadjunta, 209
diagonal, 134
diagonalizable, 134
inversa, 72
nilpotente, 88, 163
normal, 228
ortogonal, 212
transpuesta entre espacios
duales, 105 unitaria, 212
transformaciones
lineales composicion,
72
matriz de la composicion,
78 transpuesta de una matriz,
50 traza
de un endomorfismo,
90 de una matriz, 50
triangulacion, 14
variedad lineal, 231
generada por un conjunto de
vectores, 234
suma, 238
variedades
lineales
alabeadas, 237
ortogonales, 240
paralelas, 236
vector, 6
vectores ortogonales,
195
volumen de un paraleleppedo, 226

Gabriela Jeronimo
Departamento de Matematica, Facultad de Ciencias Exactas y
Naturales, Universidad de Buenos Aires
CONICET - Argentina
jeronimo@[Link]
Juan Sabia
Departamento de Ciencias Exactas, Ciclo Basico Comun,
Universidad de Buenos Aires
CONICET - Argentina
jsabia@[Link]
Susana Tesauri
Departamento de Matematica, Facultad de Ciencias Exactas y
Naturales,
Universidad de Buenos
Aires stesauri@[Link]