Pontificia Universidad Católica Madre y Maestra PUCMM-CSD

Facultad de Ciencias e Ingenierı́a

Escuela de Ciencias Naturales y Exactas
MAT-130. ÁLGEBRA LINEAL
Profesor: José Gregorio Del Rosario Rodrı́guez
Cuatrimestre Abril-Agosto 2025

Notas de Álgebra Lineal .

Matrices.

1. Escribir las siguientes matrices:

(a) A ∈ M2×3 , aij = i3 − j 2 + 1

(b) H ∈ M3×3 , hij = 2ij − (i + j)
(c) W ∈ M4×4 , wij = (−1)i+j

1,
 si i > j
(d) Q ∈ M4×4 , qij = 0, si i = j

−1, si i < j


2. Para las matrices del ejercicio anterior, calcular (si es posible):

(a) A + H
(b) AH
(c) HA
(d) H 2 − H + 2I3
(e) [T r(H)]H 2 − det(H T )

Sistemas de Ecuaciones Lineales.

1. Represente matricialmente cada sistema lineal siguiente:


3x − 4y + 5z − w + 2t = 1

(a) −x − 7y + 2w =0

6x + 3z − 9w + 2t = −3


1
 
2u + 6v + +8w + 5t = 9

(b) 4u + 4v + w − t = −1

2u − v + 2t = 0


2. Resolver cada sistema de ecuaciones por el método de Cramer.


x y 1
 4+3=2



(a)

 x y

 − =3
2 5
(
0.5x + 0.6 = 0.7
(b)
0.02x + 0.4y = 1

x − y + 3z = 17

(c) −x + y + z = 3

2x + z = 7


Aplicaciones de los Sistema de Ecuaciones Lineales.

1. Interpolación Lineal.
   
4 5
(a) Encuentre un polinomio que se ajuste a los puntos (−2, 7) , −1, − , 1, − .
2 2
1
Respuesta: p(x) = 3 − x + x2 .
2
(b) Encuentre un polinomio que se ajuste a los puntos (−2, 1), (−1, −3), (0, −1), (1, 3).

Respuesta: p(x) = x3 − 2x2 − x − 1.

2. Problemas de Mezclas.

(a) Un depósito A contiene 10 litros de agua y 5 litros de alcohol puro. Otro depósito
B contiene 12 litros de agua y 3 litros de alcohol. Hallar el números de litros que se
deben extraer de cada depósito para conseguir una solución de 8 litros que contenga
un 25%, en volumen, de alcohol.
Respuesta: Se deben extraer 3 litros del depósito A y 5 litros del depósito B.
(b) Un depósito A contiene 15 litros de agua y 5 litros de alcohol puro. Otro depósito
B contiene 12 litros de agua y 8 litros de alcohol. Hallar el números de litros que
se deben extraer de cada depósito para conseguir una solución de 10 litros que
contenga un 30%, en volumen, de alcohol.

2
Números Complejos.

1. Sean z y w, números complejos. Demostrar:

(a) z = z
(b) |z| = |z|
(c) |Re(z)| ≤ |z|
(d) |Im(z)| ≤ |z|
(e) z + w = z + w
(f) z − w = z − w
(g) zz = |z|2
(h) zw = z w
(i) (z)n = z n
z
(j) z −1 = 2
|z|
z
(k) = zw−1
w
(l) z −1 = (z)−1
z z
(m) =
w w
(n) z + z = 2Re(z)
(o) z − z = 2Im(z)
(p) zw + zw = 2Re(zw)
(q) |z + w| ≤ |z| + |w|
(r) |z − w| ≥ ||z| − |w||
(s) |zw| = |z||w|
z |z|
(t) =
w |w|
Demostración de (q).
Sean z, w ∈ C. Entonces, usando (g) y (h), se tiene:
|zw|2 = (zw)(zw) = (zw)(z w) = (zz)(ww) = |z|2 |w|2 = (|z||w|)2 .
Sacando raı́z cuadrada y tomando en cuenta que el módulo de un complejo nunca es
negativo, se obtiene:
q
|zw| = (|z||w|)2 ⇒ |zw| = |z||w|.
p
2

3
2. Probar que α es una raı́z de un polinomio p(z) con coeficientes reales, si y sólo si, su
complejo conjugado α, es también una raı́z.
3. Calcular (4 − 3i)5 aplicando la fórmula del Binomio de Newton.

4. Exprese cada número complejo siguiente en la forma exponencial z = reiθ y en la forma

trigonométrica z = r (cosθ + isenθ).
1 3
(a) z1 = − i
2 2
√ √
3 2 3 2
(b) z2 = − − i
2 2
(c) z3 = −1
√
(d) z4 = − 3 + i
(e) z5 = −i
(f) −1 − i

5. Utilizar la fórmula
√
 
θ + 2kπ θ + 2kπ
n
wk = r cos + isen , donde k = 0, 1, 2, · · · , n − 1,
n n

para hallar:
√
(a) Las raices cuadradas de z = 1 + 3i
√
(b) Las raices cuadradas de z = − 3 + i
(c) Las raices cúbicas de z = 1
(d) Las raices cúbicas de z = −1
(e) Las raices cúbicas de z = i
(f) Las raı́ces cuartas de z = −4
(g) Las raı́ces cuartas de z = −16

√
7
6. Exprese 3 + i en la forma rectangular z = x + yi.
√ π
Solución. Expresando w = 3 + i en la forma exponencial, se obtiene w = 2ei 6 . Por
tanto:
√ 7 √ 
7 i π6 7 7 i 7π 6 iπ i π6




z = (w) = 3 + i = 2e =2 e = 2 e
6 2e = −64 3+i
.

4
Métodos de Gauss y Gauss-Jordan.

1. Resolver los siguientes sistemas lineales por el método de Gauss.


4x − y = z = −3

(a) 3x + 3y + 2z = 4

−x + 2y + z = 5


Respuesta: x = −1, y = 1, z = 2.

x 1 + x 2 − x 3 + x 4 = 1

(b) 2x1 − x2 + 3x3 = 0

x1 + 2x2 − x4 = −1


Respuesta: x1 = 1 − t, x2 = −1 + t, x3 = −1 + t, x4 = t, t ∈ R.

2. Resolver los sistemas lineales (a) y (b) del ejercicio anterior por el método de Gauss-
Jordan.

Sistema de Ecuaciones Lineales con Coeficientes Complejos.

1. Resuelva los siguientes sistemas lineales con coeficientes complejos por los métodos:
(a) Sustitución, (b) Cramer.
(
2z1 + iz2 = 1
(a)
−3iz1 + 2iz2 = 4
(
+z (2 + i) w = −1,
(b)
z − (1 − 3i) w = 1
(
πz1 + (π + i) z2 = 1
(c)
z1 − πiz2 = π1

2. Resolver el siguiente sistema de ecuaciones lineales con coeficientes complejos utilizando:

(a) El método de Cramer, (b) El método de Gauss.

iu + v + 2iw = 0

u + iv − w = −1

iu + (1 − i) w = 2

9 7 21 1 5 14
Solución: u = − 13 − 13
i, v= 13
− 13
i, w= 13
+ 13
i

5
Determinantes.

Sea A ∈ Mn×n (K). El cofactor del elemento aij de A (o simplemente el cofactor ij), denotado
por Aij , está dado por:
Aij = (−1)i+j |Mij | ,
donde Mij es la submatriz de orden (n−1)×(n−1), que se obtiene de la matriz A, eliminando
el i-ésimo renglón y la j-ésima columna, y |Mij | su determinante.
Observe que: (
1, si i + j es par
(−1)i+j =
−1, si i + j es impar

Desarrollo de Laplace o Desarrollo por Cofactores de la Función Determinante.

(i) Desarrollo por cofactores en el i-ésimo renglón.

n
X n
X
det(A) = aij Aij = (−1)i+j aij |Mij |
j=1 j=1

(ii) Desarrollo por cofactores en la j-ésima columna.

n
X n
X
det(A) = aij Aij = (−1)i+j aij |Mij |
i=1 i=1

Ejercicios.
 
3 1 4
1. Calcular det(A), donde A =  4 2 −5.
−2 −1 1
(a) Desarrollando cofactores en la primera fila, (b) Desarrollando cofactores en la se-
gunda columna.

2. Utilizar las propiedades de los determinantes para calcular el siguiente determinante.

3 −1 2 1
4 3 1 −2
−1 0 2 −3
6 2 5 2

6
 3. Utilizar las propiedades de los determinantes para hallar el valor del siguiente determi-
nante. (Respuesta: 3263).

3 1 0 4 2
2 0 −1 −1 4
−2 4 0 5 1
0 2 4 4 7
6 3 1 −1 2

4. Sean α1 , α2 , α3 , números reales. Demostrar que:

1 α1 α12
1 α2 α22 = (α3 − α1 )(α3 − α2 )α2 − α1 )
1 α3 α32

Inversa de una Matriz Cuadrada. Método de la Adjunta.

Sea A ∈ Mn×n (K). Se dice que A es invertible, si existe una matriz ∈ Mn×n (K), tal que:

AH = HA = In×n .

Puede demostrarse fácilmente que si tal matriz H existe, entonces es única. (Demostrarlo).
Esta única matriz H se llama la inversa de A, y se le denota por A−1 , es decir, H = A−1 .

Propiedades de la Inversa.

(i) Si A, B ∈ Mn×n (K), son matrices invertibles, entonces la matriz AB es invertible, y

además, (AB)−1 = B −1 A−1 .

(ii) Si A ∈ Mn×n (K) es una matriz invertible, A−1 también es invertible, y (A−1 )−1 = A.

(iii) Si A ∈ Mn×n (K) es una matriz invertible, entonces AT también es invertible, y además
(AT )−1 = (A−1 )T .

(iv) Si α ̸= 0, y A es una matriz cuadrada invertible, entonces αA es invertible, y (αA)−1 =

1 −1
A .
α

7
Realizar los siguientes ejercicios.

(1) Demostrar cada una de las propiedades anteriores.

(2) Para cada matriz A siguiente, hallar: (a) Cof (A), (b) Adj(A), (c) A−1 .
 
2 0 1
(i) A =  1 −1 2 
3 0 4
Respuesta:
 
4/5 0 −1/5
A−1 =  −2/5 −1 3/5 
−3/5 0 2/5
 
3 1 2
(ii) A =  1 3 0 
2 −1 0
Respuesta:
 
0 1/7 3/7
A−1 = 0 2/7 −1/7 
1/2 −5/14 −4/7

Espacios Vectoriales.
Un conjunto no vacı́o E, se dice que es un espacio vectorial sobre un cuerpo K (abreviada-
mente, un K-espacio vectorial ), si están definidas en E dos operaciones:

(i) Una operación interna llamda suma.

⊕ : E × E −→ E
(⃗u, ⃗v ) 7−→ ⃗u ⊕ ⃗v
(ii) Una operación externa llamada producto por escalar.
⊙ : K × E −→ E
(λ, ⃗u) 7−→ λ ⊙ ⃗u

que satisfacen las siguientes condiciones:

1) ⃗u ⊕ (⃗v ⊕ w)
⃗ = (⃗u ⊕ ⃗v ) ⊕ w,
⃗ ∀⃗u, ⃗v , w
⃗ ∈ E.
2) ⃗u ⊕ ⃗v = ⃗v ⊕ ⃗u, ∀⃗u, ⃗v ∈ E.
3) Existe un elemento ⃗0E ∈ E, tal que ⃗u ⊕ ⃗0E = ⃗u, ∀⃗u ∈ E.
4) Para cada ⃗u ∈ E, existe −⃗u ∈ E, tal que ⃗u ⊕ (−⃗u) = ⃗0E .

8
 5) λ ⊙ (β ⊙ ⃗u) = (λβ) ⊙ ⃗u, ∀λ, β ∈ K, ∀⃗u ∈ E.
6) λ ⊙ (⃗u ⊕ ⃗v ) = (λ ⊙ ⃗u) ⊕ (λ ⊙ ⃗v ) , ∀λ ∈ K, ∀⃗u, ⃗v ∈ E.
7) (λ + β) ⊙ ⃗u = (λ ⊙ ⃗u) ⊕ (β ⊙ ⃗u), ∀λ, β ∈ K, ∀⃗u, ∈ E.
8) 1K ⊙ ⃗u = ⃗u, ∀⃗u, ∈ E.

A los elementos de E se les llama vectores, y a los elementos de K se les llama escalares.

Si K = R, E es un espacio vectorial real. Si K = C, E es un espacio vectorial complejo.

Ejemplos de Espacios Vectoriales.

1. Rn es un espacio vectorial real, con las siguientes operaciones:
(x1 , x2 , · · · , xn ) + (y1 , y2 , · · · , yn ) = (x1 + y1 , x2 + y2 , · · · , xn + yn )
λ (x1 , x2 , · · · , xn ) = (λx1 , λx2 , · · · , λxn )
Recuerde que Rn = {(x1 , x2 , · · · , xn ) : x1 , x2 , · · · , xn ∈ R}.

2. Cn es un espacio vectorial sobre K, con las siguientes operaciones:

(z1 , z2 , · · · , zn ) + (w1 , w2 , · · · , wn ) = (z1 + w1 , z2 + w2 , · · · , zn + wn )
λ (z1 , z2 , · · · , zn ) = (λz1 , λz2 , · · · , λzn )
Recuerde que Cn = {(z1 , z2 , · · · , zn ) : z1 , z2 , · · · , zn ∈ C}.

3. Mn×m (K) es espacio vectorial sobre K con las operaciones suma y producto por escalar
usuales.

4. PnR [x] = {a0 + a1 x + a2 x2 + · · · + an xn : ai ∈ R, i ∈ {0, 1, 2, · · · , n}}, es decir, el con-

junto de polinomios con coeficientes reales de grado menor o igual que n, en la variable
x, es un espacio vectorial, con la suma y el producto por escalar habituales.

5. C ([a, b], R) = {f : [a, b] −→ R : f es continua}, es un espacio vectorial con la suma y el

producto escalar usuales.

6. R∞ = ⃗u = (an )n∈N : an ∈ R, ∀n ∈ N es un espacio vectorial real, con las siguientes



operaciones (operaciones usuales):

(a1 , a2 , · · · , an , · · · ) + (b1 , b2 , · · · , bn , · · · ) = (a1 + b1 , a2 + b2 , · · · , an + bn , · · · )
λ (a1 , a2 , · · · , an , · · · ) = (λa1 , λa2 , · · · , λan , · · · )

9
Subespacios Vectoriales.
Sean E un espacio vectorial y S un subconjunto no vacı́o de E. S es un subespacio vectorial
de E, o simplemente un subespacio de E, si S, con las mismas operaciones suma y producto
por un escalar, restringidas a los elementos de S, es tambien un espacio vectorial. Usaremos
la notacion S ≤ E para indicar que S es un subespacio de E.

Teorema 1. Un subconjunto no vacı́o S de un espacio vectorial E, es un subespacio de E,

si se cumplen las dos reglas de cerradura siguientes:

(i) Si ⃗u ∈ S y ⃗v ∈ S, entonces ⃗u + ⃗v ∈ S.
(ii) Si ⃗u ∈ S, entonces α⃗u ∈ S, para todo escalar α ∈ K.

Teorema 2. Sea E un espacio vectorial y S, H subespacios de E, entonces S ∩ H es un

subespacio vectorial de E.

Ejercicios.

1. Demostrar que el conjunto de puntos de R2 que están sobre una recta que pasa por el
origen constituye un subespacio vectorial de R2 .
2. Demostrar que el conjunto de puntos de R3 que están sobre una recta que pasa por el
origen constituye un subespacio vectorial de R3 .
3. Demostrar que el conjunto de puntos de R3 que están sobre un plano que pasa por el
origen constituye un subespacio vectorial de R3 .
   
0 a
4. Determine si el conjunto H = A ∈ M2×2 : A = : a, b ∈ R es un subespacio
b 0
vectorial de M2×2 (R).
n o
5. Sea A una matriz de orden n × m, y sea H = ⃗x ∈ Rn : A⃗x = ⃗0Rm . Demuestre que H
es un subesespacio vectorial de Rn . H se llama espacio nulo de la matriz A.
6. Determine si el conjunto H = {p ∈ P4R [x] : p(0) = 0} es un subespacio vectorial de P4R [x].
7. Demostrar que S = {f : R −→ R : f es par} es un subespacio vectorial de F (R).
8. Demostrar que S = {f : R −→ R : f es impar} es un subespacio vectorial de F (R).
9. Determine si el conjunto H = {f ∈ C 1 [0, 1] : f ′ (0) = 0} es un subespacio vectorial de
C 1 [a, b].
10. Determine si el conjunto S = {f : αf ′′ + βf ′ + γf = θ} es un subespacio vectorial de
C 2 [0, 1]. [θ es la función constante cero en C 2 [0, 1]].

10
Suma de Subespacios.
Sea E un espacio vectorial y S, H subespacios de E. Se define el conjunto suma de los
subespacios S y H, como:

S + H = {⃗u + ⃗v : ⃗u ∈ S, ⃗v ∈ H}

Demostrar que S + H ≤ E.

Suma Directa de Subespacios.

Dado un espacio vectorial E y k subespacios Si ≤ E, se dice que E es la suma directa de
estos subespacios, lo cual de denota por

E = S1 ⊕ S2 ⊕ · · · ⊕ Sk ,

si:

(i) E = S1 + S2 + · · · + Sk , es decir, todo vector w

⃗ ∈ E tiene la forma

⃗ = u⃗1 + u⃗2 + · · · + u⃗k ,

w
con ⃗ui ∈ Si , para cada i = 1, 2, · · · , k.
n o
(ii) Si ∩ (S1 + S2 + · · · + Si−1 ) = ⃗0E , ∀i : 2 ≤ i ≤ k

Teorema 3. E es la suma directa de los subespacios S1 , S2 , · · · , Sk , si y sólo si, todo vector

⃗ ∈ E se puede expresar de manera única como:
w

⃗ = u⃗1 + u⃗2 + · · · + u⃗k ,

w
con ⃗ui ∈ Si , i = 1, 2, · · · , k.

Ejercicios.
a) En el espacio vectorial R3 , sean S1 el plano xy, S2 el plano yz, y S3 el eje z. Demuestre
que R3 = S1 + S2 y R3 = S1 ⊕ S3
b) Sean S1 el conjunto de matrices cuadradas simétricas de orden n × n, y S2 el conjunto
de matrices cuadradas antisimétricas de orden n × n.
i) Demostrar que S1 y S2 son subespacios vectoriales de Mn×n .
ii) Demostrar que Mn×n = S1 ⊕ S2 .

11
Variedades Afines.
Sea E un espacio vectorial sobre el cuerpo K, y W un subespacio de E. Para cualquier vector
⃗v ∈ E, definimos v + W como el conjunto:

v + W = {v + w : w ∈ W }

Estos conjuntos se denominan variedades afines de W en E. Dichas variedades afines con-

stituyen una partición de E en subconjuntos mutuamentes disjuntos.

Hiperplanos.
Sea E un espacio vectorial. Un hiperplano en E, es un conjunto de la forma v + W , donde
W es un subespacio maximal de E.
Decimos que W es un subespacio maximal de E, si W ̸= E, y no existe otro subespacio
H de E, tal que W ⊂ H ⊂ E; es decir, W no está incluı́do propiamente en ningún otro
subespacio de E. También, decimos que un subespacio maximal de E, es un subespacio de
E de codimensión uno.

Combinación Lineal.
Sea E un espacio vectorial sobre el cuerpo K, y ⃗u1 , ⃗u2 , · · · , u⃗k , vectores en E. Se dice que ⃗u es
combinación lineal (o que depende linealmente) de ⃗u1 , ⃗u2 , · · · , u⃗k , si existen α1 , α2 , · · · , αk ∈
K, tales que:
X k
⃗u = α1⃗u1 + α2⃗u2 + · · · + αk ⃗uk = αi⃗ui .
i=1

Se dirá combinación lineal no nula, si algún αi ̸= 0.

Proposición 1. (i) El vector nulo es combinación lineal de cualquier conjunto de vectores.

(ii) Un vector cualquiera ⃗u, siempre es combinación lineal de cualquier conjunto de vectores
que contenga al propio ⃗u.

12
Espacio Generado por un Conjunto de Vectores.
Sea E un espacio vectorial sobre el cuerpo K, y ⃗u1 , ⃗u2 , · · · , u⃗k , vectores en E. El conjunto
de todas las combinaciones lineales de éstos vectores, es un subespacio vectorial de E, y se
llama el subespacio generado por los vectores ⃗u1 , ⃗u2 , · · · , u⃗k . Este espacio se denota por:

gen {⃗u1 , ⃗u2 , · · · , u⃗k } .

Tarea: Hacer la demostración.

Proposición 2. El espacio generado por dos vectores diferentes de cero en R3 que no son
paralelos, es un plano que pasa por el origen.

Conjunto o Sistema Generador.

Sea E un espacio vectorial sobre el cuerpo K. Un conjunto de vectores ⃗u1 , ⃗u2 , · · · , u⃗n , vectores
de E, se dice conjunto generador o sistema generador de E, si cualquier vector ⃗v ∈ E se
puede expresar como combinación lineal de ellos. Es decir, para todo ⃗v ∈ E, existen escalares
α1 , α2 , · · · , αn ∈ K, tales que:

v = α1⃗u1 + α2⃗u2 + · · · + αn⃗un .

Ejercicios.

1) Exprese (si es posible) el vector ⃗u = (3, −1, −2) ∈ R3 , como una combinación lineal de
⃗ = (1, 2, 3), ⃗h = (0, 1, −1).
los vectores ⃗v = (−1, 1, 1), w
2) Exprese (si es posible) f (x) ≡ 1 ∈ F (R), como una combinación lineal de f1 (x) = sen2 x
y f2 (x) = cos2 x.
3) Exprese (si es posible) f (x) = senh(x) ∈ F (R), como una combinación lineal de f (x) =
ex y g(x) = e−x .
 
2 −3
4) Exprese (si es posible) ∈ M2×2 (R), como una combinación lineal de los vec-
    4 −1 
−1 4 3 0 4 −5
tores: , , .
0 1 1 2 −2 1

Teorema 4. Sean ⃗u1 , ⃗u2 , · · · , u⃗n , ⃗un+1 , n + 1 vectores que están en un espacio vectorial
E. Si ⃗u1 , ⃗u2 , · · · , u⃗n , generan a E, entonces, ⃗u1 , ⃗u2 , · · · , u⃗n , ⃗un+1 , también genera a E.
Es decir, si se agregan uno o más vectores a un conjunto generador, se obtiene otro
conjunto generador.

13
Teorema 5. k-vectores de Rn , con k > n, generan a Rn , si y sólo si, una forma escalon-
ada equivalente de la matriz A, cuyas columnas son estos vectores, tiene n pivotes. Si
este es el caso, podemos suprimir aquellos vectores de A que correspondan a columnas
de la forma escalonada que no tengan pivote; los vectores restantes generarán a Rn .

Dependencia e Independencia Lineal.

Se dice que los vectores ⃗u1 , ⃗u2 , · · · , u⃗k ∈ E, son linealmente dependientes, si podemos
escribir el vector ⃗0E como combinación lineal no nula de ellos, es decir, si existen escalares
α1 , α2 , · · · , αk ∈ K, no todos nulos, tales que:
k
X
⃗0E = α1⃗u1 + α2⃗u2 + · · · + αk ⃗uk = αi⃗ui .
i=1

En caso contrario, se dirá que los vectores son linealmente independientes, lo que ocurrirá
si cualquier combinación lineal de los vectores ⃗u1 , ⃗u2 , · · · , u⃗k , igualada al vector nulo,
implica que todos los escalares deben ser nulos, es decir,
⃗0E = α1⃗u1 + α2⃗u2 + · · · + αk ⃗uk =⇒ α1 = α2 = · · · = αk = 0.

Teorema 6. Un conjunto de k vectores en Rn es siempre linealmente dependiente, si

k > n.

Demostración. Sean ⃗u1 , ⃗u2 , · · · , ⃗uk , k vectores en Rn , y consideremos la ecuación:

λ1⃗u1 + λ2⃗u2 + · · · + λk ⃗u = ⃗0Rn .

Sean      
α11 α12 α1k
 α21   α22   α2k 
⃗u1 =  ..  , ⃗u2 =  ..  , · · · , ⃗uk =  ..  .
     
 .   .   . 
αn1 αn2 αnk

Entonces la ecuación λ1⃗u1 + λ2⃗u2 + · · · + λk ⃗u = ⃗0Rn , se convierte en:



 α11 λ1 + α12 λ2 + · · · + α1k λk = 0

α21 λ1 + α22 λ2 + · · · + α2k λk = 0

.. .. .. ..


 . . . .

α λ + α λ + · · · + α λ = 0
n1 1 n2 2 nk k

14
Luego, como éste es un sistema homogéneo con mas incógnitas que ecuaciones, pues
k > n, tiene infinitas soluciones (solución no trivial). Por ende, existen escalares
λ1 , λ2 , · · · , λk ∈ K, no todos nulos, tales que λ1⃗u1 + λ2⃗u2 + · · · + λk ⃗u = ⃗0Rn , de lo
cual se concluye que los vectores ⃗u1 , ⃗u2 , · · · , ⃗uk , son linealmente independientes.

Corolario 1. Un conjunto de vectores linealmente independientes en Rn contiene a lo

sumo n vectores.

Proposición 3. Tres vectores en R3 son linealmente dependientes si y sólo si son

coplanares.

Teorema 7. Cualquier conjunto de n vectores linealmente independiente en Rn genera

a Rn .

Teorema 8. Sean ⃗u1 , ⃗u2 , · · · , ⃗uk , k vectores en Rn , y A la matriz que tiene como colum-
nas a estos vectores. Entonces:
(i) Los vectores son L.I. si y sólo si, el sistema A⃗x = ⃗0Rn , tiene únicamente la solución
trivial.
(ii) Los vectores son L.D. si y sólo si, el sistema A⃗x = ⃗0Rn , tiene soluciones no triviales.
(iii) Si k = n:
(a) Los vectores son L.I. si y sólo si, A es invertible.

(b) Los vectores son L.D. si y sólo si, A no es invertible.

(iv) Si k > n, los vectores son L.D.

15
El Wronskiano.
Dado un conjunto de n funciones que son (n−1)-veces derivables en I ⊆ R, f1 , f2 , · · · , fn ,
el wronskiano W [f1 , f2 , · · · , fn ], está dado por:

f1 (x) f2 (x) ··· fn (x)

f1′ (x) f2′ (x) ··· fn′ (x)
W [f1 , f2 , · · · , fn ](x) = .. .. .. ..
. . . .
f1n−1 (x) f2n−1 (x) · · · fnn−1 (x)

Teorema 9. Sean f1 , f2 , · · · , fn ∈ C n−1 (I), I ⊆ R. Entonces f1 , f2 , · · · , fn son lineal-

mente independientes siempre que el wronskiano W [f1 , f2 , · · · , fn ] no sea idénticamente
cero en I.

Resolver los siguientes ejercicios:

1) Determine si las funciones f1 (x) = sen2x, f2 (x) = senxcosx, f3 (x) = x2 , son lin-
ealmente independientes o linealmente dependientes en F (J), donde J = (−∞, ∞).

2) Probar usando el wronskiano, que las funciones f1 (x) = cosx, f2 (x) = cos2x, f3 (x) =
cos3x, f4 (x) = cos4x, son linealmente independientes en F (J), donde J = (−∞, ∞).
Solución.

cosx cos2x cos3x cos4x

−senx −2sen2x −3sen3x −4sen4x
W [f1 , f2 , f3 , f4 ](x) =
−cosx −22 cos2x −32 cos3x −42 cos4x
senx 23 sen2x 33 sen3x 43 sen4x
π
Evaluando W [f1 , f2 , f3 , f4 ](x) en x = , se tiene:
4
√ √
2 2
0 − −1
2 2
√ √
2 2
− −2 −3 0
π  2 2
W [f1 , f2 , f3 , f4 ] = √ √
4 2 2 2
− 0 3 42
2 2
√ √
2 2
23 33 0
2 2

16
 1 0 −1 −1

π  √ !2 −1 −2 −3 0
2
W [f1 , f2 , f3 , f4 ] =
4 2 −1 0 32 42
1 23 33 0

1 0 −1 −1

π  √ !2 0 −2 −4 −1
2
W [f1 , f2 , f3 , f4 ] =
4 2 0 0 8 15
0 8 28 1

1 0 −1 −1

π  √ !2 0 −2 2 −1
2
W [f1 , f2 , f3 , f4 ] =
4 2 0 0 8 15
0 0 12 3

π  √ !2
2
W [f1 , f2 , f3 , f4 ] = (−2)(−24 − 180) = 204 ̸= 0.
4 2
Como que el wronskiano de estas funciones es distinto de cero en un punto de J, se
concluye que f1 , f2 , f3 y f4 son linealmente independientes en F (J).

3) Sean f1 (x) = 1, f2 (x) = eax , f3 (x) = ebx , con a ̸= 0, b ̸= 0, a ̸= b; y J = R. Probar

que las funciones f1 , f2 , f3 son linealmente independientes en F (J):
a) Usando directamente la definición de independencia lineal.
b) Utilizando el wronskiano de estas funciones.

17
 4) Dado que C es un espacio vectorial complejo, es fácil comprobar que F (X, C) =
{f : X → C} es un espacio vectorial para todo conjunto no vacı́o X. Sea X =
R, f1 (x) = 2 + 2icos(x), f2 (x) = sen2 (x) + icos2 (x), y f3 (x) = cos2 (x) − isen2 (x).
Probar que f1 , f2 y f3 son linealmente independientes en F (X, C).

Solución.

Sean α, β, γ ∈ C, tales que αf1 (x)+βf2 (x)+γf3 (x) = 0, para todo x ∈ R. Entonces:

α[2 + 2icos(x)] + β[sen2 (x) + icos2 (x)] + γ[cos2 (x) − isen2 (x)] = 0
[2α + βsen2 (x) + γcos2 (x)] + [2αcos(x) + βcos2 (x) − γsen2 (x)]i = 0
Por definición de igualdad de números complejos, se obtiene:
(
2α + βsen2 (x) + γcos2 (x) = 0
2αcos(x) + βcos2 (x) − γsen2 (x)] = 0
para todo x ∈ R. En particular, para x = 0, se tiene:
(
2α + γ = 0
,
2α + β = 0
π
y para x = , se obtiene:
4
(
2α + β = 0
,
−γ = 0
de donde α = β = γ = 0, y por consiguiente, f1 , f2 y f3 son linealmente independi-
entes en F (X, C).

5) Resolver el ejercicio anterior, usando el wronskiano.

Bases y Dimensión.
Si E es un espacio vectorial y B ⊂ E. B es una base de E, si:
(i) B es linealmente independiente.
(ii) B genera a E.
Si el espacio vectorial E tiene una base con un número finito de elementos, entonces la
dimensión de E, denotada por dimE, es el número de vectores en todas las bases, y
E se denomina espacio vectorial de dimensión finita.
n o De otra manera, E se denomina
espacio vectorial de dimensión infinita. Si E = ⃗0E , entonces se dice que E tiene
dimensión cero.

18
Extracción de una Base en un Conjunto Generador.
Es fácil probar que si S es un conjunto finito, generador de un espacio vectorial E,
podemos construir una base de este espacio, a partir de los elementos de S, excluyendo
en forma sistemática a los que sean combinaciones lineales de sus predecesores; pues
los que queden serán linealmente independientes y generarán el espacio E. Debido a la
gran importancia de este resultado, se tiene el siguiente teorema:
n o
Teorema 10. Sean E un espacio vectorial, ⃗v1 , ⃗v2 , · · · , ⃗vk ∈ E\ ⃗0E , y supongamos que
S = gen {⃗v1 , ⃗v2 , · · · , ⃗vk }. Para extraer de {⃗v1 , ⃗v2 , · · · , ⃗vk } una base de S, se excluyen de
{⃗v1 , ⃗v2 , · · · , ⃗vk } aquellos vectores que son combinaciones lineales de sus predecesores.
El siguiente teorema, proporciona un método para extraer una base del subespacio gen-
erado por un conjunto de vectores en Rn .

Teorema 11. Sean ⃗v1 , ⃗v2 , · · · , ⃗vk ∈ Rn , y S = gen {⃗v1 , ⃗v2 , · · · , ⃗vk }. Para extraer una
base de S a partir de los vectores ⃗vi , se procede de la siguiente manera:
(i) Se forma la matriz A que tiene por columnas los vectores ⃗vi y se lleva a forma
escalonada.
(ii) Los vectores columna de A que correspondan a columnas con pivote en esa forma
escalonada, formarán una base de S.

Compleción de un Conjunto Linealmente Independiente a una Base.

Podemos utilizar el teorema 9 para completar un conjuto linealmente independiente

Q = {⃗v1 , ⃗v2 , · · · , ⃗vk } a una base B de un espacio vectorial E de dimendión n, mediante
el siguiente procedimiento:
(i) Se forma el conjunto

H = {⃗v1 , ⃗v2 , · · · , ⃗vk , ⃗u1 , ⃗u2 , · · · , ⃗vn } ,

donde {⃗u1 , ⃗u2 , · · · , ⃗un } es una base conocida del espacio E.

(ii) Se extrae de H una base B, por medio del procedimiento dado en el teorema 9.

19
Ejercicios.
1) Escriba la base canónica de cada espacio vectorial siguiente y deternine su di-
mensión.
a) R
b) C, visto como un C-espacio vectorial
c) C, visto como un R-espacio vectorial
d) R6
e) P4R [x]
f) M3×4 (R)
g) M3×3 (C)
h) C3
2) Encuentre una base para cada espacio vectorial dado y determine su dimensión.
a) Los vectores en R2 que están sobre la recta y − x = 0.
b) Los vectores en R3 que están en el eje z.
c) Los vectores en R3 que están en el plano xz.
d) Los vectores en R3 que están en el plano π : 2x + 3y + 4z = 0.
e) El conjunto de matrices diagonales 3 × 3.
f) El conjunto de matrices simétricas 3 × 3.
g) El conjunto de matrices antisimétricas 3 × 3.

h) H = gen 1, eαx , eβx , en F (R), α, β ∈ R, α ̸= β.



Respuesta:

Si α = 0, entonces una base para H, es B = 1, eβx , y dim(H) = 2.

Si β = 0, entonces una base para H, es B = {1, eαx } y dim(H)=2.


Si α ̸= 0 y β ̸= 0, entonces una base para H, es B = 1, eαx , eβx , y dim(H)=3.

i) S = gen {senh(x), ex , e−x }, en F (R).

j) S = gen {1, ex , e−x , cosh(x), senh(x)}, en F (R).

k) S = gen {1, cos(2x), sen2 (2x)}, en F (R).

l) S = gen {1, cos2 (x), cos(2x), sen2 (2x)}, en F (R).

20
 sen( 27 x)
 
m) S = gen 1, cos(x), cos(2x), cos(3x), , en F ((0, 2π)).
2sen( 12 x)
Sugerencia: Utilice la siguiente identidad trigomométrica, conocida como Iden-
tidad de Lagrange.

1 sen(n + 12 )θ
1 + cos(θ) + cos(2θ) + · · · + cos(nθ) = + ,
2 2sen( 21 θ)

para 0 < θ < 2π.

3) Hallar una base y la dimension del espacio solución S del sistema homogéneo indi-
cado.

x1 − x2 + x3 + 2x4 − x5
 =0
a) 2x1 − x2 + 3x3 − x4 + 2x5 =0

−3x1 + 2x2 − 3x3 + 2x4 − 2x5 =0



2x − y + 3z
 =0
b) 4x − 2y + 6z =0

−6x + 3y − 9z =0


4) Determinar si los vectores generan al espacio dado; de ser ası́, reducir el conjunto
de vectores a un mı́nimo de generadores.
(i) {(−1, 2), (−1, 1), (3, 2), (−1, −1)}; R2
(ii) {(1, 2, 1, 2), (1, 0, 2, 3), (2, 1, 3, 2), (1, 1, 1, 0), (2, 1, 2, 1), (1, 2, 1, 3)}; R4 .

5) Completar el conjunto linealmente independiente Q = {3x − 2, x2 − 1}, a una base

de P3R [x].

21
Vector o Matriz de Coordenadas.

Sea B = {⃗u1 , ⃗u2 , · · · , ⃗un }, una base ordenada del espacio vectorial E y ⃗u ∈ E. Al único
vector (α1 , α2 , · · · , αn ) ∈ Rn , tal que:

⃗u = α1⃗u1 + α2⃗u2 + · · · + αn⃗un ,

se le llama vector de coordenadas o matriz de coordenadas de ⃗u relativo a la base B, y
se denota por [⃗u]B ; es decir
 
α1
 α2 
[⃗u]B =  .. 
 
 . 
αn
Ejemplos.

(1) En P3R [x] , hallar el vector de coordenadas de cada vector siguiente respecto a la
base canónica de P3R [x].
a) p(x) = 4 + 7x − x3 + x2
b) q(x) = x − 1 + 3x2 − 5x3
√ 2 1
c) r(x) = 3x2 + − x3 − x
π 2
√ e+1
d) h(x) = ( 2 − 1)x3 + (1 − π)x +
π−1
(2) En M2×2 (C), hallar el vector de coordenadas de cada matriz siguiente respecto a
la base canónica de M2×2 (C).
 
1 + i 1 − πi
a) A =
4 1−i

 √ 
√ 2i 3 + 2i
b) B =
3+π 4−i

(3) Sea E = gen {x, x2 , 4x − 7x2 , senx, ex , πsenx, }. Obtenga una base B para E,
dimE, y hallar el vector de coordenadas de cada vector siguiente relativo a B.
a) f (x) = πex + x2 − x
b) g(x) = 7x − ex − senx
√
c) h(x) = −3senx + 2x2 − 4ex + 2x
√ √
d) ϕ(x) = (1 − 3)ex + ( 3 − 1)senx

22
 Teorema 12. Sean E un espacio vectorial de dimension n y B una base ordenada de
él. Entonces:
(i) [⃗u + ⃗v ]B = [⃗u]B + [⃗v ]B , ∀⃗u, ⃗v ∈ E.
(ii) [α⃗u]B = α [⃗u]B , ∀⃗u ∈ E, ∀α ∈ R.
(iii) [⃗u]B = [⃗v ]B ⇔ ⃗u = ⃗v .
(iv) [⃗u]B = ⃗0Rn ⇔ ⃗u = ⃗0E .
(v) ⃗u1 , ⃗u2 , · · · , ⃗uk son L.I. en E ⇔ [⃗u1 ]B , [⃗u2 ]B , · · · , [⃗uk ]B son L.I. en Rn .
(vi) Para todo ⃗x = (x1 , x2 , · · · , xn ) ∈ Rn , existe un único vextor ⃗u ∈ E, tal que [⃗u]B = ⃗x,
viceversa.

Transformaciones Lineales.
Sean E y F dos espacios vectoriales sobre un mismo cuerpo K, donde K = R ó C, y
T : E −→ F una aplicación. Diremos que T es una transformación lineal de E en F , si:

(i) T (⃗x + ⃗y ) = T (⃗x) + T (⃗y ), ∀⃗x, ⃗y ∈ E

(ii) T (λ⃗x) = λT (⃗x), ∀λ ∈ K, ∀⃗x ∈ E
Dicho de otro modo, T : E −→ F es lineal si preserva las dos operaciones básicas de un
espacio vectorial, la de suma vectorial y la de producto por escalar. Las transformaciones
lineales también se llaman homomorfismos.

Ejemplos de Transformaciones Lineales.

(a) La Transformación Cero
(b) La Transformación Identidad
(c) Transfromación de Reflexión
(d) Transformación de Rotación
(e) Transformación de Derivación
(f) Transformación de Integración
(g) Transformación Matricial
(h) Transformación de Proyección Ortogonal

Espacio de Transformaciones Lineales.

Sean E y F espacio vectoriales, y sea

L (E, F ) = {T : E −→ F : T es una transformación lineal} ,

entonces L (E, F ) es un espacio vectorial con las operaciones usuales de suma de fun-
ciones y multiplicación de un escalar por una función.

23
Núcleo e Imagen de una Transformación Lineal.

Sean E y W dos espacios vectoriales, y sea T : E −→ W una transformación lineal.

Entonces
(i) El núcleo de T , denotado por Ker(T ), está dado por:
n o
Ker(T ) = ⃗u ∈ E : T (⃗u) = ⃗0E

(ii) La imagen de T , denotada por Im(T ), está dada por:

Im(T ) = {w
⃗ ∈ W : w = T (⃗u) para algún ⃗u ∈ E}

Teorema 13. Si T : E −→ W es una transformación lineal. Entonces:

(i) Ker(T ) es un subespacio de E.
(ii) Im(T ) es un subespacio de W .

Nulidad y Rango de una Transformación Lineal.

Sean E y W dos espacios vectoriales, y sea T : E −→ W una transformación lineal.

Entonces, se define:
(i) Nulidad de T = ν(T ) = dim[Ker(T )].
(ii) Rango de T = ρ(T ) = dim[Im(T )].

Teorema 14. Sea T : E −→ F una transformacion lineal biyectiva, y sea T −1 : F −→ E

la transformación inversa de T , entonces T −1 es lineal. [Hacer la demostración].

24
 Representación Matricial de una Transformación Lineal.

Sean V un espacio vectorial n-dimensional, W un espacio vectorial m-dimensional y T

cualquier transformación lineal de V a W . Para asociar una matriz con T , se eligen
bases (ordenadas) B y C para V y W , respectivamente. Dado cualquier ⃗x en V , el vector
de coordenadas [⃗x]B está en Rn y el vector de coordenadas de su imagen, [T (⃗x)]C , está
en Rm , como se indica en la siguiente figura.

Ahora , sea B = {⃗u1 , ⃗u2 , · · · , ⃗un }, entonces, existen escalares α1 , α2 , · · · , αn ∈ K, tales

que ⃗x = α1⃗u1 + α2⃗u2 + · · · + αn⃗un , de modo que:
 
α1
 α2 
[⃗x]B =  .. 
 
 . 
αn

Luego, T (⃗x) = T (α1⃗u1 + α2⃗u2 + · · · + αn⃗un ) = α1 T (⃗u1 ) + α2 T (⃗u2 ) + · · · + αn T (⃗un ), pues T

es lineal.

Esta ecuación conduce a:

[T (⃗x)]C = α1 [T (⃗u1 )]C + α2 [T (⃗u2 )]C + · · · + αn [T (⃗un )]C

Esta última ecuación vectorial puede escribirse como una ecuación matricial; a saber:

[T (⃗x)]C = [T ]CB [⃗x]B

donde

[T ]CB = [T (⃗u1 )]C , [T (⃗u2 )]C , · · · , [T (⃗un )]C

 

25
La matriz M = [T ]CB es una representación matricial de T , llamada matriz para T respecto
a las bases B y C. Ver la siguiente figura.

Teorema 15. Sean E y W espacios vectoriales de dimensión finita, con dim(E) = n. Sea
T : E −→ W una transformación lineal y sea AT una representación matricial de T respecto
a las bases B1 en E y B2 en W . Entonces:
(i) ρ(T ) = ρ(AT )
(ii) ν(T ) = ν(AT )
(iii) ν(T ) + ρ(T ) = n

Ejercicios.
1) Sea T : R3 −→ R3 , la transformación definida por:

T (x, y, z) = (x + 2y − z, y + z, x + y − 2z)
a) Demostrar que T es un operador lineal en R3 .

b) Hallar la representación matricial de T y utilizarla para expresar T de manera

matricial.

c) Hallar una base de T (R3 ) y dim[T (R3 )].

d) Hallar una base de Ker(T ) y dim[Ker(T )].

e) ¿Cuál es el valor de dim[Ker(T )] + dim[T (R3 )]?

26
 2) Defina T : P2R −→ P3R por T (p(x)) = xp(x).
a) Demostrar que T es una transformación lineal de P2R en P3R .

b) Hallar la representación matricial de T y utilizarla para expresar T de manera

matricial.

c) Hallar T (R3 ) y dim[T (R3 )].

d) Hallar Ker(T ) y dim[Ker(T )].

e) ¿Cuál es el valor de dim[Ker(T )] + dim[T (R3 )]?

Cambio de Base en una Aplicación Lineal.

La representación matricial de una aplicación lineal depende de las bases que hayamos elegido
en los espacios de partida y de llegada.

Teorema 16. Sean E, F espacios vectoriales de dimensión finita; B1 , B1′ bases de E; B2 , B2′
bases de F; Sean P la matriz de cambio de base de B1′ a B1 y Q la matriz de cambio de base
de B2′ a B2 , entonces:

B′
[T ]B2′ = Q−1 [T ]BB21 P.
1

Teorema 17. Sean E un espacio vectorial; B1 y B2 bases del mismo; T un operador lineal
en E; y [T ]B1 , [T ]B2 las respectivas representaciones matriciales de T relativas a estas bases.
Si P es la matriz de cambio de base de B2 a B1 , entonces:

[T ]B2 = P −1 [T ]B1 P.

27
Subespacio Invariante.
Sea T : E −→ E una transformación lineal de E en E. Un subespacio S de E, se dice invari-
ante bajo T o T - invariante, si T aplica w en sı́ mimo, es decir, si w ∈ S implica T (w) ∈ S.
En otras palabras, S es un subespacio T - invariante, si T (S) ⊆ S. En tal caso, T induce un
operador lineal T̂ : S −→ S, definido por T̂ (w) = T (w) para todo w ∈ S.

Ejemplos:
1) n T : E −→ E una aplicación lineal de E en E, entonces los subespacios E y
Sea o
⃗0E son T - invariantes. Estos de denominan subespacios invariantes triviales de
E respecto a T .
2) El núcleo de una aplicación lineal T : E −→ E es un subespacio T - invariante.

3) La imagen de una aplicación lineal T : E −→ E es un subespacio T - invariante.

4) Sea T : R2 −→ R2 la transformación lineal que a cada vector le asigna su reflexión

respecto al eje y, es decir T (x, y) = (−x, y). El subespacio generado por el vector
(1, 0) es T - invariante.

5) Sea T : R2 −→ R2 la transformación lineal que a cada vector le asigna su reflexión

respecto al origen de coordenadas, es decir T (x, y) = (−x, −y). Entonces todo
subespacio de R2 es T - invariante.

6) Sea Tθ : R2 −→ R2 la transformación lineal que rota en el sentido contrario al de

las manecillas del reloj respecto al origen, un ángulo θ, está dada por:
   
x xcosθ − ysenθ
Tθ = .
y xsenθ + ycosθ
Entonces, si θ ̸= kπ con k ∈ Z, ningún subespacio no trivial de R2 es Tθ - invariante.
Si θ = kπ con k ∈ Z, entonces todo subespacio vectorial de R2 es Tθ - invariante.

7) Sea Tθ : R3 −→ R3 el operador que gira cada vector alrededor del eje z un ángulo
θ en sentido antihorario, esto es, el operador definido por:
   
x xcosθ − ysenθ
Tθ y  = xsenθ + ycosθ  .
z z
Sea S el plano xy y H el eje z, puede verse fácilmente que S es Tθ - invariante y
que H es también Tθ - invariante.

28
Isomorfismos.

Sean E y F K- espacios vectoriales, y T : E −→ F una transformación lineal.

(i) T es un isomorfismo, si T es una transformación lineal biyectiva.
(ii) Si existe un isomorfismo del espacio E sobre el espacio F , se dice que E es isomorfo
a F , y se denota por E ∼
= F.

Teorema 18. Sean E, F, H, K-espacios vectoriales. Entonces:

(i) E ∼
=E
(ii) E = F ⇒ F ∼
∼ =E
(iii) [E = F ∧ F = H] ⇒ E ∼
∼ ∼ =H

Formas Bilineales.

Sea E un espacio vectorial sobre K (es decir, un K-espacio vectorial). Una forma bilineal en
E, es una aplicación f : E × E −→ K, que satisface:
(i) f (⃗u + ⃗v , w)
⃗ = f (⃗u, w) ⃗ + f (⃗v , w)
⃗
(ii) f (⃗u, ⃗v + w)
⃗ = f (⃗u, ⃗v ) + f (⃗u, w)
⃗
(iii) f (α⃗u, ⃗v ) = αf (⃗u, ⃗v )
(iv) f (⃗u, α⃗v ) = αf (⃗u, ⃗v )
∀α ∈ K, ∀⃗u, ⃗v , w
⃗ ∈ E.

Si f (⃗u, ⃗v ) = f (⃗v , ⃗u), ∀⃗u, ⃗v ∈ E, se dice que la forma bilineal f es simétrica.

Si f (⃗u, ⃗v ) = −f (⃗v , ⃗u), ∀⃗u, ⃗v ∈ E, se dice que la forma bilineal f es antisimétrica.

Forma Sesquilineal.

Sea E un espacio vectorial complejo (es decir, un C-espacio vectorial). Una forma sesquilineal
en E, es una aplicación f : E × E −→ C, que satisface:
(i) f (⃗u + ⃗v , w)
⃗ = f (⃗u, w) ⃗ + f (⃗v , w)
⃗
(ii) f (⃗u, ⃗v + w)
⃗ = f (⃗u, ⃗v ) + f (⃗u, w)
⃗
(iii) f (α⃗u, ⃗v ) = αf (⃗u, ⃗v )
(iv) f (⃗u, α⃗v ) = αf (⃗u, ⃗v )
∀α ∈ C, ∀⃗u, ⃗v , w
⃗ ∈ E.

29
Estas propiedades expresan lo siguiente:
(i) f es aditiva respecto al primer argumento.
(ii) f es aditiva respecto al segundo argumento.
(iii) f es homogénea respecto al primer argumento.
(iv) f es homogénea conjugada respecto al segundo argumento.
Es decir, f el lineal respecto al primer argumento y conjugada lineal respecto al segundo
argumento.
El prefijo sesqui significa: una-y-media. Se usa porque la función es lineal en una variable,
pero sólo conjugado lineal en la otra.

De manera equivalente, f : E × E −→ C, es sesquilineal, si:

(a) f (α⃗u + β⃗v , w)
⃗ = αf (⃗u, w)
⃗ + βf (⃗v , w)
⃗
⃗ = αf (⃗u, ⃗v ) + βf (⃗u, w)
(b) f (⃗u, α⃗v + β w) ⃗
∀α, β ∈ C, ∀⃗u, ⃗v , w
⃗ ∈ E.

Una forma sesquilineal es hermı́tica, si es igual a su conjugada.

Una forma sesquilineal es definida no negativva, si f (x, x) ≥ 0, ∀x ∈ E.

Formas Cuadráticas.

Una forma cuadrática en Rn , es una aplicación de la forma

n
(
X aij = aji ∈ R
Φ : Rn −→ R, dada por Φ(⃗x) = aij xi xj , donde
i,j=1
⃗x = (x1 , x2 , · · · , xn )

Sea Φ : Rn −→ R una forma cuadrática. Decimos que:

n o
(i) Φ es una forma cuadrática definida positiva, si Φ(⃗x) > 0, ∀⃗x ∈ Rn \ ⃗0Rn .
n o
(ii) Φ es una forma cuadrática definida negativa, si Φ(⃗x) < 0, ∀⃗x ∈ Rn \ ⃗0Rn .
(iii) Φ es una forma cuadrática semidefinida positiva, si Φ(⃗x) ≥ 0, ∀⃗x ∈ Rn .
(iv) Φ es una forma cuadrática semidefinida negativa, si Φ(⃗x) ≤ 0, ∀⃗x ∈ Rn .
(v) Φ es una forma cuadrática indefinida, si ∃⃗x, ⃗y ∈ Rn , tal que Φ(⃗x) < 0, y Φ(⃗y ) > 0.

30
Forma Cuadratica Asociada a una Forma Bilineal.

Dada una forma bilineal f : E × E −→ K, se define su forma cuadrática asociada como:

Φf : E −→ K, dada por Φf (⃗x) = f (⃗x, ⃗x), ∀⃗x ∈ E.

Definición de Producto Interno.

Sea E un K-espacio vectorial (es decir, un espacio vectorial sobre K). Un producto interno
en E es una aplicación ⟨·, ·⟩ : E × E → K, tal que:
(i) ⟨⃗u, ⃗v ⟩ ≥ 0 y ⟨⃗u, ⃗v ⟩ = 0 ⇐⇒ ⃗u = ⃗0E
(ii) ⟨α⃗u, ⃗v ⟩ = α ⟨⃗u, ⃗v ⟩
(iii) ⟨⃗u + ⃗v , w⟩
⃗ = ⟨⃗u, w⟩ ⃗ + ⟨⃗v , w⟩
⃗
(iv) ⟨⃗u, ⃗v ⟩ = ⟨⃗v , ⃗u⟩
∀⃗u, ⃗v , w
⃗ ∈ E, ∀α ∈ K.

Proposición 4. (ii), (iii), y (iv) implican:

(a) ⟨⃗u, β⃗v ⟩ = β ⟨⃗u, ⃗v ⟩
(b) ⟨⃗u, ⃗v + w⟩
⃗ = ⟨⃗u, ⃗v ⟩ + ⟨⃗u, w⟩
⃗

Norma en un Espacio Vectorial.

Sea E un espacio vectorial. Una norma en E es una funcion, ∥·∥ : E → R que a cada vector
⃗u ∈ E le asigna un número real denotado como ∥⃗u∥, llamado la norma (o módulo) de este
vector, que satisface las siguientes condiciones:
(i) ∥⃗u∥ ≥ 0, ∀⃗u ∈ E.
(ii) ∥⃗u∥ = 0 ⇐⇒ ⃗u = ⃗0E .
(iii) ∥u∥ = |λ| ∥⃗u∥, ∀λ ∈ R, ∀⃗u ∈ E.
(iv) ∥⃗u + ⃗v ∥ ≤ ∥⃗u∥ + ∥⃗v ∥ , ∀⃗u, ⃗v ∈ E. [Desigualdad Triangular ].
Si en E se ha definido una norma ∥·∥E , diremos que (E, ∥·∥E ) es un espacio vectorial normado.

31
Espacio de Banach.
Un espacio de Banach es un espacio vectorial normado y completo en la métrica definida
por su norma. Esto quiere decir que un espacio de Banach, es un espacio vectorial E sobre
el cuerpo de los números reales o el de los complejos con una norma ∥·∥E , tal que toda
sucesión de Cauchy converge en E (es decir, tiene un lı́mite en E) con respecto a la métrica
dE (x, y) = ∥x − y∥E . Si además, la norma ∥·∥E , proviene de un producto interno ⟨·, ·⟩E en
E, entonces (E, ∥·∥E ) es un espacio de Hilbert.

Bases Ortonormales.

Sea B = {⃗u1 , u⃗2 , · · · , ⃗un } una base de un espacio vectorial con producto interno (E, ⟨·, ·⟩).
Se dice que B es una base ortonormal, si:
(i) Los vectores ⃗ui son ortogonales entre sı́.
(ii) ∥⃗ui ∥ = 1, ∀i = 1, 2, · · · , n.
(
1, si i = j
Es decir: ⟨⃗ui , ⃗uj ⟩ =
0, si i ̸= j

Proceso de Ortogonalización-Ortonormalización de Gram-Schmidt.

Sea B = {⃗u1 , ⃗u2 , · · · , ⃗un }, una base de un espacio vectorial con producto interno, (E, ⟨·, ·⟩).
Sea:

n−1
X ⟨⃗un , ⃗vi ⟩
⃗v1 = ⃗u1 , ⃗vn = ⃗un − ⃗vi , para n = 2, 3, · · · , n − 1. (1)
i=1
∥⃗vi ∥2
′
Entonces B = {⃗v1 , ⃗v2 , · · · , ⃗vn } es una base ortogonal para E.

1 1 1
Luego, haciendo w
⃗1 = ⃗v1 , w
⃗2 = ⃗v2 , · · · , w
⃗n = ⃗vn , se tiene que:
∥⃗v1 ∥ ∥v⃗2 ∥ ∥⃗vn ∥
B ′′ = {w ⃗ 2, · · · , w
⃗ 1, w ⃗ n } es una base ortonormal para E.

32
Proyección Ortogonal.

Sea H un subespacio del espacio vectorial con producto interno (E, ⟨·, ·⟩) , con una base
ortonormal B = {⃗u1 , u⃗2 , · · · , ⃗uk }. Si ⃗v ∈ E, entonces la proyección ortogonal de ⃗v sobre H,
denotada por proyH ⃗v , está dada por:

k
X
proyH ⃗v = ⟨⃗v , ⃗ui ⟩ ⃗ui
i=1

Complemento Ortogonal.

Sea H un subespacio del espacio vectorial con producto interno (E, ⟨·, ·⟩) , entonces el com-
plemento ortogonal de H, denotado por H ⊥ , está dado por:

H ⊥ = {u ∈ E : ⟨⃗u, ⃗v ⟩ = 0, ∀⃗v ∈ H} .

Teorema 19. Sea H un subespacio del espacio vectorial con producto interno (E, ⟨·, ·⟩) ,
entonces:
(i) H ⊥ es un subespacio de E.
n o
(ii) H ⊥ ∩ H = ⃗0E .
(iii) dim(H ⊥ ) = n − dim(E), si dim(E) = n < ∞.

Teorema 20. Teorema de Proyección.

Sea H un subespacio de dimensión finita del espacio con producto interno (E, ⟨·, ·⟩), y suponga
que ⃗v ∈ E. Entonces existe un par único de vectores ⃗h y p⃗, tales que ⃗h ∈ H, p⃗ ∈ H ⊥ , y

⃗v = ⃗h + p⃗
donde ⃗h = proyH ⃗v .

Si H tiene dimensión finita, entonces p⃗ = proyH ⊥ ⃗v .

33
Isometrı́as.
Sean E y F dos K-espacios vectoriales con producto interno y sea T : E −→ F una trans-
formación lineal. Entonces T es una isometrı́a, si para todo ⃗x ∈ E :

∥⃗x∥E = ∥T (⃗x)∥F
Teorema 21. Sea T : E −→ F una isometrı́a. Entonces para todo ⃗x, ⃗y en E, se cumple:

⟨T (⃗x), T (⃗y )⟩F = ⟨⃗x, ⃗y ⟩E

Es decir, una isometrı́a preserva los productos internos.

Espacios vectoriales isométricamente isomorfos.

Se dice que dos espacios vectoriales E y F con el mismo conjunto de escalares, son isométricamente
isomorfos, si existe un isomorfismo isométrico, es decir, una transformación lineal T : E −→ F
que sea tanto isometrı́a como isomorfismo.

Teorema 22. Cualesquiera dos espacios reales de dimensión n con producto interno son
isométricamente isomorfos.

Teorema 23. Sea T : Rn −→ Rn una isometrı́a, entonces:

(i) Si {⃗u1 , ⃗u2 , · · · , ⃗un } es un conjunto ortogonal, entonces {T (⃗u1 ), T (⃗u2 ), · · · , T (⃗un )},
es un conjunto ortogonal.
(ii) T es un isomorfismo.

Teorema 24. Una transformación lineal T : Rn −→ Rn es una isometrı́a, si y sólo si, la

representación matricial de T es ortogonal.

Bibliografı́a.

• Álgebra Lineal Para Estudiantes De Ingenierı́a y Ciencias; Juan Carlos Del Valle
Sotelo.
• Álgebra Lineal; Stanley I. Grossman S., José Job Flores Godoy. Séptima edición.
• Algebra Lineal Con Aplicaciones y Python; Ernesto Aranda. Primera Edición,
2016.
• Álgebra Lineal y sus Aplicaciones; David C. Lay, Cuarta Edición.
• Álgebra Superior; Murray R. Spiegel, 1991.
• Wikipedia.

34