Métodos Matemáticos Física

Métodos matematicos para la fı́sica II
Dr. Gilberto Tavares Velasco
8 de noviembre de 2018
Índice general
1. Espacios Vectoriales 1
1.1. Conceptos preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Estructuras algebraicas, leyes de composición, campos y anillos . . . . . . . . . . . . 1
1.2. Espacio euclidiano de n dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Adición de dos vectores y multiplicación de un vector por un escalar . . . . . . . . . . 2
1.2.2. Producto Interior euclidiano en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3. Norma de un vector y distancia en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Axiomas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3. Combinación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.4. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.5. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.6. Espacio de renglones de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4. Espacios Vectoriales con producto interior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.1. Desigualdad de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4.2. Longitud y ángulo en un espacios vectorial con producto interior . . . . . . . . . . . . 27
1.5. Bases ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1. Proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6. Métrica o función distancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.7. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. Transformaciones Lineales 35
2.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2. Núcleo e Imagen de las Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . 38
2.3. Teorema de la Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4. Matriz estándar de una transformación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.5. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.1. Semejanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.6. Isomorfismos y Homomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6.1. Transformaciones singulares y no singulares . . . . . . . . . . . . . . . . . . . . . . . 56
2.6.2. Operaciones Algebraicas con Transformaciones Lineales . . . . . . . . . . . . . . . . 57
2.6.3. Álgebra de Tranformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6.4. Polinómios de Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6.5. Inversibilidad de T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.7. Funcionales Lineales y Espacio Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.8. Relación entre Funcionales Lineales y Subespacios . . . . . . . . . . . . . . . . . . . . . . . 70
2.9. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
I
II ÍNDICE GENERAL
3. Problema de Valores Propios 73

3.1. Polinomio caracterı́stico y ecuación caracterı́stica . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2. Valores propios y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.1. Matrices simétricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.4. Fórmas cuadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.4.1. Secciones cónicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4.2. Superficies cuadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.5. Operadores en espacios lineales con producto escalar . . . . . . . . . . . . . . . . . . . . . . 91
3.5.1. Operadores adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.5.2. Operadores especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5.3. Operadores auto-adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.5.4. Operadores unitarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.5.5. Operadores de proyección o idempotentes . . . . . . . . . . . . . . . . . . . . . . . . 95
3.5.6. Teorema espectral para operadores normales . . . . . . . . . . . . . . . . . . . . . . . 95
3.6. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Capı́tulo 1
Espacios Vectoriales
1.1. Conceptos preliminares

Empezaremos definiendo algunos conceptos que serán de utilidad durante la exposición del tema de
espacios vectoriales.
1.1.1. Estructuras algebraicas, leyes de composición, campos y anillos

Definición. Una estructura algebraica es un objeto matemático que consiste de un conjunto no vacı́o
de elementos A junto con un conjunto no vacı́o de leyes de composición que a cada par de elementos de
A le asocian un nuevo elemento en A. Sin embargo existen estructuras que contienen más de un conjunto
sobre los cuales se definen las leyes de composición. En general, las estructuras algebraicas se pueden
clasificar de acuerdo a si las leyes de composición que se asocian a ellas son internas o externas.
Definición. Se define a una ley de composición como una operación binaria que toma dos elementos
de un conjunto A o dos conjuntos A y B y le asocia un elemento que puede estar en uno de estos conjuntos
o en un tercer conjunto C. La ley de composición es interna si, por ejemplo, A × A → A pero es externa si,
por ejemplo, A × B → A, A × B → C.
Los anillos y los campos o cuerpos son estructuras algebraicas con leyes de composición internas,
mientras que los espacios vectoriales son estructuras con leyes de composición externas.
Definición. Un campo o cuerpo es una estructura algebraica que se compone de un conjunto no vacı́o
A más dos leyes de composición llamadas adición, denotada por +, y multiplicacion, denotada por ∗, tales
que se obedecen los siguientes axiomas para todos los elementos u, v y w ∈ A:
u + (v + w) = (u + v) + w, (1.1)
u+v = v + u, (1.2)
u+0 = u (elemento neutro o identidad aditivo), (1.3)
u + (−u) = 0 (elemento inverso aditivo), (1.4)
u ∗ (v ∗ w) = (u ∗ v) ∗ w, (1.5)
u∗v = v ∗ u, (1.6)
u∗1 = u (elemento neutro o identidad multiplicativo), (1.7)
u ∗ u−1 = 1 (elemento inverso multiplicativo), (1.8)
u ∗ (v + w) = u ∗ v + u ∗ w. (1.9)
Un anillo es una estructura más general en donde no existen los elementos identidad o inverso multi-
plicativos. El conjunto de los reales R o de los complejos C constituyen un campo, pero el conjunto de los
enteros Z es un anillo.
1
2 CAPÍTULO 1. ESPACIOS VECTORIALES
Una estructura algebraica de gran interés es un espacio vectorial. Enseguida presentamos un ejemplo
de un espacio vectorial y posteriormente presentaremos de manera más general la definición de espacio
vectorial.
1.2. Espacio euclidiano de n dimensiones

Definición: Si n es un entero positivo, entonces una n-ada ordenada es una sucesión de n números
reales (a1 , a2 , . . . , an ). Al conjunto de todas las n-adas ordenadas se les denomina espacio cartesiano de
n dimensiones y se le denota mediante Rn .
Definición: Dos vectores u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) en Rn son iguales si y solo si:

u1 = v1 , u2 = v2 , . . . , un = vn . (1.10)
La suma de u + v se define como:
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn ). (1.11)
Si k es un escalar real, el múltiplo ku se define como:
ku = (ku1 , ku2 , . . . , kun ). (1.12)
El vector cero 0 en Rn se define como el vector que cumple:
0 = (0, 0, . . . , 0). (1.13)
Si u = (u1 , u2 , . . . , un ) es un vector en Rn , el negativo o inverso aditivo se denota por −u y se define como:
− u = (−u1 , −u2 , . . . , −un ). (1.14)
La sustracción de vectores en Rn se define como:
v − u = v + (−u) = (v1 , . . . , vn ) + (−u1 , . . . , −un ) = (v1 − u1 , v2 − u2 , . . . , vn − un ). (1.15)
1.2.1. Adición de dos vectores y multiplicación de un vector por un escalar

La adición de dos vectores en Rn y la multiplicación por un escalar obedecen los siguientes axiomas.
Teorema 1.1. Si u = (u1 , . . . , un ), v = (v1 , . . . , vn ) y w = (w1 , . . . , wn ) son vectores en Rn , mientras k y l
son escalares reales, entonces:
u+v = v + u, (1.16)
u + (v + w) = (u + v) + w, (1.17)
u+0 = 0 + u, (1.18)
u+v = v + u, (1.19)
u + (−u) = 0, (1.20)
k(lu) = (kl)u, (1.21)
k(u + v) = ku + kv, (1.22)
(k + l)u = ku + lu, (1.23)
1u = u. (1.24)
Este teorema permite manejar a los vectores en Rn sin tener que expresarlos en términos de sus com-
ponentes.
1.2. ESPACIO EUCLIDIANO DE N DIMENSIONES 3
Ejercicios
1. Resolver la ecuación x + u = v para x:
Solución
x + u + (−u) = v + (−u),
x + (u − u) = v − u,
x+0 = v − u,
x = v − u.
1.2.2. Producto Interior euclidiano en Rn

Definición. El producto interior euclidiano entre dos vectores u y v en Rn se denota como u · v y se
define como:
n
X
u · v = u1 v1 + · · · + un vn = ui vi . (1.25)
i=0
n
Teorema 1.2. Si u, v y w son vectores en R y k es un escalar real entonces,
u·v = v · u, (1.26)
(u + v) · w = u · w + v · w, (1.27)
k(u · v) = ku · v = u · kv, (1.28)
u·u ≥ 0 y u·u=0 si solo si u = 0. (1.29)
El teorema anterior permite efectuar calculos de producto interior euclidiano de igual idéntica a como
se hace con números ordinarios.
Ejercicios
2. Calcular (3u + 2v) · (4u + v).
Solución
(3u + 2v) · (4u + v) = 3u · (4u + v) + 4u · (4u + v),

= 3u · 4u + 3u · v + 2v · 4u + 2v · v,
= 12u2 + 3u · v + 8v · u + 2v 2 ,
= 12u2 + 11u · v + 2v 2 .
1.2.3. Norma de un vector y distancia en Rn

La norma euclidiana de un vector u en Rn se define como:
√ q
kuk = u · u = u21 + . . . + u2n . (1.30)
La distancia entre dos vectores u = (u1 , . . . , un ) y v = (v1 , . . . , vn ) se define como:

p
d(u, v) = ku − vk = (u1 − v1 )2 + . . . + (un − vn )2 . (1.31)
Ejercicios
3. Sea u1 = (−1, 3, 2, 0) y u2 = (2, 0, 4, −1) y u3 = (7, 1, 1, 4) y u4 = (6, 3, 1, 2). Encuentre escalares c1 ,
c2 , c3 y c4 tales que c1 u1 + c2 u2 + c3 u3 + c4 u4 = (0, 5, 6, −3).
4. Determine todos los escalares k tales que ||ku|| = 3, donde u = (−1, 2, 0, 3).
5. Encuentre 2 vectores en R2 con norma euclideana 1 y cuyo producto interior con w = (−2, 4) sea
cero.
Solución
Sea u = (u1 , u2 ) entonces:
u·w = −2u1 + 4u2 = 0,

u1 = 2u2 ,
q √
||u|| = u21 + u22 = 5|u2 | = 1,
entonces u2 = ± √15 y se tiene u = ± √15 (2, 1),
6. Establezca la igualdad
||u + v||2 + ||u − v||2 = 2||u||2 + 2||v||2 . (1.32)
para vectores en Rn . Interprete el resultado para R2 .
Solución
p
||u + v||2 = ( (u + v) · (u + v))2 = ||u||2 + ||v||2 + 2u · v, (1.33)
p
||u − v||2 = ( (u − v) · (u − v))2 = ||u||2 + ||v||2 − 2u · v, (1.34)
de donde
||u + v||2 + ||u − v||2 = 2||u||2 + ||v||2 . (1.35)
7. Demuestre la desigualdad de Cauchy-Schwarz
(u · v)2 ≤ ||u||2 ||v||2 . (1.36)
Solución
b − vb, con u
Sea c = u b = u/||u|| y vb = v/||v||, entonces ||c|| ≥ 0, pero:
||c||2 = ||b
u||2 + ||b
v ||2 − 2b
u · vb ≥ 0,
2 − 2b
u · vb ≥ 0,
b · vb ≤ 1,
u
u·v
≤ 1,
||u||||v||
de donde
u · v ≤ ||u||||v||.
1.3. ESPACIOS VECTORIALES 5
1.3. Espacios Vectoriales

Ahora generalizaremos el concepto de espacio vectorial y vector. Se postularán una serie de axiomas,
de manera que todo conjunto de elementos que obedezca estos axiomas se llamará espacio vectorial y
los objetos se denominarán vectores.
1.3.1. Axiomas
Definición: Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con
dos operaciones: adición de dos vectores y multiplicación de un vector por un escalar real. Por adición se
entenderá que dados dos vectores u y v en V , hay una regla para determinar la adición de u y v, que se
denotará como u + v. Por multiplicación por un escalar se entenderá que dado un vector en V y un número
real k, hay una regla para determinar un objeto ku llamado multiplo escalar de u por k. Los siguientes
axiomas se deben de cumplir para todos los vectores u, v y w ∈ V , y para todos los escalares k y l ∈ R.
Si u y v ∈ V, entonces u + v ∈ V, (1.37)
u + v = v + u, (1.38)
u + (v + w) = (u + v) + w, (1.39)
Existe un vector 0 para todo u ∈ V, tal que u + 0 = 0 + u = u, (1.40)
Para todo u ∈ V existe −u ∈ V tal que u + (−u) = −u + u = 0, (1.41)
Si k ∈ R y u ∈ V entonces ku ∈ V, (1.42)
k(u + v) = ku + kv, (1.43)
(k + l)u = ku + lu, (1.44)
k(lu) = (kl)u, (1.45)
1u = u. (1.46)
Ejercicios
8. El conjunto Rn con las operaciones ordinarias de adición y multiplicación por escalares es un espacio
vectorial.
9. Sea V cualquier plano que pasa por el origen en R3 . Demuestre que todos los puntos en V forman
un espacio vectorial bajo las operaciones ordinarias para vectores en R3 de adición de vectores y
multiplicación de un vector por un escalar.
Solución
Los axiomas (1.38), (1.39),(1.43),(1.44) y (1.45) se cumplen para todos los puntos en R3 y por con-
siguiente para todos los puntos en el plano. Solo quedan los axiomas (1.37), (1.40), (1.41), (1.42) y
(1.46) por demostrar.
La ecuación del plano se escribe como:
ax + by + cz = 0, (1.47)
si u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) se localizan en el plano, entonces:
au1 + bu2 + cu3 = 0 av1 + bv2 + cv3 = 0, (1.48)
podemos escribir
a(u1 + v1 ) + b(u2 + v2 ) + c(u3 + v3 ) = 0, (1.49)
por lo tanto, el vector u + v = (u1 + v1 , u2 + v2 , u3 + v3 ), también está en el plano.

Ahora se cumple que:
−(au1 + bu2 + cu3 ) = 0,

a(−u1 ) + b(−u2 ) + c(−u3 ) = 0,
entonces el vector −u = (−u1 , −u2 , −u3 ) también está en V .

Multiplicando por k:
k(au1 + bu2 + cu3 ) = a(ku1 ) + b(ku2 ) + c(ku3 ) = 0, (1.50)
vemos que también ku está en el plano.
10. El conjunto V de todas las matrices de m × n con elementos reales junto con las operaciones de
adición de matrices y multiplicación por escalares es un espacio vectorial. La matriz de m × n es el
vector 0. A este espacio vectorial se le denomina Mmn . Demuestre que todas las matrices de m × n
satisfacen los axiomas (1.37)-(1.46).
11. Sea V el conjunto de las funciones reales que están definidas para todo x real. Si f (x) y g(x) son
dos de estas funciones y k es un número real, entonces:
(f + g)(x) = f (x) + g(x),

(kf )(x) = kf (x),
definen la suma de funciones y la multiplicación por un escalar. El vector cero será la función cero
para todo x.
12. Demuestre que todos los puntos (x, y) en R2 que pertenecen al primer cuadrante no forman un
espacio vectorial bajo las operaciones ordinarias en R2 .
Solución
Sea k = −1 y u = (u1 , u2 ), entonces ku = (−u1 , −u2 ) no está en V . Tampoco existe un vector −u en
V tal que u + (−u) = 0.
Teorema 1.3. Sea V un espacio vectorial, u un vector en V y k un escalar, entonces:
0u = 0, (1.51)
k0 = 0, (1.52)
−1u = −u, (1.53)
si ku = 0 entonces k = 0 o u=0 (1.54)
Ejercicios
Determine cuál de los siguientes conjuntos con las operaciones de adición de dos vectores y multipli-
cación por un escalar que se indican es un espacio vectorial.
13. El conjunto de todas las ternas de números reales (x, y, z) con las operaciones
(x, y, z) + (x0 , y 0 , z 0 ) = (x + x0 , y + y 0 , z + z 0 ),
y
k(x, y, z) = (kx, y, z).
Solución
Debemos verificar que se cumplan los axiomas antes mencionados. Es fácil ver que se cumplen los
axiomas (1.37)-(1.42), veamos ahora los restantes. Sea u = (x, y, z) y v = (x0 , y 0 , z 0 ),
k(u + v) = k(x + x0 , y + y 0 , z + z 0 ) = (k(x + x0 ), y + y 0 , z + z 0 )),

k(u + v) = (kx, y, z) + (kx0 , y 0 , z 0 ),
k(u + v) = ku + kv,
(k + l)u = (k + l)(x, y, z) = ((k + l)x, y, z),
(k + l)u = (kx, y, z) + (lx, 0, 0),
(k + l)u 6= ku + lu,
Por lo tanto este conjunto no es un espacio vectorial.

14. El conjunto de todas las ternas de números reales (x, y, z) con las operaciones
(x, y, z) + (x0 , y 0 , z 0 ) = (x + x0 , y + y 0 , z + z 0 ),
y
k(x, y, z) = (0, 0, 0).
Solución
En este ejemplo no se cumple el siguiente axioma:
1u = 0 6= u, (1.55)
por lo tanto no es un espacio vectorial.

15. El conjunto de todos los pares de números reales con las operaciones
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ),
y
k(x, y) = (2kx, 2ky).
Solución
En este ejemplo igual que el anterior, no se cumple el mismo axioma ya que:
1u = 1(x, y) = 2u 6= u, (1.56)
por lo tanto no es un espacio vectorial.

16. El conjunto de todos los números reales x con las operaciones de adición y multiplicación.Solución
Sea u = x, con x un número real, se puede mostrar que se cumplen todos los axiomas y por lo tanto
este es un espacio vectorial.
17. El conjunto de todos los números reales de la forma (x, 0) con las operaciones ordinarias en R2 .
Solución
Es evidente que este conjunto es el de todos los vectores en R2 que yacen sobre el eje x. Por lo
tanto, este si es un espacio vectorial.
18. El conjunto de todos los números reales de la forma (x, y) donde x ≥ 0 con las operaciones ordinarias
en R2 .
Solución
Sea u = (x, y), se deduce que no existe el vector negativo tal que: u + (−u) = 0, ya que −u = (x, y)
no está en V y por lo tanto no es un espacio vectorial.
19. El número de todas las n − adas de números reales de la forma (x1 , . . . , xn ) con las operaciones
ordinarias en Rn .
Solución
Es evidente que este conjunto es un espacio vectorial porque se cumplen todos los axiomas.
20. El conjunto de todos los pares de números reales (x, y) con las operaciones (x, y) + (x0 + y 0 ) =
(x + x0 + 1, y + y 0 + 1) y k(x, y) = (kx, ky).
Solución
Debemos verificar que se cumplan todos los axiomas, por ejemplo:
k(u + v) = k((x, y) + (x0 , y 0 )),
= k(x + x0 + 1, y + y 0 + 1),
= (kx + kx0 + k, ky + ky 0 + k),
mientras que:
ku + kv = (kx + kx0 + 1, ky + ky 0 + 1),
por lo tanto k(u + v) 6= ku + kv, luego entonces este conjunto no es un espacio vectorial.
21. El conjunto de todos los números reales positivos x con las operaciones x + x0 = xx0 y kx = xk .
Solución
Veamos si se cumplen los axiomas. Sea u = x, v = x0 y w = x00 ∈ R, entonces
u + v = xx0 ∈ R.
u + v = xx0 = x0 x = v + u.
u + (v + w) = x + x0 x00 = xx0 x00 = xx0 + x00 = (u + v) + w.
El vector cero es la unidad 0 = 1 ya que u + 0 = x ∗ 1 = u = 1 ∗ x = 0 + u.
El vector −u = 1/x ya que u + (−u) = x ∗ 1/x = 1 = 0.
ku = xk ∈ R.
k(u + v) = k(xx0 ) = (xx0 )k = xk (x0 )k = (kx)(kx0 ) = (kx) + (kx0 ) = ku + kv.
(k + l)u = xk+l = (xk )(xl ) = (kx)(lx) = (kx) + (lx) = ku + lu.
k(lu) = k(xl ) = (xl )k = xlk = xkl = l(xk ) = lkx = lku.
1u = x1 = x = u
22. El conjunto de todas las matrices de 2 × 2 de la forma:

a 1
A= (1.57)
1 b
Con las operaciones ordinarias de multiplicación de matrices y multiplicación de una matriz por un
escalar.
Solucion
Sean
a 1
u= ,
1 b
y
a0

1
v= ,
1 b0
entonces
a + a0

2
u+v = . (1.58)
2 b + b0
Vemos que u + v no está en V , por lo tanto este no es un espacio vectorial.
23. El conjunto de todas las matrices de la forma:

a 0
A= , (1.59)
0 b
con las operaciones ordinarias de adición de matrices y multiplicación de una matriz por un escalar.
Solucion
Este sı́ es un espacio vectorial pues es posible demostrar todos los axiomas.
1.3.2. Subespacio vectorial

Definición. Un subconjunto de W de un espacio vectorial V es un subespacio de V si W es por si
solo un espacio vectorial bajo las operaciones de adición de vectores y de multiplicación por un escalar
definidas en V .
Ejercicios
24. Los vectores en R2 son un subespacio de R3 .
25. Un plano o una recta son subespacios de R3 siempre que el origen forme parte ya sea del plano o
de la recta.
Teorema 1.4. Si W es un conjunto de uno o más vectores de un espacio vectorial V , entonces W es un

subespacio de V si y solo satisface las siguientes condiciones:
Si u y v estań en W , entonces u + v está en W.
Si k es un escalar y u está en W , entonces ku está en W.
Todo espacio vectorial V tiene al menos 2 subespacios: V es un subespacio de si mismo y el conjunto

0 que consiste únicamente del vector cero.
Ejercicios
26. Demuestre que el conjunto W de todas las matrices de 2×2 que tienen ceros en la diagonal principal,
es un subespacio del espacio vectorial M22 .
Solucion
a0

0 a 0
Sea: u = yv= , entonces:
b 0 b0 0
a + a0

0
u+v = ,
b + b0
0

0 ka
ku = ,
kb 0
Asi que podemos ver que u + v y ku están en W , por lo tanto W es un subespacio de V .
27. El conjunto de todos los polinomios de grado ≤ n, denominado Pn , es un subespacio del espacio de
todas las funciones reales.
Solucion
Sea u = a0 + a1 x + · · · + an xn y v = b0 + b1 x + · · · + bn xn , entonces:
u+v = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ,

ku = ka0 + ka1 x + · · · + kan xn .
Vemos que tanto u + v y ku están en W y por lo tanto este es un subespacio de V .

28. Las funciones reales continuas en todo x son un subespacio del conjunto de todas las funciones
reales.
Solucion
Si f (x) y g(x) son funciones continuas, entonces f (x) + g(x) y kf (x) son funciones continuas.
29. Sea Ax = 0 un sistema homogéneo de m ecuaciones lineales con n incógnitas. Sea W el conjunto
de vectores solución al sistema y sean s y s0 dos vectores solución. W es un subespacio del espacio
de todos los vectores en Rn .
Solucion
Se tiene que: As = 0 y As0 = 0, entonces:
A(s + s0 ) = As + As0 = 0 + 0,
A(ks) = kAs = k0 = 0.
0
Por lo tanto s + s y ks están en W .
30. Determine cuál de los siguientes conjuntos es un subespacio de R3 .
Todos los vectores de la forma (a, 0, 0).
Solución
Sean u = (a, 0, 0) y v = (a0 , 0, 0), u + v = (a + a0 , 0, 0) está en W y ku = (ka, 0, 0) también está
en W . Por lo tanto W es un subespacio de V .
Todos los vectores de la forma (a, 1, 1).
Solución
Sean u = (a, 1, 1) y v = (a0 , 1, 1) entonces u + v = (a + a0 , 2, 2) no está en W . Por lo tanto W no
es un subespacio de V .
31. Determine cuál de los siguientes conjuntos es un subespacio de M2×2 .
Las matrices de la forma
a b
A= ,
c d
con a, b, c y d enteros.
Solución
Si k es un real, entonces
a b ka kb
kA = k =
c d kc kd
no está en W y por lo tanto W no es un subespacio.
Todas las matrices de la forma
a b
A= ,
c d
donde a + d = 0.
Solución
Sean
a b
u= ,
c d
y
a0 b0

v= ,
c0 d0
entonces:
a0 b0 a + a0 b + b0

a b
u+v = + = , (1.60)
c d c0 d0 c + c0 d + d0
en donde se tiene que a + a0 + d + d0 = (a + d) + (a0 + d0 ) = 0 + 0 = 0. Además

ka kb
ku = , (1.61)
kc kd
en donde se tiene que ka + kd = k(a + d) = 0. Por lo tanto u + v y ku están en W y este es un

subespacio de M2×2 .
32. Determine si los siguientes conjuntos son subespacios de R3 .
Todos los vectores de la forma u = (a, b, c) donde (b = a + c).
Solución
Sean u = (a, b, c) y v = (a0 , b0 , c0 ), que satisfacen b = a + c y b0 = a0 + c0 . Debemos mostrar que
u + v y ku están en V , es decir, son de la misma forma que u.
Solución
u + v = (a + a0 , b + b0 , c + c0 ) = (a00 , b00 , c00 ), (1.62)

con a00 = a + a0 , b00 = b + b0 , c00 = c + c0 . Veamos si se cumple que b00 = a00 + c00 , esto asegurará
que u + v está en V :
a00 + c00 = (a + a0 ) + (c + c0 ) = (a + c) + (a0 + c0 ) = b + b0 = b00 . (1.63)
Ahora vemos que pasa con ku
ku = k(a, b, c) = (a00 , b00 , c00 ), (1.64)
de donde a00 = ka, b00 = kb, c00 = kc, entonces vemos que:
a00 + c00 = ka + kc = k(a + c) = kb = b00 , (1.65)
con ésto queda demostrado que este conjunto si es un subespacio de R3 .

Todos los vectores de la forma (a, b, c) donde b = a + c + 1.
Solución
Sean u = (a, b, c) y v = (a0 , b0 , c0 ) entonces:
u + v = (a + a0 , b + b0 , c + c0 ) = (a00 , b00 , c00 ), (1.66)
en donde se debe cumplir que:
a00 + c00 + 1 = b00 ,

a00 + c00 + 1 = (a + c) + (a0 + c0 ) + 1,
= b − 1 + b0 − 1 + 1 = b + b0 − 1 6= b + b0 ,
entonces este no es un subespacio de R3

33. Determine cuál de los siguientes conjuntos es un subespacio de M2×2 .
Las matrices de 2 × 2 tales que A = AT .

Solución
Sea
a b
A= ,
c d
si A = AT entonces
a c a b
AT = = ,
b d c d
de modo que b = c, entonces estas matrices tienen la forma:

a b
A= , (1.67)
b d
Ahora sea
a0 b0

B= ,
b0 d0
entonces:
a + a0 b + b0

a b a b
A+B= + = , (1.68)
c d c d b + b0 d + d0
y es evidente que CT = (A + B)T está en V . Ahora sea

ka kb
C = kA = ,
kb kd
de donde CT = C. Por lo tanto este conjunto es un subespacio de M2×2 .

Todas las matrices de 2 × 2 tales que |A| = 0.
Solución
Sea
a b
A= ,
c d
con determinante
|A| = ad − bc.
Ahora sea
a0 b0

B= ,
c0 d0
entonces:
a + a0 b + b0

C=A+B= , (1.69)
c + c0 d + d0
con determinante
|C| = (a + a0 )(d + d0 ) − (b + b0 )(c + c0 ) = a0 d + ad0 − b0 c − bc0 6= 0, (1.70)
En general det(A + B) 6= det A + det B. Por consiguiente este no es un subespacio de M2×2 .
34. El espacio vectorial de todos los polinómios de grado ≤ n se denota como Pn . Determine cuál de los
siguientes conjuntos es un subespacio de P3 .
Todos los polinómios P (x) = a0 + a1 x + a2 x2 + a3 x3 para los cuales a0 = 0.

Solución
Sean
P (x) = b0 + b1 x + b2 x2 + b3 x2 ,
y
Q(x) = c0 + c1 x + c2 x2 + c3 x2 ,
con b0 = 0 y c0 = 0. Es facil ver que P (x) + Q(x) y kP (x) están en W , por lo tanto éste es un
subespacio de P3 .
Todos los polinómios de la forma P (x) = a0 + a1 x + a2 x2 + a3 x3 , con a0 + a1 + a2 + a3 = 0.
Solución
Sea
Q(x) = b0 + b1 x + b2 x2 + b3 x3 ,
con b0 + b1 + b2 + b3 = 0, entonces
P (x) + Q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3 = c0 + c1 x + c2 x2 + c3 x3 , (1.71)
con cn = an + bn (n = 0, . . . , 3), de donde se deduce que se cumple c0 + c1 + c2 + c3 = 0:
(a0 + b0 ) + (a1 + b1 ) + (a2 + b2 ) + (a3 + b3 ) = (a0 + a1 + a2 + a3 ) + (b0 + b1 + b2 + b3 ) = 0. (1.72)
Ahora se tiene que

kP (x) = ka0 + ka1 x + ka2 x2 + ka3 x3 ,
de donde
ka0 + k1 a1 + ka2 + ka3 = k(a1 + a2 + a3 ) = 0 (1.73)
Por lo tanto W es un subespacio vectorial de P3 .
Todos los polinómios P (x) para los cuales a0 , a1 , a3 son enteros.
Solución
Es fácil ver que kP (x) no está en W , pues los respectivos coeficientes ka0 , ka1 , ka3 no están en
los enteros. Entonces W no es un subespacio de P3 .
Todos los polinómios P (x) de la forma P (x) = a0 + a1 x donde a0 , a1 son reales.
Solución
Es fácil ver que este si es un subespacio de P3 .
35. Determine cuál de los siguientes conjuntos es un subespacio de todas las funciones reales definidas
en la recta real.
Todas las f (x) tales que f (x) ≤ 0 para toda x.
Solución
Sean f (x) y g(x) con f (x) ≤ 0 g(x) ≤ 0. Se cumple que h(x) = f (x) + g(x) ≤ 0, pero kf (x)
depende del valor de k: si k < 0, kf (x) ≥ 0 y entonces kf (x) no está en W . Este conjunto no es
un subespacio.
36. Todas las funciones f tales que f (0) = 0.
Solución
Sean f (x) y g(x) tales que f (x) = g(x) = 0, entonces h(x) = f (x) + g(x) y h(0) = f (0) + g(0) = 0.
Ahora sea h(x) = kf (x), h(0) = kf (0) = 0. Tanto f (x) + g(x) como kf (x) está en W y este sı́ es un
subespacio.
1.3.3. Combinación Lineal

Definición. Se dice que un vector w es una combinación lineal del conjunto de vectores S = {v1 , . . . , vn }
si es posible expresarlo como:
w = k1 v1 + · · · + kn vn , (1.74)
para escalares k1 , . . . , kn ∈ R.
Definicı́on. Un conjunto de vectores S = {v1 , . . . , vr } genera un espacio vectorial V si S ∈ V y cada

vector u ∈ V es una combinación lineal de {v1 , . . . , vr }.
Ejercicios
37. Si v1 y v2 son vectores no colineales en R3 y sus puntos iniciales están en el origen, las combinaciones
lineales k1 v1 + k2 v2 determinan a un plano.
38. Determine si v1 = (1, 1, 2), v2 = (1, 0, 1) y v3 = (2, 1, 3) generan a R3 .
Solución
Si esto es cierto, todo vector en R3 será una combinación lineal de {v1 , v2 , v3 }. Sea u = (x, y, z) un
vector arbitrario, entonces:
u = k1 v1 + k2 v2 + k3 v3 , (1.75)
para algunos escalares k1 , k2 y k3 :
k1 + k2 + 2k3 = x,
k1 + k3 = y,
2k1 + k2 + 3k3 = z.
Debemos ver si este sistema tiene solución para todo (x, y, z). Podemos escribir:
Ak = u,
donde     
1 1 2 k1 x
A= 1 0 1 , k =  k2  , u =  y . (1.76)
2 1 3 k3 z
El sistema tendrá solución para todo u si A es invertible. Si A es invertible, entonces det A ≡ |A| =
6 0.

1 1 2 1 1 2

|A| = 1 0 1 = 1 0 1 = 0, (1.77)
2 1 3 0 0 0
en donde sumamos al tercer renglón el negativo de los dos primeros renglones. Por lo tanto A es no
invertible y los vectores {v1 , v2 , v3 } no generan a R3 .
39. Demuestre que el vector w = (9, 2, 7) es una combinación lineal de u = (1, 2, −1) v = (6, 4, 2).
Solucion
a(1, 2, −1) + b(6, 4, 2) = (9, 2, 7), (1.78)

de donde
a + 6b = 9, (1.79)
2a + 4b = 2, (1.80)
−a + 2b = 7, (1.81)
vemos que la ecuación (1.81) es redundante pues se obtiene de restar (1.79) con (1.80). La solución
del sistema es entonces:
− 8b = 2 − 18 = −16, (1.82)
de donde b = 2 y a = −3, de modo que:
(9, 2, 7) = −3(1, 2, −1) + 2(6, 4, 2) = 3u + 2v. (1.83)
40. Demuestre que el vector (4, −1, 3) no es una combinación lineal de los vectores u y v del ejercicio
anterior.
Solucion
Vemos que
(4, −1, 3) = a(1, 2, −1) + b(6, 4, 2), (1.84)
de donde
a + 6b = 4,
2a + 4b = −1,
−a + 2b = 4.
Este sistema no tiene solución y por lo tanto (4, −1, 3) no es combinación lineal de u y v.
Teorema 1.5. Sean {v1 , . . . , vr } vectores de un espacio vectorial V , entonces:
El conjunto W de todas las combinaciones lineales de {v1 , . . . , vr } es un subespacio de V .
W es el subespacio más pequeño de V que tiene como a elementos a {v1 , . . . , vr }, es decir, cualquier
otro subespacio de V que contiene como elementos a {v1 , . . . , vr } debe contener a W .
Demostración:
Sean:
u = k1 v1 + · · · + kr vr ,
v = k10 v1 + · · · + kr0 vr ,
u+v = (k1 + k10 )v1 + · · · + (kr + kr0 )vr ,
entonces u + v está en W .
ku = (kk1 )v1 + · · · + (kkr )vr ,
y ku también está en W .
Todo vector vi es una combinación lineal de S = {v1 , . . . , vr } puesto que:
vi = 0v1 + 0v2 + · · · + 1vi + · · · + 0vr , (1.85)
y por lo tanto todo vi está en W .
Ejercicios
41. Diga cuál de los siguientes vectores son combinación lineal de u = (1, −1, 3) y v = (2, 4, 0).
w = (3, 3, 3).
Solucion
Debemos poder escribir w = au + bv para escalares reales a y b:
(3, 3, 3) = a(1, −1, 3) + b(2, 4, 0), (1.86)
de donde
a + 2b = 3, (1.87)
−a + 4b = 3, (1.88)
3a = 3, (1.89)
de donde de la ecuación (1.89) se tiene que a = 1 y de la ecuación (1.88) vemos que b = 1.

Estos valores si satisfacen la ecuación (1.87) y por lo tanto w si es una combinación lineal de u
y v.
w = (4, 2, 6).
Solucion
Sea w = au + bv, entonces se deduce que
a + 2b = 4, (1.90)
−a + 4b = 2, (1.91)
3a = 6, (1.92)
de donde se tiene que de la ecuación (1.92) a = 2 y de (1.91) tenemos que b = 1. Estos valores
satisfacen la ecuación w = au + bv y por lo tanto si hay dependencia lineal.
42. Exprese los siguientes polinomios como combinaciones lineales de: p1 = 2 + x + 4x2 , p2 = 1 − x + 3x2
y p3 = 3 + 2x + 5x2 .
q = 5 + 9x + 5x2 .
Solucion
Escribamos q = ap1 + bp2 + cp3 :
q = 5 + 9x + 5x2 = ap1 + bp2 + cp3 ,

= a(2 + x + 4x2 ) + b(1 − x + 3x2 ) + c(3 + 2x + 5x2 ),
= (2a + b + 3c) + (a − b + 2c)x + (4a + 3b + 5c)x2 ,
de donde:
2a + b + 3c = 5,
a − b + 2c = 9, (1.93)
4a + 3b + 5c =, 5
Este sistema de ecuaciones lineales se puede escribir como:
    
2 1 3 a 5
 1 −1 2   b  =  9  , (1.94)
4 3 5 c 5
Por eliminación gaussiana tenemos la solución:
1 21 3 5
    
2 a 2
 0 1 − 1   b  =  − 13  , (1.95)
3 3
0 0 − 23 c − 23
de donde c = 1, b = −4 y a = 3. Entonces q(x) = 3p1 (x) − 4p2 (x) + p3 (x).

43. Diga cuáles de las siguientes matrices son combinaciones lineales de las matrices A, B y C dadas
por
1 2 0 1 4 −2
A= , B= C= . (1.96)
−1 3 2 4 0 −2

6 3
D= .
−0 8
Solucion
Si D es combinación lineal de A,B y C, entonces:
D = aA + bB + cC, (1.97)
es decir
6 3 a + 4c 2a + b − 2c
D= = , (1.98)
−0 8 −a + 2b 3a + 4b − 2c
de donde
a + 4c = 6, (1.99)
2a + b − 2c = 3, (1.100)
−a + 2b = 0, (1.101)
3a + 4b − 2c = 8, (1.102)
de donde se obtiene que de la ecuación (1.101) tenemos a = 2b y de (1.99) vemos que a = 6−4c,
de donde 2b = 6 − 4c entonces b = 3 − 2c. Sustituyendo en (1.100), se tiene c = 1, entonces
b = 1 y a = 2. Sustituyendo en (1.102) tenemos 6 + 4 − 2 = 8. El sistema es consistente y D es
combinación lineal de A, B y C:
D = 2A + B + C

−1 7
D= .
5 1
44. Determine si los vectores dados generan a R3 .
v1 = (1, 1, 1), v2 = (2, 2, 0) y v3 = (3, 0, 0).

Solucion
Cualquier vector en R3 puede ser escrito en términos de v1 , v2 y v3 si estos generan a R3 .
Sea u = (x, y, z), entonces:
u = av1 + bv2 + cv3 ,

(x, y, z) = (a + 2b + 3c, a + 2b, a),
de donde:
a + 2b + 3c = x,
a + 2b = y, (1.103)
a = z,
en forma matricial:     
1 2 3 a x
 1 2 0  b  =  y , (1.104)
1 0 0 c z
que puede escribirse como 
  
a x
A b  =  y , (1.105)
c z
con  
1 2 3
A= 1 2 0 .
1 0 0
Para que el sistema tenga solución, la matriz A debe tener inversa y por lo tanto det A 6= 0.
Vemos que

1 2 3

det A = 1 2 0 = 6 6= 0, (1.106)

1 0 0
es decir, estos vectores generan a R3 .

v1 = (2, −1, 3), v2 = (4, 1, 2) y v3 = (8, −1, 8).
45. Determine cuál de los siguientes vectores pertenecen al espacio generado por f (x) = cos2 (x) y
g(x) = sin2 (x).
h(x) = cos(2x).
Solucion
Si h(x) es una combinación lineal de f (x) y g(x) se puede escribir como
h(x) = af (x) + bg(x) = a cos2 (x) + b sin2 (x),
de donde
a cos2 (x) + b sin2 (x) = a cos2 (x) + b(1 − cos2 )(x) = b + (a − b) cos2 (x), (1.107)
pero cos2 (x) = 21 (1 + cos(2x)), entonces:
1
af (x) + bg(x) = b + (a − b) (1 + cos(2x)),
2
1 1
= (a + b) + (a − b) cos(2x),
2 2
= h(x) = cos(2x),
entonces se debe cumplir que :
a+b=0 y a − b = 2, (1.108)
de donde a = −b y b = −1, entonces a = 1. Entonces h(x) = af (x) + bg(x) = cos2 (x) − sin2 (x).
h(x)=1.
Solucion
Inmediatamente deducimos que:
h(x) = cos2 (x) + sin2 (x) = f (x) + g(x). (1.109)
h(x) = 3 + x2 .
Solucion
No hay forma de escribir x2 en términos de cos2 (x) y sin2 (x), por lo tanto no es una combinación
lineal.
h(x) = sin(x).
46. Determine si los siguientes vectores generan a P3 :

Q1 = 1 + 2x − x2 ,
Q2 = 3 + x2 ,
Q3 = 5 + 4x − x2 ,
Q4 = −2 + 2x − 2x2 .
Solucion
Vemos que no existe ningún término de orden x3 , por lo que es inmediato ver que estos polinómios
no generan a P3
47. Encuentre la ecuación del plano generado por u = (1, 1, −1) y v = (2, 3, 5).
Solucion
Cualquier vector en este plano se puede escribir como combinación lineal de u y v. Sea w un vector
en este plano:
w = au + bv = a(1, 1, −1) + b(2, 3, 5), (1.110)

de donde:
x = a + 2b, y = a + 3b,
(1.111)
z = −a + 5b,
Otra forma de obtener esta ecuación es si observamos que si u, v y w están en el plano no generan
a R3 y por lo tanto α1 u + α2 v + α3 u = 0.
α1 + 2α2 + xα3 = 0,
α1 + 3α2 + yα3 = 0,
−α1 + 5α2 + zα3 = 0,
lo cual se puede escribir como

  
1 2 x α1
Aα =  1 3 y   α2  = 0,
−1 5 z α3
Para que este sistema tenga una solución válida el determinante de la matriz A debe ser igual a cero:

1 2 x
1 3 1 2 1 2
det A = 1 3 y = x
−y +z
= 8x − 7y + z = 0, (1.112)
−1 5 z −1 5 −1 5 1 3
entonces: 8x − 7y + z = 0 es la ecuación del plano.
1.3.4. Independencia lineal

Definición. Si S = {v1 , . . . , vr } es un conjunto de vectores, entonces la ecuación:
k1 v1 + k2 v2 + · · · + kr vr = 0 (1.113)
tiene al menos una solución, que es la trivial k1 = · · · = kr = 0. Si esta solución es única, se dice que S es
linealmente independiente. Si existen otras soluciones, se dice que S es linealmente dependiente.
Nota:
Un conjunto de vectores es linealmente dependiente si al menos uno de los vectores en este conjunto
se puede expresarse como combinación lineal de los restantes.
Dos vectores v1 y v2 forman un conjunto linealmente dependiente si y sólo si uno de ellos es múltiplo
escalar del otro: Si hay dependencia lineal k1 v1 +k2 v2 = 0 para k1 6= 0 y k2 6= 0, entonces v1 = − kk12 v2 .
Ejercicios
48. Diga si los siguientes vectores forman un conjunto linealmente dependiente. S = {v1 , v2 , v3 }, con
v1 = (2, −1, 0, 3), v2 = (1, 2, 5 − 1) y v1 = (7, −1, 5, 8).
Solucion
Se puede mostrar que 3v1 + v2 − v3 = 0. Por tanto este es un conjunto linealmente dependiente.
49. Los polinomios p1 = 1 − x, p2 = 5 + 3x − 2x2 , p3 = 1 + 3x − x2 forman un conjunto linealmente

dependiente ya que 3p1 − p2 + 2p3 .
50. Determine si el conjunto formado por los vectores v1 = (1, −2, 3), v2 = (5, 6, −1) y v3 = (3, 2, 1) es
linealmente dependiente.
Solucion
Si hay independencia lineal, se debe tener que la ecuación:
k1 v1 + k2 v2 + k3 v3 = 0 (1.114)
solo tiene la solución trivial k1 = k2 = k3 = 0. Al sustituir los vectores en la ecuación (1.114), se

obtiene un sistema de ecuaciones en forma matricial, por lo que podemos expresar dichas ecuaciones
de la siguiente manera:
    
1 5 3 k1 0
Ak =  −2 6 2   k2  =  0  = 0. (1.115)
3 −1 1 k3 0
Si hay una solución distinta a la trivial, entonces det A 6= 0, pero el cálculo explı́cito demuestra que
det A = 0, entonces este conjunto es linealmente dependiente.
51. Demuestre que si v1 , v2 y v3 son tres vectores en R3 , entonces el conjunto S = {v1 , v2 , v3 } es

linealmente dependiente si y sólo si los tres vectores pertenecen a un plano.
Teorema 1.6. Sea S = {v1 , · · · vr } un conjunto de vectores en Rn . Si r < n entonces S es linealmente

dependiente.
Demostración:
Sea vi = (vi 1, vi 2, . . . , vi n). Consideremos:
k1 v1 + · · · + kr vr = 0 (1.116)
Esto da lugar a un sistema de n ecuaciones con r incógnitas. Tal sistema admite soluciones no triviales.
En consecuencia S es un conjunto linealmente dependiente.
Ejercicios:
52. Diga cuál de los siguientes conjuntos de vectores en P2 son linealmente independientes.
S = {u1 = 2 − x + 4x2 , u2 = 3 + 6x + 2x2 , u3 = 2 + 10x − 4x2 .

Solución
Si el conjunto el linealmente independiente, entonces k1 u1 +k2 u2 +k3 u3 = 0 admite una solución
no trivial. Ahora
k1 (2 − x + 4x2 ) + k2 (3 + 6x + 2x2 ) + k3 (2 + 10x − 4x2 ) = 0, (1.117)
lo que da lugar a tres ecuaciones lineales con incógnitas k1 , k2 , k3 que se pueden expresar
matricialmente como:   
2 3 2 k1
 −1 6 10   k2  = 0, (1.118)
4 2 −4 k3
o bien Ak = 0, con  
2 3 2
A =  −1 6 10  . (1.119)
4 2 −4
El determinante de A es distinto de 0, por lo tanto solo existe la solución trivial y este conjunto
es linealmente independiente.
u1 = 3 + x + x2 , u2 = 2 − 1x + 5x2 , u3 = 4 − 3x2 .
Solución
Mediante un procedimiento similar se obtiene el sistema de ecuaciones siguiente
    
3 2 4 k1 0
Ak =  1 −1 0   k2  =  0  (1.120)
1 −5 3 k3 0
Se puede mostrar que el determinante de A es distinto de cero, por lo tanto es un conjunto
linealmente independiente.
53. Sea V el espacio de todas las funciones reales definidas en toda la recta real . ¿Cuáles de los
siguientes conjuntos de vectores en V son linealmente dependientes?
S = {v1 = 2, v2 = 4 sin2 (x), v3 = cos2 (x)}.
Solución
Se puede verificar que k1 v1 + k2 v2 + k3 v3 = 0 solo tiene como solución k1 = k2 = k3 = 0, por lo
tanto éste un conjunto linealmente independiente.
S = {v1 = 1, v2 = sin(x), v3 = sin(2x)}.
Solución
Para que k1 v1 + k2 v2 + k3 v3 = 0 se debe cumplir que k1 = k2 = k3 = 0, por lo tanto éste un
conjunto linealmente independiente.
54. ¿Para qué valores de λ el conjunto de vectores siguientes forman un conjunto linealmente depen-
diente en R3 ?

1 1 1 1 1 1
S = v1 = λ, − , − , v2 = − , λ, − , v3 = − , − , λ .
2 2 2 2 2 2
Solución
La ecuación k1 v1 + k2 v2 + k3 v3 = 0 da lugar al sistema de ecuaciones siguiente:
λ − 12 − 12
    
k1 0
Ak =  − 21 λ − 12   k2  =  0  . (1.121)
− 21 − 12 λ k3 0
Este sistema tiene solución diferente a la trivial si det A 6= 0. El cálculo del determinante de A da lugar
a una ecuación de tercer grado en λ, esto es:

1 1 1
det A = λ + λ2 − λ − = 0, (1.122)
2 2 2
de donde las raices de la ecuación cuadrática son λ = 1, − 21 . Entonces podemos expresar el deter-
minante de A como:
1 1
det A = λ + (λ − 1) λ + . (1.123)
2 2
Entonces el conjunto es linealmente dependiente para λ = 1 y λ = − 21 .
1.3.5. Bases y dimensión

Definición. Si V es un espacio vectorial y S = {v1 , . . . , vr } es un conjunto finito de vectores en V ,
entonces se dice que S es una base de V si y solo si:
S es linealmente independiente.
S genera a V .
Nota:
Un espacio vectorial V tiene una definicón finita si hay un subconjunto finito de vectores de V que forman
una base de V . Si no existe tal conjunto, se dice que V tiene dimensión infinita.
Ejercicios
55. El conjunto S = {e1 , . . . , en } con e1 = (1, . . . , 0), . . . , en = (0, . . . , 1) es una base de Rn porque es un
conjunto linealmente independiente y genera a Rn .
56. Demuestre que los vectores v1 = (1, 2, 1), v2 = (2, 9, 0), v3 = (3, 3, 4) forman una base de R3 .
Solución
Se debe mostrar que:
S es linealmente independiente, esto es, k1 v1 + k2 v2 + k3 v3 = 0 si y solo si k1 = k2 = k3 = 0.

Esto equivale a demostrar que el siguiente sistema de ecuaciones solo tiene una solución trivial
  
1 2 3 k1
Ak =  2 9 3   k2  = 0. (1.124)
1 0 4 k3
Se puede mostrar que det A = −1, por lo tanto A es invertible y se deduce que k1 = k2 = k3 = 0.
Se puede mostrar que la inversa de A es
 
−36 8 21
A−1 =  5 −1 −3
9 −2 −5
S genera a R3 , es decir, cualquier vector b = (x, y, z) ∈ R3 puede escribirse como b = k1 v1 +

k2 v2 + k3 v3 . Esto equivale a encontrar k1 , k2 , k3 en términos de x, y, z:
    
1 2 3 k1 x
Ak =  2 9 3   k2  =  y  , (1.125)
1 0 4 k3 z
después de multiplicar ambos lados a la izquierda por A−1 se obtiene

    
k1 −36 8 21 x
 k2  =  5 −1 −3  y  . (1.126)
k3 9 −2 −5 z
57. Mostrar que el conjunto S = {1, x, x2 , x3 , . . . , xn } es una base de Pn .

1 0 0 1 0 0 0 0
58. Mostrar que las matrices M1 = , M2 = , M3 = y M4 = son
0 0 0 0 1 0 0 1
una base de M2×2 .
59. Encuentre una base y la dimensión del sistema homogéneo de ecuaciones:
2x1 + 2x2 − x3 + x5 =0
−x1 − x2 − 2x3 − 3x4 + x5 =0
. (1.127)
x1 + x2 − 2x3 − x5 =0
x3 + x4 + x5 =0
Solución
Este es un sistema con más ecuaciones que incógnitas y tiene infinitas soluciones. La matriz aumen-
tada del sistema es:
 
2 2 −1 0 1
 −1 −1 2 −3 1 
A= . (1.128)
 1 1 −2 0 −1 
0 0 1 1 1
Aplicando reducción de Gauss se tiene

     
1 1 −2 0 −1 1 1 −2 0 −1 1 1 −2 0 −1
 0 0 0 −3 0   0 0 1 1 1   0 0 1 1 1 
A∼ ∼  ∼  , (1.129)
 0 0 3 0 3   0 0 0 −3 0   0 0 0 3 0 
0 0 1 1 1 0 0 0 −37 0 0 0 0 0 0
de donde x4 = 0, x3 + x5 = 0, x1 + 2x3 − x5 = 0. Eligiendo x5 = t y x2 = s, con s y t ∈ R, se tiene

x3 = −x5 = −t y x1 = 2x3 + x5 − x2 = −s − t, entonces toda la solucioń al sistema puede escribirse
como
u = (−s − t, s, −t, 0, t)m (1.130)
que puede escribirse como
u = s(−1, 1, 0, 0, 0) + t(−1, 0, −1, 0, 1). (1.131)
Entonces el conjunto de vectores {v1 = (−1, 1, 0, 0, 0), v2 = (−1, 0, −1, 0, 1)} es una base de este
espacio vectorial que tiene dimensión 2.
60. Determine la dimensión de cada uno de los siguientes subespacios de R4 .
Todos los vectores de la forma (a, b, c, 0).

Todos los vectores de la forma (a, b, c, d), donde d = a + b y c = a − b.
Teorema 1.7. Si S = {v1 , . . . , vn } es una base de un espacio vectorial V de dimensión finita, entonces
cualquier subconjunto de V con más de n vectores es linealmente dependiente.
Demostración:
Sea S 0 = {w1 , . . . , wm } un conjunto de m vectores, m > n. Sea S = {v1 , . . . , vn } es una base de un espacio
vectorial V . Si S 0 es un conjunto linealmente dependiente, entonces existen escalares k1 , ...km diferentes
de cero tales que:
k1 w1 +, . . . , km wm = 0, (1.132)
Si S es una base, cada wi puede expresarse en términos de los vectores en S:
wi = ai1 v1 +, . . . , +ain vn , (1.133)
la ecuación (1.132) puede expresarse como:
k1 (a11 v1 + a12 v2 + · · · + a1n vn ) + k2 (a21 v1 + a22 v2 + · · · + a2n vn )+

(1.134)
· · · + km (am1 v1 + am2 v2 + · · · + amn vn ) = 0,
esto se puede escribir como
(k1 a11 + k2 a21 + · · · + km am1 )v1

+(k1 a12 + k2 a22 + · · · + km am2 )v2
+(k1 a13 + k2 a23 + · · · + km am3 )v3
+(k1 a14 + k2 a24 + · · · + km am4 )v4
..
.
+(k1 amn + k2 amn + · · · + km amn )vn = 0.
Como {v1 , ...vn } forman un conjunto linealmente independiente, entonces:
k1 a11 + k2 a21 + . . . + km am1 = 0,

k1 a12 + k2 a22 + . . . + km am2 = 0,
k1 a13 + k2 a23 + . . . + km am3 = 0,
k1 a14 + k2 a24 + . . . + km am4 = 0,
..
.
k1 amn + k2 amn + · · · + km amn = 0.
Este es un sistema de n ecuaciones con m incógnitas y por lo tanto tiene solución no trivial y S 0 es
linealmente dependiente.
Teorema 1.8. Cualesquiera dos bases de un espacio vectorial de dimensión finita tienen el mismo número
de vectores.
Definición. La dimensión de un espacio vectorial de dimensión finita se define como el número de

vectores en una base de V .
Teorema 1.9.
Si S = {v1 , . . . , vn } es un conjunto de vectores linealmente independientes en un espacio V de n

dimensiones entonces S es una base de V .
Si S = {v1 , . . . , vn } es un conjunto de n vectores que generan un espacio de n dimensiones entonces

S es una base de V .
Si S = {v1 , . . . , vn } es un conjunto de vectores linealmente independientes en un espacio V de n

dimensiones y r < n, entonces a S se le pueden agregar vectores hasta formar una base de V , es
decir, existen vectores vr+1 , vr+2 , . . . , vn tal que Si {v1 , . . . , vn } es una base de V .
Ejercicios
Sea V el espacio generado por S = v1 = cos2 x, v2 = sin2 x, v3 = cos 2x .

Demuestre que S no es una base de V .

Encuentre una base de V .
Solución
1 + cos 2x 1 − cos 2x
Tenemos que cos2 x = y sin2 x = , entonces:
2 2
k 1 v1 + k 2 v2 + k 3 v3 = k1 cos2 x + k2 sin2 x + k3 cos 2x,

1 1
= (k1 + k2 ) + (k1 − k2 ) + k3 cos 2x,
2 2
de donde se obtiene que k1 = −k2 , k1 + k3 = 0, entonces es posible elegir k1 = −k2 = −k3 = t, con t un
parámetro real. De modo que v1 − v2 − v3 = 0, por lo tanto este conjunto no es linealmente independiente
y no es una base de V .
Sin embargo, los vectores v1 y v2 forman un conjunto linealmente independiente pues se puede mostrar
que:
k1 v1 + k2 v2 = 0, (1.135)
si y solo si k1 = k2 = 0. Entonces una base de V es S 0 = {v1 = cos2 2x, v2 = sin2 2x} y la dimensión del
espacio es 2.
1.3.6. Espacio de renglones de una matriz

Definición. Considere la matriz A:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= . (1.136)
 
.. .. ..
 . . ··· . 
am1 am2 · · · amn
Los vectores:
r1 = (a11 a12 ··· a1n ),
r2 = (a21 a22 ··· a2n ),
..
.
rn = (am1 am2 ··· amn ),
se denominan los vectores renglón de A. El subespacio de Rn generado por los vectores renglón se llama
espacio de los renglones de A.
Teorema 1.10. Las operaciones elementales aplicados a los renglones de una matriz no alteran el espacio
de renglones de dicha matriz.
Nota.Si se desea generar una base para los vectores {v1 , . . . , vm } entonces se puede formar la matriz
de vectores renglón A. El problema se reduce a encontrar una base para el espacio de renglones de A.
Teorema 1.11. Los vectores renglón diferentes de cero, en la forma escalonada de una matriz A constitu-
yen una base para el espacio de renglones de A.
Teorema 1.12. Si S = {v1 , . . . , vn } es una base de un espacio vectorial V , entonces todo vector en V se
puede expresar en la forma v = c1 v1 + c2 v2 + · · · de una sola manera.
A los escalares ci se les denomina coordenadas de v relativas a la base S.
Ejercicios
61. Encuentre una base para el subespacio de p4 generado por el conjunto S = {p1 , p2 , p3 , p4 } con
p1 = 1 − 2x + 3x4 , p2 = 2 − 5x − 3x2 − 2x3 + 6x4 , p3 = 5x + 15x2 + 10x3 y p4 = 2 + 6x + 18x2 + 8x3 + 6x4 .
Solución
La base canónica es {1, x, x2 , x3 , x4 }. En esta base las coordenadas de los polinomios pi son:
p1 = (1, −2, 0, 0, 3),

p2 = (2, −5, −3, −2, 6),
(1.137)
p3 = (0, 5, 15, 10, 0),
p4 = (2, 6, 18, 8, 6),
La matriz de vectores renglón es:

 
1 −2 0 0 3
 2 −5 −3 −2 6 
A=
 0
. (1.138)
5 15 10 0 
2 6 18 8 6
Reduciendo a la forma escalonada mediante operaciones elementales sobre los rengloes de A lle-
gamos a la siguiente matriz:  
1 −2 0 0 3
 0 1 3 2 0 
A∼  0
, (1.139)
0 1 1 0 
0 0 0 0 0
de modo que los vectores :
q1 = (1 −2 0 0 3)
q2 = (0 1 3 2 0) (1.140)
q3 = (0 0 1 1 0)
forman una base del subespacio de vectores generado por p1 , p2 , p3 y p4 .
1.4. Espacios Vectoriales con producto interior

Definiremos una función llamada producto interior pero no especificaremos la forma que debe tener
dicha operación, sino que definiremos una serie de axiomas que debe obedecer esta operación.
Definición. Un producto interior en un espacio vectorial V es una función que a cada par de vectores
u y v en V asocia un número real hu, vi de tal manera que se satisfacen los siguientes axiomas para todos
los vectores u, v y w en V y para todos los escalares k ∈ R.
hu, vi = hv, ui (conmutatividad).
hu + v, wi = hu, wi + hv, wi (aditividad).
hku, vi = khu, vi (homogeneidad).
hu, vi ≥ 0 y hv, vi = 0 si y solo si v = 0 (positividad).
Si se cumplen los axiomas anteriores se sigue que el producto interior tiene las siguientes propiedades
h0, vi = 0.
hu + v, wi = hu, wi + hv, wi.
hu, kvi = khu, vi.

1.4. ESPACIOS VECTORIALES CON PRODUCTO INTERIOR 27
Ejercicios
62. Sean p = p(x) y q = q(x) dos polinómios en Pn con el producto interior dado por
Z b
hp, qi = p(x)q(x)dx (1.141)
a
donde a y b son números reales. Demuestre que esta operación define un producto interior.
Solución
Se deben cumplir los axiomas dados anteriormente. Los axiomas 1 y 2 se demuestran como sigue:
Z b Z b
a) hp, qi = p(x)q(x)dx = q(x)p(x)dx,
a a
Rb
Z b Z b
b) hp + q, si = a
(p(x) + q(x))s(x)dx = p(x)s(x)dx + q(x)s(x)dx = hp, si + hq, si.
a a
Se deja como demostración los axiomas 3 y 4.
1.4.1. Desigualdad de Cauchy-Schwarz

Teorema 1.13. Si u y v son dos vectores en V con producto interior, entonces:
hu, vi2 ≤ hu, uihv, vi (1.142)

u v
Demostración: Sea w = − , entonces como hw, wi ≥ 0 se tiene
hu, ui hv, vi
!
hu, ui hv, vi hu, vi hu, vi
hw, wi = + − 2p =2 1− p ≥0 (1.143)
hu, ui hv, vi hu, vihu, vi hu, vihu, vi
de donde
hu, vi
p ≤ 1. (1.144)
hu, uihv, vi
Finalmente
hu, vi2 ≤ hu, uihv, vi. (1.145)
1.4.2. Longitud y ángulo en un espacios vectorial con producto interior

Definición. Si V es un espacio con producto interior, entonces la norma de un vector u se denota por
||u|| y se define como:
p
||u|| = hu, ui (1.146)
Teorema 1.14. Si V es un espacio con producto interior, entonces la norma de ||u|| satisface todas las
siguientes propiedades:
a) ||u|| ≥ 0,
b) ||u|| = 0 si u = 0,
(1.147)
c) ||ku|| = |k|||u||,
d) ||u + v|| ≤ ||u|| + ||v||.
Demostración: La demostración de a)-c) es inmediata. Solo demostraremos explı́citamente la propie-
dad d):
||u + v||2 = hu + v, u + vi = hu, ui + hv, vi + 2hu, vi,

= ||u||2 + ||v||2 + 2hu, vi ≤ ||u||2 + ||v||2 + |2hu, vi|,
por la desigualdad de Cauchy-Schwarz |hu, vi| ≤ ||u||||v||, entonces:
||u + v||2 = ||u||2 + ||v||2 + 2||u||||v|| = (||u|| + ||v||)2 . (1.148)
hu, vi
Definición. Sea cos θ = , entonces −1 ≤ cos θ ≤ 1. Se define el ángulo entre dos vectores u y
||u||||v||
v como:
hu, vi
cos θ = . (1.149)
||u||||v||
1.5. Bases ortonormales

Definición. Se dice que un conjunto de vectores S = {v1 , v2 , . . . , vn } en un espacio con producto inte-
rior es ortonormal si cada vector en el conjunto tiene norma 1 y además cualesquiera de dos vectores en
el conjunto son ortonormales.
Definición: En un espacio con producto interior dos vectores u y v son ortogonales si hu, vi = 0. Si u
es ortogonal a todos los vectores que están en el conjunto W , se dice que u es ortogonal a W .
Teorema 1.15. Si S = {v1 , v2 , . . . , vn } es una base ortonormal para un espacio con producto interior V y u
es un vector en V , entonces:
u = hu, v1 iv1 + hu, v2 iv2 + · · · + hu, vn ivn , (1.150)
Es decir, el vector de coordenadas de u con respecto a la base S es:
(u)S = (hu, v1 iv1 , hu, v2 iv2 , . . . , hu, vn ivn ) (1.151)
Demostración: Si S es una base de V y u ∈ V , entonces
u = k 1 v 1 + · · · + k n vn . (1.152)
Ahora
hu, vi i = k1 hv1 , vi i + · · · + kn hhu, vi i = vn , vi i, (1.153)

hu, vi i = ki hvi , vi i = ki , (1.154)
(1.155)
de donde ki = hu, vi i.
Teorema 1.16. Si S = {v1 , v2 , . . . , vn } es un conjunto ortonormal de vectores diferentes de cero en un

espacio con producto interior, entonces S es linealmente independiente.
Demostración: Si S es linealmente independiente, entonces:
k1 v1 + · · · + kn vn = 0, (1.156)
de modo que
hk1 v1 + · · · + kn vn , vi i = 0, (1.157)
ki hvi , vi i = ki = 0. (1.158)
1.5. BASES ORTONORMALES 29
Teorema 1.17. Sea V un espacio vectorial con producto interior y {v1 , . . . , vr } un conjunto otonormal de
vectores en V . Si W denota un espacio generado por v1 , . . . , vr entonces todo vector u en V tiene una
representación única de la forma
u = w1 + w2 , (1.159)
donde w1 pertenece a W y w2 es ortogonal a W . Los vectores w1 y w2 están determinados por:
w1 ≡ proy W u = hu, v1 iv1 + hu, v2 iv2 + · · · + hu, vr ivr ,

(1.160)
w2 ≡ w⊥ = u − w1 .
1.5.1. Proceso de Gram-Schmidt

Teorema 1.18. Todo espacio de dimensión finita tiene una base ortonormal.
Demostración. Sea S = {u1 , . . . , un } una base de un espacio vectorial V de dimensión n con producto
interior. El siguiente proceso producirá una base ortonormal S 0 = {u1 , ...un } para V :
u1
Sea v1 = .
||u1 ||
u2 − proyw1 u2 u2 − hu2 , v1 iv1
Sea v2 = = .
||u2 − proyw1 u| | ||u2 − hu2 , v1 iv1 − ||
u3 − proyw2 u3 u3 − hu3 , v1 iv1 − hu3 , v2 iv2
Sea v3 = = .
||u3 − proyw2 u3 || ||u3 − hu3 , v1 iv1 − hu3 , v2 iv2 ||
Sucesivamente podemos construir un conjunto de n vectores ortonormales. Todo conjunto de n vectores
en un espacio de n dimensiones es una base ortonormal. Este proceso se llama proceso de ortogonaliza-
ción de Gram-Schmidt.
Ejercicios
63. Considere al espacio vectorial R4 con el producto interior euclidiano. Exprese w = (−1, 2, 6, 0) en la
forma w = w1 + w2 donde w1 pertenece al subespacio W generado por u1 = (−1, 0, 1, 2) y u2 =
(0, 1, 0, 1), mientras que w2 es perpendicular a W .
Solución
Debemos obtener una base ortonormal S 0 = {v1 , v2 } para el espacio W generado por los vectores
u1 y u2 por el proceso de Gram-Schmidt.
u1 (−1, 0, 1, 2)
a) Sea v1 = = √ .
||u1 || 6
b) Ahora obtenemos un vector ortonormal a v1
u2 − hu2 , v1 iv1
v2 = ,
||u2 − hu2 , v1 iv1 ||
donde
2 1 1
u2 − hu2 , v1 iv1 = (0, 1, 0, 1) − √ √ (−1, 0, 1, 2) = (1, 3, −1, 1),
6 6 3
y r r
1 2 12 2
||u2 − hu2 , v1 iv1 || = (1 + 32 + 12 + 12 ) = =√ ,
9 9 3
1
entonces v2 = √ (1, 3, −1, 1).
12
Ahora se tiene que el vector w = (−1, 2, 6, 0) puede escribirse como w = w1 + w2 , donde w1 ∈ W , es

decir
7 1 −1 1
w1 = hw, v1 iv1 + hw, v2 iv2 = √ √ (−1, 0, 1, 2) + √ √ (1, 3, −1, 1)
6 6 12 12
1 1
= (−15, −3, 15, 27) = (−5, −1, 5, 9),
12 4
y w2 es perpendicular a W
1 1
w2 = w − w1 = (−1, 2, 6, 0) − (−5, −1, 5, 9) = (1, 9, 19, −9).
4 4
Es fácil mostrar que hw2 , v1 i = hw2 , v2 i = 0.
63. Considere al espacio vectorial R3 con el producto interior euclidiano. Utilice el proceso de Gram-
Schmidt para transformar el conjunto S = {u1 = (1, 1, 1), u2 = (0, 1, 1), u3 = (0, 0, 1)} en una base
ortonormal.
Solución
u1
Sea v1 = .
||u1 ||
La norma de u1 es
||u1 ||2 = hu1 , u1 i = (1)2 + (1)2 + (1)2 = 3,
entonces
1
v1 = √ (1, 1, 1)
3
u2 − hu2 , v1 iv1
Sea v2 = .
||u2 − hu2 , v1 iv1 ||
Obtengamos cada término de esta expresión:
(0)(1) + (1)(1) + (1)(1) 2

hu2 , v1 i = √ =√ ,
3 3

2 (1, 1, 1) 2 1 1
u2 − hu2 , v1 iv1 = (0, 1, 1) − √ √ = − , , ,
3 3 3 3 3
2 2 2
2 1 1 6 2
||u2 − hu2 , v1 iv1 ||2 = − + + = = ,
3 3 3 9 3
entonces
( −2 1 1
3 , 3, 3) 1
v2 = q = √ (−2, 1, 1)
2 6
3
u3 − hu3 , v1 iv1 − hu3 , v2 iv2

Sea v3 = .
||u3 − hu3 , v1 iv1 − hu3 , v2 i||
1.5. BASES ORTONORMALES 31
Los cálculos necesarios dan como resultado:

(0)(1) + (0)(1) + (1)(1) 1
hu3 , v1 i = √ =√ ,
3 3
(0)(−2) + (0)(1) + (1)(1) 1
hu3 , v2 i = √ =√ ,
6 6
1 (−2, 1, 1) 1 (1, 1, 1) 1
u3 − hu3 , v2 iv2 − hu3 , v1 iv1 = (0, 0, 1) − √ √ −√ √ = (0, −1, 1) ,
6 6 3 3 2
2 2
2 1 1 1
||u3 − hu3 , v2 iv2 − hu3 , v1 iv1 ||2 = (0) + − + = ,
2 2 2
entonces
(0,−1,1)
2 1
v3 = = √ (0, −1, 1). (1.161)
√1 2
2
La base ortonormal está dada por S 0 = {v1 , v2 , v3 }, con v1 = √1 (1, 1, 1),

3
v2 = √1 (−2, 1, 1)
6
y
v3 = √12 (0, −1, 1).
64. Considere al espacio vectorial R3 con el producto interior hu, vi = u1 v1 + 2u2 v2 + 3u3 v3 . Utilice el
proceso de Gram-Schmidt para transformar S = {u1 = (1, 1, 1), u2 = (0, 1, 1), u3 = (0, 0, 1)} en una
base ortonormal.
Solución
u1
Sea v1 = .
||u1 ||
La norma de u1 es
||u1 ||2 = hu1 , u1 i = (1)2 + 2(1)2 + 3(1)2 = 6,
entonces
1
v1 = √ (1, 1, 1)
6
u2 − hu2 , v1 iv1
Sea v2 = .
||u2 − hu2 , v1 iv1 ||
Obtengamos cada término de esta expresión:

(0)(1) + 2(1)(1) + 3(1)(1) 5
hu2 , v1 i = √ =√ ,
6 6

5 (1, 1, 1) 5 1 1 1
u2 − hu2 , v1 iv1 = (0, 1, 1) − √ √ = − , , = (−5, 1, 1) ,
6 6 6 6 6 6
2 2 2
5 1 1 30
||u2 − hu2 , v1 iv1 ||2 = − +2 +3 = ,
6 6 6 36
entonces
( −5 1 1
6 , 6, 6) 1
v2 = q = √ (−5, 1, 1)
30 30
36
u3 − hu3 , v1 iv1 − hu3 , v2 iv2

Sea v3 = .
||u3 − hu3 , v1 iv1 − hu3 , v2 i||
Después de hacer los cálculos necesarios se tiene que:

1
v3 = √ (0, −3, 2). (1.162)
30
65. Sea S = {u1 , u2 , u3 }, con u1 = 1, u2 = x, u3 = x2 una base del espacio vectorial P2 con producto
interior definido como Z 1
hq, pi = p(x)q(x)dx. (1.163)
−1
Encuentre una base ortonormal para este conjunto.

Solución
u1
Sea v1 = .
||u1 ||
Calculemos la norma de u1 :
Z 1
2
||u1 || = (1)2 dx = x|1−1 = 2,
−1
entonces
1
v1 = √ .
2
u2 − hu2 , v1 iv1
Sea v2 = .
||u2 − hu2 , v1 iv1 ||
Ahora
Z 1
1
hv1 , u2 i = √ xdx = 0,
−1 2
Z 1
2
||u2 ||2 = x2 dx = ,
−1 3
entonces r
u2 3
v2 = = x.
||u2 || 2
u3 − hv1 , u3 iv1 − hv2 , u3 iv2
Sea v3 = .
||u3 − hv1 , u3 iv1 − hv2 , u3 iv2 ||
El cálculo da como resultado
Z√ 1
1 2
hv1 , u3 i = √ x2 dx = ,
−1 2 3
Z 1 √
3 2
hv2 , u3 i = xx dx = 0,
−1 2
√
2 1 1
u3 − hu3 , v2 iv2 − hu3 , v1 iv1 = x2 − √ = x2 − ,
3 2 3
Z 1 2
2 2 1 8
||u3 − hu3 , v2 iv2 − hu3 , v1 iv1 || = x − dx = ,
−1 3 45
de donde r
45 21
v3 = x − .
8 3
1.6. MÉTRICA O FUNCIÓN DISTANCIA 33
66. Exprese el polinómio P (x) = 1 + x + 4x2 como combinación lineal de v1 , v2 , v3 del ejercicio anterior.
Solución
La combinación lineal de P (x) en términos de la base ortonormal S = {v1 , v2 , v3 } está dada por
P (x) = hP, v1 iv1 + hP, v2 iv2 + hP, v1 iv3 . (1.164)
Calculemos los respectivos productos interiores:

Z 1
1 √ 7
hP, v1 i = 1 + x + 4x2 √ dx = 2 ,
−1 2 3
Z 1
r r
2
3 2
hP, v2 i = 1 + x + 4x xdx = ,
−1 2 3
Z 1
r r
2
45 2 1 8
hP, v3 i = 1 + x + 4x x − dx = 4 ,
−1 8 3 45
entonces:
√ 7
r r
2 8
P (x) = 2 v1 + v2 + 4 v3 . (1.165)
3 3 45
Se puede comprobar que al sustituir cada vector v1 , v2 , v3 se obtiene P (x).

67. Considere la base de R4 S = {u1 , u2 , u3 , u4 }, con u1 = (0, 2, 1, 0), u2 = (1, −1, 0, 0), u3 = (1, 2, −1, 0) y
u4 = (1, 0, 0, 1), con el producto interior euclidiano. Utilice el proceso de Gram-Schmidt para encontrar
una base ortonormal.
1.6. Métrica o función distancia

Definición. Una métrica o función distancia en un espacio vectorial V es una función real que obedece:
d(u, v) ≥ 0 ∀ u, v ∈ V, (1.166)
(1.167)
d(u, v) = 0 si solo si u = v, (1.168)
(1.169)
d(u, v) = d(v, u), (1.170)
(1.171)
d(u, v) + d(v, w) ≥ d(u, w). (1.172)
Si ||u|| es la norma de un vector en un espacio vectorial V con producto interior, entonces se define una
métrica sobre V como sigue
d(u, v) = ||u − v||.
1.7. Problemas
1. Diga cuales de los siguientes conjuntos con las operaciones de adición y multiplicación por un escalar
constituyen un espacio vectorial. Demuestre explı́ticamente si se cumplen todos los axiomas o en su
caso si alguno no se cumple.
El conjunto de duplas de números reales (x, y) con las operaciones de adición y multiplicación
tales que (x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) y k(x, y) = (kx, 0).
El conjunto de todos los números reales u = x con las operaciones de adición y multiplicación
tales que x + x0 = x + x0 + 7 y kx = k(x − 1).
2. Diga cuál de los siguientes conjuntos son subespacios vectoriales del espacio vectorial V indicado.
Los vectores de R3 de la forma (x, y, z) con x + y + z = 1.
Todos los polinomios de P3 con a0 + a1 = 0.
Todas las funciones reales f (x) para x real tal que f (2) = 0.
3. Diga cuál de los siguientes vectores son combinación lineal de u1 = (1, −1, 3) y u2 = (2, 4, 0): a)u =
(3, 3, 3), b)u = (4, 2, 6).
4. Determine si los siguientes conjuntos de vectores generan a R3 : a)S = {u1 = (1, 1, 1), u2 = (2, 2, 0), u3 =
(3, 0, 0)}, b)u1 = (1, 3, 3), u2 = (1, 3, 4), u3 = (1, 4, 3), u4 = (6, 2, 1)}.
5. Diga cuáles de los siguientes conjuntos de vectores son linealmente independientes: a)S = {u1 =
(2, −1, 4), u2 = (3, 6, 2), u3 = (2, 10, −4)}, b)S = {p1 = 2−x+4x2 , p2 = 3+6x+2x2 , p3 = 2+10x−4x2 }.
6. Diga cuáles de los siguientes conjuntos de vectores constituyen una base del espacio vectorial que
se indica:
S = {u1 = (2, 1), u2 = (3, 0)} para R2 .
S = {u1 = 1 − 3x + 2x2 , u2 = 1 + x + 4x2 , u3 = 1 − 7x} para P2 .
7. Determine una base para los siguientes subespacios de R4 : a)Todos los vectores de la forma (x, y, z, u)
con u = x + y y z = x − y, b)Todos los vectores de la forma (x, y, z, u) con x = y = z = u.
8. En R4 se define la siguiente operación entre dos vectores u y v: hu, vi = u1 v1 + u2 v2 + u3 v3 − u4 v4 .
Diga si esta función es un producto interior válido.
9. Considere la bases de R3 siguientes. Asuma que se obedece el producto interior euclidiano. Obtenga
una base ortonormal mediante el procedimiento de ortogonalización de Gram-Schmidt: a)S = {u1 =
(1, 1, 0), u2 = (1, 0, 1), u3 = (1, 1, 1)}, b)S = {u1 = (3, 2, 1), u2 = (3, 2, 0), u3 = (0, 1, 0)}.
10. Encuentre la proyección ortogonal del vector w = (1, 1, 1) sobre el subespacio W generado por el
conjunto de vectores S = {u1 , u2 } del problema anterior. Posteriormente escriba el vector w en la
forma w = w1 + w2 , donde w1 es la proyección ortogonal de w sobre W y w2 es ortogonal a W .
11. Los polinomios de Hermite, Hn , se pueden obtener de la base S = {Q0 , Q1 , · · · , Qn } con Qn = xn
mediante el procedimiento de ortogonalización de Gram-Schmidt si se considera el siguiente producto
interior.
Z ∞
2
< Hn , Hm >= Hn (x)Hm (x)e−x dx
−∞
Obtenga los primeros tres polinomios H0 , H1 y H2 .

Sugerencia: use las siguientes integrales
Z ∞ √
2
e−x dx = π
−∞
, √
Z ∞
2 −x2 π
x e , dx =
−∞ 2
Z ∞ √
2 3 π
x4 e−x dx = ,
−∞ 4
Z ∞
2
x2n+1 e−x = 0 n ∈ N.
−∞
Capı́tulo 2
Transformaciones Lineales
2.1. Definición
Una de las ramas más interesantes de las matemáticas es el estudio de las funciones cuyo dominio y
rango son subconjuntos de espacios vectoriales. Estas funciones se llaman transformaciones lineales.
Sean V y W dos espacios vectoriales. El śimbolo T : V → W denota una función T que mapea V en
W . Esto indica que T una función cuyo dominio es V y cuyo rango es W . Si T asocia al vector v con el
vector w, se dice que w es la imagen de v bajo T y se denota por w = T (v).
Definición. Si T : V → W es una función que mapea el espacio vectorial V en W , se dice que T es

una transformación lineal si y solo si:
T (u + v) = T (u) + T (v) ∀ u, v ∈ V (2.1)

T (ku) = kT (u) ∀ u ∈ V y ∀ k ∈ R. (2.2)
Ejercicios
1. Sea F : R2 → R3 tal que F (x, y) = (x, x + y, x − y), demuestre que ésta es una transformación lineal.
Solución
Sean u = (x, y) y v = (x0 , y 0 ), se puede verificar que F (u + v) = F (u) + F (v) y F (ku) = kF (u) para
k ∈ R:
F ((x, y) + (x0 , y 0 )) = F (x + x0 , y + y 0 ) = (x + x0 , x + x0 + y + y 0 , x + x0 − y − y 0 )
= (x, x + y, x − y) + (x0 , x0 + y 0 , x0 − y 0 ) = F (x, y) + F (x0 , y 0 ),
F (k(x, y)) = F ((kx, ky)) = (kx, kx + ky, kx − ky) = k(x, x + y, x − y) = kF (x, y).
Entonces F es una transformación lineal.

2. Sea A una matriz de m × n. Demuestre que la transformación T : Rn → Rm es una transformación
lineal, donde T se define mediante la multiplicación de un vector u ∈ Rn por la matriz A, es decir,
T (u) = Au, donde u es el vector u escrito en forma de matriz columna.
Solución
Demostremos que T (u + v) = T (u) + T (v) y T (ku) = kT (u) para u y v ∈ V y k ∈ R:
T (u + v) = A(u + v) = Au + Av = T (u) + T (v),
T (ku) = A(ku) = kAu = kT (u).
35
36 CAPÍTULO 2. TRANSFORMACIONES LINEALES
3. Demuestre que las siguientes transformaciones son lineales:

La transformación identidad se define como la transformación T : V → V , con T (u) = u para
todo u en V .
La transformación cero se define como la transformación T : V → V que mapea todo elemento
de V en el vector 0 y se denota por 0(u) = 0 para todo u en V .
La multiplicación de un vector por un escalar fijo T : V → V se define como la transformación
T (u) = cu para todo u ∈ V . Cuando c = 1 se tiene a la transformación identidad, y cuando c = 0
se tiene a la transformación cero.
Sea V un espacio vectorial euclidiano. Dado un vector fijo c en V , la transformación denominada
producto interior con un vector fijo, T : V → R, se define como T (u) = hu, ci para todo u en V .
Sea V un espacio vectorial con producto interior y sea W un subespacio de V , la transformación
denominada proyección en el subespacio W de V , T : V → W , se define como T (u) = ProyW u
para todo u en V .
Sea V el espacio vectorial de todas las funciones reales diferenciables en el intervalo abierto
(a, b). La transformación derivación D : V → W mapea toda función f ∈ V en su derivada
f 0 ∈ W , donde W es el subespacio de todas las derivadas de las funciones f ∈ V , es decir,
D(f ) = f 0 .
Sea V el espacio vectorial de todas las funciones reales continuas en el intervalo [a, b], f ∈ V ,
la transformación integración T : V → V se define como
Z b
T (f ) = f (x)dx. (2.3)
a
4. Sea V el espacio vectorial R3 junto con el producto interior euclidiano. Sea S = {u= (1, 0, 0), u2 =
(0, 1, 0)} una base ortonormal del plano x-y, obtenga la transformación de proyección ortogonal de
un vector arbitrario x ∈ R3 en el plano x − y.
Solución
Sea u = (x, y, z) entonces la proyección ortogonal de u en el plano x − y T : R3 → R2 está dada por
T (u) = hu, u1 iu1 + hu, u2 iu2 = xu1 + yu2 = (x, y, 0).
5. Sea u = (x, y) un vector en R2 , diga cuál de las siguientes transformaciones T : R2 → R2 es lineal:
T (u) = (2x, y).
T (u) = (x2 , y).
T (u) = (ex , ey ).
T (u) = (2x + y, x − y).
T (u) = (y, y).

a b
6. Sea u = un vector en M2×2 , diga cuál de las siguientes transformaciones T : M2×2 → R
c d
es lineal:
T (u) = a+d (2.4)

2 2
T (u) = a +d (2.5)
7. Sea T : R3 → W la proyección ortogonal de R3 sobre el plano W que tiene la ecuación x + y + z = 0.

Determine una fórmula para T (u) y encuentre T (u), con u = (3, 8, 4).
Solución
Un vector u sobre el plano x + y + z = 0 se puede escribir como
u = (x, y, z) = (x, y, −x − y) = x(1, 0, −1) + y(0, 1, −1),

2.1. DEFINICIÓN 37
por lo tanto una base para este plano es S = {u1 = (1, 0, −1), u2 = (0, 1, −1)}. Utilicemos el proceso
de Gram-Schmidt para obtener una base ortonormal
u1 1
Sea v1 = = √ (1, 0, −1).
||u1 || 2
u2 − hu2 , v1 iv1
Sea v2 = , donde
||u2 − hu2 , v1 iv1 ||
1 1 1
u2 − hu2 , v1 iv1 = (0, 1, −1) − √ √ (1, 0, −1) = (−1, 2, −1),
2 2 2
√
r
1 1 1
||u2 − hu2 , v1 iv1 || = +1+ = 6,
4 4 2
1
entonces v2 = √ (−1, 2, −1).
6
De modo que
T (u) = ProyW u = hu, v1 iv1 + hu, v2 iv2 ,

1 1 1 1
= √ (x − z) √ (1, 0, −1) + √ (−x + 2y − z) √ (−1, 2, −1),
2 2 6 6
1 1
= (x − z)(1, 0, −1) + (−x + 2y − z)(−1, 2, −1),
2 6
1 1
= (3x − 3z)(1, 0, −1) + (−x + 2y − z)(−1, 2, −1),
6 6
1
= (3x − 3z + x − 2y + z, −2x + 4y − 2z, −3x + 3z + x − 2y + z),
6
1
= (4x − 2y − 2z, −2x + 4y − 2z, −2x − 2y + 4z).
6
Finalmente
T (3, 8, 4) = (−2, 3, −1). (2.6)
8. Sea T : R3 → R2 , suponga que:

     
1 0 0
1 3 4
T 0 = , T 1 = , T 0 = , (2.7)
1 0 −7
0 0 1
 
x
encuentre T y determine T (u) = T  y .
z
a b c
Sea T = , entonces:
d e f
 
1
1 a
T  0  = = , (2.8)
1 d
0
 
0
3 b
T  1  = = , (2.9)
0 e
0
 
0
4 c
T 0 = = , (2.10)
−7 f
1
de modo que para u = (x, y, z)

a b c 1 3 4
T (u) = u= u, (2.11)
d e f 1 0 −7
Finalmente  
x
x + 3y + 4z
T (u) = T  y  = .
x − 7y
z
2.2. Núcleo e Imagen de las Transformaciones Lineales

Teorema 2.1. Si T : V → V es una transformación lineal, entonces:
T (0) = 0 (2.12)
T (−v) = −T (v) ∀ v ∈ V (2.13)
Definición. Si T : V → W es una transformación lineal, entonces el núcleo o kernel de T se denota

mediante ker(T ) y consta de todos los vectores V tales que T les asocia el vector 0 ∈ W . La imagen de T ,
que se denota por R(T ) es el conjunto de todos los vectores en W que son imagen bajo T de al menos un
vector en V .
Ejercicios
9. Sea T : V → V la transformación cero. Dado que T mapea a todos los vectores en 0, ker(T ) = V .
Puesto que cero es la única imagen posible bajo T , R(T ) = {0}.
10. Sea T : Rn → Rm la multiplicación de un vector u ∈ Rn por la matrix A. El núcleo consta de todos

los vectores u tales que
Au = 0. (2.14)
La imagen de T consta de todos los vectores b que admiten una solución del sistema:
Ax = b. (2.15)
Teorema 2.2. Si T : V → W es una transformación lineal, entonces
El núcleo de T es un subespacio de V .
La imagen de T es un subespacio de W .
Demostración:
Sean v1 y v2 dos vectores en el núcleo de V entonces T (v1 ) = 0 y T (v2 ) = 0, de modo que
T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0,
y
kT (v) = T (kv) = 0,
por lo que v1 + v2 y kv están en ker(T ).
2.2. NÚCLEO E IMAGEN DE LAS TRANSFORMACIONES LINEALES 39
Sean w1 y w2 dos vectores en la imagen de T , entonces existen vectores v1 y v2 en V tales que

T (v1 ) = w1 , T (v2 ) = w2 y T (b) = kw1 de modo que
T (v1 + v2 ) = T (v1 ) + T (v2 ) = w1 + w2 ,
y
T (kv1 ) = kT (v1 ) = kw1 ,
de modo w1 + w2 y kw1 están en la imagen de V .
Definición. Si T : V → V es una transformación lineal, entonces la dimensión de la imagen de T se

denomina el rango de T y la dimensión del núcleo se denomina la nulidad de T .
Teorema 2.3. Sea {v1 , . . . , vn } una base de un espacio vectorial V de dimensión finita y sean T : V → W
y F : V → W dos transformaciones lineales. Si T (vi ) = F (vi ) para i = 1, . . . , n entonces T (v) = F (v) para
todo v en V .
Ejercicios

2 −1
11. Sea T : R2 → R2 la multiplicación de un vector u ∈ R2 por la matriz A = , diga cuál de
−8 4
los siguientes vectores está en R(T ): a)u = (1, −4), b)u = (5, 0), c)u = (−3, 12).
Solución
Si ui está en R(T ) debe haber al menos un vector v = (x, y) ∈ R2 tal que Av = ui .
a)

2 −1 x 2x − y 1
Av = = = (2x − y)
= u1 , (2.16)
−8 −4 y −8x + 4y −4

1 0
vemos que se debe cumplir 2x − y = 1, entonces v = t + , con t ∈ R, por lo que u1
2 1
si está en la imagen de T .
b) No hay solución al sistema Av = u2 , por lo tanto u2 no está en R(T ).
c) u3 = −3u1 , por lo tanto si está en R(T ).

2 −1
12. Sea T : R2 → R2 la multiplicación de un vector u ∈ R2 por la matriz A = , diga cuál
−8 4
de los siguientes vectores, cuál de los siguientes vectores está en el núcleo de V : a)v1 = (5, 10),
b)v2 = (3, 2) y v3 = (1, 1).
Solución
Si el vector vi está en el núcleo de T , entonces Avi = 0. De manera explı́cita se tiene

2 −1 5 0
Av1 = = ,
−8 −4 10 0

2 −1 3 4
Av2 = = ,
−8 −4 2 −16

2 −1 1 1
Av3 = = .
−8 −4 1 −4
y como podemos ver solo v1 está en ker(T ).

13. Considere la base S = {u1 = (1, 1, 1), u2 = (1, 1, 0), u3 = (1, 0, 0)}, encuentre la transformación lineal
T : R3 → R2 tal que T (v1 ) = (1, 0), T (v2 ) = (2, −1) y T (v3 ) = (4, 3). Calcule T (u) para u = (2, −3, 5).
Solución
Un vector arbitrario en R3 es u = (x, y, z), entonces
u = (x, y, z) = k1 v1 + k2 v2 + k3 v3 = (k1 + k2 + k3 , k1 + k2 , k1 ),
de donde k1 = z, k1 +k2 = y y k1 +k2 +k3 = x, por lo que k2 = y −k1 = y −z y k2 = x−k1 −k2 = x−y.
Ahora
T (u) = zv1 + (y − z)v2 + (x − y)v3 ,
entonces
T (u) = xT (v1 ) + (y − z)T (v2 ) + (x − y)T (v3 ) = z(1, 0) + (y − z)(2, −1) + (x − y)(4, 3)
= (4x − 2y − z,3x − 4y + z).
Finalmente
T (2, −3, 5) = (8 + 6 − 5, 6 + 12 + 5) = (9, 23).
14. Sea T : P2 → P3 la transformación lineal definida por T (p(x)) = x p(x), ¿cuáles de los siguientes
polinómios pertenecen a ker(T )? a)p1 (x) = x2 , b)p2 (x) = 0, c)p3 (x) = 1 + x.
Solución
Vemos que solo T (p2 (x)) = x(0) = 0 y por lo tanto solo p2 (x) está en el ker(T ).
15. Sea T : P2 → P3 la transformación lineal definida por T (p(x)) = x p(x), ¿cuáles de los siguientes
polinómios pertenecen a R(T )? a)p1 (x) = x + x2 , b)p2 (x) = 1 + x, c)p3 (x) = 3 − x2
Solución
Vemos que si p(x) = 1 + x, entonces T (p(x)) = x + x2 = p1 (x), entonces p1 (x) es el único vector en
R(T ) ya que los demás vectores no pueden escribirse en la forma xp(x) para algún p(x) ∈ P2 .
16. Diga cuál es el núcleo de las siguientes transformaciones:
a) La transformación identidad.
Solución
Solo el vector cero.
b) La transformación cero.
Solución
Todo el espacio vectorial V .
c) Multiplicación por un escalar c.
Solución
Si c 6= 0 entonces solo el vector cero. Si c = 0, todo el espacio V .
d) Producto interior con un vector fijo z.
Solución
Todos los vectores ortogonales a z.
e) Proyección en un subespacio S.
Solución
Todos los vectores ortogonales al subespacio S.
2.2. NÚCLEO E IMAGEN DE LAS TRANSFORMACIONES LINEALES 41
f ) La transformación de derivación.
Solución
Todas las funciones constantes en el intervalo (a, b).
g) La transformación de integración.
Solución
La función cero, aunque la respuesta depende de los lı́mites de la integral.
17. Sea T : R2 → R2 la transformación lineal T (x, y) = (2x + 3y, 7x − 5y), diga cuál es el núcleo de T .
Solución
El núcleo de T contiene a todos los vectores u = (x, y) para los cuales T (x, y) = (0, 0), de donde
2x + 3y = 0,
7x − 5y = 0.
Vemos que este sistema solo tiene como solución x = y = 0, entonces ker(T ) solo contene al vector
0.
18. Sea T : P5 → P10 la transformación lineal T (p(x)) = p(x2 ), encuentre el núcleo de T .

Solución
Vemos que ker(T ) solo contene al vector p(x) = 0.
19. Sea T : R2 → R2 la transformación lineal T (x, y) = (x, 0), diga cuál es el núcleo de T .
Solución
Vemos que los vectores del tipo u = (0, t), con t ∈ R están en el núcleo de T ya que T (u) = (0, 0).
Estos vectores corresponden a la recta x = 0, es decir, al eje y.
20. Sea T : R2 → R la transformación lineal T (x, y) = x + 2y, diga cuál es el núcleo de T .

Solución
Vemos que se debe cumplir x + 2y = 0, lo que corresponde a la recta y = −x/2.
21. Sea T : R3 → R3 la multiplicación por la matriz

 
1 3 4
A= 3 4 7 ,
−2 2 0
a)demuestre que la imagen de T es un plano que pasa por el origen y encuentre su ecuación,
b)demuestre que el núcleo de T es una recta que pasa por el origen y encuentre su ecuación.
Solución
a)Sean u = (x, y, z) un vector arbitrario en R3 y b = (b1 , b2 , b3 ) un vector de la imagen de T , entonces:
          
1 3 4 x 1 3 4 b1
Au =  3 4 7   y  = x  3  + y  4  + z  7  = b =  b2  ,
−2 2 0 z −2 2 0 b3
= xu1 + yu2 + zu3 ,
donde u1 = (1, 3, −2), u2 = (3, 4, 7) y u3 = (4, 7, 0). Vemos que b es una combinación lineal de
los vectores u1 , u2 y u3 . Si estos vectores forman un conjunto linealmente dependiente entonces la
imagen de T es un plano. Es fácil ver que u3 = u1 + u2 , entonces la imagen de T es un plano dado

por la ecuación paramétrica
u = (x, y, z) = su1 + tu2 = (s + 3t, 3s + 4t, −2s + 2t),
con s, t ∈ R. Otra forma de escribir esta ecuación es ~u1 × ~u2 · u = 0, es decir 14x − 8y − 5z = 0.
b)El núcleo de T está conformado por los vectores u = (x, y, z) tales que T (u) = 0, es decir,
    
1 3 4 x x + 3y + 4z
Au =  3 4 7   y  =  3x + 4y + 7z  = 0,
−2 2 0 z −2x − 2y
de donde
x + 3y + 4z =0,
3x + 4y + 7z = 0,
−2x − 2y = 0,
de donde se tiene y = x y z = −y. Entonces la imagen de T se compone de los vectores de la forma

u = (x, y, z) = (t, t, −t) = t(1, 1, −1), que es una recta que pasa por el origen.
2.3. Teorema de la Dimensión

Definición: los vectores columna de la matriz:
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A= . , (2.17)
 
.. ..
 .. . ··· . 
am1 am2 ··· amn
son los vectores:      
a11 a12 am1
 a21   a22   am2 
c1 =  , c2 =  , ··· , cn =  (2.18)
     
.. .. .. 
 .   .   . 
am1 am2 amn
Al subespacio de Rm generado por los vectores columna se le llama espacio de columnas de A.

Teorema 2.4. Si T : Rn → Rm es la multiplicación por una matriz A de m × n entonces la imagen de T es
el espacio de columnas de A.
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
Sea A =  . = c1 c2 · · · cn .
 
. .
 .. .. .. 

···
am1 am2 · · · amn
   
x1 b1
 x2   b2 
Sea x =  yb=  entonces la transformación es Ax = b y

..
  
..
 .   . 
xn bn
b es la imagen de T .
Explı́citamente se obtiene:
x1 c2 + x2 c2 + · · · + xn cn = b (2.19)
2.3. TEOREMA DE LA DIMENSIÓN 43
de modo que b es una combinación lineal de los vectores ci y por lo tanto pertenece al espacio de columnas
de A.
Teorema 2.5. Si A es una matriz, entonces el espacio de renglones y el espacio de columnas de A tienen
la misma dimensión.
Demostración:
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
Sea A =  , los vectores renglón de A son:
 
.. .. ..
 . . ··· . 
am1 am2 ··· amn
r1 = (a11 a12 · · · a1n ),

r2 = (a21 a22 · · · a2n ),
..
.
rm = (am1 am2 · · · amn ),
Sea S = {b1 , . . . , bk } una base para este espacio, que se asume tiene dimensión k, entonces los vectores
renglón puede expresarse como una combinación lineal de los bi :
ri = ci1 b1 + ci2 b2 + · · · + cik bk . (2.20)
Sea bi = (bi1 , . . . , , bin ) , entonces, el elemento j-ésimo de los ri se puede escribir como:
c11 b1j + c12 b2j + ··· + cik bkj = a1j ,

c21 b1j + c22 b2j + ··· + c2k bkj = a2j ,
c31 b1j + c32 b2j + ··· + c3k bkj = a3j , (2.21)
.. .. .. .. ..
. . . . .
cm1 b1j + cm2 b2j + ··· + cmk bkj = amj ,
o bien de otra forma:

       
aij c11 c12 c1k
 a2j   c21   c22   c2k 
 = b1j   + b2j   + . . . + bkj  , (2.22)
       
 .. .. .. ..
 .   .   .   . 
amj cm1 cm2 cmk
pero el lado izquierdo de este sistema de ecuaciones representa a los vectores columna de la matriz
A. Entonces cada vector columna es generado por k vectores, aunque no sabemos si son linealmente
independientes, y se concluye que
dim(espacio de columnas de A) ≤ k = dim(espacio de renglones de A),
ya que k es la dimensión del espacio de renglones de A. Ahora tomemos la transpuesta de la matriz de A

y efectuemos el desarrollo anterior. Obtenemos la condición
dim(espacio de columnas de AT ) ≤ dim(espacio de renglones de AT ).
Pero el espacio de columnas de AT es el espacio de renglones de A, y el espacio de renglones de AT es

el espacio de columnas de A. De modo que la única opción para satisfacer ambas desigualdades es que:
dim(espacio de columnas de A) = dim(espacio de renglones de A).

Teorema 2.6 (Teorema de la Dimensión). Si T : V → W es una transformación lineal de un espacio vec-

torial V de dimensión n a un espacio vectorial W , entonces:
rango de T + nulidad de T = n. (2.23)
Demostración:
Sea S = {e1 , . . . , er } una base para el núcleo de T , es decir, la nulidad de T es r. Una base para el espacio
vectorial V puede obtenerse añadiendo n − r vectores a S: S 0 = {e1 , . . . , er , er+1 , . . . , en }.Entonces, todo
vector en V puede expresarse como:
u = c1 e1 + · · · + cn en , (2.24)
de modo que un vector en la imagen de T es:
n
X n
X
w = T (u) = ci T (ei ) = ci e0i , con e0i = T (ei ), (2.25)
i=r+1 i=r+1
es decir, w, puede expresarse como combinación lineal del conjunto de vectores {e0r+1 , . . . , , e0n }. Veamos
si este conjunto es linealmente independiente. Esto es cierto si la ecuación:
n n n
!
X X X
0
ki ei = 0 = ki T (ei ) = T ki ei , (2.26)
i=r+1 i=r+1 i=r+1
solo se cumple para ki = 0. Observamos que el lado derecho de la ecuación anterior es la imagen de un
vector v en el núcleo de T , es decir, T (v) = 0 con
n
X
v= ki ei .
i=r+1
Entonces, como v está en el núcleo de T , puede expresarse alternativamente como

r
X
v= ki ei ,
i=1
de modo que se debe obedecer

r
X n
X
v= ki ei = ki ei , (2.27)
i=1 i=r+1
de donde, solo es posible tener la solución ki = 0 ya que los ei son independientes. Entonces {e0r+1 , . . . , , e0n }
es un conjunto de vectores linealmente independientes que son una base para la imagen de T , cuya la
dimensión es entonces n − r.
Teorema 2.7. Si A es una matriz de n × n entonces las siguientes oraciones son equivalentes:
a) A es invertible.
b) Ax = 0 solamente tiene la solución trivial.
c) Ax = b es consistente para cualquier matriz b de dimensión n × 1.
d) det A 6= 0.
e) Los vectores renglón de A son linealmente independientes.
f) Los vectores columna de A son linealmente independiente.
2.4. MATRIZ ESTÁNDAR DE UNA TRANSFORMACIÓN LINEAL 45
2.4. Matriz estándar de una transformación lineal

Una transformación lineal de Rn → Rm es un transformación matricial. Es decir si T : Rn → Rm es una
transformación lineal, entonces es posible encontrar una matriz A tal que T sea la multiplicación por A: si
u ∈ Rn , entonces T (u) = Au.
Sea S = {e1 , . . . , , en } la base canónica de Rn entonces se puede demostrar que:

A = T (e1 ) T (e2 ) T (e3 ) · · · T (en ) , (2.28)
donde T (ei ) se escribe en forma de vector columna.

Considere un vector u en Rn cuyas coordenadas en la base canónica son u = (x1 , x2 , . . . , xn ), entonces:
u = x1 e1 + · · · + xn en , (2.29)
T (u) = x1 T (e1 ) + · · · + xn T (en ), (2.30)
ahora sea  
a1i
 a2i 
T (ei ) =  , (2.31)
 
..
 . 
ami
entonces
     
a11 a12 a1n
 a21   a22   a2n 
T (u) = x1   + x2   + . . . + xn  ,
     
.. .. ..
 .   .   . 
am1 am2 amn
  
a11 a21 ··· am1 x1
 a12 a22 ··· am2  x2 
=  . ,
  
.. .. ..
 ..

. ··· .  . 
am1 am2 ··· amn xn
 
x1
 x2 
= T (e1 ) T (e2 ) T (e3 ) . . . T (en )  = Au.
 
 ..
 . 
xn
A la matriz A se le llama matriz estandar de la transformación lineal T .
Ejercicios
22. Sean α1 = (1, −1) y α2 = (2, −1), junto con β1 = (1, 0) y β2 = (0, 1). Encuentre una transformación
lineal tal que T (αi ) = βi .
Solución

a11 a12 1 a11 − a12 1
T (α1 ) = Aα1 = = = β1 = ,
a21 a22 −1 a21 − a22 0
de donde a21 = a22 y a12 = a11 − 1.

a11 a12 2 2a11 − a12 0
T (α2 ) = Aα2 = = = β2 = ,
a21 a22 −1 2a21 − a22 1
de donde a12 = 2a11 = a11 − 1, es decir a11 = −1 y a12 = −2. Además 2a21 = 1 + a22 = 2a22 , es decir
a22 = 1 y a21 = 1. Entonces
−1 −2
A= ,
1 1
23. Sea T : R3 → R3 una transformación lineal tal que: T (x, y, z) = (x − y + 2z, 2x + y, −x − 2y + 2z).
a)diga cuál es el rango de T , b)diga cuál es la nulidad de T .
Solución
Sea b = (b1 , b2 , b3 ) un vector en la imagen de T , entonces, para algún vector u = (x, y, z) se tiene
T (u) = T (x, y, z) = (b1 , b2 , b3 ), entonces:
x − y + 2z = b1 ,
2x + y = b2 , (2.32)
−x − 2y + 2z = b3 ,
que se puede escribir en la forma Au = b:

    
1 −1 2 x b1
Au =  2 1 0   y  =  b2  (2.33)
−1 −2 2 z b3
Entonces el espacio de renglones de A es la imagen de T . Llevemos a A a la forma escalonada:

     
1 −1 2 1 −1 2 1 −1 2
A= 2 1 0 ∼ 0 3 −4  ∼  0 3 −4  .
−1 −2 2 0 −3 4 0 0 0
Los vectores (1, −1, 2) y (0, 3, −4) son una base para la imagen de T . El rango de T es dos y la
nulidad es uno.
24. Describa explicitamente una transformación lineal T : R3 → R3 tal que su imagen sea generada por
(1, 0, −1) y (1, 2, 2).
Solución
Esta transformación puede escribirse como:
  
1 1 s+t x
T (u) = Au =  0 2 2t  y , (2.34)
−1 2 −s + 2t z
de modo que
       
1 1 1 1
T (u) = (x + st)  0  + (y + tz)  2  = α  0  + β  2 , (2.35)
−1 2 −1 2
25. Determine la matriz estándar para cada una de las siguientes transformaciones lineales:

2x1 − x2
a) T (u) = con u = (x1 , x2 ).
x1 + x2
Solución
Sea S = {e1 = (1, 0), e2 = (0, 1)} la base canónica de R2 , entonces

1 2
T (e1 ) = T = ,
0 1
2.4. MATRIZ ESTÁNDAR DE UNA TRANSFORMACIÓN LINEAL 47

0 −1
T (e2 ) = T = ,
1 1
de modo que
2 −1
A= .
1 1
 
x1 + 2x2 + x3
b) T (u) =  x1 + 5x2  , con u = (x1 , x2 , x3 ).
x3
Solución
Sea S = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} la base canónica de R2 , entonces
   
1 1
T (e1 ) = T  0  =  1  ,
0 0
   
0 2
T (e2 ) = T  1  =  5 
0 0
y   
0 1
T (e3 ) = T  0  =  0  ,
1 1
entonces  
1 2 0
A = T (e1 ) T (e2 ) T (e3 ) =  1 5 0 .
0 0 1
c) T : P2 → P1 es la transformación definida por T (a0 + a1 x1 + a2 x2 ) = a0 + a1 − (2a1 + 3a2 )x,

encuentre la matriz estándar de T .
Solución
La base canónica de P2 es S = {e1 = 1, e2 = x, e3 = x2 }. El vector p(x) = a0 + a1 x + a2 x2 puede
expresarse en esta base como  
a0
p =  a1  ,
a2
ası́ que
a0 + a1
T (p) = .
−(2a1 + 3a2 )
Ahora apliquemos la transformación T a la base de P2
 
1
1
T (e1 ) = T  0  = ,
0
0
 
0
1
T (e2 ) = T  1  = ,
−2
0
 
0
0
T (e3 ) = T  0  = ,
−3
1
entonces la matriz estándar de la transformación es

1 1 0
A = T (e1 ) T (e2 ) T (e3 ) = .
0 −2 −3
d) Sea T : R3 → R3 la proyección sobre el plano y − z
   
x 0
T  y  =  y ,
z z
Solución
Es fácil ver que    
1 0
T (e1 ) = T  0  =  0 ,
0 0
   
0 0
T (e2 ) = T  1  =  1 ,
0 0
   
0 0
T (e3 ) = T  0  =  0 ,
1 1
entonces  
0 0 0
A = T (e1 ) T (e2 ) T (e3 ) =  0 1 0 .
0 0 1
e) Sea T : P3 → P2 la transformación de derivación de p(x) = a0 + a1 x + a2 x2 + a3 x3 :
dp(x)
T (p) = = a1 + 2a2 x + 3a3 x2 .
dx
Encuentre la matriz estándar en la base canónica de P3 y P2 .
Solución
Sea B = {e1 = 1, e2 = x, e3 = x2 , e4 = x3 } la base canónica de P3 , entonces en esta base se
tiene
 
a0
 a1 
[p]B =   a2  ,

a3
y

a1
T (p) = A[p]B =  2a2  ,
3a3
donde
T (x) T (x2 ) T (x3 )

A= T (e1 ) T (e2 ) T (e3 ) T (e4 ) = T (1) ,
 
0 1 0 0
=  0 0 2 0 .
0 0 0 3
Entonces la matriz estándar de la transformación es
 
0 1 0 0
A =  0 0 2 0 . (2.36)
0 0 0 3
2.5. CAMBIO DE BASE 49
2.5. Cambio de Base

Ahora describiremos como se transforma el vector de coordenadas de un vector si se efectua un cam-
bio de base.
Definición. Si B = {u1 , . . . , un } y B 0 = {v1 , . . . , vn } son dos bases de un espacio vectorial de dimen-

sión n, entonces la matriz de transición de B a B 0 es la matriz de n × n

P = [u1 ]B 0 [u2 ]B 0 · · · [un ]B 0 , (2.37)
donde [ui ]B 0 es el vector de coordenadas del vector ui con respecto a la base B 0 escrito en forma de vector
columna, es decir  
ci1
 ci2 
[ui ]B 0 =  .  ,
 
 .. 
cin
donde las cij obedecen ui = ci1 v2 + ci2 v2 + · · · + cin vn .
Ejercicios
26. Sean B = {e1 , e2 } y B 0 = {v1 , v2 } dos bases de R2 con v1 = (1, 1) y v2 = (2, 1), a) encuentre la matriz
de transición de B a B 0 , b)encuentre la matriz de transición de B 0 a B.
Solución
a)Los vectores de la base B se pueden escribir como e1 = v2 − v1 y e2 = 2v1 − v2 , entonces:

−1 2
[e1 ]B 0 = y [e2 ]B 0 = (2.38)
1 −1
de modo que
−1 2
P= (2.39)
1 −1
b)Ahora para encontrar la matriz de transición de B 0 a B, es fácil ver que:

1 2
[v1 ]B = y [v2 ]B = (2.40)
1 1
entonces:
1 2
Q= , (2.41)
1 1
que también puede obtenerse como Q = P−1 .
27. Sean B = {e1 = 1, e2 = x, e3 = x2 } y B 0 = {v1 = 1 + 2x + x2 , v2 = 2 + 9x, v3 = 3 + 3x + 4x2 } dos

bases de P2 . Encuentre la matriz de cambio de transición de B a B 0 .
Solución
En la base B 0 , las coordenadas de e1 = 1 están dadas por
e1 = av1 + bv2 + cv3 = a(1 + 2x + 2x2 ) + b(2 + 9x) + c(3 + 3x + 4x2 )

= a + 2b + 3c + (2a + 9b + 3c)x + (a + 4c) = 1,
lo que da el siguiente sistema de ecuaciones
a + 2b + 3c = 1,
2a + 9b + 3c = 0,
a + 4c = 0,
de donde se obtiene de la tercera ecuación a = −4c y al sustituir en la segunda ecuación da
−8c + 9b + 3c = 9b − 5c = 0,
es decir b = 5/9c. Finalmente se sustituyen a y b en la primera ecuación y se tiene

10
−4c + c + 3c = 1,
9
o bien
(−36 + 10 + 27)c = c = 9,
entonces a = 36 y b = 5, por lo que:
e1 = −36v1 + 5v2 + 9v3 . (2.42)
De la misma manera se puede mostrar que
e2 = 8v1 − v2 − 2v3 ,
(2.43)
e3 = 21v1 − 3v2 − 5v3 .
Por lo que      
−36 8 21
[e1 ]B 0 = 5 , [e2 ]B 0 =  −1  , [e3 ]B 0 =  −3  . (2.44)
9 −2 −5
Entonces la matriz de transición es:
 
−36 8 21
P = [e1 ]B 0 [e2 ]B 0 [e3 ]B 0 = 5 −1 −3  . (2.45)
9 −2 −5
En general, la matriz de transición nos permite obtener el vector de coordenadas de un vector u en la

base B 0 si conocemos sus coordenadas en la base B.
[u]B 0 = P[u]B (2.46)
Teorema 2.8. Sea P la matriz de transición de una base B a una base B 0 para un espacio vectorial V ,
entonces las matrices de coordenadas se relacionan mediante:
[u]B 0 = P[u]B (2.47)
Teorema 2.9. Si P la matriz de transición de una base B a una base B 0 para un espacio vectorial V de
dimensión finita, entonces
P es invertible.
P−1 es la matriz de transición de B 0 a B.
Sea P la matriz de transición de B a B 0 y Q la matriz de transiciń de B 0 a B. Sea u un vector en V ,
entonces:
[u]B 0 = P[u]B ,
[u]B = Q[u]B 0 ,
de modo que
[u]B = Q[u]B 0 = QP[u]B ,
es decir
(QP − I)[u]B = 0,
La única solución para cualquier vector arbitrario u es QP = I, entonces Q = P−1 .
¿Que ocurre si las bases B y B 0 son ortonormales?
Teorema 2.10. Si P es la matriz de una base ortonormal a otra base ortonormal en un espacio de dimen-
ción finita con producto interior, entonces
P−1 = PT , (2.48)
donde PT es la matriz transpuesta de P.
Se dice que una matriz A es ortogonal si A−1 = AT .
2.5.1. Semejanza
La matriz que representa a una transformación lineal depende de las bases que se emplean para los
espacios vectoriales.
Teorema 2.11. Sea T : V → V una transformación lineal en un espacio vectorial V de dimensión finita. Si
A es la matriz de T con respecto a la base B y A0 es la matriz de T con respecto a la base B 0 , entonces:
A0 = Q−1 AQ (2.49)
donde Q es la matriz de transición de B 0 a B.
Demostración: Sea T (u) = w, entonces
[w]B = A[u]B = AP−1 [u]B 0 = AQ[u]B 0 ,
pero [w]B = P−1 [w]B 0 = Q[w]B 0 , de modo que
Q[w]B 0 = A[u]B = AQ[u]B 0 ,
o bien
[w]B 0 = Q−1 AQ[u]B 0 = A0 [u]B 0 ,
de donde
A0 = Q−1 AQ.
Definición. Si A y B son matrices cuadradas, se dice que B es semejante a A si existe una matriz
invertible P tal que B = P−1 AP.
Ejercicios
28. Sean B = {u1 = (−3, 0, −3), u2 = (−3, 2, −1), u3 = (1, 6, −1)} y B 0 = {v1 = (−6, −6, 0), v2 =
(−2, −6, 4), v3 = (−2, −3, 7)} dos bases de R3 , a)encuentre la matriz de transición de B a B 0 , b)dado
el vector w = (−5, 8, −5) (expresado en sus coordenadas con respecto a la base canónica de R3 ,
encuentre la matriz de coordenadas [w]B y c)encuentre la matriz de coordenadas [w]B 0 .
Solución
a)debemos expresar los vectores ui en términos de los vectores vi . Para un vector u = (x, y, z)
arbitrario se tiene u = (x, y, z) = c1 v1 + c2 v2 + c3 v3 , donde c1 , c2 y c3 son las coordenadas de u con
respecto a la base B 0 :
 
c1
[u]B 0 = c2  ,
c3
De forma explı́cita se tiene
u = (x, y, z) = c1 (−6, −6, 0) + c2 (−2, −6, 4) + c3 (−2, −3, 7)

= (−6c1 − 2c2 − 2c3 , −6c1 , −6c2 − 3c3 , 4c2 + 7c3 ),
de donde
    
−6 −2 −2 c1 x
−6 −6 −3 c2  = y  .
0 4 7 c3 z
La matriz aumentada del sistema es

 
−6 −2 −2 |x
A =  −6 −6 −3 |y  .
0 4 7 |z
Apliquemos operaciones elementales para llevar esta matriz a su forma escalonada reducida
   
−6 −2 −2 |x −6 −2 −2 |x
A ∼  0 −4 −1 |y − x  ∼  0 −4 −1 |y − x ,
0 4 7 |z 0 0 6 |z + y − x
−6 −2 −2 |x
   
−6 −2 −2 |x
∼  0 −4 −1 |y − x  ∼  0 −4 0 | z+7(y−x) 6
,
0 0 1 | z+y−x 6 0 0 1 | 6 z+y−x
−6 −2 −2 |x −6 −2 0 | z+y+2x
   
3
∼  0 1 0 | 7(x−y)−z
24
∼ 0 1 0 | 7(x−y)−z
24
,
z+y−x z+y−x
0 0 1 | 6 0 0 1 | 6
−6 0 0 | 15x−3y+3z 
1 0 0 | −5x+y−z
  
12 24
∼  0 1 0 | 7(x−y)−z 24
 ∼  0 1 0 | 7(x−y)−z  ,
24
0 0 1 | z+y−x 6 0 0 1 | z+y−x6
es decir
−5x + y − z
c1 = ,
24
7(x − y) − z
c2 = ,
24
z−x+y
c3 = .
6
Ası́ que para el vector arbitrario u = (x, y, z) la matriz de coordenadas con respecto a B 0 está dada
como
   −5x+y−z 
c1 4
1
[u]B 0 = c2  =  7(x−y)−z 4
,
6
c3 −x + y + z
de modo que para los vectores u1 = (−3, 0, −3), u2 = (−3, 2, −1) y u3 = (1, 6, −1) se tiene
     1 
3 3
1  1  17  1  317 
[u1 ]B 0 = −3 , [u2 ]B 0 = − 3 , [u3 ]B 0 = −3 , (2.50)
4 4 8 4 8
0 3 3
o bien   
  
9 9 1
1   1  1 
[u1 ]B 0 = −9 , [u2 ]B 0 = −17 , [u3 ]B 0 = −17 . (2.51)
12 12 12
0 8 8
De modo que la matriz de transición de B a B 0 es:
 
9 9 1
1 
P= −9 −17 −17 .
12
0 8 9
b)con respecto a la base B, es fácil ver que w = (−5, 8, −5) = u1 + u2 + u3 , entonces la matriz de
coordenadas de w con respecto a B es
 
1
[w]B =  1  .
1
c) La matriz de coordenadas de w con respecto a B 0 es

    
9 9 1 1 19
1  1
[w]B 0 = P[w]B = −9 −17 −17  1  = −43 .
12 12
0 8 9 1 17
29. Sea T : R2 → R2 la transformación lineal definida por:
T (u) = T (x, y) = (x − 2y, −y). (2.52)
Sean B = {e1 = (1, 0), e2 = (0, 1)} y B 0 = {v1 = (2, 1), v2 = (−3, 4)} dos bases de R2 , encuentre la
matriz de la transformación con respecto a B y con respecto a B 0 .
Solución
Es fácil ver que con respecto a la base canónica B se tiene, escribiendo la transformación en forma
matricial como
x − 2y 1 −2 x
T (u) = = = A[u]B , (2.53)
−y 0 −1 y
de donde
1 −2
A= ,
0 −1
es la matriz de la transformación con respecto a B.
Ahora, es fácil ver que los vectores de la base B pueden escribirse en términos de los vectores de la
base B 0 como
1
u1 = (4v1 − v2 ),
11
1
u2 = (3v1 + 2v2 ),
11
de modo que
1 4 1 3
[u1 ]B 0 = , [u2 ]B 0 = .
11 −1 11 2
Entonces la matriz de transición de B a B 0 es

1 4 3
P= .
11 −1 2
1
Calculemos Q = P−1 . Se tiene que det P = , entonces
11

2 −3
P−1 =Q= .
1 4
Entonces Q es la matriz de transición de B 0 a B. Una forma más sencilla de obtenerla es notando

que
2 −3
[v1 ]B = , [v2 ]B = ,
1 4
entonces la matriz de transición de B 0 a B es

2 −3
Q = [v1 ]B [v2 ]B = .
1 4
Ahora, la matriz de la transformación con respecto a B 0 es

1 4 3 1 −2 2 −3
A0 = Q−1 AQ = ,
11 −1 2 0 −1 1 4

1 4 3 0 −11 1 −3 −56
= = .
11 −1 2 −1 −4 11 −2 3
30. Sea T (x, y) = (x, 0), encuentre la matriz de la transformación A en la base canónica B y en la base
B 0 = {v1 = (1, 1), v2 = (2, 1)}.
Solución
Se tiene en la base canónica que

x x
T (u) = A[u]B = A = ,
y 0
se tiene entonces que en la base canónica B:

1 0
A= .
0 0
La matriz de transición de B a B 0 es:
P = ([e1 ]B 0 , [e2 ]B 0 ),
ahora e1 = −v1 + v2 y e2 = 2v1 − v2 , entonces

−1 2
[e1 ]B 0 = [e2 ]B 0 = ,
1 −1
de modo que
−1 2
P= ,
1 −1
La matriz de transición de B 0 a B es:

−1 1 2
Q=P = ,
1 1
que también puede obtenerse notando que

1 2
[v1 ]B = , [v2 ]B = ,
1 1
entonces
Q = ([v1 ]B [v2 ]B ).
Ahora

0 −1 −1 2 1 0 1 2
A =Q AQ = PAQ = ,
1 −1 0 0 1 1

−1 2 1 2 −1 −2
= = .
1 −1 0 0 1 2
Ahora, en la base B 0 , cualquier vector está dado como:
u = xe1 + ye2 = x(v2 − v1 ) + y(2v1 − v2 ),

= (2y − x)v1 + (x − y)v2 ,
entonces
2y − x
[u]B 0 = ,
x−y
y
0 −1 −2 2y − x −x
A [u]B 0 = = .
1 2 x−y x
31. Sea T : R3 → R3 la multiplicación por:

 
1 2 1
A= 0 1 1 .
−1 3 4
Encuentre una base para el rango de T y una base para el núcleo de T .

Solución
Llevemos a la matriz A a su forma escalonada reducida por columnas
     
1 2 1 1 5 5 1 5 0
A= 0 1 1 ∼ 0 1 1 ∼ 0 1 0 .
−1 3 4 −1 0 0 −1 0 0
Entonces una base para la imagen de T es S = {u1 = (1, 0, −1), u2 = (5, 1, 0)}. Note, sin embargo,
que si reducimos por renglones se tiene
     
1 2 1 1 2 1 1 2 1
A= 0 1 1 ∼ 0 1 1 ∼ 0 1 1 .
−1 3 4 0 5 5 0 0 0
Entonces una base para la imagen de T es S = {u1 = (1, 2, 1), u2 = (0, 1, 1)}. Para obtener una base
para el núcleo llevemos la matriz A a su forma escalonada reducida por renglones
       
1 2 1 1 2 1 1 2 1 1 0 −1
A= 0 1 1 ∼ 0 1 1 ∼ 0 1 1 ∼ 0 1 1 .
−1 3 4 0 5 5 0 0 0 0 0 0
de donde se sigue que y = −z (segunda ecuación) y z = x (primera ecuación), por lo que y = −x, es
decir, los vectores que están en el núcleo tienen la forma v = (x, y, z) = (x, −x, x) = x(1, −1, 1) con
x ∈ R, por lo que una base para el núcleo es S 0 = {v = (1, −1, 1)}. Es fácil verificar que Av = 0.
2.6. Isomorfismos y Homomorfismos

Definición. Un mapeo T : V → W se denomina mapeo uno a uno o inyectivo si cada u en V tiene una
imagen distinta v = T (u), esto es:
Si u 6= u0 entonces T (u) 6= T (u0 ).
Si T (u) 6= T (u0 ) entonces u 6= u0 .
Definición. Un mapeo T : V → W se denomina mapeo sobreyectivo (”sobre”) si cada v en W es la

imagen de al menos un u en V .
Definición. Una transformación que posee ambas caracterı́sticas se denomina una correspondencia
uno a uno entre V y W o biyectiva. Esta transformación también se denomina isomorfismo.
Ejercicios
32. Sea T : R → R un mapeo (no necesariamente lineal) tal que:
a) T (x) = exp(x).
b) T (x) = x.
c) T (x) = x2 .
Describa que tipo de mapeo es cada uno de estos.
Solución
Se puede observar, vease Fig. 2.1, que a) es un mapeo uno a uno (inyectivo), b) es un mapeo uno a
uno y sobre (biyectivo) y c) es un mapeo que no es ni uno a uno ni sobre.
(a) (b) (c)

60 20 100
50 80
40 10
60
30
0 40
20
10 20
-10
0 0
-10 -20 -20
-4 -2 0 2 4 -20 -10 0 10 20 -10 -5 0 5 10
Figura 2.1: Ejemplos de mapeos: a)T (x) = exp(x) (uno a uno), b)T (x) = x (biyectivo o isomorfismo) y
c)T (x) = x2 (ni uno a uno ni sobre).
Definición. Dos espacios vectoriales V y W sobre un campo F se denominan isomórficos si existe un

mapeo lineal isomórfico entre V y W .
2.6.1. Transformaciones singulares y no singulares

Definición. Un mapeo T : V → W es singular si la imagen bajo T de algún vector diferente de cero en
V es el vector cero. Es decir, si T (v) = 0 para v 6= 0, entonces T es singular. T es un mapeo no singular
sı́ y solo sı́ el vector cero en V se mapea al vector cero en W . En otras palabras, T es no singular si
ker(T ) = {0}.
Teorema 2.12. Si una transformación lineal T : V → W es no singular, entonces la imagen de cualquier
conjunto linealmente independiente de vectores en V es un conjunto linealmente independiente.
2.6. ISOMORFISMOS Y HOMOMORFISMOS 57
Proposición. Una transformación lineal T : V → W es uno a uno si es no singular.

Teorema 2.13. Sean V y W dos espacios de dimensión finita tal que dim(V ) = dim(W ). Sea T : V → W
una transformación lineal, entonces T es un isomorfismo sı́ y solo sı́ T es no singular.
2.6.2. Operaciones Algebraicas con Transformaciones Lineales

Definición. Sean S : V → W y T : V → W dos transformaciones lineales. Para un escalar c se define
la suma de S + T y el producto de cT mediante las ecuaciones:
(S + T )(u) = S(u) + T (u). (2.54)
(cT )(u) = c(T (u)). (2.55)
Denotemos por L(V, W ) al conjunto de todas las transformaciones lineales de V a W . Los siguientes
teoremas se satisfacen.
Teorema 2.14. El conjunto L(V, W ) de todas las transformaciones lineales de V a W es un espacio vec-
torial con las operaciones de adición y multiplicación por un escalar definidas anteriormente.
Otra operación interesante que se puede aplicar a las transformaciones lineales es la composición.
Defiinión. Sean T : U → V y S : V → W dos transformaciones lineales. La composición ST , a veces

denotada como S ◦ T , es una transformación lineal, ST : U → W , definida por la ecuación:
(ST )(u) = S[T (u)] para todo u ∈ V. (2.56)
Teorema 2.15. Si T : U → V , S : V → W y R : W → X son transformaciones lineales, entonces:
R(ST ) = (RS)T. (2.57)
Teorema 2.16. Si U , V y W son espacios vectoriales con los mismos escalares y si T : U → V , S : V → W
son transformaciones lineales, entonces la composición también es lineal.
Demostración
(ST )(au + bv) = S[T (au + bv)],

= S[a(T u) + b(T v)] = a(ST )(u) + b(ST )(v).
Teorema 2.17. Sean U , V y W espacios vectoriales sobre el mismo campo F , asumamos que S y T están
en L(V, W ) y sea c un escalar ∈ F
a) Para cualquier transformación lineal R cuya imagen es V :
(S + T )R = SR + T R,
y
(cS)R = c(SR).
b) Para cualquier transformación lineal R : W → U :

R(S + T ) = RS + RT,
y
R(cS) = c(RS).
Teorema 2.18. Sea L(V, W )el conjunto de todas las transformaciones lineales entre dos espacios vecto-
riales de dimensión finita tal que dim(V ) = n y m = dim(W ) entonces:
dim L(V, W ) = nm. (2.58)

U W
ST : U → W
u ST (u)
T :U →V S:V →W
T (u)
Figura 2.2: Composición de funciones
2.6.3. Álgebra de Tranformaciones Lineales

Sea A(V ) = L(V, V ) el conjunto de todas las transformaciones lineales de V en V sobre el campo F .
Por el teorema anterior dim A(V ) = n2 si dim(V ) = n.
Definición. Un álgebra A sobre un campo F es un espacio vectorial sobre k con las operaciones de
multiplicación definidas por:
i) F (G + H) = F G + F H.
ii) (G + H)F = GF + HF .
iii) k(GF ) = (kG)F = G(kF ).
Si la ley asociativa se cumple para la multiplicación, entonces se dice que el álgebra es asociativa, es decir,
iv) (F G)H = F (GH).
para F , G y H en A.
Teorema 2.19. Sea V un espacio vectorial sobre el campo F , entonces A(V ) es un álgebra asociativa
sobre F con respecto a la composición de transformaciones lineales. si dim(V ) = n, entonces dim(A(V )) =
n2 .
2.6.4. Polinómios de Transformaciones Lineales

Sea A(V ) = L(V, V ), entonces IV : V → V pertenece a A(V ). Para cada T ∈ A(V ) se tiene que
T I = IT = T , además T 2 = T T , T 3 = T T T , T 4 = T T T T , etc. con T 0 = IV . Es posible definir la operación
p(T ), donde p(x) es un polinómio de grado menor o igual que n.
Sea
p(x) = a0 + a1 x + · · · + an xn , (2.59)
entonces
p(T ) = a0 T 0 + a1 T + · · · + an T n . (2.60)
Ejercicios
33. Sea T (x, y, z) = (0, x, y), obtenga T 3 (a, b, c).
Solución
Encontremos la matriz estándar de la transformación:
    
x 0 0 0 x
T  y  =  1 0 0  y ,
z 0 1 0 z
entonces   
0 0 0 x
A= 1 0 0  y ,
0 1 0 z
por lo tanto
    
0 0 0 0 0 0 0 0 0
T2 = A2 =  1 0
0  1 0 0 = 0 0 0 ,
0 0 1 0 1 0 1 0 0
    
0 0 0 0 0 0 0 0 0
T3 = A3 = AA2 =  1 0 0  0 0 0 = 0 0 0  = 0.
0 1 0 1 0 0 0 0 0
Luego entonces tenemos que T 3 (a, b, c) = 0.
2.6.5. Inversibilidad de T
Definición. Una transformación lineal T : V → W tal que U T = IV , T U = IW , donde IV es la
transformación identidad del espacio vectorial V . Si T es invertible, la función U es única y se denota por
T −1 . T es invertible sı́ y solo sı́ T es un isomorfismo:
1. T es uno a uno.
2. T es ”sobre”.
Teorema 2.20. Sean V y W dos espacios vectoriales sobre el campo F y sea T :→ W una transformación
lineal. Si T es invertible, entonces T −1 : W → V es una transformación lineal.
Demostración. Sea T (αi ) = βi , entonces αi = T −1 βi . Ahora
T (k1 α1 + k2 α2 ) = k1 T (α1 ) + k2 T (α2 ) = k1 β1 + k2 β2 ,
entonces hay un único vector tal que
T −1 (k1 β1 + k2 β2 ) = k1 α1 + k2 α2 = k1 T −1 β1 + k2 T −1 β2 . (2.61)
Ejercicios
34. Sean T : R3 → R2 y S : R3 → R2 tales que T (u) = (2x, y + z) y S(u) = (x − z, y), con u = (x, y, z).
Encuentre T + S y 3S.
Solución
(T + S)(u) = T (u) + S(u) = (3x − z, 2y + z),

(3S)(u) = 3(S(u)) = (3x − 3z, y).
35. Sean T : R3 → R2 y S : R2 → R2 tales que T (u) = (2x, y + z) para u = (x, y, z) y S(v) = (y, x) para
u = (x, y). Encuentre T ◦ S y S ◦ T si existen.
Solución
(S ◦ T )(u) = S(T (u)) = S(v) = S(2x, y + z) = (y + z, 2x),

T (u) = v = (2x, y + z).
En cuanto a T ◦ S, puesto que la imagen de S esta en R2 y el dominio de T es R3 , esta operación no

está definida.
36. Demuestre que el conjunto de todas las transformaciones lineales L(V, W ) es un espacio vectorial.
Solución
Debemos demostrar los axiomas (1.37)-(1.46). Sean T : V → W , S : V → W y R : V → W tres
transformaciones lineales, entonces:
Axioma (1.37):
(S + T )(k1 u + k2 v) = S(k1 u + k2 v) + T (k1 u + k2 v),

= S(k1 u) + S(k2 v) + T (k1 u) + T (k2 v),
= k1 S(u) + k2 S(v) + k1 T (u) + k2 T (v),
= k1 (S(u) + T (u)) + k2 (S(v) + T (v)),
= k1 (S + T )(u) + k2 (S + T )(v),
entonces (S + T ) es una transformación lineal y está en L(V, W ).

Axioma (1.38):
(S + T )(u) = (T + S)(u),
Axioma (1.39):
(T + (S + R))(u) = ((T + S) + R)(u),
Axioma (1.40): Sea el vector cero la transformación cero: Z(u) = 0 entonces
(T + Z)(u) = (Z + T )(u)
Axioma (1.41): Sea el vector negativo la transformación −T (u):
(T + (−T ))(u) = Z(u) = 0
Axioma (1.42):
(kT )(k1 u + k2 v) = k(T (k1 u + k2 v)),

= k(T (k1 u)) + k(T (k2 v)) = k(k1 T (u)) + k2 (T (v)),
= k1 (kT (u)) + k2 (kT (v)),
entonces kT es una transformación lineal y está en L(V, W ).

Axioma (1.43):
(k(S + T ))(u) = (kS)(u) + (kT )(u)
Axioma (1.44):
((k + l)T )(u) = (kT )(u) + (lT )(u),
Axioma (1.45):
k(lT )(u) = (kl)T (u),
Figura 2.3: Ilustración de dos mapeos.
Axioma (1.46):
(1T )(u) = T (u).
37. Sean F : A → B y G : A → B los mapeos mostrados en la Fig. 2.3, diga cuál es un isomorfismo.
Solución
F no es uno a uno.
G es uno a uno y sobre, por lo tanto es un isomorfismo.
38. Sean F : A → B y G : B → C los mapeos mostrados en la Fig. 2.4, encuentre:
a) los elementos de la imagen de F y G.

b) los elementos de la imagen de G ◦ F .
c) dibuje esquemáticamente la composición G ◦ F .
Solución
Figura 2.4: Imagen de un mapeo y una composición de dos transformaciones lineales.
G es un isomorfismo y F no lo es.
a) La imagen de F es {x, y} y la imagen de G es {r, s, t} es decir todo C.

b) La imagen de G ◦ F es {s, t}.
c) La composición se esquemátiza en la Fig. 2.5
Figura 2.5: Composición de las transformaciones de la Fig. 2.4.
39. Considere la transformación lineal T : R3 → R3 tal que T (u) = (x + 2y − 4z, 2x + 3y + z, z) con

u = (x, y, z) encuentre la matriz estándar A y la matriz inversa A−1 en la base canónica de R3 .
Solución
    
x + 2y − 4z 1 2 −4 x
T (u) = 2x + 3y + z  =  2 3 1  y ,
z 0 0 1 z
entonces  
1 2 −4
A= 2 3 1 .
0 0 1
La inversa se puede encontrar por el método de Gauss. La matriz aumentada del sistema es
   
1 2 −4 | 1
0 01 2 −4 | 1 0 0
2 3 1 | 0
0 ∼ 0 −1 9 | −2 1 0 ,
1
0 0 1 | 0
1 00 0 1 | 0 0 1
   
1 2 −4 | 1 0 0 1 2 −4 | 1 0 0
∼ 0 1 −9 | 2 −1 0 ∼ 0 1 0 | 2 −1 9 ,
0 0 1 | 0 0 1 0 0 1 | 0 0 1
   
1 2 0 | 1 0 4 1 0 0 | −3 2 −14
∼ 0 1 0 | 2 −1 9 ∼ 0 1 0 | 2 −1 9 
0 0 1 | 0 0 1 0 0 1 | 0 0 1
por lo que tenemos que:

 
−3 2 −14
A−1 = 2 −1 9 , (2.62)
0 0 1
entonces:     
−3 2 −14 x −3x + 2y − 14z
T −1 (v) =  2 −1 9   y  =  2x − y + 4z  . (2.63)
0 0 1 z z
2.7. FUNCIONALES LINEALES Y ESPACIO DUAL 63
Ahora sea v = (1, 1, 1):

 
−15
T −1 (v) =  10  ,
1
      
−15 1 2 −4 −15 1
T  10  =  2 3 1  10  =  1  .
1 0 0 1 1 1
40. Determine si las siguientes transformaciones T : R2 → R2 son o no singulares:

x x−y
a) F = .
y x − 2y
Solución

1 −1
En este caso se tiene A = y det A = 3, entonces F es no singular.
1 −2

x 2x − 4y
b) G = .
y 2x − 6y
Solución

2 −4
En este caso se tieneA = , det A = 0, entonces G es singular.
3 −6
   
x x + y − 2z
c) Sea H : R3 → R3 tal que F  y  =  x + 2y + z .
z 2x + 2y − 3z
Solución
 
1 1 −2
En este caso A =  1 2 1 , el det A 6= 0 por lo tanto H es no singular.
2 2 −3
41. Sean F : R2 → R2 y G : R2 → R2 tales que F (x, y) = (y, x) y G(x, y) = (0, x). Encuentre F + G, F G,
GF , F 2 y G2 .
Solución
Sea u = (x, y), entonces:
(F + G)(u) = F (u) + G(u) = (y, x) + (0, y) = (y, 2x),
(F G)(u) = F [G(u)] = F (0, x) = (x, 0),
(GF )(u) = G[F (u)] = G(y, x) = (0, y),
F 2 (u) = F [F (u)] = F (y, x) = (x, y),
2
G (u) = G[G(u)] = G(y, x) = (0, 0).
42. Sean F : R3 → R2 , G : R3 → R2 y H : R2 → R2 tales que: F (x, y, z) = (y, x+z), G(x, y, z) = (2z, x−y)
y H(x, y) = (y, 2x). Encuentre HF , HG, F ◦ H, GH y H(F + G), si existen.
2.7. Funcionales Lineales y Espacio Dual

Si V es un espacio vectorial sobre un campo F , una transformación lineal f : V → F se denomina
funcional lineal sobre V . En otras palabras,
Para todo u1 , u2 ∈ V, k ∈ F :
f (u1 + u2 ) = f (u1 ) + f (u2 ), (2.64)
f (ku1 ) = kf (u1 ). (2.65)
Ejercicios
43. Sea u un vector en Rn , encuentre la funcional f : Rn → R en la base S = {e1 , e2 , . . . , en }.
Solución
Si S es una base de R2 , entonces u = x1 e1 + · · · + xn en , por lo que
f (u) = x1 f (e1 ) + · · · + xn f (en ) = a1 x1 + · · · + an xn ,
con ai = f (ei ), i = 1, . . . , n. Toda funcional en Rn es de este tipo.

44. Sea A una matriz de n × n:
 
a11 A12 A13 ... A1n
 A21 A22 A23 ... A2n 
A= . ..  .
 
.. ..
 .. . . ··· . 
An1 An2 An3 ... Ann
Definimos la traza de A como

Tr(A) = A11 + A22 + · · · + Ann . (2.66)
Demuestre que la traza de una matriz es una funcional lineal.
Solución
Tr(A + B) = (A11 + B11 ) + (A22 + B22 ) + · · · + (Ann + Bnn ),

= A11 + A22 + · · · + Ann + B11 + B22 + · · · + Bnn ,
= Tr(A) + Tr(B).
Tr(kA) = kA11 + kA22 + · · · + kAnn ,

= k(A11 + A22 + · · · + Ann ),
= kTr(A).
45. Demuestre que la siguiente es una funcional lineal

Z b
L[f (x)] = f (t)dt. (2.67)
a
Para una función real continua en el intervalo cerrado [a, b].

Solución
Z b Z b Z b
L[k1 f (x) + k2 g(x)] = (k1 f (t) + k2 g(t))dt = (k1 f (t))dt + (k2 g(t))dt,
a a a
Z b Z b
= k1 f (t)dt + k2 g(t)dt = k1 L[f (x)] + k2 L[g(x)].
a a
Definición. Sea V un espacio vectorial sobre el campo F . El conjunto de todas las funcionales lineales
L(V, F ) es por sı́ mismo un espacio vectorial. Este espacio vectorial se denomina como el espacio dual de
V y se denota por:
V ∗ = L(V, F ). (2.68)
Si V es un espacio vectorial finito, la dimensión de V ∗ es igual a la dimensión de V .
Teorema 2.21. Sea V un espacio vectorial finito sobre el campo F y sea B = {α1 , . . . , αn } una base de
V . Entonces hay una base dual tal que fi (αj ) = δij . Para cada vector α ∈ V se tiene:
n
X
α= fi (α)αi , (2.69)
i=1
y para cada funcional f ∈ V se tiene:

n
X
f= f (αi )fi . (2.70)
i=1
Demostración.
Si B ∗ = {fi , f2 , . . . , fn } es una base para el espacio dual entonces se debe demostrar que la ecuación
a1 f1 + a2 f2 + . . . + an fn = 0,
solo admite la solución trivial. Apliquemos dicha ecuación a cada uno de los vectores de la base B:
n
X n
X
a1 f1 (αi ) + a2 f2 (αi ) + . . . + an fn (αi ) = aj fj (αi ) = aj δij = ai = 0,
j=1 j=1
de donde se sigue que la única solución es la trivial.

Ahora sea
X n
α= xi αi ,
i=1
un vector en V entonces:
n
X n
X
fj (α) = xi fj (αi ) = xi δij = xj , (2.71)
i=1 i=1
de modo que:
n
X
α= fi (α)αi , (2.72)
i=1
es decir, cada fi es la función que para cada α en V regresa como resultado la i-ésima coordenada de α
con respecto a la base B.
Ejercicios
46. Encuentre la base dual para las siguientes bases del subespacio indicado.
La base B = {u1 = (1, 1), u2 = (1, −1)} de R2 .

Solución
Los vectores fi (u) de la base dual B ∗ satisfacen fi (uj ) = δij para ui ∈ B. Cada fi (u), con
u = (x1 , x2 ) ∈ R2 se puede escribir como
fi (u) = ai x1 + bi x2 .
Apliquemos f1 (u) a cada ui ∈ B:
f1 (u1 ) = a1 + b1 = 1,
f1 (u2 ) = a1 − b1 = 0,
de donde a1 = b1 = 1/2. Ahora apliquemos f2 (u) a cada ui ∈ B:
f2 (u1 ) = a2 + b2 = 0,
f1 (u2 ) = a2 − b2 = 1,
de donde a2 = 1/2 y b2 = −1/2. Finalmente se tiene la base dual B ∗ = {f1 = (x1 + x2 )/2, f2 =
(x1 − x2 )/2}.
La base canónica B = {e1 = (1, 0, 0), e2 = (0, 1, 1), e3 = (0, 0, 1)} de R3 .
Solución
Los vectores fi (u) de la base dual B ∗ satisfacen fi (ej ) = δij para ei ∈ B. Cada fi (u), con
u = (x1 , x2 , x3 ) ∈ R3 se puede escribir como
fi (u) = ai x1 + bi x2 + ci x3 .
Después de aplicar cada fi a los ej (i, j = 1, 2, 3) es fácil ver que fi (u) = xi , por lo que se tiene
la base dual B ∗ = {f1 = x2 , f2 = x2 , f3 = x3 }.
La base B = {u1 = (1, 1, 1), u2 = (1, 0, −1), u3 = (0, −1, 1)} de R3 .
Solución
fi (u) = ai x1 + bi x2 + ci x3 .
Apliquemos f1 (u) a cada ui ∈ B:
f1 (u1 ) = a1 + b1 + c1 = 1,
f1 (u2 ) = a1 − c1 = 0,
f1 (u3 ) = −b1 + c1 = 0,
de donde c1 = b1 = a1 y a1 = 1/3, entonces f1 (u) = (x1 + x2 + x3 )/3. Ahora apliquemos f2 (u) a

cada ui ∈ B:
f2 (u1 ) = a2 + b2 + c2 = 0,
f2 (u2 ) = a2 − c2 = 1,
f2 (u3 ) = −b2 + c2 = 0,
de donde c2 = b2 = −a2 /2 y a2 = 2/3, entonces f2 (u) = (2x1 −x2 −x3 )/3. Finalmente apliquemos
f3 (u) a cada ui ∈ B:
f3 (u1 ) = a2 + b2 + c2 = 0,
f3 (u2 ) = a2 − c2 = 0,
f3 (u3 ) = −b2 + c2 = 1,
de donde c2 = a2 = −b2 /2 y b2 = −2/3, entonces f2 (u) = (x1 − 2x2 + x3 )/3. Entonces se tiene
la base dual B ∗ = {f1 = (x1 + x2 + x3 )/3, f2 = (2x1 − x2 − x3 )/3, f3 = (x1 − 2x2 + x3 )/3}.
La base B = {u1 = (−3, 0, −3), u2 = (−3, 2, −1), u3 = (1, 6, −1)} de R3 .Solución
fi (u) = ai x1 + bi x2 + ci x3 .
Apliquemos cada fi (u) a cada ui ∈ B. En general se tiene

fi (u1 ) = −3ai − 3ci = ei ,
fi (u2 ) = −3ai + 2bi − ci = fi ,
fi (u3 ) = ai + 6bi − ci = gi ,
donde e1 = f2 = g3 = 1 y todos los demás ei , fi y gi son cero. Escribimos la matriz aumentada
del sistema y llevemos a la forma escalonada reducida
1 0 1 | − e3i − e3i
     
−3 0 −3 | ei 1 0 1 |
−3 2 −1 | fi  ∼ −3 2 −1 | fi  , ∼ 0 2 2 | −ei + fi  ,
1 6 −1 | gi 1 6 −1 | gi 1 6 −1 | gi
ei ei
   
1 0 1 | −3 1 0 1 | −3
∼ 0 1 1 | − 12 ei + 12 fi  ∼ 0 1 1 | − 21 ei + 12 fi  ,
ei
0 6 −2 | 3 + gi 0 0 −8 | 103 ei − 3fi + gi
ei
− e3i
   
1 0 1 | −3 1 0 1 |
∼ 0 1 1 | − 12 ei + 12 fi  ∼ 0 1 0 | − 1 ei + 1 fi + 1 gi  ,
12 8 8
5 3 1 5
0 0 1 | − 12 ei + 8 fi − 8 gi 0 0 1 | − 12 ei + 83 fi − 18 gi
1 3 1
 
1 0 0 | 12 ei − 8 fi + 8 gi
1
∼ 0 1 0 | − 12 ei + 18 fi + 18 gi  .
0 0 1 | − 12 ei + 38 fi − 18 gi
5
1
La parte derecha es la solución para ai , bi y ci : ai = 12 ei − 38 fi + 81 gi , bi = − 12
1
ei + 18 fi + 18 gi ,
5 3 1
ci = − 12 ei + 8 fi − 8 gi . Ahora usamos e1 = 1 para f1 , g2 = 1 para f2 y f3 = 1 para f3 , de donde
se tiene la base dual siguiente B ∗ = {f1 = 12 1
(x1 − x2 − 5x3 ), f1 = 81 (−3x1 + x2 + 3x3 ) f1 =
1
8 (x1 + x2 − x3 )}.
47. a)Encuentre la base dual de la base de R3 B = {u1 = (1, 1, 0), u2 = (1, 0, 1), u3 = (0, 1, 1)}, b)Sea f :
R3 → R la funcional f (u) = f1 (u) − 3f2 (u) + 2f3 (u), encuentre las coordenadas de f (u) con respecto
0
a la base dual B ∗ de la base B 0 = {v1 = (1, 1, −1), v2 = (1, −1, 1), v3 = (−1, 1, 1)}, c)Encuentre la
0
matriz de transición de la base a B ∗ a la base B ∗ y verifique el resultado del inciso b), d)Encuentre las
coordenadas del vector u = (2, 1, −5) con respecto a las bases B y B 0 , e)Encuentre las coordenadas
de la funcional h(u) = 5x1 + 3x2 − 8x3 con respecto a la base B ∗ .
Solución
a)Por el proceso de los ejercicios anteriores se puede mostrar que la base dual de B es B ∗ = {f1 =
(x1 + x2 − x3 )/2, f2 = (x1 − x2 + x3 )/2, f3 = (−x1 + x2 + x3 )/2}. Se puede verificar fácilmente que
fi (uj ) = δij .
b)De nuevo, por el proceso de los ejercicios anteriores se puede mostrar que la base dual de B 0 es
0
B ∗ = {g1 = (x1 + x2 )/2, g2 = (x1 + x3 )/2, g3 = (x2 + x3 )/2}. Se puede verificar fácilmente que
gi (vj ) = δij .
Ahora sea f (u) = af1 + bf2 + cf3 una funcional arbitraria, donde (a, b, c) son las coordenadas de f
en la base B ∗ :  
a
[f ]B ∗ =  b  ,
c
entonces en términos de los gi se tiene
f (u) = af1 + bf2 + cf3 ,
a+b−c a−b+c −a + b + c
= x1 + x2 + x3 ,
2 2 2
= a0 g1 + b0 g2 + c0 g3 ,
a0 + b0 a 0 + c0 b0 + c0
= x1 + x2 + x3 ,
2 2 2
de donde
a0 + b0 = a + b − c,
a0 + c0 = a − b + c,
b0 + c0 = −a + b + c.
Después de sumar las dos primeras ecuaciones y restar la tercera se tiene a0 = (3a − b − c)/2,
sustituyendo en las dos primeras ecuaciones da b0 = (−a + 3b − c)/2 y c0 = (−a − b + 3c)/2. Entonces
en general
 
3a − b − c
1
[f ]B 0 ∗ = −a + 3b − c . (2.73)
2
−a − b + 3c
Si reemplazamos las coordenadas del vector f (u) = f1 (u) − 3f2 (u) + 2f3 (u) en la base B ∗ se tiene
   
3 − (−3) − 2 2
1
[f ]B 0 ∗ =  −1 + 3(−3) − 2  = −6 .
2
−1 − (−3) + 3(2) 4
0
C)Otra forma para encontrar [f ]B 0 ∗ es usar la matriz de transición de B ∗ a B ∗ , la cual está dada por

P = [f1 ]B 0 ∗ [f2 ]B 0 ∗ [f3 ]B 0 ∗ .
Entonces debemos expresar a los fi como combinación lineal de los gi : fi = a0i g1 + b0i g2 + c0i g3 , de
0
modo que la matriz de coordenadas de fi con respecto a la base B ∗ es
 0
ai
[fi ]B 0 ∗ =  b0i  .
c0i
Ahora, reemplazamos las coordenadas de cada fi en la Ec. (2.73) y se tiene

     
3 −1 −1
1 1 1
[f1 ]B 0 ∗ = −1 , [f2 ]B 0 ∗ =  3  , [f3 ]B 0 ∗ = −1 .
2 2 2
−1 −1 3
0
La matriz de transición de B ∗ a B ∗
es
 
3 −1 −1
1
P = [f1 ]B 0 ∗ [f2 ]B 0 ∗ [f3 ]B 0 ∗ = −1 3 −1 .
2
−1 −1 3
Note que esta matriz también se puede leer directamente de la Ec. (2.73). De este modo se tiene
    
3 −1 −1 1 2
1
[f ]B 0 ∗ = P[f ]B ∗ = −1 3 −1 −3 = −6 ,
2
−1 −1 3 2 4
d)De acuerdo a la Ec. (2.69) todo vector u en R3 se puede expresar en términos de la base B como
3
X
u= fi (u)ui ,
i=1
entonces para u = (2, 1, −5) se tiene
u = f1 (2, 1, −5)u1 + f2 (2, 1, −5)u2 + f3 (2, 1, −5)u3 = 4u1 − 2u2 − 3u3 ,

de donde se obtienen las coordenadas de u con respecto a B. De manera similar todo vector u en
R3 se puede expresar en términos de la base B 0 como
3
X
u= gi (u)vi ,
i=1
entonces para u = (2, 1, −5) se tiene
3 3
u = g1 (2, 1, −5)v1 + g2 (2, 1, −5)v2 + g3 (2, 1, −5)v3 = v1 − v2 − 2v3 ,
2 2
de donde se obtienen las coordenadas de u con respecto a B 0 .
e)De acuerdo a la Ec. (2.70) se tiene que las coordenadas de h(u) = 5x1 + 3x2 − 8x3 con respecto a
la base B ∗ son (h(u1 ), h(u2 ), h(u3 )), entonces
     
h(1, 1, 0) 5(1) + 3(1) 8
[h]B ∗ = h(1, 0, 1) = 5(1) − 8(1) = −3 ,
h(0, 1, 1) 3(1) − 8(1) −5
es decir h(u) = 8f1 (u) − 3f2 (u) − 5f3 (u).
48. Sea Li : P2 → R la funcional lineal Li (p) = p(ti ) para ti ∈ R, donde p(x) ∈ P2 tiene la forma
p(x) = a0 + a1 x + a2 x2 , de modo que
Li (p) = p(ti ) = a0 + a1 ti + a2 t2i .
Pruebe que L1 , L2 y L3 son linealmente independientes y por lo tanto constituyen una base para el
espacio dual de P2 .
Solución
Para demostrarlo, debemos probar que:
c1 L1 + c2 L2 + c3 L3 = 0 (2.74)
si y solo si ci = 0, i = 1, 2, 3. Apliquemos la ecuación anterior a los vectores de la base canónica de

P2 B = {e1 = 1, e2 = x, e3 = x2 }. Se obtiene:
(c1 L1 + c2 L2 + c3 L3 )(e1 ) = c1 + c2 + c3 = 0,
(c1 L1 + c2 L2 + c3 L3 )(e2 ) = c1 t1 + c2 t2 + c3 t3 = 0,
(c1 L1 + c2 L2 + c3 L3 )(e3 ) = c1 t21 + c2 t22 + c3 t23 = 0,
que se puede escribir como

    
1 1 1 c1 0
Ac =  t1 t2 t3   c2  =  0  . (2.75)
t21 t22 t23 c3 0
Vemos que el determinante de la matriz A es diferente de cero y por ende ci = 0, i = 1, 2, 3.
La base en P2 de la cual esta base es la base dual es tal que:
Li (pj ) = δij , (2.76)
o bien
Li (pj ) = pj (ti ) = δij . (2.77)
Se puede verificar que esta base tiene la forma:
(x − t2 )(x − t3 )
p1 (x) = ,
(t1 − t2 )(t1 − t3 )
(x − t1 )(x − t3 )
p2 (x) = , (2.78)
(t2 − t1 )(t2 − t3 )
(x − t1 )(x − t2 )
p3 (x) = .
(t3 − t1 )(t3 − t2 )
Acorde a esto, cualquier polinómio en P2 puede escribirse como:
p = L1 (p)p1 (x) + L2 (p)p2 (x) + L3 (p)p(x),

= p(t1 )p1 (x) + p(t2 )p2 (x) + p(t3 )p3 (x).
2.8. Relación entre Funcionales Lineales y Subespacios

Si f es una funcional no nula, el rango de f es 1. Si el espacio vectorial V al cual se aplica f tiene
dimensión finita, el núcleo de f tiene dimensión:
dim(ker f ) = dim(V ) − 1 (2.79)
Un subespacio de dimensión dim(V ) − 1 se llama hiperespacio.
Definición. Si V es un espacio sobre el campo F y S es cualquier subconjunto de V , el aniquilador de S

es el conjunto S 0 de funcionales lineales sobre V tales que f (α) = 0 para cada α ∈ S (vease Fig. 2.6).
Figura 2.6: Aniquilador de un subconjunto de un espacio vectorial.
Teorema 2.22. Sea V un espacio vectorial finito sobre el campo F , y sea W un subespacio de V . Entonces:
dim(W ) + dim(W 0 ) = dim(V ) (2.80)

2.9. PROBLEMAS 71
Ejercicios
49. Encuentre el conjunto aniquilador S 0 del conjunto de R3 siguiente S = {u1 = (2, 0, −1), u2 = (4, 2, 1).
Solución
Las funcionales f : R3 → R tienen la forma f (u) = ax1 + bx2 + cx3 para u = (x1 , x2 , x3 ) ∈ R3 . Las
funcionales aniquiladoras de u1 y u2 obedecen f (u1 ) = 2a − c = 0 y f (u2 ) = 4a + 2b + c = 0, de
donde c = 2a y b = −3a, entonces se tiene f (u) = a(x1 − 3x2 + 2x3 ) con a ∈ R, de modo que
S 0 = {f1 = x1 − 3x2 + 2x3 }.
2.9. Problemas
1. Demuestre si las siguientes transformaciones son lineales o no.
a) T : R3 → R2 es T (x, y, z) = (x + x0 , y + y0 ), donde v = (x0 , y0 ) es un vector fijo en R2 .

b) T : R3 → R3 es T (x, y, z) = (−x, −y, −z).
c) T : R3 → R3 es T (x, y, z) = (y, y, y).
√ √
d) T : R2 → R2 es T (x, y) = ( x, y).
e) T : P2 → P2 es T (p(x)) = a0 + (a1 + a2 )x + (2a0 − 3a1 )x2 , con p(x) = a0 + a1 x + a2 x2 .

a b
f ) T : M22 → R es T = ad − bc.
c d
2. Sea V el espacio vectorial que comprende a los números reales con la adición y multiplicación por
un escalar definidas como:
x ⊕ y = xy
(2.81)
k ⊗ x = xk
Diga si la transformación T (x) = log(x) es lineal.
3. Encuentre la matriz estándar de las tranformaciones siguientes.
a) T : R3 → R3 es T (x, y, z) = (x − y + 3z, 5x + 6y − 4z, 7x + 4y + 2z).

b) T : R3 → R3 es T (x, y, z) = (2x − z, 4x − 2z, 0).
c) T : R4 → R2 es T (x, y, z, u) = (4x + y + 5z + 2u, x + 2y + 3z).
d) T : R5 → R4 es T (x, y, z, u, v) = (x + 4y + 5z + 9v, 3x − 2y + z − v, −x − z − v, 2x + 3y + 5z + u + 8v).
4. En los incisos del ejercicio anterior encuentre en cada caso una base para la imagen de T , una base
para el núcleo de T , el rango de T y la nulidad de T .
5. Sean B = {u1 = (2, 2), u2 = (4, −1)} y B 0 = {v1 = (1, 3), v2 = (−1, −1)} dos bases de R2 , encuentre
la matriz de transición (cambio de base) de B a B 0 y la matriz de transición de B 0 a B.
6. Sean B = {u1 = (2, 1, 1), u2 = (2, −1, 1), u3 = (1, 2, 1)} y B 0 = {v1 = (3, 1, −5), v2 = (1, 1, −3), v3 =
(−1, 0, 2)} dos bases de R3 , encuentre la matriz de transición (cambio de base) de B a B 0 y la matriz
de transición de B 0 a B. Sea w = (1, 4, 6) un vector expresado en términos de la base B, encuentre
las coordenadas de w en la base B 0 .
7. Sean B = {p1 = 6 + 3x, p2 = 10 + 2x} y B 0 = {q1 = 2, q2 = 3 + 2x} dos bases de P1 , encuentre la

matriz de transición (cambio de base) de B a B 0 . Sea p(x) = −4 + x un vector de P1 expresado en
términos de la base B, encuentre las coordenadas de p(x) en la base B 0 .
8. Encuentre la matriz de las transformaciones lineales de los incisos 3a y 3b con respecto a la base
B 0 = {u1 = (2, 1, 1), u2 = (2, −1, 1), u3 = (1, 2, 1)}. Recuerde que las matrices obenida en 3a y 3b
están dadas con respecto a la base canónica B 00 = {e1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1)}.
9. Repita el ejercicio anterior si B 0 = {u1 = (3, 1, −5), u2 = (1, 1, −3), u3 = (−1, 0, 2)}.
10. En los incisos siguientes encuentre las composiciones T2 ◦ T1 .
a) Sean T1 : R2 → R3 y T2 : R3 → R3 las transformaciones lineales T1 (x, y) = (−2y, 3x, x − 2y) y
T2 (x, y, z) = (y, z, x).
b) Sean T1 : R2 → R3 y T2 : R3 → R3 las transformaciones lineales T1 (x, y) = (x + y, y, −x) y
T2 (x, y, z) = (0, x + y + z, 3y).
c) Sean T1 : M22 → R y T2 : M22 → M22 las transformaciones lineales T1 (A) = Tr(A) y T2 (A) =
AT , donde A es una matriz de 2 × 2.
d) Sean T1 : P2 → P2 y T2 : P2 → P3 las transformaciones lineales T1 (p(x)) = p(x − 1) y
T2 (p(x)) = xp(x), donde p(x) = a0 + a1 x + a2 x2 es un polinomio de P2 .
11. Diga si las transformaciones de los incisos 1b, 1c, 3a y 3b son no singulares o singulares y encuentre
la transformación inversa si existe.
12. Diga cuál de las transformaciones lineales de los incisos 1b, 1c, 3a y 3b es un isomorfismo.
13. Encuentre la base dual para las siguientes bases de R3 a)B = {u1 = (2, 1, 1), u2 = (2, −1, 1), u3 =
(1, 2, 1)} y b)B 0 = {v1 = (3, 1, −5), v2 = (1, 1, −3), v3 = (−1, 0, 2)}.
14. Sea el u = (2, 4, 6) un vector de R3 con respecto a la base canónica, encuentre las coordenadas de
u en las bases B y B 0 empleando las bases duales correspondientes.
15. Sea f (u) = 2x1 − 3x2 + x3 una funcional lineal f : R3 → R, encuentre las coordenadas de f (u) en
0
las bases B ∗ y en la base B ∗ .
16. Encuentre el conjunto aniquilador S 0 del conjunto S = {u1 = (1, 3, −1), u2 = (0, −2, 7)} de R3 .
Capı́tulo 3
Problema de Valores Propios
3.1. Polinomio caracterı́stico y ecuación caracterı́stica

Definición: Considere una transformación T : Fn → Fn definida por
T (u) = Au, (3.1)
donde u es un vector ∈ Fn escrito en forma de matriz columna y A es una matriz de n × n. El problema de

encontrar los vectores ui que obedecen la ecuación
Aui = λi ui , (3.2)
se conoce como problema de valores propios. Al vector ui se le conoce como vector propio de A asociado
al valor propio λi . A los valores (vectores) propios también se les conoce como valores caracterı́sticos,
autovalores o eigenvalores (vectores caracterı́sticos, autovectores o eigenvectores).
La matriz λI − A, con I la matriz identidad de dimensión n y λ un parámetro indeterminado, se llama

la matriz caracterı́stica de A.
El determinante de la matriz caracterı́stica de A es un polinomio en λ de orden n y se conoce como

el polinomio caracterı́stico de A.
4A (λ) = det(λI − A) ≡ |λI − A| (3.3)
El polinomio caracterı́stico de A también se conoce como ecuación caracterı́stica de A cuando se

iguala a cero:
4A (λ) = |λI − A| = 0. (3.4)
Las raices de la ecuación caracterı́stica de A son los valores propios, por lo cual se pueden tener un
máximo de n valores propios distintos.
Sea
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A = , (3.5)
 
 ..
 . 
an1 an2 ... ann
73
74 CAPÍTULO 3. PROBLEMA DE VALORES PROPIOS
entonces el polinomio caracterı́stico de A está dado de manera explı́cita por:

 
 λ − a11 −a12 ... −a1n 
 
 −a21 λ − a22 . . . −a2n 
4A (λ) =  , (3.6)
 
.. .. ..

 . . . 

 −an1 −an2 . . . λ − ann 
= (λ − a11 )(λ − a22 ) · · · (λ − ann ) + . . . ,
= λn − (a11 + a22 + . . . + ann )λn−1 + . . . + 41 λ + 40 , (3.7)
donde el término constante es 40 = 4A (0) = | − A|, pero | − A| = (−1)n |A|, entonces la ecuación
caracterı́stica de A es
4A (λ) = λn − TrA λn−1 + . . . 41 λ + (−1)n |A| = 0.
Teorema 3.1 (Cayley-Hamilton). Cada matriz es una raı́z de su ecuación caracterı́stica.
Demostración:
Ya que
Au = λu,
se cumple que
A2 u = λAu = λ2 u,
y en general
An u = λn u,
entonces
4A (A)u = An − TrA An−1 + . . . 41 A + (−1)n |A| u,

= λn − TrA λn−1 + . . . 41 λ + (−1)n |A| u = 4A (λ)u = 0,

ya que u 6= 0 se tiene que

4A (A) = 0.
Teorema 3.2. Dos matrices semejantes tienen el mismo polinomio caracterı́stico.
Demostración:
Si dos matrices A y B son semejantes, entonces existe una matriz P tal que
B = P−1 AP, (3.8)
entonces
4B (λ) = |λI − P−1 AP|, (3.9)
pero λI = λIP−1 P = λP−1 IP, entonces
λI − B = λP−1 IP − P−1 AP = P−1 (λI − A)P.
Ahora |CBD| = |C||D||B|, entonces
4B (λ) = |P−1 (λI − A)P| = |P−1 ||(λI − A)||P|,

= |P−1 ||P||λI − A| = |P−1 P||λI − A|,
= |λI − A| = 4A (λ).
3.1. POLINOMIO CARACTERÍSTICO Y ECUACIÓN CARACTERÍSTICA 75
Ejercicios
1. Encuentre explı́citamente los polinomios caracterı́sticos para matrices de 2 × 2 y 3 × 3.
Solución
Sea A una matriz de 2 × 2 dada por

a11 a12
A= , (3.10)
a21 a22
entonces

λ − a11 −a12
4A (λ) =
−a21 = (λ − a11 )(λ − a22 ) − a12 a21 ,
λ − a22
= λ2 − (a11 + a22 )λ + a11 a22 − a12 a21 ,
= λ2 − TrA λ + |A|. (3.11)
Sea A una matriz de 3 × 3 dada por

 
a11 a12 a13
A =  a21 a22 a23  , (3.12)
a31 a32 a33
entonces

λ − a11 −a12 −a13

4A (λ) = −a21 λ − a22 −a23 ,

−a31 −a32 λ − a33

λ − a22 −a23 + a12 −a21 −a23
−a21 λ − a22
= (λ − a11 ) − a13 ,
−a32 λ − a33 −a31 λ − a33 −a31 −a32
= (λ − a11 )(λ − a22 )(λ − a33 ) − (λ − a11 )a23 a32 + (λ − a33 )(−a12 a21 ) − a12 a23 a31
−(λ − a22 )a13 a31 − a13 a21 a32 ,
= λ3 + λ2 (−a33 − a22 ) + λ(a22 a33 ) + λ2 (−a11 ) + λ(a11 a33 ) + λa11 a22 − a11 a22 a33
− λ(a23 a32 ) + a11 a23 a32 − λ(a12 a21 ) + a33 a12 a21 − a12 a23 a31 − λ(a13 a31 )
+ a22 a13 a31 − a13 a21 a32 ,
entonces
4A (λ) = λ3 − λ2 (a11 + a22 + a33 ) + λ(a11 a33 + a22 a33 + a11 a22 − a23 a32 − a12 a21 − a13 a31 )
− a11 (a22 a33 − a32 a22 ) + a12 (a21 a33 − a31 a23 ) − a13 (a21 a32 − a31 a22 ),
= λ3 − λ2 TrA + λ(A11 + A22 + A33 ) − |A|,
donde
a11 a12
A11 = a22 a33 − a32 a22 = , (3.13)
a32 a33

a11 a13
A22 = a11 a33 − a13 a31 = , (3.14)
a31 a33

a11 a12
A33 = a11 a22 − a12 a21 = , (3.15)
a21 a22
es decir, A11 , A22 y A33 son los menores de A. Finalmente se tiene
4A (λ) = λ3 − S1 λ2 + S2 λ − S3 , (3.16)
donde S1 = TrA, S2 = A11 + A22 + A33 y S3 = det A.
Teorema 3.3. Sea A una matriz cuadrada de dimensión n. Su polinomio caracterı́stico es:
4A (λ) = λn − S1 λn−1 + S2 λn−2 − . . . + (−1)n Sn (3.17)
donde Sk es la suma de los menores principales de orden k.
3.2. Valores propios y vectores propios

Definición. Sea A una matriz cuadrada de n × n sobre un campo F. Un escalar λ ∈ F se llama valor
propio de A si existe un vector no cero v ∈ Fn tal que
Av = λv, (3.18)
Cada vector que satisface esta relación se llama vector propio correspondiente a λ y el conjunto Eλ de
todos los vectores propios correspondientes a cada valor propio λ es un subespacio que se conoce como
espacio propio. Demostración:
Sean v1 y v2 dos vectores propios correspondientes a un valor propio λ de la matriz A, entonces
(λI − A)v1 = 0,
(λI − A)v2 = 0,
de modo que
A(v1 + v2 ) = λv1 + λv2 = λ(v1 + v2 ),
y
Akv1 = kAv1 = kλv1 ,
Teorema 3.4. Sea A una matriz de n × n sobre un campo F. Entonces, los siguientes enunciados son
equivalentes:
Un escalar λ ∈ F es un valor propio de A.
La matriz M = λI − A es singular.
El escalar λ es una raı́z del polinomio caracterı́stico de A.
Teorema 3.5. Sea A una matriz de n × n sobre el campo de los números complejos C. Entonces A tiene
al menos un valor propio.
3.3. Matrices diagonalizables

Teorema 3.6. Una matriz A de n × n es semejante a una matriz diagonal D si y solo si A tiene n vectores
propios linealmente independientes vi . En tal caso, los elementos diagonales de D son los valores propios
de A y D = P−1 AP donde P es la matriz de transición de la base constituida por los vectores propios de
A a la base canónica de Fn : las columnas de esta matriz está son los vectores propios de A:

P = v1 v2 ... vn .
3.3. MATRICES DIAGONALIZABLES 77
Ejercicios
2. Suponga que A es una matriz diagonalizable, encuentre Am .
Solución
Si A es una matriz diagonalizable entonces
A = PDP−1 , (3.19)
Am = (PDP−1 )m = |PDP−1 PDP{z

−1
· · · PDP−1}
m veces
= PDm P−1 . (3.20)
3. Encuentre los valores propios y los vectores propios de las siguiente matriz de 2 × 2 y encuentre A3 .

3 2
A= . (3.21)
0 1
Solución
La ecuación caracterı́stica es:

λ−3 2
4A (λ) = = (λ − 3)(λ − 1) = 0
0 λ−1
entonces, los valores propios de A son λ1 = 3 y λ2 = 1.

x1
Para λ1 = 3 sea v1 = , entonces se debe cumplir que (λ1 I − A)v1 = 0:
y1

0 −2 x1 −2x1 0
(λ1 I − A)v1 = = = ,
0 2 y1 2y1 0
de donde y1 = 0 y x1 = t con t ∈ R. Entonces el vector propio correspondiente a λ1 = 3 es:

1
v1 = .
0

x2
Para λ2 = 1 sea v2 = , entonces se debe tener (λ2 I − A)v2 = 0:
y2

−2 −2 x2 −2x2 − 2y2 0
(λ2 I − A)v2 = = = ,
0 0 y2 0 0
de donde x2 + y2 = 0, es decir x2 = s y y2 = −x2 = −s con s ∈ R. Entonces el vector propio

correspondiente a λ2 = 1 es:
1
v2 = .
−1
La matriz de transición de B0 = {v1 , v2 } a B = {e1 , e2 } es:

1 1
P= ,
0 −1
y su inversa es
−1 1 1
P = .
0 −1
Ahora

1 1 3 2 1 1 1 1 3 1
D = P−1 AP = = ,
0 −1 0 1 0 −1 0 −1 0 −1

3 0 λ1 0
= = .
0 1 0 λ2
Además
33

1 1 0 1 1 1 1 27 27
A3 = P−1 D3 A = =
0 −1 0 13 0 −1 0 −1 0 −1

27 26
= .
0 1
4. Encuentre los valores propios y vectores propios de la siguiente matriz A de 2 × 2

1 2
A= . (3.22)
3 2
Solución

λ−1 −2
4A (λ) = = (λ − 1)(λ − 2) − 6 = λ2 − 3λ − 4 = 0,
−3 λ−2
Por lo que √
3± 3±5

9 + 16 4,
λ1,2 = = =
2 2 −1.

x1
Para λ1 = 4 sea v1 = , entonces
y1

3 −2 x1 0
(λ1 I − A)v1 = = ,
−3 2 y1 0
de donde 3x1 − 2y1 = 0, por lo que x1 = t y y1 = 23 t, con t ∈ R. Entonces el vector propio
correspondiente es
1
v1 = 3 .
2

x2
Para λ2 = −1 sea v2 = , entonces
y2

−2 −2 x2 0
(λ2 I − A)v2 = = ,
−3 −3 y2 0
de donde x2 + y2 = 0, por lo que x2 = t y y2 = −t, con t ∈ R. El vector propio correspondiente
es
1
v2 = .
−1
Teorema 3.7. Sean v1 , v2 , . . . , vn los vectores propios de la matriz A correspondientes a distintos valores
propios λ1 , λ2 , . . . , λn . Entonces v1 , v2 , . . . , vn son un conjunto linealmente independiente.
Teorema 3.8. Suponga que el polinomio caracterı́stico 4A (λ) de una matriz A es el producto de n factores
distintos, es decir, 4A (λ) = (λ − a1 )(λ − a2 ) · · · (λ − an ), entonces A es similar a una matriz diagonal cuyos
elementos son los ai .
3.3. MATRICES DIAGONALIZABLES 79
3.3.1. Matrices simétricas

Teorema 3.9. Si A es una matriz simétrica de n×n, entonces las siguientes afirmaciones son equivalentes:
A es diagonalizable ortogonalmente.
A tiene un conjunto de n vectores caracterı́sticos ortonormales.
Teorema 3.10. Toda matriz simétrica es diagonalizable ortogonalmente. Recı́procamente, toda matriz dia-
gonalizable ortogonalmente es simétrica.
Demostración:
Si A es diagonalizable ortogonalmente
D = P−1 AP = PT AP,
con
A = PDP−1 = PDPT ,
entonces
AT = (PDPT )T = (PT )T DT PT = PDPT = A.
Ejercicios
5. Encuentre una matriz ortogonal que diagonalize a:
 
4 2 2
A= 2 4 2 . (3.23)
2 2 4
Solución
Debemos encontrar los valores propios y una base para el espacio asociado a cada valor propio.

λ−4 −2 −2 λ − 4 −2 −2

4A (λ) = −2 λ−4 −2 = −2 λ−4 −2 ,
−2 −2 λ−4 0 −(λ − 2) λ − 2

0
−1 −1 0
1 −1
= −(λ − 2) λ − 4 −2 −2 = (λ − 2) λ − 4 −4 0 ,
−2 λ − 4 −2 −2 λ−6 0

0 1 −1 0 1 −1
= (λ − 2) λ − 2 −λ + 2 0 = (λ − 2)2 1

−1 0 ,
−2 λ−6 0 −2 λ − 6 0
= −(λ − 2)2 (λ − 6 − 2) = −(λ − 2)2 (λ − 8).
Los valores propios de A son entonces
λ1,2 = 2 y λ3 = 8.
 
x
Para λ1,2 = 2 sea u1,2 =  y , entonces
z
      
−2 −2 −2 x 1 0
(λ1,2 I − A)u1,2 =  −2 −2 −2   y  = −2(x + y + z)  1  =  0  ,
−2 −2 −2 z 1 0
de donde se obtiene la ecuación x + y + z = 0, cuya solución es z = −(x + y). Ahora sea

x = s , y = t con s, t ∈ R, entonces
     
s 1 0
u1,2 =  t  = s 0  + t 1 .
−s − t −1 −1
Se deduce que una base para el subespacio asocı́ado a λ1,2 = 2 es

   
1 0
u1 =  0  , u2 =  1  .
−1 −1
 
x3
Para λ3 = 8 sea u3 =  y3  , entonces se debe obedecer
z3
       
4 −2 −2 x3 2x3 − y3 − z3 x3 0
(λ3 I − A)u3 =  −2 4 −2   y3  = 2  −x3 + 2y3 − z3   y3  =  0  ,
−2 −2 4 z3 −x3 − y3 + 2z3 z3 0
de donde
2x3 − y3 − z3 = 0, (3.24)
−x3 + 2y3 − z3 = 0, (3.25)
−x3 − y3 + 2z3 = 0. (3.26)
Ahora restando la Ec. (3.25) de la Ec. (3.26) se tiene 6y3 − 6z3 = 0, de donde z3 = y3 . Si
sustituimos en la Ec. (3.24) se tiene 4x3 − 4y3 = 0 de donde z3 = y3 = x3 . Finalmente sea
x3 = t, con t ∈ R, entonces el vector propio asociado a λ3 normalizado es
 
1
u3 1
v3 = = √  1 .
||u3 || 3 1
Por el proceso de Gram-Schmidt encontraremos una base ortonormal para el subespacio generado
por u1 y u2 .
Definimos  
1
u1 1 
v1 = =√ 0 ,
||u1 || 2 −1
Sea  
−1
u2 − hv1 , u2 iv1 1 
v2 = =√ 2 .
ku2 − hv2 , u2 iv1 k 6 −1
Ahora construimos la matriz de transición de la base constituida por los vectores propios a la base
canónica:
√1 − √16 √13
 
2
P=
 0 √2 √1  ,
6 3 
− √2 − √6 √13
1 1
que es una matriz ortogonal cuya transpuesta es

1
− √12
 
√
2
0
PT = 
 − √16 √2
6
− √16 
.
√1 √1 √1
3 3 3
3.4. FÓRMAS CUADRÁTICAS 81
 
2 0 0
Se puede verificar que D = PT AP =  0 2 0 .
0 0 8

6. Demuestre que si P = v1 v2 . . . vn es una matriz constituida por n vectores propios ortonor-
males vi de A, entonces D = PT AP es diagonal.
Solución

Sea P = v1 v2 ... vn , donde Avi = λi vi y hvi , vj i = viT vj = δij , entonces

AP = Av1 Av2 ... Avn = λ1 v1 λ2 v2 ... λ n vn ,
 T
v1
v2T 
además PT =  . , por lo que
 
 .. 
vnT
 T
λ1 v1T v1 v1T v2 v1T vn
 
v1 ...
v2T  T
λ2 v2T v2 v2T vn
 v2 v1 ... 
D = PT AP =  .  λ1 v1 λ2 v2 ... λn vn =  ,
  
.. .. ..
 ..   . . ... . 
vnT vnT v1 vnT v2 ... λn vnT vn
 
λ1 0 ... 0
0 λ2 ... 0 
= . .
 
.. ..
 .. . ... . 
0 0 ... λn
3.4. Fórmas cuadráticas

Definición. Una forma cuadrática q en las variables x1 , x2 , . . . , xn es un polinomio
n X
X i
q(x1 , x2 , . . . , xn ) = cij xi xj . (3.27)
i=1 j=1
La forma cuadrática se denomina forma cuadrática diagonalizada si:

n
X
q(x1 , x2 , . . . , xn ) = cii x2i = c11 x21 + c22 x22 + . . . + cnn x2n . (3.28)
i=1
Una forma cuadrática puede ser expresada de manera única como sigue
q(x) = xT A x, (3.29)
T
Donde x = (x1 , x2 , . . . , xn ) y A es una matriz simétrica con elementos Aij = Aji . Las entradas de la
matriz se obtienen poniendo
cji
Aii = cii y Aij = Aji = ,
2
es decir,
  
A11 A12 . . . A1n x1
 A21 A22 . . . A2n   x2 
q(x) = (x1 , x2 , . . . , xn )  .   ..  ,
  
 ..  . 
An1 An2 ... Ann xn
n X
X i
= A11 x21 + A22 x22 + . . . + Ann x2n + 2 Aij xi xj , (3.30)
i=1 j=1
Ejercicios
7. Exprese la siguiente forma cuadrática en forma matricial.
q(x, y, z) = xT A x = x2 − 6xy + 8y 2 − 4xz + 5yz + 7z 2 .
Definimos  
x
x = y  ,
z
y  
1 −3 −2
5
A =  −3 8 2
,
5
−2 2 7
entonces
 
1 −3 −2 x
q(x, y, z) = xT A x = (x, y, z)  −3 8 5 
2 y  = x2 − 6xy + 8y 2 − 4xz + 5yz + 7z 2 .
5
−2 2 7 z
3.4.1. Secciones cónicas

En dos dimensiones una forma cuadrática representa una sección cónica (parábola, hipérbola o elipsis).
La presencia de términos no diagonales implica que la cónica está rotada con respecto a su posición
normal, como se muestra en la Fig. 3.1.
(a) (b)
3
2
2
1
1
0 0
y'
y
-1
-1
-2
-2
-3
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
x x'
Figura 3.1: (a) Elipse en posición rotada con ecuación 5x2 − 4xy + 8y 2 − 36 = 0 y (b) Misma elipse pero en
2 2
posición normal con ecuación 9x0 + 4y 0 − 36 = 0.
Es posible encontrar nuevos ejes coordenados en donde se pueda expresar a la cónica en su forma
normal o canónica. Esto es equivalente a diagonalizar la matriz A.
Teorema 3.11 (Ejes principales para R2 ). Sea
q(x) = xT A x = ax2 + 2bxy + cy 2 . (3.31)
Una forma cuadrática asociada a la ecuación de una cónica es:
ax2 + 2bxy + cy 2 + d = q(x, y) + d = 0. (3.32)
Entonces, los ejes de coordenadas se pueden rotar de tal manera que la ecuación se pueda expresar
como:
λ1 x0 2 + λ2 y 0 2 + d = 0, (3.33)
donde λ1 y λ2 son los valores caracterı́sticos de A. La rotación se puede efectuar mediante el cambio de
base
x = Px0 ,
donde P es la matriz que diagonaliza ortogonalmente a A (la matriz de cambio de transición de la base de
los vectores propios de A a la base canónica de R2 )
Ejercicios
8. Describa la cónica cuya ecuación es:
5x2 − 4xy + 8y 2 − 36 = 0.
Solución
Sean
x
x= ,
y
y
5 −2
A= ,
−2 8
la forma cuadrática asociada a la cónica es

T 5 −2 x
q(x, y) = x A x = (x, y) = 5x2 − 4xy + 8y 2 .
−2 8 y
Encontremos los valores propios de A. La ecuación caracterı́stica es:

λ−5 2
4A (λ) = = (λ − 5)(λ − 8) − 4 = λ2 − 13λ + 36 = 0,
2 λ−8
cuyas raices son

p
13 ± 132 − 4(36) 13 ± 5

9,
λ1,2 = = =
2 2 4.
Se puede mostrar que los vectores propios correspondientes son:

1 1 1 2
v1 = √ , v2 = √ .
5 −2 5 1
La matriz que diagonaliza a A es

1 1 2
P= √ ,
5 −2 1
cuya transpuesta es

1 1 −2
PT = √ ,
5 2 1
entonces se debe efectuar la rotación
x0 − 2y 0

1
x = Px0 = √ ,
5 2x0 + y 0
además
xT = x0 T PT ,
entonces
q(x, y) = x0 T PT APx0 ,
con

1 1 −2 51 −2 2
D = PT AP = ,
5 2 1 −2
−2 8 1

1 1 −2 9 8 1 45 0 9 0
= = = .
5 2 1 −18 4 5 0 28 0 4
La ecuación de la cónica puede escribirse como:
x0 T PT APx0 − 36 = x0 T Dx0 − 36 = 9x0 2 + 4y 0 2 − 36 = 0,
o bien 2 2
x0 y0

+ = 1,
2 3
que es la ecuación de una elipse con semieje mayor 3 (a lo largo del eje y 0 ) y semieje menor 2 (a lo
largo del eje x0 ), como se muestra en la Fig. 3.1.
3.4.2. Superficies cuadráticas

Definición. Se dice que una ecuación de la forma
ax2 + by 2 + cz 2 + 2dxy + 2exz + 2f yz + gx + hy + pz + q = 0, (3.34)
donde al menos uno de los números a, b, . . . , f es diferente de cero, es una ecuación cuadrática en x, y, z.
Se llama forma cuadrática asociada a la expresión:
q(x, y, z) = ax2 + by 2 + cz 2 + 2dxy + 2exz + 2f yz. (3.35)
La forma matricial de (3.34) es

xT Ax + kT x + q = 0, (3.36)
con      
x a d e g
x = y  , A= d b f , k = h .
z e f c p
Teorema 3.12 (Ejes principales para R3 ). Sea q(x, y, z) + p una forma cuadrática en tres dimensiones,
entonces los ejes de coordenadas se pueden girar de manera que q(x, y, z) quede como
λ1 x0 2 + λ2 y 0 2 + λ3 z 0 2 + g 0 x0 + h0 y 0 + o0 z 0 = 0 (3.37)
Donde λ1 , λ2 , λ3 son los valores propios de A y la rotación se puede llevar a efecto mediante la sustitución
x = Px0 , (3.38)
donde P es la matriz que diagonaliza ortogonalmente a A y para tener una rotación genuina se debe tener
det P=1.
Ejercicios
9. Diagonalice la superficie cuadrática cuya ecuación es:
4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz − 3 = 0.

Solución
La forma matricial es
xT A x − 3 = 0,
con
 
4 2 2
A= 2 4 2 ,
2 2 4
y k = 0. Como ya vimos, los valores propios de A son λ1,2 = 2 y λ2 = 8 y la matriz P es
√1 − √16 √1
 
2 3
P=
 0 √2 √1 .

6 3
− √12 − √16 √1
3
Entonces por el teorema de los ejes principales, la forma diagonalizada de la ecuación de la cuadráti-
ca es
2x0 2 + 2y 0 2 + 8z 0 2 = 3.
Esta ecuación corresponde a una elipsoide, como se muestra en la Fig. 3.2
Figura 3.2: (a) Elipsoide en posición rotada con ecuación 4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz − 3 = 0 y (b)
2 2 2
Misma elipsoide pero en posición normal con ecuación 4x0 + 4y 0 + 8z 0 − 3 = 0.
10. Describa fı́sicamente el cambio de base dado por x = Px0 .

Solución
Considere una rotación de ejes x y y por un ángulo θ alrededor del eje z en sentido de las manecillas
del reloj, como se muestra en la Fig.
y
(x, y)
y′
θ
x′
in θ
ys os θ
yc
os θ
xc in θ
xs
θ
(x, y)
x
Figura 3.3: Rotación alrededor del origen
Las coordenadas del punto P0 son (x, y) en el sistema original y (x0 , y 0 ) en el sistema rotado. Es fácil
ver en la Fig. que la relación entre estas coordenadas es:
x0 = x cos θ + y sin θ, (3.39)
0
y = −x sin θ + y cos θ. (3.40)
O bien, en forma matricial se tiene
0
x cos θ sin θ x x
= =Q . (3.41)
y0 − sin θ cos θ y y
Entonces la matriz
cos θ sin θ
Q= ,
− sin θ cos θ
es la matriz de transición de la base canónica B a la nueva base B 0 y Q−1 = P es la matriz de
transición de B 0 a B:
−1 cos θ − sin θ
P=Q = .
sin θ cos θ
Es fácil ver que det P = 1.
11. Diagonalice la matriz siguiente  
11 −8 4
A =  −8 −1 −2  .
4 −2 −4
Solución
La ecuación caracterı́stica está dada por

λ − 11 8 −4 λ + 5 0 −4(λ + 5)

4A (λ) = |λ − A| = 8 λ+1 2 = 8 λ+1 2 ,

−4 2 λ+4 −4 2 λ+4

1 0 −4 1 0 −4
2

= (λ + 5) 0 λ + 5 2(λ + 5) = (λ + 5) 0 1
2 ,

−4 2 λ+4 −4 2 λ + 4

1 0 −4
2 2 1 2

= (λ + 5) 0 1 2 = (λ + 5) 0 λ − 16 ,

0 2 λ − 12
= (λ + 5)2 (λ − 16).
Los valores propios son λ1,2 = −5 y λ3 = 16. Encontremos los vectores propios correspondientes.
 
x
Para λ1,2 = 5 sea u1,2 =  y  , se debe obedecer
z
      
−16 8 −4 x −4(4x − 2y + z) 0
(λ1,2 I − A) u1,2 =  8 −4 2   y  =  2(4x − 2y + z)  =  0  .
−4 2 −1 z −(4x − 2y + z) 0
Vemos que solo hay una ecuación linealmente independiente:
4x − 2y + z = 0.
Sean x = s y y = t, con s, t ∈ R, entonces se tiene z = −4x + 2y = −4s + 2t. Por lo tanto

     
x 1 0
u1,2 =  y  = s 0  + t 1 .
−4x + 2y −4 2
Entonces los vectores propios correspondientes a λ1,2 son

   
1 0
u1 =  0  , u2 =  1  .
−4 2
 
x
Para λ3 = 16 sea u3 =  y  , se debe obedecer
z
      
5 8 −4 x 5x + 8y − 4z 0
(λ1,2 I − A) u3 =  8 17 2   y  =  8x + 17y + 2z  =  0  ,
−4 2 20 z −4x + 2y + 20z 0
de donde
5x + 8y − 4z = 0, (3.42)
8x + 17y + 2z = 0, (3.43)
−4x + 2y + 20z = 0. (3.44)
Ahora, de las ecuaciones (3.43) y (3.44) se tiene 21y + 42z = 0, es decir y = −2z. Tras sustituir
en (3.42) se obtiene 5x − 16z − 4z = 5(x − 4z) = 0, o bien x = 4z. Entonces sea z = s, con
s ∈ R, por lo que se tiene  
4
u3 = s  −2  .
1
Es decir, el vector propio normalizado correspondiente a λ3 está dado por
 
4
1 
v3 = √ −2  .
21 1
Como u1 y u2 no son ortogonales, debemos aplicar el proceso de Gram-Schmidt. Sea

 
1
u1 1
v1 = = √  0 .
ku1 k 17 −4
Ahora sea
u2 − hv1 , u2 iv1
v2 = ,
ku2 − hv1 , u2 iv1 k
vemos que
1
hv1 , u2 i = √ (−8),
17
   
0 1
8 1
 1  + √ √  0 ,
u2 − hv1 , u2 iv1 =
2 17 17 −4
   
0 8
1 
= √ 17  +  0  ,
17 34 −32
 
8
1
= 17  ,
5
2
de donde  
8
1 
v2 = √ 17  .
357 2
La matriz P que diagonaliza a A es entonces
1 √8 √4
 
√
17 357 21
P=
 0 √17 − √221 ,

357
− √417 √2
357
√1
21
con transpuesta
√1 − √417
 
17
0
PT = 
 √8 √17 √2 .

357 357 357
√4 − √221 √1
21 21
Calculemos ahora D = PT AP de manera explı́cita:

   √1 √8 √4

11 −8 4 17 357 21
AP =  −8 −1 −2   0
 √17 − √221 
,
357
4 −2 −4 − √417 √357
2 √1
21
− √517 − √40 √64 √1 8
16 √421
   
357 21
−5 17
−5 √357
=  0
 − √85
357
− √3221 
=
 0 −5 √17
357
16 √−2 
21 
,
20 10 16 −4 2 1
√
17
− √357 √
21
−5 √17 −5 √357 16 √21
por lo tanto
√1 − √417 −5 √117 8
16 √421
   
0 −5 √357

17 −5 0 0
PT AP = 
 √8
357
√17
357
√2
357

 0 −5 √17
357
16 √−2
21  =
 
0 −5 0 .
√4
21
− √221 √1
21
−5 √−4
17
2
−5 √357 16 √121 0 0 16
12. Encontrar los valores y vectores propios de la matriz siguiente y diga si es posible diagonalizar esta
matriz.  
2 −1 1
A= 0 3 −1  .
2 1 3
Solución

λ−2 1 λ−2 λ−2
−1 0

|λI − A| = 0 λ−3 = 0
1
λ−3 1 ,
−2 −1 −2
λ−3 −1 λ−3

1 1 0 1 1 0

= (λ − 2) 0 λ − 3 1 = (λ − 2) 0 λ − 3 1 ,

−2 −1 λ−3 0 1 λ−3

λ−3 1 λ−2 λ−2
= (λ − 2) = (λ − 2)
,
1 λ−3 1 λ−3

2 1 1
= (λ − 2)2 (λ − 4) = 0.

= (λ − 2)
0 λ−4
Los valores propios son entonces λ1 = 4 y λ2,3 = 2. Obtengamos los vectores propios correspon-
dientes
 
x
Para λ1 = 4 sea u1 =  y , se debe obedecer
z
      
2 1 −1 x 2x + y − z 0
(λ1 I − A) u1 =  0 1 1  y  =  y+z  =  0 ,
−2 −1 1 z −(2x + y − z) 0
de donde y + z = 0, es decir, z = −y. Además 2x + y − z = 2x + 2y = 0, es decir, y = −x = −z.

Entonces se tiene  
1
u1 =  −1  .
1
 
x
Para λ2,3 = 2 sea u2,3 =  y , se debe obedecer
z
      
0 1 −1 x y−z 0
(λ2,3 I − A) u2,3 = 0 −1 1  y  =  −y + z  =  0 ,
−2 −1 −1 z −2x − y − z 0
de donde y − z =, es decir z = y. Además 2x + y + z = 2x + 2y = 0, es decir y = −x = z.

Entonces se tiene
 
1
u2,3 =  −1  .
−1
Se concluye que solo se tienen dos vectores propios no nulos y en principio no es posible diagonalizar
esta matriz por el método discutido en esta sección.
13. Diagonalice la siguiente matriz.  

2 1 1
A= 2 3 2 .
3 3 4
Solución
La ecuación caracterı́stica es

λ−2 −1 −1 λ − 1 −1 −1

|λI − A| = −2 λ−3 −2 = −(λ − 1) λ − 3 −2 ,
−3 −3 λ−4 0 −3 λ−4

1
−1 −1 1
0 0

= (λ − 1) −1 λ − 3
−2 = (λ − 1) −1 λ − 4
−3 ,

0 −3 λ−4 0 −3 λ−4

λ−4 −3
λ−7 λ−7
= (λ − 1) = (λ − 1) ,
−3 λ−4 −3 λ−4

1 1 1 1
= (λ − 1)(λ − 7) = (λ − 1)(λ − 7) 0 λ − 1 ,

−3 λ − 4
= (λ − 1)2 (λ − 7) = 0.
Entonces los valores propios son λ1 = 7 y λ2,3 = 1. Encontremos ahora los vectores propios corres-
pondientes.
 
x
Para λ1 = 7 sea u1 =  y , se debe obedecer
z
      
5 −1 −1 x 5x − y − z 0
(λ1 I − A) u1 =  −2 4 −2   y  =  −2x + 4y − 2z  =  0  ,
−3 −3 3 z −3x − 3y + 3z 0
de donde
5x − y − z = 0, (3.45)
2(−x + 2y − z) = 0, (3.46)
3(−x − y + z) = 0. (3.47)
Vemos que al sumar las Ec. (3.46) y (3.47) se obtiene el negativo de (3.45). Entonces solo
tenemos dos ecuaciones linealmente independientes: −x + 2y − z = 0 y x + y − z = 0, por lo
que se tiene y = 2x y z = 3x. Entonces
 
1
u1 =  2  .
3
 
x
Para λ2,3 = 1 sea u2,3 =  y , se debe obedecer
z
      
−1 −1 −1 x 1 0
(λ2,3 I − A) u2,3  −2 −2 −2   y  = −(x + y + z)  2  =  0  ,
−3 −3 −3 z 3 0
entonces solo se tiene la ecuación x + y + z = 0, de donde z = −x − y. De este modo si hacemos

x = s y y = t, con s, t ∈ R, se tiene
     
s 1 0
u2,3 = s  t  = s 0  + t 1 .
−s − t −1 −1
3.5. OPERADORES EN ESPACIOS LINEALES CON PRODUCTO ESCALAR 91
Entonces    
1 0
u2 =  0  , u3 =  1 
−1 −1
Notamos que A no es simétrica entonces no se puede tener una base de vectores propios ortonor-
males. La matriz que diagonaliza a A es entonces
 
1 1 0
P= 2 0 1 .
3 −1 −1
Como no es una matriz ortogonal debemos calcular P−1 de manera explı́cita por el método de Gauss-
Jordan. La matriz aumentada del sistema es:
   
1 1 0 | 1 0 0 1 1 0 | 1 0 0
 2 0 1 | 0 1 0  ∼  0 −2 1 | −2 1 0 ,
3 −1 −1 | 0 0 1 0 −4 −1 | −3 0 1
1 1
   
1 1 0 | 1 00 1 0 2 | 0 2 0
∼ 0 1 − 21 | 1 − 12 0  ∼  0 1 − 12 | 1 − 21 0 ,
0 0 −3 | 1 −2 1 0 0 1 | − 31 2
3 − 1
3
1 1 1 1 1
   
1 0 2 | 0 2 0 1 0 0 | 6 6 6
5 1
∼ 0 1 0 | 6 −6 − 16  ∼  0 1 0 | 5
6 − 16 − 61  .
0 0 1 | − 13 2
3 − 13 0 0 1 | − 13 2
3 − 31
Por lo que
1 1 1
   
1 1 1
6 6 6 1
P−1 =  5
6 − 16 − 61 =  5 −1 −1  .
6
− 13 2
3 − 31 −2 4 −2
Ahora calculemos explı́citamente
   
1 1 1 2 1 1 1 1 0
1
D = P−1 AP =  5 −1 −1   2 3 2  2 0 1 ,
6
−2 4 −2 3 3 4 3 −1 −1
      
1 1 1 7 1 0 42 0 0 7 0 0
1 1
=  5 −1 −1   14 0 1 =  0 6 0 = 0 1 0 .
6 6
−2 4 −2 21 −1 −1 0 0 6 0 0 1
3.5. Operadores en espacios lineales con producto escalar

Investigaremos el espacio A(V ) de los operadores lineales T sobre un espacio vectorial con producto
escalar. Consideremos que el espacio vectorial se define sobre un campo k que puede ser real o complejo.
Definición. Sean u y v dos vectores en el espacio euclidiano Rn ,

uT = (u1 , u2 , . . . , un ),
vT = (v1 , v2 , . . . , vn ),
el producto interior se define como
hu, vi = uT v. (3.48)
n
Mientras que en el espacio euclidiano C
hu, vi = u† v. (3.49)
† ∗ T
con u = (u )
3.5.1. Operadores adjuntos

Definición. Un operador lineal T en un espacio vectorial con producto interior se denomina operador
adjunto T † sobre V si hT (u), vi = hu, T † (v)i para todo u y v ∈ V .
Ejercicios
14. Sea T : Rn → Rn la multiplicación por una matriz real A. Encuentre el adjunto correspondiente.
Solución
Para cada u, v ∈ Rn se tiene
hAu, vi = (Au)T v = uT AT v = hu, AT vi,
de donde A† = AT
15. Sea T : Cn → Cn la multiplicación por una matriz compleja A. Encuentre el adjunto correspondiente.
Solución
T T
hAu, vi = (Au)† v = (A∗ u∗ )T v = u∗ A∗ v,
T
= u† A† v = hu, A∗ vi,
T
entonces A† = A∗ .
Teorema 3.13. Sea T un operador lineal sobre un espacio vectorial de dimensión finita sobre un campo F
con producto interior. Entonces
Existe un operador lineal T ∗ único sobre V tal que hT u, vi = hu, T † (v)i para cada u, v ∈ V .
Si A es la representación matricial de T con respecto a una base ortonormal S de V , entonces la
representación matricial de T † en la base S es la transpuesta conjugada de A (o la transpuesta de
A si A es real).
Ejercicios
14. Sea T (x, y, z) = (2x + iy, y − 5iz, x + (1 − i)y + 3z), encuentre T † (x, y, z).
Solución
   
x 2 i 0 x
T (x, y, z) = A  y  =  0 1 −5i   y  ,
z 1 1−i 3 z
con  
2 i 0
A= 0 1 −5i  .
1 1−i 3
Ahora  
2 0 1
A† =  −i 1 1 + i ,
0 5i 3
por lo que  
x
T † (x, y, z) = A†  y  = (2x + z, −ix + y + (1 + i)z, 5iy + 3z).
z
Teorema 3.14. Sean T , T1 y T2 operadores lineales sobre V y sea k un escalar en F . Entonces
(T1 + T2 )† = T1† + T2† . (3.50)

† ∗ †
(kT ) = k T . (3.51)
(T1 T2 ) †
= T2† T1† . (3.52)
† †
(T ) = T. (3.53)
3.5.2. Operadores especiales

Definimos ahora una serie de operadores que son de interés en la fı́sica y otras ramas de la ciencia.
Operadores ortogonales (caso real):

T T = T −1 . (3.54)
Operadores unitarios (caso complejo):

T † = T −1 . (3.55)
Operadores auto-adjuntos: simétricos (caso real):
T T = T. (3.56)
Operadores auto-adjuntos: hermı́ticos (caso complejo):
T † = T. (3.57)
Operadores no adjuntos: antisimétricos (caso real):
T T = −T. (3.58)
Operadores no adjuntos: antihermiticos (caso complejo):
T † = −T. (3.59)
Operadores positivos definidos:

T = S † S. (3.60)
Teorema 3.15. Sea λ un valor caracterı́stico de un operador lineal sobre V , entonces
1. Si T † = T −1 , |λ| = 1.
2. Si T † = T , λ es real.
3. Si T † = −T , λ es puramente imaginario.
4. Si T = S † S entonces λ es real y positivo si S es no singular.
Demostración:
Sea v un vector caracterı́stico de T correspondiente a λ. v es no nulo por lo que hv, vi > 0. Entonces
se cumple
1. Calculemos hT (v), T (v)i:

hT (v), T (v)i = hv, T † T (v)i = hv, T −1 T (v)i = hv, vi,
pero T (v) = λv, de donde
hT (v), T (v)i = |λ|hv, vi = hv, vi,
es decir
(|λ| − 1)hv, vi = 0,
o bien
|λ| = 1.
2. Calculemos hv, T (v)i:
hv, T (v)i = hv, λvi = v† (λv) = λv† v = λhv, vi,
pero
hv, T (v)i = hT † (v), vi = hT (v), vi = hλv, vi,
= (λv)† v = λ∗ v† v = λ∗ hv, vi = λhv, vi,
de donde λ∗ = λ.
3. Calculemos hT (v), vi:
hT (v), vi = λ∗ hv, vi = hv, T † (v)i = hv, −T (v)i,
= −hv, λvi = −λhv, vi.
por lo que λ∗ = −λ. Si λ = λx + iλy entonces
λ∗ = λx − iλy ,
= −λx − iλy ,
por lo que λx = −λx = 0.
4. Calculemos hv, T (v)i:
hv, T (v)i = λhv, vi = hv, S † Svi,
= hS(v), S(v)i,
pero S(v) 6= 0 ya que S es no singular y v 6= 0, luego
hS(v), S(v)i
λ= > 0.
hv, vi
3.5.3. Operadores auto-adjuntos

Sea T un operador auto-adjunto sobre un espacio vectorial V , T † = T , de acuerdo al resultado anterior
los valores propios de T son reales.
Teorema 3.16. Sea T un operador autoadjunto sobre V . Supongamos que u y v son vectores propios de
T que corresponden a valores propios distintos. Entonces u y v son ortogonales, es decir hu, vi = 0.
Demostración:
Sean T (u) = λu u y T (v) = λv v, entonces
hT (u), T (v)i = hλu u, λv vi = λ∗u λv hu, vi,
2
pero hT (u), T (v)i = hT † T (u), vi = (λ∗u ) hu, vi, ademas λ∗u = λu ya que λu es real, entonces:
λu λv hu, vi = λ2u hu, vi,
de donde
(λv − λu )hu, vi = 0,
como λv − λu 6= 0 entonces hu, vi = 0.
3.5.4. Operadores unitarios

Teorema 3.17. Las siguientes condiciones son equivalentes si U es un operador unitario
U † = U −1 , es decir U U † = U † U = I.
U preserva el producto interior.
hU v, U wi = hu, wi. (3.61)
U preserva la longitud p p
kU vk = hU v, U vi = hv, vi = kvk. (3.62)
3.5.5. Operadores de proyección o idempotentes

Sea E un operador lineal sobre V tal que E 2 = E. A tales operadores se les conoce como proyectores
u operadores de proyección.
1. Si R es la imagen de E y N es el kernel, entonces
E(u) = u para todo u ∈ R.
2. Si E 6= I , E es singular, es decir, E(v) = 0 para v 6= 0.

3. V = R ⊕ N
Demostración:
1. E(v) = u para algún v ∈ V pero E(v) = E 2 (v) = E(E(v)) = E(u) = u.

2. De la ecuación anterior
E(v) = E(u),
entonces
E(v − u) = 0.
3. Demostraremos que V = R + N y R ∩ N = {0}. Esto implica que V = R ⊕ N .

Sea u = E(v) para v ∈ V y u ∈ R, por definición, y sea w = u − E(v) para w ∈ N , entonces
v = E(v) + v − E(v) = u + w,
E(w) = E(v) − E 2 (v) = E(v) − E(v) = 0,
entonces v = u + w, por lo que V = U + W .

Ahora se demostrará que R ∩ N = {0}.
Sea v ∈ R ∩ N , ya que v ∈ R entonces E(v) = v y como v ∈ W , E(v) = 0, por lo que E(v) = v = 0,

por lo tanto R ∩ N = {0}.
3.5.6. Teorema espectral para operadores normales

Se dice que un operador es normal si conmuta con su transpuesto conjugado:
AA∗ = A∗ A (3.63)
Teorema 3.18. Sea T un operador normal en un espacio complejo de dimensión finita. Entonces existe
una base ortonormal de V que consiste únicamente de vectores propios de T . Es decir, T puede ser
representada por una matriz diagonal relativa a la base ortonormal.
Teorema 3.19. (Teorema espectral.) Sea T un operador normal (simétrico) en un espacio complejo (real)
V de dimensión finita con producto interior. Entonces existen operadores lineales E1 , E2 , . . . , Er sobre V y
escalares λ1 , λ2 , . . . , λr tales que:
T = λ1 E1 + λ2 E2 + · · · λr Er .
Ei2 = Ei , i = 1, . . . r.
E1 + E2 + . . . + Er = I.
Ei Ej = 0 para i 6= j.
Demostración:
Sea V = V1 ⊕ V2 ⊕ · · · ⊕ Vr , donde Vi es el subespacio generado por los vectores propios asociados a λi ,
entonces para x ∈ V se tiene x = x1 + x2 + . . . + xr con xi ∈ Vi , por lo que T (xi ) = λi xi . Ahora, se cumple
que
Ei x = xi ,
por lo que
T (x) = λ1 x1 + λ2 x2 . . . + λr xr ,
= λ1 E1 (x) + λ2 E2 (x) + . . . + λr Er (x),
= (λ1 E1 + λ2 E2 + . . . + λr Er )(x),
entonces
T = λ1 E1 + λ2 E2 + . . . + λr Er ,
lo que se conoce como descomposición espectral de T . Por otra parte
(E1 + E2 + . . . Er )(x) = E1 (x) + E2 (x) + . . . Er (x),

= x1 + x2 + . . . xr = x = Ix,
entonces
E1 + E2 + . . . Er = I.
Ejercicios
15. Encuentre de forma explı́cita la representación matricial de los operadores de proyección Ei para un
operador normal T definido sobre un espacio vectorial real de dimensión n.
Solución
En la representación matricial T está dado por la matriz A, cuyos vectores propios obedecen Avi =
λi vi , con λi reales y hvi , vj i = δij . La matriz A se puede diagonalizar por medio de la matriz ortogonal
P: D = PT AP, entonces
A = PDPT ,
donde
P = v1 v2 ... vn ,
y  T
v1
v2T 
PT =  .  .
 
 .. 
vnT
Entonces
v1T
  
λ1 0 ... 0
 v2T 
0
 λ2 ... 0
A = PDPT = v1 v2 ... vn  .   ..  ,
 
.. ..
 .. . ... .  . 
0 0 . . . λn vnT
T
 
λ1 v1
 λ2 v2T 

= v1 v2 ... vn  .  = λ1 v1 v1T + λ2 v2 v2T + . . . + λn vn vnT ,

 .. 
λn vnT
= λ1 E1 + λ2 E2 + . . . + λn En ,
con Ei = vi v2 iT . A este producto que da como resultado una matriz de n × n se le conoce como
producto exterior.
16. Encuentre la descomposición espectral de la matriz

 
11 −8 4
A =  −8 −1 −2  .
4 −2 −4
Solución
Por el ejercicio 11 se tiene que los valores propios de A son λ1 = λ2 = −5 y λ3 = 16, con los vectores
propios ortonormales dados por
     
1 8 4
1  1  1 
v1 = √ 0 , v2 = √ 17  , v3 = √ −2  .
17 −4 357 2 21 1
La representación matricial de los operadores de proyección es:


  
1 1 0 −4
1   1 
E1 = v1 v1T =

0 1 0 −4 = 0 0 0 ,
17 17
−4 −4 0 16
   
8 64 136 16
1 1 
E2 = v2 v2T =

17 8 17 2 = 136 289 34 ,
357 357
2 16 34 4
   
4 16 −8 4
1 1 
E3 = v3 v3T =

−2 4 −2 1 = −8 4 −2 .
21 21
1 4 −2 1
Entonces la descomposición espectral de A es
A = λ 1 E1 + λ 2 E2 + λ 3 E3 ,
     
1 0 −4 64 136 16 16 −8 4
5 5  16 
=−  0 0 0 − 136 289 34 + −8 4 −2 .
17 357 21
−4 0 16 16 34 4 4 −2 1
3.6. Problemas
1. Encuentre los valores y vectores propios de las siguientes matrices.

10 −9 −2 −7
A= , A= .
4 −2 1 2
     
4 0 1 3 −2 0 5 0 1
A =  −2 1 0 , A =  −2 3 0 , A= 1 1 0 .
−2 0 1 0 0 5 −7 1 0
2. Para las matrices de 2 × 2 del ejercicio 1, encuentre el polinómio caracterı́stico ∆A (λ) y demuestre
explı́citamente que A es una raiz de dicho polinomio.
3. Encuentre una matriz que diagonalice las matrices del ejercicio 1.

4. Encuentre una matriz que diagonalice ortogonalmente las siquientes matrices simétricas y pruebe
explı́citamente que se obtiene una matriz diagonal.

5 4 4 −1 7 3
A= , A= , A= .
4 −1 −1 4 3 −1
   
0 1 1 2 2 4
A = 1 0 1 , A = 2 5 8 .
1 1 0 4 8 17
5. Para las matrices del ejercicio 4 encuentre A4 .

6. Identifique que tipo de cónica está dada por las siguientes ecuaciones y escriba la ecuación corres-
pondiente en su forma canónica (normal): a)4x2 + 8xy − 11y 2 − 60 = 0, b)5x2 − y 2 + 8xy − 21 = 0,
c)2x2 − 6xy + 10y 2 − 11 = 0.
7. Diagonalice las siguientes ecuaciones cuadráticas en tres dimensiones: a)q(x, y, z) = 5x2 +3y 2 +12xz,
b)q(x, y, z) = 3x2 − 4xy + 6y 2 + 2xz − 4yz + 3z 2 = 0.
8. Encuentre la descomposición espectral de las matrices del ejercicio 4.
9. Encuentre la adjunta de las siguientes matrices.

−5i 4 4i 2 − 3i
A= , A= .
2−i 1 + 5i 2 + 3i 1
10. Diga si las siguientes matrices son unitarias o hermı́ticas.

0 1 0 −i 1 0
σ1 = , σ2 = , σ2 = .
1 0 i 0 0 −1

Métodos Matemáticos Física

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Métodos Matemáticos Física

Uploaded by

Copyright:

Available Formats

Métodos matematicos para la fı́sica II

Dr. Gilberto Tavares Velasco

3. Problema de Valores Propios 73

1.1. Conceptos preliminares

1.1.1. Estructuras algebraicas, leyes de composición, campos y anillos

1.2. Espacio euclidiano de n dimensiones

Definición: Dos vectores u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) en Rn son iguales si y solo si:

1.2.1. Adición de dos vectores y multiplicación de un vector por un escalar

1.2.2. Producto Interior euclidiano en Rn

(3u + 2v) · (4u + v) = 3u · (4u + v) + 4u · (4u + v),

1.2.3. Norma de un vector y distancia en Rn

La distancia entre dos vectores u = (u1 , . . . , un ) y v = (v1 , . . . , vn ) se define como:

u·w = −2u1 + 4u2 = 0,

entonces u2 = ± √15 y se tiene u = ± √15 (2, 1),

7. Demuestre la desigualdad de Cauchy-Schwarz

(u · v)2 ≤ ||u||2 ||v||2 . (1.36)

1.3. Espacios Vectoriales

si u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) se localizan en el plano, entonces:

au1 + bu2 + cu3 = 0 av1 + bv2 + cv3 = 0, (1.48)

por lo tanto, el vector u + v = (u1 + v1 , u2 + v2 , u3 + v3 ), también está en el plano.

−(au1 + bu2 + cu3 ) = 0,

entonces el vector −u = (−u1 , −u2 , −u3 ) también está en V .

(f + g)(x) = f (x) + g(x),

Teorema 1.3. Sea V un espacio vectorial, u un vector en V y k un escalar, entonces:

k(u + v) = k(x + x0 , y + y 0 , z + z 0 ) = (k(x + x0 ), y + y 0 , z + z 0 )),

Por lo tanto este conjunto no es un espacio vectorial.

por lo tanto no es un espacio vectorial.

por lo tanto no es un espacio vectorial.

23. El conjunto de todas las matrices de la forma:

1.3.2. Subespacio vectorial

Teorema 1.4. Si W es un conjunto de uno o más vectores de un espacio vectorial V , entonces W es un

Si u y v estań en W , entonces u + v está en W.

Si k es un escalar y u está en W , entonces ku está en W.

Todo espacio vectorial V tiene al menos 2 subespacios: V es un subespacio de si mismo y el conjunto

Asi que podemos ver que u + v y ku están en W , por lo tanto W es un subespacio de V .

u+v = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ,

Vemos que tanto u + v y ku están en W y por lo tanto este es un subespacio de V .

en donde se tiene que ka + kd = k(a + d) = 0. Por lo tanto u + v y ku están en W y este es un

u + v = (a + a0 , b + b0 , c + c0 ) = (a00 , b00 , c00 ), (1.62)

a00 + c00 = (a + a0 ) + (c + c0 ) = (a + c) + (a0 + c0 ) = b + b0 = b00 . (1.63)

Ahora vemos que pasa con ku

ku = k(a, b, c) = (a00 , b00 , c00 ), (1.64)

a00 + c00 = ka + kc = k(a + c) = kb = b00 , (1.65)

con ésto queda demostrado que este conjunto si es un subespacio de R3 .

u + v = (a + a0 , b + b0 , c + c0 ) = (a00 , b00 , c00 ), (1.66)

en donde se debe cumplir que:

a00 + c00 + 1 = b00 ,

entonces este no es un subespacio de R3

33. Determine cuál de los siguientes conjuntos es un subespacio de M2×2 .

Las matrices de 2 × 2 tales que A = AT .

y es evidente que CT = (A + B)T está en V . Ahora sea

de donde CT = C. Por lo tanto este conjunto es un subespacio de M2×2 .

|C| = (a + a0 )(d + d0 ) − (b + b0 )(c + c0 ) = a0 d + ad0 − b0 c − bc0 6= 0, (1.70)

En general det(A + B) 6= det A + det B. Por consiguiente este no es un subespacio de M2×2 .

Todos los polinómios P (x) = a0 + a1 x + a2 x2 + a3 x3 para los cuales a0 = 0.

P (x) + Q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3 = c0 + c1 x + c2 x2 + c3 x3 , (1.71)

con cn = an + bn (n = 0, . . . , 3), de donde se deduce que se cumple c0 + c1 + c2 + c3 = 0:

(a0 + b0 ) + (a1 + b1 ) + (a2 + b2 ) + (a3 + b3 ) = (a0 + a1 + a2 + a3 ) + (b0 + b1 + b2 + b3 ) = 0. (1.72)

Ahora se tiene que

1.3.3. Combinación Lineal

Definicı́on. Un conjunto de vectores S = {v1 , . . . , vr } genera un espacio vectorial V si S ∈ V y cada

a(1, 2, −1) + b(6, 4, 2) = (9, 2, 7), (1.78)