Algebra Lineal Joe García

O BJE T I V O
Resolver problemas sobre matrices, utilizando definiciones, propiedades y métodos adecuados para
cada tipo, en situaciones reales propias de la ingeniería y ciencias aplicadas.
C O N T E NI D O :
1.1 ALGEBRA DE MATRICES

1.2 CLASIFICACION DE LAS MATRICES CUADRADAS
1.3 MATRIZ TRANSPUESTA
1.4 MATRIZ TRANSPUESTA - CONJUGADA
1.5 TRAZA DE UNA MATRIZ
1.6 POTENCIA DE UNA MATRIZ
1.7 CUESTIONARIO
1.1 A L G E B R A D E M A T RI C ES
En esta sección se introduce terminología básica, se define una matriz, matriz identidad y matriz escalar. Se define
y establecen las operaciones que se pueden realizar entre matrices, además, enunciaremos las propiedades más
importantes.
Las matrices se escribirán mediante un solo símbolo, que por lo común serán letras
mayúsculas como A, B, C, D, etc. Cuando no se utilicen números específicos para
designar los elementos de una matriz, se utilizarán minúsculas de la forma a ij. No
existen restricciones sobre el número de filas o columnas que una matriz puede tener.
D E F IN I C I O N 1.1.1
Una matriz es una ordenación rectangular de elementos distribuidos en n
filas (horizontales) y m columnas (verticales), el elemento que está en la
i-ésima fila y en la j-ésima columna se denota por a ij, siendo este elemento,
un número real o complejo. Formalmente lo denotamos como A = (a ij).
Una matriz con n filas y m columnas se llama matriz de n x m; la expresión n x m es

su orden o forma y lo expresamos como
§ a11 a12 a1m ·
¨ ¸
a a22 a2 m ¸
A ¨ 21
¨ ¸
¨¨ a ¸
anm ¸¹
© n1 an 2
En otras palabras, podemos decir que una matriz de n x m definida sobre el conjunto
K , es una aplicación a : A x B o K que asocia a cada par (i, j) el número a ij. Los
2 MATRICES
elementos horizontales ai1, a i2, ..., aim representan las filas de la matriz y los
elementos verticales a1j, a2j, ..., anj representan las columnas. Así, la letra i representa
la fila y la j representa la columna.
Si n = m la matriz se denomina cuadrada y se dice que tiene orden n. Si una matriz

tiene una sola fila, se le llama matriz fila y se la representa por
A = (a i1 a i2 ... a im).
Si una matriz tiene una sola columna, se le llama matriz columna y se representa por
§ a1 j ·
¨ ¸
¨ a2 j ¸
A ¨ ¸.
¨ ¸
¨ a nj ¸
© ¹
En particular, un elemento a ij puede considerarse como una matriz de una fila y una
columna. Es conveniente designar a la matriz con letras mayúsculas en
correspondencia, si es posible, con la letra minúscula común con la cual se designan
sus elementos.
A continuación se dan algunos tipos de matrices:

§1 0 4· §1·
¨ ¸ §2 5 7· ¨ ¸
A ¨5 6 2¸ ; B ¨ ¸ ; C ¨ 4¸ ; D 1 2 9 ,
¨7 9 1¸ © 1 9 2 ¹ ¨8¸
© ¹ © ¹
siendo A una matriz de 3 x 3, B de 2 x 3, C de 3 x 1 y D de 1 x 3.
Una matriz cuadrada que tiene el número 1 como elementos de la diagonal
principal, y los demás elementos son ceros, se denomina matriz identidad y
1, si i j
se denota como I = (Gij), donde Gij ® , G se denomina delta de
¯0, si i z j
Kronecker.
Matrices de este tipo se dan a continuación:

§1 0 0 0·
§1 0 0· ¨ ¸
§1 0· ¨ ¸ ¨0 1 0 0¸
I2 ¨ ¸ ; I3 ¨0 1 0¸ ; I4 ; etc.
©0 1¹ ¨0 0 1 0¸
¨0 0 1¸ ¨ ¸
© ¹
©0 0 0 1¹
Una matriz cuadrada que tiene el número D K diferente de cero, como
elementos de la diagonal principal, y los demás elementos son ceros, se
denomina matriz escalar y se denota como E = DI.
Este tipo de matrices tienen la siguiente forma:

§a b 0 0 · §1 0 0·
§ a 0· §1 0· ¨ ¸ ¨ ¸
E2 ¨ ¸ a¨ ¸ ; E3 ¨ 0 a b 0 ¸ ( a b) ¨ 0 1 0 ¸ ; etc.
©0 a¹ ©0 1¹ ¨ 0 0 a b ¸¹ ¨0 0 1¸
© © ¹
La definición de operaciones entre matrices es lo que determina la utilidad de ellas

puesto que una matriz de por sí es solamente un arreglo de números. Veremos que
aquellas definiciones que intuitivamente parecen obvias para operar con matrices son
también las más útiles.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 3
A continuación se explican algunas operaciones que se pueden realizar con matrices.

Definidas las matrices, podemos comenzar a estudiar su álgebra. Se explicará
primero el significado de la afirmación de que dos matrices A y B son iguales.
Lo anterior significa que los elementos correspondientes de cada matriz son iguales,
es decir a ij = bij para cada i y j. Cuando las matrices son iguales, se escribe A = B.
Para que dos matrices sean iguales, el número de filas de A debe ser el mismo que el
número de filas de B, y el número de columnas de A debe ser el mismo que el
número de columnas de B.
Dadas A = (a ij), B = (bij), matrices de igual orden. Las matrices A y B se
dice son iguales si y sólo si los elementos correspondientes a cada una de
estas son iguales.
Es decir, dadas las matrices

§ a11 a1 2 a1 m · § b11 b1 2 b1 m ·
¨ ¸ ¨ ¸
¨ a21 a2 2 a2 m ¸ ¨ b21 b2 2 b2 m ¸
A ¨ ¸ y B =¨ ¸
¨ ¸ ¨ ¸
¨ an 1 an 2 a ¸ ¨ bn 1 bn 2 b ¸
© n m ¹ © n m ¹
por definición estas matrices son iguales si y sólo si se cumple que a11 = b11,
a12 = b12, ..., anm = bnm. De manera más compacta, se escribe A = B si a ij = bij, para
todo i, j .
EJ E M P L O 1.1.1
Sean A y B dos matrices de 2 x 3:
§ a b 1 2 2b a b · § 1 S c ·
A ¨ ¸ y B ¨¨ ¸¸ .
© a b a b¹ © c S 3c S i ¹
¿Cuando A y B son iguales?
SO L U C I O N
Las matrices A y B son iguales si cumplen la siguiente identidad:
§ a b 1 2 2b a b · § 1 S c ·
¨ ¸ ¨¨ ¸¸
© a b a b ¹ ©c S 3 S i¹
lo cual implica que
a ± b + 1 = i, 2 + 2b ± a = S, b = c, a = c + S, - b = 3 y a ± b = S + i.
EJ E M P L O 1.1.2
Determine los valores de a, b y c para que las matrices dadas sean iguales
§ 2 4· § a 2b c 2 a c ·
A ¨ ¸ y B ¨ ¸.
©1 6¹ © a 1 a 2b ¹
SO L U C I O N
Para que A y B sean iguales se debe cumplir por definición que sus correspondientes
elementos sean iguales, es decir:
a 2b c 2 a 2b c 2
° 2a c 4 ° 2a c 4 a 0
° ° °
® ® ®b 3 .
° a 1 1 ° a 0 ° c 4
°¯ a 2b 6 °¯ a 2b 6 ¯
Se definirá ahora la suma de matrices, que consiste simplemente, como esperará el

lector, en sumar los elementos correspondientes. Es decir, la suma C de una matriz A
que tenga n filas y m columnas, y una matriz B que tenga n filas y m columnas es
4 MATRICES
una matriz que tiene n filas y m columnas cuyos elementos están dados por
cij = a ij + bij, para todo i, j.
Dadas A = (a ij), B = (bij) y C = (cij), matrices de igual orden. Si se cumple
que
C = (a ij) + (bij) = (aij + bij) = (c ij), i, j N
a la matriz C se le denomina adición de A y B.
Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra

matriz del mismo orden cuyos elementos se obtienen sumando término a término los
correspondientes a dichas matrices, se denomina adición de matrices. Dadas las
matrices A y B, detalladamente podemos interpretar la adición de matrices de la
siguiente manera:
C=A+B
§ a11 a12 a1m · § b11 b1 2 b1 m ·
¨ ¸ ¨b ¸
¨ a21 a22 a2 m ¸ ¨ 21 b2 2 b2 m ¸
¨ ¸
¨ ¸
¨¨ ¸¸ ¨ ¸
© an1 an 2 anm ¹ ¨ bn 1 bn 2 b ¸
© nm¹
§ a11 b11 a1 2 b1 2 a1 m b1 m ·
¨ ¸
¨ a21 b21 a2 2 b2 2 a2 m b2 m ¸
¨ ¸.
¨ ¸
¨ an 1 bn 1 an 2 bn 2 an m bn m ¸¹
©
Debemos tener muy en cuenta que la adición de las matrices A y B se puede realizar
solamente cuando B tiene el mismo número de filas y el mismo número de columnas
que A. De aquí que el orden de la matriz suma es la misma que la de los sumandos.
EJ E M P L O 1.1.3
Dadas las matrices
§ · § S ·
¨ 3 Tan 4i ¸
¨ 1 1 4i ¸ 4
¨ ¸ ¨ ¸
A ¨ 5 3i 6 S¸ y B ¨ 5 3 S ¸
¨ ¸ ¨ ¸
¨ Sen
S
9 1 ¸ ¨ Cos S i
3S
Tan ¸¸
© 2 ¹ ¨ 2 4 ¹
©
Determine A + B.
SO L U C I O N
§ · § 3 S ·
Tan 4i ¸
¨ 1 1 4i ¸ ¨ 4
¨ ¸ ¨ ¸
A+B ¨ 5 3i 6 S¸¨ 5 3 S ¸
¨ S ¸ ¨ S 3S
¸
¨ Sen 9 1 ¸ ¨¨ Cos i Tan ¸¸
© 2 ¹ © 2 4 ¹
§ S ·
¨ 1 (3) 1 Tan 4i (4i ) ¸
4 § 2 1 i 0 ·
¨ ¸ ¨ ¸
¨ (5 3i ) (5) 63 S S ¸ ¨ 3i 9 (1 i ) S ¸ .
¨ ¸ ¨ ¸
¨ S S 3S 1 9i 0
¨ Sen Cos 9i 1 Tan ¸¸ © ¹
© 2 2 4 ¹

MATRICES 5
T E O R E M A 1.1.1
Sean las matrices A = (aij), O = (oij) de igual orden, entonces
A + O = O + A = A.
D E M OST R A C I O N
Sean A, O matrices de igual orden, entonces
A + O = (aij) + (oij)
= (a ij + oij)
= (oij + a ij)
= (a ij)
= A.
T E O R E M A 1.1.2
Si A = (a ij) y B = (bij) son matrices de igual orden, entonces la adición de
matrices es conmutativa, es decir, A + B = B + A.
Sean las matrices A, B de igual orden, entonces:
A + B = (a ij) + (bij)
= (a ij + bij)
= (bij + a ij)
= (bij) + (a ij)
= B + A.
T E O R E M A 1.1.3
Si A = (a ij), B = (bij), C = (c ij) son matrices de igual orden, entonces la adición
de matrices es asociativa, es decir, A + (B + C) = (A + B) + C.
Sean A, B, C matrices de igual orden, entonces:
A + (B + C) = (a ij) + (bij) + (cij)
= (a ij) + (bij + c ij)
= (a ij + bij + c ij)
= ( a ij + bij) + (c ij)
= (( a ij) + (bij)) + (c ij)
= (A + B) + C.

% CALCULAR LA SUMA DE MATRICES
clc;;clear;;
fprintf('\n SUMA DE MATRICES \n')
fil=input('Ingrese el numero de filas de las Matrices A y B: ');;
col=input('Ingrese el numero de columnas de las Matrices A y B: ');;
%Ingreso de elementos
fprintf('Matriz A:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento A:(%d,%d)',f,c)
A(f,c)=input(' :');;
end
end
fprintf('Matriz B:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento B:(%d,%d)',f,c)
B(f,c)=input(' :');;
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ B ES:\n')
B

6 MATRICES
end
fprintf(' LA SUMA C ES:\n')
C=A+B
end
La siguiente operación que se considerará es la de multiplicar una matriz por un

número. Esta operación recibe el nombre de multiplicación por un escalar. Para
multiplicar una matriz A por un número D, simplemente se multiplica cada elemento
de A por D.
Dada A = (a ij) una matriz arbitraria y D un escalar. El producto del escalar D
y la matriz A se define como la matriz C = (cij) del mismo orden que A,
cuyos elementos se obtienen multiplicando el escalar por cada uno de los
elementos de A.
Es decir; formalmente se expresa esta operación de la siguiente manera:

§ a11 a1 2 a1 m · § Da11 Da1 2 Da1 m ·
¨ ¸ ¨ ¸
¨ a21 a2 2 a2 m ¸ ¨ Da21 Da2 2 D a2 m ¸
C = ĮA D ¨ ¸ ¨ ¸
¨ ¸ ¨ ¸
¨ an 1 an 2 a ¸ ¨ D a D a D a ¸
© nm ¹ © n1 n2 nm ¹
Cada elemento de A se multiplica por el escalar D. El producto DA es, por
consiguiente, otra matriz con n filas y m columnas, si A tiene n filas y m columnas.
Es decir, la matriz resultante del producto por un escalar conserva el orden de la
matriz original.
EJ E M P L O 1.1.4
Dada la matriz
§ S S ·
¨ Tan 4 Cos
4
1 ¸
A ¨ ¸ y k = 1 + i.
¨ i S¸
¨ 1 i Sen ¸
© 4¹
Determine k A.
SO L U C I O N
§ S S ·
¨ Tan 4 Cos
4
1 ¸
kA (1 i ) ¨ ¸
¨ i S
¨ 1 i Sen ¸¸
© 4¹
§ S S ·
¨ (1 i )Tan 4 (1 i ) Cos 4 (1 i ) 1 ¸
¨ ¸
¨ (1 i )i S
¨ (1 i )(1 i ) (1 i ) Sen ¸¸
© 4¹
§ 1 i ·
¨1 i i 1 ¸
¨ 2 ¸.
¨ 1 i ¸
¨ i 1 2 ¸
© 2¹
T E O R E M A 1.1.4
Sea A = (a ij) una matriz arbitraria y k un número, entonces k A = A k.
Sean A una matriz arbitraria y k un número, entonces:

MATRICES 7
k A = k(a ij)
= (ka ij)
= (a ijk)
= (a ij)k
= A k.
EJ E M P L O 1.1.5
Un fabricante de sacos los produce en color negro, azul y rojo para hombres, mujeres
y niños. La capacidad de producción en miles en la planta A está dada por la matriz
Hombres Mujeres Niños
Negro 3 5 6
Azul 2 3 4
Rojo 5 1 3
La producción en la planta B está dada por
Hombres Mujeres Niños
Negro 2 3 3
Azul 4 2 5
Rojo 1 3 2
a.- Determine la representación matricial de la producción total de cada tipo de
sacos en ambas plantas.
b.- Si la producción en A se incrementa en un 15% y la de B en un 30%, encuentre
la matriz que representa la nueva producción total de cada tipo de saco.
SO L U C I O N
a.- Para obtener la matriz de producción total, sumamos las matrices que relacionan
las plantas A y B:
§ 3 5 6· § 2 3 3· §5 8 9·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 3 4¸ ¨ 4 2 5¸ ¨6 5 9¸ .
¨ 5 1 3¸ ¨ 1 3 2¸ ¨ 6 4 5¸
© ¹ © ¹ © ¹
b.- La nueva matriz de producción total la obtenemos sumando las matrices
§ 3 5 6· § 2 3 3 · § 6.05 9.65 10.8 ·
¨ ¸ ¨ ¸ ¨ ¸
1.15 A +1.30 B 1.15 ¨ 2 3 4 ¸ 1.30 ¨ 4 2 5 ¸ ¨ 7.5 6.05 11.1 ¸ .
¨ 5 1 3¸ ¨ 1 3 2 ¸ ¨ 7.05 5.05 6.05 ¸
© ¹ © ¹ © ¹
EJ E M P L O 1.1.6
El costo en dólares de comprar un boleto aéreo de la ciudad A a cada una de las
cuatro ciudades B, C, D y E, está relacionado en la matriz P = (75 62 35 55). Si la
directiva de la aviación civil aprueban un incremento del 12% en las tarifas. Hallar
las nuevas tarifas.
SO L U C I O N
Las nuevas tarifas se obtienen multiplicando la matriz P por 1.12, es decir;
1.12P 1.12 75 62 35 55 84 69, 44 39, 2 61,6 .
EJ E M P L O 1.1.7
Una empresa produce tres tamaños de radios en tres modelos diferentes. La
producción en miles en su planta A está dada por la matriz
Tamaño 1 Tamaño 2 Tamaño 3
Modelo 1 20 32 25
Modelo 2 15 15 29
Modelo 3 12 27 30
La producción en miles en su planta B está dada por la matriz

8 MATRICES

Modelo 1 35 42 19
Modelo 2 25 35 25
Modelo 3 12 18 21
a.- Escriba una matriz que represente la producción total de radios en ambas plantas.
b.- El dueño de la empresa planea abrir una tercera planta en C, la cual tendrá una
vez y cuarto la capacidad de la planta en A. Escriba la matriz que representa la
producción en la planta C.
c.- ¿Cuál sería la producción total de las tres plantas?
SO L U C I O N
a.- Para representar la producción total en ambas plantas, debemos sumar ambas
matrices
§ 20 32 25 · § 35 42 19 · § 55 74 44 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 15 15 29 ¸ ¨ 25 35 25 ¸ ¨ 40 50 54 ¸ .
¨ 12 27 30 ¸ ¨ 12 18 21 ¸ ¨ 24 45 51 ¸
© ¹ © ¹ © ¹
b.- Para encontrar la matriz C, tenemos que multiplicar a la matriz A por 1.25, es
decir
§ 20 32 25 · § 25 40 31.25 ·
¨ ¸ ¨ ¸
1.25 ¨ 15 15 29 ¸ ¨18.75 18.75 36.25 ¸ .
¨ 12 27 30 ¸ ¨ 15 33.75 37.5 ¸¹
© ¹ ©
c.- Para representar la producción total de las tres plantas, debemos sumar las
matrices A, B y C, es decir:
§ 20 32 25 · § 35 42 19 · § 25 40 31.25 ·
¨ ¸ ¨ ¸ ¨ ¸
A + B + C ¨ 15 15 29 ¸ ¨ 25 35 25 ¸ ¨18.75 18.75 36.25 ¸
¨ 12 27 30 ¸ ¨ 12 18 21 ¸ ¨ 15 33.75 37.5 ¸¹
© ¹ © ¹ ©
§ 80 114 75.25 ·
¨ ¸
¨ 58.75 68.75 90.25 ¸ .
¨ 39 78.75 88.5 ¸¹
©
EJ E M P L O 1.1.8
Una compañía tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas en
los lugares P, Q, R y S. El costo en miles de dólares de transportar cada unidad de su
producto de una planta a una bodega está dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P 13 12 17 12
Bodega Q 19 17 13 15
Bodega R 8 9 11 13
Bodega S 19 21 9 15
a.- Si los costos de transportación se incrementan uniformemente en $500 por
unidad, ¿cuál es la nueva matriz?
b.- Si los costos de transportación se elevan en un 25%, escriba los nuevos costos.
SO L U C I O N
a.- Obtenemos la nueva matriz, sumándole a la matriz A la matriz de incrementos
§ 13 12 17 12 · § 0.5 0.5 0.5 0.5 · §13.5 12.5 17.5 12.5 ·
¨ ¸ ¨ ¸ ¨ ¸
¨19 17 13 15 ¸ ¨ 0.5 0.5 0.5 0.5 ¸ ¨19.5 17.5 13.5 15.5 ¸ .
¨ 8 9 11 13 ¸ ¨ 0.5 0.5 0.5 0.5 ¸ ¨ 8.5 9.5 11.5 13.5 ¸
¨ ¸ ¨ ¸ ¨ ¸
©19 21 9 15 ¹ © 0.5 0.5 0.5 0.5 ¹ ©19.5 21.5 9.5 15.5 ¹
b.- Los nuevos datos los obtenemos multiplicando la matriz A por 1.25, es decir

MATRICES 9
§ 13 12 17 12 · § 16.25 15 21.25 15 ·
¨ ¸ ¨ ¸
19 17 13 15 ¸ ¨ 23.75 21.25 16.25 18.75 ¸
1.25 ¨ .
¨ 8 9 11 13 ¸ ¨ 10 11.25 13.75 16.25 ¸
¨ ¸ ¨ ¸
©19 21 9 15 ¹ © 23.75 26.25 11.25 18.75 ¹
T E O R E M A 1.1.5
Si A = (aij), B = (bij) son matrices de igual orden y k un número, entonces se
cumple la ley distributiva respecto a la adición de matricial, es decir,
k(A + B) = k A + k B.
Sean A, B matrices de igual orden y k un número, entonces:
k(A + B) = k((a ij) + (bij))
= k(a ij) + bij)
= (ka ij + kbij)
= (ka ij) + (kbij)
= k A + k B.
T E O R E M A 1.1.6
Si A = (a ij) es una matriz arbitraria y k, t números, entonces se cumple la ley
distributiva con respecto a la adición de escalares, es decir,
(k + t)A = k A + t A.
Sean A una matriz arbitraria y k, t números, entonces:
(k + t)A = (k + t)( a ij)
= ((k + t) a ij)
= (ka ij + ta ij)
= (ka ij) + (ta ij)
= k A + t A.
% MULTIPLICACION DE UN ESCALAR Y UNA MATRIZ

clc;;clear;;
fprintf('\n PRODUCTO POR UN ESCALAR \n')
fil=input('Ingrese el numero de filas de la Matriz A: ');;
col=input('Ingrese el numero de columnas de la Matriz A: ');;
n=input('Ingrese el escalar: ');;
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',f,c)
end
fprintf('\ LA MATRIZ A ES: \n')
A
end
fprintf('\ LA MATRIZ PRODUCTO B ES: \n')
B=A*n
End

La matriz opuesta de A puede obtenerse multiplicando la matriz original por el
escalar ±1. De acuerdo con esta definición; B = (-1)A, notándose B = -A, lo cual
podemos expresarlo detalladamente como
§ a11 a1 2 a1 m · § a11 a1 2 a1 m ·
¨ ¸ ¨ ¸
¨ a21 a2 2 a2 m ¸ ¨ a21 a2 2 a2 m ¸
C = A + (- A ) ¨ ¸¨ ¸
¨ ¸ ¨ ¸
¨ an 1 an 2 an m ¸¹ ¨© an 1 an 2 an m ¸¹
©

10 MATRICES
§ a11 a11 a1 2 a1 2 a1 m a1 m · § 0 0 0·
¨ ¸
¨ a21 a21 a2 2 a2 2 a2 m a2 m ¸ ¨¨ 0 0 ¸
0¸
¨ ¸ ¨ .
¸
¨ ¸ ¨ ¸
¨ an 1 an 1 an 2 an 2 an m an m ¸¹ © 0 0 0¹
©
Una matriz B = (bij) que, dada una matriz A = (a ij) cumple la ecuación
matricial
(oij) = (a ij) + (bij), para todo i, j N
recibe el nombre de matriz opuesta o negativa de A.
La operación de restar una matriz B de una matriz A se define exactamente como

esperará el lector: A ± B es la matriz cuyos elementos son a ij ± bij. Se observa
también que la resta puede definirse en términos de operaciones ya definidas,
como
A ± B = A + (-B).
Es decir, para restar dos matrices, restamos sus correspondientes elementos.
Dadas A = (a ij), B = (bij) y C = (c ij), matrices de igual orden. Si se cumple
que
C = A - B = (aij) - (bij) = (a ij ± bij) = (c ij), i, j N
a la matriz C se le denomina resta de A y B.
Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra

matriz del mismo orden cuyos elementos se obtienen restando término a término
los correspondientes a dichas matrices, se denomina resta de matrices. Dadas las
matrices A y B, detalladamente podemos interpretar la resta de matrices de la
siguiente manera:
C = A-B
§ a11 a1 2 a1 m · § b11 b1 2 b1 m ·
¨ ¸ ¨ ¸
¨ a21 a2 2 a2 m ¸ ¨ b21 b2 2 b2 m ¸
=¨
¸ ¨ ¸
¨ ¸ ¨ ¸
¨ an 1 an 2 an m ¸¹ ¨© bn 1 bn 2 bn m ¸¹
©
§ a11 b11 a1 2 b1 2 a1 m b1 m ·
¨ ¸
¨ a21 b21 a2 2 b2 2 a2 m b2 m ¸
¨ ¸.
¨ ¸
¨ an 1 bn 1 an 2 bn 2 an m bn m ¸¹
©
Debemos tener muy en cuenta, como lo hicimos para la adición, que la resta de las
matrices A y B se puede realizar solamente cuando tienen el mismo orden. De aquí
que el orden de la matriz obtenida de la resta es la misma que la de A y B.
E J E M P L O 1.1.9
Dadas las matrices
§ 13 5 12 · § -6 11 3 ·
A ¨ ¸ y B =¨ ¸.
©17 6 8 ¹ ©15 2 1 ¹
Determine la matriz M tal que A - 2M = 3B.
SO L U C I O N
Como A ± 2M = 3B, entonces:

MATRICES 11
1
2M = A ± 3B M = ( A - 3B )
2
Reemplazando los datos conocidos, obtenemos:
1 § § 13 5 12 · § -6 11 3 · · 1 § § 13 5 12 · § -18 33 9 · ·
M = ¨¨ ¸ - 3¨ ¸¸ = ¨¨ ¸ -¨ ¸¸
2 © ©17 6 8 ¹ ©15 2 1 ¹ ¹ 2 © ©17 6 8 ¹ © 45 6 3 ¹ ¹
1 § 31 28 3 ·
¨ ¸.
2 © 28 0 5 ¹
EJ E M P L O 1.1.10
Dadas las matrices
§ S S· § S S·
¨ Sen 4 Cos ¸
4¸ ¨ Tan 4 Sen ¸
4¸
A ¨ , B ¨ .
¨ Cos S S¸
Sen ¸ ¨ Sen S Tan ¸
S ¸
¨ ¨
© 4 4¹ © 4 4 ¹
Determine A - B.
SO L U C I O N
§ S S· § S S· § 2 2· § 2·
¨ Sen 4 Cos ¸ ¨ Tan
4 ¸¨ 4
Sen ¸
4¸
¨ ¸ ¨ 1 ¸
A -B ¨ ¨ 2 2 ¸¨ 2 ¸
¨ Cos S S¸ ¨ S S ¸ ¨ 2 2¸ ¨ 2 ¸
¨ Sen ¸ ¨ Sen Tan ¸ ¨ ¸ ¨ 1 ¸
© 4 4¹ © 4 4 ¹ © 2 2 ¹ © 2 ¹
§ 2 ·
¨ 1 2 ¸
¨ 2 ¸.
¨ 2 ¸
¨ 2 1¸
© 2 ¹
EJ E M P L O 1.1.11
Tres máquinas de gaseosas se localizan en un centro comercial. El contenido de estas
máquinas se presenta en la siguiente matriz de inventario:
Coca - Cola Fanta Sprite
Maquina I 65 32 84
Maquina II 92 65 36
Maquina III 45 72 93
Los elementos indican el número de latas de cada tipo de gaseosa que contiene cada
máquina. Suponga que la matriz de ventas para el día siguiente es
Coca - Cola Fanta Sprite
Maquina I 53 25 70
Maquina II 80 60 30
Maquina III 35 65 85
donde los elementos indican el número de latas de cada tipo de gaseosa que vende
cada máquina. Hallar la matriz de inventario al final del día.
SO L U C I O N
La matriz de inventario al final del día se obtiene de la siguiente manera:
§ 65 32 84 · § 53 25 70 · §12 7 14 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 92 65 36 ¸ ¨ 80 60 30 ¸ ¨12 5 6 ¸ .
¨ 45 72 93 ¸ ¨ 35 65 85 ¸ ¨10 7 8 ¸
© ¹ © ¹ © ¹
Si cada máquina se recarga con 30 latas de Coca-Cola, 20 latas de Fanta y 15 latas de
Sprite, entonces la matriz de inventarios es la siguiente:

12 MATRICES
§12 7 14 · § 30 20 15 · § 42 27 29 ·
¨ ¸ ¨ ¸ ¨ ¸
¨12 5 6 ¸ ¨ 30 20 15 ¸ ¨ 42 25 21 ¸ .
¨10 7 8 ¸ ¨ 30 20 15 ¸ ¨ 40 27 23 ¸
© ¹ © ¹ © ¹
E J E M P L O 1.1.12
Determínense las matrices P y Q de orden 3 x 2, tales que satisfagan el sistema de
§1 3· § -1 0 ·
2 P + 3Q = A ¨ ¸ ¨ ¸
ecuaciones ® , donde A = ¨ 2 4 ¸ y B = ¨ -1 -3 ¸ .
¯ - P - Q = B ¨1 2¸ ¨ 1 -1 ¸
© ¹ © ¹
SO L U C I O N
Multiplicando la segunda ecuación por 2, y sumandole a la primera, obtenemos las
matrices P y Q.
P = - A - 3B
®
¯ Q = A + 2B
Es decir:
§ 1 3 · § -1 0 · § -1 -3 · § -3 0 · § 2 -3 ·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
P = - ¨ 2 4 ¸ - 3 ¨ -1 -3 ¸ = ¨ -2 -4 ¸ - ¨ -3 -9 ¸ = ¨ 1 5 ¸
¨ 1 2 ¸ ¨ 1 -1 ¸ ¨ -1 -2 ¸ ¨ 3 -3 ¸ ¨ -4 1 ¸
© ¹ © ¹ © ¹ © ¹ © ¹
§ 1 3 · § -1 0 · § 1 3 · § -2 0 · § -1 3 ·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
Q = ¨ 2 4 ¸ + 2 ¨ -1 -3 ¸ = ¨ 2 4 ¸ + ¨ -2 -6 ¸ = ¨ 0 -2 ¸ .
¨1 2¸ ¨ 1 -1 ¸ ¨ 1 2 ¸ ¨ 2 -2 ¸ ¨ 3 0 ¸
© ¹ © ¹ © ¹ © ¹ © ¹
A continuación, dividamos una matriz A en partes mediante un sistema de rectas

verticales y horizontales. Estas partes pueden ser consideradas como matrices de
órdenes inferiores que forman, interpretadas como elementos, la propia matriz; se
denominan bloques o submatrices de la matriz A, mientras que la propia matriz A,
dividida de un modo determinado en submatrices, se denomina hipermatriz. Una
misma matriz puede ser dividida en submatrices de diferentes maneras.
Se denomina hipermatriz a una ordenación rectangular de submatrices. Una
submatriz derivada de una matriz A es la formada por los elementos que
pertenecen simultáneamente a h filas y k columnas de A.
La conveniencia de la división en submatrices consiste en que las operaciones

principales sobre hipermatrices se realizan formalmente siguiendo las mismas reglas
que en el caso de matrices corrientes. En efecto, supongamos una matriz A dividida
de algún modo en submatrices:
§ A 11 A 12 A 1n ·
¨ ¸
A A A
A ¨ 21 22 2n ¸
.
¨ ¸
¨¨ ¸
© A m1 A m 2 A mn ¸¹
Al multiplicar todas las submatrices por un número k multiplicaremos, al mismo
tiempo, todos los elementos de la matriz A por k. Por consiguiente
§ k A 11 k A 12 k A 1n ·
¨ ¸
k A k A k A 2n ¸
k A ¨ 21 22
.
¨ ¸
¨¨ ¸
© k A m1 k A m 2 k A mn ¸¹
Sea B una matriz dividida en el mismo número de submatrices que la matriz A

MATRICES 13
§ B11 B12 B1n ·

¨ ¸
B B 22 B 2n ¸
B ¨ 21 .
¨ ¸
¨¨ ¸
© B m1 B m 2 B mn ¸¹
supongamos, además, que las correspondientes submatrices de las matrices A y B
son del mismo número de filas y de columnas respectivamente. Para sumar las
matrices A y B hay que sumar sus elementos correspondientes. Pero lo mismo
ocurrirá, si sumamos las submatrices correspondientes de estas matrices. Por esto
§ A 11 B11 A 12 B12 A 1n B1n ·
¨ ¸
A B A B A 2n B 2n ¸
A + B ¨ 21 21 22 22
.
¨ ¸
¨¨ ¸
© A m1 B m1 A m 2 B m 2 A mn B mn ¸¹
% CALCULAR LA RESTA DE MATRICES

clc;;clear;;
fprintf('\n RESTA DE MATRICES \n')
fil=input('Ingrese el numero de filas De las Matrices A y B: ');;
col=input('Ingrese el numero de columnas De las Matrices A y B: ');;
for f=1:fil
for c=1:col
end
end
for f=1:fil
for c=1:col
end
end
A
end
B
end
fprintf('LA MATRIZ DIFERENCIA C ES:\n')
C=A-B
End
Como podemos ver, resulto fácil definir la igualdad, la multiplicación por un
escalar, y la suma de matrices. No es tan obvio, en cambio, cómo debe definirse
la multiplicación matricial. En este caso debe abandonarse, el concepto de matriz
como simple arreglo de números puesto que esta idea no nos proporciona una
guía para una definición propia. Ahora definiremos la operación más complicada
de multiplicar dos matrices.
Dadas A = (a ij) y B = (bij), matrices en las cuales el número de columnas de
A es igual al número de filas de B. Se llama producto de A y B a una matriz
C = (c ij) cuyo orden es el número de filas de A y el número de columnas de
B, denotada
§ ·
C (cij ) ¨ ¦ aik bkj ¸ , para todo i, j .
© k ¹

14 MATRICES
De la propia definición se deduce que, en general, no es posible multiplicar dos

matrices rectangulares, ya que se exige que el número de columnas de la primera
matriz coincida con el número de filas de la segunda. Por lo tanto la condición
necesaria y suficiente para que el producto A B esté definido, es que el número de
columnas de A sea igual al número de filas de B.
Para formar los elementos de la primera fila de la matriz A B se han multiplicado

ordenadamente los elementos de la primera fila de A con los elementos de cada
columna de B y, después se suman los correspondientes productos. Procediendo
análogamente con cada una de las demás filas de A, se obtienen los elementos de
cada una de las restantes filas de A B. La notación formal se expresa como
C = A B y sus elementos se determinan de la siguiente manera:
§ a11 a1 2 a1 p · § b11 b1 2 b1 m ·
¨ ¸¨ ¸
¨ a21 a2 2 a2 p ¸ ¨ b21 b2 2 b2 m ¸
C = AB ¨ ¸¨ ¸
¨ ¸¨ ¸
¨ an 1 an 2 an p ¸¹ ¨© bp 1 bp 2 bp m ¸¹
©
§ ¦ a1 k bk 1 ¦ a1 k bk 2 ¦ a1 k bk m ·¸
¨ k k k
¨ ¸
¨ ¦ a2 k bk 1 ¦ a2 k bk 2 ¦ a2 k bk m ¸
¨ k k k ¸.
¨ ¸
¨ ¸
¨ ¦ an k bk 1 ¦ an k bk 2 ¦ an k bk m ¸
© k k k ¹
El producto de dos matrices, en términos generales, depende del orden de los

factores incluso en el caso en que el conjunto al cuál pertenecen sus elementos es
conmutativo. Si se consideran matrices no cuadradas, puede ocurrir incluso que el
producto de dos matrices tomadas en un orden tenga sentido y tomadas en el
orden contrario, no lo tenga.
E J E M P L O 1.1.13
Pruébese que si A es una matriz cuadrada y B = DA + EI, donde D y E son escalares,
entonces A B = B A.
SO L U C I O N
Calculamos el producto matricial A B, previamente reemplazando la identidad de B y
obtenemos el resultado requerido:
A B = A(DA + EI) = DA 2 + EA I = (DA + EI)A = B A.
E J E M P L O 1.1.14
Si
§ 2 1· § 7 6·
A ¨ ¸ y B ¨ ¸.
© 2 3 ¹ ©9 8¹
Hallar matrices C y D de orden 2, tales que A C = B y D A = B.
SO L U C I O N
Para determinar matrices C y D, debemos tomar matrices de 2 x 2 cuyos elementos
son desconocidos y los establecemos como sigue:
§ 2 1·§ a b · § 7 6 · § 2a c 2b d · § 7 6 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
© 2 3 ¹© c d ¹ © 9 8 ¹ © 2 a 3c 2b 3d ¹ © 9 8 ¹
§e f ·§ 2 1· § 7 6 · § 2e 2 f e 3 f · § 7 6 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
©g h ¹© 2 3 ¹ © 9 8 ¹ © 2 g 2h g 3h ¹ © 9 8 ¹
De aquí, establecemos los siguientes sistemas de ecuaciones:

MATRICES 15
2a c 7 ½ 2e 2 f 7½ 19 33
¾ c = 8 y d = 7; ¾ f y e
2 a 3c 9 ¿ e 3 f 6¿ 4 4
2b d 6 ½ 15 13 2 g 2h 9 ½ 25 43
¾ a y b ; ¾ h y g
2b 3d 8 ¿ 2 2 g 3h 8 ¿ 4 4
Solucionados ambos sistemas y obtenemos las matrices pedidas:
§ 33 19 ·
§ 15 13 · ¨ 4
C ¨ 2 2¸ y D ¨
4 ¸¸ .
¨¨ ¸¸ ¨ 43 25 ¸
©8 7¹ ¨ ¸
© 4 4 ¹
E J E M P L O 1.1.15
Determine la matriz M de modo que satisfaga la relación
§ 3 1· § 5 7·
M¨ ¸=¨ ¸.
© -2 2 ¹ © -5 9 ¹
SO L U C I O N
Para resolver este problema, debemos tomar una matriz M de 2 x 2 cuyos elementos
son desconocidos y los establecemos de la siguiente manera:
§ a b ·§ 3 1 · § 5 7 · § 3a 2b a 2b · § 5 7 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸.
© c d ¹© 2 2 ¹ © 5 9 ¹ © 3c 2d c 2d ¹ © 5 9 ¹
Dos matrices se dice son iguales si sus correspondientes elementos son iguales,
por tanto
3a 2b 5 ½
¾ 4a = 12 a = 3 y b = 2;
a 2b 7 ¿
3c 2d 5 ½
¾ 4c = 4 c = 1 y d = 4
c 2d 9 ¿
Por lo tanto
§3 2·
M =¨ ¸.
©1 4¹
E J E M P L O 1.1.16
Encontrar todas las matrices de orden dos que conmutan con la matriz
§ CosT SenT ·
A ¨ ¸.
© SenT CosT ¹
SO L U C I O N
Multiplicamos a la matriz A por la izquierda y derecha por una matriz 2 x 2 de
variables:
§ a b ·§ CosT SenT · § CosT SenT ·§ a b ·
¨ ¸¨ ¸ ¨ ¸¨ ¸
© c d ¹© SenT CosT ¹ © SenT CosT ¹© c d ¹
Igualando los elementos de estas matrices, establecemos un sistema de ecuaciones:
aCosT bSenT aCosT cSenT (b c ) SenT 0
° aSenT bCosT bCosT dSenT °( a d ) SenT 0
° °
® ®
° cCos T dS enT a S en T cCosT °( a d ) SenT 0
°¯ cSenT dCosT bSenT dCosT °¯ (b c ) SenT 0
Si SenT z 0, entonces: b + c = 0 b = -c y a - d = 0 a = d
por lo tanto la matriz buscada es
§ d c ·
¨ ¸ , para todo c, d R.
©c d ¹

16 MATRICES
E J E M P L O 1.1.17
Dadas las matrices A, B, ¿en qué condiciones son válidas las siguientes ecuaciones?
a.- (A + B)2 = A 2 + 2A B + B 2; b.- (A + B)(A - B) = (A - B)(A + B) = A 2 - B 2.
SO L U C I O N
a.- (A + B)2 = (A + B)(A + B) = A A + A B + B A + B B si A B = B A
= A 2 + 2A B + B 2.
b.- (A + B)(A - B) = A A - A B + B A - B B si A B = B A
= A2 - B2
(A - B)(A + B) = A A + A B - B A - BB si A B = B A
= A 2 - B 2.
EJ E M P L O 1.1.18
Dadas las matrices A, B, C, D, suponga que todas las operaciones están definidas;
demuestre entonces, a partir de la definición de multiplicación de matrices, que:
(A + B)(C + D) = A(C + D) + B(C + D) = A C + A D + B C + B D.
Bajo qué hipótesis están definidas todas las operaciones?
SO L U C I O N
Realizamos el producto
(A + B)(C + D) = A C + A D + B C + BD
= (A C + A D) + (B C + B D)
= A(C + D) + B(C + D)
Las matrices A y B deben ser de orden m x n y las matrices C + D de orden n x p.
E J E M P L O 1.1.19
Si A, B, C son tres matrices tales que A C = C A y B C = C B, pruébese que:
(A B ± B A)C = C(A B ± B A).
SO L U C I O N
Tenemos como hipótesis que tanto A y C como B y C son conmutativas para el
producto, entonces:
(A B ± B A)C = A B C ± B A C = A C B ± B C A = C A B ± C B A = C(A B ± B A).
EJ E M P L O 1.1.20
Dadas las matrices
§1 0 2· §1 3 0· §6 5 7·
¨ ¸ ¨ ¸ ¨ ¸
A ¨ 0 1 1 ¸ , B ¨ 0 4 1 ¸ , C ¨ 2 2 4 ¸ .
¨ 2 0 2¸ ¨ 2 3 0¸ ¨ 3 3 6¸
© ¹ © ¹ © ¹
Muestre que A C = B C, sin embargo, A z B.
SO L U C I O N
Primero realizamos el producto A C y luego B C:
§ 1 0 2 ·§ 6 5 7 · §12 11 19 ·
¨ ¸¨ ¸ ¨ ¸
A C ¨ 0 1 1 ¸¨ 2 2 4 ¸ ¨ 5 5 10 ¸ ;
¨ 2 0 2 ¸¨ 3 3 6 ¸ ¨18 16 26 ¸
© ¹© ¹ © ¹
§ 1 3 0 ·§ 6 5 7 · §12 11 19 ·
¨ ¸¨ ¸ ¨ ¸
BC ¨ 0 4 1¸¨ 2 2 4 ¸ ¨ 5 5 10 ¸ .
¨ 2 3 0 ¸¨ 3 3 6 ¸ ¨18 16 26 ¸
© ¹© ¹ © ¹
De esta manera queda demostrado que A C = B C sin que A = B.
E J E M P L O 1.1.21
Muestre que A y B conmutan si y sólo si A - DI y B - DI conmutan para un cierto
escalar unidad.
SO L U C I O N
Realizamos los productos correspondientes a (A - DI)(B - DI) y (B - DI)(A - DI):
(A - DI)(B - DI) = (B - DI)(A - DI)
MATRICES 17
A B - DA I - DIB + D2 II = B A - DB I - DI A + D2 II
A B - DA - DB + D2 I 2 = B A - DB - DA + D2 I 2
A B = B A.
EJ E M P L O 1.1.22
§a b ·
Sea A ¨ ¸ una matriz de 2 x 2 con ad ± bc z 0. Encuentre una matriz B tal
©c d¹
que A B = B A = I.
SO L U C I O N
Realizamos los productos A B = I y B A = I, luego resolvemos los sistemas de
ecuaciones lineales generados por cada uno de ellos:
ax bz 1 d c
§ a b ·§ x y · § 1 0 ·
° cx dz 0
° °° x ad bc ; z
ad bc
AB ¨ ¸¨ ¸ ¨ ¸ ® ®
© c d ¹© z u ¹ © 0 1 ¹ ° ay bu 0 °y b a
; u
°¯ cy du 1 °¯ ad bc ad bc
ax cy 1 d c
°bx dy 0 ° x ; z
§ x y ·§ a b · § 1 0 · ° ° ad bc ad bc .
BA ¨ ¸¨ ¸ ¨ ¸ ® ®
© z u ¹© c d ¹ © 0 1 ¹ ° az cu 0 °y b a
; u
°¯ bz du 1 °¯ ad bc ad bc
Por lo tanto la matriz B tiene la forma siguiente:
§ d b ·
¨ ad bc ad bc ¸
B ¨ ¸.
¨ c a ¸
¨ ¸
© ad bc ad bc ¹
E J E M P L O 1.1.23
Demuestre que si A B = O y B z O, no existe ninguna matriz C tal que C A = I.
SO L U C I O N
Si A = O por ser B z O, la no existencia de la matriz C para que C A = I, es obvia. Si
A z O y B z O, entonces A z O, C A z C O, C A z O para que C A = I
necesariamente la matriz C debe ser la inversa de A, en caso contrario no podemos
obtener C A = I.
E J E M P L O 1.1.24
Sea A una matriz de n x n. Suponga que A B = B para toda matriz B de n x n.
Pruebe que A = I.
SO L U C I O N
Tenemos que:
A B = B A B ± B = O (A ± I)B = O.
Por hipótesis B z O, entonces A ± I = O, de donde A = I.
E J E M P L O 1.1.25
Encuentre un ejemplo para probar que existen matrices no cuadradas A y B, tales que
A B = I. Específicamente, pruebe que existe una matriz A de m x n y una matriz B de
n x m, tales que A B es la matriz identidad de m x m. Demuestre que B A no es la
matriz identidad de n x n. Pruebe en general que, si m z n, entonces A B y B A no
pueden ser ambas matrices identidad.
SO L U C I O N
§a b ·
§ 1 3 1· ¨ ¸
Sea A ¨ ¸ y B ¨ c d ¸ , entonces:
©4 2 1 ¹ ë f ¸
© ¹

18 MATRICES
§a b ·
§ 1 3 1· ¨ ¸ § a 3c e b 3d f · § 1 0 ·
AB ¨ ¸¨ c d ¸ ¨ ¸ ¨ ¸.
© 4 2 1 ¹¨ e f ¸ © 4 a 2 c e 4b 2d f ¹ © 0 1 ¹
© ¹
Igualando las matrices, obtenemos el siguiente sistema de ecuaciones:
(1) a 3c e 1
§ a b · ½
(2) °° 4 a 2c e 0 (1) (2) 5 a 5c 1 °¨ ¸ 5 a 5c 1 °
® ® B ®¨ c d ¸ ¾.
(3) °b 3d f 0 (3) (4) ¯5b 5d 1 °¨ e f ¸ 5b 5d 1°
(4) °¯ 4b 2d f 1 ¯© ¹ ¿
Como comprobación, podemos escoger la matriz B de la siguiente manera:
§ 3 3·
¨ 5 10 ¸
¨ ¸
§ 1 3 1· ¨ 2 1 ¸ §1 0·
AB ¨ ¸¨ ¨ ¸.
©4 2 1 ¹¨ 5 2 ¸ ©0 1¹
¸
¨8 6 ¸
¨ ¸
© 5 5 ¹
Con esto queda demostrado que existen matrices no cuadradas, tales que el producto
A B es la matriz I. A continuación, vamos a demostrar que el producto B A no es la
matriz I:
§ 3 3· § 3 6 9·
¨ 5 10 ¸ ¨ 5 5
¸
10
¨ ¸ ¨ ¸ §1 0 0·
¨ 2 1 ¸ § 1 3 1· ¨ 8 1 9 ¸ ¨ ¸
BA ¨ ¸ ¨ ¸ ¨ ¸ z ¨0 1 0¸ .
5 2 © 4 2 1 ¹ ¨ 5 5 10
¨ ¸ ¸ ¨© 0 0 1 ¸¹
¨8 6 ¸ ¨ 16 12 14 ¸
¨ ¸ ¨ ¸
© 5 5 ¹ © 5 5 5 ¹
E J E M P L O 1.1.26
Suponga que la tercera columna de B es la suma de las primeras dos columnas. ¿Qué
se puede decir sobre la tercera columna de A B? ¿Por qué?
SO L U C I O N
La tercera columna de A B es la suma de las primeras dos columnas de A B. He aquí
por qué. Denotemos las primeras tres columnas de B por b1, b2, b3. Si b3 = b1 + b2,
entonces la tercera columna de A B es A b3 = A b1 + A b2, por una propiedad de la
multiplicación de matrices.
EJ E M P L O 1.1.27
Un comerciante de radios, tiene 10 radios de tamaño I, 15 de tamaño II y 8 de
tamaño III. Los radios de tamaño I se venden a $60 cada uno los de tamaño II en $47
cada uno y los de tamaño III se venden a $40 cada uno. Calcular el precio de venta
de su existencia de radios.
SO L U C I O N
Construimos una matriz A en la cual constan la cantidad de radios de cada uno de los
tamaños y, una matriz B de precios por tamaño. Realizamos el producto de A B para
obtener el precio de venta de la existencia de radios
§ 60 ·
10 15 8 ¨¨ 47 ¸¸ $1625 .
¨ 40 ¸
© ¹
EJ E M P L O 1.1.28
Una empresa utiliza tres tipos de materias primas P1, P2 y P3 en la elaboración de tres
productos Q1, Q2 y Q3. El número de unidades de P1, P2 y P3 usados por cada unidad
de Q1 son 4, 3 y 2 respectivamente, por cada unidad de Q2 son 5, 3 y 4,

MATRICES 19
respectivamente, y por cada unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que

la empresa produce 28 unidades de Q1, 18 unidades de Q2 y 39 unidades de Q3 a la
semana.
a.- ¿Cuál es el consumo semanal de materia prima?
b.- Si los costos por unidad para P1, P2 y P3 son 60, 52 y 18, respectivamente, ¿cuá-
les son los costos de las materias primas por unidad de Q1, Q2 y Q3?
c.- ¿Cuál es la cantidad total gastada en materias primas a la semana en la produc-
ción de Q1, Q2 y Q3?
SO L U C I O N
a.- Para obtener el consumo semanal de la materia prima, construimos la matriz A
de unidades por producto y una matriz B de cantidad de materia prima por producto
y luego realizamos el producto A B
§ 4 3 2·
¨ ¸
A B 28 18 39 ¨ 5 3 4 ¸ 280 333 245 .
¨ 2 5 3¸
© ¹
b.- Los costos de materia prima por unidad de cada producto lo calculamos de la
siguiente manera: a la matriz B del inciso anterior le multiplicamos la matriz C de
costos por unidad para cada tipo de materia prima, es decir
§ 4 3 2 ·§ 60 · § 432 ·
¨ ¸¨ ¸ ¨ ¸
B C ¨ 5 3 4 ¸¨ 52 ¸ ¨ 528 ¸ .
¨ 2 5 3 ¸¨ 18 ¸ ¨ 434 ¸
© ¹© ¹ © ¹
c.- Si sumamos los tres tipos de materia prima, obtenemos la cantidad total gastada
a la semana en la producción de los tres productos
P1 + P2 + P3 = 280 + 333 + 245 = 858.
EJ E M P L O 1.1.29
Demostrar que la igualdad A B ± B A = I es imposible.
SO L U C I O N
Sea
§ a11 a12 ... a1n · § b11 b12 ... b1n ·
¨ ¸ ¨ ¸
a a ... a b21 b22 ... b2 n ¸
A ¨
2n ¸
, B ¨
21 22
,
¨ ... ... ... ¸ ¨ ... ... ... ¸
¨¨ ¸¸ ¨¨ ¸¸
© an1 an 2 ... an n ¹ © bn1 bn 2 ... bn n ¹
§ n n n ·
¨ ¦ a1k bk 1 ¦ a1k bk 2 ... ¦ a1k bkn ¸
¨k 1 k 1 k 1 ¸
¨ n n n ¸
¨ ¦ a2 k bk 1 ¦ a2 k bk 2 ... ¦ a2 k bkn ¸
AB ¨k 1 k 1 k 1 ¸,
¨ ¸
¨ ... ... ... ¸
¨ n n n ¸
¨ ¦ ank bk 1 ¦ ank bk 2 ... ¦ ank bkn ¸
¨ ¸
©k 1 k 1 k 1 ¹
§ n n n ·
¨ ¦ b1k a k 1 ¦ b1k a k 2 ... ¦ b1k a kn ¸
¨k 1 k 1 k 1 ¸
¨ n n n ¸
¨ ¦ b2 k a k 1 ¦ b2 k a k 2 ... ¦ b2 k a kn ¸
BA ¨k 1 k 1 k 1 ¸.
¨ ¸
¨ ... ... ... ¸
¨ n n n ¸
¨ ¦ bnk a k 1 ¦ bnk a k 2 ... ¦ bnk a kn ¸
¨ ¸
©k 1 k 1 k 1 ¹
Entonces la suma de los elementos diagonales de la matriz A B es igual a

20 MATRICES
n n
¦¦ aik bki , que es exactamente igual a la suma de los elementos diagonales para la
i 1k 1
matriz B A. Por consiguiente, la suma de los elementos diagonales de la matriz
A B ± B A es igual a cero, y la igualdad A B ± B A = I es imposible.
T E O R E M A 1.1.7
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto,
entonces (A B)C = A(B C).
Sean A, B, C matrices compatibles para el producto y D = B C, entonces para todo i,
j natural
§ m ·
(d ij ) ¨ ¦ bik ckj ¸ .
©k 1 ¹
Sea E = A D, entonces para todo i, j natural
§ m · §m § m ·· § m m ·
(eij ) ¨ ¦ air d rj ¸ ¨ ¦ air ¨ ¦ brk ckj ¸ ¸ ¨ ¦¦ air brk ckj ¸ .
¨ ¸
©r 1 ¹ ©r 1 ©k 1 ¹¹ © r 1 k 1 ¹
Por otra parte, sea F = A B, entonces para todo i, j natural
§ m ·
( f ij ) ¨ ¦ aik bkj ¸ .
©k 1 ¹
Sea G = F C, entonces para todo i, j natural
§m · §m§m · · § m m ·
( g ij ) ¨ ¦ f ir crj ¸ ¨ ¦ ¨ ¦ aik bkr ¸ c rj ¸ ¨ ¦¦ aik bkr c rj ¸ .
¨ ¸
©r 1 ¹ © r 1© k 1 ¹ ¹ © r 1k 1 ¹
Obtenemos E = G y, por tanto (A B)C = A(B C).
De este teorema se deduce que el producto de varias matrices dispuestas en un orden

determinado no depende de cómo se coloquen los paréntesis. Por esto podemos
hablar no sólo sobre el producto de dos matrices, sino también sobre el producto de
un número mayor de matrices.
T E O R E M A 1.1.8
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto y
suma respectivamente, entonces
A(B + C) = A B + A C.
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = A D, entonces
§ m ·
(eij ) ¨ ¦ ai k d k j ¸
©k 1 ¹
§ m ·
¨ ¦ ( ai k bk j ai k ck j ) ¸
©r 1 ¹
§ m · § m ·
¨ ¦ ai k bk j ¸ ¨ ¦ ai k ck j ¸
©r 1 ¹ ©r 1 ¹
= AB + A C .
T E O R E M A 1.1.9
Sean A = ( a ij), B = (bij) y C = (c ij), matrices compatibles para la suma y el
producto respectivamente, entonces
(B + C)A = B A + C A.
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = D A, entonces

MATRICES 21
§m · §m · § m · § m ·
(eij ) ¨ ¦ dik akj ¸ ¨ ¦ (bik cik ) akj ¸ ¨ ¦ bik akj ¸ ¨ ¦ cik akj ¸ BA + CA .
©k 1 ¹ ©r 1 ¹ ©r 1 ¹ ©r 1 ¹
De las propiedades 1.1.8 y 1.1.9 se desprende directamente la siguiente regla general:

para multiplicar una suma de matrices por otra hay que multiplicar cada matriz de la
primera suma por cada matriz de la segunda suma y sumar los productos obtenidos.
Si las operaciones indicadas en uno de los miembros son posibles, las operaciones
indicadas en el otro miembro también son posibles y los resultados obtenidos en
ambos miembros coinciden.
T E O R E M A 1.1.10
Sean A = (a ij), I = (Gij) matrices cuadradas de igual orden. En las matrices
cuadradas es posible definir un elemento neutro respecto del producto
matricial, llamado matriz unidad o identidad, representado por I, que cumple
A I = I A = A.
Si D = A I, entonces
§ m ·
(d ij ) ¨ ¦ aik Gkj ¸ ( aij G jj ) ( aij )
©r 1 ¹
Si E = I A, entonces
§m ·
(eij ) ¨ ¦ Gik akj ¸ (Gii aij ) ( aij )
©r 1 ¹
Por tanto, D = E = A.
T E O R E M A 1.1.11
Sean A = (a ij), B = (bij) matrices compatibles para el producto. En general, el
producto de dos matrices no es conmutativo, y, por tanto A B z B A.
Si D = A B, entonces
§ m ·
(d ij ) ¨ ¦ aik bkj ¸
©r 1 ¹
Si E = B A, entonces
§ m ·
(eij ) ¨ ¦ bik a kj ¸
©r 1 ¹
Claramente observamos que D z E y, por tanto, en general el producto de matrices
no es conmutativo.
EJ E M P L O 1.1.30
Demuestre que A B z B A dadas las matrices
§ 8 4i 5i ·
§ 2 i 4 3i i· ¨ ¸
A ¨ ¸, B ¨ 6 2i ¸ .
© 7 6 9i 1 i ¹ ¨ 3 2i
© 4 5i ¸¹
SO L U C I O N
§ 8 4i 5i ·
§ 2 i 4 3i i ·¨ ¸ § 42 21i 6i 4 ·
AB ¨ ¸¨ 6 2i ¸ ¨ ¸;
© 7 6 9 i 1 i ¹ ¨ 3 2i 4 5i ¸ © 97 25i 27 24i ¹
© ¹
§ 8 4i 5i · § 20 35i 38i 1 9 8i ·
¨ ¸ § 2 i 4 3i i · ¨ ¸
BA ¨ 6 2i ¸ ¨ ¸ ¨ 12 8i 42 6i 6i 2 ¸ .
¨ 3 2i 4 5i ¸ © 7 6 9 i 1 i ¹ ¨ 32 42i 83i 19 7 4i ¸
© ¹ © ¹
22 MATRICES
Por tanto A B z B A.
EJ E M P L O 1.1.31
Dadas las matrices
§ S S· § S S·
¨ Sen 4 Cos 4 ¸ ¨ Tan 4 Sen 4 ¸
A ¨ ¸, B ¨ ¸.
¨ Cos S Sen S ¸ ¨ Sen S Tan S ¸
¨ ¸ ¨ ¸
© 4 4¹ © 4 4 ¹
Demuestre que A B = B A.
SO L U C I O N
Realizamos el producto A B:
§ S S ·§ S S·
¨ Sen 4 Cos 4 ¸¨ Tan 4 Sen 4 ¸
AB ¨ ¸¨ ¸
¨ Cos S Sen S ¸¨ Sen S Tan S ¸
¨ ¸¨ ¸
© 4 4 ¹© 4 4 ¹
§ 2 2 ·§ 2· § 2 1 2 1 ·
¨ ¸¨ 1 ¸ ¨ ¸
¨ 2 2 ¸¨ 2 ¸ ¨ 2 2 ¸.
¨ 2 2 ¸¨ 2 ¸ ¨1 2 2 1¸
¨ ¸¨ 1 ¸ ¨ ¸
© 2 2 ¹© 2 ¹ © 2 2 ¹
También efectuamos el producto B A:
§ S S ·§ S S·
¨ Tan 4 Sen 4 ¸¨ Sen 4 Cos ¸
4¸
BA ¨ ¸¨
¨ Sen S Tan S ¸¨ Cos S S¸
Sen ¸
¨ ¸¨
© 4 4 ¹© 4 4¹
§ 2 ·§ 2 2· § 2 1 2 1 ·
¨ 1 ¸¨ ¸ ¨ ¸
¨ 2 ¸¨ 2 2 ¸ ¨ 2 2 ¸
.
¨ 2 ¸¨ 2 2¸ ¨1 2 2 1 ¸
¨ 1 ¸¨ ¸ ¨ ¸
© 2 ¹© 2 2 ¹ © 2 2 ¹
Por tanto A B = B A.

% CALCULAR LA MULTIPLICACION DE MATRICES
clc;;clear;;
fprintf('\n PRODUCTO ENTRE MATRICES \n')
fil1=input('Ingrese el numero de filas de la matriz A : ');;
col1=input('Ingrese el numero de columnas de la matriz A: ');;
fil2=input('Ingrese el numero de filas de la matriz B : ');;
col2=input('Ingrese el numero de columnas de la matriz B: ');;
if (col1==fil2)
for f=1:fil1
for c=1:col1
end
end
for f=1:fil2
for c=1:col2
end
end

MATRICES 23
A
B
fprintf(' LA MATRIZ PRODUCTO C ES:\n')
C=A*B
else
fprintf('\n Las dimensiones no coinciden\n')
end
A continuación damos de forma general, la multiplicación de hipermatrices.
Consideremos las matrices

§ A 11 A 12 A1p · § B11 B12 B1n ·
¨ ¸ ¨ ¸
¨ A 21 A 22 A2p ¸ ¨ B 21 B 22 B 2n ¸
A ¨ ¸ y B .
¨ ¸
¨ ¸ ¨¨ ¸
¨ A m1 A m 2 A mp ¸¹ © B p1 B p 2 B pn ¸¹
©
divididas en submatrices A ik y B kj de manera que el número de columnas de la
submatriz A ik sea igual al número de filas de la submatriz B kj. En estas condiciones
las expresiones C ij = A i1 B 1j + A i2 B 2j + ... + A ip B pj tienen sentido. Por tanto
§ ¦ A 1k B k 1 ¦ A 1k B k 2 ¦ A 1k B km ·¸
¨ k k k
¨ ¸
¨ ¦ A 2 k B k1 ¦ A 2 k B k 2 ¦ A 2 k B km ¸
A B ¨ k k k ¸
¨ ¸
¨ ¸
¨ ¦ A nk B k 1 ¦ A nk B k 2 ¦ A nk B km ¸
© k k k ¹
es decir, las matrices divididas de manera adecuada en submatrices pueden ser
multiplicadas de la forma corriente.
Si A y B son dos hipermatrices cuyas submatrices son (A ik), (B kj), para todo
i, j, k , respectivamente, la hipermatriz producto C = A B se define
como
§ ·
C (cij ) ¨ ¦ A ik B kj ¸ , para todo i, j, k .
© k ¹
EJ E M P L O 1.1.32
Determine A B, dadas las matrices
§4 3 5 2 1· §0 3 9 1·
¨ ¸ ¨ ¸
¨0 4 6 3 8¸ ¨1 3 6 3¸
A ¨1 2 3 6 2¸ y B ¨2 4 6 8¸ .
¨ ¸ ¨ ¸
¨1 2 5 6 7¸ ¨1 4 6 3¸
¨1 0 3 5 1 ¸¹ ¨2 4 8 5 ¸¹
© ©
SO L U C I O N
El producto A B se establece de la siguiente manera:
§ A 11B11 + A 1 2 B1 2 A 11B1 2 + A 1 2 B 2 2 · § C11 C12 ·
AB = ¨ ¸=
¨ A 21B11 + A 2 2 B 21 A 21B1 2 + A 2 2 B 2 2 ¸ ¨© C 21 C 22 ¸¹
© ¹
§ 2 4 6·
§ 4 3 ·§ 0 3 9 · § 5 2 1 · ¨ ¸
C11 ¨ ¸¨ ¸¨ ¸¨1 4 6¸
© 0 4 ¹© 1 3 6 ¹ © 6 3 8 ¹ ¨ 2 4 8 ¸
© ¹

24 MATRICES
§ 3 21 54 · §14 32 50 · § 17 53 104 ·
¨ ¸¨ ¸ ¨ ¸.
© 4 12 24 ¹ © 31 68 118 ¹ © 35 80 142 ¹
§8·
§ 4 3 ·§ 1 · § 5 2 1 · ¨ ¸ § 13 · § 51 · § 64 ·
C12 ¨ ¸¨ ¸ ¨ ¸ ¨ 3¸ ¨ ¸ ¨ ¸ ¨ ¸.
© 0 4 ¹© 3 ¹ © 6 3 8 ¹ ¨ 5 ¸ ©12 ¹ © 97 ¹ © 109 ¹
© ¹
§1 2· §3 6 2 ·§ 2 4 6·
¨ ¸§0 3 9· ¨ ¸¨ ¸
C 21 ¨1 2¸¨
¸ 5 6 7 ¸¨ 1 4 6¸
¨1 ¸ © 1 3 6 ¹ ¨¨
© 0¹ ©3 5 1 ¸¨¹© 2 4 8 ¸¹
§2 9 21· § 16 44 70 · § 18 53 91 ·
¨ ¸ ¨ ¸ ¨ ¸
¨2 9 21¸ ¨ 30 72 122 ¸ ¨ 32 81 143 ¸ .
¨0 3 9 ¸¹ ¨© 13 36 56 ¸¹ ¨© 13 39 65 ¸¹
©
§1 2 · § 3 6 2 ·§ 8 · § 7 · § 52 · § 59 ·
¨ ¸ §1· ¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
C 22 ¨1 2 ¸ ¨ 3 ¸ ¨ 5 6 7 ¸¨ 3 ¸ ¨ 7 ¸ ¨ 93 ¸ ¨ 100 ¸ .
¨1 0 ¸ © ¹ ¨ 3 5 1 ¸¨ 5 ¸ ¨ 1 ¸ ¨ 44 ¸ ¨ 45 ¸
© ¹ © ¹© ¹ © ¹ © ¹ © ¹
§ 17 53 104 64 ·
¨ ¸
¨ 35 80 142 109 ¸
A B = ¨ 18 53 91 59 ¸ .
¨ ¸
¨ 32 81 143 100 ¸
¨ 13 39 65 45 ¸¹
©
EJ E M P L O 1.1.33
Dada
§O I ·
A =¨ ¸
©B O¹
donde las submatrices O, I, B son de k x k. Determine A 2 y A 4.
SO L U C I O N
Realizamos el producto A A y luego A 2 A 2 y obtenemos los resultados
correspondientes:
§ O I ·§ O I · § O + I B OI + IO · § B O·
A2 = AA = ¨ ¸¨ ¸=¨ ¸=¨ ¸;
© B O ¹© B O ¹ © B O + O B BI + O ¹ © O B¹
§B O ·§ B O · § B2 + O B O + O B · § B2 O·
A4 = A2A2 = ¨ ¸¨ ¸=¨ ¸=¨ ¸.
©O B ¹© O B ¹ ¨© O B + B O O + B 2 ¸¹ ¨© O B 2 ¸¹
Las propiedades entre hipermatrices son las mismas que estudiamos anteriormente.
PR O B L E M AS
1.1.1 Multiplicar las matrices: 1.1.2 Pruebe que si A es una matriz de n x n y B = a A +

§ 1 2 1 ·§ 2 3 1 ·§ 1 2 1 · b I, siendo a, b números reales, entonces A y B son
¨ ¸¨ ¸¨ ¸ conmutativas.
a.- ¨ 0 1 2 ¸¨ 1 1 0 ¸¨ 0 1 2 ¸ ;
¨ 3 1 1 ¸¨ 1 2 1¸¨ 3 1 1 ¸
© ¹© ¹© ¹ 1.1.3 Hallar todas las matrices de segundo orden, cuyos
§ a b c · §1 a c · cubos son iguales a la matriz nula.
¨ ¸¨ ¸
b.- ¨ c b a ¸ ¨1 b b ¸ .
¨ 1 1 1 ¸ ¨1 c a ¸ 1.1.4 Pruebe que las matrices A y B son conmutativas, si
© ¹© ¹ y solamente si C = a A + b B y D = c A + d B lo son,
donde a, b, c, d son números reales.
MATRICES 25
1.1.5 Dadas las matrices 1.1.14 Demuestre que si A es una matriz de m x n, n >
§1· §1· §1· §0· m, entonces existe un vector columna no nulo para el cual
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸ A v = O.
A ¨ 2¸ , B ¨ 0¸ , C ¨ 4¸ , D ¨0¸ .
¨ 3¸ ¨ 2¸ ¨ 4¸ ¨1¸
© ¹ © ¹ © ¹ © ¹ 1.1.15 Encuentre una matriz B tal que A B C = D dado
a.- Encuentre escalares a y b tales que C = a A + b B; que
b.- Demuestre que no existen escalares a y b tales que D § 3 7· §9 3 5·
= a A + b B; ¨ ¸ § 2 5 4· ¨ ¸
c.- Encuentre escalares no nulos a, b, c tales que a A + b B
A ¨ 2 1 ¸ , C ¨ ¸ , D ¨7 2 4¸ .
¨ 5 3¸ © 9 6 2¹ ¨7 5 0¸
+ c C = O. © ¹ © ¹
1.1.6 Hallar todas las matrices se segundo orden, cuyos 1.1.16 Demuestre que si A es una matriz de n x n tal que
cuadrados son iguales a la matriz nula. A v = v para cualquier vector columna, entonces A = I.
1.1.7 Hallar todas las matrices conmutativas con la 1.1.17 Hallar todas las matrices de segundo orden, cuyos
siguiente matriz: cuadrados son iguales a la matriz identidad.
§ 1 2 · § 1 2 · § 1 1·
a.- ¨ ¸; b.- ¨ ¸; c.- ¨ ¸; 1.1.18 Hallar todas las matrices reales de segundo orden,
©4 1 ¹ © 2 1 ¹ © 1 1¹ cuyos cubos son iguales a la matriz identidad.
§2 1· §3 4· § 2 3 ·
d.- ¨ ¸; e.- ¨ ¸; f.- ¨ ¸;
© 1 1¹ ©5 1¹ ©2 4 ¹ 1.1.19 Hallar todas las matrices reales de segundo orden,
cuyas cuartas potencias son iguales a la matriz identidad.
§ 1 4· § 3 8· § 1 4 ·
g.- ¨ ¸; h.- ¨ ¸; i.- ¨ ¸.
©3 2¹ © 3 1¹ © 2 8¹ 1.1.20 Hállese la familia de matrices de la forma
§ a 0 0·
1.1.8 Hallar todas las matrices conmutativas con la ¨ ¸
A ¨0 b ç
siguiente matriz: ¨0 d e¸
§ 1 1 1· § 0 1 4 · © ¹
2
¨ ¸ ¨ ¸ tales que A = I.
a.- ¨ 1 1 1 ¸ ; b.- ¨ 3 2 1 ¸ ;
¨ 1 1 1¸ ¨ 1 1 3 ¸
© ¹ © ¹ 1.1.21 Encontrar una matriz A de 4 x 4 cuyos elementos
§ 5 1 3· § 4 5 1· cumplan la condición siguiente:
¨ ¸ ¨ ¸ a.- aij = i ± j; b.- aij = mín{i, j};
c.- ¨ 2 1 1 ¸ ; d.- ¨ 1 3 0 ¸ ;
¨ 1 1 3 ¸ ¨ 2 0 1¸ c.- a ij = j1+ j; d.- a ij = ~i - j~;
© ¹ © ¹ 1 si i j ! 1
°
§ 1 3 0 · § 1 1 7 · e.- a ij = máx{i, j}; f.- aij ® .
¨ ¸ ¨ ¸ °̄1 si i j d 1
e.- ¨ 2 1 3 ¸ ; f.- ¨ 2 3 1 ¸ .
¨ 5 2 1¸ ¨1 4 1¸
© ¹ © ¹ 1.1.22 Pruebe con un ejemplo que si B tiene una columna
de ceros, entonces A B tiene una columna correspondiente
1.1.9 Encuentre matrices A y B de 2 x 2 tales que A B = de ceros.
O pero B A z O.
1.1.23 Encuentre una matriz A tal que:
1.1.10 Hallar todas las matrices de tercer orden, cuyos §1 2 4 · § 1 2 1·
cuadrados son iguales a la matriz nula. ¨ ¸ ¨ ¸
a.- A 3 ¨ 0 3 1¸ ; b.- A 2 ¨ 3 0 2 ¸ ;
¨0 0 3 ¸ ¨ 0 5 1¸
1.1.11 Hallar todas las matrices de tercer orden, cuyos © ¹ © ¹
cuadrados son iguales a la matriz identidad. § 2 0 0· § 1 2 1·
¨ ¸ ¨ ¸
c.- A 3 ¨ 1 3 2 ¸ ; d.- A 2 ¨ 1 0 2 ¸ .
1.1.12 Suponga que la última columna de A B es ¨ 1 1 1 ¸ ¨ 1 2 1 ¸
completamente cero pero B misma no tiene ninguna © ¹ © ¹
columna de ceros. ¿Qué se puede decir sobre las columnas
de A? 1.1.24 Sean A y B matrices tales que el producto A B
está definido. Demuestre que si A tiene dos columnas
1.1.13 Demuestre que si el producto A B es de n x n, idénticas, entonces las dos columnas correspondientes de
entonces el producto B A está definido. A B también son idénticas.

26 MATRICES
1.1.25 Represente como un producto de matrices las 1.1.32 Encuentre todas las matrices de 4 x 4 que
siguientes expresiones: conmuten con la matriz
a.- x2 + 5y2 ± 4z2 + 2xy ± 4xz; §1 1 0 0·
b.- 4x2 + y2 + z2 ± 4xy + 4xz ± 3yz; ¨ ¸
1 1 1 0¸
c.- 2x2 + 18y2 + 8z2 ± 12xy + 8xz ± 27yz; A ¨ .
d.- -12x2 ± 3y2 ± 12z2 + 12xy ± 24xz + 8yz; ¨0 1 1 1¸
¨ ¸
e.- 3x2 + 2y2 ± z2 ± 2u2 + 2xy ± 4yz + 2yu; ©0 0 1 1¹
f.- 4x2 + y2 + 9z2 ± 12xz;
g.- 2x2 + 3y2 + 6z2 ± 4xy ± 4xz + 8yz; 1.1.33 La matriz
h.- 3x2 + 10y2 + 25z2 ± 12xy ± 18xz + 40yz; PARA A PARA B PARA C
i.- 5x2 + 5y2 + 2z2 + 8xy + 6xz + 6yz;
j.- 2x2 + 9y2 + 3z2 + 8xy ± 4xz ± 10yz. DE A 1.50 1.25 1.05
DE B 0.75 0.50 0.45
1.1.26 Encuentre una matriz A de orden 2 x 2, tal que DE C 0.35 0.45 0.95
A B = I si
representa la proporción de una población de electores
§i 3 · que cambia del partido i al partido j en una elección dada.
B ¨ ¸.
©1 1 3i ¹ Es decir, pij (i z j) representa la proporción de la población
de electores que cambia del partido i al partido j y pii
1.1.27 Comprobar que las identidades algebraicas representa la proporción que permanece leal al partido i
(A + B)2 = A 2 + 2A B + B 2 de una elección a otra. Encuentre el producto de P con sí
y misma. ¿Qué representa este producto?
(A + B)(A ± B) = A 2 ± B 2
no son ciertas para las matrices de 2 x 2: 1.1.34 Pruebe con un ejemplo que si A tiene una fila de
§ 1 3 · § 0 1 ·
ceros, entonces A B tiene una fila correspondiente de
A ¨ ¸ y B ¨ ¸ ceros.
© 4 5¹ © 2 3 ¹
Modificar el segundo miembro de esas identidades para 1.1.35 Suponga que se quiere calcular la cantidad de
obtener fórmulas válidas para todas las matrices cuadradas dinero que se tiene al cabo de n años si invertimos $ 250 a
A y B. ¿Para qué matrices A y B son válidas las un interés compuesto anual del, 4.5, 5, 5.5 %. Si
identidades establecidas anteriormente? colocamos P dólares durante un año a un interés r,
entonces el valor que se tiene al final del año es Capital
1.1.28 Sean A y B matrices de n x n. Demuestre que si final = P + rP = (1 + r)P. Encuentre el monto al final del
todos los elementos de la j-ésima columna de A son nulos tercero y cuarto años de una inversión de $ 250 al interés
entonces todos los elementos de la j-ésima columna de A B de 4.5, 5 y 5.5 %, respectivamente.
son nulos.
1.1.36 El costo en dólares de comprar un boleto aéreo de
1.1.29 Hállese la familia de matrices de la forma la ciudad A a cada una de las cuatro ciudades B, C, D y E,
§ a 0 0· está relacionado en la matriz P = (75 62 35 55). Si la
¨ ¸ directiva de la aviación civil aprueba un incremento del
A ¨0 b ç
¨0 d e¸ 12% en las tarifas. Hallar las nuevas tarifas.
© ¹
2
tales que A = O. 1.1.37 Suponga que una matriz de n x n satisface la
ecuación A 2 ± 2A + I = O. Demuestre que A 3 = 3A - 2I y
1.1.30 Construya una matriz aleatoria A de 4 x 4 y que A 4 = 4A ± 3I.
compruebe si (A + I)(A ± I) = A 2 ± I. La mejor manera de
hacer esto es calcular (A + I)(A ± I) ± (A 2 ± I) y verificar 1.1.38 Demuestre que si ambos productos A B y B A están
que esta diferencia sea la matriz cero. Hágalo para tres definidos, entonces A B y B A son matrices cuadradas.
matrices al azar. Luego haga la prueba para (A + B)(A ±
B) = A 2 ± B 2 procediendo de la misma manera con tres 1.1.39 Tres máquinas de gaseosas se localizan en un
pares de matrices de 4 x 4 al azar. Informe los resultados. centro comercial. El contenido de estas máquinas se pre-
senta en la siguiente matriz de inventario:
§0 0· A B C
1.1.31 Sea A ¨ ¸ . Demuestre que para toda ma-
©0 1¹ Maquina I 65 32 84
triz B de 2 x 2 Maquina II 92 65 36
(A B ± A B A)2 = (B A ± A B A)2 = O. Maquina III 45 72 93
MATRICES 27
Los elementos indican el número de latas de cada tipo de c.- ¿Cuál es la cantidad total gastada en materias primas a
gaseosa que contiene cada máquina. Suponga que la matriz la semana en la producción de Q1, Q2 y Q3?
de ventas para el día siguiente es
A B C 1.1.44 Sean las matrices
Maquina I 53 25 70 § 2 2· § 1 1· §1·
A ¨ ¸, B ¨ ¸, C ¨ ¸,
Maquina II 80 60 30 © 3 2¹ © 0 1¹ ©0¹
Maquina III 35 65 85 § 3·
D 2 1 , E ¨ ¸ .
donde los elementos indican el número de latas de cada ©1¹
tipo de gaseosa que vende cada máquina. Hallar la matriz Encuéntrese cada uno de los productos que se piden, y
de inventario al final del día. compruébese el resultado mediante la multiplicación
directa:
1.1.40 Un comerciante de radios, tiene 10 radios de
§ A O ·§ B O · § A B ·§ A O ·
tamaño I, 15 de tamaño II y 8 de tamaño III. Los radios a.- ¨ ¸¨ ¸ ; b.- ¨ ¸¨ ¸;
de tamaño I se venden a $60 cada uno los de tamaño II © O B ¹© O I ¹ © B A ¹© I B ¹
en $47 cada uno y los de tamaño III se venden a $40 §A O O ·§ I ·
cada uno. Calcular el precio de venta de su existencia de §A C ·§ E I· ¨ ¸¨ ¸
c.- ¨ ¸¨ ¸; d.- ¨ O B O ¸¨ O ¸ .
radios. ©D O ¹© O D¹ Ö
© O O ¸¹ ¨© B ¸¹
1.1.41 Un fabricante de sacos los produce en color ne-
gro, azul y rojo para hombres, mujeres y niños. La capa- 1.1.45 Utilizando el programa hecho anteriormente,
cidad de producción en miles en la planta A está dada realice el producto por partición entre las matrices
por la matriz § 1 1 2 3 4 5·
Hombres Mujeres Niños ¨ ¸
¨6 2 3 0 1 3¸
Negro 3 5 6 A ¨ i 1 i 2 9 0 1¸
Azul 2 3 4 ¨ ¸
¨6 4 5 i 2 7¸
Rojo 5 1 3 ¨ 4 81 56 92 102 15 ¸
© ¹
La producción en la planta B está dada por y
Hombres Mujeres Niños § i 93 67 34 0 0.5 ·
Negro 2 3 3 ¨ ¸
¨ 1 i 4 8 3 0 ¸
Azul 4 2 5 ¨ 8 56 71 23 41 3 ¸
Rojo 1 3 2 B ¨ ¸.
¨ 1 1 6 2 9 0 ¸
a.- Determine la representación matricial de la producción ¨0 2 1 3 4 5 ¸
total de cada tipo de sacos en ambas plantas. ¨¨ ¸
b.- Si la producción en A se incrementa en un 15% y la ©6 9 6 2 1 3 ¸¹
de B en un 30%, encuentre la matriz que representa la
nueva producción total de cada tipo de saco. 1.1.46 Una fábrica elabora muebles de comedor y sala en
dos sitios. La matriz proporciona el costo total de
1.1.42 Sean A y B dos matrices de 3 x 3. Demuestre que manufactura de cada producto en cada lugar (suponga que
la ecuación matricial A B ± B A = I no tiene solución. solamente hay costos de mano de obra y de material):
SITIO1 SITIO 2
1.1.43 Una empresa utiliza tres tipos de materias primas COMEDOR 65 45
P1, P2 y P3 en la elaboración de tres productos Q1, Q2 y Q3.
SALA 50 60
El número de unidades de P1, P2 y P3 usados por cada
unidad de Q1 son 4, 3 y 2 respectivamente, por cada a.- Dado que la mano de obra corresponde a casi 2/5 del
unidad de Q2 son 5, 3 y 4, respectivamente, y por cada costo total, determine la matriz B que proporciona los
unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que la costos de mano de obra para cada producto en cada sitio.
empresa produce 28 unidades de Q1, 18 unidades de Q2 y b.- Encuentre la matriz C que da los costos de material
39 unidades de Q3 a la semana: para cada producto en cada sitio.
a.- ¿Cuál es el consumo semanal de materia prima?
b.- Si los costos por unidad para P1, P2 y P3 son 60, 52 y 1.1.47 En un ecosistema, ciertas especies proveen de
18, respectivamente, ¿cuáles son los costos de las materias comida a otras. El elemento a ij de la matriz de consumo
primas por unidad de Q1, Q2 y Q3? es igual al número de unidades de la especie j consumi-
das diariamente por un individuo de la especie i.

28 MATRICES
Construya la matriz ( a ij) para el siguiente ecosistema c.- La especie 1 consume 2 unidades de la especie 3; la
simple que consiste de tres especies: especie 2 consume 1 unidad de la especie 1; la especie 3
a.- Cada especie consume en promedio 1 unidad de no consume de ninguna de las otras especies.
cada una de las otras especies.
b.- La especie 1 consume una unidad de la especie 2; la
especie 2 consume ½ unidad de cada una de las especies
1 y 3; la especie 3 consume 2 unidades de la especie 1.
1.1.48 Cierta empresa cuenta con cuatro fábricas, cada una de ellas produce dos
productos:
FABRICA 1 FABRICA 2 FABRICA 3 FABRICA 4
PRODUCTO1 125 105 95 80
PRODUCTO 2 55 60 75 60
Determine los niveles de producción que habría si ésta se incrementase en un 25 %.
1.1.49 Un agricultor cosecha dos veces al año, las cuales se distribuyen a cuatro
mercados:
MERCADO1 MERCADO 2 MERCADO 3 MERCADO 4
COSECHA 1 125 105 95 80
COSECHA 2 55 60 75 60
La ganancia en una unidad del producto i se representa en la matriz B 1.25 3.25 .
Encuentre el producto B A y explique qué representa cada elemento de este producto.
1.1.50 La siguiente tabla, que puede ser vista como una matriz, da el costo en centavos de
un kilo de cada uno de los productos en tres supermercados:
CARNE PESCADO POLLO PAPAS ARROZ
SUPERMERCADO 1 80 35 65 25 25
Si se compran 4 kilos de carne, 4 kilos de pescado, 3 kilos de pollo, 10 kilos de papas, 10
kilos de arroz, encuentre el costo total en cada uno de los supermercados.
1.1.51 Una compañía tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas
en los lugares P, Q, R y S. El costo en miles de dólares de transportar cada unidad de su
producto de una planta a una bodega está dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P 13 12 17 12
Bodega Q 19 17 13 15
Bodega R 8 9 11 13
Bodega S 19 21 9 15
a.- Si los costos de transportación se incrementan uniformemente en $500 por unidad,
¿cuál es la nueva matriz?
b.- Si los costos de transportación se elevan en un 25%, escriba los nuevos costos.
1.1.52 Una empresa produce tres tamaños de radios en tres modelos diferentes. La
producción en miles en su planta A está dada por la matriz
Modelo 1 20 32 25
Modelo 2 15 15 29
Modelo 3 12 27 30

MATRICES 29
La producción en miles en su planta B está dada por la matriz

Modelo 1 35 42 19
Modelo 2 25 35 25
Modelo 3 12 18 21
a.- Escriba una matriz que represente la producción total de radios en ambas plantas.
b.- El dueño de la empresa planea abrir una tercera planta en C, la cual tendrá una vez y
cuarto la capacidad de la planta en A. Escriba la matriz que representa la producción en la
planta C.
c.- ¿Cuál sería la producción total de las tres plantas?
1.1.53 La siguiente tabla da el costo en centavos de un kilo de mariscos en tres diferentes

supermercados:
CAMARON CONCHA CALAMAR
SUPERMERCADO 1 0.95 1.10 0.45
Si un comprador compra 3 kilos de camarón, 2 kilos de concha y 4 kilos de calamar,
encuentre el costo total en cada uno de los supermercados.
1.2 C L ASI F I C A C I O N D E L AS M A T RI C ES C U A DR A D AS
En esta sección clasificamos y definimos las diversas partes de una matriz cuadrada, se introduce términología
básica, enunciamos sus correspondientes propiedades.
Las matrices cuadradas, desempeñan un papel muy importante en todos los aspectos
del álgebra de matrices. Su estructura requiere un análisis particular, el cual se
discutirá a continuación, de modo que no resulte incomprensible el estudio de las
operaciones que pueden efectuarse sobre este particular tipo de matrices.
Sea A una matriz cuadrada de n x n. Dentro de este tipo de matrices,
podemos distinguir tres regiones que se definen de la siguiente manera:
a.- La diagonal principal, está formada por los elementos a ij para los
cuales i = j.
b.- El triángulo superior, está formado por los elementos a ij para los cuales
i < j.
c.- El triángulo inferior, está formado por los elementos a ij para los cuales
i > j.
Es decir, la diagonal principal de una matriz cuadrada son todos los elementos
que se encuentran en la línea que va del vértice superior de la izquierda al inferior
de la derecha. La diagonal secundaria la forman los elementos de una matriz que
se encuentran en la línea que va del vértice superior derecho al inferior izquierdo.
De la definición anterior, podemos distinguir algunas matrices cuya estructura
permite una clasificación bien determinada.
Se dice que una matriz T = (tij) de orden n, es triangular superior (inferior)
si existen elementos tij = 0, con i > j (i < j).
Este tipo de matrices se determinan, cuando los elementos situados debajo (encima)
de la diagonal principal son nulos. Es decir:
30 MATRICES
§ t11 t1 2 t1 n ·
¨ ¸
¨0 t2 2 t2 n ¸
T ¨ ¸ , ti j = 0 si i > j;
¨ ¸
¨0 0 t n n ¸¹
©
§ t11 0 0 ·
¨ ¸
¨ t2 1 t2 2 0 ¸
T ¨ ¸ , tij = 0 si i < j.
¨ ¸
¨ tn 1 tn 2 t n n ¸¹
©
T E O R E M A 1.2.1
La adición de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
Sean A = (a ij), con a ij = 0, para todo i > j y B = (bij), con bij = 0, para todo i > j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i > j.
Sean A = (a ij), con a ij = 0, para todo i < j y B = (bij), con bij = 0, para todo i < j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i < j.
T E O R E M A 1.2.2
El producto de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
Sean T = (tij) con tij = 0, para todo i > j y T´ = (tíj) con tíj = 0, para todo i > j, las
matrices triangulares superiores. C = T T´, poseerá el elemento general
n
cij = ti1t´1j + ti2t´2j «ti ntń j = ¦ ti k t´k j
k 1
n
que en este caso se transforma en cij ¦ tik t´kj , ya que, de otra manera, algún
k t1, k d j
sumando se anulará. La suma, pues, sólo estará definida para aquellos valores del
índice k que cumplan i d k d j, luego, c ij z 0 si i d j y, c ij = 0 si i > j, por tanto, C es
triangular superior. De forma análoga se demuestra cuando son triangulares superior.
EJ E M P L O 1.2.1
Sea
§ a a 3b c 2 a b c ·
¨ ¸
A ¨ a b c 1 b a bc ¸
¨ b 3c 2 a 2b c c ¸
© ¹
Analice en qué condiciones es la matriz:
a.- Triangular superior; b.- Triangular inferior.
SO L U C I O N
a.- Para que la matriz A sea triangular superior, debe resolverse el siguiente sistema
de ecuaciones no homogéneo:
a b c 1 0
°
®b 3c 0
°2 a 2b c 0
¯
5 2
lo cual implica que a , b = - 2, c . Por tanto la matriz buscada tiene la
3 3

MATRICES 31
forma siguiente:
§ 5 ·
¨ 3 7 6 ¸
¨ ¸
A ¨ 0 2 3 ¸
¨ 2¸
¨ 0 0 ¸
© 3¹
b.- Para que la matriz A sea triangular inferior, debe resolverse el siguiente sistema
de ecuaciones homogéneo:
a 3b c 0
°
®2 a b c 0
°a bc 0
¯
lo cual implica que a = b = c = 0. Por tanto la matriz buscada tiene la forma
siguiente:
§ 5 ·
¨ 3 0 0 ¸
¨ ¸
A ¨ 1 2 0 ¸ .
¨ 2¸
¨ 0 0 ¸
© 3¹
D E F INI C I O N 1.2.3
Se dice que una matriz T de n x n es estrictamente triangular, si es triangular
superior (inferior) y además posee la diagonal principal nula.
Este tipo de matrices se las puede visualizar a continuación:

§ 0 t12 t13 t1n ·
¨ ¸
¨ 0 0 t2 3 t2 n ¸
T ¨ ¸ , t i j = 0 si i t j;
¨ ¸
¨0 0 0 t n 1 n ¸
¨ ¸
©0 0 0 0 0 ¹
§ 0 0 0 0·
¨ ¸
¨ 21t 0 0 0¸
T ¨ ¸ , t = 0 si i d j.
¨ ¸ ij
¨ t n 11 tn 1 2 t n 13 0¸
¨¨ ¸
© tn 1 tn 2 t n 3 t n n 1 0 ¸¹
EJ E M P L O 1.2.2
Las llamadas matrices de giro de Pauli son
§0 1 · § 0 i · §1 0 ·
S( x ) ¨ ¸ , S( y ) ¨ ¸ , S( z ) ¨ ¸.
©1 0¹ ©i 0¹ © 0 1¹
Demuestre que S(x)S(y) = iS(z), S(y)S(x) = -iS(z), S2(x) = S2(y) = S2(z) = I.
SO L U C I O N
§ 0 1 ·§ 0 i · § i 0 · § 1 0 ·
S( x)S( y) ¨ ¸¨ ¸ ¨ ¸ i¨ ¸ i S( z ) ;
© 1 0 ¹© i 0 ¹ © 0 i ¹ © 0 1¹
§ 0 i ·§ 0 1 · § i 0 · §1 0 ·
S( y)S( x) ¨ ¸¨ ¸ ¨ ¸ i ¨ ¸ i S( z ) ;
© i 0 ¹© 1 0¹ © 0 i ¹ © 0 1¹
§ 0 1 ·§ 0 1 · § 1 0·
S 2 ( x) ¨ ¸¨ ¸ ¨ ¸ I;
© 1 0 ¹© 1 0 ¹ ©0 1¹

32 MATRICES
§ 0 i ·§ 0 i · § i 0 ·
2
§1 0·
S2 ( y) ¨ ¸¨ ¨
¸ ¨ ¸ ¨ ¸ I;
© i 0 ¹© i 0 ¹ © 0 i 2 ¸¹ ©0 1¹
§ 1 0 ·§ 1 0 · § 1 0 ·
S2 ( z ) ¨ ¸¨ ¸ ¨ ¸ I.
© 0 1¹© 0 1¹ © 0 1 ¹
EJ E M P L O 1.2.3
Las matrices M(s), N(t) y P(u) están definidas por
§s 0 ·
§1 0 · §1 u ·
M (s) ¨ ¸
1 ¸ , N (t ) ¨ ¸ , P (u ) ¨ ¸,
¨¨ 0 ¸ © t 1 ¹ © 0 1¹
© s¹
siendo s z 0. Demuestre que la condición necesaria y suficiente para que una matriz
§a b ·
A ¨ ¸,
©c d¹
pueda ponerse en la forma M(s)N(t)P(u) es a z 0 y ad ± bc = 1.
SO L U C I O N
Como A = M(s)N(t)P(u), entonces
§s 0· §s su ·
§a b · ¨ ¸ §1 0 ·§ 1 u · § a b · ¨ ¸
¨ ¸ 1 ¸¨ ¸¨ ¸ ¨ ¸ t tu 1 ¸
©c d ¹ ¨¨ 0 ¸ © t 1 ¹© 0 1 ¹ ©c d ¹ ¨¨ ¸
© s¹ ©s s s¹
a s
°
°b su u b si a z 0
° a
°
® t
° c s t ac
°
° d 1 (tu 1) d 1 § ac b 1· d 1 (cb 1) ad bc 1
°¯ s a ¨© a ¸¹ a
Por lo tanto, a z 0 y ad ± bc = 1.
Se dice que una matriz cuadrada es diagonal si, los triángulos superior e
inferior son nulos.
Es decir:
§ d11 0 0 ·
¨ ¸
¨ 0 d2 2 0 ¸
D ¨ ¸ , di j = 0 si i < j e i > j.
¨ ¸
¨ 0 0 0 d ¸
© n n ¹
Debido a su estructura peculiar, las matrices diagonales también pueden denotarse
como Diag(a11, a22, ..., ann), en la cual debe existir algún elemento no nulo.
T E O R E M A 1.2.3
La adición de dos matrices diagonales es una matriz diagonal.
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), entonces
A + B = Diag(a11, a22, ..., ann) + Diag(b11, b22, ..., bnn)
= Diag(a11 + b11, a22 + b22, ..., ann + bnn).
Lo cual indica que es una matriz diagonal.

MATRICES 33
T E O R E M A 1.2.4
El producto de dos matrices diagonales de igual orden es una matriz diagonal.
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), se tiene entonces que
aij = Gijai = Gijaj y bij = Gijbi = Gijbj,
por tanto, la matriz producto C = AB tiene como elemento general
cij = ai1b1j + ai2b2j «ai kbkj
= Gi1G1jaibj + Gi 2G2jaibj «GikGkjaibj
= Gijaibj.
T E O R E M A 1.2.5
Una matriz diagonal conmuta con todas las matrices diagonales.
Sea A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), matrices diagonales
conocidas, mediante el teorema anterior, tenemos que A B = Diag(a1b1, a2b2, ...,
anbn). Del mismo modo tenemos que B A = Diag(b1a1, b2a2, ..., bnan). Por tanto
A B = B A.
D E F INI C I O N 1.2.5
Se dice que una matriz T = (tij) de orden n, es tridiagonal si al menos un
elemento de la diagonal principal y la paralela situada por encima y por
debajo, es diferente de cero.
De forma general, una matriz de este tipo se expresa como

§ t11 t1 2 0 0 ·
¨ ¸
¨ t2 1 t2 2 t2 3 0 ¸
T ¨ 0 t t3 3 0 ¸¸ .
¨ 32
¨ ¸
¨ ¸
¨ 0 0 0 t n n ¸¹
©
Se dice que una matriz T de orden n es banda si existen enteros p y q, 1 < p,
q < n, con la propiedad de que tij = 0 siempre que i + p d j o j + q d i. El
ancho de banda para una matriz de este tipo se expresa como r = p + q ± 1.
La definición de la matriz banda forzó a estas, a concentrar todos sus elementos no

nulos alrededor de la diagonal principal, es decir
§ t1,1 t1,2 t1,3 0 0 ·
¨ ¸
¨ t2 1 t2 2 t2 3 t2 4 0 ¸
¨t t t3 3 t3 4 0 ¸
T ¨ 31 3 2 ¸.
¨ 0 t4 2 t4 3 t4 4 0 ¸
¨ ¸
¨ ¸
¨ 0 0 0 0 t n n ¸¹
©
Las matrices tridiagonales son un caso particular de las matrices banda.
EJ E M P L O 1.2.4
Sean a y b números tales que a z b. Encuentre todas las matrices A de 2 x 2 tales que
§ a 0 · § a 0·
A¨ ¸ ¨ ¸A .
© 0 b¹ © 0 b¹

34 MATRICES
SO L U C I O N
§x y·
Haciendo que A ¨ ¸ , entonces:
©z u¹
§ x y ·§ a 0· § a 0 ·§ x y · § ax by · § ax ay ·
¨ ¸¨ ¸ ¨ ¸¨ ¸ ¨ ¸ ¨ ¸
© z u ¹© 0 b¹ © 0 b ¹© z u ¹ © az bu ¹ © bz bu ¹
ax ax
°by ay ( a b) y 0 y 0, si a z b
°
®
° az bz ( a b) z 0 z 0, si a z b
°¯ bu bu
Por tanto
§ x 0·
A ¨ ¸.
©0 u¹
EJ E M P L O 1.2.5
Sea D una matriz diagonal de 3 x 3 con los elementos de la diagonal principal
distintos de cero. Encuentre una matriz diagonal E tal que D E = E D = I.
SO L U C I O N
§ a 0 0· § x 0 0·
¨ ¸ ¨ ¸
Sean D ¨ 0 b 0 ¸ y E ¨ 0 y 0 ¸ , entonces:
¨0 0 ç ¨0 0 z¸
© ¹ © ¹
1
° ax 1 x a , az0
§ a 0 0 ·§ x 0 0 · § 1 0 0 · °
¨ ¸¨ ¸ ¨ ¸ ° 1
¨ 0 b 0 ¸¨ 0 y 0 ¸ ¨ 0 1 0 ¸ ®by 1 y , bz0,
¨ 0 0 c ¸¨ 0 0 z ¸ ¨ 0 0 1 ¸ ° b
© ¹© ¹ © ¹ ° 1
° cz 1 z c , cz0
¯
por otro lado tenemos:
1
° xa 1 x a , az0
§ x 0 0 ·§ a 0 0 · § 1 0 0 · °
¨ ¸¨ ¸ ¨ ¸ ° 1
¨ 0 y 0 ¸¨ 0 b 0 ¸ ¨ 0 1 0 ¸ ® yb 1 y , bz0.
¨ 0 0 z ¸¨ 0 0 c ¸ ¨ 0 0 1 ¸ ° b
© ¹© ¹ © ¹ ° 1
° zc 1 z c , cz0
¯
Por lo tanto, la matriz buscada tiene la forma siguiente:
§1 ·
¨ a 0 0¸
¨ ¸
¨ 1
E ¨0 0 ¸¸ .
b
¨ ¸
¨ 0 0 1¸
¨
© c ¸¹
EJ E M P L O 1.2.6
Sean D una matriz diagonal y A una matriz arbitraria m x n:
a.- Si A D está definida. ¿Cuál es la relación entre A y A D?;
b.- Si D A está definida. ¿Cuál es la relación entre A y D A?
SO L U C I O N
a.- Como A es de m x n, entonces D debe ser de n x n, para que A D esté definida y
sea de m x n. Por lo tanto la relación entre las matrices A y A D es que tienen igual
orden, es decir son matrices rectangulares de m x n.
MATRICES 35
b.- Como A es de m x n, entonces D debe ser de m x m, para que D A esté

definida y sea de m x n. Por lo tanto la relación entre las matrices A y D A es que
tienen igual orden, es decir son matrices rectangulares de m x n.
Siguiendo con las hipermatrices, en el caso de matrices cuadradas resulta

necesario, como regla general, dividirlas de manera que las submatrices
diagonales también sean cuadradas. Es fácil ver que, divididas dos matrices
cuadradas en submatrices de manera que las submatrices diagonales sean
cuadradas y que los ordenes de las submatrices diagonales correspondientes
coincidan, esta división satisface tanto las condiciones en las que es posible la
adición submatriz por submatriz, como las condiciones que son necesarias para
poder multiplicarlas como hipermatrices.
Además para poder realizar la multiplicación de una hipermatriz por sí misma es

necesario y suficiente que todas sus submatrices diagonales sean cuadradas. Toda
hipermatriz de tipo
§ A 11 O « O ·
¨ ¸
¨ O A 22 « O ¸
A=
¨ ¸
¨¨ ¸
© O O « A pp ¸¹
donde A 11, A 22« A pp son submatrices cuadradas y O son submatrices nulas de
dimensiones adecuadas, se llama hipermatriz diagonal.
Una hipermatriz cuadrada se denomina hipermatriz triangular si todas sus

submatrices en la diagonal principal, es decir, A 11, A 22, ..., A pp son cuadradas y
todas las submatrices que se encuentran por un lado de la diagonal principal son
nulas. Además podemos decir que si A y B son dos hipermatrices triangulares con
los mismos órdenes de las correspondientes submatrices diagonales y los ceros
por un lado de la diagonal, su producto A B también será una hipermatriz
triangular con los mismos órdenes de las submatrices diagonales y los ceros por el
mismo lado de la diagonal.
PR O B L E M AS
1.2.1 Pruebe con un ejemplo que para multiplicar dos 1.2.5 Encontrar una matriz diagonal A de 3 x 3 que
hipermatrices cuadradas es suficiente que las cumpla lo siguiente:
submatrices diagonales sean cuadradas, con la §1 0 0 · §1 0 0·
particularidad de que los órdenes de las correspondientes 5 ¨ ¸ 3 ¨ ¸
a.- A ¨ 0 1 0 ¸ ; b.- A ¨ 0 10 0 ¸ ;
submatrices diagonales sean iguales entre sí. ¨ 0 0 10 ¸ ¨0 0 1¸
© ¹ © ¹
1.2.2 Demuestre que para multiplicar dos hipermatrices §10 0 0 · §7 0 0·
cuadradas es suficiente que las submatrices diagonales ¨ ¸ ¨ ¸
c.- A 4 ¨ 0 1 0 ¸ ; d.- A 25 ¨ 0 5 0 ¸ .
sean cuadradas, con la particularidad de que los órdenes de ¨ 0 0 1¸ ¨ 0 0 3¸
las correspondientes submatrices sean iguales entre sí. © ¹ © ¹
1.2.3 Una condición necesaria y suficiente para que la 1.2.6 Describa el producto A B si A es una matriz
matriz B de orden n conmute con una matriz diagonal A, diagonal de n x n y B es una matriz de n x n. Si en la
es que B sea una matriz diagonal. ¿Cómo tiene que ser la matriz diagonal A se tiene que a11 = a22 = ... = ann, ¿cómo
matriz diagonal A para que conmute con cualquier matriz cambian los resultados?
B del mismo orden que A?
1.2.7 Pruebe con un ejemplo que para realizar la
1.2.4 Sea D una matriz diagonal de 3 x 3 con los multiplicación por bloques de una hipermatriz por sí
elementos de la diagonal principal distintos de cero. misma es necesario y suficiente que todas sus submatrices
Encuentre una matriz diagonal E tal que D E = E D = I. diagonales sean cuadradas.
36 MATRICES
1.2.8 Demuestre que si A y B son dos matrices 1.2.9 Demuestre que si A y B son matrices diagonales de
hipertriangulares con los mismos órdenes de las n x n, entonces A B = B A.
correspondientes submatrices diagonales y los ceros por un
lado de la diagonal, su producto A B también será una
matriz hipertriangular con los mismos órdenes de las
submatrices diagonales y los ceros por el mismo lado de la
diagonal.
1.3 M A T RI Z T R A NSPU EST A
En esta sección se introduce la terminología básica y se define la matriz transpuesta, analizamos sus casos
particulares si la matriz es cuadrada, enunciamos sus correspondientes propiedades.
Sea A cualquier matriz. Considérese la matriz a partir de A intercambiando filas y

columnas, de manera que la primera columna de A se convierta en la nueva fila de
la nueva matriz, la segunda columna se convierta en la segunda fila, etc. La matriz
obtenida a partir de A intercambiando filas y columnas de este modo se denomina
transpuesta de la matriz A.
D E F I N I C I O N 1.3.1
Sea A = (a ij) una matriz de n x m. Mediante la transposición se obtiene una
nueva matriz de m x n, representada por A T = (aji) cuyos elementos se
obtienen intercambiando filas por columnas.
La transpuesta de una matriz es una aplicación de (n x m) en (m x n), determinada

mediante la regla de formación
f : (n x m) o (m x n)
A o AT
(aij) o (a ij)T = (aji), para todo i, j .
Es decir, mediante la transposición se intercambian las filas de la matriz original por

sus columnas.
A continuación, damos algunas de las propiedades más importantes de la transpuesta

de una matriz.
T E O R E M A 1.3.1
Para toda matriz A = (a ij), se cumple que (A T)T = A.
Sea A = (a ij) una matriz cualquiera, entonces
(A T)T = ((a ij)T)T
= (a ji)T
= (a ij)
= A.
T E O R E M A 1.3.2
Para toda matriz A = (a ij) y para todo número k, se cumple que (k A)T = k A T.
Sea A = (a ij) una matriz cualquiera y sea k un número, entonces
(k A)T = (k(aij))T
= (ka ij)T
= (ka ji)
= k(a ji)
= k A T.

MATRICES 37
T E O R E M A 1.3.3
Para todo par de matrices A = (a ij) y B = (bij), se cumple que
(A + B)T = A T + B T.
Sean A= (a ij) y B = (bij) matrices de igual orden, entonces:
(A + B)T = (a ij + bij)T
= (c ij)T
= (c ji)
= (a ji + bji)
= (a ji) + (bji)
= A T + B T.
T E O R E M A 1.3.4
Para todo par de matrices A = (a ij) y B = (bij), compatibles para el producto,
se cumple
(A B)T = B T A T.
Sean A = (a ij) de n x k y B = (bij) de k x m. Entonces A B es de n x m y (A B)T es de m
x n. B T es de m x k y A T es de k x n, así que B T A T también es de m x n. Para probar
que (A B)T = B T A T, debemos ver que el elemento (i, j) de (A B)T es igual al elemento
(i, j) de B T A T. Escribimos A T = (aíj) y B T = (bíj). Notemos que aíj = a ji y bíj = bji. El
elemento (i, j) de B T A T es
k k k
¦ bít a´tj ¦ bti a jt ¦ a jt bti
t 1 t 1 t 1
y la última suma es exactamente el elemento (j, i) de A B. Pero éste es el elemento
(i, j) de (A B)T. Así pues, los elementos (i, j) de B T A T y de (A B)T son lo mismo; por
lo tanto, B T A T = (A B)T.
EJ E M P L O 1.3.1
Si A conmuta con B, demuestre que A T conmuta con B T.
SO L U C I O N
Siendo A B = B A, debemos probar que A T B T = B T A T. Es decir:
A T B T = (B A)T = (A B)T = B T A T.
EJ E M P L O 1.3.2
Suponga que A es n x n y X es n x 1. Demuestre que X T A X es de 1 x 1. Si X = B Y,
demuestre que X T A X = Y T(B T A B)Y.
SO L U C I O N
Conocemos que A es de n x n y X es de n x 1. Entonces X T A X es (1 x n)(n x n)(n x
1) = 1 x 1. Como X = B Y entonces
X T A X = (B Y)T A(B Y) = (Y T B T)A(B Y) = Y T(B T A B)Y.
% TRANSPUESTA DE UNA MATRIZ

clc;;clear;;
fprintf('\n TRANSPUESTA DE UNA MATRIZ \n')
fil=input('Ingrese el numero de filas: ');;
col=input('Ingrese el numero de columnas: ');;
for f=1:fil
for c=1:col
end
end
A
end

38 MATRICES

B=A.'
end
Una matriz cuadrada A se denomina simétrica, si se cumple que esta matriz
es igual a su transpuesta, es decir: A = A T.
Es claro que una matriz simétrica debe ser cuadrada; es simétrica con respecto a la
diagonal principal, es decir que, una reflexión en la diagonal principal deja a la
matriz sin cambio. Una matriz simétrica de n x n no tiene sus n2 elementos arbitrarios
puesto que a ij = a ji, ambos uno encima y otro debajo de la diagonal principal.
n2 n
El número de elementos de arriba de la diagonal principal es . Los elementos
2
de la diagonal son también arbitrarios. Entonces, el número total de elementos
n2 n n(n 1)
arbitrarios en una matriz simétrica de n x n es n .
2 2
EJ E M P L O 1.3.3
Dadas dos matrices simétricas A, B de orden n. ¿Cuándo es el producto A B
simétrico?
SO L U C I O N
Si A = A T y B = B T, entonces A B = (A B)T = B T A T = B A. Por lo tanto el producto A B
es simétrico, cuando es conmutativo, es decir A B = B A.
T E O R E M A 1.3.5
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
simétrica S mediante A + A T.
Como A es una matriz cuadrada y S = A + A T, entonces debemos probar que ST = S.
Es decir
ST = (A + A T)T
= A T + (A T)T
= AT + A
= A + AT
= S.
EJ E M P L O 1.3.4
Si A y B son matrices reales arbitrarias de n x n y A es simétrica, entonces B T A B es
simétrica.
SO L U C I O N
Debemos probar que (B T A B)T = B T A B, conociendo que A = A T:
(B T A B)T = B T A T(B T)T = B T A T B = B T A B.
EJ E M P L O 1.3.5
Dadas las matrices n x n simétricas A y B, entonces A + B es simétrica.
SO L U C I O N
Si A = A T y B = B T, entonces debemos probar que (A + B)T = A + B:
(A + B)T = A T + B T = A + B.
EJ E M P L O 1.3.6
Si A y B son matrices reales arbitrarias de n x n, entonces A B T + B A T es simétrica.
SO L U C I O N
Debemos probar que (A B T + B A T)T = A B T + B A T. Es decir:

MATRICES 39
T T T T T T T
(A B + B A ) = (A B ) + (B A )
= (B T)T A T + (A T)T B T
= B A T + A BT
= A B T + B A T.
EJ E M P L O 1.3.7
Para cualquier matriz A muestre que los productos A A T y A T A están definidos y son
matrices simétricas.
SO L U C I O N
Si A es n x m, entonces A T es m x n. Por lo tanto A A T es n x n, A T A es m x m y los
productos están definidos. Además debemos probar que A A T = (A A T)T y A T A =
(A T A)T:
(A A T)T = (A T)T A T = A A T y (A T A)T = A T(A T)T = A T A.
EJ E M P L O 1.3.8
Dada la matriz
§ a a b a c ·
¨ ¸
A ä b b 2a b ¸ .
¨bc b c c ¸¹
©
Encuentre una matriz S simétrica.
SO L U C I O N
Sabemos que S es simétrica si se cumple que S = A + A T. Es decir:
§ a a b a c · § a a b b c·
T ¨ ¸ ¨ ¸
S= A+A ä b b 2a b ¸ ¨ a b b bç
¨b c b c c ¸¹ ¨© a c 2a b c ¸¹
©
§ 2a 2a a b 2c ·
¨ ¸
¨ 2a 2b 2 a 2b c ¸ .
¨ a b 2c 2 a 2b c 2c ¸
© ¹
% CALCULO DE UNA MATRIZ SIMETRICA

clc;;clear;;
fprintf('\n MATRIZ SIMETRICA MEDIANTE: A+At\n')
filcol=input('Ingrese el numero de filas y columnas: ');;
for f=1:filcol
for c=1:filcol
end
end
A
end
fprintf(' LA MATRIZ TRANSPUESTA B ES:\n')
B=A.'
end
fprintf(' LA MATRIZ SIMETRICA S ES:\n')
S=A+A.'
end

% CALCULO DE UNA MATRIZ SIMETRICA
clc;;clear;;
fprintf('\n MATRIZ SIMETRICA MEDIANTE: S=A*At y Q=At*A \n')

40 MATRICES

for f=1:fil
for c=1:col
end
end
A
end
B=A.'
end
fprintf(' LA MATRIZ SIMETRICA S ES:\n')
S=A*A.'
end
fprintf(' LA MATRIZ SIMETRICA Q ES:\n')
Q=A.'*A
end
Una matriz cuadrada A se llama antisimétrica, si se cumple que esta matriz
es igual al opuesto de la transpuesta, es decir: A = -A T.
Una matriz antisimétrica es también una matriz cuadrada, y a ij = - a ji. Luego, los
elementos de la diagonal principal son cero, a ii = 0, y el número de elementos
n(n 1)
arbitrarios en una matriz antisimétrica de n x n es . Los elementos simétricos
2
respecto de la diagonal principal coinciden en una matriz simétrica y son opuestos en
una matriz antisimétrica.
EJ E M P L O 1.3.9
Sean A y B dos matrices antisimétricas de orden n. Demuestre que A B es
antisimétrica si y sólo si B A = -A B. ¿Cuándo es simétrico el producto de dos
matrices antisimétricas?
SO L U C I O N
Como A y B son dos matrices antisimétricas, entonces: A = -A T; B = -B T y B A = -
A B. Debemos probar que (A B)T = - (A B).
(A B)T = B T A T = (- B)(- A) = B A = - (A B).
Además, dado A = - A T; B = - B T y A B = - (A B)T. Debemos probar que A B = - B A.
A B = - (A B)T = - (B T A T) = - (- B)(- A) = - (B A).
Dado A = - A y B = - B T, debemos encontrar una condición para que (A B)T = A B.
T
(A B)T = B T A T = (- B)(- A) = B A.
Por lo tanto, para que el producto de dos matrices antisimétricas sea simétrico es
necesario que B A = A B.
T E O R E M A 1.3.6
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
antisimétrica R mediante A - A T.
Como A es una matriz cuadrada y R = A - A T, entonces debemos probar que R T = R.
Es decir
R T = (A - A T)T
= A T - (A T)T
= AT ± A
= - (A - A T)
= R.

MATRICES 41
T E O R E M A 1.3.7
Una matriz cuadrada A puede expresarse como la adición de una matriz
simétrica S y una matriz antisimétrica B.
Sea S = ½ (A + A T) y B = ½ (A - A T), sumando las matrices S y B, obtenemos:
A =S+B
= ½ (A + A T) + ½ (A - A T)
= ½ A + ½ AT + ½ A - ½ AT
= A.
EJ E M P L O 1.3.10
Dada la matriz
§ a a b a c ·
¨ ¸
A = ä b b 2a b ¸ .
¨bc b c c ¸¹
©
Encuentre una matriz R antisimétrica.
SO L U C I O N
Sabemos que R es antisimétrica si se cumple que R = A - A T. Es decir:
§ a a b a c · § a a b b c·
¨ ¸ ¨
R A-A T
ä b b 2a b ¸ ¨ a b b b c ¸¸
¨b c b c c ¸¹ ¨© a c 2a b c ¸¹
©
§ 0 2b a b ·
¨
¨ 2b 0 2 a c ¸¸ .
¨ a b 2 a c 0 ¸¹
©
EJ E M P L O 1.3.11
Dada una matriz simétrica A y una matriz antisimétrica B, ambas del mismo orden,
demuestre que si A y B conmutan, A B es antisimétrica.
SO L U C I O N
Si A = A T; B = - B T y A B = B A, entonces debemos probar que (A B)T = A B.
(A B)T = B T A T = (- B)(A) = - (B A) = - (A B).
EJ E M P L O 1.3.12
Si A y B son matrices antisimétricas, pruebe que A(A B + B A) ± (A B + B A)A es
simétrica.
SO L U C I O N
Sabemos que A T = -A, B T = -B y S = A(A B + B A) ± (A B + B A)A = A 2 B ± B A 2. Por
lo tanto, tenemos que mostrar que ST = S; es decir
ST = (A 2 B ± B A 2)T
= (A 2 B)T ± (B A 2)T
= B T(A T)2 ± (A T)2 B T
= (-B)(-A)2 ± (-A)2(-B)
= -B A 2 + A 2 B
= A 2B ± B A 2
= S.
De esta manera queda demostrado que A(A B + B A) ± (A B + B A)A es simétrica.
EJ E M P L O 1.3.13
Sea A una matriz antisimétrica. Demostrar que A 2n es una matriz simétrica y A 2n+1 es
una matriz antisimétrica.
SO L U C I O N
Por demostrar que A 2n = (A 2n)T, conociendo que A T = -A.
n = 1: A 2 = (A 2)T

42 MATRICES
(A 2)T = (A A)T = ((-A T)(-A T))T = (A T A T)T = ((A 2)T)T = A 2.

n = k: A = (A 2k)T. Hipótesis inductiva.
2k
n = k + 1: A 2k+2 = (A 2k+2)T
(A 2k+2)T = (A 2k A 2)T = (A 2)T(A 2k)T = A 2 A 2k = A 2k+2.
Por demostrar que A 2n+1 = -(A 2n+1)T, conociendo que A T = -A.
n = 1: A 3 = -(A 3)T
- (A 3)T = - (A A A)T = - ((-A T)(-A T)(-A T))T = ((A 3)T)T = A 3.
n = k: A = -(A 2k+1)T. Hipótesis inductiva.
2k+1
n = k + 1: A 2k+3 = -(A 2k+3)T

- (A 2k+3)T = - (A 2k+1 A 2)T = - (A 2)T(A 2k+1)T = - (A A)T(-A 2k+1) = - ((-A T)(-A T)T(-A 2k+1)
= - ((A 2)T)T(-A 2k+1) = (-A 2)(-A 2k+1) = A 2k+3.
% CALCULO DE UNA MATRIZ ANTISIMETRICA

clc;;clear;;
fprintf('\n MATRIZ ANTISIMETRICA MEDIANTE: A-At \n')
for f=1:filcol
for c=1:filcol
end
end
A
end
B=A.'
end
fprintf(' LA MATRIZ ANTISIMETRICA R ES:\n')
R=A-A.'
end
PR O B L E M AS
1.3.1 De ser posible, encuentre matrices de 2 x 2 tales que 1.3.6 Comprobar si existe alguna matriz A de 3 x 2 tal
A T A = A A T. que A T A = I.
1.3.2 Si A es una matriz de n x n y X es la matriz de 1 x 1.3.7 Demuestre que si A T A = A, entonces A es simé-

n, compruebe que trica y A = A 2.
n
X A XT ¦ aii xi2 ¦ aij xi x j . 1.3.8 Dada la matriz
i 1 iz j
§ 2 1 3i 1 4i ·
¨ ¸
1.3.3 Si A A T = I y B B T = I, demuestre que A ¨ 6 2i 1 3 i ¸ .
(A B)(A B)T = I. ¨ ¸
© 1 6 3 S S ¹
a.- Exprésese la matriz A como suma de una matriz
1.3.4 Demuestre que una matriz simétrica de n x n tiene,
simétrica y otra antisimétrica.
n(n 1)
en general, elementos distintos y una b.- Hallar dos matrices simétricas diferentes a la del
2 apartado a).
n(n 1)
antisimétrica elementos distintos.
2 1.3.9 Encuentre todas las matrices reales A de 3 x 3 para
las cuales A T A = O.
1.3.5 Sea A una matriz de n x n. Determine si A es
simétrica con la siguiente condición: 1.3.10 Demuestre que si una matriz A de n x n satisface
a.- aij = i2 + j2; b.- a ij = i2 ± j2; la ecuación A 3 + 4A 2 ± 2A + 7I, entonces A T también la
c.- a ij = 2i ± 2j; d.- a ij = 2i2 + 2j3. satisface.

MATRICES 43
1.3.11 De ser posible, encuentre todos los valores de a , 1.3.13 Encuentre matrices antisimétricas A y B de 3 x 3,
b y c para los cuales A es simétrica: que satisfagan la condición A B = -B A.
§ 3 3a b 5c a 4b 2c ·
¨
A ¨1 4 a b c ¸¸ . 1.3.14 Dadas las matrices
¨1 ¸ § 2 4 6· § 0 0 0·
© 1 5 ¹ ¨ ¸ ¨ ¸
A + B ¨2 3 9¸ , A + AT ¨0 0 0¸ ,
¨7 1 7¸ ¨ 0 0 0¸
1.3.12 Dadas las matrices siguientes: © ¹ © ¹
§ 1 2 i 3i · § 0 0 0·
¨ ¸ § 4 3 i · ¨ ¸
A ¨ 1 3 0¸, B ¨ ¸, B - BT ¨0 0 0¸ .
¨ 1 i 2 2i 2i ¸ © i 2 1 3i ¹ ¨ 0 0 0¸
© ¹ © ¹
§ i 2 · § 1 2 3 · Hállense A y B.
¨ ¸ ¨ ¸
C ¨ 4 6¸ , D ¨ 6 8 4i¸.
¨ 3 i ¸ ¨1 3i i 1.3.15 Si A es una matriz simétrica, demuestre que
© ¹ © i ¸¹ 2A 2 ± 3ª + I es simétrica.
Determine las siguientes operaciones:
a.- (3D T ± B T C T)T; b.- B(A ± D)T C;
c.- A(B T B ± C C T).
1.4 M A T RI Z T R A NSPU EST A - C O NJU G A D A
En esta sección se introduce la terminología básica y se definen las matrices conjugadas y transpuesta -
conjugada, analiza mos sus casos particulares si la matriz es cuadrada, enuncia mos sus correspondientes
propiedades.
Mediante la conjugación, una matriz cualquiera A se transforma en una
nueva matriz, representada por A , cuyos elementos se construyen mediante
la regla
f :AoA
( aij ) o ( aij ) ( aij ) i, j .
Mediante la conjugación se cambian los signos de la parte imaginaria de A. Es decir:

Re A = Re A y Im A = -Im A .
Como casos particulares pueden encontrarse matrices tales que A = A , entonces
Im A = 0 , y la matriz A en este caso recibe el nombre de matriz real. Por el
contrario, si Re A = 0 , entonces A = A y, a la matriz A se le da el nombre de
matriz imaginaria pura. En este último caso la matriz A es expresable como el
producto de la unidad imaginaria, considerada como un escalar, por una matriz real.
Toda matriz puede ser expresada en la forma A = B + i C, en la cual B y C son
matrices reales, e i es la unidad imaginaria.
La conjugada de la matriz
§ 2 1 i 5 · § 2 1 i 5 ·
A ¨ ¸ es A ¨ ¸.
© 1 4 4 3i ¹ © 1 4 4 3i ¹
T E O R E M A 1.4.1
Para toda matriz A = (a ij), se cumple que A = A .
Si A es una matriz, entonces
44 MATRICES
A = ( aij ) ( aij ) ( a ji ) A.
T E O R E M A 1.4.2
Para toda matriz A = (a ij) y para todo número k, se cumple que ( k A ) k A .
Dada A una matriz y k un número complejo, entonces
( k A ) ( k ( aij )) ( kaij ) ( k aij ) k ( aij ) k A .
T E O R E M A 1.4.3
Para todo par de matrices A = (a ij) y B = (bij) de n x m, se cumple que
A+B= A+B .
Dadas A y B dos matrices compatibles para la suma, entonces
A + B = ( aij + bij ) (cij ) (cij ) ( aij bij ) ( aij ) (bij ) A + B .
T E O R E M A 1.4.4
Para todo par de matrices A = (a ik) y B = (bkj) compatibles para el producto,
se cumple A B = A B .
Dadas A y B dos matrices compatibles para el producto, entonces
§ · § ·
A B = ¨ ¦ aik bkj ¸ (cij ) (cij ) ¨ ¦ aik bkj ¸ AB .
© k ¹ © k ¹
% CONJUGADA DE UNA MATRIZ

clc;;clear;;
fprintf('\n CONJUGADA DE UNA MATRIZ \n')
for f=1:fil
for c=1:col
end
end
A
end
fprintf(' LA MATRIZ CONJUGADA B ES:\n')
B=conj(A)
end
La aplicación sucesiva y de orden indistinto de la conjugación y la
transposición sobre una matriz A se representa por A +. La nueva matriz
recibe el nombre de matriz conjugada - transpuesta de A y se nota de la
siguiente manera:
A + = ( A )T = A T .
La transpuesta - conjugada de la matriz

§ 2 1 ·
§ 2 1 i 5 · ¨ ¸
A ¨ ¸ es A ¨ 1 i 4 ¸.
© 1 4 4 3i ¹ ¨ 5 4 3i ¸
© ¹
MATRICES 45
T E O R E M A 1.4.5
Para toda matriz arbitraria A, se cumple que (A +)+ = A.
Dada una matriz A arbitraria, entonces
( A + )+ = (( A T ))T (( A T )T ) = ( A ) = A .
T E O R E M A 1.4.6
Para toda matriz arbitraria A y para todo número k, se cumple que
( k A ) k A .
Dada la matriz A arbitraria y k un número complejo, entonces
( k A ) + = ( k A )T = ( k A T ) = k ( A T ) = k A + .
T E O R E M A 1.4.7
Para todo par de matrices A y B de n x m, se cumple que (A + B)+ = A + + B +.
( A + B ) + = ( A + B )T = ( A T + B T ) = ( A T ) + ( B T ) = A + + B + .
T E O R E M A 1.4.8
Para todo par de matrices A y B compatibles para el producto, se cumple
(A B)+ = B + A +.
( A B )+ = ( A B )T = ( B T A T ) = ( B T )( A T ) = B + A + .
EJ E M P L O 1.4.1
Demostrar que si las matrices A y B son conmutables, lo son también las matrices A +
y B +.
SO L U C I O N
Si A B = B A, entonces debemos demostrar que A + B + = B + A +. Es decir:
A + B + = (B A)+ = (A B)+ = B + A +.
Con lo cual se verifica que A + y B + son conmutables.
EJ E M P L O 1.4.2
Demuestre que si A es una matriz compleja y A + A = O, entonces A = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O.
% MATRIZ TRANSPUESTA-CONJUGADA
clc;;clear;;
fprintf('\n MATRIZ TRANSPUESTA-CONJUGADA \n')
for f=1:fil
for c=1:col
end
end
A
end
46 MATRICES
fprintf(' LA MATRIZ CONJUGADA B ES:\n')

B=conj(A)
end
fprintf(' LA MATRIZ TRANSPUESTA-CONJUGADA C ES:\n')
C=B.'
end
Matrices hermíticas, son las matrices para las cuales la transpuesta
conjugada es igual a la matriz original. Es decir:
A + = A.
A nivel de sus elementos se tiene:

( aij ) ( a ji ) , i, j ,
luego,
( aii ) ( aii ) , i
y, por tanto,
Im aii 0 , i .
E J E M P L O 1.4.3
Si A es una matriz de m x n con elementos complejos, entonces:
a.- A A + es hermítica; b.- A + A es hermítica.
SO L U C I O N
a.- Tenemos que probar que (A A +)+ = A A +. Es decir
(A A +)+ = (A +)+ A + = A A +.
b.- Tenemos que probar que (A + A)+ = A + A. Es decir
(A + A)+ = A +(A +)+ = A + A.
E J E M P L O 1.4.4
Dada A arbitraria, demuéstrese:
a.- (A A + - A + A) es hermítico; b.- (A A + + A + A) es hermítico.
SO L U C I O N
a.- Por demostrar que (A A + - A + A) = (A A + - A + A)+. Es decir:
(A A + - A + A)+ = (A A +)+ - (A + A)+ = (A +)+ A + - A +(A +)+ = A A + - A + A.
b.- Por demostrar que (A A + + A + A) = (A A + + A + A)+. Es decir:
(A A + + A + A)+ = (A A +)+ + (A + A)+ = (A +)+ A + + A +(A +)+ = A A + + A + A.
E J E M P L O 1.4.5
Toda matriz real y simétrica es hermítica.
SO L U C I O N
Sea A esta matriz, entonces, A T = A y A = A , luego:
A + = ( A )T = A T = A .
E J E M P L O 1.4.6
La condición necesaria y suficiente para que el producto de dos matrices hermíticas
A y B sea hermítico es que A B = B A.
SO L U C I O N
Se sabe que A + = A y B + = B, entonces:
i.- Supóngase que A B = B A, pero,
A B = B A = B + A + = (A B)+
y por lo tanto el producto es hermítico.
ii.- Supóngase que A B = (A B)+, entonces:
A B = (A B)+ = B + A + = B A
y por tanto, A B = B A.

MATRICES 47
EJ E M P L O 1.4.7
Sea A = B + i C la descomposición hermítica de una matriz A. Hallar la descomposi-
ción hermítica de la matriz A +.
SO L U C I O N
Para que B + i C sea la descomposición hermítica de la matriz A, entonces, B es real
y simétrica, y C es real y antisimétrica. Por tanto, para la descomposición hermítica
de A +, las matrices B y C deben cumplir las mismas condiciones y (A +)+ = A.
E J E M P L O 1.4.8
Si A es una matriz arbitraria de n x n con elementos complejos, entonces:
a.- A + A + es hermítica; b.- A - A + es antihermítica.
SO L U C I O N
a.- Tenemos que probar que (A + A +)+ = A + A +.
(A + A +)+ = A + + (A +)+ = A + + A = A + A +.
b.- Tenemos que probar que (A - A +)+ = - (A - A +).
(A - A +)+ = A + - (A +)+ = A + - A = - (A - A +).
EJ E M P L O 1.4.9
Demuestre que si A es hermítica y A = O, entonces A 2 = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O A A = O A 2 = O.
E J E M P L O 1.4.10
Pruébese que toda matriz hermítica A puede escribirse como A = B + i C, siendo B
real y simétrica y C real y antisimétrica.
SO L U C I O N
Debemos probar que A + = A:
A + = (B + i C)+ = B + + (i C)+ = B + + i C + = B T - i C T = B ± i(-C) = B + i C = A.
% CALCULO DE UNA MATRIZ HERMITICA

clc;;clear;;
fprintf('\n MATRIZ HERMITICA MEDIANTE: H=A+A+\n')
for f=1:filcol
for c=1:filcol
end
end
A
end
B=A'
end
fprintf(' LA MATRIZ HERMITICA H ES:\n')
H=A+A'
end

% CALCULO DE UNA MATRIZ HERMITICA
clc;;clear;;
fprintf('\n MATRIZ HERMITICA MEDIANTE: H=A*A+ y P=A+*A \n')
for f=1:fil
for c=1:col

48 MATRICES

end
end
A
end
B=A'
end
fprintf(' LA MATRIZ HERMITICA H ES:\n')
H=A*A'
end
fprintf(' LA MATRIZ HERMITICA P ES:\n')
P=A'*A
end
Matrices antihermíticas, son aquellas para las cuales la transpuesta
conjugada es igual al opuesto de la matriz original. Es decir:
A + = - A.
Sus elementos cumplirán, por tanto,

( aij ) ( a ji ) , i, j ,
entonces,
( aii ) ( aii ) , i ,
y se cumple
Re aii 0 , i .
EJ E M P L O 1.4.11
La condición necesaria y suficiente para que el producto de dos matrices
antihermíticas A y B sea hermítico es A B = B A.
SO L U C I O N
Se sabe que A + = -A y B + = -B, entonces:
i.- Sea A B = B A, entonces:
A B = B A = (-B)(-A) = B + A + = (A B)+
y por tanto el producto es hermítico.
ii.- Sea A B = (A B)+, entonces:
A B = (A B)+ = B + A + = (-B)(-A) = B A,
y por tanto, A B = B A.
EJ E M P L O 1.4.12
Toda matriz compleja se puede escribir como suma de una matriz real y una matriz
imaginaria; es decir, si C es compleja, entonces C = A + i B donde A y B son matri-
ces reales. Demuestre que C es hermítica si y sólo si A es simétrica y B es antisimé-
trica. Pruebe que C es antihermítica si y sólo si A es antisimétrica y B es simétrica.
SO L U C I O N
a) Como C = A + i B con A y B matrices reales, A es simétrica y B es antisimé-
trica, debemos demostrar que C + = C. Es decir:
C + = (A + i B)+ = A + ± i B + = A ± i(-B) = A + i B = C.
Como C = A + i B con A y B matrices reales y C + = C, debemos demostrar que
A es simétrica y B es antisimétrica. Es decir:
C + = (A + i B)+ = A + ± i B + = A T ± i B T
para que C = C, A debe ser simétrica A T = A y B debe ser antisimétrica B T = -B.
+
b) Como C = A + i B con A y B matrices reales, A es antisimétrica y B es simé-

trica, debemos demostrar que C + = -C. Es decir:

MATRICES 49
+ + + +
C = (A + i B) = A ± i B = (-A) ± i B = -(A + i B) = -C.
Como C = A + i B con A y B matrices reales y C + = -C, debemos demostrar que
A es antisimétrica y B es simétrica. Es decir:
C + = (A + i B)+ = A + ± i B + = A T ± i B T
para que C = C, A debe ser antisimétrica A T = -A y B debe ser simétrica B T = B.
+
EJ E M P L O 1.4.13
Sean A y B matrices antihermíticas. ¿En qué condiciones es C = m A + n B una
matriz antihermítica?
SO L U C I O N
Debemos probar que C + = -C, bajo ciertas condiciones:
C + = (m A + n B ) + = (m A ) + + ( n B ) +
+ +
°m A + n B = -(m A + n B ) = - C , si m, n
=®
+ +
°̄ m A + nB = -(m A + nB ) z - C , si m, n
Es decir C + = -C si m y n son números reales.
EJ E M P L O 1.4.14
Exprese la matriz A como suma de una matriz hermítica y una antihermítica.
§2 i i 1 2i ·
¨ ¸
A = ¨ 1 i 2 2 2i ¸ .
¨ 3 1 i 2 2i ¸
© ¹
SO L U C I O N
Una matriz hermítica es S = ½ (A + A +), es decir:
ª§ 2 i i 1 2i · § 2 i 1 i 3 ·º § 4 1 2i 4 2i ·
1 «¨ ¸ ¨ ¸» 1 ¨ ¸
S 1 i 2 2 2 i i 2 1 i 1 2 i 4 3 3i ¸ .
2 «¨¨ ¸ ¨ ¸» 2 ¨
«© 3 1 i 2 2i ¸¹ ¨©1 2i 2 2i 2 2i ¸¹ » ¨ 4 2i 3 3i
© 4 ¸¹
¬ ¼
Una matriz antihermítica es R = ½ (A + - A), es decir:
ª§ 2 i 1 i 3 · §2 i i 1 2i · º § 2i 1 2 2i ·
1 «¨ ¸ ¨ ¸» 1¨ ¸
R i 2 1 i ¸ ¨ 1 i 2 2 2i ¸ » 1 0 1 i ¸ .
2 «¨¨ 2 ¨¨
«©1 2i 2 2i 2 2i ¸¹ ¨© 3 1 i 2 2i ¸¹ » © 2 2i 1 i 4i ¹
¸
¬ ¼
Comprobación: A = S - R.
ª§ 4 1 2i 4 2i · § 2i 1 2 2i · º §2 i i 1 2i ·
1 «¨ ¸ ¨ ¸» ¨ ¸
A « ¨ 1 2i 4 3 3i ¸ ¨ 1 0 1 i ¸ » ¨ 1 i 2 2 2i ¸ .
2 ¨
«© 4 2i 3 3i
¬ 4 ¸¹ ¨© 2 2i 1 i 4i ¸¹ »¼ ¨ 3 1 i 2 2i ¸
© ¹
% CALCULO DE UNA MATRIZ ANTIHERMITICA

clc;;clear;;
fprintf('\n MATRIZ ANTIHERMITICA MEDIANTE: A-A+ \n')
for f=1:filcol
for c=1:filcol
end
end
A
end
fprintf(' LA MATRIZ TRANSPUESTA-CONJUGADA B ES:\n')
B=A'
end

50 MATRICES
fprintf(' LA MATRIZ ANTIHERMITICA H ES:\n')

H=A-A'
end
Una matriz A de n x n para la cual el producto con su transpuesta conjugada
es conmutativo, se denomina normal. Es decir:
A + A = A A +.
EJ E M P L O 1.4.15
Sean D, F y G matrices diagonales de n x n en las que los elementos de las diagona-
les principales sean respectivamente números reales, imaginarios puros y complejos
de módulo 1. Si U es una matriz unitaria n x n, demuéstrese que las matrices U + DU,
U + F U y U + G U son respectivamente hermítica, antihermítica y unitaria.
SO L U C I O N
a.- Como D es una matriz diagonal real y UU + = U + U = I, entonces debemos probar
que U + DU es una matriz hermítica. Es decir:
(U + DU)+ = U + D +(U +)+ = U + D + U = U + DU;
b.- Como F es una matriz diagonal imaginaria y UU + = U + U = I, entonces debemos
probar que U + F U es una matriz antihermítica. Es decir:
(U + F U)+ = U + F +(U +)+ = U + F + U = U +(-F)U = -(U + F U);
c.- Como G es una matriz diagonal compleja de módulo 1 y UU + = U + U = I, enton-
ces debemos probar que U + G U es una matriz unitaria. Es decir:
(U + G U)+(U + G U) = U + G +(U +)+U + G U = U + G + UU + G U = U + G + I G U
= U + G + G U = U + IU = U + U = I.
(U G U)(U G U) = U + G UU + G +(U +)+ = U + G UU + G + U = U + G I G + U
+ + +
= U + G G + U = U + IU = U + U = I.
E J E M P L O 1.4.16
Demuestre que una matriz real antisimétrica es normal.
SO L U C I O N
Para que una matriz sea real y antisimétrica, debe cumplir que A = A y A T = -A.
Debemos probar que esta matriz es normal, es decir
A A + = A ( A )T = A A T = A (- A ) = - A 2 = (- A ) A = A T A = ( A )T A = A + A .
Por tanto se cumple que A A + = A + A y la matriz A es normal.
EJ E M P L O 1.4.17
Demuestre que una matriz antihermítica es normal.
SO L U C I O N
Como A + = -A, hay que demostrar que A + A = A A +. Es decir:
A + A = (-A)A = A(-A) = A A +.
Con lo cual queda probado que una matriz antihermítica es normal.
EJ E M P L O 1.4.18
Sean A y B matrices normales y A B = O. ¿Resulta de esto que B A = O?
SO L U C I O N
Como A + A - A A + = O, B + B - B B + = O y A B = O, entonces:
(A + A - A A +)(B + B - BB +) = O
A A B B ± A + A B B + ± A A + B + B + A A +B B + = O
+ +
A + A B B + ± A + A B B + ± A + A BB + + A + A B B + = O
A O B + ± A + O B + ± A + O B + + A + O B + = O O = O.
+
Por lo tanto, no es condición que B A = O.
EJ E M P L O 1.4.19
Demuestre que si C = A + i B donde A y B son matrices reales y simétricas, entonces
C es normal si y sólo si A y B conmutan.
MATRICES 51
SO L U C I O N
Como C = A + i B con A y B son matrices reales y simétricas y C C + = C + C,
entonces debemos probar que A B = B A. Es decir:
(A + i B)(A + i B)+ = (A + i B)+(A + i B)
(A + i B)(A + ± i B +) = (A + ± i B +)(A + i B)
(A + i B)(A ± i B) = (A ± i B)(A + i B)
A 2 ± i A B + i B A + B2 = A2 + i A B ± iB A + B2
-i A B + i B A = i A B ± i B A 2i B A = 2i A B A B = B A.
Como C = A + i B con A y B son matrices reales y simétricas y A B = B A, en-
tonces debemos probar que C C + = C + C. Es decir:
C C + = (A + i B)(A + i B)+
= (A + i B)(A + ± i B +)
= (A + i B)(A ± i B)
= A 2 ± i A B + iB A + B2
= A 2 ± iB A + i A B + B2
= (A ± i B)A + (A ± i B)I b
= (A ± i B)(A + i B)
= (A + ± i B +)(A + i B)
= (A + i B)+(A + i B)
= C + C.
EJ E M P L O 1.4.20
Demostrar que una matriz A es una matriz normal si, y sólo si, las matrices B y C de
su descomposición hermítica A = B + i C son conmutables.
SO L U C I O N
Debemos probar que A + A = A A +. Es decir:
A + A = (B + i C)+(B + i C)
= (B + - i C +)(B + i C)
= B +B + i B + C ± i C + B + C + C
= BB + - i B C + + i C B + + C C +
= (B + i C)(B + - i C +)
= (B + i C)(B + i C)+
= A A +.
EJ E M P L O 1.4.21
Sea A = B + i C una matriz normal compleja de n x n. Demostrar que la matriz D real
de 2n x 2n
§ B -C ·
D=¨ ¸
©C B ¹
es también normal.
SO L U C I O N
Si A es una matriz normal, entonces las matrices B y C de la descomposición hermí-
tica A = B + i C son conmutables. Por lo tanto:
+
§ B -C · § B -C · § B C · § B -C · § BB + CC -BC + CB ·
D+ D = ¨ ¸ ¨ ¸=¨ ¸¨ ¸=¨ ¸
© C B ¹ © C B ¹ ¨© -C B ¸¹ © C B ¹ ¨© -CB + BC CC + BB ¸¹
§ B B + C C B C - C B · § B -C · § B C · § B -C ·§ B -C ·+ +
=¨ ¸= ¨ ¸=
¨ C B - B C C C + B B ¸ ¨© C B ¸¹ ¨ -C B ¸ ¨© C B ¸¨ ¸ = DD .
© ¹ © ¹ ¹© C B ¹
Con esto queda demostrado que D es una matriz normal.
E J E M P L O 1.4.22
Sea A una matriz normal y supóngase que conmuta con una cierta matriz B. De-
muestre que:
a.- A + conmuta con B; b.- A conmuta con B +.

52 MATRICES
SO L U C I O N
Si una matriz normal conmuta con una matriz B, entonces:
a.- (A A +)B = B(A + A) A(A + B) = (B A +)A A + B = B A +
b.- (A A + B)+ = (B A + A)+ B +(A A +)+ = (A + A)+ B + B + A A + = A + A B +
(B + A)A + = A +(A B +) B + A = A B +.
% COMPROBACION DE UNA MATRIZ NORMAL

clc;;clear;;
fprintf('\n COMPROBACION DE UNA MATRIZ NORMAL \n')
for f=1:filcol
for c=1:filcol
end
end
A
end
B=A'
end
C=A'*A
end
D=A*A'
end
if (C==D)
fprintf('\n LA MATRIZ ES NORMAL')
else
fprintf('\n LA MATRIZ NO ES NORMAL')
end
PR O B L E M AS
1.4.1 Demuestre mediante un ejemplo que, si A y B son 1.4.6 Sean A y B matrices normales conmutables, A = C
matrices hermíticas, no necesariamente se cumple que A B + i D, B = E + i F, sus descomposiciones hermíticas. De-
sea hermítica. ¿Qué se cumple si A y B son hermíticas y muestre que todas las matrices C, D, E y F son conmuta-
A B = B A? bles.
1.4.2 Pruebe con un ejemplo, que existe una matriz com- 1.4.7 Dar ejemplos que muestren que en el caso general
pleja simétrica que no es normal. la suma A + B y el producto A B de matrices normales A
y B ya no serán matrices normales.
1.4.3 Sea A una matriz antihermítica y A n = I para algún
n > 0, demuestre que A 4 = I. 1.4.8 Pruebe con un ejemplo, que hay una matriz com-
pleja antisimétrica que no es normal.
1.4.4 Demuestre: Los elementos de la diagonal principal
de una matriz hermítica son reales y que los elementos de 1.4.9 Dada la matriz
la diagonal principal de una matriz antihermítica son § 2 1 3i 1 4i ·
imaginarios puros. ¿Qué son los elementos de la diagonal ¨ ¸
A ¨ 6 2i 1 3 i ¸ .
principal de una matriz antisimétrica?
¨ ¸
© 1 6 3 S S ¹
1.4.5 Demuestre mediante un ejemplo que, si A y B son a.- Exprésese la matriz A como suma de una matriz her-
matrices hermíticas, no necesariamente se cumple que A B mítica y otra antihermítica.
sea hermítica. ¿Qué se cumple si A y B son hermíticas y b.- Hallar 3 matrices hermíticas diferentes a la del apar-
A B = B A? tado a).
MATRICES 53
1.5 T R A Z A D E UN A M A T RI Z
En esta sección se introduce la terminología básica y se define la traza de una matriz, enunciamos sus
correspondientes propiedades.
Sea una matriz cuadrada A = (a ij). Se define la traza de una matriz A, a la
suma de los elementos que componen la diagonal principal, representada
por
n
Tr( A ) a11 a22 ... ann ¦ aii .
i 1
T E O R E M A 1.5.1
Para todo par de matrices cuadradas A = (a ij) y B = (bij) de igual orden,
entonces
Tr(A + B) = Tr(A) + Tr(B).
Dadas A y B matrices cuadradas compatibles para la suma y A + B = C, entonces
n n n n
Tr( A + B ) = Tr( C ) ¦ (cii ) ¦ ( aii bii ) ¦ aii ¦ bii Tr( A ) + Tr( B ) .
i 1 i 1 i 1 i 1
T E O R E M A 1.5.2
Para toda matriz cuadrada A = (a ij) y para todo número k, entonces
Tr(k A) = kTr(A).
Dada A una matriz cuadrada y k un número, entonces
n n
Tr( k A ) ¦ kaii k ¦ aii kTr( A ) .
i 1 i 1
T E O R E M A 1.5.3
Para toda matriz cuadrada A = (a ij), entonces
Tr(A T) = Tr(A).
Sea A una matriz cuadrada, al transponer esta matriz, podemos observar que la
matriz A T conserva el mismo orden de A y, además los elementos de la diagonal
principal no varían. Es decir
n n
Tr( A T ) ¦ aii ¦ a jj Tr( A ) .
i 1 i 1
T E O R E M A 1.5.4
Para todo par de matrices cuadradas y compatibles para el producto
A = (a ik) y B = (bkj), entonces Tr(A B) = Tr(B A).
Sean A B = C, B A = D, de modo tal que
n n
cij ¦ aik bkj y d ij ¦ biq aqj
k 1 q 1
Ahora bien
n n § n ·
Tr( A B ) = Tr( C ) = ¦ cii ¦ ¨ ¦ aik bki ¸
i 1 k 1© k 1 ¹
n n § n ·
Tr( B A ) = Tr( D ) = ¦ d pp ¦ ¨¨ ¦ bpq aqp ¸¸
p 1 p 1© q 1 ¹
54 MATRICES
Trabajando con la última serie se intercambia el orden de las sumas y se emplea la

conmutatividad en para obtener
n § n ·
Tr( B A ) = ¦ ¨ ¦ aqp bpq ¸
¨
q 1© p 1
¸
¹
Pero los índices son solamente índices mudos a los que se les puede dar cualquier
nombre y eso no altera el valor de la suma. Sea entonces q = i, p = k y se halla
n
Tr( B A ) = ¦ aik bki = Tr( A B ) .
i 1
EJ E M P L O 1.5.1
Si Tr(A) = 0, pruebe que existen matrices B y C tales que A = B C ± C B.
SO L U C I O N
Como A = B C ± C B, entonces:
Tr(A) = Tr(B C ± C B) = Tr(B C) ± Tr(C B) = Tr(B C) ± Tr(B C) = 0.
Con esto se demuestra que existen matrices B y C.
EJ E M P L O 1.5.2
Si Tr(A B C) = Tr(C B A) para toda matriz C, pruebe que A B = B A.
SO L U C I O N
Si A B = B A, entonces A B C = B A C. Haciendo que B A = D, obtenemos:
Tr(A B C) = Tr(B A C) = Tr(D C) = Tr(C D) = Tr(C B A).
Con esto probamos que las matrices A y B son conmutativas.
EJ E M P L O 1.5.3
Sean A y B matrices hermíticas complejas de un mismo orden. Demuestre que la
traza de la matriz A B es un número real.
SO L U C I O N
Dadas las matrices A y B hermíticas complejas de igual orden, entonces
Tr( A B ) = Tr( A + B + ) = Tr( B A )+ = Tr( B A )T = Tr( B A )
lo cual indica que Tr(A B) es un número real.
E J E M P L O 1.5.4
§1 3·
Dada la matriz A ¨ ¸ , determine una matriz B tal que Tr(A B) = Tr(A)Tr(B).
©5 2¹
SO L U C I O N
La matriz B debe tener la misma forma que la matriz A. Es decir
§a b· § a 3c b 3d ·
B =¨ ¸ y AB = ¨ ¸.
© c d ¹ © 5a 2c 5b 2d ¹
Por lo tanto
Tr(A B) = a + 3c + 5b + 2d, Tr(A) = 3, Tr(B) = a + d.
Por tanto
a + 5b + 3c + 2d = 3a + 3d 2a - 5b ± 3c + d = 0
La familia de matrices que cumple esta condición esta dada por
°§ a b ·
½
°
S = ®¨ ¸ / 2 a 5b 3c d 0 ¾ .
°
¯© c d ¹ °
¿
% CALCULO DE LA TRAZA DE UNA MATRIZ

clc;;clear;;
fprintf('\n TRAZA DE UNA MATRIZ \n')
for f=1:filcol

MATRICES 55
for c=1:filcol
end
end
A
end
TrA=trace(A)
end
PR O B L E M AS
1.5.1 Sean A y B matrices cuadradas de n x n y sean a y b 1.5.4 Sea A = SBS-1, donde

escalares. Demuestre que §1 1 0· §1 1 0·
Tr(a A + b B) = aTr(A) + bTr(B). ¨ ¸ ¨ ¸
B = ¨ 1 2 1 ¸ y S = ¨1 1 1¸
¨ 0 1 3¸ ¨1 0 1 ¸¹
1.5.2 Sea A una matriz compleja de n x n. Demuestre que © ¹ ©
Tr(A + A) t 0, y que la igualdad se verifica si y sólo si A es Encuentre A y verifique que Tr(A) = Tr(B).
la matriz nula.
1.5.5 Demuestre que si A y B son dos matrices
1.5.3 Sea A la matriz de n x n cuyos elementos son a ij = i complejas, entonces
+ j, i, j «n. Calcule la traza de A y demuestre que Tr( B + A )
2
d Tr( A + A )Tr( BB + ) .
su valor coincide con la suma de los elementos de su
diagonal secundaria.
1.5.6 Demuestre que si A es una matriz de n x n y si

Tr(A B) = 0 para todas las matrices B de n x n, entonces A
es la matriz nula.
1.6 PO T E N C I A D E UN A M A T RI Z
En esta sección se introduce la terminología básica y se define la n-ésima potencia de una matriz, analizamos sus
casos particulares, enunciamos sus correspondientes propiedades.
Sea A una matriz cuadrada y n . Se define la n-ésima potencia de A
como el producto, repetido n veces, de A por sí misma, y se simboliza
por A n, Es decir
A A ... A = A n .
n veces
T E O R E M A 1.6.1
Si dos matrices conmutan sus potencias naturales también conmutan.
Sean A, B compatibles para el producto y A B = B A. Si se multiplica A B = B A por la
izquierda por B n-1, obtenemos que B n-1 = B n A, o, lo que es lo mismo,
B n A = B n-1 B A = B n-1 A B = B n-2 B A B = B n-2 A B 2 = ... = A B n,
por lo tanto, A B n - B n A = O. Si multiplicamos la ecuación anterior por la izquierda
por A m-1, obtendremos que A m-1 B n A = A m B n, o, lo que es lo mismo,
A m B n = A m-1 B n A = A m-2 B n A 2 = ... = B n A m,
por lo tanto, A B - B n A m = O. Esto quiere decir que si las matrices A y B son
m n
conmutables, cualesquiera potencias naturales de las mismas también son

conmutables.
56 MATRICES
EJ E M P L O 1.6.1
Dada la matriz
§a 0 0·
¨ ¸
A = ¨0 b 0¸ ,
¨c 0 0 ¸¹
©
siendo a, b, c K. Determine A k para todo k . Calcúlese también p(A) para el
polinomio p(x) = 1 + x5 + x7.
SO L U C I O N
§ a 0 0·
n = 1: ¨¨ 0 b 0 ¸¸ ;
¨ c 0 0¸
© ¹
§ a 0 0 · § a 0 0 · §¨ a 0·
2
0
¨ ¸¨ ¸ ¸
2
n = 2: ¨ 0 b 0¸¨ 0 b 0¸ ¨ 0 b 0¸ ;
¨
¨ c 0 0 ¸ ¨ c 0 0 ¸ ¨ ac 0 ¸
© ¹© ¹ © 0¸
¹
§ a2 0 0 · § a 0 0 · § a3 0 0·
¨ ¸¨ ¸ ¨ ¸
n = 3: ¨ 0 b2 0 ¸ ¨ 0 b 0 ¸ ¨ 0 b3 0¸ ;
¨ ¸ ¨ ¸
¨ ac 0 0 ¸ ¨© c 0 0 ¸¹ ¨ a 2 c 0 0 ¸¹
© ¹ ©
§ ak 0 0·
¨ ¸
k
A ¨ 0 bk 0¸ .
¨ k 1 ¸
ä c 0 0 ¸¹
©
p( A ) I + A 5 + A 7
§ 1 0 0 · §¨ a 0 · § a7 0 0·
5
0
¨ ¸ ¸ ¨ ¸
5
¨ 0 1 0¸ ¨ 0 b 0 ¸ ¨ 0 b7 0¸
¨ 0 0 1 ¸ ¨¨ 4 ¸ ¨ ¸
© ¹ ©a c 0 0 ¸¹ ¨© a 6 c 0 0 ¸¹
§ 1 a5 a7 0 0·
¨ ¸
¨ 0 1 b b7
5
0¸ .
¨ 4 ¸
¨ a c (1 a 2 ) 0 0 ¸¹
©
EJ E M P L O 1.6.2
§ab · 2
Sean a, b, c, d números arbitrarios; se considera la matriz A ¨ ¸ . Calcular A
©cd¹
y probar que existen números p y q, que se calculan en función de a, b, c y d, tales
que A 2 ± p A ± q I = O. Indicar en qué casos los coeficientes p y q no son únicos.
SO L U C I O N
Para encontrar A 2, debemos multiplicar A A:
§ a b ·§ a b · § a bc ab bd ·
2
¨ ¸¨ ¸ ¨¨ ¸
© c d ¹© c d ¹ © ac cd bc d 2 ¸¹
§ a b ·§ a b · §a b· § 1 0·
A 2 p A qI ¨ ¸¨ ¸ p¨ ¸ q¨ ¸
© c d ¹© c d ¹ ©c d¹ © 0 1¹
§ a 2 bc ab bd · § pa pb · § q 0 ·
¨ ¸ ¸¨
¨ ac cd bc d 2 ¸ ¨© pc ¸
pd ¹ © 0 q ¹
© ¹

MATRICES 57
§ a 2 bc pa q ab bd pb · § 0 0 ·
¨ ¸ ¨ ¸
¨ ac cd pc bc d 2 pd q ¸¹ © 0 0 ¹
©
(1) a 2 bc pa q 0
°
(2) ° ab bd pb 0 a 2 d 2 p( a d ) 0
(1) (4) °
® ®
(3) ° ac cd pc 0 (2) (3) °̄(b c )( a d ) p(b c ) 0
(4) °¯bc d 2 pd q 0
p a d
°
® bzc .
° azd
¯
Reemplazamos el valor encontrado de p en la primera o cuarta ecuación, y
obtenemos que q = bc ± ad. Además p y q no son únicos cuando b z c y a z d.
EJ E M P L O 1.6.3
Demostrar que las matrices dadas satisfacen las ecuaciones que se indican:
§1 3· 2
a.- A = ¨ ¸ ; A ± 3A + 8I = O;
© 2 2 ¹
§a b · 2
b.- A =¨ ¸ ; A ± (a + d)A + (ad ± bc)I = O.
© c d ¹
SO L U C I O N
§ 1 3 ·§ 1 3 · § 1 3 · § 1 0 ·
a.- ¨ ¸¨ ¸ 3¨ ¸ 8¨ ¸
© 2 2 ¹© 2 2 ¹ © 2 2 ¹ © 0 1¹
§ 5 9 · § 3 9 · § 8 0 · § 0 0 ·
¨ ¸¨ ¸¨ ¸ ¨ ¸;
© 6 2 ¹ © 6 6 ¹ © 0 8 ¹ © 0 0 ¹
§ a b ·§ a b · §a b · §1 0 ·
b.- ¨ ¸¨ ¸ (a d ) ¨ ¸ ( ad bc ) ¨ ¸
© c d ¹© c d ¹ © c d ¹ © 0 1¹
§ a 2 bc ab bd · § a 2 ad ab bd · § ad bc 0 · § 0 0·
¨
¨ ac cd
¸¨ ¸¨ ¸ ¨ ¸.
© cb d 2 ¸¹ ¨© ac cd ad d 2 ¸¹ © 0 ad bc ¹ © 0 0 ¹
E J E M P L O 1.6.4
Sea la matriz
§0 1·
B ¨ ¸.
© 0 0¹
Se considera la familia de matrices de la forma C = a I + b B, donde a, b son escalares
reales. Calcúlese C n, n Z +.
SO L U C I O N
§1 0· §0 1· § a b·
C a¨ ¸b ¨ ¸ ¨ ¸
©0 1¹ © 0 0¹ © 0 a ¹
§a b·
n = 1: C ¨ ¸;
©0 a¹
§ a b ·§ a b · § a 2ab ·
2
n = 2: C2 ¨ ¸¨ ¸ ¨ ¸;
© 0 a ¹© 0 a ¹ ¨© 0 a 2 ¸¹
§ a 2 2 ab · § a b · § a 3 3a 2b ·
n = 3: C3 ¨ ¸ ¨ ¸;
¨ 0 a 2 ¸ ¨© 0 a ¸¹ ¨ 0 a 3 ¸¹
© ¹ ©

58 MATRICES
§ a3 3a 2 b · § a b · § a 4 4 a 3b ·
n = 4: C4 ¨ ¸¨ ¸ ¨ ¸;
¨0 a 3 ¸¹ © 0 a ¹ ¨© 0 a 4 ¸¹
©
Por tanto
§ an na n 1b ·
Cn ¨ ¸.
¨0 a n ¸¹
©
EJ E M P L O 1.6.5
Sea la matriz A, hallar A n para todo n Z +:
§1 0 1· § 1 1 1· §0 a b·
¨ ¸ ¨ ¸ ¨ ¸
a.- A = ¨ 0 0 0 ¸ ; b.- A ¨1 1 1¸ ; c.- A ¨0 0 c ¸ .
¨1 0 1¸ ¨ 1 1 1¸ ¨0 0 0¸
© ¹ © ¹ © ¹
SO L U C I O N
§1 0 1·
¨ ¸
a.- Como A ¨ 0 0 0 ¸ , entonces:
¨1 0 1 ¸¹
©
§ 1 0 1 ·§ 1 0 1 · § 2 0 2·
2 ¨ ¸¨ ¸ ¨ ¸
n = 2: A ¨ 0 0 0 ¸¨ 0 0 0 ¸ ¨0 0 0¸ 2A ;
¨ 1 0 1 ¸¨ 1 0 1 ¸ ¨ 2 0 2¸
© ¹© ¹ © ¹
§ 2 0 2 ·§ 1 0 1 · § 4 0 4·
¨ ¸¨ ¸ ¨ ¸
n = 3: A3 ¨ 0 0 0 ¸¨ 0 0 0 ¸
2
¨0 0 0¸ 4A 2 A ;
¨ 2 0 2 ¸¨ 1 0 1 ¸ ¨ 4 0 4¸
© ¹© ¹ © ¹
§ 4 0 4 ·§ 1 0 1 · §8 0 8·
n = 4: A ¨¨ 0 0 0 ¸¨
4 ¸
¸¨ 0 0 0 ¸
¨ ¸
¨0 0 0¸ 8A 23 A .
¨ 4 0 4 ¸¨ 1 0 1 ¸ ¨8 0 8¸
© ¹© ¹ © ¹
Por lo tanto: A n = 2n -1 A.
§ 1 1 1·
¨ ¸
b.- Como A ¨1 1 1¸ , entonces:
¨ 1 1 1¸
© ¹
§1 1 1·§1 1 1· § 3 3 3·
2 ¨ ¸¨ ¸ ¨ ¸
n = 2: A ¨1 1 1¸¨1 1 1¸ ¨ 3 3 3¸ 3 A ;
¨1 1 1¸¨1 1 1¸¹ ¨© 3 3 3 ¸¹
© ¹©
§ 3 3 3 ·§1 1 1· § 9 9 9·
¨ ¸¨ ¸ ¨ ¸
n = 3: A3 ¨ 3 3 3 ¸¨1 1 1¸ ¨ 9 9 9 ¸ 9 A 32 A ;
¨ 3 3 3 ¸¨1 1 1¸¹ ¨© 9 9 9 ¸¹
© ¹©
§ 9 9 9 ·§1 1 1· § 27 27 27 ·
¨ ¸¨ ¸ ¨ ¸
n = 4: A4 ¨ 9 9 9 ¸¨1 1 1¸ ¨ 27 27 27 ¸ 27 A 33 A .
¨ 9 9 9 ¸¨1 1 1¸ ¨ 27 27 27 ¸
© ¹© ¹ © ¹
Por lo tanto: A n = 3n-1 A.
§0 a b·
¨ ¸
c.- n = 1: ¨ 0 0 c ¸ ;
¨0 0 0¸
© ¹
§ 0 a b ·§ 0 a b · § 0 0 ac ·
¨ ¸¨ ¸ ¨ ¸
n = 2: ¨ 0 0 c ¸¨ 0 0 c ¸ ¨0 0 0 ¸ ;
¨ 0 0 0 ¸¨ 0 0 0 ¸ ¨0 0 0 ¸
© ¹© ¹ © ¹

MATRICES 59
§ 0 0 ac ·§ 0 a b · §0 0 0·
¨ ¸¨ ¸ ¨ ¸
n = 3: ¨ 0 0 0 ¸¨ 0 0 c ¸ ¨0 0 0¸ .
¨ 0 0 0 ¸¨ 0 0 0 ¸ ¨0 0 0¸
© ¹© ¹ © ¹
Por lo tanto: A n = O, n > 2.
EJ E M P L O 1.6.6
Si A es una matriz de 2 x 2 que satisface A 2 ± A + I = O, determine A 3n en términos
de A para n Z +.
SO L U C I O N
Como A 2 ± A + I = O, entonces, A 2 = A ± I. Multiplicando ambos miembros de esta
ecuación por A sucesivamente, obtenemos:
A3 = A2 ± A A4 = A3 ± A2 A5 = A4 ± A3 A6 = A5 ± A4
Por lo tanto A 3n = A 3n-1 ± A 3n-2.
E J E M P L O 1.6.7
Sean las matrices A, B, compatibles para el producto, entonces se cumple, para
cualquier potencia de B
m-1
A B m - B m A = ¦ B k ( A B - B A ) B m- k -1 .
k =0
SO L U C I O N
Demostraremos la identidad utilizando el proceso de inducción matemática
m-1
P(m): A B m - B m A = ¦ B k ( A B - B A ) B m- k -1 .
k =0
0
P(1): A B1 - B1 A = ¦ B k ( A B - B A ) B -k
k=0
A B ± B A = B 0(A B ± B A)B 0 = I(A B ± B A)I = A B ± B A.
n -1
P(n): A B n - B n A = ¦ B k ( A B - B A ) B n- k -1 .
k =0
n
P(n+1): A B n +1 - B n +1 A = ¦ B k ( A B - B A ) B n- k
k =0
n-1
= ¦ B k ( A B - B A ) B n- k + B n ( A B - B A ) B 0
k =0
§ n-1 ·
= ¨ ¦ B k ( A B - B A ) B n- k -1 ¸ B + B n ( A B - B A ) I
© k =0 ¹
= ( A Bn - Bn A )B + Bn ( A B - B A )
= AB n+1 - B n AB + B n AB - B n+1 A
= A B n+1 - B n+1 A
Por lo tanto P(m) es verdadera.
E J E M P L O 1.6.8
Sean A y B matrices de n x n tales que A B = B A = O. Demuestre que
(A + B)k = A k + B k, para k .
SO L U C I O N
Ya que A y B son conmutativas, podemos utilizar el teorema del binomio. Es decir:
k k
§ ·
( A + B ) k = ¦ ¨ ¸ A k -i B i
i =0 © i ¹
§ k · k 0 § k · k -1 1 § k · k -2 2 §k· 0 k
¨ ¸A B ¨ ¸A B ¨ ¸A B « ¨ ¸A B
©0¹ ©1¹ © 2¹ ©k¹
60 MATRICES
§k · §k ·
= ¨ ¸ A k B0 + ¨ ¸ A 0B k = A k + B k .
©0¹ ©k¹
E J E M P L O 1.6.9
Dada la matriz, calcular A n siendo n Z +:
§ 2 1 · §1 1 ·
a.- ¨ ¸ ; b.- ¨ ¸.
© 3 2 ¹ ©1 0 ¹
SO L U C I O N
§ 2 1 · § 2 1 ·§ 2 1 · § 1 0 ·
a.- n = 1: ¨ ¸ ; n = 2: ¨ ¸¨ ¸ ¨ ¸;
© 3 2 ¹ © 3 2 ¹© 3 2 ¹ © 0 1 ¹
§ 1 0 ·§ 2 1 · § 2 1 · § 2 1 ·§ 2 1 · § 1 0 ·
n = 3: ¨ ¸¨ ¸ ¨ ¸ ; n = 4: ¨ ¸¨ ¸ ¨ ¸.
© 0 1 ¹© 3 2 ¹ © 3 2 ¹ © 3 2 ¹© 3 2 ¹ © 0 1 ¹
Cuando n es impar A n = A; cuando n es par A n = I.
§1 1 · §1 1 ·§1 1 · § 2 1·
b.- n = 1: ¨ ¸ ; n = 2: ¨ ¸¨ ¸ ¨ ¸;
© 1 0 ¹ ©1 0 ¹©1 0 ¹ © 1 1¹
§ 2 1·§1 1· § 3 2· § 3 2 ·§1 1 · § 5 3 ·
n = 3: ¨ ¸¨ ¸ ¨ ¸; n = 4: ¨ ¸¨ ¸ ¨ ¸;
© 1 1¹©1 0¹ © 2 1¹ © 2 1 ¹©1 0 ¹ © 3 2 ¹
§ 5 3 ·§1 1· §8 5·
n = 5: ¨ ¸¨ ¸ ¨ ¸.
© 3 2 ¹©1 0¹ ©5 3¹
a11 : 1 2 3 5 8
a12 : 1 1 2 3 5
a21 : 1 1 2 3 5
a22 : 0 1 1 2 3
Por lo tanto
§ an an 1 ·
An ¨ ¸.
© an 1 an 2 ¹
% CALCULA LA POTENCIA DE UNA MATRIZ

clc;;clear;;
fprintf('\n POTENCIA DE UNA MATRIZ \n')
filcol=input('Ingrese el numero de filas y columnas de la Matriz: ');;
pt=input('Ingrese la potencia a la que va elevar la matriz: ');;
for f=1:filcol
for c=1:filcol
end
end
A
end
fprintf(' LA POTENCIA DE LA MATRIZ A ES:\n')
PotA=A^pt
end
Respecto a las potencias naturales de una matriz definiremos las
siguientes matrices:
a.- Se conviene en que A 0 = I.
b.- Una matriz periódica de periodo n cumple A n = A. Un caso particular lo
forman las matrices idempotentes para las cuales A 2 = A.
c.- Una matriz es nilpotente de índice n si A n = O.
d.- Una matriz es involutoria si A 2 = I.
MATRICES 61
E J E M P L O 1.6.10
Encuentre una familia de matrices de 2 x 2 para que cumplan lo siguiente:
a.- sean idempotentes; b.- sean nilpotentes de índice 2; c.- sean involutorias.
SO L U C I O N
a.- Para que una matriz A sea idempotente, debe cumplirse que A 2 = A. Es decir:
§ a b ·§ a b · § a b · § a 2 bc ab bd · § a b ·
¨ ¸¨ ¸ ¨ ¸ ¨¨ ¸ ¨
¸ ¸.
© c d ¹© c d ¹ © c d ¹ © ca dc d bc ¹ © c d ¹
2
Debemos resolver el sistema

(1) a 2 bc a
°
(2) ° ab bd b
®
(3) ° ca dc c
(4) °¯d 2 bc d
Restando la segunda ecuación de la primera, obtenemos
ad 0
a 2 a d 2 d ( a d )(1 a d ) 0 °1 a d 0
° ° °
® ab bd b ® ab bd b ®
° ca dc c ° ca dc c ° ab bd b
¯ ¯ °¯ ca dc c
De donde concluimos que
1
°° a d 2
® .
°b 1 , c z 0
°̄ 4c
Por tanto, una posible solución es la matriz
§1 1 ·
¨ 2 4c ¸
A ¨ ¸.
¨c 1 ¸
¨ ¸
© 2 ¹
b.- Para que una matriz A sea nilpotente de índice 2, debe cumplirse que A 2 = O. Es
decir:
§ a b ·§ a b · § 0 0 · § a 2 bc ab bd · § 0 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨¨ ¸ ¨
¸ ¸.
© c d ¹© c d ¹ © 0 0 ¹ © ca dc d bc ¹ © 0 0 ¹
2

(1) a 2 bc 0
°
(2) ° ab bd 0
®
(3) ° ca dc 0
(4) °¯ d 2 bc 0
Restando la segunda ecuación de la primera, obtenemos
ad 0
a 2 d 2 0 ( a d )( a d ) 0 ° ad 0
° ° °
® ab bd 0 ® ab bd 0 ®
° ca dc 0 ° ca dc 0 ° ab bd 0
¯ ¯ °¯ ca dc 0
De donde concluimos que a = d = 0 y si reemplazamos estos valores en las
ecuaciones (1) y (4), obtenemos bc = 0, donde b = 0, c z 0 o c = 0, b z 0. Por tanto
las matrices buscadas tienen la forma
§ 0 0· §0 b·
A ¨ ¸ y A ¨ ¸.
© c 0¹ © 0 0¹

62 MATRICES
c.- Para que una matriz A sea involutoria, debe cumplirse que A 2 = I. Es decir:
§ a b ·§ a b · § 1 0 · § a 2 bc ab bd · § 1 0 ·
¨ ¸ .
¨ ¸¨ ¸ ¨
© c d ¹© c d ¹ © 0 1 ¹
¸ ¨ ca dc d 2 bc ¸ ¨© 0 1 ¸¹
© ¹
(1) a 2 bc 1
°
(2) ° ab bd 0
®
(3) ° ca dc 0
(4) °¯ d 2 bc 1
Restando la cuarta ecuación de la primera, obtenemos
ad 0
a 2 d 2 0 ( a d )( a d ) 0 ° ad 0
° ° °
® ab bd 0 ® ab bd 0 ®
° ca dc 0 ° ca dc 0 ° ab bd 0
¯ ¯ °¯ ca dc 0
De donde concluimos que a = d = 0 y reemplazando estos valores en las ecuaciones
(1) y (4), obtenemos bc = 1 donde tenemos dos alternativas b = 1/c, c z 0 o c = 1/b,
b z 0. Por lo tanto dos de las posibles soluciones son
§ 0 1/ c · § 0 b·
A ¨ ¸ y A ¨ ¸.
© c 0 ¹ ©1/ b 0 ¹
E J E M P L O 1.6.11
Si A, B, C son matrices cuadradas de igual orden que cumplen lo siguiente: C es
nilpotente, índice de nilpotencia 2, B y C son conmutativas y A = B + C.
Demuéstrese que, para todo n Z +, se cumple la ecuación A n+1 = B n(B + (n + 1)C).
SO L U C I O N
Sabemos que A n+1 = A n A, entonces:
A n+1 = (B + C)n+1
= (B + C)n(B + C)
= (B n + k B n-1 C + n(n - 1)B n-2 C 2 + ... + C n)(B + C)
= (B n + n B n-1 C + C n)(B + C)
= B n B + B n C + n B n C + n B n-1 C 2 + C n B + C n+1
= B n+1 + (n + 1)B n C = B n(B + (n + 1)C).
E J E M P L O 1.6.12
Si A es nilpotente de índice 2, demuéstrese que A(I ± A)n = A, siendo n Z +.
SO L U C I O N
A(I ± A)n = A(I n ± n I n-1 A ± n(n - 1)I n-2 A 2 ± . . . ± A n)
= A I n ± n I n-1 A 2 ± . . . ± A n+1
= A ± A n-1 A 2
= A.
E J E M P L O 1.6.13
Sea una matriz cuadrada tal que A 2 = A. Demuéstrese que A n = A, para todo n Z +.
SO L U C I O N
Probaremos esta proposición utilizando el proceso de inducción matemática.
Si A 2 = A, entonces:
P(n) : A n = A
P(1) : A 1 = A
P(k) : A k = A. Verdadero por hipótesis inductiva.
P(k + 1) : A k+1 = A
A k+1 = A k A = A A = A 2 = A,
lo cual es verdadero. Por lo tanto se cumple que A n = A.

MATRICES 63
E J E M P L O 1.6.14
Demuéstrese que si A B = A y B A = B, entonces A y B son idempotentes.
SO L U C I O N
Para que A y B sean idempotentes, debe cumplirse: A 2 = A y B 2 = B.
A2 = A A = A B A B = A B B = A B = A
2
B = B B = B A B A = B A A = B A = B.
E J E M P L O 1.6.15
Si A es una matriz involutoria, demuéstrese que ½(I + A) y ½(I - A) son matrices
idempotentes y que [½(I + A)][½(I - A)] = O.
SO L U C I O N
[½(I + A)]2 = ¼(I + A)(I + A) = ¼(II + I A + A I + A A) si A 2 = I
= ¼(I + 2I A + I) = ¼(2I + 2A) = ½(I + A) es idempotente.
[½(I - A)]2 = ¼(I - A)(I - A) = ¼(II - I A - A I + A A) si A 2 = I
= ¼(I - 2I A + I) = ¼(2I - 2A) = ½(I - A) es idempotente.
[½(I + A)][½(I - A)] = ¼(I + A)(I - A) = ¼(II - I A + A I - A A) si A 2 = I
= ¼(I - I) = O.
E J E M P L O 1.6.16
Pruébese que la matriz A es involutoria si y sólo si, se cumple que
(I - A)(A + I) = O.
SO L U C I O N
Para que la matriz A sea involutoria es necesario que se cumpla A 2 = I.
(I - A)(A + I) = I A + II - A A - A I = A + I 2 ± A 2 - A = I ± I = O.
E J E M P L O 1.6.17
Las potencias naturales n t 2 de una matriz idempotente A, satisfacen la ecuación
A n = A.
SO L U C I O N
Siendo A idempotente, se cumple que A n = A, entonces A 3 = A A 2 = A A = A 2 = A.
Supóngase que A n = A, entonces
A n+1 = A A n = A A = A 2 = A.
E J E M P L O 1.6.18
Las potencias de una matriz involutoria A cumplen las ecuaciones
a.- A 2n = I, n ; b.- A 2n+1 = A, n .
SO L U C I O N
Siendo A una matriz involutoria, debe cumplirse que A 2 = I; entonces:
a.- A 2n = (A 2)n = I n = I;
b.- A 2n+1 = A A 2n = A I = A.
EJ E M P L O 1.6.19
Si A es una matriz idempotente, pruebe que (A B ± A B A)2 = O, para toda matriz B.
SO L U C I O N
Si A es idempotente, entonces A 2 = A; por lo tanto
(A B ± A B A)2 = (A B ± A B A)(A B ± A B A)
= ABAB ± ABABA ± ABA AB + ABA ABA
= A B A B ± A B A B A ± A B A 2B + A B A 2 B A
= ABAB ± ABABA ± ABAB + ABABA
= O.
EJ E M P L O 1.6.20
Demuestre que para una matriz nilpotente A de índice de nilpotencia p la matriz A +
es también nilpotente y posee el mismo índice de nilpotencia.
SO L U C I O N
Dado que A p = O, entonces tenemos que probar que (A +)p = O. Es decir:
64 MATRICES
( A + ) p = A + A + ... A + = ( A A ... A ) + = ( A p ) + = O + = O .
p veces p veces
EJ E M P L O 1.6.21
Demuestre que si A es idempotente, B = 2A ± I es involutoria, si B es involutoria,
A = ½(B + I) es idempotente.
SO L U C I O N
Si A 2 = A, entonces:
B 2 = (2A - I)2 = (2A - I)(2A - I) = 4A 2 ± 4A + I = 4A ± 4A + I = I.
2
Si B = I, entonces:
2
§1 · 1 1 1 1
A 2 = ¨ ( B + I ) ¸ = ( B 2 + 2 B + I ) = ( I + 2 B + I ) = (2 B + 2 I ) = ( B + I ) = A .
©2 ¹ 4 4 4 2
% COMPROBACION DE UNA MATRIZ PERIODICA

clc;;clear;;
fprintf('\n COMPROBACION DE UNA MATRIZ PERIODICA \n')
pt=input('Ingrese la potencia a la que va elevar A: ');;
for f=1:filcol
for c=1:filcol
end
end
A
end
fprintf(' LA MATRIZ POTENCIA ES:\n')
PotA=A^pt
end
if(A ==PotA)
fprintf('\n LA MATRIZ A ES PERIODICA\n')
if(pt==2)
fprintf('\n LA MATRIZ A ES IDEMPOTENTE\n')
end
else
fprintf('\n LA MATRIZ A NO ES PERIODICA\n')
end

% COMPROBACION DE UNA MATRIZ INVOLUTORIA
clc;;clear;;
fprintf('\n COMPROBACION DE UNA MATRIZ INVOLUTORIA \n')
%pt=input('Ingrese la potencia a la que va elevar la matriz: ');;
pt=2;;
for f=1:filcol
for c=1:filcol
end
end
A
end
PotA=A^pt
end
I=eye(size(A));;
end
MATRICES 65
if(PotA ==I)
fprintf('\n LA MATRIZ A ES INVOLUTORIA\n')
else
fprintf('\n LA MATRIZ A NO ES INVOLUTORIA\n')
end

% COMPROBACION DE UNA MATRIZ NILPOTENTE
clc;;clear;;
fprintf('\n COMPROBACION DE UNA MATRIZ NILPOTENTE \n')
pt=input('Ingrese la potencia a la que va elevar: ');;
for f=1:filcol
for c=1:filcol
end
end
A
End
PotA=A^pt
end
ceros=zeros(size(A));;
if(PotA ==ceros)
fprintf('\nLA MATRIZ A ES NILPOTENTE DE INDICE %d\n',pt)
else
fprintf('\nLA MATRIZ A NO ES NILPOTENTE\n')
end

PR O B L E M AS
1.6.1 Si A 2 = A, demostrar que (A + I)k = I + (2k ± 1)A. 1.6.6 La matriz

§a i·
1.6.2 La ecuación A 2 = I se satisface para cada una de las A ¨ ¸,
matrices 2 x 2 ©i b¹
§1 0· §1 0 · §1 b · donde i2 = -1, a 1
2
(1 5) y b 1
2
(1 5) , tiene la
¨ ¸, ¨ ¸, ¨ ¸ propiedad de que A es idempotente. Describir en forma
© 0 1 ¹ © c 1¹ © 0 1¹
completa todas las matrices A de 2 x 2, con elementos
donde b y c son números reales arbitrarios. Hallar todas las
complejos tales que A sea idempotente.
matrices A de 2 x 2, tales que A 2 = I.
1.6.3 Dada la matriz 1.6.7 Determine a y b tales que A sea idempotente

§ 1 0·
§ CosT SenT · A ¨ ¸.
A ¨ ¸. © a b¹
© SenT Cos T ¹
Calcular A n siendo n Z +.
1.6.8 Determine condiciones sobre a, b y c de modo que
A sea idempotente
1.6.4 Demuestre que una matriz triangular es nilpotente
si, y sólo si, todos los elementos de la diagonal principal § a 0·
A ¨ ¸.
son nulos, y el índice del carácter nilpotente de la matriz ©b c¹
triangular no supera su orden.
1.6.9 Demuestre que A es idempotente sí y sólo si A T es
n +
1.6.5 Sea k z 0, encuentre A , n Z si idempotente.
§ CosT kSenT ·
A ¨ ¸. 1.6.10 Demostrar que una hipermatriz triangular es
¨¨ 1 SenT CosT ¸¸ nilpotente si, y sólo si, todas sus submatrices en la
© k ¹
diagonal principal son nilpotentes.
66 MATRICES
1.6.11 Dada la matriz 1.6.17 Demuestre que si A y B son idempotentes y A B =

§ nS nS · B A, entonces A B es idempotente.
¨ Cos k Sen ¸
k ¸
A ¨ 1.6.18 Encuentre una matriz hipertriangular nilpotente
¨ Sen n S n S
¨ Cos ¸¸ de índice 2 tales que sus submatrices en la diagonal
© k k ¹ principal sean nilpotentes de índice 2.
en donde k Z +, encuentre A m para todo m. ¿A qué es
igual la matriz A m cuando m = k? 1.6.19 Si A y B son matrices de 2 x 2. Calcule:
a.- (A B ± B A)2; b.- (A B ± B A)n, n > 2.
1.6.12 Demuéstrese que, si A es matriz cuadrada, en-
tonces: 1.6.20 Si A y B son matrices de n x n tales que
a.- A 3 ± I = (A ± I)(A 2 + A + I); A(A B ± B A) = (A B ± B A)A
b.- A 4 ± I = (A 2 + I)(A + I)(A ± I); y
c.- 3A 2 ± 2A - I = (3A + I)(A ± I); B(A B ± B A) = (A B ± B A)B.
d.- A k ± I = (A ± I)(A k-1 + A k-2 «+ I). Demuestre que (A B ± B A)3 = O.
1.6.13 Demuestre que si A es nilpotente, entonces A T es 1.6.21 Encuentre una matriz triangular de 3 x 3, que sea
nilpotente con el mismo índice. nilpotente de índice 2.
1.6.14 Sean las matrices 1.6.22 Dada la matriz A. Hallar el valor del polinomio
§ 3 2 · § 4 2 · p(x):
A ¨ ¸, B ¨ ¸,
© 15 8 ¹ © 15 7 ¹ § 1
2 1·
¨ ¸
p( x, y) x2 xy 2 y 2 y q( x, y) x2 y 2 2 y 1 : a.- A ¨ 1 1 3 ¸ , p(x) = 3x2 ± 2x + 2;
¨2 1 1 ¸¹
a.- Verifíquese que A y B conmutan. ©
b.- Evalúese p(A, B). §1 1 1 ·
c.- Evalúese q(A, B). ¨ ¸
b.- A ¨1 1 1¸ , p(x) = 2x2 + 3x ± 1;
d.- Demuéstrese que, en general, si A y B son matrices ¨1 1 1¸
de n x n, y si A y B conmutan, entonces © ¹
(A + B)2 = A 2 + 2A B + B 2 §1 2 3·
y ¨ ¸
c.- A ¨ 4 5 6 ¸ , p(x) = x2 ± 5x ± 5;
A 2 ± B 2 = (A + B)(A ± B) ¨7 8 9¸
y verifíquese la validez de esas relaciones con las © ¹
matrices A, B que se han dado. §1 4 7·
¨ ¸
d.- A ¨ 2 5 8 ¸ , p(x) = 3x2 + 5x ± 5;
1.6.15 Sea f ( x) x 2 x 3 , g ( x) x3 2 x 1 , ¨3 6 9 ¸¹
©
§ 3 1· § 1 2 · §1 1 1·
A ¨ ¸, B ¨ ¸ . Evalúese: ¨ ¸
© 2 0¹ ©3 4 ¹ e.- A ¨1 i 1¸ , p(x) = x2 + 3x + 1;
a.- f(A); b.- f(B); c.- f(I); d.- f(O); ¨1 1 i ¸¹
©
e.- g(A); f.- g(B); g.- f(A + B).
§1 i 1 1 ·
¨ ¸ 2
1.6.16 En cada una de las elecciones siguientes de la f.- A ¨ 1 1 i 1 ¸ , p(x) = x - 3x ± 2.
matriz A, demuéstrese que se puede expresar A como B ¨ 1 1 1 i ¸¹
©
+ C, donde B es idempotente y C es nilpotente
(recuérdese que O es idempotente y nilpotente al mismo 1.6.23 Hallar matrices A y B tales que
tiempo):
§ 1 2 · § 1 3 ·
§1 0· § 0 0· A2 ¨ ¸ y B
2
¨ ¸.
a.- A ¨ ¸ ; b.- A ¨ ¸; © 0 1 ¹ ©2 5 ¹
© 0 1 ¹ ©1 0¹
§1 0· §1 0· 1.6.24 Dada la matriz
c.- A ¨ ¸; d.- A ¨ ¸;
© 0 0¹ ©1 1¹ §8 4 4i ·
¨ ¸
§1 0 0· A ¨4 2 2i ¸
§1 0 · ¨ ¸ ¨ 4i 2i
e.- A ¸; f.- A 1 0¸ . © 2 ¸¹
¨ ¨0
©1 0 ¹ ¨1
© 0 0 ¸¹ encuentre A n, n Z +.

MATRICES 67
1.7 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
1.7.1 Si dos productos A B y B A están definidos y A es 1.7.11 Si A y B son matrices cuadradas de un mismo
una matriz de m x n, entonces B es una matriz de m x n. orden con la particularidad de que A B z B A, entonces
Tr(A B) z Tr(B A).
1.7.2 Una matriz que conmuta para el producto con una
matriz diagonal que posee elementos en la diagonal 1.7.12 Para que una matriz cuadrada A sea conmutativa
distintos de dos en dos es también una matriz diagonal. con todas las matrices cuadradas del mismo orden, es
necesario y suficiente que la matriz A sea escalar.
1.7.3 Si una matriz cuadrada A es conmutativa para el
producto con todas las matrices cuadradas del mismo 1.7.13 Las operaciones sobre las matrices casi
orden, ésta es la matriz nula. diagonales de una misma estructura dan matrices casi
diagonales de la misma estructura.
1.7.4 Las operaciones sobre las matrices casi triangulares
de la misma estructura, superiores o inferiores conducen a 1.7.14 Si A es una matriz diagonal y todos los elementos
matrices casi diagonales de la misma estructura. de su diagonal principal se diferencian entre sí, cualquier
matriz, conmutativa con A debe ser nula.
1.7.5 Si una matriz A es nilpotente de índice de
nilpotencia n, entonces la matriz A es también nilpotente 1.7.15 Si A es una matriz de 2 x 2 y k un número entero
y posee el mismo índice de nilpotencia. superior a dos, entonces A k = O si, y sólo si, A 2 = O.
1.7.6 Si las matrices A y B son conmutables para el 1.7.16 Si para las matrices A y B ambos productos A B y
producto, entonces las matrices conjugadas A y B son B A están definidos con la particularidad de que A B = B A,
anticonmutativas. entonces las matrices A y B son cuadradas y no
necesariamente tienen el mismo orden.
1.7.7 Una matriz triangular es nilpotente si, y sólo si,
todos los elementos de la diagonal principal son nulos, y el 1.7.17 Si A y B son matrices cuadradas de un mismo
índice de nilpotencia de la matriz triangular no supera su orden con la particularidad de que A B z B A, entonces
orden. (A - B)2 = A 2 + B 2.
1.7.8 Si A es una matriz normal y conmuta con una cierta 1.7.18 Para cualquier matriz B con elementos reales o
complejos, entonces la matriz A = B B + es antihermítica.
matriz B, entonces A conmuta con B.
1.7.19 La suma A + B y el producto A B de matrices
1.7.9 El producto de dos matrices antisimétricas A y B es
normales A y B son matrices normales.
una matriz antisimétrica si, y sólo si, A B z B A.
1.7.20 Una matriz normal casi triangular es una matriz
1.7.10 Para que una matriz cuadrada A sea conmutativa
casi diagonal.
con todas las matrices diagonales es necesario y suficiente
que la propia matriz A sea diagonal.

O BJE T I V O
Resolver problemas sobre determinantes, utilizando definiciones, propiedades y métodos adecuados para cada
tipo, en situaciones reales propias de la ingeniería y ciencias aplicadas.
C O N T E NI D O :
2.1 DETERMINANTES DE SEGUNDO Y TERCER ORDEN

2.2 METODOS PARA EL DESARROLLO DE UN DETERMINANTE DE ORDEN SUPERIOR
2.3 PRODUCTO DE DETERMINANTES
2.4 DETERMINANTES DE VANDERMONDE
2.5 CUESTIONARIO
2.1 D E T E R M I N A N T ES D E SE G UND O Y T E R C E R O RD E N
En esta sección se introduce la terminología básica y se define el determinante de una matriz cuadrada de n-ésimo
orden, enunciamos sus propiedades.
Es evidente que una regla que asocie a cada matriz un número concreto definirá una
función de valores numéricos de las matrices. Una de las funciones con valores
numéricos más importante entre las que se definen para las matrices cuadradas es la
función determinante. Esta función ha sido objeto de un estudio exhaustivo durante
más de 200 años. El hecho más asombroso de la historia de los determinantes es que
el concepto de determinante se haya adelantado más o menos 100 años al concepto
de matriz. En realidad, hasta principios de este siglo, ambos conceptos se
confundían.
Si designamos los n primeros elementos del conjunto de los números naturales,

existe una permutación ordinaria de dichos elementos que se denomina permutación
fundamental o principal, la cual corresponde a la sucesión ordenada y creciente de
los números naturales; entonces, la permutación fundamental viene dada por 1 2 3 ...
n. Se dice que dos elementos de cualquiera de las n! permutaciones posibles forman
inversión cuando se suceden en un orden distinto al que presentan en la permutación
fundamental; así, por ejemplo, en la permutación 2 3 1 4, los pares de elementos
{2, 1} y {3, 1} forman inversiones. Si todos los pares de elementos forman
inversión, es decir, si todos los elementos están colocados en orden contrario al
natural, se trata de una permutación inversa, como 4 3 2 1. La clase de una
permutación viene dada por la paridad del número total de inversiones que existan
entre cada dos elementos de la permutación; así, una permutación es de clase par o
de clase impar, según sea par o impar dicho número de inversiones. Al cambiar entre
sí de lugar la posición de dos elementos de una permutación se ha originado una
transposición.
70 DETERMINANTES
T E O R E M A 2.1.1
Si en una permutación arbitraria se efectúa una transposición, la
permutación cambia de clase.
En efecto, si se verifica la transposición entre dos elementos consecutivos se origina
un aumento o una disminución en el número total de inversiones de la permutación,
según que dicho par de elementos estuvieran o no en el orden natural previamente
establecido; por otra parte, no existen más variaciones en el número total de
inversiones, ya que tanto los elementos anteriores como los posteriores a los que se
transponen siguen teniendo respecto a los elementos del par transpuesto la misma
posición relativa que tenían antes de la transposición. Si entre los elementos que se
transponen existen otros k elementos intercalados, para intercambiarlos de lugar
basta hacer avanzar k + 1 lugares al elemento más retrazado, lo que equivale a
efectuar k + 1 transposiciones y, a continuación, debe hacerse retroceder k lugares el
elemento más avanzado, lo que representa otras k nuevas transposiciones, con lo que
el número total de transposiciones efectuadas asciende a k + 1 + k = 2k + 1, que es un
número impar, siendo, por tanto, impar el número de cambios de la permutación
original; la permutación debe cambiar de clase.
Si en una permutación arbitraria se efectúa una transposición, la permutación cambia

de clase. Finalmente, se puede probar fácilmente que es posible obtener las n!
permutaciones del conjunto {1, 2, ..., n} a partir de la permutación principal y
cambiando, para formar una nueva permutación, dos elementos de la anterior, así: 1
2 3, 1 3 2, 3 1 2, 3 2 1, 2 3 1, 2 1 3, son las 3! = 6 permutaciones de {1, 2, 3}; por
tanto, como se cambia de clase al conseguir una nueva permutación, entre las n!
permutaciones posibles existen ½ n! de clase par y otras de clase impar.
Formados todos los productos posibles de n elementos elegidos entre los n2
de la matriz dada, de modo que en cada producto haya un factor de cada fila
y uno de cada columna, y anteponiendo a cada producto el signo + o el -,
según que las permutaciones que indican las filas y las columnas sean de la
misma o distinta clase, el polinomio que tiene como términos todos los
productos así formados con sus signos correspondientes, se llama
determinante de la matriz dada. Es decir, para el conjunto de las matrices
cuadradas de orden n se puede establecer una aplicación inyectiva de forma
que a cada matriz A corresponda una función escalar de sus elementos y se
representa escribiendo ésta entre barras: Det( A ) = A .
Se dice que dos determinantes son iguales, si al ser evaluados ambos dan
el mismo número.
La definición aceptada permite desarrollar cualquier determinante, pero en la

práctica no debe utilizarse directamente para los de orden superior a tres.
El valor del determinante de una matriz
§a a12 ·
A ¨ 11 ¸
© a21 a22 ¹
de 2 x 2 se define mediante la expresión:
Det(A) = a11a22 ± a12a21.
Un determinante de segundo orden es un número que se calcula a partir de los

cuatro elementos de una ordenación cuadrangular.

DETERMINANTES 71
EJ E M P L O 2.1.1
Evaluar el determinante de la siguiente matriz
§ a 2 ab b2 a 2 ab b2 ·
A ¨¨ ¸¸ .
© a b a b ¹
SO L U C I O N
Evaluamos el determinante de la matriz A utilizando la correspondiente definición
Det(A) = (a2 + ab + b2)(a - b) - (a2 - ab + b2)(a + b)
= a3 - a2b + a2b - ab2 + ab2 - b3 - a3 - a2b + a2b + ab2 - ab2 - b3
= - 2b3.
EJ E M P L O 2.1.2
Demostrar que, siendo a, b, c y d reales, las raíces de la ecuación
a x c id
0
c id b x
serán reales.
SO L U C I O N
Evaluando el determinante, obtenemos:
' = (a ± x)(b ± x) ± (c + id)(c ± id) = 0 ab - ax - bx + x2 - c2 + icd - icd + i2d2 = 0
ab - ax - bx + x2 - c2 - d2 = 0 x2 - (a + b)x + (ab - c2 - d2) = 0
Resolvemos esta ecuación cuadrática, resultando:
( a c ) r ( a b)2 4( ab c 2 d 2 ) ( a c ) r ( a b) 2 4(c 2 d 2 )
x1,2 .
2 2
Como (a - b)2 + 4(c2 + d2) t 0, entonces las raíces son reales.
EJ E M P L O 2.1.3
Dada la matriz
§ 4 5·
A¨ ¸
© 2 1¹
Encuentre de ser posible una matriz B tal que Det(A) = Det(A B).
SO L U C I O N
§a b· § 4 a 5c 4b 5d ·
Sea B ¨ ¸ , entonces A B ¨ ¸ . Por lo tanto
©c d¹ © 2 a c 2b d ¹
Det(A) = -6 y Det(A B) = 6bc ± 6ad -6 = 6bc ± 6ad ad ± bc = 1.
La matriz pedida tiene la forma siguiente:
°§ a b ·
½
°
B ®¨ ¸ / ad bc 1¾ .
°
¯© c d ¹ °
¿
EJ E M P L O 2.1.4
Dada la matriz
§1 3·
A¨ ¸
© 4 2¹
Encuentre de ser posible una matriz B tal que Det(A + B) = Det(A) + Det(B).
SO L U C I O N
§a b· §1 a 3 b ·
Sea B ¨ ¸ , entonces A + B ¨ ¸ . Por lo tanto
© c d ¹ ©4 c 2 d ¹
Det(A + B) = (1 + a)(2 + d) ± (3 + b)(4 + c)
= 2a - 4b ± 3c + d + ad ± bc ± 10
Det(A) = -10 y Det(B) = ad ± bc.
De donde
2a - 4b ± 3c + d + ad ± bc ± 10 = -10 + ad ± bc 2a - 4b ± 3c + d = 0.
72 DETERMINANTES
La matriz pedida tiene la forma siguiente:

§ a b ·
° ½
°
B ®¨ ¸ / 2 a 4b 3c d 0¾ .
¯© c d ¹
° °
¿
El valor del determinante de una matriz
§ a11 a12 a13 ·
¨ ¸
A ¨ a21 a22 a23 ¸
ä a33 ¸¹
© 31 a32
de 3 x 3, se define de la siguiente manera:
Det(A) = a 11a 22a 33 + a 12 a 23a 31 + a 13a 21a 32 ± a 13a 22a 31 ± a 11a 23a 32 ±
a 12a 21a 33.
Un determinante de tercer orden es un número que se calcula a partir de los

elementos de una ordenación cuadrangular de 3 x 3. Obsérvese que el primer
término está compuesto por los elementos de la diagonal principal; y cada
paralela a ella, con el elemento del vértice opuesto, compone otro término con
signo +. Análogamente se deducen los otros tres que llevan signo -, partiendo de
la diagonal secundaria. Esta regla muy útil se llama regla de Sarrus.
EJ E M P L O 2.1.5
Calcule el determinante
b2 c 2 a2 a2 a2 1 ab ac
2 2 2 2 2
a.- b a c b ; b.- ab b 1 bc .
2 2 2 2 2
c c a b ac bc c 1
SO L U C I O N
a.- Haciendo uso de la definición correspondiente evaluamos el determinante la
matriz:
' = (b2 + c2)(a2 + c2)(a2 + b2) + a2b2c2 + a2b2c2 ± a2c2(a2 + c2) ± b2c2(b2 + c2) ±
a2b2(a2 + b2)
= (b2a2 + b2c2 + a2c2 + c4)(a2 + b2) + 2a2b2c2 ± a4c2 - a2c4 ± b4c2 - b2c4 ± a4b2 - a2b4
= b2a4 + b4a2 + b2a2c2 + b4c2 + a4c2 + a2b2c2 + c4a2 + c4b2 + 2a2b2c2 ± a4c2 - a2c4 ±
b c - b2c4 - a4b2 - a2b4
4 2
= 4a2b2c2.
b.- Haciendo uso de la definición correspondiente evaluamos el determinante la
matriz:
' = (a2 + 1)(b2 + 1)(c2 + 1) + a2b2c2 + a2b2c2 ± a2c2(b2 + 1) ± b2c2(a2 + 1) ±
a2b2(c2 + 1)
= (a b + a + b + 1)(c + 1) + 2a b c ± a b c - a c ± a b c - b c ± a b c - a2b2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
= a2b2c2 + a2b2 + a2c2 + a2 + b2c2 + b2 + c2 + 1 ± a2b2c2 - a2c2 ± b2c2 - a2b2

= a2 + b2 + c2 + 1.
A continuación enunciaremos y demostraremos algunas de las propiedades mas

importantes de los determinantes.
T E O R E M A 2.1.2
El valor de un determinante no varía si se sustituye cada elemento por su
conjugado, es decir, si se cambian las filas por columnas, y éstas por
aquéllas, sin alterar el orden relativo de los elementos de cada una.
En efecto; todo término del primer determinante está formado por n elementos, uno
de cada fila y uno de cada columna, luego pertenece también al segundo

DETERMINANTES 73
determinante. Las dos permutaciones que indican filas (columnas) en el segundo

determinante, son las mismas que indican las columnas (filas) en el primero, luego el
signo de dicho término en ambos determinantes es + o -, según que ambas
permutaciones sean de la misma o distinta clase.
Al multiplicar cada elemento de la i-ésima fila o de la j-ésima columna por un

número r, Det(A) queda multiplicado por r. Consecuentemente, si cada elemento de
una matriz A de orden n x n se multiplica por un número r, entonces Det(A) queda
multiplicado por rn.
T E O R E M A 2.1.3
Si se multiplican todos los elementos de una fila o columna por un mismo
número, el valor del determinante queda multiplicado por dicho número.
Supongamos que bj = ra j, mientras que bk = a k para k z j. Entonces, en particular,
b1j = ra1j. Si k z j, B 1k se obtiene a partir de A 1k multiplicando una columna por r y
como B 1k y A 1k son matrices (n ± 1) x (n ± 1), tenemos que Det(B 1k) = rDet(A 1k).
Por otra parte, B 1j = A 1j y b1k = a1k si k z j. Por tanto, para todo k,
B 1kDet(B 1k) = ra1kDet(A 1k).
Por tanto,
n n
Det( B ) ¦ (1)k 1 b1k Det( B1k ) ¦ (1) k 1 r a1k Det( A1k ) rDet( A ) .
k 1 k 1
En el teorema siguiente podemos ver que un intercambio de dos filas o dos columnas
es una matriz de orden n x n cambia el signo del determinante.
T E O R E M A 2.1.4
Si B se obtiene a partir de A intercambiando dos filas (o dos columnas)
adyacentes sin alterar el orden relativo de los elementos de cada una,
entonces el valor absoluto del determinante no varía, pero cambia su signo.
Supongamos que A y B son iguales, excepto que aj = bj+1 y a j+1 = bj. Si k z j y k z
j+1, tenemos que b1k = a1k y Det(B 1k) = -Det(A 1k) por la hipótesis de inducción, de
modo que
(-1)k+1b1kDet(B 1k) = -(-1)k+1a1kDet(A 1k)
Por otra parte, b1j = a1 j+1, B 1j = A 1 j+1, de modo que
(-1)j+1b1jDet(B 1j) = (-1)j+1a1 j+1Det(A 1 j+1)
= -(-1)j+2a1 j+1Det(A 1 j+1).
De la misma manera,
(-1)j+2b1 j+1Det(B 1 j+1) = -(-1)j+1a1jDet(A 1j).
Por tanto, cada término de la expresión para Det(B) es igual al negativo de un
término en la expresión para Det(A). Por tanto, Det(B) = -Det(A).
T E O R E M A 2.1.5
Si en una matriz cuadrada todos los elementos de una fila (o columna) son
cero, el valor de su determinante es cero.
Cada uno de los productos en que se desarrolla el determinante contiene un elemento
de esa fila, así que cada producto es nulo en la hipótesis hecha. De aquí que su suma
es cero; es decir Det(A) = 0.
T E O R E M A 2.1.6
Si en una matriz cuadrada, los elementos correspondientes de dos filas
(o dos columnas) son idénticos, entonces el valor de su determinante es
cero.

74 DETERMINANTES
Suponga que a ik = a jk para todo k o que a ik = aij para todo i; si intercambiamos las dos
filas o las dos columnas iguales, la matriz A no ha cambiado. Pero el signo del
determinante cambia:
Det(A) = - Det(A) o Det(A) + Det(A) = 0.
El único número real para el cual se satisface la ecuación es Det(A) = 0.
T E O R E M A 2.1.7
Un determinante es nulo si los elementos de una fila (o columna) son
proporcionales a los términos de una paralela a ella.
Si los términos de una fila son iguales a los correspondientes de otra, multiplicados
por r, separando este número como factor del determinante, queda otro con dos filas
idénticas, y, por tanto, es nulo.
T E O R E M A 2.1.8
Sean A, B y C matrices iguales, excepto para la columna j, y supóngase que
la columna j de C es la suma de las columnas de j de A y B. Entonces
Det(C) = Det(A) + Det(B).
Tenemos que
c1j = a1j + b1j y C 1j = A 1j + B 1j.
Para k z j,
c1k = a1k = b1k y C 1k = A 1k = B 1k,
excepto para una columna que es la suma de las columnas correspondientes de A 1k y
B 1k. Por tanto, si k z j,
Det(C 1k) = Det(A 1k) + Det(B 1k)
por hipótesis de inducción. Si k = j tenemos
c1kDet(C 1k) = c1kDet(A 1k) + c1kDet(B 1k)
= a 1kDet(A 1k) + b1kDet(B 1k)
mientras que
c1jDet(C 1j) = a 1jDet(C 1j) + b1jDet(C 1j)
= a 1jDet(A 1j) + b1jDet(B 1j)
Por tanto
n
Det( C ) ¦ (1)k 1 c1 k Det( C1 k )
k 1
n n
¦ (1)k 1 a1k Det( A1k ) ¦ (1) k 1 b1k Det( B1k )
k 1 k 1
= Det(A) + Det(B).
El teorema siguiente nos da una manera eficiente para calcular el determinante de

una matriz grande.
T E O R E M A 2.1.9
Si C y A son matrices n x n y C se obtiene de A sumando un múltiplo
numérico de una columna a otra, entonces
Det(C) = Det(A).
Supongamos que la matriz C es igual a la matriz A, excepto que c j = a j + ra i. Sea la
matriz obtenida de A remplazando a j por ra i. Por el teorema anterior,
Det(C) = Det(A) + Det(B).
El Det(B) es r veces el determinante de una matriz con dos columnas iguales. Por
tanto,
Det(B) = 0 y Det(C) = Det(A).

DETERMINANTES 75
EJ E M P L O 2.1.6
Sin desarrollar el determinante, demostrar la siguiente identidad:
ma1 mb1 mc1 a1 b1 c1 1 a bc 1 1 1
a.- na2 nb2 nc2 mnp a2 b2 c2 ; b.- 1 b ac a b c .
pa3 pb3 pc3 a3 b3 c3 1 c ab a 2 b2 c2
SO L U C I O N
a.- Extraemos m de la primera fila de la matriz, n de la segunda fila y p de la tercera
fila. Es decir
a1 b1 c1 a1 b1 c1 a1 b1 c1
m na2 nb2 nc2 mn a2 b2 c2 mnp a2 b2 c2
pa3 pb3 pc3 pa3 pb3 pc3 a3 b3 c3
b.- Multiplicando la primera, segunda y tercera filas por a, b y c, respectivamente,
obtenemos
a a2 abc a a2 1
1
b b2 abc b b2 1
abc
c c2 abc c c2 1
intercambiando las columnas 1 y 3, luego la 2 y 3, transponiendo la matriz
obtenemos la identidad
a a2 1 1 a2 a 1 a a2 1 1 1
2 2 2
b b 1 1 b b 1 b b a b c .
2 2
c c 1 1 c c 1 c c2 a 2 b2 c2
EJ E M P L O 2.1.7
Sea A una matriz antisimétrica de n x n. Demuestre que si n es impar, entonces
Det(A) = 0.
SO L U C I O N
Como A = -A T, entonces:
Det(A) = Det(-A T) = (-1)nDet(A T) = (-1)nDet(A) = - Det(A) 2Det(A) = 0.
Luego Det(A) = 0.
EJ E M P L O 2.1.8
1 a a2 1 a 0 1 a2 a3 bc a a2
a.- 1 b b 2 (b a )(c a ) 0 1 b ; b.- 1 b 2 b3 ca b b 2 .
1 c c2 0 1 c 1 c2 c3 ab c c2
SO L U C I O N
a.- Restando la fila 1 de la fila 2 y la fila 1 de la fila 3, obtenemos:
1 a a2
0 b a b2 a 2
0 ca c2 a2
extraemos (b ± a) de la segunda fila y (c ± a) de la tercera fila
1 a a2
(b a )( c a ) 0 1 b a
0 1 ca
descomponemos el determinante en suma de determinantes con respecto a la tercera

76 DETERMINANTES
columna
1 a 0 1 a a2 ½
° °
(b a )( c a ) ® 0 1 b 0 1 a ¾
° 0 1 c 0 1 a °
¯ ¿
podemos observar en la expresión que esta entre llaves, que el segundo determinante
es cero por tener dos filas iguales, lo cual permite llegar a demostrar la identidad.
1 a 0
(b a )( c a ) 0 1 b .
0 1 c
b.- A la primera columna del determinante le multiplicamos por abc:
abc a 2 a3
1
abc b 2 b3
abc
abc c 2 c3
Extraemos a de la primera fila, b de la segunda fila y c de la tercera fila:
bc a a 2 bc a a2
abc
ac b b 2 ac b b 2 .
abc
ab c c 2 ab c c2
EJ E M P L O 2.1.9
1 a a3 1 a a2
a.- 1 b b3 (a b c) 1 b b2 ;
1 c c3 1 c c2
0 a b c 0 1 1 1
2
a 0 c b 1 0 c b2
b.- .
b c 0 a 1 c2 0 a2
c b a 0 1 b2 a2 0
SO L U C I O N
a.- A la columna 3 le restamos la columna 1 multiplicada por abc
1 a a 3 abc
1 b b3 abc
1 c c 3 abc
A la columna 3 le sumamos la columna 2 multiplicada por ac
1 a a 3 a 2 c abc
1 b b3 abc abc
1 c c 3 ac 2 abc
A la columna 3 le sumamos la columna 2 multiplicada por bc
1 a a 3 a 2 c abc abc
1 b b3 b 2 c
1 c c 3 ac 2 abc bc 2
A la columna 3 le sumamos la columna 2 multiplicada por ab

DETERMINANTES 77
1 a a 3 a 2 c a 2b 1 a a 2 (a b c)
1 b b3 b 2 c b 2 a 1 b b2 ( a b c )
1 c c 3 ac 2 bc 2 1 c c 2 (a b c)
Extraemos a + b + c de la tercera columna
1 a a2
( a b c ) 1 b b2 .
1 c c2
b.- A la segunda fila del determinante se le multiplica por bc, a la tercera fila por ac
y a la cuarta fila por ab:
0 a b c
1 abc 0 bc 2 b2 c
a 2 b 2 c 2 abc ac 2 0 a2c
abc ab 2 a 2 b 0
De la primera columna extraemos abc, de la segunda columna a, de la tercera
columna b y de la cuarta columna c:
0 1 1 1 0 1 1 1
a 2b2 c 2 1 0 c2 b2 1 0 c2 b2
.
a 2b2 c 2 1 c 2 0 a2 1 c2 0 a2
1 b2 a2 0 1 b2 a2 0
EJ E M P L O 2.1.10
Evaluar los siguientes determinantes:
1 a b cd 1 a b c
1 b c da 1 b c a
a.- ; b.- .
1 c d a b 1 c a b
1 d a bc 1 2 a b 2b c 2c a
SO L U C I O N
a.- A la segunda columna del determinante, le sumamos la tercera y cuarta
columnas:
1 a bc d b c d
1 bcd a c d a
1 c d a b d a b
1 d a bc a bc
Extraemos de la segunda columna a + b + c + d:
1 1 b cd
1 1 c da
(a b c d )
1 1 d a b
1 1 a bc
Como existen dos columnas iguales, el determinante es igual a 0.
b.- A la primera columna, le sumamos la tercera y cuarta columnas:
1 a bc b c
1 bca c a
1 c a b a b
1 a b c 2b c 2c a

78 DETERMINANTES
Extraemos de la segunda columna a + b + c :

1 1 b c
1 1 c a
(a b c) .
1 1 a b
1 1 2b c 2c a
Como existen dos columnas iguales, el determinante es igual a 0.
PR O B L E M AS
2.1.1 Si A y B son matrices triangulares superiores de n x 2.1.13 Evaluar los siguientes determinantes:
n tales que Det(a A + b B) = aDet(A) + bDet(B) para todo n 2 n 1 n 1 1 1
a, b en K , demuestre que Det(A) = Det(B) = 0. a.- n 1 n n ; b.- 1 2 a 1 ;
2.1.2 Dado que Det(A) = 81 y B es una matriz igual a A, n n n 1 1 3 a
excepto que la primera y tercera filas fueron 1 2 3 1 1 1
intercambiadas una por la otra. ¿Cuál es el valor de c.- 1 a 1 3 ; d.- a a b a ;
Det(B)?
1 2 a 1 cd c c
2.1.3 Si Det(A) = 9 y B es una matriz igual a A, excepto e c b 1 1 n
que la segunda y tercera filas fueron intercambiadas entre e.- c e a ; f.- 1 n 1 ;
sí. ¿Cuál es el valor de Det(B)?
b a e n 1 1
2.1.4 Sean A y B matrices cuadradas de 4 x 4 tales que a b c d a dg dh
Det(A) = -15 y Det(B) = -6. Encuentre Det(A B), Det(A 3), g.- b ac d ; h.- ek b eh ;
Det(5B); Det(A B)T. b c ad fk fg c
2.1.5 Si A es una matriz simétrica, demuestre que 2 a2 2 3 1 n n
Det(A + B) = Det(A + B T). i.- 3 1 5 ; j.- n 2 n ;
3 1 9a 2 n n 3
2.1.6 Encuentre matrices A y B de 2 x 2 tales que
Det(A + B) = Det(A) + Det(B). n 1 1 a b b
k.- 1 n 1 ; l.- b a b .
2.1.7 Sea A una matriz de 3 x 3 tal que la suma de cada
una de sus filas es igual a cero. Encuentre Det(A). 1 1 n b b a
2.1.8 Demuestre que si Det(A) = Det(B) z 0, entonces 2.1.14 Demuestre que la ecuación de la recta que pasa
hay una matriz C tal que Det(C) = 1 y A = C B. por los puntos P(a, b) y Q(c, d) está dada por
1 1 1
2.1.9 Demuestre que si A es una matriz antisimétrica de x a c 0.
n x n, entonces Det(A) = (-1)nDet(A).
y b d
2.1.10 Si A es una matriz idempotente, ¿cuáles son los
valores posibles de Det(A)? §a b·
2.1.15 Demuestre que si
¨ A
¸ , entonces
©c d¹
2.1.11 Sean A y B dos matrices de n x n. Encuentre
Det(C) en función de Det(A + B) y Det(A ± B), siendo Det( A ) es el área del paralelogramo con lados
§A B· determinados por (a, b) y (c, d).
C =¨ ¸.
©B A¹ 2.1.16 Evaluar los siguientes determinantes:
n 1 0 1 a 0
§ 1 3 · a.- n 1 a 1 ; b.- 1 1 a b ;
2.1.12 Si A T B T ¨ ¸ y Det(B) = 3. ¿Cuál es el
© 2 4¹ n2 0 a 0 1 1 b
Det(A)?

DETERMINANTES 79
2n 5 n 1 n 1 n 1 1 2.1.23 Sin desarrollar el determinante, demostrar la

c.- n 2 2n 3 n ; d.- 1 1 n 1 ; siguiente identidad:
n 2 n 1 2n 1 1 1 1 n 0 a 2 b2 0 1 1
a b ab 0 a.- a2 0 c2 a 2b2 c 2 1 0 1 ;
e.- 1 a b ab . b2 c2 0 1 1 0
0 1 a b
a4 a9 a16 1 a a4
§ 1 2 4 · b.- a9 a16 a 25 a 36 a a4 a9 ;
¨ ¸ a16 a 25 a 36 a4 a9 a16
2.1.17 Si A ¨ 3 1 1¸ evalúe Det(A - OI), donde O
¨5 2 6¸
© ¹ 1 a2 a3 1 a a2
es un escalar.
c.- 1 b 2 b3 ( ab bc ca ) 1 b b 2 ;
2.1.18 Sea A una matriz antisimétrica de orden impar. 1 c2 c3 1 c c2
Demuestre que Det(A) = 0.
a b a c bc 1 c b
a b c d.- a c a b bc 2( a b c ) 1 b b ;
2.1.19 Si d e f 16 , encuentre: bc ba ac 1 b a
g h i a b bc c a a b c
a b c d e f e.- m n n 1 1 m 2 m n 1 ;
a.- d e f ; b.- a b c ; x y yz zx x y z
ag bh ci 3g 3h 3i a1 b1 a1 x b1 y c1 a1 b1 c1
g h i f.- a2 b2 a2 x b2 y c2 a2 b2 c2 ;
c.- a b c . a3 b3 a3 x b3 y c3 a3 b3 c3
d e f a b bc ca a b c
g.- a1 b1 b1 c1 c1 a1 2 a1 b1 c1 ;
2.1.20 Use determinantes para encontrar: a2 b2 b2 c2 c2 a 2 a2 b2 c2
a.- El área del rectángulo con lados determinados por
(4, 3) y (-6, 2). a1 b1 x a1 b1 x c1 a1 b1 c1
b.- El volumen del paralelepípedo rectangular cuyos lados h.- a2 b2 x a2 b2 x c2 2 x a2 b2 c2 ;
están determinados por (2, 2, 0), (4, -4, 1) y (2, -2, -16). a3 b3 x a3 b3 x c3 a3 b3 c3
a1 b1 x a1 x b1 c1 a1 b1 c1
§B C·
2.1.21 Sea n = p + q y sea A = ¨ ¸ , donde B es i.- a2 b2 x a2 x b2 c2 (1 x 2 ) a2 b2 c2 .
©D E¹
una matriz de p x p y E es una matriz q x q. Demuéstre- a3 b3 x a3 x b3 c3 a3 b3 c3
se que:
a.- Si p < q, y si E = O, entonces 2.1.24 Sin desarrollar el determinante, demostrar la
Det(A) = 0. siguiente identidad:
b.- Si p = q y si C = O, entonces 1 2a a2 0 1 2 1 0
Det(A) = Det(B)Det(E). 2
c.- Si C = O y D = O, de manera que A es suma directa 0 1 2a a 0 1 2 1
a.- a4 ;
de B y E, entonces 1 a a 2
0 1 1 1 0
Det(A) = Det(B)Det(E). 0 1 1 1
0 1 a a2
§ a1 a2 a3 · bc b c 0 c b
¨ ¸ b.- a ac c 2 c 0 a .
2.1.22 Demuestre que si A ¨ b1 b2 b3 ¸ entonces
¨c c2 c3 ¸¹ a b a b b a 0
© 1
Det( A ) es el volumen del paralelepípedo cuyos lados
2.1.25 Sean A y B matrices de n x n tales que A B = I.
están determinados por (a1, a2, a3), (b1, b2, b3) y (c1, c2, c3). Demuestre que Det(A) z 0 y Det(B) z 0.

80 DETERMINANTES
2.1.26 Evaluar los siguientes determinantes: 5 2 1 4 3 5

1 1 4 3 6 9 5 4 2 i.- 5 4 3 ; j.- 5 4 3 .
a.- 2 2 1 ; b.- 6 3 6 ; c.- 4 2 5 ; 4 2 3 3 5 4
3 3 5 9 9 3 2 5 4
2 1 4 3 4 3 3 1 2 2.1.27 Use determinantes para encontrar:
d.- 5 2 3 ; e.- 5 6 5 ; f.- 2 3 1 ; a.- El área del paralelogramo con lados determinados por
(2, -4), (1, -3).
1 5 5 4 9 3 1 2 3 b.- El volumen del paralelepípedo de lados determinados
1 1 2 3 2 1 por (-1, 2, 3), (4, -5, 3) y (4, -1, 2).
g.- 3 5 1 ; h.- 2 1 2 ;
5 3 1 1 2 3
2.2 M E T O D OS P A R A E L D ESA RR O L L O D E UN D E T E R M I N A N T E D E O RD E N SUP E RI O R
En esta sección se analiza y desarrolla los métodos más importantes para el desarrollo de un determinante de
n-ésimo orden.
Nos interesa generalizar la noción de determinante a ordenaciones de n x n. En

los casos de arreglos de 2 x 2 y 3 x 3 se observa que un determinante es una suma
de términos cada uno de los cuales contiene uno y sólo un elemento de cada fila y
de cada columna de la ordenación rectangular. Además, el número de elementos
de cada término es el mismo que el de fila de la ordenación, es decir, que no hay
elementos repetidos. Notamos también una alternación en los signos de los
términos. No es fácil evaluar numéricamente un determinante cuando n es grande.
La labor de encontrar todas las permutaciones y asignar los signos
correspondientes es realmente difícil. Entonces, desarrollaremos métodos para
evaluar determinantes, que tiene una enorme importancia teórica, y simplifica el
procedimiento.
El cofactor Det(A ij) del elemento a ij de cualquier matriz cuadrada A es
(-1)i+j veces el determinante de la submatriz de A obtenida al omitir la fila i
y la columna j.
Si en una matriz cuadrada de orden n x n se suprimen la fila que ocupa el
lugar i y la columna j, se obtiene una matriz cuadrada de orden n ± 1 x n ±
1, cuyo determinante se llama menor complementario del elemento a ij
común a la fila y columna suprimidas. Lo designaremos Det(A ij). Si en el
desarrollo de un determinante sacamos factor común a ij en todos los
términos en que figura, aparece multiplicado por un polinomio que se llama
adjunto de a ij.
Nos será de mucha utilidad darles nombres a los determinantes de orden n ± 1 x

n ± 1, que aparecen en la evaluación de Det( A), paso a paso, por medio del
desarrollo por cofactores; los llamaremos los menores complementarios de la
matriz A.
El adjunto de un elemento a ij es igual a su menor complementario, con
signo + o -, según que i + j sea par o impar. Por esta razón, el adjunto de a
suele llamarse también complemento algebraico, lo designaremos por
Det(A ij).

DETERMINANTES 81
I. D ESA RR O L L O PO R L OS E L E M E N T OS D E UN A F I L A O
C O LUMNA
Si en la definición del determinante de 3 x 3 se saca factor común a los elementos de

la primera fila, se tiene
Det(A) = a11(a22a33 ± a23a32) + a12(a23a31 ± a21a33) + a13(a21a32 ± a22a31)
a a a a a a
a11 (1)11 22 23 a12 (1)1 2 21 23 a11 (1)13 21 22
a32 a33 a31 a33 a31 a32
= a11Det(A 11) + a12Det(A 12) + a13Det(A 13)
en donde cada Det(A 1i) es el determinante que resulta de suprimir en la matriz A la

fila 1 y la columna i, afectado de un signo + o ± según que 1 + i sea un número par o
impar.
Se puede comprobar, para todos los casos posibles, que el determinante de 3 x 3 es

igual a la suma de los productos de los elementos de una fila o columna de la matriz
del determinante por sus adjuntos respectivos. Este resultado se puede generalizar al
caso de un determinante cualquiera de n x n, sacando también factor común a los
elementos de una fila o columna y comprobando que cada uno de ellos multiplica a
su correspondiente adjunto, con lo que se consigue el desarrollo de un determinante
por los elementos de una fila o columna.
T E O R E M A 2.2.1
El símbolo Det(A) se llama determinante de la matriz A de n x n y significa
la suma de los productos de los elementos de cualquier fila o columna y sus
respectivos cofactores; es decir
Det(A) = a i1Det(A i1) + a i2Det(A i2«+ a inDet(A in)
o bien
Det(A) = a1jDet(A 1j) + a2jDet(A 2j«+ anjDet(A nj).
La demostración se lleva a cabo por inducción. La proposición es verdadera para un
determinante de 2 x 2. Suponiendo que es verdadera para un determinante de n ± 1 x
n ± 1, probaremos que es verdadera para un determinante de n x n. Desarróllese
Det(A) por la i-ésima fila. Un término típico es este desarrollo es
a ikDet(A ik) = (-1)i + k a ikDet(M ik).
El menor Det(M ik) de a i k en Det(A) es un determinante de n ± 1 x n ± 1. Por la
hipótesis de inducción, puede desarrollarse por cualquier fila. Desarróllese por la fila
correspondiente a la j-ésima fila de Det(A). Esta fila contiene los elementos a jr
(r z k). Es la (n ± 1)-ésima fila de Det(B ik), porque Det(B ik) no contiene elementos de
la i-ésima fila de Det(A) y i < j. Tiene que distinguirse entre dos casos:
Caso I. Si r < k, entonces el elemento a jr pertenece a la r-ésima columna de Det(A ik).
De aquí que el término que contiene a jr en este desarrollo es
a jr(cofactor de a jr en Det(B i k) = (-1)(j - 1) + ra jrDet(B ik jr)
donde Det(B ik jr) es el menor de ajr en Det(B ik). Como este menor se obtiene de
Det(B ik) eliminando la fila y columna de a jr, se obtiene en Det(A) eliminando el i-
ésima y el j-ésima filas y la k-ésima y r-ésima columnas de Det(A). Introdúzcanse
los desarrollos de los Det(B ik) en el de Det(A). Entonces se deduce que los términos
de la representación resultante de Det(A) son de la forma
(-1)i+k+j+r -1a i k a j rDet(B i k j r) r < k.
Caso II. Si r > k, la única diferencia es que entonces a jr pertenece a la (r ± 1)-ésima
columna de Det(B ik), porque Det(B ik) no contiene elementos de la k-ésima columna
de Det(A) y k < r. Esto produce un signo menos adicional y, por tanto, se obtiene
-(-1)i + k + j + r ± 1a i ka j rDet(B i k j r) r > k.
De forma análoga se demuestra el desarrollo referente a las columnas.

82 DETERMINANTES
En esta forma, Det(A) se define en términos de n determinantes de n ± 1 x n ± 1,

cada uno de los cuales, a su vez, se define en términos de n ± 1 determinantes de
n ± 2 x n ± 2, y así sucesivamente; finalmente se llega a determinantes de 2 x 2, en
los que los cofactores de los elementos son elementos sencillos de Det(A). Además,
de la definición se concluye que puede desarrollarse Det(A) por cualquier fila o
columna. El método expuesto para el desarrollo de un determinante complica
extraordinariamente el proceso de cálculo a medida que aumenta el orden del
determinante.
% CALCULO DEL DETERMINANTE DE UNA MATRIZ

clc;;clear;;
fprintf('\n DETERMINANTE DE UNA MATRIZ \n')
for f=1:filcol
for c=1:filcol
end
end
A
DetA=det(A);;
DetA

EJ E M P L O 2.2.1
Evaluar el siguiente determinante:
2 5 1 2 1 0 2 8
3 7 1 4 3 2 8 5
a.- ; b.- .
5 9 2 7 3 9 4 7
4 6 1 2 3 1 8 5
SO L U C I O N
a.- Para desarrollar este determinante, elegimos la primera fila, es decir:
7 1 4 3 1 4 3 7 4
' 2(1)11 9 2 7 (5)(1)1 2 5 2 7 (1)13 5 9 7
6 1 2 4 1 2 4 6 2
3 7 1
1 4
2(1) 5 9 2
4 6 1
= 2(28 + 42 ± 36 + 48 ± 49 - 18) + 5(-12 ± 28 + 20 ± 32 + 21 + 10) +
+ (54 + 196 ± 120 + 144 ± 126 ± 70) + 2(27 + 56 + 30 ± 36 ± 36 ± 35)
= - 9.
b.- Desarrollando el determinante con respecto a la primera fila, obtenemos:
2 8 5 3 2 5 3 2 8
11 1 3 1 4
' (1) (1) 9 4 7 (1) 2 3 9 7 ( 1) 8 3 9 4
1 8 5 3 1 5 3 1 8
2 8 5 3 2 5 3 2 8
9 4 7 2 3 9 7 8 3 9 4
1 8 5 3 1 5 3 1 8
= - (-40 ± 56 + 360 + 20 + 112 ± 360) + 2(135 + 42 ± 15 + 135 + 21 + 30) ±
- 8(216 + 24 ± 24 + 216 + 12 + 48)
= - 36 + 2(348) - 8(492)
= - 36 + 696 ± 3936
= - 3276.
DETERMINANTES 83
EJ E M P L O 2.2.2
a b c d 0 1 1 1
b c d a 1 c d a
( a b c d )(b a d c ) .
c d a b 1 d a b
d a b c 1 a b c
SO L U C I O N
A la primera columna se le restan la segunda, tercera y cuarta columnas:
a bcd b c d
a bcd c d a
a bcd d a b
a bcd a b c
Extraemos a + b + c + d de la primera columna:
1 b c d
1 c d a
(a b c d )
1 d a b
1 a b c
A la primera fila, se le resta la segunda, se le suma la tercera y se le resta la cuarta
filas:
0 bc d a c d a b d a bc
1 c d a
(a b c d )
1 d a b
1 a b c
Extraemos b ± a + d - c de la primera fila:
0 1 1 1
1 c d a
( a b c d )(b a d c ) .
1 d a b
1 a b c
T E O R E M A 2.2.2
El valor de un determinante es igual a la suma de los elementos de una fila
(columna) cualquier multiplicado por sus adjuntos correspondientes.
Fijémonos, por ejemplo, en la fila que ocupa el lugar i. En cada término de A hay un
elemento de esta fila, y sólo uno; luego podemos clasificar los n! Términos del
siguiente modo: todos los que contienen a i1 forman el producto a i1Det(A i1); los que
contienen a i2 forman a i2Det(A i2), ..., los que contienen a i n componen a i nDet(A i n),
luego:
n
Det(A) = a i1Det(A i1) + a i2Det(A i2«+ a inDet(A in) = ¦ aij Det( A ij ) .
j 1
T E O R E M A 2.2.3
La suma de los elementos de una fila (o columna), multiplicados por los
adjuntos de los elementos de una paralela a ella, es cero.
En efecto, la suma a k1Det(A i1) + a k2Det(A i2« a knDet(A in) en el desarrollo del
determinante obtenido poniendo en Det(A), en vez de la fila a k a k2 «a kn, la fila ai1ai2
« a in; este determinante tiene, pues, esta fila idéntica a la que ocupa el lugar k, luego
es nulo.
84 DETERMINANTES
La aplicación de este teorema, para el desarrollo de Det(A), se simplifica observando

que siendo (-1)i+j el signo que lleva el menor complementario de a ij y siendo i
constante o j si se desarrolla por los elementos de una columna y tomando j los
valores 1, 2, ..., n, este signo es alternativamente + y -.
T E O R E M A 2.2.4
Sea A = (a i j) una matriz cuadrada de n x n. Entonces
Det(A T) = Det(A).
Para la demostración de este teorema, utilizaremos el principio de inducción
matemática en n. El teorema resulta evidente en el caso de n = 1. Supongamos que
sea válido para todas las matrices cuadradas de m x m, con m < n. Puesto que el
elemento a ij de A T es aji, tenemos que
n
Det( A T ) ¦ (1)i j a ji Det( A Tij )
i 1
Observemos que A Ti j = (A i j)T, y que, en consecuencia resulta
Det(A Tij) = Det(A ji)T
= Det(A ji)
Puesto que A ij es una matriz cuadrada de n ± 1 x n ± 1. Tenemos que cada i = 1, 2, ...,
n, que
n
Det( A T ) ¦ (1)i j a ji Det( A ji )
i 1
y, al sumar ambos miembros de esta última igualdad para i = 1, 2, ..., n, obtendremos
n n n
¦ Det( A T ) ¦¦ (1)i j a ji Det( A Tij )
i 1 i 1 j 1
n n
¦¦ (1)i j a ji Det( A ji ) .
i 1 j 1
Si intercambiamos el orden de sumación de i y j en el miembro a la derecha de la
última fórmula, veremos que
n n
nDet( A T ) ¦¦ (1) j i a ji Det( A ji ) .
j 1i 1
Por otra parte,
n
¦ (1) j i a ji Det( A ji ) .
i 1
Es el desarrollo de Det(A) por la fila j-ésima, y, en consecuencia
n § n ·
¦ ¨¨ ¦ (1) j 1 a ji Det( A ji ) ¸¸ nDet( A ) .
i 1© j 1 ¹
T
Es así como nDet(A ) = nDet(A) y, por lo tanto,
Det(A T) = Det(A).
EJ E M P L O 2.2.3
Si A es antisimétrica, ¿qué puede decirse acerca de Det(A)?
SO L U C I O N
Se sabe que una matriz es antisimétrica si A T = -A, por lo que
Det(A T) = Det(-A)
= (-1)nDet(A).
T
Por otra parte, Det(A ) = Det(A), así que
Det(A) = (-1)nDet(A).
Si n es par, no se puede afirmar nada. Sin embargo, si n es impar se tiene Det(A) = -
Det(A) y, por lo tanto, Det(A) = 0.

DETERMINANTES 85
EJ E M P L O 2.2.4
Dada la expresión
0 a b c
a 0 d e
a
2
A b B c C
b d 0 f
c e f 0
calcular A, B y C.
SO L U C I O N
Eligiendo la primera columna, desarrollamos el determinante
a b c a b c
2 1 31
' ( a )(1) d 0 f (b)(1) 0 d e
e f 0 e f 0
a b c
( c )(1)41 0 d e
e f 0
a
2
A b B c C
a(- bef + cdf + af2) - b(- be2 + cde + aef) + c(adf - bed + cd2) = '
af(- be + cd + af) - be(- be + cd + af) + cd(af - be + cd) = '
(af - be + cd)2 = ' af be cd a A b B c C
A f A = f 2; B e B = e2; C d C = d 2.
I I. D ESA RR O L L O G A USSI A N O
Los efectos que tienen las operaciones de filas o columnas en el valor del
determinante pueden resumirse de la siguiente manera:
1.- El intercambio de dos filas o columnas de una matriz cambia el signo del
determinante.
2.- La multiplicación de una fila o columna de una matriz por un escalar tiene el
efecto de multiplicar el valor del determinante por ese escalar.
3.- La suma de un múltiplo de una fila o columna a otra no cambia el valor del
determinante.
T E O R E M A 2.2.5
El determinante de una matriz de la forma triangular o diagonal, es igual al
producto de los elementos de la diagonal principal.
Sea A una matriz triangular superior. En virtud de que los elementos a21, a31, ..., an1
de la primera columna de A son 0, la definición del determinante de A origina
Det(A) = a11Det(A 11). La submatriz A 11 de A es también una matriz triangular
superior, pero de n ± 1 x n ± 1. Por consiguiente, merced al principio de inducción
Det(A 11) = a 22a 33 ... a nn el producto de sus elementos. Por lo tanto, Det(A) =
a 11Det(A11) = a 11a 22 ... a nn el producto de los elementos diagonales de A.
Sea A una matriz triangular inferior. En virtud de que los elementos a12, a13, ..., a1n
de la primera fila de A son 0, la definición del determinante de A origina Det(A) =
a11Det(A 11).
La submatriz A 11 de A es también una matriz triangular inferior, pero de n ± 1 x
n ± 1. Por consiguiente por inducción, es igual al producto de los elementos
diagonales
Det(A) = a 11Det(A 11) = a 11a 22 ... a nn.
Para el caso de la matriz diagonal, la demostración es análoga.

86 DETERMINANTES
E J E M P L O 2.2.5
Evaluar el siguiente determinante:
2 5 1 2
3 7 1 4
.
5 9 2 7
4 6 1 2
SO L U C I O N
Mediante el desarrollo gaussiano, llevaremos la matriz a la forma triangular. A la
segunda fila le multiplicamos por 2 y luego le sumamos 3 veces la primera fila, a la
tercera fila le multiplicamos por 2 y luego le restamos 5 veces la primera fila, a la
cuarta fila le restamos 2 veces la primera fila
2 5 1 2
1 1 0 1 1 14

2 2 0 7 1 4
0 4 1 2
A la tercera fila le sumamos 7 veces la primera fila, a la cuarta fila le sumamos 4
veces la segunda fila
2 5 1 2
1 1 0 1 1 14

2 2 0 0 6 102
0 0 3 54
Extraemos un 6 de la tercera fila y un 3 de la cuarta fila
2 5 1 2
1 1 0 1 1 14
6 3
2 2 0 0 1 17
0 0 1 18
A la cuarta fila le restamos la tercera
2 5 1 2
1 1 0 1 1 14
6 3
2 2 0 0 1 17
0 0 0 1
Por lo tanto el determinante buscado es igual a:
1 1
' 6 3 2 (1) 1 1 9 .
2 2
I II. D ESA RR O L L O C O N R ESP E C T O A UN A F I L A Y UN A

C O LUMNA
Supongamos que se trata de la primera fila y de la primera columna, pues a este caso
se reduce cualquier otro, por transposiciones convenientes. Dado el determinante
a11 a12 a1k a1n
a21 a22 a2 k a2 n
Det( A )
a r1 ar 2 a rk anr
an1 an 2 ank ann

todos los términos en que entra a11 están comprendidos en la expresión a11Det(A 11);

DETERMINANTES 87
cada uno de los demás contiene uno de los elementos a12, a13, ..., a1k, ..., a1n restantes
de la primera fila, y uno de los a21, a31, ..., a r1, ..., an1 de la primera columna.
Hallemos todos los términos que Det(C rk) = (-1)(r - 1) + (k - 1)Det(B rk), la expresión
(-1)k+r+1a1ka r1Det(B rk) adopta la forma sencilla ±a1ka r1Det(C rk). Por consiguiente
contengan el producto a1ka r1. Todos los términos de Det(A) que contienen a1k forman
la expresión (-1)1+ka1kDet(A 1k); desarrollemos ahora el menor Det(A 1k) por los
elementos de su primera columna a21 ... a r1 ... an1; como el menor complementario de
a r1 resulta de suprimir en Det(A) la primera fila, la primera columna, la fila r y la
columna k, este menor es también el complementario de a rk en el determinante
Det(A 11); y designándolo por Det(B rk), todos los términos del desarrollo de Det(A rk)
que contienen el elemento a r1 componen la expresión (-1)ra r1Det(B rk). En resumen,
todos los términos de Det(A) que contienen los elementos a1k a r1, forman la expresión
(-1)k+r+1a1ka r1Det(B rk) y observando que en el determinante Det(A 11) el adjunto de
Det(A rk) es Det(A) = a11Det(A 11) - ¦ a1k ar1Det( C rk ) , donde r = 2, 3, ..., n y k = 2,
3, ..., n.
M E T ODO
El desarrollo de un determinante por los elementos de la primera fila y la primera
columna, es igual a su elemento común a11 por su menor complementario Det(A 11),
menos todos los productos positivos de cada elemento a1k, restante de la primera fila,
por cada elemento a11 restante de la primera columna, por el adjunto Det(A 11) del
elemento a1k en que se cruzan la columna y la fila encabezadas por ambos elementos.
Si la fila y la columna elegidas son las determinadas por el elemento a ij, llevando éste
al primer lugar, el determinante obtenido sería (-1)i+jDet(A), luego el desarrollo por
la fila i y columna j está dado por la misma regla anterior, cambiando el signo al
resultado si es i + j impar.
EJ E M P L O 2.2.6
0 1 3 5 2 5 1 2
7 9 2 4 3 7 1 4
a.- ; b.- .
6 8 0 2 5 9 2 7
7 5 9 1 4 6 1 2
SO L U C I O N
a.- Intercambiamos la primera y tercera filas:
6 8 0 2
7 9 2 4

0 1 3 5
7 5 9 1
Desarrollando el determinante con respecto a la primera fila y primera columna,
obtenemos:
9 2 4
3 5 1 3 2 4
' (1) 6 1 3 5 (1) 2 21 56
11
(1) 2 4114 (1) 4 21 56
9 1 5 9 3 5
5 9 1
9 2 4
9 2 3 5 1 3 2 4 9 2
(1)4 4114 6 1 3 5 56 14 56 14
1 7 9 1 5 9 3 5 1 7
5 9 1
= -6(27 + 50 + 36 ± 60 ± 405 ± 2) + 56(3 ± 45) + 14(9 ± 15) + 56(10 ± 12) +
+ 14(63 ± 2) = 430.
b.- Para desarrollar este determinante, elegimos la primera fila y la primera
columna, es decir:

88 DETERMINANTES
7 1 4
2 7 9 7
' (1)11 2 9 2 7 (1)2 2115 (1)231 (3)
1 2 6 2
6 1 2
9 2 1 4 7 4
(1)231 (6) (1)3 21 (25) (1)331 5
6 1 1 2 6 2
7 1 1 4 7 4
(1)3 4110 (1)4 21 (20) (1)431 4
6 1 2 7 9 7
7 1
(1)4 41 8 9 .
9 2
I V. D ESA RR O L L O PO R M E N O R ES C O MP L E M E N T A RI OS
Un nuevo método para el desarrollo de un determinante de n x n es el conocido con

el nombre de desarrollo por menores complementarios; dicho método exige elegir k
filas o columnas de la matriz y formar determinantes de orden k con todas las
posibles matrices cuadradas de orden k que sean submatrices de la de orden k x n que
se ha seleccionado; a cada uno de estos determinantes de orden k le corresponde un
menor complementario o determinante de la matriz de orden n ± k x n ± k, cuyos
elementos no pertenecen a las filas y columnas de la primera matriz cuadrada de
orden k, aunque sí a todas las demás filas y columnas de la matriz total de orden n.
M E T ODO
Si en una matriz de orden n se suprimen varias filas, e igual número de columnas, se
obtiene otra matriz de orden inferior, llamada menor de la primera. Para determinar
una menor basta dar los números i1, i2, ..., ik que designan las filas que contiene, y los
j1, j2, ..., jk que expresan sus columnas. Si en la matriz primera se suprimen las filas
de lugares i1, i2, ..., ik y las columnas que ocupan los lugares j1, j2, ..., jk, se obtiene
otra menor, llamada complementaria de la anterior. La suma de los órdenes de dos
matrices complementarias es evidentemente n.
Para hallar la clase de su complemento Det(C) formaremos la suma análoga

¦ r ¦ t ik 1 in jk 1 jn
pero ik+1, ..., in designan las filas excluidas por Det(B), es decir, aquellos de los
números 1, 2, 3, ..., n, que son distintos de i1, i2, ..., ik; por tanto
¦ i ¦ r 1 2 3 n
y, análogamente
¦ j ¦t 1 2 3 n
de donde
¦ i ¦ j ¦ r ¦ t 2
Luego ¦ r ¦ t tiene la misma paridad que ¦ i ¦ j , es decir: dos menores
complementarios son de la misma clase.
Por otra parte, el menor complementario recibe el nombre de adjunto si va afectado

de un signo + o -, según que la suma de los lugares que ocupan cada una de sus filas
y cada una de sus columnas en la matriz de orden n sea un número par o impar.
O BSE R V A C I O N
Se dice que un menor Det(B) es de clase par o impar si la suma de los números de
orden de sus filas y columnas:
¦i ¦ j i1 i2 ... ik j1 j2 ... j k
DETERMINANTES 89
es par o impar.
Se llama adjunto o complemento algebraico de un menor Det(B) al menor
complementario de Det(B), con el signo + o -, según que sea de clase par o
impar.
En particular, si el menor dado se reduce a un solo elemento, tendremos el adjunto

definido en el desarrollo de un determinante en suma de varios.
O BSE R V A C I O N
Un menor de orden k se llama principal, cuando está formado por las k primeras filas
y las k primeras columnas. Su adjunto coincide con su menor complementario,
puesto que es de clase par igual a 2(1 + 2 + ... + k).
T E O R E M A 2.2.6
El producto de un menor por su adjunto forma parte del determinante total.
Supongamos primero que un menor Det(B) esté formado por las k primeras filas y
las k primeras columnas
a11 a12 a1k a1 k 1 a1n
a21 a22 a2 k a2 k 1 a2 n
ak1 ak 2 a kk a k k 1 a kn
a k 11 a k 1 2 a k 1 k a k 1 k 1 a k 1 n
an1 an 2 ank an k 1 ann

entonces es Det(B) de clase par y su adjunto es el menor complementario Det(C).
Multiplicando ambos determinantes menores, un término cualquiera del producto
será
(-1)Ma1 j1a2 j2 ... a k jk(-1)Gak+1 jk+1 ... an jn (1)
llamando M al número de inversiones de la permutación j1 j2 ... jk, que indica
columnas elegidas en el término de Det(B), y G al número de inversiones que ofrecen
los índices de las columnas en Det(C), y como éstos aumentados en k son
precisamente jk+1, jk+2, ..., jn, es también G el número de inversiones de esta
permutación; por tanto, el número de inversiones de la permutación j1 j2 ... jk jk+1 ... jn
es M + G, puesto que j1, j2, ..., jk son todos menor o igual a k, y, por tanto, no forman
inversiones con los jk+1, jk+2, ..., jn, los cuales son mayores o iguales a k.
Conteniendo, el producto (1) un elemento de cada fila de Det(A), y uno de cada
columna, y siendo además su signo (-1)M+G el que le corresponde en el desarrollo de
Det(A), dicho producto es un término de este desarrollo.
Sin el menor Det(B) no es principal, sino que está formado por las filas r1, r2, ..., rk, y
columnas t1, t2, ..., tk, se puede convertirlo en principal, por cambios sucesivos de
filas y columnas. Basta permutar la fila r1 con todas sus anteriores que son r1 ± 1,
hasta ocupar el primer lugar; la fila r2 con las r2 ± 2 que le preceden, hasta llegar al
segundo lugar; ...; la fila rk con las rk ± k que hay desde ella a la fila k. Haciendo lo
mismo con las columnas hemos llevado el menor Det(B) al primer lugar, reduciendo
este caso al anterior.
En el desarrollo del nuevo determinante Det(D), el adjunto del menor principal
Det(B) es el menor Det(C), el cual no ha sufrido variación, luego Det(D) =
Det(B)Det(C) + ... y como de Det(D) se deduce el Det(A), mediante un número de
transposiciones
(t1 ± 1) + (t2 ± 2) + ... + (tk ± k) + (r1 ± 1) + (r2 ± 2) + ... + (rk ± k) = ¦ t ¦ r 2
90 DETERMINANTES
será
Det(A) = (1)¦ t ¦ r Det( D) = (1)¦ t ¦ r Det( B )Det( C ) ...
y siendo (1)¦ t ¦ r Det(C) el adjunto de Det(B), queda demostrado el teorema.
A continuación consideramos otra técnica, más general, para desarrollar

determinantes conocidas como el método de desarrollo de Laplace, que contempla
como caso especial el desarrollo por cofactores. En vez de desarrollar por una sola
fila o columna, desarrollamos por varias filas o columnas. El determinante Det(A) se
escribe como una suma de términos, cada uno de los cuales es el producto de dos
determinantes.
T E O R E M A 2.2.7 L AP L A C E
Todo determinante es igual a la suma de los productos obtenidos
multiplicando todos los menores de orden k que se pueden formar con k
filas paralelas, por sus adjuntos respectivos.
Todos los términos de estos productos pertenecen al desarrollo de Det(A), en virtud

de la segunda propiedad; todos son distintos, pues contienen elementos distintos;
falta ver que en Det(A) no hay más términos que éstos. Un término cualquiera de
Det(A) puede descomponerse en dos productos, agrupando en uno de los elementos
que pertenecen a las k filas elegidas, y en otro los restantes. El primer producto es un
término de uno de los menores formados con aquellas k filas, y el segundo producto
es un término del complementario, luego ha sido ya obtenido en el producto de estos
dos menores.
El teorema anterior reduce el desarrollo de un determinante al de otros de orden

inferior. Para hacer el desarrollo por los menores de k filas, convendrá elegir aquéllas
en que aparezca el mayor número posible de columnas formadas por elementos
nulos; pues todo menor en que figure una de estas columnas, es nulo. La segunda
propiedad reduce el desarrollo de un determinante al de otros de orden inferior. Para
hacer el desarrollo por los menores de k filas, convendrá elegir aquéllas en que
aparezca el mayor número posible de columnas formadas por elementos nulos; pues
todo menor en que figure una de estas columnas, es nulo.
EJ E M P L O 2.2.7
Expresar el menor de m-ésimo orden del producto de dos matrices mediante los
menores de los factores.
SO L U C I O N
El menor formado por los elementos de las filas de índices i1, i2 « im y de las
columnas de índices k1, k2 « km, es el determinante del producto de la matriz
formada por las filas i1, i2 « im del primer factor, por la matriz formada por las
columnas k1, k2« km del segundo. Por ello, éste es igual a la suma de todos los
menores posibles de m-ésimo orden formados por las filas de la primer matriz de
índices i1, i2«im, multiplicados por los menores correspondientes formados por las
columnas de la segunda matriz de índices k1, k2«km.
EJ E M P L O 2.2.8
Demostrar que todos los menores principales (diagonales) de la matriz A T A son no
negativos. Aquí A es una matriz real y A T es la matriz transpuesta de A.
SO L U C I O N
El menor diagonal de la matriz A T A es igual a la suma de los cuadrados de todos los
menores de la matriz A del mismo orden, formados por los elementos de las
columnas que tienen iguales índices que las columnas de la matriz A T A que
contienen al menor tomado. Por consiguiente, éste es no negativo.

DETERMINANTES 91
EJ E M P L O 2.2.9
Demostrar que las sumas de todos los menores diagonales de un orden dado k,
calculados para las matrices A T A y A A T, son iguales.
SO L U C I O N
La suma de todos los menores diagonales de orden k de la matriz A T A es igual a la
suma de los cuadrados de todos los menores de orden k de la matriz A. También es
igual a este mismo número la suma de todos los menores diagonales de orden k de la
matriz A A T.
EJ E M P L O 2.2.10
Se llama matriz recíproca de una matriz dada A, aquella cuyos elementos son los
menores de (n-1)-ésimo orden de la matriz inicial en su disposición natural.
Demostrar que la matriz recíproca de la recíproca, es igual a la matriz inicial
multiplicada por su determinante elevado a la potencia n - 2.
SO L U C I O N
Para una matriz singular A el resultado es trivial. Supongamos que A es no singular
y sea A T su transpuesta, ' su determinante y A´ la recíproca de A. Entonces
A´ = 'C(A T)-1 C, donde
§ 1 ·
¨ ¸
¨ 1 ¸.
C
¨ 1 ¸
¨ ¸
© ¹
Esto se deduce inmediatamente de la regla de la formación de la matriz inversa. Por
esto
Det(A´) = 'n-1 y (A´)´ = 'n-1 C((A´)T)-1 C = 'n-1'-1A = 'n-2A.
EJ E M P L O 2.2.11
Demostrar que el máximo de los valores absolutos de los determinantes de n-ésimo
orden, cuyos elementos son reales y no superiores a 1 en valor absoluto, es un
número entero divisible por 2n-1.
SO L U C I O N
Demostremos que todos los elementos de la matriz, para la cual el valor absoluto de
su determinante alcanza el valor máximo, son iguales a r1. En efecto, si -1 < a ik < 1,
' t 0 y A ik t 0, entonces, al sustituir a ik por 1, el determinante aumenta, y si ' t 0 y
A ik < 0, al sustituir a ik por -1, el determinante aumenta. Si ' < 0, el valor absoluto del
determinante aumentará al sustituir a ik por la unidad con el signo contrario al de A ik.
Finalmente, si A ik = 0, el valor del determinante no se altera al sustituir a ik por 1 o -1.
Sin restringir generalidad se puede considerar que todos los elementos de la primera
fila y de la primera columna del determinante máximo son iguales a 1; esto puede
conseguirse multiplicando por -1 las filas y columnas. Restemos ahora la primera fila
del determinante máximo de todas las demás. Entonces el determinante se reducirá a
un determinante de orden n-1 cuyos elementos son todos iguales a 0 ó a -2. Este
último es igual a 2n-1N, donde N es un número entero.
EJ E M P L O 2.2.12
5 2 1 3 2 2 1 4 3 5 7 2 1 3 4
4 0 7 0 0 3 4 0 5 0 1 0 2 0 3
a.- 2 3 7 5 3 ; b.- 3 4 5 2 1 ; c.- 3 0 4 0 7 .
2 3 6 4 5 1 5 2 4 3 6 3 2 4 5
3 0 4 0 0 4 6 0 7 0 5 1 2 2 3
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la segunda y quinta filas:
92 DETERMINANTES
2 3 2
434 7
' (1) 3 5 3 (16 21)(50 27 24 30 24 45) (5)(2) 10
3 4
3 4 5
b.- Desarrollamos el determinante con respecto a la tercera y quinta columnas:
4 4 5 3 4 5 2 1 3
3 3 4 5 43 4 5 23 5 1
' (1) 1 5 4 (1) 3 4 2 (1) 3 4 5
5 1 2 3 2 3
4 6 7 4 6 7 4 6 7
4 4 5 3 4 5 2 1 3
4 5 4 5 5 1
1 5 4 3 4 2 3 4 5
5 1 2 3 2 3
4 6 7 4 6 7 4 6 7
= (4 ± 25)(140 + 64 + 30 ± 100 ± 96 ± 28) ± (12 ± 10)(84 + 32 + 90 ± 80 ± 36 ± 84)
- (15 ± 2)(56 + 20 + 54 ± 48 ± 60 ± 21)
= (-21)(10) ± 2(6) ± 13 = - 210 ± 12 ± 13 = - 235.
c.- Desarrollamos el determinante con respecto a la segunda y cuarta columnas:
1 2 3 1 2 3 7 1 4
43 2 3 5 3 2 3 23 3 4
' (1) 3 4 7 (1) 3 4 7 ( 1) 1 2 3
3 4 1 2 1 2
5 2 3 6 3 4 3 4 7
1 2 3 1 2 3 7 1 4
2 3 2 3 3 4
3 4 7 3 4 7 1 2 3
3 4 1 2 1 2
5 2 3 6 3 4 3 4 7
= - (8 ± 9)(12 + 70 + 18 ± 60 ± 14 ± 18) + (4 ± 3)(16 + 84 + 27 ± 72 ± 21 ± 24)
- (6 ± 4)(98 + 9 + 16 ± 24 ± 7 ± 84) = -(-1)(8) + 10 ± 2(8) = 8 + 10 ± 16 = 2.
EJ E M P L O 2.2.13
1 2 3 4 5 3 7 6 5 4 3 2
6 5 7 8 4 2 9 7 8 9 4 3
9 8 6 7 0 0 7 4 9 7 0 0
a.- ; b.- .
3 2 4 5 0 0 5 3 6 1 0 0
3 4 0 0 0 0 0 0 5 6 0 0
5 6 0 0 0 0 0 0 6 8 0 0
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la quinta y sexta filas:
3 4 5 3
3 4 7 8 4 2
(1) 2 2
5 6 6 7 0 0
4 5 0 0
Desarrollamos el segundo determinante con respecto a la tercera y cuarta columnas:
3 4 5 3 6 7
(1)2 2
5 6 4 2 4 5
Por lo tanto el valor del determinante es: ' = (18 ± 20)(10 ± 12)(30 ± 28) = 8.
b.- Desarrollamos el determinante con respecto a la quinta y sexta columnas:
7 4 9 7
3 2 5 3 6 1
(1) 2 2
4 3 0 0 5 6
0 0 6 8

DETERMINANTES 93
Desarrollamos el segundo determinante con respecto a la primera y segunda

columnas:
3 2 7 4 5 6
(1)2 2
4 3 5 3 6 8
Por lo tanto el valor del determinante es:
' = (9 - 8)(21 ± 20)(40 ± 36) = 4.
V. R E G L A D E C H I O
Esta regla consiste en conseguir que una de las filas del determinante esté formada
por elementos todos ellos nulos, excepto uno, que vale la unidad y se le llama
elemento base. De esta forma, al desarrollar dicho determinante por los adjuntos de
los elementos de esta fila, se anulan todos los sumandos, a excepción del que
corresponde al elemento base, que coincide con su adjunto. De esta manera, el
determinante primitivo coincide con el adjunto del elemento base, reduciendo el
determinante al cálculo de otro cuyo orden es inferior en una unidad. Para conseguir
que los elementos de una fila sean todos nulos, excepto uno, que valga la unidad, se
siguen los siguientes pasos:
a.- Se mira si algún elemento del determinante vale la unidad. En caso afirmativo se
elige una de las dos filas o columnas, que contiene a dicho elemento. En caso
negativo, nos fijamos en una fila que contenga el mayor número posible de
elementos nulos. Los elementos de esta fila se dividen por uno de ellos; de esta
forma se consigue que dicha fila posea un elemento que valga la unidad. Después de
efectuada esta operación, el determinante ha quedado dividido por este número, y
este resultado, por tanto, tenemos que tenerlo en cuenta al final del proceso que
vamos a seguir. También se puede conseguir un elemento, del determinante, que
valga uno, restando a una fila otra paralela a ella, siempre que existan dos elementos
que ocupen el mismo lugar en ambas filas y que difieran en una unidad.
b.- Una vez elegido el elemento base, supongamos que éste sea el elemento a11, los
demás elementos de la primera fila o primera columna deben ser nulos. Para ello, a la
segunda, tercera, ..., n-ésima columna se le resta la primera columna multiplicada
sucesivamente por a12, a13, ..., a in, con lo que el determinante no varía. Exactamente
se procedería para conseguir que sean nulos los elementos de la primera columna,
pero ahora, tendríamos que cambiar la palabra columna por la de fila y los elementos
serán a21, a31, ..., an1. Desarrollamos el determinante que nos resulta, por los adjuntos
de los elementos de la primera fila, con lo que se obtiene: Det(A) = 1.Det(A11) + ...
+ 0.Det(A1n) = Det(A11), como el valor del determinante de A, el adjunto del
elemento base, es decir, hemos reducido el problema a calcular el valor de un
determinante de orden inferior en una unidad, el cual se obtiene suprimiendo la fila y
la columna a la que pertenece el elemento base, anteponiendo los signos más o
menos, según que la suma de los índices relativos a dicho elemento sea par o impar.
EJ E M P L O 2.2.14
Calcular el valor del determinante
5 3 2 3
4 3 1 1
.
1 1 2 1
0 2 2 3
SO L U C I O N
Como elemento base se elige el a31 ya que la columna que contiene a ese elemento es
la línea con mayor número de ceros. Restando a la primera fila y a la segunda, la
tercera multiplicada por 5 y 4 respectivamente, obtenemos

94 DETERMINANTES
5 3 2 3 0 2 8 3
2 8 3
4 3 1 1 0 1 7 3
1 7 3
1 1 2 1 1 1 2 1
2 2 3
0 2 2 3 0 2 2 3
Seguimos el proceso anterior explicado para calcular el valor de este determinante de
tercer orden, en lugar de aplicar la regla de Sarrus.
2 8 3 2 8 3 0 6 3
6 3
1 7 3 1 7 3 1 7 3 18 .
12 3
2 2 3 2 2 3 0 12 3
PR O B L E M AS
2.2.1 Evalúe los siguientes determinantes: 2.2.3 Calcular los determinantes:

1 2 3 4 1 2 3 4 5 a b b b b
1 0 3 4 5 b a b b b
1 23 33 43
a.- ; b.- 1 2 0 4 5 ; a.- b b a b b ;
1 25 35 45
1 2 3 0 5 b b b a b
1 27 37 47 1 2 3 4 0 b b b b a
1 2 2 2 2 1 2 3 4 5 1 a b c d
2 2 2 2 2 1 3 3 4 5 1 ax b c d
c.- 2 2 3 2 2 ; d.- 1 2 5 4 5 ; b.- 1 a b y c d ;
2 2 2 4 2 1 2 3 7 5 1 a b cz d
2 2 2 2 5 1 2 3 4 9 1 a b c d u
2 1 1 1 1 1 a ( a 1) a 2 ( a 1) a 3 ( a 1)
1 3 1 1 1 1 b(b 1) b 2 (b 1) b3 (b 1)
e.- 1 1 4 1 1 . c.- .
1 c ( c 1) c 2 ( c 1) c 3 ( c 1)
1 1 1 5 1
1 d (d 1) d 2 (d 1) d 3 (d 1)
1 1 1 1 6
2.2.4 Calcular los determinantes:

2.2.2 Calcular los determinantes:
a b b b b a b c d 1
a a 1 a 2 a 3 a 4
b a b b b b a c d 1
1 b 0 0 0
a.- b b a b b ; b.- b c a d 1 ;
a.- 0 1 b 0 0 ;
b b b a b b c d a 1
0 0 1 b 0
b b b b a b c d e 1
0 0 0 1 b
a 0 1 1 0 1 b c d e
a b 0 0 0
1 a 1 1 0 1 a c d e
0 b c 0 0
c.- 1 0 a 1 0 1 ; d.- 1 b a d e ;
b.- 0 0 c d 0 ;
0 1 1 a 1 1 b c a e
0 0 0 d e
0 1 1 0 a 1 b c d a
1 1 1 1 1 e
1 1 2 3
a D x a E a T a G
2
bD b E x bT bG 1 2a 2 3
c.- . e.- .
c D c E c T x c G 2 3 1 5
d D d E d T d G x 2 3 1 9 a2

DETERMINANTES 95
2.2.5 Evalúe los siguientes determinantes: 2.2.8 Evalúe los siguientes determinantes:
ax 1 ay 1 az 1 au 3 1 2 5 9 11 10 8
1 bx by 1 bz 1 bu 1 8 1 1 5 7 3 1
a.- ; a.- ; b.- ;
1 cx 1 cy cz 1 cu 4 3 3 9 2 3 5 8
1 dx 1 dy 1 dz du 5 1 4 3 5 2 1 3
a x a y a z a u 2 1 5 5 i 2 3 4
b x b y b z bu 1 2 2 4 3 i 2 3
b.- ; c.- ; d.- ;
c x c y c z c u 4 3 8 5 3 2 i 2
d x d y d z d u 5 1 3 1 1 1 2 i
1 a 1 a2 1 a3 1 a4 2 4 1 4 4 0 5 6
1 b 1 b2 1 b3 1 b4 1 1 2 5 2 3 8 3
c.- . e.- ; f.- ;
0 0 3 1 1 2 3 9
1 c 1 c2 1 c3 1 c4
3 2 0 1 10 4 2 12
1 d 1 d 2 1 d3 1 d 4
0 3 0 4 1 3 2 5
2.2.6 Evalúe los siguientes determinantes: 1 3 2 0 4 8 1 2
g.- ; h.- ;
1 Cosx Cos 2 x Cos3 x 5 3 2 4 3 5 4 0
3 1 1 2 1 3 2 0
1 Cosy Cos 2 y Cos3 y
a.- ; 4i 3 4 i i 1 i 3 i
1 Cosz Cos 2 z Cos3 z
i 2 5 i 2 1 i 4 3 i
1 Cosu Cos 2 u Cos 3u i.- ; j.- ;
2 1 8i 2 5 1 2 i
1 Senx Sen 2 x Sen3x 1 i 3 2i 6 i 3 1
1 Seny Sen 2 y Sen3 y
b.- ; i i 1 i2 i 3
1 Senz Sen 2 z Sen3z
i 1 i2 i 3 i4
1 Senu Sen 2u Sen3u k.- .
i2 i 3 i4 i 5
1 Cosx Cos 2 x Cos3x i 3 i4 i 5 i 6
1 Cosy Cos 2 y Cos3 y
c.- .
1 Cosz Cos 2 z Cos3z 2.2.9 Desarrollar por los elementos de la primera
1 Cosu Cos 2u Cos3u columna y calcular el determinante
2 1 1 a
2.2.7 Evalúe los siguientes determinantes: 1 2 1 b
.
0 a b c d a b c 1 1 2 c
a 0 d e a d b c 1 1 1 d
a.- ; b.- ;
b d 0 f a b d c
c e f 0 a b c d 2.2.10 Evalúe el siguiente determinante:
2 3 4 2 3 1 1 1 0 0 0
1 a a a 1 a a a
2 3 4 0 0 0
2 3 4 2
1 b b b 1 b b b3
c.- ; d.- ; 3 6 10 0 0 0
1 c2 c3 c4 1 c c2 c3 .
4 9 14 1 1 1
1 d2 d3 d4 1 d d2 d3 5 15 24 1 5 9
1 Senx Sen 2 x Sen3 x 9 24 38 1 25 81
1 Seny Sen 2 y Sen3 y

e.- . 2.2.11 Calcular el determinante de 4 x 4, cuyos elemen-
1 Senz Sen 2 z Sen3 z tos se establecen por las siguientes condiciones:
1 Senu Sen 2 u Sen3u a.- aij = mín(i, j); b.- a ij = máx(i, j);
c.- a ij =µ2i - 3jµ.

96 DETERMINANTES
2.2.12 Evalúe los siguientes determinantes: 2.2.14 Evalúe el siguiente determinante:

1 ax 1 ay 1 az 1 au 1 1 0 0 0 1
1 bx 1 by 1 bz 1 bu a b 0 0 0 c
a.- ;
1 cx 1 cy 1 cz 1 cu x u 1 1 1 r
b.- .
1 dx 1 dy 1 dz 1 du y v a b c s
1 a x ay az a u z w a 2 b2 c2 t
b x 1 b y b z bu a 2
b 2
0 0 0 c2
b.- ;
cx c y 1 c z c u
dx dy d z 1 d u 2.2.15 Desarrollar por los elementos de la primera fila y
calcular el determinante
1 a 1 1 1
a 1 1 1
1 1 a 1 1
c.- . b 0 1 1
1 1 1 b 1 .
c 1 0 1
1 1 1 1 b
d 1 1 0
2.2.13 Evalúense los siguientes determinantes:

2.2.16 Desarrollar por los elementos de la primera fila y
x x 1 x 2 x 3 calcular el determinante
0 1 x x2 1 0 1 1
a.- ;
x 1 0 1 0 1 1 1
.
0 0 x3 3 a b c d
1 i 1 i 1 1 1 0
i 1 i i
b.- .
1 i 1 i 1 i 1 i
1 i 1 i 1 i 1 i
2.3 PR O DU C T O D E D E T E R M I N A N T ES
En esta sección se introduce la terminología básica y se define el producto de determinantes, enunciamos la

propiedad más importante para el producto.
Una primera aplicación del teorema de Laplace permite transformar un determinante

de orden k < n en otro equivalente de orden n prolongando su diagonal principal con
elementos unitarios y haciendo nulos los elementos que faltan para completar la
matriz de orden n. Pero la aplicación más importante se debe a que permite
demostrar que el determinante correspondiente a un producto de dos matrices del
mismo orden es igual al producto de los determinantes de las matrices factores.
El producto de dos determinantes de orden n está dado por la expresión
a11 a12 ... a1n b11 b12 ... b1n c11 c12 ... c1n
a21 a22 ... a2 n b21 b22 ... b2 n c21 c22 ... c2 n
... ... ... ... ... ... ... ... ...
an1 an 2 ... ann bn1 bn 2 ... bnn cn1 cn 2 ... cnn
designando por c ij el producto de la fila i del primero por la fila j del
segundo
cij = a i1bj1 + a i2bj2 + . . . + a inbjn.
Ahora demostraremos el importante teorema de que el determinante del producto de

DETERMINANTES 97
dos matrices cuadradas de n x n es igual al producto de los determinantes de las

matrices. Como un teorema sobre determinantes esto significa que el producto de
dos determinantes de n x n puede escribirse como un determinante de n x n cuyos
elementos se obtienen en la misma forma que los elementos de una matriz producto.
T E O R E M A 2.3.1
Sean A y B, matrices cuadradas de orden n. Entonces
Det(A B) = Det(A)Det(B).
En efecto
a11 a12 a1n b11 b12 b1n
a21 a22 a2n b21 b22 b2n
Det(A)Det(B) =
an1 an 2 ann bn1 bn 2 bnn

a11 a12 a1n 0 0 0
a21 a22 a2 n 0 0 0
an1 an 2 ann 0 0 0
=
d11 d12 d1n b11 b12 b1n
d 21 d 22 d 2 n b21 b22 b2 n
d n1 d n 2 d nn bn1 bn 2 bnn
cualesquiera que sean los números d; pues desarrollando este determinante por los
menores de las n primeras filas, como todos los menores, excepto el primero, tienen
alguna columna de ceros, y, por tanto, son nulos, resulta el producto Det(A)Det(B).
Para poder reducir el orden de este determinante, podemos suponer que los dos
determinantes dados sean del mismo orden n, si es n > m, pues en caso contrario se
puede transformar el de menor orden m en otro de orden n, prolongando su diagonal
principal con n ± m elementos 1, y completando con ceros las nuevas filas y
columnas. Además, como podemos disponer de los números indeterminados d,
tomemos todos ellos iguales a 0, excepto los de la diagonal d11, d22, ..., dnn, que
tomaremos iguales a ±1. Finalmente, podemos cambiar las filas por columnas, en el
determinante menor Det(B). Resulta así:
a11 a12 a1n 0 0 0
a21 a22 a2 n 0 0 0
a11 a12 a1n b11 b12 b1n
a21 a22 a2n b21 b22 b2n a an 2 ann 0 0 0
= n1
1 0 0 b11 b12 b1n
an1 an 2 ann bn1 bn 2 bnn 0 1 0 b21 b22 b2 n
0 0 1 bn1 bn 2 bnn
Si, mediante adiciones convencionales de filas o columnas, logramos reducir a 0 los
elementos a ij, en vez del cuadro de ceros aparecerá otro de nuevos elementos c ij, y el
nuevo determinante de orden 2n será igual al determinante de orden n formado por
estas c ij, multiplicado por su complemento algebraico; mas, reduciéndose el menor
complementario a su diagonal principal, su valor es (-1)n; tendremos, pues, el
producto en forma de determinante de orden n. Esto se logra de la siguiente manera:
sumemos a la primera fila las filas n + 1, n + 2, ..., 2n, multiplicadas respectivamente
por a11, a12, a1n, y obtenemos como primera la siguiente:
0, 0, ..., 0, a11b11 + ... + a1nb1n, ..., a11bn1 + ... + a1nbnn.

98 DETERMINANTES
Para simplificar, llamaremos producto de la fila i de Det(A) por la fila j de Det(B), y

lo designaremos por c ij, a la suma de los productos de los términos que ocupan
iguales lugares en ambas. Es decir:
cij = ai1bj1 + a i2bj2 + ... + a inbjn.
Con esta notación, la fila obtenida es la siguiente:
0, 0, ..., 0, c11, c12, ..., c1n.
Análogamente, sumando a la segunda fila las filas n + 1, n + 2, ..., 2n, multiplicadas
por a21, a22, ..., a2n, respectivamente, resulta como nueva fila
0, 0, ..., 0, c21, c22, ..., c2n.
Finalmente; sumando a la fila n-ésima las mismas filas n + 1, n + 2, ..., 2n,
multiplicadas por an1, an2, ..., ann, respectivamente, resulta
0, 0, ..., 0, cn1, cn2, ..., cnn.
El determinante producto se ha transformado en el siguiente:
0 0 0 c11 c12 c1n
0 0 0 c21 c22 c2 n
0 0 0 cn1 cn 2 cnn
=
1 0 0 b11 b21 bn1
0 1 0 b12 b22 bn 2
0 0 1 b1n b2 n bnn
c11 c12 c1n 1 0 0
c21 c22 c2 n 0 1 0
(-1)k
cn1 cn 2 cnn 0 0 1
siendo
k = (n + 1) + (n + 2) + ... + (n + n) + 1 + 2 + ... + n = n(2n + 1),
y como el valor del segundo menor es (-1)n, el factor que multiplica al primero es
(-1)n+k = (-1)n(n + 1), número que es igual a 1, por ser n y n + 1 dos números
consecutivos, y, por tanto, su producto es par.
Como el valor de un determinante no altera si se cambian entre sí las filas y las

columnas, puede hacerse también el producto por columnas; la fórmula es la misma,
designando c ij el producto de la columna i del primero por la columna j del segundo.
Finalmente, puede hacerse multiplicando las filas del primero por las columnas del
segundo, o inversamente.
% CALCULO DEL PRODUCTO DE DETERMINANTES

clc;;clear;;
fprintf('\n PRODUCTO DE DETERMINANTES \n')
filcol=input('Ingrese el orden de las matrices A y B: ');;
for f=1:filcol
for c=1:filcol
end
end
for f=1:filcol
for c=1:filcol
DETERMINANTES 99
end
end
A
B
C=A*B
DetAB=det(A*B)
DetA=det(A)
DetB=det(B)
DetAB = det(A)*det(B)
EJ E M P L O 2.3.1
Para cada una de las proposiciones siguientes relativas a matrices cuadradas, dar una
demostración o poner un contraejemplo:
a.- Det[(A + B)2] = [Det(A + B)]2;
b.- Det[(A + B)2] = Det(A 2 + 2A B + B 2);
c.- Det[(A + B)2] = Det(A 2 + B 2).
SO L U C I O N
a.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A + B)Det(A + B) = [Det(A + B)]2.
b.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = B A, entonces Det[(A + B)2] = Det(A 2 + 2A B + B 2).
c.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = -B A o B A = -A B, entonces Det[(A + B)2] = Det(A 2 + B 2).
EJ E M P L O 2.3.2
Multiplicar los determinantes
1 2 3 2 3 1
3 4 2 1 4 3 .
4 5 4 1 5 2
SO L U C I O N
Podemos darnos cuenta que hay cuatro formas para multiplicar determinantes, y son
las siguientes:
1.- Filas por columnas
1 2 3 2 3 1 7 26 13
3 4 2 1 4 3 12 35 19 50 .
4 5 4 1 5 2 17 52 27
2.- Filas por filas
1 2 3 2 3 1 1 2 3
3 4 2 1 4 3 4 7 13 50 .
4 5 4 1 5 2 3 4 13
3.- Columnas por columnas
1 2 3 2 3 1 9 35 18
3 4 2 1 4 3 13 47 24 50 .
4 5 4 1 5 2 12 37 17
4.- Columnas por filas
1 2 3 2 3 1 3 1 6
3 4 2 1 4 3 3 1 8 50 .
4 5 4 1 5 2 4 7 1
EJ E M P L O 2.3.3
Si A 2 = A, entonces A se llama idempotente. Muestre que si A es idempotente,
entonces el determinante de A vale 1 o 0.
100 DETERMINANTES
SO L U C I O N
Como A 2 = A, Det(A 2) = Det(A). Entonces
Det(A 2) = Det(A A) = Det(A) Det(A)Det(A) = Det(A)
[Det(A)]2 ± Det(A) = 0 Det(A)[Det(A) ± 1] = 0
Det(A) = 0 y Det(A) ± 1 = 0, Det(A) = 1.
EJ E M P L O 2.3.4
¿Qué puede decirse del determinante de una matriz nilpotente?
SO L U C I O N
El determinante debe ser cero. Como A n = O, Det(A n) = Det(O). Entonces
Det(A n) = Det(A A...A) = 0 Det(A)Det(A)...Det(A) = 0
[Det(A)]n = 0 Det(A) = 0.
EJ E M P L O 2.3.5
Sean A y B matrices de 4 x 4 con Det(A) = 8 y Det(B) = - 1. Determine el valor de:
a.- Det(A B); b.- Det(2A B).
SO L U C I O N
a.- Det(A B) = Det(A)Det(B) = 8(-1) = - 8.
b.- Det(2A B) = Det(2A)Det(B) = 24Det(A)Det(B) = (16)(8)(-1) = - 128.
EJ E M P L O 2.3.6
Multiplíquense los determinantes
1 1 1 a b c
Det( A ) 1 x x2 y Det( B ) b c a .
1 x2 x c a b
Siendo x una raíz cúbica imaginaria de la unidad.
SO L U C I O N
Multiplicando fila por fila, tenemos:
a bc ba c a b
2 2
Det( A B ) a bx cx b cx ax c ax bx 2
a bx 2 cx b cx 2 ax c ax 2 bx
Pero
b + cx + ax2 = x2(a + bx + cx2) c + ax + bx2 = x2(a + bx + cx2)
b + cx2 + ax = x2(a + bx2 + cx) c + ax2 + bx = x2(a + bx2 + cx)
y, en consecuencia
1 1 1
2 2
Det( A B ) ( a b c )( a bx cx )( a bx cx) 1 x x2
1 x2 x
Es decir:
Det(A B) = Det(A)Det(B) = -(a + b + c)(a + bx + cx2)(a + bx2 + cx)Det(A).
Siendo Det(A) un determinante de Vandermonde y, en consecuencia, distinto de
cero, puede suprimirse y entonces
Det(B) = - (a + b + c)(a + b + cx2)(a + bx2 + cx).
EJ E M P L O 2.3.7
Demostrar la siguiente identidad:
a a a a 1 1 0 0
a b b b 0 1 1 0
2 a (b a )( c b)(d c ) .
a b c c 0 0 1 1
a b c d 1 1 1 1

DETERMINANTES 101
SO L U C I O N
Multiplicando los dos determinantes de forma normal, filas por columnas,
obtenemos:
0 a a 0
a b a b 0
a c a b c b 0
a d a b d b c d c d
Desarrollando este determinante con respecto a la cuarta columna, obtenemos:
0 a a
(c d ) a b a b
a c a b c b
A la tercera fila le restamos la segunda fila:
0 a a
(c d ) a b a b
c b c b 0
Extraemos de la tercera fila c - b:
0 a a
(c d )(c b) a b a b
1 1 0
A la segunda fila le restamos la primera fila:
0 a a
(c d )(c b) a b 0 b a
1 1 0
Extraemos a de la primera fila y b ± a de la segunda fila:
0 1 1
a (b a )(c d )(c b) 1 0 1
1 1 0
Desarrollamos el determinante resultante por la regla de Sarrus y obtenemos el
resultado: ' = 2a(b ± a)(c ± b)(d ± c).
EJ E M P L O 2.3.8
Calcular el determinante elevándolo al cuadrado
a b c d
b a d c
.
c d a b
d c b a
SO L U C I O N
2
a b c d a b c d a b c d
b a d c b a d c b a d c
c d a b c d a b c d a b
d c b a d c b a d c b a
a 2 b2 c 2 d 2 0 0 0
2 2 2 2
0 a b c d 0 0
2 2 2 2
0 0 a b c d 0
0 0 0 a b c2 d 2
2 2
= (a2 + b2 + c2 + d2)4.
102 DETERMINANTES
PR O B L E M AS
2.3.1 Sean A, B, C, D los determinantes de tercer orden 2.3.3 Aplicando la regla de multiplicación de las
que se forman de la matriz matrices, expresar en forma de un determinante los
§a b c d · productos de determinantes:
¨ ¸ 3 5 4 8 6 3
¨ a1 b1 c1 d1 ¸
ä b c d ¸ a.- 1 3 7 4 5 2 ;
© 2 2 2 2¹
al suprimir la primera, segunda, tercera y cuarta columna, 1 2 3 3 1 2
respectivamente. Demostrar que 1 2 4 5
a b c d 0 0 4 3 2 1 1 2 3 5
a1 b1 c1 d1 0 0 b.- ;
9 2 0 2 3 5 7 2
a2 b2 c2 d 2 0 0 3 0 5 4
AD - BC .
0 0 a b c d
1 3 1 2
0 0 a1 b1 c1 d1 c.- .
4 6 5 1
0 0 a2 b2 c2 d 2
2.3.4 Calcular el cuadrado del determinante:
2.3.2 Multiplicar y desarrollar los siguientes
1 1 1 1 1 1 1 1
determinantes:
1 1 1 1 2 2 1 1
5 a 1 2 1 3 2 4 a.- ; b.- ;
1 1 1 1 2 0 3 1
4 b 3 4 2 2 4 3
a.- ; 1 1 1 1 3 7 1 9
2 c 2 3 d b a c
4 d 4 5 3 1 3 4 2 5 8 1
2 3 2 0
a 2 1 0 0 a 5 3 c.- .
1 2 7 4
0 b 2 0 0 0 2 b
b.- . 2 6 4 0
5 4 3 c c 1 3 2
0 0 d 0 0 0 d 0
2.4 D E T E R M I N A N T E D E V A ND E R M O ND E
En esta sección se introduce la terminología básica y se define el determinante de Vandermonde.
Se denomina determinante de Vandermonde o determinante de las
diferencias, al formado por las potencias sucesivas de n números distintos:
a21, a22, a23, ..., a2 n-2, a2 n-1, a2 n,
ordenadas del siguiente modo:
1 1 1 ... 1 1
a21 a22 a23 ... a2 n 1 a2 n
2 2 2
V a21 a22 a23 ... a22n 1 a22n
... ... ... ... ...
n 1 n 1 n 1
a21 a22 a23 ... a2nn11 a2nn1
cuyo desarrollo está dado por
V ( a2 j a2 i ) .
1d i j d n
Podemos reducir a ceros los elementos de la primera columna, excepto el primero,

restando de cada fila la anterior, multiplicada por a21, y obtenemos

DETERMINANTES 103
1 1 1 ... 1 1
0 a22 a21 a23 a21 ... a2 n 1 a21 a2 n a21
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a2 n 1 ( a2 n 1 a21 ) a2 n ( a2 n a21 )
2 2
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a22n 1 ( a2 n 1 a21 ) a22n ( a2 n a21 )
... ... ... ... ...
n2 n2
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a2nn21 ( a2 n 1 a21 ) a2nn 2 ( a2 n a21 )
determinante que se reduce a uno de orden n ± 1, el cual, separando los factores
comunes, resulta
1 1 1 ... 1 1
a22 a23 a24 ... a2 n 1 a2 n
2 2 2
( a22 a21 )...( a2 n a21 ) a22 a23 a24 ... a22n 1 a22n
... ... ... ... ...
n2 n2 n2
a22 a23 a24 ... a2nn21 a2nn 2
y observando que este determinante de orden n - 1 es de la misma forma que el
anterior, se le puede aplicar la misma transformación, resultando
1 1 1 ... 1 1
a23 a24 a25 ... a2 n 1 a2 n
2 2 2
( a22 a21 )...( a2 n 1 a22 ) a23 a24 a25 ... a22n 1 a22n
... ... ... ... ...
n 3 n 3 n 3
a23 a24 a25 ... a2nn31 a2nn3
Con éste, que es de orden n ± 2, se opera de igual modo, y así se sigue hasta llegar a
uno de segundo orden
1 1
a2n a2n 1 .
a2n 1 a2n
Por consiguiente
V ( a22 a21 )( a23 a21 )...( a2n a2n1 )
( a2 j a2 i ) .
1d i j d n
% GENERACION DE UN DETERMINANTE DE VANDERMONDE

clc;;clear;;
fprintf('\n DETERMINANTE DE VANDERMONDE \n')
fil=input(' Ingrese la dimension de la columna: ');;
fprintf('Ingrese los elementos de la columna \n')
%for f=1:col
for f=1:fil
fprintf('Ingrese el elemento %d',f)
u(f,1)=input(' :');;
end
fprintf('\n LA COLUMNA ES:\n')
u
fprintf(' EL DETERMINANTE GENERADO ES:')
V=vander(u)
fprintf(' EL VALOR DEL DETERMINANTE ES:')
DetV=det(V)

104 DETERMINANTES
EJ E M P L O 2.4.1
Evaluar los siguientes determinantes y expresar su resultado en factores:
1 a bc 1 1 1 1 bc ad b2 c 2 a 2 d 2
a.- 1 b ca ; b.- a b c ; c.- 1 ac bd a 2 c 2 b2 d 2 .
1 c ab a 3 b3 c3 1 ab cd a 2b2 c 2 d 2
SO L U C I O N
a.- A las filas 2 y 3 le restamos la fila 1:
1 a bc 1 a bc
0 b a ca bc 0 b a c (b a )
0 c a ab bc 0 c a b(c a )
extraemos de la fila 2 el factor (b ± a) y de la tercera fila el factor (c ± a):
1 a bc
(b a )( c a ) 0 1 c
0 1 b
a la fila 3 le restamos la fila 2:
1 a bc
(b a )(c a ) 0 1 c
0 0 c b
podemos observar que mediante este proceso, hemos transformado la matriz original
a una matriz equivalente triangular superior, lo cual nos permite aplicar una de las
propiedades para encontrar el valor del determinante: ' = (b - a)(c - a)(c - b).
b.- En este problema, aplicaremos operaciones elementales entre columnas, es
decir, a las columnas 2 y 3 le restamos la columna 1:
1 0 0 1 0 0
a ba ca a ba ca
a 3 b3 a 3 c 3 a 3 a 3 (b a )(b 2 ab a 2 ) (c a )(c 2 ca a 2 )
a la columna 2 le extraemos (b ± a) y a la tercera columna (c ± a):
1 0 0
(b a )(c a ) a 1 0
a 3 b2 ab a 2 c 2 ca a 2
a la columna 3 le restamos la columna 2:
1 0 0
(b a )( c a ) a 1 0
a 3 b2 ab a 2 c 2 ca a 2 b 2 ab a 2
expresamos en factores el elemento a33:
1 0 0
(b a )(c a ) a 1 0
a 3 b2 ab a 2 (c b)( a b c )
como hemos reducido la matriz original a una matriz triangular inferior, aplicamos la
correspondiente propiedad, para obtener el valor del determinante
' = (b - a)(c - a)(c - b)(a + b + c).
c.- A la segunda y tercera filas, le restamos la primera:
1 bc ad b2 c 2 a 2 d 2
0 ac bd bc ad a 2 c 2 b2 d 2 b2 c 2 a 2 d 2
0 ab cd bc ad a 2b 2 c 2 d 2 b 2 c 2 a 2 d 2

DETERMINANTES 105
expresamos en factores los elementos de este determinante:

1 bc ad b2 c 2 a 2 d 2
0 ( a b)( c d ) ( a 2 b 2 )(c 2 d 2 )
0 (b d )( a c ) (b 2 d 2 )( a 2 c 2 )
extraemos (a - b)(c - d) de la segunda fila y (b ± d)(a ± c) de la tercera fila:
1 bc ad b 2 c 2 a 2 d 2
( a b)(c d )(b d )( a c ) 0 1 ( a b)( c d )
0 1 (b d )( a c )
a la tercera fila, restamos la segunda:
1 bc ad b2 c 2 a 2 d 2
( a b)(c d )(b d )( a c ) 0 1 ( a b)( c d )
0 0 ( a d )(c b)
como el determinante de una matriz triangular es igual al producto de los elementos
de la diagonal principal, entonces:
' = (a - d)(c - b)(a - b)(c - d)(b - d)(a - c).
PR O B L E M AS
2.4.1 Evaluar los siguientes determinantes y expresar su a b ab 0 0

resultado en factores:
1 a b ab 0
a 2 ab b 2 a bc a (b c ) c.- ;
0 1 a b ab
a.- 2 a a b 2b ; b.- b ac b( a c ) ;
0 0 1 a b
1 1 1 c ab c ( a b)
1 a ( a 1) a 2 ( a 1)
2 2 2 2 3
a a (b c ) bc 1 a a d.- 1 b(b 1) b 2 (b 1) ;
2 2 2 2 3
c.- b b (c a ) ac ; d.- 1 b b ; 1 c ( c 1) c 2 (c 1)
2 2 2 2 3
c c ( a b) ab 1 c c
2a 7 a 2 a 1 a
bc a a3 a b a b a 3 2a 5 a 1 a
e.- ;
e.- c a b b3 ; f.- b a b a ; a 3 a 2 2a 3 a
a b c c3 a b a b a 3 a 2 a 1 2a 1
1 a b 0 0
( x a )2 ( y a )2 ( z a )2
1 1 b c 0
g.- ( x b) 2 ( y b) 2 ( z b) 2 . f.- .
0 1 1 c d
( x c )2 ( y c )2 ( z c)2 0 0 1 1 d
2.4.2 Calcular los determinantes: 2.4.3 Evaluar el determinante de Vandermonde:

1 a 1 a 2 1 a3 1 1 1 1 1 1 1 1
a.- 1 b 1 b 2 1 b3 ; a b c d 2 3 4 5
a.- 2 2 2 2 ; b.- .
1 c 1 c2 1 c3 a b c d 22 32 42 52
a3 b3 c3 d3 23 33 43 53
1 a 1 1 1
1 1 a 1 1
b.- ;
1 1 1 a 1
1 1 1 1 a

106 DETERMINANTES
2.5.1 El valor de un determinante se altera si éste se 2.5.13 Si en un determinante todos los elementos de
transpone. una fila, a excepción de uno, son iguales a cero,
entonces, el determinante es igual al producto de este
2.5.2 Si en una matriz cuadrada de orden n se elemento diferente de cero por un complemento
intercambian dos columnas, entonces el determinante no algebraico.
varía.
2.5.14 Todo determinante es igual a la suma de los
2.5.3 La suma de los productos de los elementos de productos de los elementos de una de sus columnas por
cualquier columna de un determinante por los los correspondientes complementos algebraicos.
complementos algebraicos de los elementos
correspondientes de una paralela es diferente de cero. 2.5.15 Si una columna del determinante de una matriz
cuadrada de orden 3 es una combinación lineal de las
2.5.4 Si una matriz A de orden n posee un menor M no demás columnas, entonces el determinante será
nulo de orden r, 1 d r d n-1, tal que todos los menores de diferente de cero.
orden r + 1 que lo orlan son iguales a cero, entonces el
determinante de la matriz A es igual a cero. 2.5.16 El determinante difiere si a cada columna,
excepto la última, se le añade la columna siguiente.
2.5.5 Un determinante que contiene dos columnas
proporcionales es diferente de cero. 2.5.17 El determinante no cambia si varía el signo de
todos los elementos en los lugares impares; pero si varía
2.5.6 El valor de un determinante no cambia si a todos el signo de todos los elementos en los lugares pares, el
los elementos de una de sus columnas se suman los determinante no cambia, siendo del orden par y cambia,
elementos correspondientes de la columna. siendo del orden impar.
2.5.7 Para que un determinante sea igual a cero es 2.5.18 El determinante no cambia si de cada columna,
necesario y suficiente que sus columnas sean excepto la última, se restan todas las siguientes
linealmente independientes. columnas.
2.5.8 Si en el determinante de una matriz de orden n, 2.5.19 Si a cada elemento de una de las columnas de
más de n2 ± n elementos son nulos, el determinante es una matriz de orden n se le suma el producto del
igual a cero. número k por el elemento correspondiente de otra
columna, entonces el valor del determinante cambia.
2.5.9 Si en el determinante de una matriz cuadrada de
orden n para k + r > n en la intersección de ciertas k filas 2.5.20 El valor del determinante de una matriz de
y r columnas se hallan los elementos nulos, el orden n no cambia si se intercambian las filas y
determinante es igual a cero. columnas de la matriz.
2.5.10 Si en el determinante de una matriz cuadrada de 2.5.21 Si A y B son matrices cuadradas de diferente
orden n todos los menores de orden k (k < n) son nulos, orden, entonces el determinante del producto A B es
entonces los menores de orden superior a k son diferente del producto de los determinantes de cada una
diferentes del nulo. de las matrices.
2.5.11 Para que un determinante de una matriz cuadrada 2.5.22 Si una matriz de orden n tiene un determinante
de orden 2 sea diferente de cero, es necesario y cero después de cualquier número de operaciones
suficiente que sus columnas sean proporcionales. elementales sobre las filas, entonces la matriz que
resulta tiene determinante cero.
2.5.12 Un determinante es igual a cero si es de orden
par y se duplicará, si es de orden impar, si a cada 2.5.23 Si una matriz tiene determinante diferente de
columna, empezando por la segunda, se le añade la cero, después de cualquier número de operaciones
columna anterior, sumando al mismo tiempo la primera elementales sobre las filas, entonces la matriz que
columna y la última. resulta tiene determinante diferente de cero.

DETERMINANTES 107
2.5.24 Si cada elemento de cierta columna del 2.5.30 La suma de todos los determinantes de orden
determinante está representado en forma de suma de dos n t 2, cada uno de los cuales en cada fila y cada
sumandos, el determinante será igual a la suma de dos columna tiene un elemento igual a la unidad y todos los
determinantes, en este caso todas las columnas menos la demás nulos; es nula y la cantidad de determinantes de
indicada, quedarán las mismas, y en la columna dicha este tipo es n!.
del primer determinante se encontrarán los primeros
sumandos, y en la del segundo, los segundos. 2.5.31 Si en un determinante de una matriz cuadrada
de orden n, sus filas se escriben en orden inverso,
2.5.25 Si a los elementos de una columna del entonces éste se multiplicará por (-1)n(n-1)/2.
determinante se les añaden los correspondientes
elementos de otra columna, multiplicadas por un mismo 2.5.32 Si en un determinante de una matriz cuadrada
número, entonces el determinante es diferente. de orden n cada uno de sus elementos cambia de signo,
entonces el determinante se multiplicara por (-1)n.
2.5.26 Un determinante es igual a cero si cada fila,
excepto la última, se resta la siguiente fila, y de la última 2.5.33 El determinante de una matriz cuadrada de n x
fila se resta la fila inicial. n, cuyos elementos se prefijan por las condiciones
a ij = mín( i, j) es igual a cero.
2.5.27 Si todos los elementos de cualquier fila de un
determinante son iguales a la unidad, la suma de los 2.5.34 El determinante de una matriz cuadrada de
cofactores de todos los elementos de éste será igual al orden n, cuyos elementos se dan por las condiciones
propio determinante. a ij = máx( i, j) es igual a (-1)n-1n.
2.5.28 El determinante cuya suma de las filas con 2.5.35 El determinante de una matriz cuadrada de
números pares es igual a la suma de las filas con orden n, cuyos elementos se prefijan por las
números impares, es diferente de cero. condiciones a ij = | i ± j | es igual a (-1)n-12n-2(n ± 1).
2.5.29 Una matriz cuadrada tiene determinante cero si y 2.5.36 La suma de los cofactores de todos los
sólo si la matriz se puede reducir a una matriz triangular elementos del determinante varía si a todos los
superior con al menos un elemento igual a cero en la elementos se les añade un mismo número.
diagonal principal.

O BJ E T I V O
Resolver problemas sobre matrices equivalentes, rango e inversa mediante la interpretación, expresión y
representación en términos de matrices y determinantes utilizando definiciones propiedades y métodos adecuados
para cada tipo, en situaciones reales propias de la ingeniería y ciencias aplicadas.
C O NT ENID O:
3.1 MATRICES EQUIVALENTES

3.2 RANGO DE UNA MATRIZ
3.3 INVERSA DE UNA MATRIZ
3.4 METODOS PARA OBTENER LA INVERSA DE UNA MATRIZ
3.5 CUESTIONARIO
3.1 M A T R I C ES E Q U I V A L E N T ES
En esta sección se introduce la definición de matriz equivalente y enuncia mos sus propiedades mas
importantes.
En esta sección veremos que cada una de las operaciones de filas puede realizarse
en A multiplicando A por la izquierda por una matriz obtenida al efectuar dicha
operación a la matriz identidad.
Para este fin, definiremos una matriz elemental como cualquier matriz que se
obtenga a partir de la matriz identidad mediante una operación elemental de filas,
para lo cual utilizaremos el siguiente resultado.
Sea A una matriz de n x m. Supongamos que B se obtiene a partir de A mediante

una operación elemental de filas. Sea E la matriz elemental obtenida al efectuar
las mismas operaciones elementales de filas en la matriz identidad. Entonces
B = E A. Esto es, la matriz elemental E obtenida a partir de la matriz identidad
mediante una operación elemental de filas realiza la misma operación elemental
en A al multiplicarla por la izquierda.
E J E M P L O 3.1.1
Dada la matriz A, verifique lo antes mencionado:
§ 2 4 2· § 3 2 4 5 ·
¨ ¸ ¨ ¸
a.- A ¨ 0 1 3 ¸ ; b.- A ¨ 0 3 8 3 ¸ .
¨ 3 4 2¸ ¨ 4 1 3 7¸
© ¹ © ¹
SO L U C I O N
a.- Obtengamos B a partir de A intercambiando las filas f2 y f3:
110 RANGO E INVERSA DE UNA MATRIZ
§ 2 4 2·
¨ ¸
B ¨ 3 4 2¸
¨ 0 1 3¸
© ¹
Efectuamos la misma operación en I de 3 x 3 para obtener:
§1 0 0·
¨ ¸
E ¨0 0 1¸
¨0 1 0¸
© ¹
Ahora verificamos que E efectúa la misma operación de filas en A al multiplicar
por la izquierda a la matriz A por E:
§ 1 0 0 ·§ 2 4 2 · § 2 4 2 ·
¨ ¸¨ ¸ ¨ ¸
E A = ¨ 0 0 1 ¸¨ 0 1 3 ¸ = ¨ 3 4 2 ¸ = B .
¨ 0 1 0 ¸¨ 3 4 2 ¸ ¨ 0 1 3 ¸
© ¹© ¹ © ¹
b.- Multiplicamos la tercera fila de A por ±2 para obtener B:
§ 3 2 4 5 ·
¨ ¸
B ¨0 3 8 3 ¸
¨ 8 2 6 14 ¸
© ¹
Efectuamos la misma operación en I de 3 x 3 para obtener
§1 0 0 ·
¨ ¸
E ¨0 1 0 ¸
¨ 0 0 2 ¸
© ¹
Entonces
§ 1 0 0 ·§ -3 2 4 5 · § -3 2 4 5 ·
¨ ¸¨ ¸ ¨ ¸
E A = ¨ 0 1 0 ¸¨ 0 3 8 3 ¸ = ¨ 0 3 8 3 ¸ = B .
¨ 0 0 -2 ¸¨ 4 1 3 7 ¸ ¨ -8 -2 -6 -14 ¸
© ¹© ¹ © ¹
E J E M P L O 3.1.2
Dada la matriz
§ 3 2 4 5 ·
¨ ¸
A ¨ 0 3 8 3¸
¨ 4 1 3 7¸
© ¹
Multiplique la matriz A por la izquierda por un producto de matrices elementales.
SO L U C I O N
Intercambiamos las filas f2 y f3:
§ 3 2 4 5 ·
¨ ¸
¨ 4 1 3 7¸
¨ 0 3 8 3¸
© ¹
Multiplicamos la segunda fila por 3/4:
§ 3 2 4 5 ·
¨ 3 9 21 ¸
¨3 4 4 4¸
¨ 0 3 8 3¸
© ¹
A la segunda fila le sumamos la primera:
§ 3 2 4 5 ·
¨ 25 41 ¸
B ¨ 0 11 4 4 4 ¸
¨ 0 3 8 3¸
© ¹
Cada operación puede ser realizada mediante una matriz elemental:

RANGO E INVERSA DE UNA MATRIZ 111
§1 0 0· §1 0 0· §1 0 0·
¨ ¸ ¨ ¸ ¨ ¸
E1 ¨0 0 1¸ , E 2 = ¨ 0 34 0 ¸ , E3 ¨1 1 0¸
¨0 1 0¸ ¨0 0 1¸ ¨0 0 1¸
© ¹ © ¹ © ¹
Se forma
§ 1 0 0 ·§ 1 0 0 ·§ 1 0 0 · § 1 0 0 ·§ 1 0 0 · § 1 0 0 ·
¨ ¸¨ ¸¨ ¸ ¨ ¸¨ ¸ ¨ ¸
E 3 E 2 E1 = ¨ 1 1 0 ¸¨ 0 34 0 ¸¨ 0 0 1 ¸ ¨ 1 34 0 ¸¨ 0 0 1 ¸ ¨ 1 0 34 ¸
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 1 0 ¸ ¨ 0 0 1 ¸¨ 0 1 0 ¸ ¨ 0 1 0 ¸
© ¹© ¹© ¹ © ¹© ¹ © ¹
Si se multiplica A por la izquierda por este producto de matrices elementales,
obtenemos el resultado final de las tres operaciones de filas:
§ 1 0 0 ·§ -3 2 4 5 · § -3 2 4 5 ·
¨ ¸¨ ¸ ¨ 41 ¸
( E 3 E 2 E1 ) A = ¨ 1 0 34 ¸¨ 0 3 8 3 ¸ = ¨ 0 11
4
25
4 4 ¸
=B.
¨ 0 1 0 ¸¨ 4 1 3 7 ¸ ¨ 0 3 8 3 ¸
© ¹© ¹ © ¹
Algunas veces necesitaremos efectuar una sucesión de operaciones de filas en una

matriz A. Esto puede hacerse multiplicando A por la izquierda por un producto de
matrices elementales.
Se dice que la matriz A es equivalente por filas a la matriz B si B se
obtiene a partir de A mediante una sucesión de operaciones elementales
de filas. Esto significa que la matriz B debe ser de la forma E n E n-1 ... E 1 A
para matrices elementales E 1, E 2, ..., E n.
T E O R E M A 3.1.1
Toda matriz es equivalente por filas a sí misma.
Observemos que la matriz A siempre puede obtenerse a partir de A mediante una
operación elemental de filas.
T E O R E M A 3.1.2
Si la matriz A es equivalente por filas a la matriz B entonces B es
equivalente por filas a A.
Se obtiene la matriz B a partir de la matriz A intercambiando las filas i y j de A,
obtenemos a A a partir de B intercambiando las filas i y j de B. Si obtenemos la
matriz B a partir de la matriz A multiplicando la fila j de A por un número k
distinto de cero, obtenemos A a partir de B multiplicando la fila j de B por 1/k. Si
obtenemos la matriz B a partir de la matriz A sumando k veces la fila i a la fila j,
obtenemos A a partir de B sumando ±k veces la fila i a la fila j de B. En resumen,
si obtenemos B a partir de A mediante operaciones elementales de filas, podemos
recuperar A a partir de B mediante operaciones elementales de filas del mismo
tipo. Ahora supongamos que A es equivalente por filas a B. Entonces B puede
obtenerse a partir de A mediante una sucesión de operaciones elementales de
filas. Por lo tanto, A se obtiene a partir de B mediante una sucesión de
operaciones elementales; así que B es equivalente por filas a A.
T E O R E M A 3.1.3
Si la matriz A es equivalente por filas a la matriz B y B es equivalente
por filas a la matriz C entonces A es equivalente por filas a C.
Si la matriz B se obtiene a partir de la matriz A mediante un producto de matrices
elementales, y la matriz C se obtiene a partir de B mediante un producto de
matrices elementales, hemos obtenido C a partir de A mediante un producto de

matrices elementales; por lo tanto, A es equivalente por filas a C.
Sea la matriz A de n x m. Si una fila tiene un elemento distinto de cero, el

elemento principal de la fila es su primer elemento distinto de cero, leyendo de
izquierda a derecha. Una fila que tiene únicamente ceros no tiene elemento
principal. Decimos que la matriz A es una matriz reducida si A tiene las
siguientes características:
1.- El elemento principal de cada fila distinto de cero es 1.

2.- Si una fila tiene su elemento principal en la columna j, todos los otros
elementos de la columna j son cero.
3.- Toda fila que tiene únicamente ceros está debajo de las filas que tienen
elementos distintos de cero.
4.- Si el elemento principal de la fila f1 está en la columna c1, el elemento
principal de la fila f2 está en la columna c2 y f1 < f2, entonces c1 < c2.
Por la segunda característica, si una columna contiene un elemento principal en

alguna fila, todos los otros elementos de esa columna son cero. Dicho de otra
manera, todos los elementos que están directamente por encima o debajo de
cualquier elemento principal son cero. La cuarta característica dice que los
elementos principales se mueven hacia abajo y a la derecha conforme se ve la
matriz.
T E O R E M A 3.1.4
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
Si la matriz A está en forma reducida, ya se acaba el proceso. Si no, leyendo de
izquierda a derecha la matriz, supongamos que la columna c1 es la primera
columna que tiene un elemento distinto de cero. Sea k el primer elemento distinto
de cero de esa columna, digamos que aparece en la fila f1. Multiplicamos la fila f1
por 1/k para obtener una matriz B. Por la elección de f1, la columna c1 de B tiene
exactamente ceros por encima del 1 en la fila f1. Si cualquier fila debajo de f1
tiene un elemento r distinto de cero en la columna c1 sumamos ± r veces la fila f1 a
esa fila. Obteniendo una nueva matriz con un cero donde estaba localizada r en B.
La repetición de este proceso da como resultado la matriz C que tiene ceros por
encima y debajo de la fila f1 en la columna c1. Ahora intercambiamos las filas 1 y
f1 de C para producir la matriz D que tiene como entrada principal 1 en la fila 1 y
la columna c1 y todos los demás elementos de esa columna son cero. Además, por
la elección de c1, cualquier columna de D a la izquierda de la columna c1 tiene
solamente elementos iguales a cero. Finalmente D es equivalente por filas a A ya
que llegamos a D por una sucesión de operaciones elementales de filas.
Si D es reducida, se acaba el proceso. Si no, repetimos este proceso, pero ahora
observando la primera columna, digamos la columna c 2, a la derecha de la
columna c1 y que tiene un elemento distinto de cero debajo de la fila 1. Sea f2 la
primera fila debajo de la fila 1 que tiene un elemento distinto de cero, digamos s.
Dividimos la fila f2 por s para obtener una matriz E con 1 como elemento f2, c2. Si
la columna c2 de E tiene un elemento distinto de cero s en una fila por encima o
debajo de f2 sumamos ±s veces la fila f2 a esa fila. La repetición de este proceso da
una matriz F con ceros en la columna c2 por encima y debajo del elemento 1 en la
fila f2. Finalmente, intercambiamos las filas 2 y f2 de F para obtener G. Si la
matriz G está en forma reducida, se acaba el proceso. Si no, localizamos la
primera columna a la derecha de la columna c2 y que tenga un elemento distinto
de cero debajo de la fila f2 y repetimos el proceso que hemos estado utilizando.
Como A tiene un número finito de columnas, eventualmente llegamos a una
matriz reducida y esta matriz reducida es equivalente por filas a A.

El proceso de obtener una matriz reducida equivalente por filas a una matriz dada
A se llama reducción de A. Observemos que usualmente es posible efectuar
distintas sucesiones de operaciones elementales de filas en A para obtener una
matriz reducida.
Sea A una matriz de n x m. Suponga que se aplica una sucesión S1 de operaciones

elementales de filas empezando con la matriz A y obteniendo una matriz reducida
B. Suponga que se aplica otra sucesión S2 de operaciones elementales de filas
empezando con A y se obtiene una matriz reducida C, entonces B = C. Esto
implica que para una matriz A, el resultado final siempre es el mismo no importa
cuáles operaciones elementales de filas hayamos usado para llegar a él. Debido a
esto, hablaremos de la forma reducida de A en lugar de una forma reducida de A.
Denotaremos a la forma reducida de A como A R.
E J E M P L O 3.1.3
Reducir la matriz
§ 3 4 1 ·
¨ ¸
A = ¨ 1 2 0¸ .
¨ 2 4 3¸
© ¹
SO L U C I O N
Empezamos con la primera columna, que tiene un elemento distinto de cero en la
primera fila. A la primera fila le multiplicamos por ±1/3:
§ 1 43 13 ·
¨ ¸
¨1 2 0 ¸
¨¨ 2 4 3 ¸¸
© ¹
A la segunda fila le restamos la primera fila, a la tercera fila le restamos 2 veces la
primera fila:
§ 1 43 13 ·
¨ ¸
¨ 0 103 1
3 ¸
¨¨ 20 11 ¸ ¸
©0 3 3 ¹
La segunda columna de la última matriz tiene elementos distintos de cero debajo
de la primera fila. Como queremos un 1 en esa posición, entonces hacemos las
siguientes operaciones. A la segunda fila le multiplicamos por 3/10:
§ 1 43 13 ·
¨ 1
¸
¨0 1 10 ¸
¨¨ 20 11 ¸ ¸
©0 3 3 ¹
A la primera fila le sumamos 4/3 veces la segunda fila, a la tercera fila le
restamos 20/3 veces la segunda fila:
§ 1 0 15 ·
¨ ¸
¨ 0 1 101 ¸
¨¨ ¸¸
©0 0 3 ¹
La tercera columna de la última matriz tiene elementos distintos de cero debajo de
la segunda fila. Como queremos un 1 en esa posición, entonces hacemos las
siguientes operaciones. A la tercera fila le multiplicamos por 1/3:
§ 1 0 15 ·
¨ ¸
¨ 0 1 101 ¸
¨¨ ¸¸
©0 0 1 ¹
A la primera fila le sumamos 1/5 veces la tercera fila, a la segunda fila le
restamos 1/10 veces la tercera fila:

§1 0 0·
¨ ¸
¨0 1 0¸ .
¨0 0 1¸
© ¹
Esta última matriz es AR, la forma reducida de A. En este caso A R = I.
Hemos obtenido A R a partir de A por una sucesión de operaciones elementales de

filas. Además, hemos visto que podemos realizar cualquier sucesión de
operaciones elementales de filas en A multiplicando a A por la izquierda por un
producto de matrices elementales. Esto nos indica que dada una matriz A de n x
m. Entonces existen matrices elementales E 1, E 2, ..., E n tales que A R = E n E n-1 ...
E 1 A.
PR O B L E M AS
3.1.1 En las siguientes matrices, efectúe la operación b.- Encuentre E 2.

elemental de filas indicada en A para obtener la matriz
B. Después encuentre la matriz E tal que E A = B: 3.1.4 En las siguientes matrices, determine si la matriz
§ 1 i 2 3 i · está en forma reducida. Si no lo está, haga una lista de
¨ ¸ todas las condiciones de la definición que no se
a.- A ¨ 2 4 5i 2 ¸ ; multiplicar la tercera fila
¨1 i 2 6 2 ¸ cumplen y utilice las operaciones elementales de filas
© ¹ para reducir la matriz:
por i. §1 3 0 5·
§ 2i 3 4 · ¨ ¸ § 1 7 5 3·
¨ 6 0 3 5¸ ¨ ¸
¨ ¸ a.- A ; b.- A ¨ 0 2 0 1 ¸ ;
2 6 7¸ ¨6 2 1 7¸
b.- A ¨ ; sumar el producto de la tercera ¨ ¸ ¨ 0 0 3 1¸
¨ 1 i 3 ¸ © ¹
¨ ¸ © 0 3 1 1 ¹
© 5 8 4¹
§0 2 3·
fila por ±1 a la primera fila. ¨ ¸
c.- A ¨0 0 2¸
.
3.1.2 En las siguientes matrices, obtenga una matriz B ¨4 0 3¸
¨ ¸
a partir de la matriz A dada efectuando la sucesión de ©1 5 2¹
operaciones. Después obtener una matriz C tal que C A =
B: 3.1.5 Dadas las matrices A, B y C:
§ i 2 3 5 · § 1 2 3 · § 1 2 0 ·
¨ ¸ ¨ ¸ ¨ ¸
1 6i 7 8 ¸ A ¨ 0 1 2 ¸, B
a.- A ¨ ; intercambiar las filas f2 y ¨ 0 1 2 ¸,
¨1 i 4 6 1 i ¸ ¨ 1 2 0 ¸ ¨ 1 2 3 ¸
¨ ¸ © ¹ © ¹
© i 3 7 4 ¹ § 0 4 3 ·
f4, sumar i veces la segunda fila a la tercera fila, sumar la ¨ ¸
C¨ 0 1 2 ¸.
primera fila a la tercera fila, multiplicar la segunda fila ¨ 1 2 0 ¸
por i. © ¹
§ 1 2i 3 4 6i · a.- Encuentre una matriz elemental E tal que E A = B;
¨ ¸ b.- Encuentre una matriz elemental E tal que E A = C.
b.- A ¨ 7 2 5 4 ¸ ; sumar ± i veces la
¨ i 1 i 3 5 ¸¹
© 3.1.6 Dé un ejemplo de dos matrices elementales cuyo
segunda fila a 7 veces la tercera fila, intercambiar las producto sea elemental.
filas f1 y f3, multiplicar la tercera fila por (1 ± 2 i).
c.- Encuentre una matriz elemental E tal que E B = A; 3.1.7 Construya E sumando ± 3 veces la fila e de I a la
d.- Encuentre una matriz elemental E tal que E C = A. fila 4 y calcule E A. ¿Qué efecto produce en A la
multiplicación izquierda por E? ¿Sería cierta la misma
3.1.3 E es la matriz elemental que se obtiene al conclusión para cualquier matriz de 4 x 4? Encuentre
intercambiar dos filas de I. A es una matriz de n x n: una matriz F tal que la multiplicación izquierda por F
a.- ¿Cómo se relaciona o compara E A con A?; transforme de nuevo E en I; esto es, F E = I.
3.2 R A N G O D E U N A M A T R I Z
En esta sección se introduce la terminología básica y se define el rango de una matriz, enuncia mos sus
propiedades mas importantes.
El determinante de una matriz se relaciona de manera importante con el concepto de

rango de una matriz. Para calcular prácticamente el rango de una matriz pueden
seguirse distintos procedimientos. Uno de ellos consiste en comprobar con las dos
primeras filas si existe algún determinante de 2 x 2 no nulo; si ocurre así, se procede
de la misma manera respecto a las tres primeras filas, y de la misma manera hasta
agotar el número de filas o encontrar un primer conjunto de menores de k x k que
sean nulos en su totalidad; en el primer caso, el rango es igual al número de filas n, y
en el segundo, es k ± 1.
El rango de una matriz A es el orden de la matriz de mayor orden, cuyo
determinante es diferente de cero que se puede obtener de A al suprimir
filas y/o columnas. Representamos este número por Rang( A). Se dice
que A tiene rango 0 si todos sus elementos son cero.
Es evidente que el rango de una matriz de m x n cuando más puede ser igual al
menor de los números m y n, pero puede ser menor.
T E O R E M A 3.2.1
Sea una matriz A de m x n y sea k un número entero positivo. Entonces
Rang(A) t k si la matriz A contiene un subdeterminante distinto de cero de
orden k.
Supongamos que Rang(A) t k. Entonces el rango por filas de la matriz A será, por lo
menos, k, y así en la matriz A hay k filas linealmente independientes. Numeremos
estas filas con f1, f2, ..., fk y sea B la matriz k x n en la que la fila i-ésima sea la fila fi
de la matriz A. Entonces, el rango por filas de B ha de ser k y, por lo tanto, Rang(B)
= k. De esto se desprende que el rango por columnas de B sea k y que, por lo tanto, B
contenga k columnas linealmente independientes. Consideremos la matriz C
cuadrada de orden k que conste de esas columnas. Las columnas de C son
linealmente independientes y, por lo tanto, Rang(C) = k. Por consiguiente Det(C) z
0. Puesto que C es una submatriz de A, hemos demostrado que A debe contener un
subdeterminante de orden k distinto de cero.
Una matriz A de m x n (m t n) posee un subdeterminante de n-1 x n-1 no nulo; todos

los subdeterminantes de n x n son nulos, entonces todos los subdeterminantes de
n x n de la matriz A son iguales a cero y, por consiguiente, el rango de la matriz A es
n-1.
T E O R E M A 3.2.2
El rango de una matriz A de m x n, será igual a k si hay por lo menos un
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los demás subdeterminantes de A de k + 1 x k + 1 son cero.
Si Rang(A) = k, entonces la matriz A contendrá un subdeterminante de k x k distinto
de cero. Además, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser así, su rango no podría ser menor que k + 1.
EJ E M P L O 3.2.1
Hallar los valores del parámetro k, para que la matriz A tenga rango máximo.
¿Cuánto es el rango para los otros valores de k?
§k 3 k 0 0 · § k 2 2k 4 0 2k ·
¨ ¸ ¨ ¸
k k 3 0 0 ¸ 0 1 0 k 1¸
a.- ¨ ; b.- ¨ .
¨ k k 1 k 1 k 1¸ ¨ 2 k 3 k 1 k ¸
¨ ¸ ¨ ¸
© k 1 k 1 k 3 k ¹ © 0 k 1 0 2k 1¹
SO L U C I O N
a.- La matriz A tiene rango máximo si el Det(A) z 0, es decir:
k 3 k 0 0
k 3 0 0 k 0 0
k k 3 0 0
( k 3) k 1 k 1 k 1 k k k 1 k 1 36
k k 1 k 1 k 1
1 k 1 k 3 k k 1 k 3 k
k 1 k 1 k 3 k
Como 36 z 0, entonces la matriz tiene rango máximo si k .
b.- La matriz A tiene rango máximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4 2k
0 1 0 k 1
0 1 k 1 k 3 ( k 2) z 0 .
2 k 3 k 1 k
0 k 1 2k 1
0 k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto k \ {-2, 0}. Cuando
k = - 2:
§ 0 0 0 4 · § 0 0 0 4 · § 0 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 0 1 ¸ | ¨ 0 1 0 1 ¸ | ¨ 0 1 0 1¸
¨ 2 1 2 1 ¸ ¨ 2 0 2 0 ¸ ¨ 2 0 2 0¸
¨ ¸ ¨ ¸ ¨ ¸
© 0 1 0 3 ¹ © 0 0 0 4 ¹ © 0 0 0 4¹
Rang(A) = 3. Cuando k = 0:
§ 2 4 0 0 · §2 4 0 0 · §2 4 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 0 1¸ | ¨ 0 1 0 1¸ | ¨ 0 1 0 1¸
¨ 2 3 0 1 ¸ ¨ 0 1 0 1 ¸ ¨ 0 0 0 0¸
¨ ¸ ¨ ¸ ¨ ¸
© 0 1 0 1 ¹ ©0 1 0 1 ¹ ©0 0 0 0¹
Rang(A) = 2.
T E O R E M A 3.2.3
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los demás subdeterminantes de A de k + 1 x k + 1 son cero.
Si Rang(A) = k, entonces la matriz A contendrá un subdeterminante de k x k distinto
de cero. Además, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser así, su rango no podría ser menor que k + 1.
EJ E M P L O 3.2.2
Calcular el rango de la matriz
§ 2 1 3 2 4 ·
¨ ¸
A ¨ 4 2 5 1 7 ¸ .
¨ 2 1 1 8 2 ¸
© ¹
SO L U C I O N
Utilizaremos la definición, es decir:
2 4
18
1 7
Como este menor es diferente de cero, procedemos a tomar un menor de mayor
orden:
3 2 4 1 2 4 2 2 4
5 1 7 2 1 7 4 1 7 0
1 8 2 1 8 2 2 8 2
Como todos los menores de tercer orden son iguales a cero, entonces concluimos que
Rang(A) = 2.
El número de filas distintas de cero de una matriz A en la forma reducida se
denomina rango de la matriz A.
Si A es una matriz de n x m, obviamente Rang(A) d n. Además, como A R es una

matriz reducida su rango es el número de sus filas distintas de cero; por lo tanto
Rang(A) es igual al número de filas de A R no nulas. Sea una matriz A de m x n y sea
k un número entero positivo. Entonces Rang(A) t k si la matriz A contiene un
subdeterminante distinto de cero de orden k.

subdeterminante de A de k x k que sea distinto de cero mientras que todos los demás
subdeterminantes de A de k + 1 x k + 1 son cero.
T E O R E M A 3.2.3
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
Demostremos que una operación elemental no puede aumentar el rango k de una
matriz A. Si A tiene el máximo rango posible, esto es evidente. Sea k menor y
considérese cualquier submatriz cuadrada B de A con k + 1 filas. Por definición de
rango Det(B) = 0. Sea C la matriz obtenida a partir de B aplicando una operación
elemental a A. Si C = B, entonces Det(C) = 0. Sea C = B:
a.- Supóngase la operación de intercambio de dos filas de A. Si los dos tienen
elementos en B, entonces Det(C) = -Det(B). En caso contrario, C es igual a otra
submatriz cuadrada de A con k + 1 filas. De aquí que Det(C) = 0.
b.- Bajo la operación elemental de la multiplicación de una fila de A por un número
r diferente de cero, se tiene
Det(C) = rDet(B) = 0.
c.- Bajo la adición de un múltiplo constante de una fila de A a otra fila, la matriz C
difiere de la B en una fila, digamos c, de la forma c = b + ra, donde b es la fila
correspondiente de B. Así se tiene
Det(C) = Det(B) + rDet(D) = rDet(D),
donde D, tiene dos filas idénticas, o bien, es una submatriz cuadrada con k + 1 filas
de la matriz A.
En cualquier caso,
Det(D) = 0 y Det(C) = 0.
Esto completa la demostración de que una operación elemental no puede aumentar el
rango de una matriz A. Vamos a demostrar ahora que una operación elemental no
puede disminuir ese rango. Por inversa de una operación elemental se entiende la
operación que deshace el efecto de la operación dada. Esa inversa existe y es una
operación elemental. De aquí que, si una operación elemental pudiera disminuir el
rango, su inversa lo aumentaría, pero esto es imposible por lo que acaba de
demostrarse.
Este teorema implica que si se desea determinar el rango de una matriz dada, primero
puede simplificarse la matriz por medio de operaciones elementales. Más importante,
este teorema servirá de base para el estudio de los sistemas de ecuaciones lineales.

EJ E M P L O 3.2.3
Hallar los valores del parámetro k, para que la matriz
§ k 2 2k 4 0 2k ·
¨ ¸
0 1 0 k 1¸
A =¨
¨ 2 k 3 k 1 k ¸
¨ ¸
© 0 k 1 0 2k 1¹
tenga rango máximo. ¿Cuánto es el rango para los otros valores de k?
SO L U C I O N
La matriz A tiene rango máximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4 2k
0 1 0 k 1
=k 0 1 k 1 = k3(k + 2) z 0.
2 k 3 k 1 k
0 k 1 2k 1
0 k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto k \ {-2, 0}. Cuando
k = - 2:
§ 0 0 0 4 · § 0 0 0 4 · § 0 0 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 0 1 ¸ | ¨ 0 1 0 1 ¸ | ¨ 0 1 0 1 ¸ Rang(A) = 3.
¨ 2 1 2 1 ¸ ¨ 2 0 2 0 ¸ ¨ 2 0 2 0 ¸
¨ ¸ ¨ ¸ ¨ ¸
© 0 1 0 3 ¹ © 0 0 0 4 ¹ © 0 0 0 4 ¹
Cuando k = 0:
§ 2 4 0 0 · §2 4 0 0 · §2 4 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 0 1¸ | ¨ 0 1 0 1¸ | ¨ 0 1 0 1¸ Rang(A) = 2.
¨ 2 3 0 1 ¸ ¨ 0 1 0 1 ¸ ¨ 0 0 0 0 ¸
¨ ¸ ¨ ¸ ¨ ¸
© 0 1 0 1 ¹ ©0 1 0 1 ¹ ©0 0 0 0 ¹
T E O R E M A 3.2.4
Sea A una matriz de n x n. Entonces Rang(A) = n si y sólo si A R = I.
Si A R = I, entonces la matriz A R tiene n filas no nulas; por lo tanto Rang(A) = n.
Recíprocamente, supongamos que Rang(A) = n. Entonces A R tiene exactamente n
filas no nulas y por lo tanto no tiene filas nulas. Toda fila de A R tiene elemento
principal 1. A R tiene cada elemento de la diagonal principal igual a 1. Todos los
elementos de la columna c j por encima y debajo de la diagonal principal son nulos.
Por lo tanto, A R = I.
T E O R E M A 3.2.5
El rango del producto de varias matrices no es superior al rango de cada
uno de los factores.
Sean dadas las matrices A y B, para las cuales tiene sentido el producto A B;
emplearemos la notación A B = C. Veamos la definición del producto de matrices,
que da la expresión de los elementos de la matriz C. Tomando esta fórmula para un k
dado y todos los i posibles, obtenemos que la k-ésima columna de la matriz C
representa una suma de todas las columnas de la matriz A, tomadas con ciertos
coeficientes.
De este modo, queda demostrado que el sistema de columnas de la matriz C se
expresa linealmente mediante el sistema de columnas de la matriz A, y, por
consiguiente, el rango del primer sistema es menor o igual al rango del segundo
sistema; en otras palabras, el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, como de la definición, para un i dado y todos los k, se
deduce que toda i-ésima fila de la matriz C es combinación lineal de las filas de la
matriz B, con razonamientos análogos obtenemos que el rango de C no es mayor

que el rango de B.
T E O R E M A 3.2.6
El rango de la transpuesta de una matriz es el mismo que el de la matriz
dada.
Sea Rang(A) = k y sea B una submatriz cuadrada de A con k filas y Det(B) z 0.
Evidentemente B T es una submatriz de A T. Por lo tanto
Det(B T) = Det(B).
T
De donde Rang(A ) t k. Por otra parte, si A contiene una submatriz cuadrada C de k
+ 1 filas, entonces, por definición de rango, Det(C) = 0. Como C corresponde a C T
en A T y Det(C T) = 0, se concluye que A T no puede contener una submatriz cuadrada
de k + 1 filas con un determinante diferente de cero. Como consecuencia, Rang(A T)
d k. En conjunto, Rang(A T) = k y se completa la demostración.
% CALCULO DEL RANGO DE UNA MATRIZ

clc;;clear;;
fprintf('\nRANGO DE UNA MATRIZ \n')
fil=input('Ingrese el numero de filas de la Matriz A: ');;
col=input('Ingrese el numero de columnas de la Matriz A: ');;
for f=1:fil
for c=1:col
end
end
fprintf('\nLA MATRIZ A ES:\n')
A
fprintf('LA MATRIZ REDUCIDA ES:\n')
R=rref(A)
fprintf('EL RANGO DE LA MATRIZ ES:\n')
RangA=rank(R)
end
EJ E M P L O 3.2.4
Demostrar que la matriz A que posee la propiedad A 2 = I, puede representarse en la
forma PBP-1, donde P es una matriz no singular y B es una matriz diagonal cuyos
elementos son todos iguales a r1.
SO L U C I O N
El rango de la matriz (I + A «I ± A) es igual a n. Elijamos de esta matriz una matriz
cuadrada no singular P de orden n, y supongamos que sus primeras r columnas
pertenecen a la matriz I + A y las demás n ± r columnas pertenecen a la matriz I ± A.
Entonces, como (I + A)(I ± A) = O, se tiene
§ q11 q12 ... q1r 0 0 ... 0 ·
¨ ¸
q q22 ... q2 r 0 0 ... 0 ¸
( I + A ) P ¨ 21 ;
¨ ... ... ... ... ... ... ¸
¨¨ q ¸¸
© n1 qn 2 ... qnr 0 0 ... 0 ¹
§0 0 ... 0 q1, r 1 q1, r 2 ... q1n ·
¨ ¸
0 0 ... 0 q2, r 1 q2, r 2 ... q2 n ¸
(I - A )P ¨ .
¨ ... ... ... ... ... ... ¸
¨¨ ¸
©0 0 ... 0 qn, r 1 qn, r 2 ... qnn ¸¹
Sumando estas igualdades, resulta

§ q11 q12 ... q1r q1, r 1 q1, r 2 ... q1n ·

¨ ¸
q21 q22 ... q2 r q2, r 1 q2, r 2 ... q2 n ¸
2P ¨ .
¨ ... ... ... ... ... ... ¸
¨¨ ¸
© qn1 qn 2 ... qnr qn, r 1 qn, r 2 ... qnn ¸¹
Restando, se obtiene
§ q11 q12 ... q1r q1, r 1 q1, r 2 ... q1n ·
¨ ¸
q21 q22 ... q2 r q2, r 1 q2, r 2 ... q2 n ¸
2 AP ¨
¨ ... ... ... ... ... ... ¸
¨¨ ¸
© qn1 qn 2 ... qnr qn, r 1 qn, r 2 ... qnn ¸¹
§1 ·
¨ ¸
¨ ¸
¨ 1 ¸
2P ¨ ¸.
¨ 1 ¸
¨ ¸
¨¨ ¸
© 1 ¸¹
Con esto se deduce inmediatamente lo que se quería demostrar.
EJ E M P L O 3.2.5
Demostrar que si todos los menores principales de k-ésimo orden de la matriz A T A
son iguales a cero, los rangos de las matrices A T A y A son menores que k. Aquí A es
una matriz real y A T es la matriz transpuesta de ella.
SO L U C I O N
Si todos los menores principales de k-ésimo orden de la matriz A T A son iguales a 0,
entonces todos los menores de orden k de la matriz A son iguales a 0. Por
consiguiente, el rango de la matriz A, y junto con él también el rango de la matriz
A T A, es menor que k.
EJ E M P L O 3.2.6
Demostrar que el rango del producto de dos matrices cuadradas de orden n no es
inferior a r1 + r2 ± n, donde r1 y r2 son los rangos de los factores.
SO L U C I O N
Sea A = P1 R 1 Q 1, B = P2 R 2 Q 2, donde P1, Q 1, P2, Q 2 son matrices no singulares y R 1,
R 2 son matrices que tienen r1 y r2 unidades en la diagonal principal, respectivamente,
y los demás elementos son iguales a 0. Entonces A B = P1 R 1 Q 1P2 R 2 Q 2 y el rango de
A B es igual al rango de R 1 C R 2, donde C = Q 1P2 es una matriz no singular, la matriz
R 1 C R 2 se obtiene de la matriz C sustituyendo todos los elementos de las últimas
n ± r1 filas y n ± r2 columnas por ceros. Como la eliminación de una fila o una
columna rebaja el rango de la matriz no más que en una unidad, el rango de R 1 C R 2
no es menor que n ± (n ± r1) ± (n ± r2) = r1 + r2 ± n.
EJ E M P L O 3.2.7
Demostrar que si A 2 = I, entonces Rang(I + A) + Rang(I ± A) = n, donde n es el
orden de la matriz A.
SO L U C I O N
Sea Rang(I + A) = r1, Rang(I ± A) = r2. Como (I + A) + (I ± A) = 2I, se tiene r1 + r2
t n. Por otra parte, (I + A)(I ± A) = O, por lo cual 0 t r1 + r2 ± n. Por consiguiente,
r1 + r2 = n.
EJ E M P L O 3.2.8
Sea A una matriz rectangular de elementos complejos y sea A + la matriz transpuesta
de la matriz compleja conjugada de A. Demostrar que el determinante de la matriz
A + A es un número real no negativo y que este determinante es igual a 0, si y sólo si,
el rango de A es menor que el número de columnas.

SO L U C I O N
El determinante de A + A es igual a la suma de los cuadrados de los módulos de todos
los menores de orden m de la matriz A, donde m es el número de columnas de la
matriz A.
PR O B L E M AS
3.2.1 Demuestre que cualquier matriz de rango r puede 3.2.8 Calcular el rango de la matriz:
representar en forma de una suma de r matrices de rango 1, § 2 1 1 3 4 ·
pero no se puede representar en forma de una suma ¨ ¸
inferior a r de semejantes matrices. ¨ 2 1 2 1 2 ¸
¨ 2 3 1 2 2 ¸
a.- ¨ ¸;
3.2.2 Demuestre que si el rango de la matriz A es igual a ¨ 1 0 1 2 6 ¸
r, el menor d que se encuentra en la intersección de ¨ 1 2 1 1 0 ¸
cualesquiera r filas linealmente independientes y r ¨¨ ¸¸
columnas linealmente independientes de esta matriz, es © 4 1 3 1 8 ¹
diferente de cero. § 1 1 2 0 0 1·
¨ ¸
¨ 0 1 1 2 0 1¸
3.2.3 Demuestre que el rango de una matriz antisimétrica ¨ 1 0 1 0 2 1¸
es un número par. b.- ¨ ¸;
¨ 1 1 0 0 1 2¸
3.2.4 Encuentre una matriz involutoria de 3 x 3, para la ¨2 0 0 1 1 1¸
¨¨ ¸
cual Rang(I ± A) + Rang(I + A) = 3.
© 1 1 0 1 1 2 ¸¹
3.2.5 Calcular el rango de la matriz: §1 3 6 8 0·

¨ ¸
§ 75 0 116 39 0 · § 0 4 10 1 · ¨ 3 6 9 2 1¸
¨ ¸ ¨ ¸ ¨ 2
171 69 402 123 4 8 18 7 ¸ 5 8 0 0¸
a.- ¨
45 ¸
; c.- ¨ ; d.- ¨ ¸;
¨ 301 0 87 417 169 ¸ ¨10 18 40 17 ¸ ¨ 2 4 6 3 5¸
¨ ¸ ¨ ¸ ¨7
© 1 7 17 3 ¹ 0 1 9 3¸
©114 46 268 82 30 ¹ ¨¨ ¸
© 4 3 8 9 1 ¸¹
§1 0 0 1 4·
¨ ¸ § 1 1 2 3 4 ·
¨0 1 0 2 5¸
¨ ¸
b.- ¨ 0 0 1 3 6 ¸; ¨ 2 1 1 2 0 ¸
¨ ¸ e.- ¨ 1 2 1 1 3 ¸.
¨1 2 3 14 32 ¸ ¨ ¸
¨4
© 5 6 32 77 ¸¹ ¨ 1 5 8 5 12 ¸
¨ 3 7 8 9 13 ¸
§1 2 3 1 1 2 · © ¹
¨ ¸
¨ 2 1 1 0 2 2 ¸
3.2.9 Demuestre que el rango de la suma de dos matrices
c.- ¨ 2 5 8 4 3 1 ¸ . no es superior a la suma de los rangos de las matrices que
¨ ¸
¨ 6 0 1 2 7 5 ¸ se suman, es decir
¨ 1 1 1 1 2 1 ¸¹ Rang(A + B) d Rang(A) + Rang(B).
©
3.2.10 Demuestre que si una matriz está compuesta de m
3.2.6 Para cualquier matriz B con elementos reales o
filas y su rango es r, cualesquiera s de sus filas forman
complejos todos los menores principales de la matriz A =
una matriz, cuyo rango no es inferior a r + s - m.
B B + son no negativos y el rango de A es igual al rango de
B.
3.2.11 Encuentre matrices A y B de 3 x 3 tales que A B =
O y Rang(A) + Rang(B) d 3, con la particularidad de que
3.2.7 Dé un ejemplo de matrices A y B del mismo orden
para cualquier matriz dada A puede elegirse la matriz B
tales que cumplan lo siguiente:
de manera tal que Rang(A) + Rang(B) = k, donde k es
a.- Rang(A + B) < Rang(A) y Rang(A + B) < Rang(B);
cualquier número entero que satisface la condición
b.- Rang(A + B) = Rang(A) y Rang(A + B) = Rang(B);
c.- Rang(A + B) > Rang(A) y Rang(A + B) > Rang(B). Rang(A) d k d 3.

3.2.12 Determine el rango de la matriz real dada para los 3.2.13 Demuestre que cualquier matriz A de rango r
distintos valores del parámetro k : puede representarse en forma de un producto A = PR Q,
§ k 2k 1 3 1 · § k 0 1 1· donde P y Q son matrices no singulares y R es una matriz
¨ ¸ ¨ ¸ rectangular de las mismas dimensiones que A, en cuya
1 1 1 1¸ 1 2 0 2¸
a.- ¨ ; b.- ¨ ; diagonal principal los primeros r elementos son iguales a
¨0 1 0 1 ¸ ¨ 0 3 2 0 ¸ la unidad, mientras que todos los demás elementos son
¨ ¸ ¨ ¸
©3 5 3 k¹ ©1 k 3 k ¹ nulos.
§1 k 1 2 · § 1 1 1 k ·
¨ ¸ ¨ ¸
c.- ¨ 2 1 k 5 ¸ ; d.- ¨ 2 2k 2 ¸;
¨ 1 10 6 1 ¸ ¨3 k 3 3 ¸¹
© ¹ ©
§1 k 2 k 0 · § k 1 2·
¨ ¸ ¨ ¸
2
e.- ¨ k 1 k k ¸ ; f.- ¨ 2 k 2 ¸ .
¨ 2¸ ¨1 k 1¸
¨ 0 k 1 k ¸ © ¹
© ¹
3.3 I N V E RSA D E UN A M A T RI Z
En esta sección se introduce la terminología básica y se define la inversa de una matriz cuadrada, enunciamos sus
propiedades mas importantes.
El determinante de una matriz se relaciona de manera importante con el concepto de

no singularidad de una matriz.
Sea A una matriz cuadrada de n x n, si existe una matriz B de n x n tal
que A B = I se considera que B es una inversa por la derecha de A. Si
existe una matriz C de n x n tal que C A = I se dice que C es una
inversa por la izquierda de A.
Sea A una matriz de n x n. Si B es una matriz de n x n tal que A B = I y
B A = I, donde I es la matriz identidad de n x n, entonces se dice que la
matriz B es una inversa de la matriz A y se representa por B = A -1.
Además podemos decir que toda matriz cuadrada A de n x n se
denomina singular, si su determinante es igual a cero; en caso contrario,
se denomina no singular.
T E O R E M A 3.3.1
Si una matriz A de n x n tiene inversa, entonces ella es única.
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto demostramos que la inversa de una matriz es única.
EJ E M P L O 3.3.1
Sean A y B matrices de n x n tales que A B = I. Demuestre que
Det(A) z 0 y Det(B) z 0.
SO L U C I O N
Suponga que A y B son matrices de n x n tales que A B = I. Entonces, se sabe que
Det(A B) = 1. Si Det(A) = 0, entonces se concluye que Det(A B) = Det(A)Det(B) = 0,
lo cual es una contradicción. Por consiguiente es posible concluir que Det(A) z 0. Si
Det(B) = 0, se obtiene una contradicción semejante.
EJ E M P L O 3.3.2
Para toda matriz A de n x n, no singular se cumple que
1
Det( A -1 ) = .
Det( A )
SO L U C I O N
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que Det(A -1)Det(A) = 1. Como Det(A) = 0, la demostración puede completarse
dividiendo entre Det(A), es decir
1
Det( A -1 ) = .
Det( A )
T E O R E M A 3.3.2
Si A y B son matrices no singulares, entonces:
a.- A B es no singular y (A B)-1 = B -1 A -1.
b.- A -1 es no singular y (A -1)-1 = A.
c.- Para k z 0, k A es no singular y (k A)-1 = k-1 A -1.
a.- Como A y B son matrices no singulares, existen A -1 y B -1. Ahora calculamos
(A B)(B -1 A -1) = A(BB -1)A -1 = A I A -1 = A A -1 = I
(B -1 A -1)(A B) = B -1(A -1 A)B = B -1 IB = B -1 B = I
-1 -1
Por lo tanto B A es la inversa de A B.
b.- De la definición de matriz inversa y la unicidad se sigue que
(A -1)-1 = A.
c.- Por las propiedades de las matrices, obtenemos
(k-1 A -1)(k A) = (k-1k)A -1 A = 1I = I
(k A)(k-1 A -1) = (kk-1)A A -1 = 1I = I
con lo que podemos decir que (k A)-1 = k-1 A -1.
EJ E M P L O 3.3.3
Dadas las matrices A y B de n x n. Demuestre que (A T B T)-1 = (A -1 B -1)T, donde A y B
son matrices no singulares.
SO L U C I O N
Si A y B son matrices no singulares, entonces:
(A T B T)(A -1 B -1)T = A T B T(B -1)T(A -1)T = A T B T(B T)-1(A T)-1 = A T(A T)-1 = I
(A -1 B -1)T(A T B T) = (B -1)T(A -1)T A T B T = (B T)-1(A T)-1 A T B T = (B T)-1 B T = I
y, por tanto (A -1 B -1)T es la inversa de la matriz A T B T.
T E O R E M A 3.3.3
Si A = A 1 A 2 ... A n y A 1, A 2, ..., A n son todas matrices no singulares,
entonces A es no singular y A -1 = (A 1 A 2 ... A n)-1 = A -1n ... A -12 A -11.
En el producto
(A -11 ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 A -11 A 1 A 2 ... A n
-1
como A i A i = I, entonces
(A -1n ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 I A 2 ... A n
= A -1n ... A -12 A 2 ... A n
= A -1n ... I ... A n
= A -1n ... A n
« I.
Del mismo modo demostramos que
(A 1 A 2 ... A n)(A -1n ... A -12 A -11) = A 1 A 2 ... A n A -1n ... A -12 A -11
= A 1 A 2 ... I... A -12 A -11
= A 1 ... A -11

= ... = I.
Con lo cual queda demostrado que los dos productos son inversos uno del otro.
T E O R E M A 3.3.4
Para toda matriz A de n x n, no singular se cumple que
1
Det( A -1 ) = .
Det( A )
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que
Det(A -1)Det(A) = 1.
Como Det(A) = 0, la demostración puede completarse dividiendo entre Det(A), es
decir
1
Det( A -1 ) = .
Det( A )
EJ E M P L O 3.3.4
Si A y B son matrices de n x n con B no singular, demuestre que
Det(A) = Det(B -1 A B).
SO L U C I O N
Haciendo uso de la propiedad del producto de determinantes, tenemos
Det(B -1 A B) = Det(B -1)Det(A)Det(B)
= Det(A)Det(B -1)Det(B)
1
= Det(A) Det(B) = Det(A).
Det( B )
EJ E M P L O 3.3.5
Demuestre que el rango del producto a la derecha y a la izquierda de una matriz A
por una matriz cuadrada no singular B, es igual al rango de la matriz A.
SO L U C I O N
Sea A B = C. Sabemos que el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, multiplicando a la derecha la igualdad A B = C por B -1,
llegamos a la igualdad A = C B -1 y, por consiguiente, el rango de A no es mayor que
el rango de C. Comparando estos dos resultados obtenemos la coincidencia de los
rangos de las matrices A y C.
EJ E M P L O 3.3.6
Demuestre que si A es una matriz de rango 1, por lo menos una de las matrices I + A
y I ± A es no singular.
SO L U C I O N
Sea la matriz A con Rang(A) = 1:
§ a11 a12 ... a1n ·
¨ ¸
0 0 ... 0 ¸
A ¨ .
¨ ... ... ... ¸
¨ ¸
© 0 0 ... 0 ¹
Entonces
§1 a11 a12 ... a1n ·
¨ ¸
0 1 ... 0 ¸
I+A ¨ .
¨ ... ... ... ¸
¨ ¸
© 0 0 ... 1 ¹
Como la matriz I + A es triangular, entonces Det(I + A) = 1 + a11 z 0, por lo tanto la
matriz I + A es no singular.

T E O R E M A 3.3.5
Sean A y B matrices no singulares y conmutativas, entonces:
A -m B -n = B -n A -m m, n .
Si A B = B A, entonces A B ± B A = O. Ya que B es no singular, B -1 existe, y, por
tanto
B -1 A B = A -1 B A = A
Además
B -1 A B B -1 = A B -1.
De la misma manera, puede encontrase que
A -1 B = B A -1.
De donde deducimos fácilmente que A -m B -n = B -n A -m.
T E O R E M A 3.3.6
Sea T una matriz triangular no singular; su inversa es triangular con la
misma estructura.
Sea T triangular inferior; su inversa T -1 cumplirá T T -1 = T -1 T = I ya que I al ser
diagonal es triangular inferior, T -1 debe ser, asimismo, triangular inferior. Los
elementos de T -1 pueden calcularse con facilidad planteando el sistema asociado
al producto T T -1. En efecto se tendrá
¦ tik t 1kj dij
k
la suma sólo tendrá sentido para los términos en los cuales i t k t j; luego
t
¦ tik t 1kj d ij .
k j
Una matriz A de orden n, se llama ortogonal cuando el producto de la
matriz A por su matriz transpuesta A T es la matriz identidad I, es decir
A A T = I.
E J E M P L O 3.3.7
Demostrar que el determinante de una matriz ortogonal es igual a ± 1.
SO L U C I O N
Si A es una matriz ortogonal, entonces por definición A T = A -1, por tanto
T T T 2
° A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1
® T .
T T 2
°̄ A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1
De esto podemos concluir que Det(A) = ± 1.
Una matriz A de orden n, se llama unitaria cuando el producto de la matriz
A por su matriz transpuesta ± conjugada A + es la matriz identidad I, es decir
A A + = I.
EJ E M P L O 3.3.8
Demuestre que el determinante de una matriz unitaria tiene módulo igual a ± 1.
SO L U C I O N
Si A es una matriz unitaria, entonces por definición A + = A -1, por tanto
A A + = I Det( A A + ) = Det( I ) Det( A )Det( A + ) = 1 Det( A ) 2 = 1
°
® + + + 2
.
°̄ A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 Det( A ) = 1
De esto podemos concluir que el módulo del determinante de la matriz A es igual a ±
1.
EJ E M P L O 3.3.9
Demuestre que la inversa de una matriz es única.
SO L U C I O N
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto se demuestra que la inversa de una matriz es única.
EJ E M P L O 3.3.10
Si A es una matriz no singular y k z 0 es un escalar, entonces
1 1
( k A )1 A .
k
SO L U C I O N
Aplicamos las propiedades de la multiplicación escalar. Debido a que
§1 · § 1· §1 · §1 ·
( k A ) ¨ A 1 ¸ ¨ k ¸ A A -1 = 1 I = I y ¨ A 1 ¸ ( k A ) ¨ k ¸ A -1 A = 1 I = I
©k ¹ © k¹ ©k ¹ ©k ¹
1 1
se concluye que A es la inversa de k A.
k
EJ E M P L O 3.3.11
Si A y B son matrices no singulares de n x n, entonces A B es no singular y
(A B)-1 = B -1 A -1.
SO L U C I O N
Para demostrar que B -1 A -1 es la inversa de A B, basta demostrar que se ajusta a la
definición de matriz inversa. Es decir:
-1 -1 -1 -1 -1 -1 -1
°( A B )( B A ) = A ( B B ) A = A I A = ( A I ) A = A A = I
® -1 -1 -1 -1 -1 -1 -1
°̄ ( B A )( A B ) = B ( A A ) B = B I B = B ( I B ) = B B = I
de esta manera concluimos que A B es no singular y que su inversa es B -1 A -1.
EJ E M P L O 3.3.12
Sean A y B matrices de n x n con B no singular. Dé un ejemplo para el que B -1 A B z
A. Luego, demuestre que Det(B -1 A B) = Det(A).
SO L U C I O N
Haciendo
§1 2 · -1 § -5 2· §2 1 · -1 § -27 -49 ·
B =¨ ¸, B =¨ ¸, A =¨ ¸ , B AB = ¨ ¸.
© 3 5¹ © 3 -1¹ © -1 0 ¹ © 16 29 ¹
Det(B -1 A B) = Det(B -1)Det(A)Det(B) = Det(B -1)Det(B)Det(A)
1
= Det(B)Det(A) = Det(A).
Det( B )
EJ E M P L O 3.3.13
Suponga que en una hipermatriz cuadrada
§A B·
M =¨ ¸
© C D¹
una submatriz A es cuadrada y no singular. Demuestre que el determinante de la
matriz M cumple la relación Det(M) = Det(A)Det(D ± C A -1 B).
SO L U C I O N
Representamos la matriz M bajo la forma de un producto
§ E O ·§ J K · § A B ·
M = PQ = ¨ ¸¨ ¸=¨ ¸
© F H ¹© O L ¹ © C D ¹

EJ + O = A Si J = I E I = A E = A
°E K + O L = B ° -1
° ° AK = B K = A B
® ®
° FJ + H O = C ° FI = C F = C
°̄ F K + H L = D °Si H = I C A -1 B + I L = D L = D - C A -1 B
¯
Por tanto
§ A O ·§ I A -1 B ·
M =¨ ¸ ¨ ¸
© C I ¹ ¨© O D - C A -1 B ¸¹
donde k es el orden de la matriz A, k + r es el orden de la matriz M. Entonces
Det(M) = Det(A I ± O C)Det(I(D ± C A -1 B) ± A -1 B O)
= Det(A ± O)Det(D ± C A -1 B ± O)
= Det(A)Det(D ± C A -1 B).
EJ E M P L O 3.3.14
Si Det(A) y Det(B) son números racionales, qué puede decirse respecto a Det(A B) y
a Det(C A C -1) si C es no singular.
SO L U C I O N
p r
Sabemos que Det( A ) = y Det( B ) = , entonces
q s
p r ps + qr
Det( A B ) = Det( A )Det( B ) = + =
q s qs
es también un número racional. De forma análoga, tenemos
1
Det( C A C -1 ) = Det( C )Det( A )Det( C -1 ) = Det( C )Det( A ) = Det( A ) .
Det( C )
Por lo tanto, por las hipótesis también es un número racional.
EJ E M P L O 3.3.15
Si A y B son matrices no singulares, muestre que Det(A B A -1 B -1) = 1.
SO L U C I O N
Dado que A y B son matrices no singulares, se cumple lo siguiente:
Det( A B A -1 B -1 ) = Det( A )Det( B )Det( A -1 )Det( B -1 )
1 1
= Det( A )Det( B ) =1.
Det( A ) Det( B )
EJ E M P L O 3.3.16
Si Det(A) = 1, demuestre que pueden encontrarse matrices no singulares B y C tales
que A = B C B -1 C -1.
SO L U C I O N
Asumiendo que B y C son matrices no singulares, entonces se cumple lo siguiente:
Det( A ) = Det( B C B -1 C -1 ) = Det( B )Det( C )Det( B -1 )Det( C -1 )
1 1
= Det( B )Det( C ) = 1.
Det( B ) Det( C )
De esta manera demostramos que si se pueden encontrar matrices no singulares B y
C.
PR O B L E M AS
3.3.1 Encuentre dos matrices no singulares A y B de 3.3.2 Demuestre que si una matriz A es no singular, para
3 x 3, para las cuales las matrices A B y B A no son toda matriz B se cumple que
semejantes. Rang(A B) = Rang(B A) = Rang(B).

3.3.3 Encuentre dos matrices no singulares A y B de 3 x 3.3.15 El rango de una matriz no necesariamente
3, para las cuales las matrices A B y B A sean semejantes. cuadrada, no cambia si se le multiplica por una matriz no
singular.
3.3.4 Demuestre que al multiplicar la matriz A a la
izquierda o a la derecha por una matriz no singular, su 3.3.16 Sea A = B C una matriz de n x n de rango 1.
rango no varía. Demuestre que existe un número k tal que A 2 = k A. Hallar
la expresión del número k por medio de los elementos de
3.3.5 Sea B una matriz de rango 1, es decir B 2 = k B para matrices B y C.
un cierto número k. Suponiendo que k z -1 demuestre que
1 3.3.17 Demuestre que si A B C = I, entonces B C A = I y
( I + B )-1 = I - B. C A B = I.
1+ k
3.3.6 Pruebe que una matriz de n x n es no singular sí y 3.3.16 Pruebe que si A y B son matrices de n x n y A B
sólo si el único vector columna n x 1 que satisface la es no8singular, entonces A y B son no singulares.
ecuación matricial A X = O es X = O.
3.3.19 Sean A y B matrices de n x n tales que A B es
3.3.7 Demuestre que si A es una matriz invertible, singular. Demuestre que A o B es singular.
entonces A A T y A T A también son invertibles.
3.3.20 Pruebe que si A es una matriz de n x n y una fila
3.3.8 Sea A una matriz no singular tal que todos los de A es múltiplo de otra fila de A, entonces A es singular.
elementos de A y A -1 son enteros. Demuestre que
Det(A) = r 1. 3.3.21 Demuestre que si A es una matriz simétrica
invertible, entonces A -1 es simétrica.
3.3.9 Sean A y B matrices de 2 x 2 con B no singular. Dé
3.3.22 Por medio de inducción matemática pruebe que,
un ejemplo de matrices 2 x 2 para el que B -1 A B z A.
si una matriz cuadrada A es no singular, entonces
Luego, demuestre que Det(P-1 AP) = Det(A).
(A n)-1 = (A -1)n para todo entero positivo n.
3.3.10 De ser posible, encuentre los valores de a , b y c
3.3.23 Suponga que todas las matrices que aparecen en
para que la matriz dada sea invertible:
las ecuaciones siguientes son de n x n. Resuelva para X y
§a b 3 1· § 2a 1 4· Y, estableciendo cuáles matrices se supone que son no
¨ ¸ ¨ ¸
a.- ¨ 1 a b c ¸ ; b.- ¨ 2 b c a ¸ ; singulares:
¨ 1 3 1¸¹ ¨ 3 2 1 ¸¹ X + Y = A X+Y=A
© ©
a.- ® ; b.- ® ;
§ 1 4 a c· §2 1 1· ¯X-Y=B ¯X + BY = C
¨ ¸ ¨ ¸
c.- ¨ a c b 0 ¸; d.- ¨ 3 a b c a ¸ . X + AY = B AX + BY = C
¨ 2 c.- ® ; d.- ® .
© 3 1 ¸¹ ¨2
© 0 c ¸¹ ¯X + CY = D ¯DX + E Y = F
3.3.11 Suponiendo que las matrices A y B son no 3.3.24 Demuestre que B es una inversa izquierda para la
singulares, demuestre las siguientes igualdades: matriz A si y sólo si B T es inversa derecha para A T.
a.- (A -1 + B -1)-1 = A(A + B)-1 B;
b.- (I + A B)-1 A = A(I + B A)-1; 3.3.25 Demuestre que si A 2 = A, entonces A = I o bien A
c.- (A + B B T)-1 B = A -1 B(I + B T A -1 B)-1. es singular.
3.3.12 De ser posible, encuentre la inversa de la matriz 3.3.26 Si A, B y C son no singulares, ¿cuál es la inversa
dada: de A B -1 C? ¿es A 2 no singular? ¿es A + B no singular?
§ SenT CosT 0· Mostrar que A -1(A + B)B -1 = A -1 + B -1.
¨ ¸
¨ CosT SenT 0¸ .
3.3.27 Suponga que A es no singular. Explique por qué
¨ SenT CosT SenT CosT 1 ¸
© ¹ A T A también es no singular. Luego demuestre que A -1 =
(A T A)-1 A T.
3.3.13 Encuentre dos matrices no singulares cuya suma
sea singular. 3.3.28 Suponga que P es no singular y A = PBP-1.
Despeje B en términos de A.
3.3.14 Demuestre que si A es nilpotente, entonces A es
singular. 3.3.29 Si A = B y A -1 existe, ¿es necesario que A -1 = B -1?
3.3.30 Hallar todos los valores de k que, al multiplicar la 3.3.38 Suponga que A, B y C son matrices no singulares
matriz no singular A por los mismos, no cambian su de orden n. Demuestre que A B C es no singular y que
determinante. (A B C)-1 = C -1 B -1 A -1.
3.3.31 En cada una de las matrices siguientes, 3.3.39 Suponga que A es una matriz cuadrada con
determínense los valores de t para los que la matriz es A = -A T y que I - A es no singular, define B como
singular: B = (I + A)(I - A)-1. Demuestre que B T B = BB T = I.
§1 t · § Sent Cost ·
a.- ¨ ¸ ; b.- ¨ ¸; 3.3.40 Demostrar que una matriz A no singular y una
© 0 1¹ © Cost Sent ¹ matriz B arbitraria verifican la identidad
§3 t t2 · §2 t 1 · (A + B)A -1(A ± B) = (A ± B)A -1(A + B).
c.- ¨¨ ¸¸ ; d.- ¨ ¸;
© 4 2t¹ © 2 1 t ¹
3.3.41 Las matrices A y B están ligados por la relación
§ te t e t · § et 3e 2t · A B + A + I = O. Demostrar que A es una matriz no
e.- ¨ ¸ ; f.- ¨ ¸;
¨ 2e 2t 2t ¸ ¨ 2e t 4e 2t ¸¹ singular y además A -1 = - I ± B.
© ¹ ©
§ Sen t2
1 · 3.3.42 Sean A, B y A + B tres matrices no singulares.
g.- ¨ ¸.
¨ 1 4 Cos 2 t ¸¹ Demuestre que A -1 + B -1 es no singular y que
© (A -1 + B -1)-1 = A(A + B)-1 B.
3.3.32 Encuentre los valores del parámetro k, para que la 3.3.43 Dada la matriz A, de ser posible encuentre una
matriz matriz B de 2 x 2, tales que (A B)-1 = A -1 B -1:
§§ k 2· § k 2· § k 2·· § 1 2· §1 0 ·
¨¨ ¸ ¨ ¸ ¨ ¸¸ a.- A ¨ ¸ ; b.- A ¨ ¸;
¨© k 4¹ © k 3¹ © k 2¹¸ © 1 1 ¹ © 0 1¹
¨ § k 1 · § k 1· § k 1 · ¸
¨¨ ¸ ¨ ¸ ¨ ¸¸ § 1 1· § i 1·
¨ © k 4 ¹ © k 3¹ © k 2 ¹ ¸ c.- A ¨ ¸; d.- A ¨ ¸;
¨ ¸ © 1 1¹ © 1 i¹
¨§ k · § k · § k ·¸ § 2i 1 ·
¨ ¨ k 4 ¸ ¨ k 3¸ ¨ k 2 ¸ ¸ e.- A ¨ ¸.
©© ¹ © ¹ © ¹¹ © 1 2¹
Sea no singular.
3.3.44 Sean A = B + i C una matriz compleja de n x n;
3.3.33 Si A -1 = F + i G, la inversa de la matriz A. Demuestre que las
§a b· matrices reales de orden 2n
A ¨ ¸ y A z r I,
©c d¹ § B -C · § F -G ·
¨ ¸ y ¨ ¸
determine las condiciones sobre los elementos de la ©C B ¹ ©G F ¹
matriz, para que A = A -1. son inversas recíprocamente.
§ 1 3 · 3.3.45 Si C es una matriz no singular, entonces se

3.3.34 Sea A ¨ ¸ . Hallar una matriz B triangular
© 2 4 ¹ cumple lo siguiente:
a.- Si A C = B C, entonces A = B;
superior tal que A B sea ortogonal.
b.- Si C A = C B, entonces A = B.
§2 5· 3.3.46 Sea u un vector unitario en C n. Se define
¨ ¸ §1 3 1 ·
3.3.35 Sea A ¨ 1 3 ¸ y sea C ¨ ¸. H = I ± 2uu+. Demuestre que H es una matriz unitaria y
¨2 4¸ ©1 0 1¹ hermítica de n x n.
© ¹
Compruebe que C A = I. ¿A es no singular?
3.3.47 De ser posible, encuentre D tal que la matriz
3.3.36 Si A y B son matrices de 2 x 2 y B = C A C , en -1
§ 3 D·
A ¨ ¸.
donde C es de 2 x 2, demuestre que es posible encontrar © 2 3 ¹
una matriz D de 2 x 2 tal que B = D A D -1. sea su propia inversa.
3.3.37 Demuéstrese que si A es una matriz de n x n, 3.3.48 Las matrices A y B están ligadas por la relación
nilpotente de índice k, entonces I ± A es invertible y A B + A + I = O. Demuestre que A es una matriz no
( I - A )-1 = I + A + A 2 +... + A k -1 . singular y además A -1 = - I ± B.
§B O· 3.3.59 Sea A una matriz de n x n cuyos todos los

3.3.49 Sea A = ¨ ¸ , donde B y C son matrices elementos son iguales a uno. Demuestre que
©O C¹
1
cuadradas. Demuestre que A es no singular sí y sólo si ( I - A )-1 = I A.
tanto B como C son no singulares. n 1
3.3.60 Hallar la inversa de una matriz A de k + r:

3.3.50 Suponga que A n = O para alguna n > 1. Encuentre
un inverso de I ± A. §I B·
A =¨ k ¸.
© O Ir ¹
3.3.51 Demuestre que si A 2 = A, entonces
I ± 2A = (I ± 2A)-1. 3.3.61 Demuestre que si A es triangular superior y no
singular y si B A es triangular superior, entonces B es
3.3.52 Resuelva la ecuación A B = B C para A, suponiendo triangular superior.
que A, B y C son matrices cuadradas y que B es no
singular.
§B O·
3.3.62 Demuéstrese que, si A = ¨ ¸ es matriz no
3.3.53 Demuestre que si una matriz A es no singular, las ©C D¹
matrices A + B y I + A -1 B todas son singulares o no singular y si B y D son matrices cuadradas, entonces B
singulares. y D son no singulares, y
§ B -1 O ·
3.3.54 Use álgebra de matrices para demostrar que si A es A -1 = ¨ ¸.
¨ - D -1 C B -1 D -1 ¸
una matriz no singular y C satisface A C = I, entonces © ¹
C = A -1.
3.3.63 Resuelva la ecuación C -1(A + D)B -1 = I para D,
3.3.55 Suponga que A B = A C, donde B y C son matrices suponiendo que A, B y C son todas matrices no singulares
de n x p y A es no singular. Demuestre que B = C. ¿Es de n x n.
esto cierto en general si A es singular?
3.3.66 Suponga que A y B son matrices de n x n, B es no
3.3.56 Suponga que A, B y C son matrices no singulares singu4ar y A B es no singular. Demuestre que A es no
de n x n. Construyendo una matriz D tal que (A B C)D = I y singular.
D(A B C) = I, demuestre que A B C también es no singular.
3.3.65 Suponga (B ± C)A = O, donde B y C son matrices
3.3.57 Encuentre D tal que la matriz A sea no singular: m x n y A es no singular. Demuestre que B = C.
§3 1 ·
A ¨ ¸. 3.3.66 Demuestre que si A, B y C son matrices de n x n
© D 1¹ y A B C = I, entonces B es no singular y B -1 = C A.
3.3.58 Encuentre la matriz A dado que 3.3.67 Demuestre que (B A B -1)(B C B -1) = B(A C)B -1 para
§ 5 2· todas las matrices A, C y B no singular.
(3 A )1 ¨ ¸.
© 1 3 ¹
3.4 M E T O D OS P A R A O B T E N E R L A I N V E RSA D E UN A M A T RI Z
En esta sección se analizan y desarrollan los métodos más importantes para encontrar la inversa de una
matriz, se enuncian las propiedades más importantes.
I. M E T O D O D E L A M A T RI Z A DJUN T A
A continuación obtendremos una fórmula para determinar la inversa de una

matriz en términos de su determinante y de los cofactores de sus elementos.
Una matriz Cof(A), cuyos elementos son complementos algebraicos de los
elementos correspondientes de la matriz A de n-ésimo orden, donde el
complemento algebraico del elemento a ij está situado en la intersección de
la j-ésima fila y la i-ésima columna, se define como la matriz de cofactores

de la matriz A.
EJ E M P L O 3.4.1
Dada la matriz
§a 1 1 ·
¨ ¸
A = ¨ 1 a 1¸
¨3 1 b ¸
© ¹
determine la matriz de cofactores.
SO L U C I O N
Por definición, la matriz de cofactores esta dada de la siguiente manera:
§ a 1 1 1 1 a ·
¨ ¸
¨ 1 b 3 b 3 1 ¸
§ ab 1 b 3 1 3a ·
¨ 1 1 a 1 a 1¸ ¨ ¸
Cof(A) = ¨ ¸ = ¨ 1 b ab 3 3 a ¸ .
¨ 1 b 3 b 3 1¸ ¨ ¸
¨ ¸ 1 a a 1 a 2 1¹
¨ 1 1 a 1 a 1 ¸ ©
¨ a 1 1 1 1 a ¸¹
©
La transpuesta de la matriz de cofactores Cof(A) de los elementos a ij de la
matriz A se denomina matriz adjunta y se denota por Adj(A).
T E O R E M A 3.4.1
Si A es una matriz con determinante diferente de cero y Adj(A) es la matriz
adjunta, entonces
Adj( A )
A 1 .
Det( A )
Sea Det(A) = 0. Demostraremos por inducción que la matriz A es singular. Si n = 1,
entonces Det(A) = 0 implica que A = O. Supongamos que este teorema sea válido
para todas las matrices cuadradas de n ± 1 x n ± 1, es decir, que para una matriz de
este orden un determinante cero implica singularidad, y supongamos que esto no se
verifique para la matriz A, es decir, que A sea no singular a pesar de nuestra
hipótesis de que Det(A) = 0. Obtendremos una contradicción. Si Det(A) = 0,
entonces A(Adj(A)) = O, y, por lo tanto resultaría A -1 AAdj(A) = O, es decir Adj(A)
= O. En otras palabras, todos los menores de la matriz A serían cero. Sea a
continuación B la matriz n ± 1 x n ± 1 que consista en las n ± 1 primeras filas de A.
Puesto que toda matriz cuadrada de n ± 1 x n ± 1 compuesta por n ± 1 columnas de B
tendrá determinante cero, podemos concluir, por la hipótesis de inducción, que cada
una de estas matrices cuadradas de n ± 1 x n ± 1 es singular, es decir, que tiene un
rango menor que n ± 1. Por lo tanto, no puede haber en B más que n ± 2 columnas
linealmente independientes y por tanto, no más de n ± 2 filas linealmente
independientes. De esta manera resulta que las filas de B y las filas de A son
linealmente dependientes, lo que contradice la suposición de la no singularidad de A.
Este teorema propone que el rango de una matriz cuadrada de n x n será n si y sólo si
su determinante es distinto de cero. Esto constituye, de hecho, un caso particular de
un hecho más general, acerca del que hay un teorema que relaciona el rango con los
determinantes.
EJ E M P L O 3.4.2
Demuestre que si Det(A) = 1 y todos los elementos de A son enteros, entonces todos
los elementos de A -1 también deben ser enteros.
SO L U C I O N
Suponga que Det(A) = 1 y que todos los elementos de A son enteros. Lo anterior
implica que todos los elementos de Adj(A) deben ser enteros. Además, como
1
A -1 = Adj( A ) = Adj( A )
Det( A )
Podemos concluir que todos los elementos de A -1 deben ser enteros.
EJ E M P L O 3.4.3
Demuestre que si Det(A) = Det(B) z 0, entonces hay una matriz C tal que Det(C) = 1
y A = C B.
SO L U C I O N
Suponga que Det(A) = Det(B) z 0. Entonces B es no singular y al hacer C = A B -1, se
concluye que A = C B y
1 1
Det( C ) = Det( A B -1 ) = Det( A )Det( B -1 ) = Det( A ) = Det( A ) =1.
Det( B ) Det( A )
EJ E M P L O 3.4.4
Si A es una matriz antisimétrica, entonces la matriz Adj( A) es simétrica si n es
impar, y antisimétrica si n es par.
SO L U C I O N
Si A es una matriz antisimétrica. Entonces A T = -A, por tanto
(A T)-1 = (A -1)T = -A -1
1
De (A T)-1, tenemos que A -1 = Adj( A ) , entonces
Det( A )
1 1 1
( A T )-1 = (Adj( A ))T = Adj( A ) = (-1) n Adj( A ) = - A -1
Det( A )T Det(- A ) Det( A )
1
pero - A -1 = (-1) (Adj( A ))T , igualando las ecuaciones
Det( A )
1 1
( A T )-1 = (-1)n Adj( A ) y - A -1 = (-1) (Adj( A ))T
Det( A ) Det( A )
obtenemos
1 1
(-1)n Adj( A ) = (-1) (Adj( A ))T .
Det( A ) Det( A )
Si n es par, entonces n = 2p, y
(-1)2p-1Adj(A) = (Adj(A))T - Adj(A) = (Adj(A))T,
por lo tanto, es antisimétrica. Si n es impar, es decir n = 2p + 1, entonces
(-1)2p+1-1Adj(A) = (Adj(A))T (-1)2pAdj(A) = (Adj(A))T Adj(A) = (Adj(A))T
por lo tanto, es simétrica.
EJ E M P L O 3.4.5
Dada una matriz A no singular de n x n. Suponga que n t 3. Demostrar que
Det(Adj(A)) = (Det(A))n-1.
SO L U C I O N
Suponga que A es una matriz de n x n. Como Adj(A) = A -1Det(A),
se concluye que
Det(Adj(A)) = Det(A -1Det(A)) = (Det(A))nDet(A -1)
1
= (Det(A))n = (Det(A))n-1.
Det( A )
EJ E M P L O 3.4.6
Demuestre que si A es una matriz no singular de n x n, entonces se cumple que
Adj(A -1) = (Adj(A))-1.

SO L U C I O N
Suponga que A es una matriz no singular de n x n. Como Adj(A -1) = ADet(A -1) y
1
(Adj( A ))-1 = ( A -1 Det( A ))-1 = A = A Det( A -1 )
Det( A )
se concluye que Adj(A -1) = (Adj(A))-1.
EJ E M P L O 3.4.7
Demuestre que si Det(A) = 1, entonces Adj(Adj(A)) = A.
SO L U C I O N
Como Det(A) z 0, entonces existe la inversa de A, es decir:
Adj( A)
A -1 = Adj(A) = (Det(A))A -1 = A -1.
Det( A)
Por lo tanto
A
Adj(Adj( A )) = Adj( A -1 ) = Det( A -1 )( A -1 )-1 = =A.
Det( A )
EJ E M P L O 3.4.8
Hallar la inversa de la matriz
§ 1 2 -1 · §1 2 -3 ·
¨ ¸ ¨ ¸
a.- A = ¨ 2 5 4 ¸ ; b.- A = ¨ 1 -2 1¸ .
¨ 3 7 4¸ ¨5 -2 -3 ¸¹
© ¹ ©
SO L U C I O N
a.- Como Det(A) = 1, entonces:
§ 5 4 2 -1 2 -1 ·
¨ - ¸
¨ 7 4 7 4 5 4 ¸
¨ 2 4 1 -1 1 -1 ¸
(Cof( A ))T = ¨ - - ¸
¨ 3 4 3 4 2 4 ¸
¨ ¸
¨ 2 5
-
1 2 1 2 ¸
¨ 3 7 3 7 2 5 ¸¹
©
Por lo tanto,
§ -8 -15 13 ·
¨-1 ¸
A =¨ 4 7 -6 ¸ .
¨ -1 -1 1¸
© ¹
b.- Como Det(A) = 0, entonces la matriz A es singular, es decir A no admite inversa.
I I. OPE R A C I O N ES E L E M E N T A L ES
Usando el método de operaciones elementales, los cálculos se realizan

convenientemente en la matriz aumentada más grande, formada combinando las
matrices. Para la matriz dada A de n-ésimo orden construimos una matriz rectangular
(A~I) de dimensión (n x 2n), añadiendo a la derecha de A una matriz unidad. Luego,
haciendo uso de las transformaciones elementales sobre las filas, reducimos la matriz
(A~I) a la forma (I~B), lo que es siempre posible, si A es regular. En este caso
B = A -1.
§ a11 a12 ... a1n 1 0 ... 0 ·
¨ ¸
¨ a21 a22 ... a2 n 0 1 ... 0 ¸ .
¨ ... ... ... ... ... ... ¸
¨¨ ¸¸
© an1 an 2 ... ann 0 0 ... 1 ¹
Cuando hacemos las operaciones elementales de filas para reducir a A en el lado

derecho de (I |A) también las hacemos en el lado izquierdo. Por lo tanto, hacemos
en I exactamente las operaciones elementales de filas utilizadas para reducir a A.
Esto produce una matriz C que es un producto de matrices elementales cada una
efectuando una de las operaciones utilizadas para reducir a A. Por lo tanto, sea o
no A R = I tenemos C A = A R. Cuando A R = I, C debe ser A -1.
T E O R E M A 3.7.3
Sea A una matriz de n x n. Entonces A es no singular si y sólo si
Rang(A) = n.
Consideremos la ecuación A B = I, con B una matriz de incógnitas de n x n que
queremos resolver. Si A B = I, la columna c j de A B es igual a la columna c j de I, en la
que la última matriz columna tiene un 1 en la fila fj y cero en los demás. Por tanto, la
columna c j de B se encuentra con el sistema de ecuaciones A X = C, donde la matriz
C tiene un 1 en la fila fj. Ahora supongamos que Rang(A) = n. Entonces el sistema
A X = C tiene una única solución. Por lo tanto, podemos encontrar una única matriz
B tal que A B = I. Es posible demostrar que también B A = I; por lo tanto B es la
inversa de A. Recíprocamente, si A es no singular, el sistema A X = C tiene una
única solución para j = 1, 2, ..., n, ya que estas soluciones forman las columnas de
A -1. De esta forma podemos concluir que Rang(A) = n.
% ENCUENTRA LA INVERSA DE UNA MATRIZ

clc;;clear;;
fprintf('\n INVERSA DE UNA MATRIZ \n')
fil=input(' INGRESE EL NUMERO DE FILAS: ');;
fprintf(' INGRESE LA MATRIZ \n')
for f=1:fil
for c=1:fil
end
end
fprintf('\n LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ IDENTIDAD ES:\n')
I=eye(f,c)
end
fprintf(' LA MATRIZ AUMENTADA ES:\n')
B=[A,I]
end
fprintf(' LA MATRIZ REDUCIDA ES:\n')
R=rref(B)
end
if (det(A)==0)
fprintf('LA MATRIZ NO ADMITE INVERSA \n')
else
fprintf(' LA MATRIZ INVERSA ES:\n')
C=A^(-1)
end
EJ E M P L O 3.4.9
Sea A una matriz cuadrada no singular:
a.- Si se intercambian dos filas de A, ¿en qué es comparable la inversa de la matriz
resultante con A -1;
b.- Responda a la pregunta del inciso a) si una fila de A se multiplica por un número
k distinto de cero;
c.- Responder a la pregunta del inciso a) si la i-ésima fila de A se multiplica por un
número k y se suma a la j-ésima fila.
SO L U C I O N
a.- Si B se obtiene de A al intercambiar las filas i y j, entonces B -1 se obtiene de A -1
al intercambiar las columnas i y j.
b.- Si B se obtiene de A al multiplicar la fila i por a z 0, entonces B -1 se obtiene de
A -1 al multiplicar la columna i por 1/a.
c.- Si B se obtiene de A al sumar k veces la fila i a la fila j, entonces B -1 se
obtiene de A -1 al restar k veces la columna j de la columna i.
EJ E M P L O 3.4.10
Hallar la inversa de la siguiente matriz:
§ 2 3 4·
¨ ¸
A = ¨8 2 1¸ .
¨ 0 2 4¸
© ¹
SO L U C I O N
Comenzaremos el proceso de operaciones elementales, formando la matriz
aumentada:
§2 3 4 1 0 0·
¨ ¸
¨8 2 1 0 1 0¸
¨0 2 4 0 0 1 ¸¹
©
Luego designamos a la primera fila como fila base y a la segunda fila le restamos
cuatro veces la fila base:
§2 3 4 1 0 0·
¨ ¸
¨ 0 10 15 4 1 0¸
¨0 2 4 0 0 1 ¸¹
©
Elegimos la segunda fila como fila base y a la primera fila multiplicada por 10, le
sumamos 3 veces la fila base; a la tercera fila multiplicada por 5, le sumamos la fila
base:
§ 20 0 5 2 3 0·
¨ ¸
¨ 0 10 15 4 1 0 ¸
¨0 0 5 4 1 5 ¸¹
©
Por último elegimos la tercera fila como fila base. A la primera fila le sumamos la
fila base; a la segunda fila le sumamos 3 veces la fila base:
§ 20 0 0 6 4 5·
¨ ¸
¨ 0 10 0 16 4 15 ¸
¨ 0 0 5 4 1 5 ¸¹
©
Dividimos la primera fila para 20, la segunda fila para ±10 y la tercera fila para 5:
§ 3 1 1 ·
¨ ¸
¨1 0 0 10 5 4 ¸
¨ 8 2 3 ¸
¨0 1 0 ¸
5 5 2
¨0 0 1 ¸
¨ 4 1
¨ 1¸¸
© 5 5 ¹
De esta manera obtenemos la matriz inversa:
§ 3 1 1 ·
¨ 10 5 4 ¸¸
¨
8 2 3
A 1 ¨¨ ¸¸ .
5 5 2
¨ ¸
¨ 4 1
1 ¸
¨ ¸
© 5 5 ¹
EJ E M P L O 3.4.11
Demuestre que toda matriz elemental es no singular, y la inversa también es una
matriz elemental.
SO L U C I O N
Si E es una matriz elemental, entonces E se obtiene al efectuar algunas operaciones
en las filas de I. Sea E 0 la matriz que se obtiene cuando la inversa de esta operación
se efectúa en I. Usando el hecho de que las operaciones inversas en las filas cancelan
mutuamente su efecto, se concluye que E 0 E = E E 0 = I. Así, la matriz elemental E 0 es
la inversa de E.
PR O B L E M AS
3.4.1 Si 3.4.11 Determine la inversa de la siguiente matriz:

§a b· § 1 a 0 ·§ 1 0 0 ·§ 1 0 0 ·
A ¨ ¸ ¨ ¸¨ ¸¨ ¸
©c d¹ ¨ 0 1 0 ¸¨ b 1 0 ¸¨ 0 1 0 ¸ .
demuestre que Adj(Adj(A)) = A. ¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 c ¸
© ¹© ¹© ¹
3.4.2 Demuestre que si A es una matriz de n x n y 3.4.12 Demuestre que si A es una matriz de n x n y
Det(A) = 0, entonces Det(Adj(A)) = 0. Det(A) = 0, entonces Det(Adj(A)) = 0.
3.4.3 Si 3.4.13 Demuestre que si A es una matriz cuadrada de n x

§ 1 2 · § 4 2· n, entonces A(Adj(A)) = (Adj(A))A = I Det(A).
A ¨ ¸ y B ¨ ¸
© 3 1 ¹ © 3 2 ¹
3.4.14 Demuestre que Adj(k A) = kn-1Adj(A). Para
son matrices no singulares, pruebe que
cualquier número k y cualquier matriz A de n x n.
Adj(A B) = (Adj(A))(Adj(B)).
3.4.15 Demuestre que si A y B son matrices no
3.4.4 Demuestre que si A es una matriz de n x n, entonces
singulares, entonces Adj(A B) = Adj(B)Adj(A).
Det(Adj(A)) = (Det(A))n-1.
3.4.16 Encuéntrese la inversa de cada una de las
3.4.5 Demuestre que si A es una matriz no singular de n x
matrices siguientes:
n (n t 2) entonces Adj(Adj(A)) = A(Det(A))n-2.
§ 0 1 0 0 0· §1 1 1 0 0·
¨ ¸ ¨ ¸
3.4.6 Demuestre que una matriz A es no singular, si y ¨ 1 0 0 0 0¸ ¨0 1 1 1 0¸
sólo si su Adj(A) también es no singular. a.- ¨ 2 3 0 1 0 ¸ ; b.- ¨ 0 0 1 1 1 ¸ ;
¨ ¸ ¨ ¸
3.4.7 Demuestre que si A es singular, entonces Adj(A) es ¨ 1 0 0 0 1¸ ¨0 0 0 1 1¸
¨ 1 1 1 0 0 ¸ ¨0 0 0 0 1¸
también singular. © ¹ © ¹
§1 2 3 4 5·
3.4.8 Si A es singular, ¿qué puede decir acerca del ¨ ¸
producto AAdj(A). ¨0 1 2 3 4¸
c.- ¨ 0 0 1 2 3 ¸ .
¨ ¸
3.4.9 Dada la matriz ¨0 0 0 1 2¸
§ 1 -i -1 · ¨0 0 0 0 1¸
© ¹
¨ ¸
A =¨4 i -3 ¸ .
¨ -i 1+ i -1 ¸ 3.4.17 Determine la inversa de las siguientes matrices:
© ¹
a.- Determine el determinante de A. ¿Es A no singular?; § 0 3i i · § 1 i 1 i ·
¨ ¸ ¨
b.- Determine Adj(A) y el producto AAdj(A). a.- ¨ 2 i i 1 i ¸ ; b.- ¨ i i 1 i ¸¸ ;
¨ i 2 i 4 i ¸¹ ¨1 i 1 i 1 i ¸
© © ¹
3.4.10 Si A es una matriz de n x n con n t 2, demostrar
§ 1 i 1 i ·
cada una de las propiedades siguientes de su matriz ¨
cofactor: c.- ¨ i i 1 i ¸¸ .
a.- Cof(A T) = (Cof(A))T; ¨1 i 1 i 1 i ¸
© ¹
b.- (Cof(A))T A = (Det(A))I.
T T
3.4.18 Demuestre que si A es una matriz singular, 3.4.19 Demuestre que Adj(A ) = (Adj(A)) .
entonces A(Adj(A)) = O.
3.5 C U EST I O N A R I O
3.5.1 Toda matriz de orden n es equivalente por filas a 3.5.15 Toda matriz de orden n es equivalente por filas
una matriz reducida por filas. a una matriz escalonada por filas.
3.5.2 Si A y B son dos matrices de orden m x n. Entonces 3.5.16 El producto de dos matrices de orden n es
B es equivalente por filas a A si, y sólo si B = P A, donde P singular si, y sólo si, por lo menos una de las dos matrices
es un producto de matrices elementales de m x m. es singular.
3.5.3 Una matriz elemental es no singular. 3.5.17 La suma de dos matrices no singulares de orden n
puede ser singular y la suma de dos matrices singulares
3.5.4 El rango de una matriz varía con las operaciones puede ser no singular.
elementales.
3.5.18 Si A y B son matrices no singulares, entonces A B
3.5.5 El rango de una matriz es el orden máximo de sus es una matriz singular.
menores iguales a cero.
3.5.19 Si A y B son matrices de orden n y si A es no
3.5.6 Si A es una matriz de orden m x n, entonces el singular y B es singular, entonces A B y B A son matrices
rango de las columnas de A no se altera al someter a A a no singulares.
una operación elemental de filas.
3.5.20 Las matrices unitarias y las matrices hermíticas
3.5.7 Si A es una matriz de orden m x n, entonces el son normales.
rango por filas y el rango por columnas de A son
diferentes. 3.5.21 La inversa de una matriz hermítica no singular es
hermítica.
3.5.8 Sea A una matriz de orden m x n y sea k un entero
positivo. Entonces Rang(A) t k si y sólo si A contiene un 3.5.22 B es una inversa izquierda para la matriz A si y
subdeterminante distinto de cero de orden k. sólo si B T es inversa derecha para A T.
3.5.9 El rango del producto de varias matrices no es 3.5.23 B es una inversa derecha para la matriz A si y
superior al rango de cada una de las matrices que se sólo si B T es una inversa izquierda para A T.
multiplican.
3.5.24 El producto de matrices singulares es no
3.5.10 Una matriz A de n x n que tiene una inversa a la singular.
izquierda o a la derecha es no singular.
3.5.25 Una matriz de números enteros tiene una inversa
3.5.11 La inversa de una matriz triangular superior es una de números enteros cuando, y sólo cuando, la matriz
matriz triangular inferior. dada tiene determinante diferente de cero.
3.5.12 Si A es una matriz no singular de n x n y si una 3.5.26 Para que una matriz cuadrada A sea ortogonal es
sucesión de operaciones elementales de fila reduce A a la necesario y suficiente que su determinante sea igual a
matriz identidad I, entonces la misma sucesión de r 1 y cada uno de sus elementos sea igual a su cofactor,
operaciones, cuando se aplica a I, da A -1. tomado con su signo si Det(A) = 1 y con el signo
opuesto, si Det(A) = -1.
3.5.13 La inversa de una matriz casi diagonal regular D
es casi diagonal y es también de la misma estructura que 3.5.27 Una matriz cuadrada real A de orden n t 3 es
D. ortogonal si cada uno de sus elementos es igual a su
cofactor y por lo menos uno de sus elementos es
3.5.14 La inversa de una matriz ortogonal es unitaria. distinto de cero.

3.5.28 La inversa de una matriz A casi triangular superior 3.5.31 La suma de los cuadrados de todos los menores
regular es una matriz casi triangular superior y además es de segundo orden que yacen en dos filas o columnas de
de la misma estructura que A. una matriz ortogonal, es igual a cero.
3.5.29 Si A tiene una inversa a la izquierda, B, y una 3.5.22 Para que una matriz diagonal de orden n sea
inversa a la derecha, C, entonces B z C. ortogonal, es necesario que al menos un elemento de la
diagonal sea igual a cero.
3.5.30 Al multiplicar la matriz A a la izquierda o a la
derecha por una matriz no singular, su rango no varía.

O BJE T I V O
Resolver problemas sobre sistemas de ecuaciones lineales homogéneas y no homogéneas mediante la

interpretación, expresión y representación en términos de matrices y determinantes utilizando definiciones
propiedades y métodos adecuados para cada tipo, en situaciones reales propias de la ingeniería y ciencias
aplicadas.
C O N T E NI D O :
4.1 SISTEMAS DE ECUACIONES LINEALES

4.2 METODOS PARA SOLUCIONAR UN SISTEMA DE ECUACIONES LINEALES
4.3 CUESTIONARIO
4.1 SIST E M AS D E E C U A C I O N ES L I N E A L ES
En esta sección introduciremos terminología básica, estudiaremos los diferentes tipos de sistemas de ecuaciones
lineales y sus formas de soluciones. Enunciaremos y demostraremos las propiedades más importantes.
En el curso de Algebra Lineal la solución del sistema A X = B se expresa,

corrientemente, según el método de Cramer como una razón de los determinantes.
Dichas fórmulas no sirven para la resolución numérica del sistema A X = B, puesto
que requieren el cálculo de n + 1 determinantes, lo que, a su vez, exige un gran
número de operaciones aritméticas, hasta n!. Si incluso escogemos el mejor
método, para el cálculo de un solo determinante se necesitará aproximadamente
tanto tiempo que se requiere para la resolución de un sistema de ecuaciones
lineales por los métodos numéricos modernos. Además, hemos de tener en cuenta,
que los cálculos según las fórmulas de Cramer conducen con frecuencia a los
grandes errores de redondeo.
La peculiaridad de la mayoría de los métodos numéricos para A X = B consiste en

que se abandona la idea de buscar la matriz inversa. El requisito principal que se
levanta ante el método de resolución es el mínimo de operaciones aritméticas
suficientes para la búsqueda de una solución aproximada con la precisión
prefijada.
Los métodos directos permiten obtener, después de un número finito de

operaciones, una solución exacta del sistema de ecuaciones lineales, siempre que la
información de entrada viene dada con toda la exactitud y los cálculos se realizan
sin redondeo. El método iterativo permite hallar la solución aproximada del
sistema construyendo una sucesión de aproximaciones, a partir de cierta
aproximación inicial. La propia solución aproximada es el resultado de los cálculos
obtenido después de haberse realizado un número finito de iteraciones.
140 SISTEMAS DE ECUACIONES LINEALES
Calcular los conjuntos de valores simultáneos de varias incógnitas, que satisfagan

a varias ecuaciones; se dice entonces que estas ecuaciones forman un sistema, y
cada conjunto de valores que las satisface a todas se llama una solución. Un
sistema sin soluciones, se llama inconsistente; y si tiene infinitas soluciones, se
llama indeterminado.
Una ecuación lineal sobre en n variables es una expresión de la
forma:
a1x1 + a2x2 + ... + anxn = b
donde los a i, b son números conocidos y los xi son variables. Los a i se
denominan coeficientes de los xi respectivos, y b es el término
independiente de la ecuación.
Las ecuaciones en dos variables se representan geométricamente por una recta;

las tres variables por un plano; para más de tres variables no se tienen
representación visual, pero los geómetras le llaman hiperplano.
Una solución de la ecuación lineal

a 1x1 + a 2x2 + ... + a nxn = b
es un conjunto ordenado de n valores k1, k2, ..., kn tales que
a1k1 + a2k2 + ... + ankn = b.
Un sistema de m ecuaciones lineales en n variables, es una expresión de la

forma
a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
¯ am1 x1 am 2 x2 ... amn xn bm
donde los a ij y los bi pertenecen a los números reales. El primer subíndice en los
coeficientes indica el número de la ecuación, y el segundo, el número de la
variable. Para un sistema de m ecuaciones lineales en n variables xi, i = 1, 2, ..., n,
el conjunto solución S es el subconjunto de n definido por S = S1 S2 ... Sm
donde Si es el conjunto solución de la i-ésima ecuación, i = 1, 2, ..., m.
Si m = n = 2, se tienen dos ecuaciones en las dos incógnitas x e y

a11 x a12 y b1
®
¯ a21 x a22 y b2
si se interpretan x, y como coordenadas en el plano xy, entonces cada una de las
dos ecuaciones representa una recta y (x, y) es una solución si, y sólo si, el punto
P(x, y) se encuentra sobre ambas rectas. De aquí que se tienen tres casos posibles:
1.- ninguna solución si las rectas son paralelas;
2.- precisamente una solución si se interceptan;
3.- un número infinito de soluciones si coinciden.
Nos formaremos ciertas ideas de las complicaciones que pueden surgir

considerando el caso de tres ecuaciones con tres incógnitas. Cada una de esas
ecuaciones representa un plano en el espacio, y el determinante de los coeficientes
se anula si:
1.- dos cualesquiera de los tres planos son coincidentes o paralelos.
2.- la recta de intersección de dos de los planos pertenece o es paralela al tercer
plano.

SISTEMAS DE ECUACIONES LINEALES 141
Toda solución del sistema de ecuaciones corresponde a un punto situado en los tres
planos. En los casos 1) y 2) no existe punto alguno que esté en los tres planos, o
bien hay infinitos. En particular, hay infinitas soluciones si los tres planos se
cortan a lo largo de una misma recta. El conjunto de todas las soluciones a un
sistema de ecuaciones lineales recibe el nombre de conjunto solución del sistema.
Una solución del sistema de ecuaciones lineales

a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
es un conjunto ordenado de n valores k1, k2, ..., kn tales que
a11 k1 a12 k 2 ... a1n k n b1
° a k a k ... a k b
° 21 1 22 2 2n n 2
®
° ...
°
¯ am1 k1 am 2 k 2 ... amn k n bm
Para cualesquiera sistemas de ecuaciones lineales, se presentan tres tipos de

conjunto solución:
1.- Un conjunto solución que contiene solamente un elemento. Se dice que el
sistema tiene solución única y se denomina sistema compatible determinado;
2.- Un conjunto solución que contiene más de un elemento. En este caso se dice
que el sistema tiene más de una solución y se denomina sistema compatible
indeterminado;
3.- Un conjunto solución vacío. Se dice que el sistema no tiene solución y se
denomina sistema incompatible.
Se llama sistema de m ecuaciones homogéneas y n incógnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
siempre que b1 = b2 = ... = bm = 0, es decir, cuando todos los términos
independientes son nulos.
Un sistema de este tipo se da a continuación

2x 5 y z u 0
°
® x 7 y 9 z 2u 0
° x y z 5u 0
¯
Se llama sistema de m ecuaciones no homogéneas y n incógnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
siempre que al menos un bi z 0.

Un sistema de este tipo se da a continuación

2 x 3 y z 5u 2
°
® x y z 2u 1
° x y z 5u 0
¯
Se dice que un sistema de ecuaciones lineales es sobredeterminado si hay
más ecuaciones que incógnitas. Se dice que un sistema de ecuaciones
lineales está escasamente determinado si hay menos ecuaciones que
incógnitas.
Los sistemas sobredeterminados suelen ser inconsistentes, pero no lo son siempre.

Aunque es posible que los sistemas escasamente determinados sean inconsistentes,
en general son consistentes con muchas soluciones. Es posible que un sistema
escasamente determinado tenga solución única.
Se dice que un sistema de ecuaciones lineales es no susceptible, si errores
pequeños en los coeficientes o en el proceso de resolución sólo tienen un
efecto pequeño sobre la solución. Y es susceptible, si errores pequeños en
los coeficientes o en el proceso de resolución tienen un efecto grande
sobre la solución.
Para el sistema de ecuaciones no susceptible, la solución está indicada con relativa

intensidad por las ecuaciones. Para el sistema de ecuaciones susceptible, la
solución está indicada con relativa debilidad por las ecuaciones.
Dos ecuaciones lineales en dos incógnitas representan dos rectas. Un sistema tal es
susceptible si, y sólo si, el ángulo entre las rectas es pequeño, es decir, si, y sólo si,
las rectas son casi paralelas. En efecto, entonces un pequeño cambio en un
coeficiente puede provocar un gran desplazamiento del punto de intersección de
las rectas. Para sistemas mayores de ecuaciones lineales, la situación es semejante
en principio, pero no es posible una interpretación geométrica tan sencilla y no
podríamos seguir cada detalle de la situación.
PR O B L E M AS
4.1.1 Sea A una matriz de 3 x 2. Explique por qué la 4.1.4 Sea A X = O un sistema homogéneo de n ecua-
ecuación A X = B no puede ser consistente tiene sólo la ciones lineales en n incógnitas que sólo tiene la solu-
solución nula si y sólo si (Q A)X = O sólo tiene la ción nula. Demuestre que si k es cualquier entero posi-
solución nula. tivo, entonces el sistema A k X = O también tiene sólo la
solución nula.
4.1.2 Sean A X = O un sistema homogéneo de n
ecuaciones lineales con n incógnitas y Q una matriz 4.1.5 Sea A una matriz de 3 x 4, sean Y 1 y Y 2 vectores
invertible de n x n. Demuestre que A X = O solución fija. en 3 y sea W = Y 1 + Y 2. Suponga que Y 1 = A X 1 y que
Demuestre que toda solución del sistema se puede Y 2 = A X 2 para algunos vectores X 1 y X 2 en 4. ¿Qué
escribir en la forma X = X 1 + X 0, donde X 0 es una hecho permite concluir que el sistema A X = W es
solución de A X = O. También demuestre que toda consistente?
matriz de esta forma es una solución.
4.1.6 Sea A X = B cualquier sistema de ecuaciones
4.1.3 Sea A una matriz de 5 x 3 y sean Y un vector en lineales consistentes, y sea X 1 una para toda B en 3.
3 y Z un vector en 5. Suponga que A Y = Z. ¿Qué Generalice el argumento para el caso de una matriz A
hecho permite concluir que el sistema A X = 4 Z es arbitraria con más filas que columnas.
consistente?

4.2 M E T O D OS P A R A SO L U C I O N A R UN SIST E M A D E E C U A C I O N ES L I N E A L ES
En esta sección analizaremos la resolución de un sistema de ecuaciones lineales por diversos métodos, de acuerdo
a su estructura. Se enunciarán las propiedades más importantes.
I. E L I M I N A C I O N G A USSI A N A
Se dice que un sistema de ecuaciones lineales es equivalente a un segundo sistema de

ecuaciones lineales, si el primero puede obtenerse a partir del segundo por medio de
operaciones elementales. Además los sistemas equivalentes de ecuaciones lineales
tienen los mismos conjuntos de soluciones.
Sea S un sistema lineal de la forma
a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
y sea S´ un sistema lineal de las mismas dimensiones que S
a11
´ ´
x1 a12 x2 ... a1´ n xn b1´
° ´
° a21 x1 a´22 x2 ... a´2 n xn b2´
®
° ...
° ´ ´ ´ ´
Los sistemas lineales S y S´ se llaman equivalentes, si ambos son
simultáneamente son compatibles y tienen las mismas soluciones.
Para resolver sistemas de ecuaciones lineales de m ecuaciones con n variables, se va

a estudiar el método de reducción a la forma escalonada, que consiste en la
eliminación sucesiva de las variables para reducir el sistema a uno equivalente más
simple mediante la aplicación de las operaciones elementales siguientes:
T IP O 1. La ecuación E(i) puede multiplicarse por cualquier escalar a diferente de

cero y se puede usar la ecuación resultante en lugar de E(i). Notamos esta operación
como aE(i) o E(i);
T IP O 2. La ecuación E(j) puede multiplicarse por cualquier escalar a, sumarla a la

ecuación m-1 ecuaciones restantes y se obtenga el sistema equivalente:
a11 x1 a12 x2 ... a1n xn b1
° (1) (1) (1)
° a22 x2 ... a2 n xn b2
®
° ...
° a (1) x ... a (1) x b(1)
¯ m2 2 mn n m
(1)
Al pasar a la ejecución del segundo paso, supongamos que el elemento a22 , llamado
elemento principal del segundo paso, es distinto de cero. (En caso contrario, es
necesario efectuar la respectiva permutación de las ecuaciones.)
a11 x1 a12 x2 ... a1n xn b1
° (1) (1) (1) (1)
° a22 x2 a23 x3 ... a 2 n xn b2
° (2) (2) (2) (2)
® a33 x3 a34 x4 ... a3n xn b3
° ...
°
° a (2) x a (2) x ... a (2) x b(2)
¯ m3 3 m4 4 mn n m

Después del paso m-1 llegamos al sistema triangular

a11 x1 a12 x2 ... a1n xn b1
° (1) (1) (1) (1)
° a22 x2 a23 x3 ... a2 n xn b2
° (2) (2) (2) (2)
® a33 x3 a34 x4 ... a3n xn b3
° ...
°
° amn xn bm( n 1)
( n 1)
¯
La reducción del sistema inicial S a la forma triangular actual finaliza la primera
etapa de elaboración de la solución según el método de reducción a la forma
escalonada. La segunda etapa, la marcha inversa, consiste en resolver el último
sistema triangular. Se realiza del modo siguiente, de la última ecuación se determina
xn. De acuerdo con el valor hallado de xn de la ecuación m-1 determinamos xn-1, a
continuación, con los valores de xn-1 y xn de la ecuación m-2 hallamos xn-2, etc., el
cálculo sucesivo de las incógnitas continúa hasta que se determina x1 de la primera
ecuación, aquí termina el proceso de construcción de la solución del sistema S con la
ayuda de la resolución del sistema triangular equivalente al primero.
Si durante el proceso de reducción se llega a un sistema tal, que una de las

ecuaciones del sistema equivalente es de la forma 0x1 + 0x2 + ... + 0xn = bn, bn z
0, se dice que el sistema inicial es E(i), y usar la ecuación resultante en lugar de
E(i). Esta operación la notaremos como E(i) + aE(j) o E(i);
T IP O 3. Las ecuaciones E(i) y E(j) se pueden intercambiar, es decir E(i) l E(j).
T E O R E M A 4.2.1
Dos sistemas de ecuaciones lineales son equivalentes, si uno se obtiene
del otro aplicando una sucesión finita de operaciones elementales.
Es suficiente demostrar la equivalencia de los sistemas S y S´, obtenido de S, al
aplicar una operación elemental. Observemos, que el sistema S se obtiene del
sistema S´ también como resultado de una operación elemental; por cuanto estas
operaciones son inversibles. En otras palabras, en el caso del tipo 1, cambiando otra
vez de lugar a las ecuaciones i y t, regresamos al sistema inicial; análogamente, en el
caso del tipo 2, sumando la i-ésima ecuación en S´, la t-ésima ecuación multiplicada
por ±r, obtendremos la i-ésima ecuación del sistema S. Demostremos ahora, que
cualquier solución k1, k2, ..., kn del sistema S resulta también solución del sistema S´.
Si fue realizada una operación elemental del tipo 1, entonces, las propias ecuaciones,
en general, no cambiaron. Por eso, los números k1, k2, ..., kn, que antes las satisfacían,
las satisfacerán luego de la operación elemental. En el caso de una operación
elemental del tipo 2, las ecuaciones, excepto la i-ésima, no se modificaron, y por eso
la solución k1, k2, ..., kn satisface a éstas como antes. En virtud de la reversibilidad de
las operaciones elementales, las reflexiones realizadas demuestran también que,
recíprocamente, cualquier solución del sistema S´ será solución del sistema S. Queda
observar, que la incompatibilidad de un sistema proporciona la incompatibilidad del
otro.
Si en el sistema S se considera que a 11 z 0, para cada i > 1 llamado elemento

principal del primer paso (En el caso de que a 11 = 0 cambiamos de lugar las
ecuaciones con los números 1 e i, donde a i1 z 0.) se aplican las operaciones
elementales de modo que se sustituya la ecuación i -ésima por la ecuación que se
obtiene multiplicando la primera por ± a 11 y se sume con la i-ésima, de tal forma
que se elimine x1 en las incompatible, y, por tanto, no tiene solución. Si en los
sistemas equivalentes se llega a una ecuación de la forma 0x1 + 0x2 + ... + 0xn = 0,
esta puede eliminarse sin que se afecte la solución del sistema.

Calculemos el número de operaciones que hay que efectuar para obtener la solución
del sistema de ecuaciones lineales. Para reducir el sistema de ecuaciones a la forma
escalonada, aceptando que m = n, tendremos que realizar n inversiones
1
n2 + (n ± 1)2 + ... + 12 = (2n + 1)(n + 1)n
6
multiplicaciones y
(n 1)n(n 1)
n(n 1) (n 1)(n 2) 2 1
3
adiciones. Además, para hallar del sistema reducido las incógnitas habrá que realizar
adicionalmente
1
1 + 2 + ... + (n ± 1) = n(n ± 1)
2
multiplicaciones y un número igual de adiciones. Por consiguiente, para resolver el
sistema de ecuaciones lineales empleando el método de Gauss, es necesario realizar,
en el caso general, n inversiones
1 1
n(n2 + 3n ± 1) | n3
3 3
multiplicaciones y
1 1
n(2n2 + 3n ± 5) | n3
6 3
adiciones. En resumen, este método de reducción se puede aplicar a cualquier
sistema de ecuaciones lineales. Debe observarse, además, que el método de
reducción es sistemático y que no se reduce a ningún artificio a base de los números
particulares que aparecen en las ecuaciones.
T E O R E M A 4.2.2
Para la compatibilidad de un sistema de ecuaciones lineales es necesario y
suficiente que, después de ser reducido a la forma escalonada, en él no se
encuentren ecuaciones del tipo 0 = bí, con bí z 0. Si esta condición se
cumple, entonces, a las incógnitas independientes se les puede dar valores
arbitrarios; las incógnitas principales se determinan unívocamente en el
sistema de ecuaciones.
Comencemos con la cuestión de la compatibilidad. Es evidente, que si el sistema
a11 x1 a´1 n xn b´1
°
° a´2 k xk a´2 n xn b´2
° a´ x a´ x b´
°° 3 t t 3n n 3
® (1)
°
° a´r s xs a´r n xn b´r
° 0 b´r 1
°
°̄ 0 b´m
contiene ecuaciones del tipo 0 = bí, con bí z 0, entonces, este sistema es
incompatible, puesto que la igualdad 0 = bí no puede ser satisfecha por ningún valor
para las incógnitas. Demostremos, que si en el sistema (1) no hay tales ecuaciones,
entonces el sistema es compatible. Y bien, sea bí = 0 para i > r. Llamaremos
incógnitas principales a x1, xk, ..., xs, con las cuales comienzan la primera, segunda,
..., y r-ésima ecuaciones, respectivamente; las restantes incógnitas, si es que las hay,
se denominan independientes. Por definición, sólo hay r incógnitas principales.
Otorgamos a las incógnitas independientes valores arbitrarios, y los sustituimos en el
sistema (1). Entonces, para ks se obtiene una ecuación de tipo axs = b, con a = a´r s z
0, la cual tiene solución única. Sustituyendo el valor obtenido xs = ks en las primeras
r ± 1 ecuaciones, y yendo por el sistema (1) de abajo hacia arriba, nos convencemos

de que los valores de las incógnitas principales se determinan unívocamente para

cualquier valor que se dé a las incógnitas independientes.
T E O R E M A 4.2.3
Un sistema de ecuaciones lineales tiene solución única si y sólo si el
sistema reducido correspondiente tiene la misma solución.
De la forma en que reducimos el sistema es claro que si cierto conjunto de números
x1, x2, ..., xn satisface el sistema original, cumplen también el sistema reducido. Ahora
cambiamos los papeles del sistema original reducido. Si comenzamos con el sistema
reducido, el sistema original se puede obtener de éste por alguna combinación de las
tres operaciones elementales. Ahora es claro que cualquier solución del sistema
reducido también es solución del sistema original.
T E O R E M A 4.2.4
El sistema compatible
a11 x1 a12 x2 a1n xn b1
° a x a x a x b
° 21 1 22 2 2n n 2
®
°
°
¯ am1 x1 am 2 x2 amn xn bm
con n > m es indeterminado.
Efectivamente, en todo caso r d m, por cuanto en el sistema (1) no hay más
ecuaciones que en el sistema dado, las ecuaciones con identidades iguales a cero para
ambos miembros, son desechadas. Por eso, la desigualdad n > m lleva a n > r, lo cual
significa indeterminación del sistema dado.
E J E M P L O 4.2.1
Utilizando eliminación gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
x yz 3 3x 4 y 6 z 7
° °
a.- ®2 x y 4 z 3 ; b.- ®5 x 2 y 4 z 5 .
°3x 2 y z 8 ° x 3 y 5z 3
¯ ¯
SO L U C I O N
a.- Multiplicamos la ecuación 1 por 2 y luego le restamos la fila 2, multiplicamos la
fila 1 por 3 y luego restamos la fila 3:
x y z 3
°
® y 2z 1
° y 2z 1
¯
restamos la fila dos a la fila tres:
x y z 3
°
® y 2z 1
° 0 0
¯
podemos observar que 0 = 0, lo cual indica que el sistema es indeterminado, es decir
tiene un número infinito de soluciones:
z = t, x = 2 ± t, y = 1 + 2 t.
b.- Se multiplica la ecuación 1 por 5 y luego le restamos 3 veces la fila 2, y 3 veces
la fila 3:
3x 4 y 6 z 7
°
® 13 y 21z 10
°13 y 21z 2
¯

restamos la fila dos a la fila tres:

3x 4 y 6 z 7
°
® 13 y 21z 10
° 0 2
¯
podemos observar que 0 = 12, lo cual indica que el sistema es inconsistente.
E J E M P L O 4.2.2
lineales:
2 x y 3 z 2u 4 x y zu 0
°3 x 3 y 3 z 2u 6 ° x 2 y 3 z 4u 0
° °
a.- ® ; b.- ® .
° 3 x y z 2 u 6 ° x 3 y 6 z 10u 0
°¯ 3 x y 3 z u 6 °¯ x 4 y 10 z 20u 0
SO L U C I O N
a.- A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la tercera fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la cuarta fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila
2 x y 3z 2u 4
° 9 y 3z 2u 0
°
®
° y 11z 2u 0
°¯ y 3z 8u 0
A la tercera fila le multiplico por ±9 y luego le sumo la segunda fila, a la cuarta
fila le multiplico por ±9 y luego le sumo la segunda fila:
2 x y 3z 2u 4
° 9 y 3z 2u 0
°
®
° 6z u 0
°¯ 12 z 35u 0
A la cuarta fila le resto 2 veces la tercera fila:
2 x y 3z 2u 4
° 9 y 3z 2u 0
°
®
° 6z u 0
°¯ 33u 0
Como el sistema se redujo a la forma triangular, entonces el sistema tiene solución
única:
x = 2, y = z = u = 0.
b.- A la segunda fila le resto la primera fila, a la tercera fila le resto la primera fila, a
la cuarta fila le resto la primera fila:
x y zu 0
° y 2 z 3u 0
°
®
° 2 y 5 z 9u 0
°¯3 y 9 z 19u 0
A la tercera fila le resto 2 veces la segunda fila, a la cuarta fila le resto 3 veces la
segunda fila:
x y z u 0
° y 2 z 3u 0
°
®
° z 3u 0
°¯ 3 z 10u 0

A la cuarta fila le resto 3 veces la tercera fila:

x y z u 0
° y 2 z 3u 0
°
®
° z 3u 0
°¯ u 0
única:
x = y = z = u = 0.
E J E M P L O 4.2.3
lineales:
x y 2 z 3u 1 x 2 y 3 z 2u 6 x 2 y 3z 4u 5
°3 x y z 2u 4 ° 2 x y 2 z 3u 8 ° 2 x y 2 z 3u 1
° ° °
a.- ® ; b.- ® ; c.- ® .
° 2 x 3 y z u 6 ° 3x 2 y z 2u 4 ° 3 x 2 y z 2u 1
°¯ x 2 y 3z u 4 °¯2 x 3 y 2 z u 8 °¯4 x 3 y 2 z u 5
SO L U C I O N
a.- A la segunda fila le restamos 3 veces la primera fila, a la tercera fila le restamos 2
veces la primera fila y a la cuarta fila le restamos la primera:
x y 2 z 3u 1
°4 y 7 z 11u 7
°
®
° y 5 z 7u 8
°¯ y z 4u 5
A la tercera fila le multiplicamos por 4 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por 4 y luego le sumamos la segunda fila:
x y 2 z 3u 1
°4 y 7 z 11u 7
°
®
° 27 z 39u 39
°¯ z 9u 9
A la cuarta fila le multiplicamos por 27 y luego le sumamos la tercera fila:
x y 2 z 3u 1
°4 y 7 z 11u 7
°
®
° 27 z 39u 39
°¯ u 1
Observamos que el sistema se redujo a la forma triangular, lo cual indica que el
sistema tiene solución única:
x = y = -1, z = 0, u = 1.
b.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
3 veces la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
x 2 y 3z 2u 6
° 5 y 8 z u 4
°
®
° 2 y 5 z 4u 7
°¯7 y 4 z 5u 20
A la tercera fila le multiplicamos por 5 y luego le sumamos 2 veces la segunda
fila, a la cuarta fila le multiplicamos por 5 y luego le restamos 7 veces la segunda
fila:

x 2 y 3z 2u 6
° 5 y 8 z u 4
°
®
° z 2u 3
°¯ 2 z u 4
A la cuarta fila le restamos 2 veces la tercera fila:
x 2 y 3z 2u 6
° 5 y 8 z u 4
°
®
° z 2u 3
°¯ 5u 10
única: x = 1, y = 2, z = -12, u = -2.
c.- A la segunda fila le restamos 2veces la primera fila, a la tercera fila le restamos 3
veces la primera fila y a la cuarta fila le restamos 4 veces la primera fila:
x 2 y 3z 4u 5
° 3 y 4 z 5u 9
°
®
° 2 y 4 z 5u 7
°¯ y 2 z 3u 5
A la tercera fila le multiplicamos por 3 y luego le sumamos la segunda fila
multiplicada por 2, a la cuarta fila le multiplicamos por 3 y luego le sumamos la
segunda fila:
x 2 y 3z 4u 5
° 3 y 4 z 5u 9
°
®
° 4 z 5u 3
°¯ z 2u 3
A la cuarta fila le multiplicamos por 4 y luego le restamos la tercera fila:
x 2 y 3z 4u 5
° 3 y 4 z 5u 9
°
®
° 4 z 5u 3
°¯ u 3
única: x = -2, y = 2, z = -3, u = 3.
I I. M E T O D O D E G A USS ± JO RD A N
El sistema S de ecuaciones lineales

a11 x1 a12 x2 ... a1n xn b1
° a x a x ... a x b
° 21 1 22 2 2n n 2
®
° ...
°
puede ser escrito en forma matricial como A X = B, donde A es la matriz m x n de
coeficientes con elementos a ij, B es un vector columna en m y X es un vector
columna en n. Efectuando la multiplicación matricial en la ecuación
§ a11 a12 a1n · § x1 · § b1 ·
¨ ¸¨ ¸ ¨ ¸
¨ a21 a22 a2 n ¸ ¨ x2 ¸ ¨ b2 ¸
¨ ¸¨ ¸ ¨ ¸
¨¨ ¸¨ ¸ ¨ ¸
© am1 am 2 amn ¸¹ ¨© xn ¸¹ ¨© bm ¸¹
se ve de inmediato que esto es equivalente al sistema S.
En cuanto a la matriz
§ a11 a12 a1n b1 ·
¨ ¸
a
¨ 21 a 22 a 2n b2 ¸
¨ ¸
¨¨ ¸
© am1 am 2 amn bm ¸¹
se denomina matriz aumentada del sistema.
Consideremos ahora el sistema lineal no homogéneo A X = B, en donde A es de m x

n y B es de m x 1 y tiene al menos un elemento distinto de cero. A continuación
enunciaremos un teorema, en el cual se basara el método de las operaciones
elementales.
T E O R E M A 4.2.5
Un sistema homogéneo de m ecuaciones lineales con n incógnitas tiene un
número indeterminado de soluciones si n > m.
Cuando la matriz de coeficientes se ha reducido, la matriz aumentada del sistema
reducido tiene una última columna formada únicamente por ceros. Entonces, el
sistema tiene una solución, pero puede que no tenga soluciones no nulas. Sin
embargo, consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de
coeficientes. Estos elementos son 0 ó 1. Suponiendo que akk = 0 para algún k y k es el
menor elemento para el cual esto ocurre, la solución se puede escribir en términos de
xk y posiblemente de algunas otras variables. Pero tales variables son arbitrarias, y así
tomando a xk z 0, tenemos una solución no trivial. Si todos los a ii, i = 1, 2, ..., m, son
1, la última fila de la matriz aumentada del sistema reducido es
0, 0, ..., 0, 1, am m+1, am m+2, ..., am n, 0
y
xm = -am m+1xm+1 ± am m+2xm+2 - ... ± am nxn
donde xm+1, xm+2, ..., xn son arbitrarias. Tomando xm+1 z 0 lograremos una solución no
nula.
T E O R E M A 4.2.6
Sea X 1 cualquier solución de A X = B. Entonces X 1 ± X 2 es una solución
de A X = O ya que A(X 1 - X 2) = A X 1 - A X 2 = B - B = O. Sea X 3 = X 1 -
X 2. Entonces X 3 es una solución de A X = O y por supuesto X 1 = X 2 +
X 3.
Supongamos que X 1 y X 2 son soluciones. Entonces A X 1 = B y A X 2 = B, y por
sustracción A(X 1 ± X 2) = O. Como quiera que si la ecuación homogénea no tiene
soluciones no nulas, entonces X 1 ± X 2 = O y X 1 = X 2. Esto muestra la unicidad.
Recíprocamente, suponiendo que X 3 z O es una solución de la ecuación homogénea,
es decir A X 3 = O, mientras que X 1 es una solución de A X 1 = B, entonces X 1 + X 3
también es solución, puesto que
A(X 1 + X 3) = A X 1 + A X 3 = B + O = B.
Esta es una contradicción a la unicidad y completa la demostración.
T E O R E M A 4.2.7
Un sistema homogéneo de m ecuaciones lineales con m incógnitas tiene
solución trivial si y sólo si la matriz reducida de coeficientes no tiene filas
formadas únicamente por ceros.
Consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de coeficientes.
Si a ii = 1 para todo i, la matriz aumentada del sistema reducido es de la forma

§1 0 0 0·
¨ ¸
¨0 1 0 0¸
¨ ¸
¨¨ ¸
©0 0 1 0 ¸¹
y la única solución es x1 = x2 = ... = xm = 0, algunos de los a ii son cero si y sólo si la
última fila de esta matriz está formada únicamente por ceros. Así, el sistema de
ecuaciones lineales tiene soluciones no nulas si y sólo si la matriz reducida de
coeficientes está formada únicamente por ceros.
T E O R E M A 4.2.8
Sea la matriz A de n x n. Entonces el sistema de ecuaciones no
homogéneo A X = B tiene solución única si y sólo si el Rang( A) = n.
Supongamos primero que Rang(A) = n. Entonces A R = I. De donde (A | B)R es de la
forma (I | C) para alguna matriz C de n x 1. El sistema I X = C tiene exactamente una
solución y esta es la única solución del sistema original. Recíprocamente,
supongamos que A X = B tiene exactamente una solución Y. Si A X = O tiene una
solución Z entonces Y + Z es una solución de A X = B. Pero entonces Y = Y + Z por
la suposición de que A X = B tiene solamente una solución Y. Concluimos que
Z = O y, por tanto, A X = O tiene solamente la solución trivial. Por lo tanto
Rang(A) = n.
Un sistema homogéneo A X = O de m ecuaciones lineales con n incógnitas tiene un

número indeterminado de soluciones si el número de ecuaciones es menor que el
número de incógnitas, es decir n > m.
Sea X 1 cualquier solución de A X = B. Entonces X 1 ± X 2 es una solución de

A X = O ya que
A(X 1 - X 2) = A X 1 - A X 2 = B - B = O.
Sea X 3 = X 1 - X 2. Entonces X 3 es una solución de A X = O y por supuesto X 1 = X 2

+ X 3.
Como hemos podido ver, cuando un sistema de ecuaciones lineales tiene soluciones,
puede tener muchas soluciones. En efecto, la situación general cuando las soluciones
no son únicas, es que ciertas variables se pueden escribir en términos de otras y estas
son completamente arbitrarias. Podemos pensar en tales variables como parámetros
que pueden variar para generar soluciones. Podremos decir que tenemos la solución
general de un sistema si tenemos todas las variables expresadas en términos de
ciertos parámetros en tal forma que toda posible solución particular se pueda obtener
al asignar valores apropiados a estos parámetros.
Podemos ahora esbozar un procedimiento para encontrar la solución general de un

sistema lineal no homogéneo A X = B:
P ASO 1. Reducir (A~B) para obtener la matriz reducida de la forma (A R~C). Las
soluciones de A X = B son las mismas soluciones que las de A R X = C, así que
trabajaremos con este sistema reducido;
P ASO 2. Si Rang((A~B)) z Rang(A), el sistema no tiene solución y ya
terminamos. Si estos dos rangos son iguales continuamos;
P ASO 3. Identificamos las incógnitas dependientes. Si la columna j contiene el
elemento principal de la fila i, utilizamos la ecuación i para escribir xj en términos de
las incógnitas independientes;
P ASO 4. Escribimos una matriz columna
(x1 x2 «xn)T
con cada xj dependiente escrita en términos de las incógnitas independientes y de c i.
Las incógnitas independientes son arbitrarias y se les puede asignar valores

cualesquiera;
P ASO 5. Para aclarar la estructura de la solución, la escribimos como una suma de
matrices columna multiplicadas por las incógnitas independientes (escalares
arbitrarios), más una matriz columna que contiene las c i que aparecen en las
expresiones para las incógnitas dependientes. Esta matriz columna constante es una
solución particular de A R X = C. Ahora tenemos la solución general de A X = B
escrita como la solución general de A R X = O más una solución particular de
A R X = C, obteniendo la solución general del sistema no homogéneo original.
T E O R E M A 4.2.9
Un sistema de ecuaciones lineales A X = B tiene solución única si y sólo si
el rango de la matriz A es igual al rango de la matriz (A | B).
Reduciendo la matriz de coeficientes usando operaciones elementales sobre las filas
podemos lograr el sistema equivalente (I | C) en este caso, y solamente en este caso,
el rango de A es igual al rango de la matriz aumentada (A | B).
Una solución a un sistema A X = B de m ecuaciones lineales con n incógnitas no

tiene solución única si n > m.
Un sistema de ecuaciones lineales A X = B tiene solución única si y sólo si el sistema

reducido correspondiente tiene la misma solución.
Si el sistema de ecuaciones lineales A X = B de m ecuaciones y n incógnitas es

consistente, y si r es el rango por filas de la forma escalonada reducida de la matriz
aumentada del sistema, entonces:
1.- Si r < n, el sistema tiene un número indeterminado de soluciones. Las soluciones
se expresan en base a n ± r variables.
2.- Si r = n, el sistema tiene solución única.
3.- Si m < n, entonces r d m < n, y el sistema tiene un número indeterminado de
soluciones.
T E O R E M A 4.2.10
Un sistema homogéneo de n ecuaciones lineales algebraicas con m
incógnitas tiene un número indeterminado de soluciones si m > n.
Escribimos el sistema homogéneo de ecuaciones lineales como A X = O con la
matriz A de n x m. Este sistema tiene n ecuaciones y m incógnitas. Si hay más
incógnitas que ecuaciones, m > n. Ahora, Rang(A) es el número de filas distintas de
cero de A R y no puede ser mayor que n. Como Rang(A) d n, m ± Rang(A) t m ± n >
0. Por lo tanto, existe al menos una incógnita independiente a la que se puede asignar
cualquier valor en la solución general y, por tanto, se le pueden dar valores distintos
de cero llegando a un número indeterminado de soluciones.
Ahora podemos bosquejar ahora un procedimiento para resolver el sistema

homogéneo de ecuaciones lineales A X = O:
P ASO 1. Reducir A a A R. Como el sistema reducido tiene las mismas soluciones
que el sistema original, trabajaremos con el sistema reducido A R X = O;
P ASO 2. En el sistema A R X = O, determine si cada incógnita es dependiente o
independiente de acuerdo con el siguiente criterio. Si la columna j contiene el
elemento principal de cualquier fila de A, llame a xj dependiente; si no es así, xj es
independiente;
P ASO 3. Exprese cada incógnita dependiente en términos de las independientes,
usando las filas de A R. Si, por ejemplo, xj es dependiente porque la columna j
contiene el elemento principal de la fila i, podemos resolver para xj en términos de

las incógnitas independientes mediante la ecuación i;

P ASO 4. Para obtener la solución, a las incógnitas independientes se les puede
asignar cualquier valor; las incógnitas dependientes se expresan en términos de las
independientes usando el paso 3.
T E O R E M A 4.2.11
Si A es una matriz de n x m, el número de escalares arbitrarios en la
solución general del sistema homogéneo de ecuaciones lineales A X = O es
m ± Rang(A).
Si la matriz A es de n x m, el número de incógnitas independientes es igual al
número total de incógnitas m menos el número de incógnitas dependientes. Pero el
número de incógnitas dependientes es el número de filas de A R que tienen entradas
principales y, por lo tanto, es igual al número de filas distintas de cero de A R, es
decir, el rango de A.
T E O R E M A 4.2.12
Una solución de un sistema de ecuaciones lineales A X = B es única si y
sólo si el sistema homogéneo de ecuaciones A X = O tiene solución
trivial.
Supongamos que X y Y son soluciones. Entonces A X = B y A Y = B, y por
sustracción A(X ± Y) = O. Como quiera que si la ecuación homogénea tiene
solución trivial, entonces X ± Y = O y X = Y. Esto muestra la unicidad.
Recíprocamente, suponiendo que Z z O es una solución de la ecuación homogénea,
es decir A Z = O, mientras que X es una solución de A X = B, entonces X + Z
también es solución, puesto que
A(X + Z) = A X + A Z = B + O = B.
Esta es una contradicción a la unicidad.
T E O R E M A 4.2.13
La solución general del sistema no homogéneo de ecuaciones, A X = B,
se puede obtener al sumar la solución general del sistema homogéneo
A X = O a cualquier solución particular del sistema no homogéneo.
Supongamos que Z es una solución particular del sistema no homogéneo, entonces
A Z = B. Suponiendo que X es cualquier otra solución particular, entonces
A X = B y A(X ± Z) = A X ± A Z = B ± B = O.
De donde, Y = X ± Z es una solución del sistema de ecuaciones homogéneas y
entonces se puede obtener de la solución general del sistema de ecuaciones
homogéneas para una elección apropiada de ciertos parámetros. Así, X = Z + Y, y
como X es cualquier solución particular, podemos obtener la solución general del
sistema no homogéneo al sumar la solución general del sistema homogéneo a una
solución particular del sistema no homogéneo.
T E O R E M A 4.2.14
Un sistema de n ecuaciones lineales algebraicas homogéneas con n
incógnitas tiene un número indeterminado de soluciones si y sólo si el
determinante de la matriz de coeficientes es cero.
Si Det(A) no es cero la matriz A es no singular. Entonces, al multiplicar los dos
miembros del sistema A X = O por A -1 obtendremos A -1 A X = O, es decir X = O.
Por lo tanto, si Det( A) z 0, entonces X = O será la única solución de A X = O.
Supongamos a continuación que el sistema A X = O quede satisfecho por un
vector Y distinto de cero. Si k es el rango de A, entonces n ± k tiene que ser, por
lo menos, igual a 1. Dicho de otro modo, el rango por filas de A será
estrictamente menor que n. Pero A no puede ser no singular, es singular y, por lo

tanto, Det(A) = 0.
% RESUELVE UN SISTEMA DE ECUACIONES

clc;;clear;;
fprintf('\n SISTEMA DE ECUACIONES AX=B \n')
fil=input('Ingrese el numero de ecuaciones: ');;
col=input('Ingrese el numero de incognitas: ');;
fprintf('\nIngrese los coeficientes y terminos independientes del sistema\n')
for f=1:fil
fprintf('\n Ingrese los coeficientes (%d)\n', f)
for c=1:col
end
end
fprintf('\n Ingrese los coeficientes de B \n')
%for f=1:col
for c=1:fil
B(c,1)=input(' :');;
end
fprintf('\n LA MATRIZ DE COEFICIENTES A ES:\n')
A
end
fprintf('El VECTOR B es:\n')
B
end
fprintf('LA MATRIZ REDUCIDA DE A ES:')
R1= rref(A);;
R1
fprintf('EL RANGO DE LA MATRIZ A ES:')
RangA=rank(A)
fprintf('\n LA MATRIZ AUMENTADA ES: \n',c);;
C=[A,B];;
C
fprintf('LA MATRIZ REDUCIDA DE C ES:')
R2= rref(C);;
R2
fprintf('EL RANGO DE LA MATRIZ AUMENTADA C ES:')
RangC=rank(C)
end
end
if RangC==col
fprintf('EL SISTEMA DE ECUACIONES TIENE SOLUCION UNICA\n')
end
if RangA<col
fprintf('EL SISTEMA DE ECUACIONES TIENE MAS DE UNA SOLUCION\n')
end
if RangA~=RangC
fprintf('EL SISTEMA DE ECUACIONES NO TIENE SOLUCION\n')
end
end
EJ E M P L O 4.2.4
Resuelva el sistema de ecuaciones siguiente:
x 3y z u 3
° 2x z u 1
°
® .
° y 4z u 6
°¯ y z 5u 16

SO L U C I O N
Construimos la matriz aumentada (A|B) y luego procedemos por el método de Gauss
± Jordan:
§ 1 3 1 1 3 ·
¨ ¸
¨2 0 1 1 1¸
¨ 0 1 4 1 6¸
¨¨ ¸¸
© 0 1 1 5 16 ¹
A la primera fila le multiplicamos por 2 y luego le restamos la segunda fila:
§ 1 3 1 1 3 ·
¨ ¸
¨ 0 6 1 3 5 ¸
¨ 0 1 4 1 6¸
¨¨ ¸¸
© 0 1 1 5 16 ¹
A la tercera fila le multiplicamos por 6 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por ±6 y luego le sumamos la segunda fila, a la primera
fila le multiplicamos por 2 y luego le restamos la segunda fila:
§2 0 1 1 1 ·
¨ ¸
¨ 0 6 1 3 5 ¸
¨ 0 0 25 3 41 ¸
¨¨ ¸¸
© 0 0 5 27 91¹
A la primera fila le multiplicamos por 25 y luego le restamos la tercera fila, a la
segunda fila le multiplicamos por 25 y luego le restamos la tercera fila, a la cuarta
fila le multiplicamos por 5 y luego le sumamos la tercera fila:
§ 25 0 0 11 8 ·
¨ ¸
¨ 0 25 0 13 14 ¸
¨ 0 0 25 3 41 ¸
¨¨ ¸
©0 0 0 1 3 ¸¹
A la primera fila le restamos 25 veces la cuarta fila y luego dividimos toda la fila
para -25, a la segunda fila le sumamos 13 veces la cuarta fila y luego dividimos toda
la fila para 25, a la tercera fila le restamos 3 veces la cuarta fila y luego dividimos
toda la fila para 25:
§ 1 0 0 0 41 ·
¨ 25
¸
53
¨0 1 0 0 25
¸
¨ ¸
¨0 0 1 0
32
25 ¸
¨0 0 0 1 3 ¸¹
©
Por lo tanto Rang(A) = Rang(A|B) = 4 y la solución está dada por el vector siguiente:
T
§ 41 53 32 ·
X ¨ 3¸ .
© 25 25 25 ¹
EJ E M P L O 4.2.5
Resuelva el sistema
2 x 3 y 5 z 2 x 3y z 1
x 3 y 2z 0 ° °
a.- ® ; b.- ® 3x 2 y 4 z 1 ; c.- ® 2 x y 2 z 3 .
¯2 x y 3z 0 °4 x 2 y 3z 3 °4 x 2 y 4 z 6
¯ ¯
SO L U C I O N
a.- Este sistema se puede resolver fácilmente sin matrices, pero queremos ilustrar el
método matricial.
PASO 1. Reducir A. Procedemos como sigue: Sumar 2 veces la fila 1 a la fila 2

§ 1 3 2 ·
¨ ¸
© 0 5 1 ¹
multiplicar la fila 2 por -1/5
§ 1 3 2 ·
¨ ¸
¨¨ 0 5 1 ¸¸
© 5¹
sumar 3 veces la fila 2 a la fila 1
§ 7 ·
¨1 0 5 ¸
¨ ¸ AR .
¨0 1 1 ¸
¨ ¸
© 5¹
PASO 2. Identificar las incógnitas dependientes e independientes. La entrada
principal de la fila 1 está en la columna 1, así que x es dependiente; análogamente, y
es dependiente. Finalmente, z es independiente.
PASO 3. Escribimos las incógnitas dependientes en términos de las independientes.
De la fila 1 de A R, x + 7z/5 = 0, así que x = - 7z/5. De la fila 2, y - z/5 = 0, así que y =
z/5. En estas ecuaciones z es arbitraria.
PASO 4. Por conveniencia, sea x = - 7t/5, y = t/5. En forma matricial, la solución es
T
§ 7t t ·
X ¨ t¸ .
© 5 5 ¹
Esta expresión se llama solución general del sistema porque obtenemos todas las
soluciones dando a t diferentes valores.
b.- Primero: resolvemos el sistema no homogéneo de ecuaciones lineales A X = B.
Construimos la matriz aumentada del sistema:
§ 2 3 5 2 ·
¨ ¸
¨ 3 2 4 1 ¸
¨ 4 2 3 3 ¸
© ¹
A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila, a
la tercera fila le restamos 2 veces la primera fila:
§ 2 3 5 2 ·
¨ ¸
¨ 0 13 7 4 ¸
¨ 0 8 13
© 1 ¸¹
A la primera fila le multiplicamos por 13 y luego le sumamos 3 veces la segunda fila,
a la tercera fila le multiplicamos por 13 y luego le restamos 8 veces la segunda fila:
§13 0 43 7 ·
¨ ¸
¨ 0 13 7 4 ¸
¨0
© 0 5 1 ¸¹
A la primera fila le multiplicamos por 5 y luego le restamos 43 veces la tercera fila y
a continuación dividimos toda la fila para 65, a la segunda fila le multiplicamos por 5
y luego le sumamos 7 veces la tercera fila y después dividimos toda la fila para -65:
§1 0 0 8 ·
¨ 65
¸
¨0 1 0 1
5 ¸
¨ 1 ¸
¨0 0 1 ¸
© 5 ¹
Por lo tanto, la solución está dada por el vector siguiente:

T
§ 8 1 1·
¨
X1 ¸ .
© 65 5 5 ¹
Segundo: resolvemos el sistema homogéneo de ecuaciones lineales A X = O:
§ 2 3 5 · § 2 3 5 · §13 0 43 · §1 0 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 3 2 4 ¸ | ¨ 0 13 7 ¸ | ¨ 0 13 7 ¸ | ¨0 1 0¸
¨ 4 2 3 ¸ ¨ 0 8 13 ¸ ¨ 0 0 5 ¸¹ ¨0 0 1 ¸¹
© ¹ © ¹ © ©
Por lo tanto, la solución está dada por el vector siguiente: X 2 0 0 0 .
La solución al sistema esta dada por X 1 + X 2, es decir:
§ 65
8 ·
§0· § ·
8
¨ 1 ¸ ¨ ¸ ¨ 165 ¸
X ¨ 5 ¸ ¨0¸ ¨ 5 ¸ .
¨¨ 1 ¸¸ ¨ 0 ¸ ¨¨ 1 ¸¸
© 5 ¹ © ¹ © 5 ¹
Por lo tanto queda comprobado que el sistema tiene una única solución.
c.- Encontramos la solución del sistema A X = B:
§ 1 3 1 1 · § 1 3 1 1 · § 7 0 5 10 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 1 2 3 ¸ | ¨ 0 7 4 1 ¸ | ¨ 0 7 4 1 ¸
¨ 4 2 4 6 ¸ ¨ 0 14 8 2 ¸ ¨ 0 0 0 0 ¸¹
© ¹ © ¹ ©
De aquí que la solución general del sistema A X = B es
1
X (t ) 10 5t 1 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 1, obtenemos una solución particular:
1
X (1) 15 5 7 T .
7
A continuación encontramos la solución general del sistema A X = O:
§ 1 3 1 0 · § 1 3 1 0 · § 7 0 5 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 1 2 0 ¸ | ¨ 0 7 4 0 ¸ | ¨ 0 7 4 0 ¸
¨ 4 2 4 0 ¸ ¨ 0 14 8 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
De aquí que la solución general del sistema A X = O es
1
X (t ) 5t 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 7, obtenemos una solución particular:
X (7) 5 4 7 .
T
Por lo tanto la matriz X = X(7) + X(1) es solución del sistema A X = B, es decir

1
X 50 33 56 T .
7
EJ E M P L O 4.2.6
Utilizando el método de Gauss-Jordan, solucionar los siguientes sistemas de
ecuaciones lineales:
x y 3 z 1 2x y z 2 2 x y 3z 3
°2x y 2z 1 ° x 3y z 5 ° 3x y 5 z 0
° ° °
a.- ® ; b.- ® ; c.- ® .
° x y z 3 ° x y 5 z 7 ° 4x y z 3
°¯ x 2 y 3 z 1 °¯2 x 3 y 3 z 14 °¯ x 3 y 13z 6
SO L U C I O N
a.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
la primera fila, a la cuarta fila le restamos la primera fila:
§ 1 1 3 1·
¨ ¸
¨ 0 1 4 3¸
¨0 0 1 4¸
¨ ¸
¨0 1 0 2¹
©

a la primera fila le sumamos la segunda fila:

§1 0 1 2·
¨ ¸
¨ 0 1 4 3¸
¨0 0 1 1¸
¨ ¸
¨0 1 0 2¹
©
a la primera fila le restamos la tercera fila, a la segunda fila le restamos la tercera
fila:
§1 0 0 1·
¨ ¸
¨0 1 0 1¸
¨0 0 1 1¸
¨
¨ 0 1 0 2 ¸¹
©
a la cuarta fila le restamos la segunda fila:
§ 1 0 0 1·
¨ ¸
¨ 0 1 0 1¸
¨ 0 0 1 1¸
¨
¨ 0 0 0 1¸¹
©
por la cuarta fila, tenemos que el sistema de ecuaciones no tiene solución.
b.- Multiplicamos la segunda fila por 2 y luego le restamos la primera fila,
multiplicamos la tercera fila por 2 y luego le restamos la primera fila, a la cuarta fila
le restamos la primera fila:
§2 1 1 2 ·
¨ ¸
¨ 0 5 1 8 ¸
¨ 0 1 9 16 ¸
¨ ¸
¨ 0 1 2 6 ¹
©
a la primera fila le multiplicamos por 5 y luego le restamos la segunda fila,
multiplicamos la tercera fila por 5 y luego le restamos la segunda fila,
multiplicamos la cuarta fila por 5 y luego le restamos la segunda fila:
§5 0 2 1·
¨ ¸
¨0 5 1 8¸
¨ 0 0 1 2 ¸
¨
¨ 0 0 1 2 ¸¹
©
a la primera fila le restamos 2 veces la tercera fila, a la segunda fila le restamos la
tercera fila y a la cuarta fila le sumamos la tercera fila:
§1 0 0 1 ·
¨ ¸
¨0 1 0 2 ¸
¨ 0 0 1 2 ¸
¨
¨ 0 0 0 0 ¸¹
©
el sistema tiene solución única, por lo tanto la solución general es: X (1 2 2)T .
c.- Multiplicamos la segunda fila por 2 y luego le restamos 3 veces la primera fila, a
la tercera fila le restamos 2 veces la primera fila, a la cuarta fila le multiplicamos por
2 y luego le restamos la primera fila:
§ 2 1 3 3 ·
¨ ¸
¨ 0 5 19 9 ¸
¨ 0 1 5 3 ¸
¨
¨ 0 7 29 15 ¸¹
©

a la primera fila le multiplicamos por 5 y luego le sumamos la segunda fila, a la

tercera fila le multiplicamos por 5 y luego le restamos la segunda fila, a la cuarta
fila le multiplicamos por 5 y luego le restamos 7 veces la segunda fila:
§ 5 0 2 3·
¨ ¸
¨ 0 5 19 9 ¸
¨0 0 1 1¸
¨ ¸
¨0 0 1 1¹
©
a la primera fila le sumamos 2 veces la tercera fila, a la segunda fila le sumamos
19 veces la tercera fila y a la cuarta fila le restamos la tercera fila:
§1 0 0 1·
¨ ¸
¨0 1 0 2¸
¨0 0 1 1¸
¨
¨ 0 0 0 0 ¸¹
©
el sistema tiene solución única, por lo tanto la solución general es:
X (1 2 1)T .
EJ E M P L O 4.2.7
x y 3u w 0 x y z u w 7
° x y 2 z u 0 ° 3x 2 y z u 3w 2
° °
a.- ® ; b.- ® .
° 4 x 2 y 6 z 3u 4 w 0 ° y 2 z 2u 6w 23
°¯2 x 4 y 2 z 4u 7 w 0 °¯5 x 4 y 3z 3u w 12
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
§ 1 1 0 3 1 0 ·
¨ ¸
¨ 0 2 2 2 1 0 ¸
¨ 0 2 2 5 0 0 ¸
¨
¨ 0 2 2 10 5 0 ¸¹
©
multiplicamos la primera fila por 2 y luego le restamos la segunda fila, a la tercera
fila le restamos la segunda fila y a la cuarta fila le sumamos la segunda fila:
§ 2 0 2 4 1 0 ·
¨ ¸
¨ 0 2 2 2 1 0 ¸
¨ 0 0 0 3 1 0 ¸
¨
¨ 0 0 0 3 1 0 ¸¹
©
multiplicamos la primera fila por 3 y luego le sumamos 4 veces la tercera fila,
multiplicamos la segunda fila por 3 y luego le restamos 2 veces la tercera fila y a
la cuarta fila le restamos la tercera fila:
§ 6 0 6 0 7 0 ·
¨ ¸
¨ 0 6 6 0 5 0 ¸
¨ 0 0 0 3 1 0 ¸
¨
¨ 0 0 0 0 0 0 ¸¹
©
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un
número indeterminado de soluciones y éstas se dan de la siguiente manera:

T
§ 7t 5t t ·
X ¨ r r r t¸ .
© 6 6 3 ¹
b.- A la segunda fila le restamos 3 veces la primera fila y a la cuarta fila le restamos
5 veces la primera fila:
§1 1 1 1 1 7 ·
¨ ¸
¨ 0 1 2 2 6 23 ¸
¨0 1 2 2 6 23 ¸
¨
¨ 0 1 2 2 6 23 ¸¹
©
a la primera fila le restamos la segunda fila, a la tercera fila le sumamos la
segunda fila y a la cuarta fila le restamos la segunda fila:
§ 1 0 1 1 5 16 ·
¨ ¸
¨0 1 2 2 6 23 ¸
¨0 0 0 0 0 0 ¸
¨ ¸
¨0 0 0 0 0 0 ¹
©
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un
número indeterminado de soluciones y éstas se dan de la siguiente manera:
X t r s 16 23 2t 2r 6s t r s .
T
EJ E M P L O 4.2.8
x 4 y 6 z 4u w 0 2x y z u w 2
° x y 4 z 6u 4 w 0 ° x 2y z u w 0
°° °°
a.- ®4 x y z 4u 6w 0 ; b.- ® x y 3z u w 3 .
°6 x 4 y z u 4 w 0 ° x y z 4u w 2
° °
°̄4 x 6 y 4 z u w 0 °̄ x y z u 5w 5
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila, a la cuarta fila le restamos 6 veces la primera fila y a la quinta fila le
restamos 4 veces la primera fila:
§1 4 6 4 1 0·
¨ ¸
¨ 0 3 2 2 3 0¸
¨ 0 15 23 12 2 0 ¸
¨ ¸
¨ 0 20 35 23 2 0 ¸
¨ 0 10 20 15 3 0 ¸
© ¹
a la primera fila le multiplicamos por 3 y luego le restamos 4 veces la segunda fila, a
la tercera fila le restamos 5 veces la segunda fila, a la cuarta fila le multiplicamos por
3 y luego le restamos 20 veces la segunda fila, a la quinta fila le multiplicamos por 3
y luego le restamos 10 veces la segunda fila:
§ 3 0 10 20 15 0 ·
¨ ¸
¨ 0 3 2 2 3 0¸
¨ 0 0 13 22 13 0 ¸
¨ ¸
¨ 0 0 65 109 66 0 ¸
¨ 0 0 40 65 39 0 ¸
© ¹
a la primera fila le multiplicamos por 13 y luego le sumamos 10 veces la tercera fila,
a la segunda fila le multiplicamos por 13 y luego le restamos 2 veces la tercera fila, a
la cuarta fila le restamos 5 veces la tercera fila, a la quinta fila le multiplicamos por
13 y luego le restamos 40 veces la tercera fila:

§ 39 0 0 40 65 0·
¨ ¸
¨ 0 39 0 70 65 0¸
¨0 0 13 22 13 0¸
¨ ¸
¨0 0 0 1 1 0¸
¨0 0 0 35 13 0 ¸¹
©
a la primera fila le restamos 40 veces la cuarta fila, a la segunda fila le restamos 70
veces la cuarta fila, a la tercera fila le sumamos 22 veces la cuarta fila, a la quinta fila
le restamos 35 veces la cuarta fila:
§ 39 0 0 0 105 0 ·
¨ ¸
¨ 0 39 0 0 135 0 ¸
¨0 0 13 0 35 0 ¸
¨ ¸
¨0 0 0 1 1 0 ¸
¨0 0 0 0 1 0 ¸¹
©
a la primera fila le restamos 105 veces la quinta fila, a la segunda fila le restamos 13
veces la quinta fila, a la tercera fila le sumamos 35 veces la quinta fila, a la cuarta fila
le sumamos la quinta fila:
§ 39 0 0 0 0 0·
¨ ¸
¨ 0 39 0 0 0 0 ¸
¨0 0 13 0 0 0 ¸
¨ ¸
¨0 0 0 1 0 0¸
¨0 0 0 0 1 0 ¸¹
©
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene
solución única y ésta se expresa de la siguiente manera:
x = y = z = u = w = 0.
b.- A la segunda fila le multiplicamos por 2 y luego le restamos la primera fila, a la
tercera fila le multiplicamos por 2 y luego le restamos la primera fila, a la cuarta fila
le multiplicamos por 2 y luego le restamos la primera fila, a la quinta fila le
multiplicamos por 2 y luego le restamos la primera fila:
§2 1 1 1 1 2 ·
¨ ¸
¨ 0 3 1 1 1 2 ¸
¨0 1 5 1 1 4 ¸
¨ ¸
¨ 0 1 1 7 1 6 ¸
¨0 1 1 1 9 8 ¸
© ¹
a la tercera fila le multiplicamos por 3 y luego le restamos la segunda fila, a la cuarta
fila le multiplicamos por 3 y luego le restamos la segunda fila, a la quinta fila le
multiplicamos por 3 y luego le restamos la segunda fila:
§3 0 1 1 1 4·
¨ ¸
¨ 0 3 1 1 1 2 ¸
¨0 0 7 1 1 7¸
¨ ¸
¨ 0 0 1 10 1 8 ¸
¨ 0 0 1 1 13 13 ¸
© ¹
a la primera fila le multiplicamos por 7 y luego le restamos la tercera fila, a la
segunda fila le multiplicamos por 7 y luego le restamos la tercera fila, a la cuarta fila
le multiplicamos por 7 y luego le restamos la tercera fila, a la quinta fila le
multiplicamos por 7 y luego le restamos la tercera fila:

§7 0 0 2 2 7 ·
¨ ¸
¨0 7 0 2 2 7 ¸
¨0 0 7 1 1 7 ¸
¨ ¸
¨0 0 0 23 2 21¸
¨0 0 0 1 15 14 ¸¹
©
a la primera fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a
la segunda fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a la
tercera fila le multiplicamos por 23 y luego le restamos la cuarta fila, a la quinta fila
le multiplicamos por 23 y luego le restamos la cuarta fila:
§161 0 0 0 42 203 ·
¨ ¸
¨ 0 161 0 0 42 119 ¸
¨ 0 0 161 0 21 182 ¸
¨ ¸
¨ 0 0 0 23 2 21 ¸
¨ 0 0 0 0 1 1 ¸¹
©
a la primera fila le restamos 42 veces la quinta fila, a la segunda fila le restamos 42
veces la quinta fila, a la tercera fila le restamos 21 veces la quinta fila, a la cuarta fila
le restamos 2 veces la quinta fila:
§161 0 0 0 0 161 ·
¨ ¸
¨ 0 161 0 0 0 161¸
¨ 0 0 161 0 0 161 ¸
¨ ¸
¨ 0 0 0 23 0 23 ¸
¨ 0 0 0 0 1 1 ¸¹
©
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene
solución única y ésta se expresa de la siguiente manera:
x = 1, y = -1, z = 1, u = -1, w =1.
EJ E M P L O 4.2.9
¿Cuál es la condición para que tres rectas
a1 x b1 y c1 0
°
® a2 x b2 y c2 0
°a x b y c 0
¯ 3 3 3
pasen por un punto?
SO L U C I O N
Las tres rectas forman un sistema de ecuaciones lineales no homogéneo
a1 x b1 y c1 0
°
® a2 x b2 y c2 0
°a x b y c 0
¯ 3 3 3
y, para que estas tres rectas pasen por un punto, el determinante formado por los
coeficientes del sistema y términos independientes debe ser igual a cero, es decir:
a1 b1 c1
a2 b2 c2 0 .
a3 b3 c3
I II. M E T O D O D E C R A M E R
La definición de un determinante de n x n es sugerida por sistemas de n ecuaciones

en incógnitas y en el presente método se deducirá la regla de Cramer, que expresa
las soluciones como cocientes de determinantes.
Para el trabajo numérico, son preferibles otras fórmulas, pero la regla de Cramer
tiene un interés práctico. Aunque para la resolución numérica es el método de
reducción más rápido, sobre todo si los coeficientes son números decimales, tiene
gran importancia la resolución por medio de determinantes, pues permite hacer a
discusión completa de los sistemas de ecuaciones lineales.
El valor de cada incógnita se obtiene dividiendo por el determinante del sistema, el

determinante formado sustituyendo por los términos independientes que están en los
segundos miembros, la columna que forman los coeficientes de dicha incógnita.
T E O R E M A 4.2.15
Sea A una matriz no singular de n x n. Entonces la única solución del
sistema no homogéneo A X = B está dada por
Det( A kB )
x k = xk para k = 1, 2, ..., n,
Det( A )
donde A kB es la matriz de orden n x n que se obtiene reemplazando la
columna k de A con B.
Si Det(A) z 0, entonces la matriz A es no singular y, por lo tanto X = A -1 B es la
solución única de A X = B. Por consiguiente se tiene
X = A -1 B
1
= Adj( A ) B
Det( A )
§ Det( A 11 ) Det( A 21 ) Det( A n1 ) · § b1 ·
¨ ¸¨ ¸
1 ¨ Det( A 12 ) Det( A 22 ) Det( A n 2 ) ¸ ¨ b2 ¸
=
Det( A ) ¨ ¸¨ ¸
¨¨ ¸¨ ¸
© Det( A 1n ) Det( A 2 n ) Det( A nn ) ¸¹ ¨© bn ¸¹
§ b1Det( A 11 ) + b2 Det( A 21 ) + + bn Det( A n1 ) ·
¨ ¸
1 ¨ b1Det( A 12 ) + b2 Det( A 22 ) + + bn Det( A n 2 ) ¸
= .
Det( A ) ¨ ¸
¨¨ ¸¸
© b1Det( A 1n ) + b2 Det( A 2 n ) + + bn Det( A nn ) ¹
Por tanto, el elemento de la j-ésima fila de X es
b1Det( A 1 j ) + b2 Det( A 2 j ) + + bn Det( A nj )
x( j ) = .
Det( A )
Ahora, sea
§ a11 a12 a1 j 1 b1 a1 j 1 a1n ·
¨ ¸
¨ a21 a22 a2 j 1 b2 a2 j 1 a2 n ¸
Aj ¨ ¸,
¨ ¸
¨ an1 an 2 anj 1 bn anj 1 ann ¸¹
©
Dado que A j difiere de A únicamente en la j-ésima columna, los cofactores de los
elementos b1, b2, ..., bn de A j son iguales a los cofactores de los elementos
correspondientes que están en la j-ésima columna de A. Como consecuencia, el
desarrollo por cofactores de Det(A j) a lo largo de la j-ésima columna es
Det(A j) = b1Det(A 1j) + b2Det(A 2j) + ... + bnDet(A nj).
Det( A j )
Al sustituir este resultado en (1) se obtiene x j .
Det( A )
Para resolver un sistema de n ecuaciones en n incógnitas por la regla de Cramer, se

necesita evaluar n + 1 determinantes de n x n. Desde el punto de vista del cálculo,
para sistemas con más de tres ecuaciones, la eliminación gaussiana resulta superior,
puesto que sólo se ha de reducir una matriz aumentada (A | B) de n x n + 1. Sin

embargo, la regla de Cramer da una fórmula para la solución.
Debemos mencionar que es posible, aunque no muy práctico, aplicar la regla de
Cramer a sistemas de m ecuaciones lineales en n incógnitas. Si la matriz de los
coeficientes A y la matriz aumentada (A | B) tienen el mismo rango k, se sabe que
pueden asignárseles valores arbitrarios a n ± k incógnitas apropiadas, llamémoslas
xk+1, xk+2, ..., xn, tales que la submatriz de los coeficientes de las otras incógnitas x1, x2,
..., xk tenga rango k.
Esto implica que A y (A | B) tienen k vectores filas linealmente independientes,

digamos los primeros k vectores fila, y si k < m, entonces cualquiera de los otros
vectores fila es una combinación lineal de aquellos. Se deduce que las m ± k
ecuaciones correspondientes pueden reducirse a la forma 0 = 0 mediante operaciones
elementales. De esto se ve que pueden omitirse esas m ± k ecuaciones del sistema.
Ahora puede escribirse el sistema reducido en la forma
a11 x1 a12 x2 a1k xk b1 ( a1 k 1 xk 1 a1 n xn )
°
° a21 x1 a22 x2 a2 k xk b2 ( a2 k 1 xk 1 a2 n xn )
®
°
° a x a x a x b (a
¯ k1 1 k2 2 kk k k k k 1 xk 1 a k n xn )
donde, si k = n, las expresiones de la derecha son b1, b2, ..., bk y resolverlo para x1,
x2, ..., xk mediante la regla de Cramer.
% RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES

clc;;clear;;
fprintf('\n METODO DE CRAMER \n')
fil=input('Ingrese el numero de incognitas: ');;
fprintf('Ingrese los coeficientes del sistema de ecuaciones\n')
for f=1:fil
for c=1:fil
end
end
fprintf('\n Ingrese los terminos independientes\n')
%for f=1:fil
for c=1:fil
B(c,1)=input(' :');;
end
%end
N=A(:,:);;
A
for c=1:fil
N(:,c)=B(:,1)
DetN=det(N)
DetA=det(A)
fprintf('\n La incognita (%d) es igual X : ', c)
X=det(N)/det(A);;
X
N=A(:,:);;
end
end
if DetA==0
end
end
% RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES

clc;;clear;;
fprintf('\n METODO DE CRAMER GENERALIZADO \n')
fil=input('Ingrese el numero de incognitas: ');;
fprintf('Ingrese los coeficientes del sistema de ecuaciones\n')
for f=1:fil
for c=1:fil
end
end
fprintf('\n Ingrese los terminos independientes\n')
%for f=1:fil
for c=1:fil
B(c,1)=input(' :');;
end
end
fprintf('LA MATRIZ A ES :\n')
A
end
DetA=det(A)
end
fprintf('LA MATRIZ B ES:\n')
B
fprintf('LA INVERSA DE A ES:\n')
C=inv(A)
fprintf('EL VECTOR SOLUCION X ES:\n')
X=inv(A)*B;;
X
end
end
if DetA==0
end
end
EJ E M P L O 4.2.10
Resolver el sistema
x 3 y 4z 1 ( a 1) x y z a 2 3a
° °°
a.- ® x y 3z 14 ; b.- ® x ( a 1) y z a 3 3a 2 .
° y 3z 5 ° 4 3
¯ °̄ x y ( a 1) z a 3a
SO L U C I O N
a.- La matriz de coeficientes es
§ 1 3 4 ·
¨ ¸
A¨ 1 1 3 ¸ .
¨ 0 1 3 ¸
© ¹
Encontramos que Det(A) = 13. Por la regla de Cramer,
§ 1 3 4 · § 1 1 4 ·
1 ¨ ¸ 117 1 ¨ ¸ 10
x Det ¨ 14 1 3 ¸ 9 , y Det ¨ 1 14 3 ¸ ,
13 ¨ 5 1 3 ¸ 13 13 ¨ 0 5 3 ¸ 13
© ¹ © ¹
§ 1 3 1 ·
1 ¨ ¸ 25
z Det ¨ 1 1 14 ¸ .
13 ¨ 0 1 5¸ 13
© ¹
b.- La matriz de coeficientes es

§ a 1 1 1 ·
¨ ¸
¨ 1 a A
1 1 ¸
¨ 1 1 a 1¸¹
©
Encontramos que Det(A) = a3 + 3a2. Por la regla de Cramer,
a 2 3a 1 1
1 3 2 3a 2 2 a 3 a 5
x a 3a a 1 1 a2 2 ,
a 3 3a 2 a 3 3a 2
a 4 3a 3 1 a 1
a 1 a 2 3a 1
1 2 a 4 5 a 3 3a 2
y 1 a 3 3a 2 1 2a 1 ,
a 3 3a 2 4 3
a 3 3a 2
1 a 3a a 1
a 1 1 a 2 3a
1 a 6 5 a 5 5 a 4 4 a 3 3a 2
z 3 2
1 a 1 a 3 3a 2 a 3 2a 2 a 1
a 3a a 3 3a 2
1 1 a 4 3a 3
EJ E M P L O 4.2.11
Utilizando el método de Cramer, solucionar los siguientes sistemas de ecuaciones
lineales:
x 2 y 3z 4u 5w 13 x 2 y 3z 4u w 1
°2 x y 2 z 3u 4w 10 ° 2 x y 3z 4u 2w 8
°° °°
a.- ® 2 x 2 y z 2u 3w 11 ; b.- ® 3x y z 2u w 3 .
° 2 x 2 y 2 z u 2w 6 °4 x 3 y 4 z 2u 2 w 2
° °
°̄ 2 x 2 y 2 z 2u w 3 °̄ x y z 2u 3w 3
SO L U C I O N
a.- Calculamos los determinantes correspondientes:
13 2 3 4 5 1 13 3 4 5
10 1 2 3 4 2 10 2 3 4
' x 11 2 1 2 3 0 , ' y 2 11 1 2 3 62 ,
6 2 2 1 2 2 6 2 1 2
3 2 2 2 1 2 3 2 2 1
1 2 13 4 5 1 2 3 13 5
2 1 10 3 4 2 1 2 10 4
'z 2 2 11 2 3 62 , 'u 2 2 1 11 3 0,
2 2 6 1 2 2 2 2 6 2
2 2 3 2 1 2 2 2 3 1
1 2 3 4 13 1 2 3 4 5
2 1 2 3 10 2 1 2 3 4
'w 2 2 1 2 11 93 , ' 2 2 1 2 3 31 .
2 2 2 1 6 2 2 2 1 2
2 2 2 2 3 2 2 2 2 1
A continuación reemplazamos en cada una de las variables, y obtenemos la solución
general:
'x 0 ' y 62 ' z 62 'u 0
x 0, y 2, z 1 , u 0,
' 31 ' 31 ' 31 ' 31

' w 93
w 3.
' 31
b.- Calculamos los determinantes correspondientes:
1 2 3 4 1 1 1 3 4 1
8 1 3 4 2 2 8 3 4 2
'x 3 1 1 2 1 96 , ' y 3 3 1 2 1 0,
2 3 4 2 2 4 2 4 2 2
3 1 1 2 3 1 3 1 2 3
1 2 1 4 1 1 2 3 1 1
2 1 8 4 2 2 1 3 8 2
'z 3 1 3 2 1 96 , 'u 3 1 1 3 1 96 ,
4 3 2 2 2 4 3 4 2 2
1 1 3 2 3 1 1 1 3 3
1 2 3 4 1 1 2 3 4 1
2 1 3 4 8 2 1 3 4 2
'w 3 1 1 2 3 48 , ' 3 1 1 2 1 48 .
4 3 4 2 2 4 3 4 2 2
1 1 1 2 3 1 1 1 2 3
A continuación reemplazamos en cada una de las variables, y obtenemos la solución
general:
' x 96 'y 0 ' z 96 'u 96
x 2, y 0, z 2 , u 2 ,
' 48 ' 48 ' 48 ' 48
' w 48
w 1.
' 48
EJ E M P L O 4.2.12
Analizar según los parámetros dados y solucionar los siguientes sistemas de
(5a 1) x 2 ay (4 a 1) z 1 a ax ay ( a 1) z a
° °
a.- ® (4 a 1) x ( a 1) y (4 a 1) z 1 ; b.- ® ax ay ( a 1) z a .
°2(3a 1) x 2 ay (5a 2) z 2 a °( a 1) x ay (2 a 3) z 1
¯ ¯
SO L U C I O N
a.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
5a 1 2a 4a 1
4a 1 a 1 4a 1 a 3 a
2(3a 1) 2 a 5a 2
Para que el sistema de ecuaciones lineales tenga solución única, el determinante de la
matriz de coeficientes debe ser diferente de cero:
az0
°
a3 ± a z 0 a(a2 ± 1) z 0 a(a ± 1)(a + 1) z 0 ® a z 1
° a z 1
¯
por lo tanto a \ {-1, 0, 1}. Cuando a = -1:
§ 1 1 1 1 · §1 1 3 1·
¨ ¸ ¨ ¸
¨ a c c d ¸ | ¨ 0 0 2 2 ¸
¨ 2 2 2 2¸ ¨1 1 4 1¸
©a c c d ¹ © ¹

podemos observar que el Rang(A) = 2 y el Rang(A» B) = 3. Por lo tanto, si a = -1, el

sistema es inconsistente.
Cuando a = 0:
§ 1 0 1 1 · §1 1 3 1·
¨ ¸ ¨ ¸
¨ 1 1 1 1¸ | ¨ 0 0 2 2 ¸
¨ 2 0 2 2 ¸ ¨ 0 0 1 0 ¸
© ¹ © ¹
podemos observar que el Rang(A) = 2 y el Rang(A» B) = 2. Por lo tanto, si a = 0, el
sistema es indeterminado.
Cuando a = 1:
§6 2 5 2 · §6 2 5 2· 2( a 1) 3 a
¨ ¸ ¨ ¸ 3 2
¨ 3 0 3 1¸ | ¨ 0 2 1 4 ¸ | 4 a 1 a 1 2 a 1 a 6 a 11a 6
¨ 8 2 7 1 ¸ ¨ 0 2 1 5 ¸ 5 a 4 a 1 3a 4
© ¹ © ¹
podemos observar que el Rang(A) = 2 y el Rang(A» B) = 3. Por lo tanto, si a = 1, el
sistema es inconsistente.
Para solucionar el sistema de ecuaciones lineales, debemos encontrar la inversa de la
matriz de coeficientes y luego multiplicamos el sistema A X = B a la izquierda por
A -1, para obtener el vector solución X = A -1 B:
§ 3a 2 a 2 4a 2 a 1 · § 5a 7 a 2 ·
¨ 2 ¸ ¨ ¸
¨ a ( a 1) a ( a 1) ¸ ¨ a2 1 ¸
§1 a · ¨
1 ¨ 1 4a 4a 1 ¸ ¨ ¸ 8a 2 7 a ¸
X ¨ 1 ¸ ¨ 1 ¸ ¨ ¸.
1 a ¨ a 1 a 1 2
¸ ¨ 2 a ¸ ¨ a 1 ¸
¨ 2a 2 2a 2 © ¹ ¨ 2 ¸
3a 2 2 a 1 ¸ ¨ 5a 2 a 1 ¸
¨ 2 ¸
¨ a ( a 1) a ( a 1) ¹¸ ¨ a2 1 ¸
© © ¹
b.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
a a a 1
a a a 1 2 a
a 1 a 2a 3
matriz de coeficientes debe ser diferente de cero: - 2a z 0 a z 0 por lo tanto
a \ {0}.
Cuando a = 0:
§0 0 1 0· §0 0 1 0·
¨ ¸ ¨ ¸
¨ 0 0 1 0 ¸ | ¨ 0 0 0 0 ¸
¨1 0 3 1¸ ¨1 0 3 1¸
© ¹ © ¹
podemos observar que el Rang(A) = 2 y el Rang(A» B) = 2. Por lo tanto, cuando
a = 0, el sistema es indeterminado.
§ a4 a2 ·
¨ 2 2
1¸
¨ ¸ § a · §1 a ·
¨ a 2 3a 1 a2 a 1 ¸¨ ¸ ¨ ¸
X ¨ 1¸ ¨ a ¸ ¨ a ¸ .
¨ 2a 2a ¸ ¨1¸ ¨ 0 ¸
¨ 1 1 ¸© ¹ © ¹
¨ 0¸
© 2 2 ¹

EJ E M P L O 4.2.13
ax (2 a 1) y ( a 2) z 1
°
a.- ® ( a 1) y ( a 3) z 1 a ;
° ax (3a 2) y (3a 1) z 2 a
¯
2( a 1) x 3 y az a 4
°
b.- ®(4 a 1) x ( a 1) y (2 a 1) z 2 a 2 .
° (5a 4) x ( a 1) y (3a 4) z a 1
¯
SO L U C I O N
sistema:
a 2a 1 a 2
0 a 1 a 3 a 3 a 2 2a
a 3a 2 3a 1
az0
°
a3 + a2 ± 2a z 0 a(a2 + a ± 2) z 0 a(a ± 1)(a + 2) z 0 ® a z 1
° a z 2
¯
por lo tanto a \ {-2, 0, 1}. Cuando a = -2:
§ 2 5 0 0 · § 2 5 0 0 · § 2 5 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 3 5 1¸ | ¨ 0 3 5 1 ¸ | ¨ 0 3 5 1 ¸
¨ 2 8 5 4 ¸ ¨ 0 3 5 4 ¸ ¨ 0 0 0 5 ¸
© ¹ © ¹ © ¹
a = -2, el sistema es inconsistente. Cuando a = 0:
§ 1 1 1 1 · § 0 1 2 1 · § 0 1 2 1 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ a c c d ¸ | ¨0 0 5 0¸ | ¨0 0 5 0¸
¨ 2 2 2 2¸ ¨0 0 3 0¸ ¨0 0 0 0¸
©a c c d ¹ © ¹ © ¹
a = 0, el sistema es indeterminado. Cuando a = 1:
§1 1 3 1· §1 1 3 1· §1 1 3 1·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 0 2 2 ¸ | ¨ 0 0 2 2 ¸ | ¨ 0 0 2 2 ¸
¨ 1 1 4 1 ¸ ¨ 0 0 1 0 ¸ ¨ 0 0 0 2 ¸¹
© ¹ © ¹ ©
a = 1, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
debemos encontrar la inversa de la matriz de coeficientes y luego multiplicamos el
sistema A X = B a la izquierda por A -1, para obtener el vector solución X = A -1 B:
§ 9a 7 3a 2 5 a 3 a 2 8a 5 · § 4 a 2 12 a 10 ·
¨ ¸ ¨ ¸
¨ a ( a 1)( a 2) a (1 a )( a 2) a ( a 1)( a 2) ¸ § 1 · ¨ (1 a )( a 2) ¸
¨ a 3 2a 1 a 3 ¸¨ ¨ 3a 2 3a 2 ¸
¸
X ¨ ¸ ¨1 a ¸ ¨ ¸.
¨ ( a 1)( a 2) ( a 1)( a 2) (1 a )( a 2) ¸ ¨ ¸ ¨ (1 a )( a 2) ¸
¨ 1 1 1 ¸ ©2 a¹ ¨ 2a
¸
¨ ¸ ¨ ¸
¨ a2 a2 a2 ¸ ¨ a2 ¸
© ¹ © ¹
sistema:

2( a 1) 3 a
4 a 1 a 1 2 a 1 a 3 6 a 2 11a 6
5 a 4 a 1 3a 4
a z1
°
a3 - 6a2 + 11a - 6 z 0 (a ± 1)(a ± 2)(a - 3) z 0 ® a z 2
°a z 3
¯
por lo tanto a \ {1, 2, 3}.
Cuando a = 1:
§4 3 1 5· §4 3 1 5 · §4 3 1 5 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 2 1 4 ¸ | ¨ 0 1 1 1¸ | ¨ 0 1 1 1¸
¨ 1 2 1 0 ¸ ¨ 0 5 5 5 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
a = 1, el sistema es indeterminado.
Cuando a = 2:
§ 6 3 2 6· §6 3 2 6·
¨ ¸ ¨ ¸
¨ 7 3 3 6 ¸ | ¨ 0 3 4 6 ¸
¨ 6 3 2 1¸ ¨0 0 0 5¸
© ¹ © ¹
a = 2, el sistema es inconsistente.
Cuando a = 3:
§ 8 3 3 7· §8 3 3 7 · §8 3 3 7 ·
¨ ¸ ¨ ¸ ¨ ¸
¨11 4 5 8 ¸ | ¨ 0 1 12 13 ¸ | ¨ 0 1 12 13 ¸
¨11 4 5 2 ¸ ¨ 0 1 12 61¸¹ ¨© 0 0 0 48 ¸¹
© ¹ ©
a = 3, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
§ a 1 a 6 a 2 5a 3 · § 2 a 2 4 a 15 ·
¨ ¸ ¨ ¸
¨ ( a 1)( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3) ¸ a 4 ¨ ( a 2)( a 3) ¸
¨ 2a a4 3a 2 ¸ §¨ · ¨
a 18 ¸
X ¨ ¸ ¨ 2 a 2 ¸¸ ¨ ¸
¨ (1 a )( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3) ¸ ¨ ¸ ¨ ( a 2)( a 3) ¸
¨ ¸ © a 1 ¹ ¨ 2 ¸
¨ a 1 2a 7 2 a 2 8a 5 ¸ ¨ 3a 3a 21 ¸
¨ (1 a )( a 2) (1 a )( a 3) ( a 1)( a 2)( a 3) ¸ ¨ (2 a )( a 3) ¸
© ¹ © ¹
EJ E M P L O 4.2.14
x ay a 2 z a 3 x yz 1
°° 2 3 °
a.- ® x by b z b ; b.- ® ax by cz d .
° 2 3 ° 2 2 2 2
°̄ x cy c z c ¯a x b y c z d
SO L U C I O N
sistema:

1 a a2
1 b b2 ( a b)( a c )( c b)
2
1 c c
b z a
°
(a ± b)(a ± c)(c - b) z 0 ® c z a a z b z c
°b z c
¯
Cuando a = b:
§ 1 b b 2 b3 · § 1 b b 2 b3 ·
¨ ¸ ¨ ¸
¨1 b b b ¸ | ¨ 0 0 0
2 3
0 ¸
¨ ¸ ¨
¨1 c c 2 c 3 ¸ ¨© 1 0 bc bc (b c ) ¸¹
© ¹
a = b, el sistema es indeterminado.
Cuando a = c:
§1 c c 2 c 3 · § 1 c c 2 c3 ·
¨ ¸ ¨ ¸
¨1 b b 2 b3 ¸ | ¨ 1 0 bc bc (b c ) ¸
¨ ¸ ¨ ¸
¨1 c c 2 c 3 ¸ ¨© 0 0 0 0 ¹
© ¹
a = c, el sistema es indeterminado.
Cuando b = c:
§1 a a 2 a 3 · § 1 0 ac ac ( a c ) ·
¨ ¸ ¨ ¸
¨1 c c 2 c 3 ¸ | ¨ 1 c c 2 c3 ¸
¨ ¸ ¨ ¸
¨1 c c 2 c 3 ¸ ¨© 0 0 0 0 ¹
© ¹
b = c, el sistema es indeterminado.
§ bc ac ab ·
¨ ¸
¨ ( a b )( a c ) ( a b )( c b ) ( a c )(b c ) ¸ § a3 · § abc ·
¨ bc ac a b ¸¨ 3¸ ¨ ¸
X ¨ ¸ b¨ ¸ ¨ ab ac bc ¸ .
¨ ( a b )( c a ) ( a b )(b c ) ( a c )( c b ) ¸ ¨¨ 3 ¸¸ ¨ a b c ¸
¨ 1 1 1 ¸©c ¹ © ¹
¨ ¸
© ( a b)( a c ) ( a b)( c b) ( a c )(b c ) ¹
sistema:
1 1 1
a b c ( a b)( a c )(c b)
a 2 b2 c 2

b z a
°
(a ± b)(a ± c)(c - b) z 0 ® c z a a z b z c.
°b z c
¯
Cuando a = b:
§ 1 1 1 1 · §1 1 1 1 · §1 1 1 1 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ b b c d |
¸ ¨ 0 0 b c b d |
¸ ¨ 0 0 b c b d ¸
¨ 2 2 2 2¸ ¨ 2 2 2 2¸ ¨0 0 0 ( c d )( b d ) ¸
©b b c d ¹ ©0 0 b c b d ¹ © ¹
a = b, el sistema es inconsistente.
Cuando a = c:
§ 1 1 1 1 · §1 1 1 1 · §1 1 1 1 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ c b c d ¸ | ¨0 c b 0 c d ¸ | ¨0 c b 0 cd ¸
¨ 2 2 2 2¸ ¨ 2 2 2 2¸ ¨0 0 0 (b d )( c d ) ¸
© c b c d ¹ © 0 c b 0 c d ¹ © ¹
a = c, el sistema es inconsistente.
Cuando b = c:
§ 1 1 1 1 · §1 1 1 1 ·
¨ ¸ ¨ ¸
¨ a c c d ¸ ¨| 0 a c a c a d ¸
¨ 2 2 2 2¸ ¨ 2 2 ¸
© a c c d ¹ ©0 a c a2 c2 a2 d 2 ¹
§1 1 1 1 ·
¨ ¸
¨0 a c a c ad ¸
¨0
© 0 0 ( c d )( a d ) ¸¹
b = c, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
§ bc bc 1 · § (b d )(c d ) ·
¨ ¸ ¨ ¸
¨ ( a b)( a c ) ( a b)( c a ) ( a b)( a c ) ¸ § 1 · ¨ ( a b)( a c ) ¸
¨ ac ac 1 ¸ ¨ ¸ ¨ ( a d )(d c ) ¸
X ¨ ¸¨ d ¸ ¨ ¸.
¨ ( a b)( c b) ( a b)(b c ) ( a b)( c b) ¸ ¨ 2 ¸ ¨ ( a b)(b c ) ¸
¨ ab a b 1 ¸ © d ¹ ¨ ( a d )(b d ) ¸
¨ ¸ ¨ ¸
© ( a c )(b c ) ( a c )( c b) ( a c )(b c ) ¹ © ( a c )(b c ) ¹
I V. M E T O D O D E C H O L ESK Y
Si una matriz A de n x n y todas sus submatrices cuadradas principales son no

singulares, entonces A = L U donde L y U son las matrices triangulares inferior y
superior respectivamente. L y U son esencialmente únicas y se especifican los
elementos diagonales de L o bien, de U, son únicas. El punto es que pueden
obtenerse L y U sin resolver ecuaciones simultáneas. Para resolver un sistema A X =
B de n ecuaciones en n incógnitas, ahora puede introducirse A = L U, teniendo L U X
= B, y premultiplicando por L -1. Esto da U X = C donde C = L -1 B, y se ve que ésta es
la forma triangular del sistema. Primero se determina C a partir de L C = B y, a
continuación, se resuelve U X = C para X.
Los métodos numéricos se usan principalmente en aquellos problemas para los que
se sabe que la convergencia es rápida, de modo que se obtiene la solución con mucho
menos trabajo que con un método directo, y para sistemas de orden grande pero con

muchos coeficientes cero, para los cuales los métodos de eliminación serían
relativamente laboriosos y necesitarían mucha memoria en un computador. Los
métodos de cálculo numérico tienen un gran interés en ciertas aplicaciones de las
Matemáticas a la resolución de problemas en variadas áreas de la ingeniería, y entre
aquellos métodos destacan los que hacen referencia a la resolución de sistemas de
ecuaciones lineales.
EJ E M P L O 4.2.15
Resuelva el siguiente sistema de ecuaciones lineales
x 2 y 3z 14
°
®2 x 3 y 4 z 20 .
° 3x 4 y z 14
¯
SO L U C I O N
La matriz A de coeficientes del sistema es simétrica. Esto implica que L = U T y
pueden determinarse los elementos de U a partir de
§ 1 2 3 · § a11 0 0 ·§ a11 a12 a13 ·
¨ ¸ ¨ ¸¨ ¸
¨ 2 3 4 a
¸ ¨ 12 a 22 0 ¸¨ 0 a22 a23 ¸
¨3 4 1¸ ¨ a ¸¨ a33 ¸¹
© ¹ © 13 a23 a33 ¹© 0 0
multiplicando e igualando los elementos correspondientes. Sucesivamente se obtiene
§ 1 2 3 · §¨ a11 ·
2
a11 a12 a11 a13
¨ ¸ ¸
2 2
¨ 2 3 4 ¸ ¨ a11 a12 a12 a22 a12 a13 a22 a23 ¸
¨ 3 4 1 ¸ ¨¨ 2 2 2 ¸¸
© ¹ © a11 a13 a12 a13 a22 a23 a13 a23 a33 ¹
2
a11 1, a11 a12 2, a11 a13 3 a11 1, a12 2
°
° 2 2 °
® a11 a12 2, a12 a22 3, a12 a13 a22 a23 4 ® a13 3, a22 i .
° °a
¯ 23 2i , a33 2i
2 2 2
°̄ a11 a13 3, a12 a13 a22 a23 4, a13 a 23 a33 1
De aquí que L C = B tiene la forma
§ 1 0 0 · § c1 · § 14 · § c1 · §14 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 2 i 0 ¸ ¨ c2 ¸ ¨ 20 ¸ ¨ c2 ¸ ¨ 8i ¸
¨ 3 2i 2i ¸ ¨ c ¸ ¨ 14 ¸ ¨ c ¸ ¨ 6i ¸
© ¹© 3 ¹ © ¹ © 3¹ © ¹
Ahora se resuelve
§ 1 2 3 · § x1 · §14 · § x1 · §1·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 0 i 2i ¸ ¨ x2 ¸ 8
¨ ¸i ¨ x2 ¸ ¨ 2¸ .
¨ 0 0 2i ¸ ¨ x ¸ ¨ 6i ¸ ¨x ¸ ¨ 3¸
© ¹© 3 ¹ © ¹ © 3¹ © ¹
V. M E T O D O D E G A USS - SE I D E L
Sea A X = B un sistema de ecuaciones lineales dado n ecuaciones. Sean X 0, X 1, ... la

sucesión iterativa de las aproximaciones sucesivas de Gauss ± Seidel,
correspondientes a una aproximación inicial X 0. Se dice que el método converge para
un X 0, si la sucesión iterativa correspondiente converge a una solución del sistema de
ecuaciones dado.
Sin pérdida de generalidad, puede suponerse a ij = 1 para j = 1, 2, ..., n, debido a que

puede lograrse esta forma de A, rearreglando las ecuaciones de modo que no se anule
coeficiente diagonal alguno y, a continuación, dividiendo cada ecuación por el
coeficiente diagonal que corresponda. Entonces puede escribirse A = I + L´ + U´,
donde I es la matriz identidad de n filas y L´ y U´ son, respectivamente, matrices
triangulares inferior y superior con diagonales principales nulas.

Sustituyendo esta forma de A en A X = B, se tiene (I + L´ + U´)X = B. Se

acostumbra hacer L´ = - L y U´ = -U; entonces (I ± L ± U)X = B, de donde de hecho,
U es triangular superior y sus elementos (I ± L)X = B + U X. De esto se obtiene la
fórmula de Gauss ± Seidel
(I ± L)X m+1 = B + U X m m = 0, 1, ... (1)
diferentes de cero corresponden a esas posiciones en las que todavía tienen que
usarse las aproximaciones antiguas porque las nuevas correspondientes todavía no
están disponibles. En contraste, L es triangular inferior y sus elementos diferentes de
cero corresponden a aquellas posiciones en las que los elementos de la nueva
aproximación X m+1 ya se tienen disponibles. Resolviendo (1) para X m+1, se tiene
X m+1 = (I ± L)-1 B + C X m (2)
-1
donde C = (I ± L) U. La iteración de Gauss ± Seidel es un método de correcciones
sucesivas porque se reemplazan las aproximaciones por unas nuevas
correspondientes, tan pronto como éstas se han calculado. Este método recibe el
nombre de método de correcciones simultáneas si no se usa elemento alguno de una
aproximación X m+1 hasta que se han calculado todos los elementos X m+1.
EJ E M P L O 4.2.16
Utilizando el método de Gauss-Seidel y cuatro cifras significativas, solucionar los
siguientes sistemas de ecuaciones lineales:
w 0.25 x 0.25 y 0.50 4.1x 0.1y 0.2 z 0.2u 21.14
° 0.25w x 0.25 z 0.50 °0.3x 5.3 y 0.9 z 0.1u 17.82
° °
a.- ® ; b.- ® .
° 0.25 w y 0.25 z 0.25 ° 0.2 x 0.3 y 3.2 z 0.2u 9.02
°¯ 0.25 x 0.25 y z 0.25 °¯ 0.1x 0.1y 0.2 z 9.1u 17.08
SO L U C I O N
a.- Se escribe el sistema en la forma
w 0.25 x 0.25 y 0.50
° x 0.25w 0.25 z 0.50
°
® (1)
° y 0.25w 0.25 z 0.25
°¯ z 0.25 x 0.25 y 0.25
y se usan estas ecuaciones para la iteración; es decir, se parte de una aproximación a
la solución, digamos w0 = 1, x0 = 1, y0 = 1, z0 = 1 y calculamos una aproximación
presumiblemente mejor
w1 0.25 x0 0.25 y0 0.50 w1 0.25 0.25 0.50 1.0000
° x 0.25w 0.25 z 0.50 ° x1 0.25 0.25 0.50 1.0000
° 1 1 0 °
® ® (2)
° y1 0.25w1 0.25 z0 0.25 ° y1 0.25 0.25 0.25 0.7500
°¯ z1 0.25 x1 0.25 y1 0.25 °¯ z1 0.25 (0.25)(0.7500) 0.25 0.6875
Se ve que estas ecuaciones se obtienen de las (1), sustituyendo a la derecha las
aproximaciones más recientes. En efecto, elementos correspondientes reemplazan a
los previos tan pronto como se han calculado, de modo que en la segunda y tercera
ecuaciones se usa w1 y en la última ecuación de (2) se usa x1 y y1. El siguiente paso
da
w2 0.25 x1 0.25 y1 0.50
° x 0.25w 0.25 z 0.50
° 2 2 1
®
° 2y 0.25 w2 0.25 z1 0.25
°¯ z2 0.25 x2 0.25 y2 0.25
w2 0.25 (0.25)(0.75) 0.50 0.9375

°x (0.25)(0.9375) (0.25)(0.6875) 0.50 0.9062
° 2
® (3)
° y2 (0.25)(0.9375) (0.25)(0.6875) 0.25 0.6563
°¯ z2 (0.25)(0.9062) (0.25)(0.6562) 0.25 0.6405

w3 0.25 x2 0.25 y2 0.50

° x 0.25w 0.25 z 0.50
° 3 3 2
®
° 3y 0.25 w3 0.25 z 2 0.25
°¯ z3 0.25 x3 0.25 y3 0.25
w3 (0.25)(0.9062) (0.25)(0.6563) 0.50 0.8906

°x (0.25)(0.8906) (0.25)(0.6405) 0.50 0.8827
° 3
® (4)
° y3 (0.25)(0.8906) (0.25)(0.6405) 0.25 0.6327
°¯ z3 (0.25)(0.8827) (0.25)(0.6327) 0.25 0.6288
w4 0.25 x3 0.25 y3 0.50
° x 0.25w 0.25 z 0.50
° 4 4 3
®
° y 4 0.25 w4 0.25 z3 0.25
°¯ z4 0.25 x4 0.25 y4 0.25
w4 (0.25)(0.8827) (0.25)(0.6327) 0.50 0.8788
°x (0.25)(0.8788) (0.25)(0.6288) 0.50 0.8768
° 4
® (5)
° y4 (0.25)(0.8788) (0.25)(0.6288) 0.25 0.6268
°¯ z4 (0.25)(0.8788) (0.25)(0.6268) 0.25 0.6263
w5 0.25 x4 0.25 y4 0.50
° x 0.25w 0.25 z 0.50
° 5 5 4
®
° 5y 0.25 w5 0.25 z 4 0.25
°¯ z5 0.25 x5 0.25 y5 0.25
w5 (0.25)(0.8768) (0.25)(0.6268) 0.50 0.8758

°x (0.25)(0.8758) (0.25)(0.6263) 0.50 0.8755
° 5
® (6)
° y5 (0.25)(0.8758) (0.25)(0.6263) 0.25 0.6255
°¯ z5 (0.25)(0.8755) (0.25)(0.6255) 0.25 0.6252
w6 0.25 x5 0.25 y5 0.50
° x 0.25w 0.25 z 0.50
° 6 6 5
®
° y6 0.25 w 6 0.25 z5 0.25
°¯ z6 0.25 x6 0.25 y6 0.25
w6 (0.25)(0.8755) (0.25)(0.6255) 0.50 0.8752

°x (0.25)(0.8752) (0.25)(0.6252) 0.50 0.8751
° 6
® (7)
° y6 (0.25)(0.8752) (0.25)(0.6252) 0.25 0.6251
°¯ z6 (0.25)(0.8751) (0.25)(0.6251) 0.25 0.6250
w7 0.25 x6 0.25 y6 0.50
° x 0.25w 0.25 z 0.50
° 7 7 6
®
° 7y 0.25 w7 0.25 z 6 0.25
°¯ z7 0.25 x7 0.25 y7 0.25
w7 (0.25)(0.8751) (0.25)(0.6251) 0.50 0.8750

°x (0.25)(0.8750) (0.25)(0.6250) 0.50 0.8750
° 7
® (8)
° y7 (0.25)(0.8750) (0.25)(0.6250) 0.25 0.6250
°¯ z7 (0.25)(0.8750) (0.25)(0.6250) 0.25 0.6250
Ubicando todos los resultados en una tabla, obtenemos:

r 0 1 2 3 4 5 6 7
x 1.0000 1.0000 0.9062 0.8827 0.8768 0.8758 0.8751 0.8750
y 1.0000 0.7500 0.6563 0.6327 0.6268 0.8755 0.6251 0.6250
z 1.0000 0.6875 0.6405 0.6288 0.6263 0.6255 0.6250 0.6250
w 1.0000 1.0000 0.9375 0.8906 0.8788 0.8758 0.8752 0.8750
La solución exacta es w = x = 0.875, y = z = 0.625.

b.- El sistema de ecuaciones se escribe en la forma:
0.1y 0.2 z 0.2u 21.14
°x 4.1
°
°y 0.3 x 0.9 z 0.1u 17.82
° 5.3
®
°z 0.2 x 0.3 y 0.2u 9.02
° 3.2
° 0.1x 0.1 y 0.2 z 17.08
°u
°̄ 9.1
Comenzando el proceso y ubicando todos los resultados en una tabla, obtenemos:
r 0 1 2 3 4 5
x 1.0000 5.0340 5.2000 5.1990 5.2000 5.2000
y 1.0000 -3.7980 -4.1650 -4.1990 -4.2000 -4.2000
z 1.0000 2.7970 2.9960 3.0000 3.0000 3.0000
u 1.0000 -1.8010 -1.7990 -1.8000 -1.8000 -1.8000
De aquí concluimos que la solución exacta es: x = 5.2, y = -4.2, z = 3, u = -1.8
EJ E M P L O 4.2.17
Aplicar la iteración de Gauss ± Seidel a los sistemas siguientes, partiendo de 1, 1, 1.
10 x y z 13 4 x 2 y z 14
° °
a.- ® x 10 y z 36 ; b.- ® x 5 y z 10 .
° x y 10 z 35 ° x y 8 z 20
¯ ¯
SO L U C I O N
a.- El sistema de ecuaciones se escribe en la forma:
y z 13
° x 10
°
° x z 36
®y
° 10
° x y 35
°z 10
¯
r 0 1 2 3 4
x 1.0000 1.5000 2.0330 2.0000 2.0000
y 1.0000 3.3500 2.9980 2.9990 3.0000
z 1.0000 3.9850 4.0030 4.0000 4.0000
De aquí concluimos que la solución exacta es: x = 2, y = 3, z = 4.

b.- El sistema de ecuaciones se escribe en la forma:

2 y z 14
°x 4
°
° x z 10
®y
° 5
° x y 20
°z
¯ 8
r 0 1 2 3 4 5 6
x 1.0000 2.7500 2.1870 2.0280 2.0050 2.0010 2.0000
y 1.0000 1.6500 1.9520 1.9900 1.9980 1.9990 2.0000
z 1.0000 1.9500 1.9820 1.9970 1.9990 2.0000 2.0000
De aquí concluimos que la solución exacta es: x = 2, y = 2, z = 2.
V I. M E T O D O D E J A C O BI
Una técnica iterativa para resolver el sistema de ecuaciones lineales A X = B,

comenzando con la aproximación inicial x(0) a la solución x, consiste en generar una
sucesión de aproximaciones x(0), x(1), ..., x(n) que convergerán a la solución x, donde
n
bi ¦ ai j x(0)
j
bi ai 1 x1(0) ... ai i 1 xi(0) (0) (0)
j 1, j z i 1 ai i 1 xi 1 ... ai n xn
xi(1)
ai i ai i
n
bi ¦ ai j x (1)
j
bi ai 1 x1(2) ... ai i 1 xi(2) (2) (2)
j 1, j z i 1 ai i 1 xi 1 ... ai n xn
xi(2)
ai i ai i
n
bi ¦ ai j x (j r )
j 1, j z i
xi( r 1) , r = 0, 1, 2, ...
ai i
expresión que se denomina fórmula de iteración de Jacobi. Matricialmente este
método es similar a la iteración de Gauss ± Seidel, pero que consiste en no usar
valores mejorados hasta que se ha completado el paso y a continuación, reemplazar
completamente X m por X m+1 para el ciclo siguiente.
De aquí que si se escribe A X = B en la forma X = B + (I ± A)X, la iteración de

Jacobi en notación matricial es X m+1 = B + (I ± A)X n. Este método tiene un gran
interés teórico. Converge para toda elección de X 0 si, y sólo si, el radio espectral de
I ± A es menor que 1; aquí nuevamente se supone a ij = 1 para j = 1, 2, ...
EJ E M P L O 4.2.18
Resuelva el siguiente sistema:
7x y 4z 8
°
®3x 8 y 2 z 4
° 4x y 6z 3
¯
Realizar los cálculos con tres decimales redondeados.
SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condición suficiente para que el proceso iterativo sea
convergente
| 7 | > | -1 | + | 4 |, | -8 | > | 3 | + | 2 | y | -6 | > | -4 | + | 1 |

Luego, efectivamente, cumple la condición suficiente de convergencia. Las fórmulas

de iteración de Jacobi para este sistema serán:
( r 1) 1
° x1 (8 x2( r ) 4 x3( r ) )
7
°
° ( r 1) 1
® x2 (4 3 x1( r ) 2 x3( r ) )
° 8
° ( r 1) 1
° x3 (3 4 x1( r ) x2( r ) )
¯ 6
Comencemos con la aproximación inicial x1(0) x2(0) x3(0) 0 . Entonces, la primera
iteración resulta
(1) 8
° x1 7
1,143
°
° (1) 4
® x2 0,5
° 8
° (1) 3
° x3
6
0,5
¯
y la segunda
1
° x1(2) (8 0,5 2) 1,5
7
°
° (2) 1
® x2 (4 3, 429 1) 0,804
° 8
° (2) 1
° x3 (3 4,572 0,5) 1,179
6
¯
Así sucesivamente hasta que se cumpla la condición de paro establecida. En la
siguiente tabla se muestran las iteraciones necesarias, que resultan ser diez.
r 0 1 2 3 4 5 6 7 8 9 10
x1 0.000 1,143 1,500 1,931 2,033 2,217 2,240 2,322 2,322 2,359 2,354
x2 0.000 0,500 0,804 0,768 0,883 0,848 0,904 0,881 0,910 0,895 0,911
x3 0.000 -0,500 -1,179 -1,366 -1,659 -1,708 -1,837 -1,843 -1,901 -1,896 -1,923
EJ E M P L O 4.2.19
Partiendo de 0, 0, 0, demuestre que la iteración de Gauss ± Seidel converge para el
sistema siguiente
2 x y z 4
°
®x 2 y z 4
°x y 2z 4
¯
mientras que la iteración de Jacobi diverge.
SO L U C I O N
Aplicando el método de Gauss ± Seidel, el sistema de ecuaciones se escribe en la
forma:
2 y z 14
°x 4
°
° x z 10
®y
° 5
° x y 20
°z
¯ 8

r 0 1 2 3 4 5 6 7 8
x 0.0000 2.0000 1.2500 1.0310 0.9882 0.9888 0.9950 0.9984 1.0000
y 0.0000 1.0000 1.1250 1.0780 1.0330 1.0100 1.0020 1.0000 1.0000
z 0.0000 0.5000 0.8125 0.9455 0.9893 1.0000 1.0010 1.0000 1.0000
de aquí concluimos que la solución exacta es: x = 1, y = 1, z = 1

Para Aplicar el método de Jacobi, analicemos previamente si la matriz de
coeficientes es estrictamente diagonal dominante, ya que es condición suficiente para
que el proceso iterativo sea convergente | 2 | > | 1 | + | 1 |, | 2 | > | 1 | + | 1 | y | 2 | > | 1 |
+ | 1 |. Podemos darnos cuenta que no se cumple la condición de Jacobi, por lo tanto
este método diverge.
EJ E M P L O 4.2.20
Resulta evidente pensar que la iteración de Gauss ± Seidel es mejor que la iteración
de Jacobi. En realidad, los métodos no son comparables. Ilustrar este hecho,
demostrando que para el sistema
xz 2
°
® x y 0
° x 2 y 3z 0
¯
la iteración de Jacobi converge, mientras que la iteración de Gauss ± Seidel diverge.
SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condición suficiente para que el proceso iterativo sea
convergente | 1 | > | 1 |, | 1 | > | 1 | y | -3 | > | 1 | + | 2 |. Podemos darnos cuenta que no
se cumple la condición de Jacobi. Las fórmulas de iteración de Jacobi para este
sistema serán:

° x ( r 1) 2 z ( r )
°
® y ( r 1) x ( r )
° 1 (r)
° z ( r 1) ( x 2 y( r ) )
¯ 3
Comencemos con la aproximación inicial
x(0) y(0) z (0) 0
En la siguiente tabla se muestran las iteraciones necesarias:
r 0 1 2 3 4 5 6 7 8 9 10
x 0.0000 2.0000 2.0000 1.3330 0.0000 0.2229 1.1110 1.9250 1.4810 0.6180 0.2229
y 0.0000 0.0000 2.0000 2.0000 1.3330 0.0000 0.2229 1.1110 1.9250 1.4810 0.6180
z 0.0000 0.0000 0.6666 2.0000 1.7770 0.8886 0.0743 0.5189 1.3820 1.7770 1.1930
11 12 13 14 15 16 17 18 19 20 21 22
0.8070 1.5130 1.5820 0.9580 0.4640 0.6260 1.2060 0.7940 1.1800 0.9320 1.0770 0.9030
0.2229 0.8070 1.5130 1.5820 0.9580 0.4640 0.6260 1.2060 0.7940 1.1800 0.9320 1.0770
0.4862 0.4176 1.0420 1.5360 1.3740 0.7933 0.5180 0.8193 1.0680 0.9226 1.0970 0.9803
23 24 25 26 27 28
1.0190 0.9809 1.0580 0.9940 0.9940 0.9640
0.9030 1.0190 0.9809 1.0580 0.994 0.994
1.0190 0.9416 1.0060 1.0060 1.0360 0.9940
de aquí concluimos que la solución exacta es:

x = 1, y = 1, z = 1

Aplicando el método de Gauss ± Seidel, el sistema de ecuaciones se escribe en la

forma:

° x z 2
°
® y x
° x 2y
°z
¯ 3
r 0 1 2 3 4 ...
x 0 2 0 2 0 ...
y 0 2 0 2 0 ...
z 0 2 0 2 0 ...
De aquí concluimos que este método diverge.
PR O B L E M AS
4.2.1 ¿Cuál es la condición para que tres puntos P(a, b), 4.2.6 Hallar la ecuación de la recta que pasa por los
Q (c, d), R(e, f) estén situados en una recta? puntos P(a, b), Q (c, d).
4.2.2 Una compañía minera trabaja en tres minas, cada 4.4.7 Un espía sabe que en un aeropuerto hay
una de las cuales produce minerales de tres clases. La es2acionados 60 aviones entre cazas y bombarderos. El
primera mina puede producir 4 Tm del mineral A, 3 Tm agente conoce además que en el aeropuerto se han
del B y 5 Tm del C; la segunda mina puede producir 1 Tm introducido 200 cohetes para equipar a estos 60 aviones,
de cada uno de los minerales y, la tercera mina, 2 Tm del de manera que cada caza lleva 6 de dichos cohetes y cada
A, 4 Tm del B y 3 Tm del C, por cada hora de bombardero 2. ¿Cuál es el número de cazas y
funcionamiento. Cuántas horas se debe trabajar en cada bombarderos que hay en el aeropuerto?
mina para satisfacer los tres pedidos siguientes:
A B C 4.2.8 Escribir la ecuación de la circunferencia que pasa
P1 19 25 25 por los puntos
P2 13 16 16 P(2, 1), Q(1, 2), R(0, 1).
P3 8 12 10
4.2.9 ¿Cuál es la condición para que cuatro puntos
4.2.3 Determinar el valor de k, utilizando el método de P(a, b), Q(c, d), R(e, f), S(m, n)
Gauss-Jordan, para que el siguiente sistema no tenga estén situados en una circunferencia?
solución:
4 x 2 y kz 2 4.2.10 Hallar la ecuación de la curva de segundo orden
° que pasa por los puntos
® yz 0 .
° 2x y z 3 P(0, 0), Q(1, 0), R(-1, 0), S(1, 1), T(-1, 1).
¯
4.2.11 Hallar la ecuación de la parábola de tercer grado
4.2.4 Plantear el sistema de ecuaciones lineales que que pasa por los puntos
permite obtener el polinomio de tercer grado que es P(1, 0), Q(0, -1), R(-1, -2), S(2, 7).
divisible por (x ± 3) y (x + 1) y además tiene resto -3 y -15
al dividir respectivamente por (x ± 2) y (x + 2). 4.2.12 Formar la ecuación de la esfera que pasa por los
puntos
4.2.5 Hallar el polinomio f(t) de tercer grado para el cual P(1, 0, 0), Q(1, 1, 0), R(1, 1, 1), S(0, 1, 1).
f(1) = -2, f(2) = -4, f(3) = -2, f(4) = 10.
4.2.13 Una empresa se dedica a la fabricación de cuatro I. Se mezclan los dos tipos de materias primas
tipos de jabón. Desde la compra de materias primas utilizadas, grasa vegetal y sosa cáustica.
hasta la disposición para la distribución se realizan las II. Se introduce la mezcla obtenida en unos moldes
siguientes fases: preparados para el efecto.
III. Los bloques obtenidos en la fase anterior se cortan Los recursos necesarios para producir los cuatro tipos
y troquelan. de jabones, por caja fabricada, vienen dados en la
IV. Las pastillas así obtenidas se envasan en cajas de siguiente tabla:
cartón de doscientas unidades.
Jabón S. mezclado S. moldeado S. troquelado

Kg grasa Kg sosa Hora / máquina Hora / máquina
J1 20 10 10 3
J2 25 15 8 4
J3 40 20 10 7
J4 50 22 15 20
Si se dispone durante una semana de 1970 kg de grasa sección de troquelado, ¿cuántas cajas de jabones de
vegetal, 970 de sosa cáustica, 601 hora/máquina en la cada tipo se pueden producir, utilizando todos los
sección de moldeados y de 504 horas/máquina en la recursos disponibles, en una semana?
4.2.14 Resolver mediante el método de eliminación de Gauss-Jordan los siguientes sistemas de ecuaciones:
x 3y z 1 2x y z 8 4 x 5 y 6 z 3 2 x y 6 z 3
° ° ° °
a.- ® 2 x 2 y z 0 ; b.- ® 5 x 3 y 2 z 3 ; c.- ®8 x 7 y 3 z 9 ; d.- ® x 3 y 2 z 5 ;
°5 x 6 y 3z 2 °7 x y 3z 20 °7 x 8 y 9 z 6 ° x y 4z 1
¯ ¯ ¯ ¯
5 x 3z 4(1 y ) x 5 y 2 z 3 2 x y 3z 1 7 x 4 y 3z 3
° ° ° °
e.- ® 2( z 2 x) 8 y ; f.- ® 2 x 8 y z 1 ; g.- ® x 5 y 2 z 4 ; h.- ® 4 x 3 y z 1 ;
° 2 y 3x 14 z ° 3x 3 y 5 z 5 °3x 5 y 7 z 2 °6 x 7 y 3 z 6
¯ ¯ ¯ ¯
x y 3z 0 2 x y 5 z 2 x 9 y 6z 8 7x 9 y z 0
° ° ° °
i.- ® x 4 y z 1 ; j.- ® x 8 y 6 z 8 ; k.- ® x 5 y 3z 1 ; l.- ®4 x 6 y 3z 1 ;
° x 7 y 3z 2 ° x 3y z 5 ° 5x y z 7 ° x 7 y 5z 2
¯ ¯ ¯ ¯
5x 5 y 9 z 5 7 x 9 y 9 z 0 x 5 y 9z 9 x 9 y 7z 0
° ° ° °
m.- ® 7 x 6 y z 3 ; n.- ® x 12 y 5 z 5 ; o.- ®5 x 3 y 3z 0 ; p.- ® x 8 y 2 z 1 ;
°2 x 7 y 5 z 0 °3x 7 y 6 z 6 ° x y 3z 9 °7 x 7 y 4 z 2
¯ ¯ ¯ ¯
5 x 10 y z 5 7x 9 y z 0 x 9 y 7z 8 2x 3 y 9z 9
° ° ° °
q.- ® x 9 y 3z 1 ; r.- ® x 9 y 7 z 1 ; s.- ® x 7 y 9 z 1 ; t.- ®7 x 7 y 4 z 8;
° 9x 5 y z 5 °2 x 5 y 7 z 2 °x 8 y 2z 7 ° 5 x 8 y 3z 7
¯ ¯ ¯ ¯
5 x 5 y 7 z 7 x 9 y 7z 7 6 x 9 y 3z 3 x 9 y 7z 5
° ° ° °
u.- ®2 x 9 y 2 z 2 ; v.- ® 3x y 9 z 3 ; w.- ®2 x 4 y 8 z 2 ; x.- ® x 7 y 5 z 4 .
°9x 5 y 9z 9 °5 x 7 y 9 z 5 °7 x 9 y 5z 3 ° x 9 y 5z 5
¯ ¯ ¯ ¯
4.2.15 Determine de ser posible los valores de a, para que el sistema de ecuaciones lineales tenga solución única, tenga
más de una solución, no tenga solución y encuentre la solución general del sistema en términos de a :
2 x 3 y az 1 ax 2 ay z 2 x y ( a 1) z 1
° ° °
a.- ® ax y z 1 ; b.- ® x y az a ; c.- ® x ( a 1) y z 1 ;
° x y az 1 ° 2 x y az 1 °( a 1) x y z 1
¯ ¯ ¯
( a 1) x y z 2 a 3 x ay az 1 x ay z 1
° ° °
d.- ® ( a 1) x y z 1 ; e.- ® ax ay z 1 ; f.- ® ax y z a ;
° 2 x 4 y az 2 ° ax y az 1 ° x y az 1
¯ ¯ ¯
x ( a 1) y z 1 ( a 1) x y az 1 x 3ay z 0
° ° °
g.- ® ax y ( a 1) z 1 ; h.- ® x yz a ; i.- ® x 3 y z a ;
° x yz a ° 3x 2 y az 1 ° x yz 1
¯ ¯ ¯

4 x 3 y az a x (2 a 1) y z 1 (2 a 1) x y z 1
° ° °
j.- ® 2 x 3 y 3z 1; k.- ®(2 a 1) x y z 2 ; l.- ® x (2 a 2) y z 1;
° x y az a ° x y (2 a 1) z 3 ° x y (2 a 3) z 1
¯ ¯ ¯
x ay 3z 2 ax y z 1 ( a 1) x y z 1
° ° °
m.- ® x y az 3; n.- ® x a 2 y z 0 ; o.- ®( a 2) x y z 1;
° 2x y z a ° x y az 1 ° ( a 3) x y z 1
¯ ¯ ¯
ax ( a 2) y z 1 x yz 1 3ax 2 y 3z 1
° ° °
p.- ® 2 x ( a 1) y z 1; q.- ®2 x y z 1 ; r.- ® x 2 ay 3z 1 ;
° 3x ( a 1) y z 1 ° ax y z a ° x y 3az 1
¯ ¯ ¯
( a 2) x y z 2 0.2 ax 0.1y z 0.2 x 3ay z 2
° ° °
s.- ® x ( a 3) y z 3; t.- ® 0.1x 0.3 y z 0.1 ; u.- ® 3ax y z 1 ;
° x y ( a 4) z 4 ° 0.3x 0.4 y z 0.3 ° x y 3az 3
¯ ¯ ¯
2 ax 2 y 3z 1 x y ( a 3) z 1 x y az a 3 a 2
° ° °°
v.- ® x 3ay z 1 ; w.- ® x ( a 3) y z 1 ;
x.- ® x y z a 2 a .
° x y 4 z 1 °( a 3) x y z 1
¯ ¯ ° x y az a
°̄
4.2.16 Determine de ser posible los valores de a y b, para que el sistema de ecuaciones lineales tenga solución única,
tenga más de una solución, no tenga solución y encuentre la solución general del sistema en términos de a y b:
ax y z 4 ax by z 1 bx ( a 1) y z 1 (2b 1) x y z 1
° ° ° °
a.- ® x by z 3 ; b.- ® x aby z b ; c.- ® ax y ( a 1) z 1 ; d.- ® x (2b 1) y z b ;
° x 2by z 4 ° x by az 1 ° x yz a ° x y (2b 1) z 1
¯ ¯ ¯ ¯
ax y z b x ay z b x y (b 1) z 1 x (2 a 1) y z 1
° ° ° °
e.- ® x ay z c; f.- ®bx y z a; g.- ® x ( a 1) y z b ; h.- ®(2 a 1) x y z b;
° x y az d ° x yz 1 ° (b 1) x y z 1 ° x y (2b 1) z 3
¯ ¯ ¯ ¯
x by az 1 x 3 y bz 0 2bx 2 y 3z 1 ax (b 2) y z 1
° ° ° °
i.- ® bx ay z 1 ; j.- ® x by z a ; k.- ® x 3ay z b ; l.- ® bx ( a 1) y z 1;
° ax y az b ° x yz b ° x by 4 z 1 ° 3x (b 1) y z 1
¯ ¯ ¯ ¯
x by az 2 bx 3 y bz b (b 1) x y z 1 0.2bx 0.1y z 0.2
° ° ° °
m.- ® bx y z 3 ; n.- ® 2 x by 3z 1 ; o.- ®( a 2) x y z b ; p.- ® 0.1x 0.3by z 0.1 ;
° 2x y z 1 ° x y az a ° (b 3) x y z 1 °0.3x 0.4 y az 0.3
¯ ¯ ¯ ¯
bx y z 1 ax y z b bx 3 y az 1 x y ( a 3) z b
° ° ° °
q.- ® x a 2 y z b ; r.- ® x by z 3 ; s.- ® ax by z 1 ; t.- ® x (b 3) y z 1 ;
° x y bz 1 ° x y az b ° bx y az b ° ( a 3) x y z 1
¯ ¯ ¯ ¯
x yz b x 3ay az 2 3ax 2 y 3z b x y z b3 b 2
° ° ° °°
u.- ®bx y z 1 ; v.- ® 3bx y z b ; w.- ® bx 2 ay 3z 1 ;
x.- ® x y z a 2 a .
° ax by z a ° x y 3z 3 ° x y 3bz 1
¯ ¯ ¯ ° x yz b
°̄
4.2.17 Solucionar los siguientes sistemas de ecuaciones lineales utilizando un método numérico:
3.2 x 5.4 y 4.2 z 2.2u 2.6 7.9 x 5.6 y 5.7 z 7.2w 6.68
° 2.1x 3.2 y 3.1z 1.1u 4.8 °8.5 x 4.8 y 0.8 z 3.5w 9.95
° °
a.- ® ; b.- ® ;
° 1.2 x 0.4 y 0.8 z 0.8u 3.6 ° 4.3x 4.2 y 3.2 z 9.3w 8.6
°¯ 4.7 x 10.4 y 9.7 z 9.7u 8.4 °¯ 3.2 x 1.4 y 8.9 z 3.3w 1

2.5 x 1.25 y 3.75 z 5u 0.625 3.2 x 5.4 y 4.2 z 2.2u 2.6

° 4.125 x 2.75 y 5.5 z 4.125u 1.25 ° 2.1x 3.2 y 3.1z 1.1u 4.8
° °
c.- ® ; d.- ® ;
° 8.125 x 4.875 y 3.25 z 1.625u 0.625 °1.2 x 0.4 y 0.8 z 0.8u 3.6
°¯5.25 x 5.25 y 1.75 z 3.5u 0, 625 °¯ 4.7 x 10.4 y 9.7 z 9.7u 8.4
2.4 x 0.2 y 0.3 z 1.1u 5.8w 23.84
° 0.3x 0.1y 1.1z 10.2u w 38.85
°°
e.- ®0.5 x 6.2 y 0.1z 1.5u 1.2w 17.23 .
°0.1x 2.1y 5.1z 0.2u 0.3w 6.56
°
°̄ 2.5 x 0.1y 0.2 z 0.3u 0.4w 6.63
4.2.18 Resolver mediante el método de eliminación de Gauss-Jordan los siguientes sistemas de ecuaciones:
x y z u 2 x y z u 1 2 x y 2 z u 0
° x y 3z u 1 ° x y z u 2 ° x y 3z 3u 1
° ° °
a.- ® ; b.- ® ; c.- ® ;
° x y 2 z 2u 1 ° 2 x y 2 z u 1 ° 3x y 3z u 0
°¯ 3 x y z u 1 °¯ x 2 y z 2u 2 °¯ x y z 3u 1
2x 3 y z u 0 x 2 y z 2u 0 x y z 3u 3
°3 x 2 y 5 z u 1 ° x 3y z u 1 ° x y 3z u 2
° ° °
d.- ® ; e.- ® ; f.- ® ;
° x 3 y 2z u 0 °3 x y z 2u 0 °x 3y z u 1
°¯ x y 2 z 3u 1 °¯ x y 2 z u 1 °¯ 3 x y z u 1
3x y 2 z u 1 5 x y 3z u 2 2 x 2 y 3z 3u 1
° x 3y z u 2 ° x 3 y 2 z u 2 ° 2 x 2 y z 2u 1
° ° °
g.- ® ; h.- ® ; i.- ® ;
° x y 3z u 1 °3x 2 y z 2u 1 ° x 3 y 2 z 3u 1
°¯ x y z 3u 1 °¯ x y 2 z u 1 °¯ x 3 y z 2u 1
x 2 y 3z u 3 4x 3 y 2z u 1 3x y 3z u 3
°2 x 3 y 2 z u 1 °5 x 4 y 3 z u 2 ° 2x 3 y 2z u 1
° ° °
j.- ® ; k.- ® ; l.- ® ;
° x 2 y 3z u 2 ° x 4 y 5 z 2u 1 °3 x 2 y z 3u 2
°¯ 2 x 3 y z 2u 1 °¯2 x y 2 z 3u 2 °¯4 x 3 y z 3u 4
x 2 y z 3u 5 x 3 y z 2u 1 5 x 3 y z 2u 1
° x 2 y 3z 2u 3 ° x 2 y 2 z 2u 1 °4 x 3 y 2 z 2u 2
° ° °
m.- ® ; n.- ® ; o.- ® ;
° 3x y 2 z u 1 ° x 2 y 3z u 2 ° 3x 2 y 3z 3u 3
°¯ x y 3z 2u 2 °¯ x 3 y z u 3 °¯ 2 x y z 4u 4
3x 5 y 7 z u 4 x 7 y 5 z 3u 5 7 x 12 y 4 z 3u 5
° x 7 y 5 z 3u 3 °4 x y 3z 2u 2 ° 3x 7 y 5 z 4u 2
° ° °
p.- ® ; q.- ® ; r.- ® ;
°2 x 7 y 4 z u 2 ° 5 x 3 y z 4u 3 ° 2 x 5 y 12 z u 3
°¯ x 5 y 4 z 3u 1 °¯ x 6 y 4 z u 2 °¯ x 12 y 15 z 2u 4
2 x 4 y 5 z 6u 1 4 x 3 y z 5u 5 3 x 4 y 5 z u 4
° x 3 y 3 z 4u 1 ° x 10 y z 3u 2 ° x 5 y 6 z 2u 1
° ° °
s.- ® ; t.- ® ; u.- ® .
° 3x y 2 z 3u 3 °4 x 2 y 5 z u 3 °2 x 4 y 4 z u 3
°¯ x 4 y 2 z 5u 2 °¯ x 5 y 3z 2u 1 °¯ x 5 y 5 z 3u 2

4.3.1 Si las matrices aumentadas de dos sistemas de 4.3.4 Si A es una matriz de orden m x n, entonces, para
ecuaciones lineales son equivalentes por filas, entonces los cada B m, entonces el sistema de ecuaciones A X = B
dos sistemas tienen el mismo conjunto solución. tiene un número indeterminado de soluciones.
4.3.8 Para que un sistema homogéneo de n ecuaciones 4.3.7 Para que un sistema homogéneo de ecuaciones
lineales con n incógnitas tenga soluciones no nulas es lineales sea inconsistente, es necesario y suficiente que el
necesario y suficiente que el determinante de la matriz de rango de la matriz de coeficientes sea menor que el
coeficientes sea diferente de cero. número de variables.
4.3.10 La solución general de un sistema no homogéneo 4.3.9 Cualquier combinación lineal de unas soluciones
de ecuaciones lineales es igual a la suma de la solución de un sistema homogéneo de ecuaciones lineales será
general del sistema homogéneo asociado y de una solución también una solución del mismo.
cualquiera, pero fija, del sistema no homogéneo.
4.3.2 Un sistema de ecuaciones lineales es consistente si
4.3.6 Para que un sistema no homogéneo de ecuaciones y sólo si la columna del extremo derecho de la matriz
lineales sea inconsistente, es necesario y suficiente que el aumentada es una columna pivote.
rango de la matriz de coeficientes sea igual al rango de la
matriz aumentada. 4.3.3 El sistema de ecuaciones A X = B tiene solución
única si y sólo si B es una combinación lineal de las
4.3.5 Un sistema homogéneo de ecuaciones lineales tiene columnas de A.
un número indeterminado de soluciones si, y sólo si el
sistema tiene por lo menos una variable libre.

O BJ E T I V O
Resolver problemas relacionados con los espacios vectoriales reales o complejos, interpretándolos como una
estructura algebraica, utilizando matrices, determinantes, rango e inversa y sistemas de ecuaciones lineales, en
situaciones reales, propias de la ingeniería.
C O NT ENID O:
5.1 ESPACIOS VECTORIALES

5.2 SUBESPACIOS VECTORIALES
5.3 COMBINACIONES LINEALES. SUBESPACIOS GENERADOS
5.4 INTERSECCION Y SUMA DE SUBESPACIOS. SUMA DIRECTA
5.5 DEPENDENCIA E INDEPENDENCIA LINEAL
5.6 BASE Y DIMENSION
5.7 VECTOR DE COORDENADAS Y CAMBIO DE BASE
5.8 CUESTIONARIO
5.1 ESP A C I OS V E C T O R I A L ES
En esta sección se generalizará el concepto de vector. Se enunciará un conjunto de axiomas que, si una clase
de objetos hace que se cumplan, permitirá denominar vectores a esos objetos. Los axiomas se elegirán abstra-
yendo las propiedades más importantes de los vectores en n. El trabajo desarrollado en esta sección es muy
útil, ya que proporciona una herra mienta poderosa para extender la representación geométrica a una a mplia
variedad de problemas matemáticos importantes en los que de otra forma no se contaría con la intuición geo-
métrica.
La resolución de los problemas de cualquier género se reduce, al fin y al cabo, al

estudio de ciertos conjuntos y, en primer lugar, al estudio de la estructura de di-
chos conjuntos. Para estudiar la estructura de conjuntos se emplean los más diver-
sos métodos. Por ejemplo, partiendo de la propiedad característica que poseen los
elementos o bien partiendo de las propiedades de las operaciones, si están defini-
das para los elementos.
El último método parece ser de atracción especial debido a su generalidad. Efec-

tivamente, ya hemos visto repetidamente que en los más diversos conjuntos pue-
den introducirse las más diversas operaciones que, no obstante, poseen propieda-
des iguales. Será evidente por esta razón que si en la investigación de los conjun-
tos se obtiene cierto resultado sólo en la base de las propiedades de una opera-
ción, este resultado tendrá lugar en todos los conjuntos, donde las operaciones
poseen las mismas propiedades. En este caso la naturaleza concreta tanto de los
elementos como de las operaciones sobre ellos puede ser completamente diferen-
te.
186 ESPACIOS VECTORIALES
Se conoce que en realidad detrás de los vectores están los objetos físicos bien
reales. Por esto, la investigación detallada de la estructura de los conjuntos repre-
senta interés por lo menos para la física. Hay una tentación, originada por la sen-
cillez de los conjuntos citados, que conduce al deseo de estudiarlos apoyándose
sólo en las peculiaridades concretas de los elementos. Sin embargo, no podemos
sino observar el hecho de que dichos conjuntos tienen mucho en común, razón
por la cual parece racional comenzar su estudio partiendo de ciertas posiciones
generales, abrigando esperanza, por lo menos, que tendremos éxito en evitar repe-
ticiones fastidiosas y monótonas al pasar de la investigación de un conjunto a la
del otro.
No se desarrollaran las diferentes propiedades de los cuerpos abstractos y no

trataremos de cuerpo específico alguno que no sea de los números racionales,
reales y complejos. Es conveniente y cómodo, por el momento, no especificar la
naturaleza exacta del cuerpo de escalares, porque gran parte de los espacios vec-
toriales es válida para cuerpos arbitrarios. El estudiante que no conoce los cuerpos
abstractos no estará en desventaja, pues basta con que piense en K como en uno
de los cuerpos que le son familiares. Todo lo que importa es que podamos efec-
tuar las operaciones de adición y sustracción, multiplicación y división, en la
forma usual. Más adelante tendremos que restringir a K al cuerpo de los números
reales o al cuerpo de los números complejos, para obtener ciertos resultados clási-
cos; pero se pospondrá ese momento tanto como podamos. En general, usaremos
letras minúsculas del alfabeto latino para denotar a los vectores. Una excepción es
el vector nulo que se denotará por .
Sea V un conjunto cualesquiera no vacío de elementos sobre el que están
definidas dos operaciones: la adición y la multiplicación por escalares.
Por adición se entiende una regla que asocia a cada par de elementos u y
v en V un elemento u + v denominado suma de u y v; por multiplicación
escalar se entiende una regla que asocia a cada escalar D y cada elemento
u en V un elemento Du, denominado múltiplo escalar de u por D. Si los
elementos u, v, w en V y los escalares D y E satisfacen los axiomas si-
guientes, entonces V se denomina espacio vectorial, y sus elementos se
denominan vectores:
1.- Si u, v están en V, entonces u + v está en V.
2.- Si u, v están en V, entonces u + v = v + u.
3.- Si u, v, w están en V, entonces u + (v + w) = (u + v) + w.
4.- Existe un único elemento en V, denominado vector cero de V, tal
que se cumple que + u = u + = u para todo u en V.
5.- Para todo u en V existe un elemento -u en V, denominado opuesto
de u, tal que se cumple u + (-u) = (-u) + u = .
6.- Si D es cualquier escalar y u es cualquier elemento en V, entonces
Du está en V.
7.- Si u, v están en V y D es un escalar, entonces D(u + v) = Du + Dv.
8.- Si u está en V y D, E son escalares, entonces (D + E)u = Du + Eu.
9.- Si u está en V y D, E son escalares, entonces D(Eu) = (DE)u.
10.- Si u está en V y 1 es un escalar, 1u = u.
Los elementos de cualquier espacio vectorial los llamaremos vectores, a pesar de

que según su naturaleza concreta dichos elementos pueden ser bien distintos de
los segmentos dirigidos. Las representaciones geométricas, relacionadas con el
nombre de vectores, nos ayudaran en aclarar y, con frecuencia, en prever los
resultados necesarios, como también en buscar la interpretación geométrica de
diferentes hechos la cual no siempre resulta obvia. Cualquier tipo de objeto pue-

ESPACIOS VECTORIALES 187
de ser un vector, y es posible que las operaciones de adición y multiplicación

escalar no guarden ninguna relación o semejanza con las operaciones vectoriales
usuales sobre R n. El único requisito es que se cumplan los axiomas de la defini-
ción de espacio vectorial.
A continuación damos a conocer algunas propiedades que provienen de la exis-

tencia de las operaciones de adición y multiplicación por un número. Conciernen,
en lo esencial, a los vectores nulo y opuesto.
T E O R E M A 5.1.1
Sean V un espacio vectorial, u un elemento de V y a un escalar, entonces
se cumple lo siguiente:
1.- 0u = .
2.- a = .
3.- (-1)u = -u.
4.- Si au = , entonces a = 0 o u = .
1.- Se puede escribir
0u + 0u = (0 + 0)u = 0u
Por el axioma 5, el vector 0 u tiene un negativo: -0u. Al sumar este negativo a
ambos miembros de la última expresión se obtiene
(0u + 0u) + (-0u) = 0u + (-0u)
o
0u + (0u + (-0u)) = 0u + (-0u)
0u + =
0u =
2.- Ya que a(v + ) = av + a, entonces a = .
3.- Para probar (-1)u = -u, es necesario demostrar que u + (-1)u = . Para ver
esto, obsérvese que
u + (-1)u = 1u + (-1)u = (1 + (-1))u = 0u = .
4.- Efectivamente, si la igualdad au = se realiza, puede haber una de las dos
posibilidades: o bien a = 0 o bien a z 0. El caso a = 0 confirma la afirmación. Sea
ahora, a z 0. En este caso
§1 · 1 1
u 1 u ¨ a ¸ u ( au ) = .
© a ¹ a a
De esta forma, desde el punto de vista de las operaciones de multiplicación, adi-

ción y sustracción tienen lugar formalmente todas las reglas de transformaciones
equivalentes para las expresiones algebraicas.
En algunas aplicaciones, es necesario alterar la definición de espacio vectorial

para que los escalares sean números complejos. Entonces se habla de un espacio
vectorial complejo. En gran medida, la teoría de los espacios vectoriales reales es
igual que la teoría de los espacios vectoriales complejos. En consecuencia, a lo
largo del capítulo, se puede reemplazar la expresión espacio vectorial por espacio
vectorial complejo.
E J E M P L O 5.1.1
Considérese las funciones f : o . Dentro del conjunto de todas estas funciones
está el subconjunto que consiste en todas las funciones f derivables dos veces que
satisfacen a la ecuación diferencial f ´´ + f = 0, donde cada signo de prima indica
derivación. Por supuesto, f ´´ es nuevamente una función de en . Podemos
afirmar que el subconjunto () formado por todas las funciones f que satisfacen la
ecuación diferencial, es un espacio vectorial sobre , donde utilizamos las mismas
operaciones de suma y producto por escalares en este subconjunto que en ().
SO L U C I O N
Verifíquense los axiomas (1) y (6). Para hacerlo con (1), hemos de demostrar que si
las funciones f y g satisfacen ambas la ecuación diferencial, entonces también la
satisfará f + g. Pero esto es trivial, puesto que de f ´´ + f = 0 y g´´ + g = 0 obtenemos
fácilmente (f + g)´´ + (f + g) = 0. De forma análoga, si D es un número real, entonces
de f ´´ + f = 0 se halla que (Df)´´ + (Df) = 0. Por tanto, también es satisfecho el
axioma (6). Los otros axiomas automáticamente se cumplen.
E J E M P L O 5.1.2
Determine cuáles de los conjuntos siguientes constituyen espacios vectoriales:
a.- En (-f; f), los polinomios de grado mayor o igual que 2;
b.- En (-f; f), los polinomios que tienen un cero en x = 2.
SO L U C I O N
a.- Tenemos que analizar el conjunto
S = {p(t) P / p(t) = a2t2 + a3t3 + ... + antn, donde a2, a3, ..., an }.
A continuación comprobamos los 10 axiomas de la definición de espacio vectorial:
1.- Si p1, p2 están en S, entonces p1 + p2 están en S. Es decir:
(p1 + p2)(t) = p1(t) + p2(t) = (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 «an + bn)tn = c2t2 + c3t3 «+ cntn S.
2.- Si p1, p2 están en S, entonces p1 + p2 = p2 + p1. Es decir:
(p1 + p2)(t) = p1(t) + p2(t)
= (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 «an + bn)tn
= (b2 + a2)t2 + (b3 + a3)t3 «bn + an)tn
= p2(t) + p1(t)
= (p2 + p1)(t).
3.- Si p1, p2, p3 están en S, entonces p1 + (p2 + p3) = (p1 + p2) + p3. Es decir:
[p1 + (p2 + p3)](t) = p1(t) + [p2(t) + p3(t)]
= (a2t2 + a3t3 + ... + antn) + [(b2 + c2)t2 «bn + cn)tn]
= (a2 + b2 + c2)t2 + (a3 + b3 + c3)t3 «an + bn + cn)tn]
= [(a2 + b2) + c2]t2 + [(a3 + b3) + c3]t3 «>an + bn) + cn]tn
= [(a2 + b2)t2 + (a2 + b2)t2 «an + bn)tn] + (c2t2 + c3t3 + ... + cntn)
= [p1(t) + p2(t)] + p3(t) = [(p1 + p2) + p3](t).
4.- Existe un único elemento p en S, denominado vector cero de S, tal que se
cumple que p + p = p + p = p para todo p en S. Es decir:
(p + p)(t) = p(t) + p(t)
= (0t2 + 0t3 + ... + 0tn) + (a2t2 + a3t3 + ... + antn)
= (0 + a2)t2 + (0 + a3)t3 «an)tn
= a2t2 + a3t3 + ... + antn = p(t).
5.- Para todo p en S existe un elemento ±p en S, denominado opuesto de p, tal
que se cumple p + (-p) = (-p) + p = p. Es decir:
[p + (-p)](t) = p(t) + [-p(t)]
= (a 2t2 + a 3t3 + ... + a ntn) + (- a 2t2 - a 3t3 - ... - a ntn)
= (a 2 - a 2)t2 + ( a 3 ± a 3)t3 «a n - a n)tn
= 0t2 + 0t3 «+ 0tn = p(t).
6.- Si D es cualquier escalar y p es cualquier elemento en S, entonces Dp está en
S. Es decir:
(Dp)(t) = Dp(t)
= D(a2t2 + a3t3 + ... + antn)
= (Da2)t2 + (Da3)t3 + ... + (Dan)tn
= b2t2 + b3t3 + ... + bntn S.
7.- Si p1, p2 están en S y D es un escalar, entonces D(p1 + p2) = Dp1 + Dp2. Es
decir:
[D(p1 + p2)](t) = D[p1(t) + p2(t)]
= D[(a2 + b2)t2 + (a3 + b3)t3 «an + bn)tn]
= (Da2 + Db2)t2 + (Da3 + Db3)t3 «Dan + Dbn)tn

= (Da2t2 + Da3t3 + ... + Dantn) + (Db2t2 + Db3t3 + ... + Dbntn)
= D(a2t2 + a3t3 + ... + antn) + D(b2t2 + b3t3 + ... + bntn)
= Dp1(t) + Dp2(t).
8.- Si p está en S y D, E son escalares, entonces (D + E)p = Dp + Ep. Es decir:
[(D + E)p](t) = (D + E)p(t)
= (D + E)(a2t2 + a3t3 + ... + antn)
= (D + E)a2t2 + (D + E)a3t3 + ... + (D + E)antn
= (Da2t2 + Da3t3 + ... + Dantn) + (E a2t2 + Ea3t3 + ... + E antn)
= D(a2t2 + a3t3 + ... + antn) + E(a2t2 + a3t3 + ... + antn)
= Dp(t) + Ep(t).
9.- Si p está en S y D, E son escalares, entonces D(Ep) = (DE)p. Es decir:
[D(Ep)](t) = D[E p(t)]
= D(E a2t2 + E a3t3 + ... + E antn)
= DE a2t2 + DE a3t3 + ... + DE antn
= DE(a2t2 + a3t3 + ... + antn) = (DE)p(t).
10.- Si p está en S y 1 es un escalar, 1p = p. Es decir:
(1p)(t) = 1p(t)
= 1(a2t2 + a3t3 + ... + antn)
= 1a2t2 + 1a3t3 + ... + 1antn
= a2t2 + a3t3 + ... + antn = p(t).
Como se prueban todos los axiomas, entonces S es un espacio vectorial.
b.- En este caso tenemos que S = {p n / p(t) = (t ± 2)q(t), q(t) n-1}. A
continuación comprobamos los 10 axiomas de la definición de espacio vectorial:
1.- Si p1, p2 están en S, entonces p1 + p2 están en S. Es decir:
p1(t) + p2(t) = (t ± 2)q1(t) + (t ± 2)q2(t) = (t ± 2)(q1(t) + q2(t)) = (t ± 2)h(t) S.
2.- Si p1, p2 están en S, entonces p1 + p2 = p2 + p1. Es decir:
p1(t) + p2(t) = (t ± 2)q1(t) + (t ± 2)q2(t) = (t ± 2)[q1(t) + q2(t)]
= (t ± 2) )[q2(t) + q1(t)] = (t ± 2)q2(t) + (t ± 2)q1(t) = p2(t) + p1(t).
3.- Si p1, p2, p3 están en S, entonces p1 + (p2 + p3) = (p1 + p2) + p3. Es decir:
p1(t) + [p2(t) + p3(t)] = (t ± 2)q1(t) + [(t ± 2)q2(t) + (t ± 2)q3(t)]
= (t ± 2)q1(t) + (t ± 2)q2(t) + (t ± 2)q3(t)
= [(t ± 2)q1(t) + (t ± 2)q2(t)] + (t ± 2)q3(t)
= [p1(t) + p2(t)] + p3(t).
4.- Existe un único elemento p en S, denominado vector cero de S, tal que se
cumple que p + p = p + p = p para todo p en S. Es decir:
p(t) + p(t) = p(t) + (t ± 2)q(t) = (t ± 2)q(t) + p(t) = (t ± 2)q(t) = p(t).
5.- Para todo p en S existe un elemento ±p en S, denominado opuesto de p, tal
que se cumple p + (-p) = (-p) + p = p. Es decir:
p(t) + [-p(t)] = (t ± 2)q(t) + [- (t ± 2)q(t)]
= (t ± 2)q(t) - (t ± 2)q(t)
= (t ± 2)[q(t) - q(t)]
= (t ± 2)p(t) = p(t).
6.- Si D es cualquier escalar y p es cualquier elemento en S, entonces Dp está en
S. Es decir:
Dp(t) = D[(t ± 2)q(t)] = D(t ± 2)q(t) = (t ± 2)h(t) S.
7.- Si p1, p2 están en S y D es un escalar, entonces D(p1 + p2) = Dp1 + Dp2. Es
decir:
D[p1(t) + p2(t)] = D[(t ± 2)q1(t) + (t ± 2)q2(t)]
= D(t ± 2)q1(t) + D(t ± 2)q2(t)
= Dp1(t) + Dp2(t).
8.- Si p está en S y D, E son escalares, entonces (D + E)p = Dp + Ep. Es decir:
(D + E)p(t) = (D + E)[(t ± 2)q(t)] = D(t ± 2)q(t) + E(t ± 2)q(t) = Dp(t) + Ep(t).
9.- Si p está en S y D, E son escalares, entonces D(Ep) = (DE)p. Es decir:
D[Ep(t)] = D[E(t ± 2)q(t)] = DE(t ± 2)q(t) = (DE)(t ± 2)q(t) = (DE)p(t).

10.- Si p está en S y 1 es un escalar, 1p = p. Es decir:
1p(t) = 1(t ± 2)q(t) = (t ± 2)q(t) = p(t).
EJ E M P L O 5.1.3
a.- Todas las f en C 2[0; 1] tales que f ´´(x) = x2f(x);
b.- Todas las f en C(-1; 1), tales que f es monótona y estrictamente creciente.
SO L U C I O N
a.- En este caso tenemos que S = {f F / f ´´(x) = x2f(x)}. A continuación
comprobamos los 10 axiomas de la definición de espacio vectorial:
1.- Si f1, f2 están en S, entonces f1 + f2 están en S. Es decir:
(f1 + f2)´´(x) = f1´´(x) + f2´´(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2g(x) S.
2.- Si f1, f2 están en S, entonces f1 + f2 = f2 + f1. Es decir:
(f1 + f2)´´(x) = f1´´(x) + f2´´(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2[f2 + f1](x)
= x2f2(x) + x2f1(x) = (f2 + f1)´´(x).
3.- Si f1, f2, f3 están en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[f1 + (f2 + f3)]´´(x) = f1´´(x) + (f2 + f3)´´(x) = x2f1(x) + x2(f2 + f3)(x)
= x2f1(x) + x2f2(x) + x2f3(x) = x2(f1 + f2)(x) + x2f3(x)
= (f1 + f2)´´(x) + f3´´(x) = [(f1 + f2) + f3]´´(x).
4.- Existe un único elemento f en S, denominado función cero de F, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
[ f + f]´´(x) = f ´´(x) + f ´´(x) = + x2f(x) = x2f(x) + = x2f(x) = f ´´(x).
5.- Para todo f en S existe un elemento ±f en S, denominado opuesto de f, tal que
se cumple f + (-f) = (-f) + f = f. Es decir:
[f + (-f)]´´(x) = f ´´(x) ± f ´´(x) = x2f(x) - x2f(x) = x2(f ± f)(x) = x2f(x) = f ´´(x).
6.- Si D es cualquier escalar y f es cualquier elemento en S, entonces Df está en
S. Es decir:
(Df)´´(x) = Df ´´(x) = D[x2f(x)] = x2[Df(x)] = x2g(x) S.
7.- Si f1, f2 están en S y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
D(f1 + f2)´´(x) = Df1´´(x) + Df2´´(x) = D[x2f1(x)] + D[x2f2(x)]
= Dx2f1(x) + Dx2f2(x) = Df1´´(x) + Df2´´(x).
8.- Si f está en S y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:
(D + E)f ´´(t) = (D + E)x2f(x) = Dx2f(x) + Ex2f(x) = Df ´´(x) + Ef ´´(x).
9.- Si f está en S y D, E son escalares, entonces D(E f) = (DE)f. Es decir:
D(E f)´´(x) = D[E f ´´(x)] = D[Ex2f(x)] = DEx2f(x) = (DE)x2f(x) = (DE)f ´´(x).
10.- Si f está en S y 1 es un escalar, 1f = f. Es decir:
1f ´´(x) = 1x2f(x) = x2f(x) = f ´´(x).
b.- En este caso tenemos que S = {f / f ´(x) > 0}. A continuación comprobamos
los 10 axiomas de la definición de espacio vectorial:
(f1 + f2)´(x) = f1´(x) + f2´(x) > 0 + 0 = 0 S.
(f1 + f2)´(x) = f1´(x) + f2´(x) > 0 + 0 = f2´(x) + f1´ = (f2 + f1)´(x).
[f1 + (f2 + f3)]´(x) = f1´(x) + (f2 + f3)´(x) > 0 + (0 + 0) = (0 + 0) + 0
= (f1 + f2)´(x) + f3´(x) = [(f1 + f2) + f3]´(x).
4.- Existe un único elemento f en S, denominado función cero de S, tal que se
( f + f)´(x) = f ´(x) + f ´(x).
Como la primera derivada de la función nula es igual a cero, entonces la función nula
no pertenece al conjunto S. Entonces, S no tiene estructura de espacio vectorial.

EJ E M P L O 5.1.4
a.- El conjunto de las funciones diferenciables en [a; b];
b.- El conjunto de todas las funciones con derivada segunda en [0; 1].
SO L U C I O N
f ( x h) f ( x ) ½
a.- En este caso tenemos que S ® f F / f ´( x) lim , a d x d b¾ .
¯ h o0 h ¿
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )´( x) lim 1 2
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1 ( x h) f1 ( x) f ( x h) f 2 ( x )
lim lim 2
h o0 h h o 0 h
f1´( x) f 2 ´( x) S.
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )´( x) lim 1 2
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
[ f 2 ( x h) f 2 ( x)] [ f1 ( x h) f1 ( x)]
lim
h o0 h
( f 2 f1 )( x h) ( f 2 f1 )( x)
lim
h o0 h
( f 2 f1 )´( x) ( f 2 f1 )´( x) .
[ f ( f 2 f 3 )]( x h) [ f1 ( f 2 f 3 )]( x)
[ f1 ( f 2 f 3 )]´( x) lim 1
h o0 h
[ f1 ( x h) f1 ( x)] [( f 2 f 3 )( x h) ( f 2 f 3 )( x)]
lim
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)] [ f 3 ( x h) f 3 ( x)]
lim
ho0 h
[( f1 f 2 )( x h) ( f1 f 2 )( x)] [ f 3 ( x h) f 3 ( x)]
lim
h o0 h
[( f1 f 2 ) f 3 ]( x h) [( f1 f 2 ) f 3 ]( x)
lim
h o0 h
[( f1 f 2 ) f 3 ]´( x) .
( f f )( x h) ( f f )( x)
( f f )´( x) lim
h o0 h
[ f ( x h) f ( x)] [ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x ) f ( x h) f ( x )
lim lim
h o0 h h o0 h
0 f ´( x) f ´( x) .

[ f ( f )]( x h) [ f ( f )]( x)
[ f ( f )]´( x) lim
h o0 h
( f f )( x h) ( f f )( x)
lim
h o0 h
f ( x h) f ( x )
lim f ´( x )
h o0 h
S. Es decir:
(Df )( x h) (Df )( x) f ( x h) f ( x)
(Df )´( x) lim D lim Df ´( x) S.
ho0 h ho0 h
[D( f1 f 2 )]( x h) [D( f1 f 2 )]( x)
[D( f1 f 2 )]´( x) lim
h o0 h
(Df1 Df 2 )( x h) (Df1 Df 2 )( x)
lim
h o0 h
D[ f1 ( x h) f1 ( x)] D[ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1 ( x h) f1 ( x) f ( x h) f 2 ( x )
D lim D lim 2
h o0 h h o0 h
Df1´( x) Df 2 ´( x) .
[(D E) f ]( x h) [(D E) f ]( x)
[(D E) f ]´( x) lim
h o0 h
(Df Ef )( x h) (Df E f )( x)
lim
h o0 h
D[ f ( x h) f ( x)] E[ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x ) f ( x h) f ( x )
D lim E lim
h o0 h h o0 h
Df ´( x) Ef ´( x) .
[D(Ef )]( x h) [D(E f )]( x) D[(Ef )( x h) (Ef )( x)]
[D(Ef )]´( x) lim lim
ho0 h h o0 h
(Ef )( x h) (Ef )( x) f ( x h) f ( x)
D lim DE lim (DE) f ´( x)
ho0 h ho0 h .
(1 f )( x h) (1 f )( x) f ( x h) f ( x)
(1 f )´( x) lim lim f ´( x) .
h o0 h h o0 h
Como se prueban todos los axiomas, entonces S tiene estructura de espacio vectorial.
f ´( x h) f ´( x) ½
b.- En este caso tenemos que S ® f F / f ´´( x) lim , 0 d x d 1¾ .
¯ h o0 h ¿
( f f )´( x h) ( f1 f 2 )´( x)
( f1 f 2 )´´( x) lim 1 2
h o0 h
[ f1´( x h) f1´( x)] [ f 2 ´( x h) f 2 ´( x)]
lim
h o0 h
f1´( x h) f1´( x) f ´( x h) f 2 ´( x)
lim lim 2 f1´´( x) f 2 ´´( x) S.
ho0 h h o 0 h
( f1 f 2 )´( x h) ( f1 f 2 )´( x)
( f1 f 2 )´´( x) lim
h o0 h
[ f1´( x h) f1´( x)] [ f 2 ´( x h) f 2 ´( x)]
lim
h o0 h
[ f 2 ´( x h) f 2 ´( x)] [ f1´( x h) f1´( x)]
lim
h o0 h
( f 2 f1 )´( x h) ( f 2 f1 )´( x)
lim
h o0 h
( f 2 f1 )´´( x) .
[ f ( f 2 f 3 )]´( x h) [ f1 ( f 2 f 3 )]´( x)
[ f1 ( f 2 f 3 )]´´( x) lim 1
h o0 h
[ f1´( x h) f1´( x)] [( f 2 f 3 )´( x h) ( f 2 f 3 )´( x)]
lim
h o0 h
[ f1´( x h) f1´( x)] [ f 2 ´( x h) f 2 ´( x)] [ f 3´( x h) f 3´( x)]
lim
ho0 h
[( f1 f 2 )´( x h) ( f1 f 2 )´( x)] [ f 3´( x h) f 3´( x)]
lim
h o0 h
[( f1 f 2 ) f 3 ]´( x h) [( f1 f 2 ) f 3 ]´( x)
lim [( f1 f 2 ) f 3 ]´´( x) .
ho0 h
( f f )´( x h) ( f f )´( x)
( f f )´( x) lim
h o0 h
[ f ´( x h) f ´( x)] [ f ´( x h) f ´( x)]
lim
h o0 h
f ´( x h) f ´( x) f ´( x h) f ´( x)
lim lim
h o0 h h o0 h
0 f ´´( x) f ´´( x) .
[ f ( f )]´( x h) [ f ( f )]´( x)
[ f ( f )]´´( x) lim
h o0 h
( f f )´( x h) ( f f )´( x)
lim
h o0 h
f ´( x h) f ´( x)
lim f ´´( x )
h o0 h
S. Es decir:
(Df )´( x h) (Df )´( x) f ´( x h) f ´( x)
(Df )´´( x) lim D lim Df ´´( x) S.
ho0 h ho0 h
[D( f1 f 2 )]´( x h) [D( f1 f 2 )]´( x)
[D( f1 f 2 )]´´( x) lim
ho0 h
(Df1 Df 2 )´( x h) (Df1 Df 2 )´( x)
lim
h o0 h
D[ f1´( x h) f1´( x)] D[ f 2 ´( x h) f 2 ´( x)]
lim
h o0 h

f1´( x h) f1´( x) f ´( x h) f 2 ´( x)
D lim D lim 2
h o0 h h o0 h
Df1´´( x) Df 2 ´´( x) .
[(D E) f ]´( x h) [(D E) f ]´( x)
[(D E) f ]´´( x) lim
h o0 h
(Df Ef )´( x h) (Df Ef )´( x)
lim
h o0 h
D[ f ´( x h) f ´( x)] E[ f ´( x h) f ´( x)]
lim
h o0 h
f ´( x h) f ´( x) f ´( x h) f ´( x)
D lim E lim
h o0 h h o0 h
Df ´´( x) Ef ´´( x) .
[D(Ef )]´( x h) [D(E f )]´( x) D[(Ef )´( x h) (Ef )´( x)]
[D(Ef )]´´( x) lim lim
h o0 h h o0 h
(Ef )´( x h) (Ef )´( x) f ´( x h) f ´( x)
D lim DE lim (DE) f ´´( x)
ho0 h ho0 h .
(1 f )´( x h) (1 f )´( x) f ´( x h) f ´( x)
(1 f )´´( x) lim lim f ´´( x) .
ho0 h ho0 h
EJ E M P L O 5.1.5
Verifique que los conjuntos siguientes de funciones no son espacios vectoriales:
a.- El conjunto de todas las funciones f diferenciables en [0; 1] tales que f ´ = f ± 1;
b.- El conjunto de todas las funciones f en [0; 2] con la propiedad que x d~f(x)~ en
0 d x d 2;
SO L U C I O N
a.- En este caso tenemos que S = {f F / f ´(x) = f(x) - 1, 0 d x d 1}. A
(f1 + f2)´(x) = f1´(x) + f2´(x) = [f1(x) ± 1] + [f2(x) ± 1] = (f1 + f2)(x) ± 2 S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
b.- En este caso tenemos que S = {f F / ~f(x)~ t x, 0 d x d 2}. A continuación
~(f1 + f2)(x)~ = ~f1(x) + f2(x)~ d ~f1(x)~ + ~f2(x)~ = x + x = 2x S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
EJ E M P L O 5.1.6
a.- S consiste en todas las soluciones de y´´ - 8xy = 0, con la suma de funciones y la
multiplicación de una función por un escalar usuales;
b.- V consta de todas las funciones reales y continuas definidas en [0; 1] tales que
1
³ 0 f ( x) dx 0 , con la suma de funciones y la multiplicación de una función por un
escalar usuales.
SO L U C I O N
a.- En este caso tenemos que S = {y F / y´´ - 8xy = 0}. A continuación


1.- Si y1, y2 están en S, entonces y1 + y2 están en S. Es decir:
(y1 + y2)´´ ± 8x(y1 + y2) = y1´´ + y2´´ ± 8xy1 ± 8xy2 = (y1´´ ± 8xy1) + (y2´´ ± 8xy2)
= 0 + 0 = 0 S.
2.- Si y1, y2 están en S, entonces y1 + y2 = y2 + y1. Es decir:
(y1 + y2)´´ ± 8x(y1 + y2) = y1´´ + y2´´ ± 8xy1 ± 8xy2 = (y1´´ ± 8xy1) + (y2´´ ± 8xy2)
= (y2´´ ± 8xy2) + (y1´´ ± 8xy1) = (y2 + y1)´´ ± 8x(y2 + y1).
3.- Si y1, y2, y3 están en S, entonces y1 + (y2 + y3) = (y1 + y2) + y3. Es decir:
[y1 + (y2 + y3)]´´ ± 8x[y1 + (y2 + y3)] = y1´´ + (y2 + y3)´´ ± 8xy1 ± 8x(y2 + y3)
= y1´´ + y2´´ + y3´´ ± 8xy1 ± 8xy2 - 8xy3
= (y1 + y2)´´ + y3´´ ± 8x(y1 + y2) ± 8xy3
= [(y1 + y2) + y3)]´´ ± 8x[(y1 + y2) + y3].
4.- Existe un único elemento y en S, denominado función cero de S, tal que se
cumple que y + y = y + y = y para toda y en S. Es decir:
(y + y)´´(x) ± 8x(y + y) = y´´(x) + y´´(x) ± 8xy ± 8xy = y´´(x) ± 8xy = 0.
5.- Para todo y en S existe un elemento ±y en S, denominado opuesto de y, tal
que se cumple y + (-y) = (-y) + y = y. Es decir:
[y + (-y)]´´ ± 8x[y + (-y)] = y ´´ ± y´´ ± 8xy + 8xy = y´´ - 8xy = 0.
6.- Si D es cualquier escalar y y es cualquier elemento en S, entonces Dy está en
S. Es decir:
D(y´´ ± 8xy) = Dy´´ - D8xy = (Dy)´´ - 8x(Dy) = z´´ - 8xz = 0 S.
7.- Si y1, y2 están en S y D es un escalar, entonces D(y1 + y2) = Dy1 + Dy2. Es
decir:
[D(y1 + y2)]´´ - 8Dx(y1 + y2) = (Dy1 + Dy2)´´ - 8x(Dy1 + Dy2)
= Dy1´´ + Dy2´´ - 8Dxy1 - 8Dxy2
= (Dy1´´ - 8Dxy1) + (Dy2´´ - 8Dxy2)
= D(y1´´ - 8xy1) + D(y2´´ - 8xy2)
8.- Si y está en S y D, E son escalares, entonces (D + E)y = Dy + E y. Es decir:
(D + E)(y´´ - 8xy) = (D + E)y´´ - 8(D + E)xy = Dy´´ + Ey´´ - 8Dxy - 8Exy
= (Dy´´ - 8Dxy) + (Ey´´ - 8Exy) = D(y´´ - 8xy) + E(y´´ - 8xy).
9.- Si y está en S y D, E son escalares, entonces D(Ey) = (DE)y. Es decir:
D[E(y´´ - 8xy)] = D(Ey´´ - 8Exy) = DEy´´ - 8DExy = (DE)(y´´ - 8xy).
10.- Si y está en S y 1 es un escalar, 1y = y. Es decir:
1(y´´ - 8xy) = 1y´´ - 18xy) = y´´ - 8xy.
Como se prueban todos los axiomas, entonces S tiene estructura de espacio vectorial.
b.- En este caso tenemos que V ^f F / ³ 1
0 `
f ( x) dx 0, 0 d x d 1 . A
1.- Si f1, f2 están en V, entonces f1 + f2 están en V. Es decir:
1 1 1
³ 0 ( f1 f 2 )( x) dx ³ 0 f1 ( x) dx ³ 0 f 2 ( x) dx 0 0 0 S.
2.- Si f1, f2 están en V, entonces f1 + f2 = f2 + f1. Es decir:
1 1 1 1 1
³ 0 ( f1 f 2 )( x) dx ³ 0 f1 ( x) dx ³ 0 f 2 ( x) dx ³ 0 f 2 ( x) dx ³ 0 f1 ( x) dx 00 0
3.- Si f1, f2, f3 están en V, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
1 1 1
³ 0 [ f1 ( f 2 f3 )]( x) dx ³ 0 f1 ( x) dx ³ 0 ( f 2 f3 )( x) dx
1 1 1
³ 0 f1 ( x) dx ³ 0 f 2 ( x) dx ³ 0 f3 ( x) dx
1 1
³ 0 ( f1 f 2 )( x) dx ³ 0 f3 ( x) dx
1
³ 0 [( f1 f 2 ) f3 ]( x) dx .

4.- Existe un único elemento f en V, denominado función cero de V, tal que se

cumple que f + f = f + f = f para toda f en V. Es decir:
1 1 1 1 1
³ 0 ( f f )( x) dx ³ 0 f ( x) dx ³ f ( x) dx
0 ³ 0 f ( x) dx ³ 0 f ( x) dx 0 0 0
.
5.- Para todo f en V existe un elemento ±f en V, denominado opuesto de f, tal
que se cumple f + (-f) = (-f) + f = f. Es decir:
1 1 1
³ 0 [ f ( f )]( x) dx ³ 0 f ( x) dx ³ 0 ( f )( x) dx
1 1
³ 0 f ( x) dx ³ 0 f ( x) dx 00 0 .
6.- Si D es cualquier escalar y f es cualquier elemento en V, entonces Df está en

V. Es decir:
1 1 1
³ 0 (Df )( x) dx ³ 0 Df ( x) dx D ³ f ( x) dx D 0 0 S
0
7.- Si f1, f2 están en V y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
1 1 1 1
³ 0 [D( f1 f 2 )]( x) dx ³ 0 (Df1 Df 2 )]( x) dx ³ 0 Df1 ( x) dx ³ 0 Df 2 ( x) dx
1 1
D ³ f1 ( x) dx D ³ f 2 ( x) dx D 0 D 0 0
0 0
8.- Si f está en V y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:

1 1 1 1
³ 0 [(D E) f ]( x) dx ³ 0 (Df Ef )( x) dx ³ 0 Df ( x) dx ³ 0 Ef ( x) dx
1 1
D ³ f ( x) dx E³ f ( x) dx D 0 E 0 0
0 0
9.- Si f está en V y D, E son escalares, entonces D(E f) = (DE)f. Es decir:

1 1 1 1
³ 0 D(Ef )( x) dx D ³ (Ef )( x) dx D ³ Ef ( x) dx DE³ f ( x) dx (DE) 0 0 .
0 0 0
10.- Si f está en V y 1 es un escalar, 1f = f. Es decir:

1 1 1
³ 0 (1 f )( x) dx 1 ³ f ( x) dx
0 ³ 0 f ( x) dx 0.
Como se prueban todos los axiomas, entonces S es espacio vectorial.
PR O B L E M AS
5.1.1 Demuéstrese que el conjunto compuesto solamente 5.1.5 Sea n un entero positivo. Sea n el conjunto de
por el número 0 es un espacio vectorial, con las reglas todos los polinomios con coeficientes reales y de grado
habituales de la adición y la multiplicación de números. n, con la suma de polinomios y la multiplicación de un
polinomio por un escalar usuales. Demuestre que n no
5.1.2 Sea P m el conjunto de todos los polinomios con es un espacio vectorial. ¿Qué condiciones de la defini-
coeficientes reales y de grado d m. Demuestre que P m es ción fallan?
un espacio vectorial, con la suma de polinomios y la
multiplicación de un polinomio por un escalar usuales. 5.1.6 Demuéstrese que cada uno de los conjuntos si-
guientes de funciones es un espacio vectorial:
5.1.3 V consta de todas las funciones reales y continuas a.- Todos los polinomios a 0 + a 1x2 « a kx2k que no
definidas en >0; 1@ tales que f(1) =1, con la suma de fun- contienen términos de grado impar.
ciones y la multiplicación de una función por un escalar b.- Todas las funciones continuas en >0; 1@ que tienen
usuales. Muestre que V no es un espacio vectorial. un cero en 1.
c.- Todas las funciones definidas en >0; 1@ cuyos límites
5.1.4 m consiste en todos los polinomios con coefi- existen cuando x o 0+.
cientes reales. Demuestre que m es un espacio vecto- d.- Todas las combinaciones lineales de Cosx, Cos2x,
rial, con la suma de polinomios y la multiplicación de un Cos3x, con dominio - f < x < + f.
polinomio por un escalar usuales.
e.- El conjunto de los polinomios reales que tienen a r i f.- El conjunto de todos los polinomios cuadráticos,
como ceros. lineales y constantes en x, con la adición y multiplica-
f.- El conjunto de los polinomios reales que son divisi- ción usuales.
bles entre x2 + x + 1.
g.- El conjunto de todas las funciones en >0; 10@ que 5.1.10 De los conjuntos de funciones que se dan a con-
valen cero en >2; 3@. tinuación, todas definidas en 0 < x < f, cuáles constitu-
h.- El conjunto de todas las funciones f en >0; 1@ con yen una espacio vectorial?:
derivada tercera en ese intervalo y tales que f ´´´- xf ´ + a.- Todas las funciones cuyos límites existen cuando
(Senx)f = 0. x o f.
i.- El conjunto de todas las funciones que tienen deriva- b.- Todas las funciones cuyos límites existen cuando
da segunda en todos los valores reales y la propiedad de x o 0+.
que f ´´(x) = 0. c.- Todas las funciones con límite 0 cuando x o f.
j.- El conjunto de todas las funciones racionales cuyo d.- Todas las funciones con límite 0 cuando x o 0+.
denominador es x2 + x + 1. e.- Todas las funciones con límite f cuando x o f.
k.- El conjunto de todos los polinomios tales que p(0) = f.- Todas las funciones con límite - f cuando x o 0+.
p(1).
l.- El conjunto de todas las funciones escalonadas en 5.1.11 Considérense sucesiones infinitas ^sn`, ^tn`«
>0; 3@. n «FRQODDGLFLyQ\ODPXOWLSOLFDFLyQGHILQLGDV
de la siguiente manera:
5.1.7 V consiste en todos los ( a , b), donde a y b son ^sn` + ^tn` = ^sn + tn` y c^sn` = ^csn`
números reales. Definimos la suma en V por a.- Hágase ver que las sucesiones reales convergentes
( a , b) + (c, d) = (2 a + 2 c, b + d) forman un espacio vectorial e interprétese ese espacio
y definimos la multiplicación por un escalar por vectorial como espacio de funciones.
§ ka kb · b.- Verifíquese que el conjunto de todas las sucesiones
k ( a , b) ¨ , ¸
© 2 2¹ complejas forma un espacio vectorial. ¿Se le puede
¿Es V un espacio vectorial con estas operaciones? interpretar como espacio vectorial de funciones?
5.1.8 Determine cuáles de los sistemas son espacios 5.1.12 V consiste en todas las funciones reales y conti-
vectoriales: nuas definidas en >0; 1@ tales que f(1) = 0, con la suma
a.- V es el conjunto de todos los pares ordenados (x, y) de funciones y la multiplicación de una función por un
de números reales. La suma se define como (x, y) + (u, v) escalar usuales. Demuestre que V es un espacio vecto-
= (x + 3u, y ± v), y la multiplicación escalar como D(x, y) rial.
= (Dx, Dy).
b.- El conjunto V del literal a). La suma definida como 5.1.13 En los conjuntos siguientes, investíguese si son
(x, y) + (u, v) = (x + u, y + v), y la multiplicación escalar espacios vectoriales:
como D(x, y) = (-Dx, Dy). a.- Todas las funciones f en >0; 1@ tales que f ´(x) > 0
c.- El conjunto V del literal a). La suma definida como en >0; 1@.
(x, y) + (u, v) = (x ± u, y ± v), y la multiplicación escalar b.- Todas las funciones f en >0; 1@ tales que se puede
como D(x, y) = (-Dx, -Dy). expresar f como g ± h, donde g y h son monótonas y
d.- El conjunto V del literal a). La suma definida como estrictamente crecientes.
(x, y) + (u, v) = (u, v), y la multiplicación escalar como c.- Todas las funciones f en >0; 1@ tales que f ´´(x) =
D(x, y) = (Dx, Dy). Senx.
d.- Todas las funciones f en >0; 1@ tales que f ´´(x) +
5.1.9 Demostrar que cada uno de los siguientes conjun- Senx f ´(x) = 0.
tos constituye un espacio vectorial: e.- V es el conjunto de todas las matrices de 2 x 2 con
a.- El conjunto de todos los vectores cuya segunda com- componentes reales. La suma es la suma habitual de
ponente es cero; matrices y la multiplicación escalar está definida por
b.- El conjunto de todos los vectores de la forma D( i + 2 j § a b · § Da 0 ·
D¨ ¸ ¨ ¸.
± k), donde D es un escalar; © c d ¹ © 0 Db ¹
c.- El conjunto de todos los vectores de la forma D( i ± k) f.- El conjunto V del literal e). La suma definida por
+ E j, donde D, E son escalares;
§a b· § e f · §a b·
d.- El conjunto de todos los números reales; ¨ ¸¨ ¸ ¨ ¸
e.- Todas las funciones de la forma f(x) = D Cosx + ©c d¹ ©g h¹ ©c d¹
ESenx, donde D, E son números, con la forma usual de y la multiplicación escalar es la habitual.
adición y multiplicación por números; g.- El conjunto V del literal e). La suma definida como
§a b· § e f · § e f · 5.1.19 Demuéstrese que con las reglas habituales de la

¨ ¸¨ ¸ ¨ ¸ adición y la multiplicación por escalares, los conjuntos
©c d¹ ©g h¹ ©g h¹ siguientes de funciones son espacios vectoriales:
y la multiplicación escalar definida por a.- El conjunto de las funciones diferenciables en > a ; b@.
§ a b · §0 0 · b.- El conjunto de todas las funciones con derivada
D¨ ¸ ¨ ¸.
© c d ¹ © 0 Dd ¹ segunda en >0; 1@.
h.- El conjunto V del literal e). La suma definida por c.- El conjunto de las funciones definidas en >0; 2@ que
§a b· § e f · § 0 b f · tienen ceros en 0, 1 y 2.
¨ ¸¨ ¸ ¨ ¸
©c d ¹ ©g h ¹ ©c g 0 ¹ 5.1.20 Considérense todas las sucesiones infinitas con
y la multiplicación escalar por índices que empiezan desde 1. Demuéstrese que cada
§ a b · § Da Db · uno de los conjuntos siguientes constituye un espacio
D¨ ¸ ¨ ¸. vectorial de funciones:
© c d ¹ © Dc Dd ¹
a.- Todas las sucesiones infinitas.
b.- Todas las sucesiones convergentes.
5.1.14 Determine si el conjunto dado, junto con las c.- Todas las sucesiones con límite 0.
operaciones indicadas, es un espacio vectorial. En caso d.- Todas las sucesiones que están acotadas superior e
negativo, indique que axiomas no se cumplen: inferiormente.
a.- El conjunto de todas las matrices singulares de n x n
con las operaciones normales; 5.1.21 Verifíquese que los conjuntos siguientes de
b.- El conjunto de todas las matrices no singulares de n x funciones no son espacios vectoriales:
n con las operaciones normales; a.- El conjunto de todas las funciones diferenciables en
c.- El conjunto de todas las matrices diagonales de n x n
>0; 1@ cuya derivada es 3x2.
con las operaciones normales.
b.- El conjunto de todas las funciones diferenciables f en
>0; 1@ tales que f ´ = f ± 1.
5.1.15 Determine si el conjunto dado, junto con las
operaciones indicadas, es un espacio vectorial. En caso c.- El conjunto de todas las funciones f en >0; 2@ con la
negativo, indique que axiomas no se cumplen: propiedad de que x d f ( x) en 0 d x d 2.
a.- Todas las funciones escalonadas definidas en [0; 1]; d.- El conjunto de todas las funciones f en >0; 2@ tales
b.- Todas las funciones con período 2S; que f(1) = 1.
1
c.- Todas las f integrable en [0; 1] con ³0 f ( x)dx t 0 ; 5.1.22 Demuéstrese que cada uno de los conjuntos
d.- Todos los polinomios de Taylor de grado d n para un siguientes es espacio vectorial de funciones:
n fijo (incluyendo el polinomio cero); a.- Todas las funciones f en >0; 1@ con derivadas conti-
e.- Todas las soluciones de una ecuación diferencial nuas de primero, segundo y tercer órdenes.
lineal homogénea de segundo orden y´´ + P(x)y´ + Q(x)y b.- Todas las funciones f en >0; 1@ con la propiedad de
= 0, siendo P y Q funciones dadas, continuas para todo x; que f ´´ + f = 0.
f.- Todas las sucesiones reales acotadas; c.- Todas las funciones f en >0; 1@ tales que f ´´ - 4f = 0.
g.- Todas las sucesiones reales convergentes; d.- El conjunto de todas las funciones continuas por
h.- Todas las gentes; tramos en >0; 3@.
i.- Todas las series reales convergentes. e.- El conjunto de todas las funciones representables
como suma de una serie convergente de potencias
5.1.16 Demuestre que los números reales pueden
considerarse como un espacio vectorial sobre los ¦ an xn en (-1; 1).
números racionales.
5.1.23 Demuéstrese que cada uno de los conjuntos
5.1.17 Demuestre que los números complejos se pueden siguientes de funciones no es un espacio vectorial:
considerar como un espacio vectorial sobre los números a.- Todas las funciones f definidas y no negativas: f(x) t
reales. 0 para todo x, en un intervalo dado.
b.- Todas las funciones definidas y no continuas en un
5.1.18 Sean V y W espacios vectoriales. Sea U el con- intervalo dado.
junto de todos los pares ordenados (v, w), donde v está c.- Todas las funciones que son continuas en >0; 1@ y
en V y w está en W. Definamos por analogía con V 2 la cuyo valor en x = 1 es 1.
adición y la multiplicación por escalares en U. Verifí- d.- Todas las funciones definidas que tienen un núme-
quense que el sistema que se obtiene es un espacio vecto- ro finito de ceros en >0; 1@.
rial. Es habitual denotar a U con el símbolo V x W.

5.2 SU B ESP A C I OS V E C T O R I A L ES
En esta sección se estudiará con detalle los espacios vectoriales que estén contenidos en un espacio vectorial
más grande. Se enunciarán y demostrarán sus propiedades.
Con frecuencia, se tiene que un espacio vectorial está contenido en otro, y que la
adición y la multiplicación por escalares del primer espacio vectorial se llevan a
cabo de manera exactamente igual a la del segundo. Cuando esto es así, se dice
que el primer espacio vectorial es subespacio del segundo.

En términos generales, para demostrar que un conjunto U con la adición y la mul-
tiplicación escalar En términos generales, para demostrar que un forma un espacio

vectorial es necesario verificar los 10 axiomas de espacio vectorial. Sin embargo,

si U es parte de un conjunto más grande V del que se sabe es un espacio vectorial,

entonces no es necesario verificar ciertos axiomas para U porque son heredados de
V.

Un subconjunto U de un espacio vectorial V se denomina subespacio de
V si U es un espacio vectorial bajo la adición y la multiplicación escalar
definidas sobre V.

Es importante tener en cuenta que para que un subconjunto no vacío U de un espa-
cio vectorial V sea un subespacio, el subconjunto y las operaciones de suma de
vectores y multiplicación por un escalar deben formar un sistema autocontenido.
Es decir, cualquier suma o multiplicación por un escalar efectuada con vectores
del subconjunto U siempre produce un vector que está en U. Si U es no vacío y
cerrado bajo la suma y multiplicación por un escalar, con seguridad constituye un
espacio vectorial por derecho propio. Por tanto, se ha llegado a un criterio eficien-
te para determinar si un subconjunto es un subespacio de un espacio vectorial.

T E O R E M A 5.2.1

Si U es un conjunto formado por uno o más vectores de un espacio vecto-
rial V, entonces U es un subespacio de V si y sólo si se cumplen las con-
diciones siguientes:
1.- Si u, v son elementos de U, entonces u + v está en U.
2.- Si a es cualquier número y u es un elemento de U, entonces au está
en U.
Si U es un subespacio de V, entonces se cumplen todos los axiomas de espacio vecto-
rial; en particular, se cumplen los axiomas 1 y 6. Pero éstas son precisamente las
condiciones 1 y 2. Recíprocamente, supóngase que se cumplen las condiciones 1 y 2.
Como estas condiciones son los axiomas 1 y 6 de espacio vectorial, basta demostrar
que U satisface los ocho axiomas restantes. Los vectores de U cumplen automática-
mente los axiomas 2, 3, 7, 8, 9 y 10, ya que estos axiomas se cumplen para todos los
vectores en V. En consecuencia, para completar la demostración, basta verificar que
los axiomas 4 y 5 se cumplen para vectores en U. Sea u cualquier vector de U. Por la
condición 2, au está en U para cualquier escalar a. Haciendo a = 0, se concluye que
0u = está en U, y haciendo a = -1 se concluye que (-1)u = -u está en U.

Se dice que un conjunto U formado por uno o más vectores de un espacio vectorial

V es cerrado bajo la adición si se cumple la condición 1 del teorema anterior, y

cerrado bajo la multiplicación escalar si se cumple la condición 2. Así, de esta
manera se establece que U es un subespacio de V si y sólo si U es cerrado bajo la
adición y cerrado bajo la multiplicación escalar.


Si A X = B es un sistema de ecuaciones lineales, entonces todo vector que satisface

esta ecuación se denomina vector solución del sistema. El teorema siguiente mues-
tra que los vectores solución de un sistema lineal homogéneo forman un espacio
vectorial, que se denomina espacio solución del sistema.

T E O R E M A 5.2.2
Si A X = es un sistema lineal homogéneo de m ecuaciones con n incóg-
nitas, entonces el conjunto de vectores solución es un subespacio de n.
Sea U el conjunto de vectores solución. En U existe por lo menos un vector, a

saber, . Para probar que U es cerrado bajo la adición y la multiplicación escalar,

es necesario demostrar que si X y Y son vectores solución cualesquiera y a es

cualquier escalar, entonces X + Y y a X también son vectores solución. Pero si X y

Y son vectores solución, entonces A X = y A Y = . A partir de lo cual se dedu-
ce que

A(X + Y) = A X + A Y = + = y A( a X) = a A X = a = .

Lo cual demuestra que X + Y y a X son vectores solución.

Dado un espacio vectorial V, siempre se le puede considerar como subespacio se
sí mismo. Por lo tanto, cada espacio vectorial V contiene siempre los subespacios
{} y V; a estos subespacios se les llama, por lo común, subespacios impropios
de V. Un subespacio de V distinto a uno de los subespacios impropios de V se le
llama subespacio propio de V.

Sea U un subespacio propio de 2. Entonces, U contiene un vector u distinto de
cero, y U contiene también a todos los múltiplos escalares de u. Si U contuviera un
vector v, que no fuera múltiplo escalar de u, entonces u, v serían linealmente inde-
pendientes, y U habría de contener a todos los vectores en R 2 de la forma Du + Ev,
donde D, E son escalares arbitrarios. Pero así se puede representar todo vector del
plano y, en consecuencia, U coincidiría con 2. Por lo tanto, no existe el tal vector
v, y U consta de los múltiplos escalares de u.
Por consiguiente, cada subespacio propio U de 2 corresponde a una recta que

pasa por el origen, en el plano.

Sea U un subespacio propio de 3. Entonces, U contiene un vector distinto de
cero, u = OQ y, en consecuencia, contiene a todos los múltiplos escalares Du; es
decir, a todos los vectores OP, con P en la recta L que pasa por O y por Q. Esto
puede ser la totalidad de U. De no ser así, entonces U contiene un vector v = OR,
donde R no está en L. En consecuencia, U también contiene a todos los vectores
u = OP, de la forma DOQ + EOR. Puesto que D y E toman todos los valores reales,
P varía en un plano S que pasa por O. Con esto, tal vez tengamos a todo U. De no
ser así, entonces en U hay un vector w = OS, donde S no está en S. En consecuen-
cia, U contiene a todos los vectores u = OP de la forma DOQ + EOR + MOS. Pero,
como S no está en S, los puntos P van por todo el espacio tridimensional, y U
resulta ser la totalidad de 3. Pero, con esto, U ya no sería subespacio propio de
R 3. Por lo tanto, sólo hay dos clases de subespacios propios de 3: los que corres-
ponden a rectas que pasan por O y los que corresponden a planos que pasan por O.
También se ve claramente que toda recta que pase por O y todo plano que pasa por
O corresponderán a subespacios propios U de 3.

EJ E M P L O 5.2.1

El conjunto de funciones diferenciables f en [0; 1], con la propiedad de que

f ´ = Df, es subespacio vectorial.


SO L U C I O N
Se ve claramente que contiene a la función cero, de manera que es un conjunto
no vacío de funciones en [0; 1]. Si f y g están en , entonces f + g y E f son funcio-
nes diferenciables en [0; 1], y
(f + g)´ = f ´ + g´ = E f + Eg = E(f + g), (E f)´ = E f ´ = E(Df) = D(E f).
En consecuencia, es cerrado bajo la adición y la multiplicación por escalares.
Por lo tanto, es subespacio vectorial.

E J E M P L O 5.2.2
Demostrar que el conjunto S = Â M(n x n) / A = A T` de las matrices simétricas,
forman un subespacio vectorial del espacio de las matrices cuadradas de orden n.
SO L U C I O N
Sean A = A T, B = B T S. Entonces para escalares cualesquiera O y M tenemos:
(OA + MB)T = (OA)T + (MB)T = OA T + MB T = OA + MB S.
Si además S, entonces:
(OA + MB)T = (O + M)T = OT + MT = O + M = S.
Luego (OA + MB)T S, y por lo tanto S es un subespacio de M(n x n).

EJ E M P L O 5.2.3
Sea el conjunto solución de un sistema no homogéneo A X = B, con las operaciones

usuales de adición de matrices y multiplicación por escalares. Demostrar que este

conjunto no es un subespacio vectorial.

SO L U C I O N

Supongamos que Y y Z son soluciones del sistema A X = B; es decir Y, Z n.

Entonces para escalares cualesquiera O y M, tenemos:

A(OY + MZ) = A(OY) + A(MZ) = O(A Y) + M(A Z) = OB + MB = (O + M)B z B

Como (OY + MZ) no es solución del sistema, entonces no es un subespacio vectorial

de n.

E J E M P L O 5.2.4
Determine si los siguientes subconjuntos son subespacios de 3. En caso afirmativo,
pruébelo, en caso contrario de una razón para la cual no sea un subespacio vectorial:
a.- S = {(a, b, c) / a + b ± 3 = 2c}; b.- S = {(a, b, c) / a + b = 4c};
c.- S = {(a, b, c) / a, b, c t 0}; d.- S = {(a, b, c) / a2 + b2 + c2 = 1}.
SO L U C I O N
a.- Está claro que S es vacío, puesto que el vector (0, 0, 0) S. Además el vector
más general de S es de la forma (-b + 2c + 3, b, c), donde b y c son números reales
cualesquiera. Sean los vectores (-x + 2y + 3, x, y) y (-u + 2v + 3, u, v) de S y sea k un
número real cualquiera. Entonces:
(-x + 2y + 3, x, y) + (-u + 2v + 3, u, v) = (-x ± u + 2y + 2v + 6, x + u, y + v) S,
k(-x + 2y + 3, x, y) = (-kx + 2ky + 3k, kx, ky) S.
Lo que prueba que S no es un subespacio vectorial.
b.- Está claro que S es no vacío, puesto que el vector (0, 0, 0) S. Además el vector
más general de S es de la forma (-b + 4c, b, c), donde b y c son números reales
cualesquiera. Sean los vectores (-x + 4y, x, y) y (-u + 4v, u, v) de S y sea k un número
real cualquiera. Entonces:
(-x + 4y, x, y) + (-u + 4v, u, v) = (-x ± u + 4y + 4v, x + u, y + v) S,
k(-x + 4y, x, y) = (-kx + 4ky, kx, ky) S.
Lo que prueba que S es un subespacio vectorial.
c.- Está claro que S es no vacío cuando a = b = c = 0, puesto que el vector (0, 0, 0)
S, pero cuando a, b, c > 0, S es vacío puesto que el vector (0, 0, 0) S. Lo que
prueba que S no es un subespacio vectorial.
d.- Está claro que S es vacío, puesto que el vector (0, 0, 0) S. Lo que prueba que S
no es un subespacio vectorial.

EJ E M P L O 5.2.5
Explique si cada uno de los siguientes subconjuntos del espacio vectorial 3 son
subespacios vectoriales de él:
a.- S = {p(x) / a + b = 0`; b.- S = {p(x) / a = b = c = d};
c.- S = {p(x) / a = b = c = 0}; d.- S = {p(x) / p(-1) = p(1) = 0}.
SO L U C I O N
a.- Claramente se puede ver que S es no vacío, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b, entonces
el polinomio más general de S es de la forma p(x) = bx3 + bx2 + cx + d, donde b, c y d
son números reales cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Ex + M y
r(x) = mx3 + mx2 + nx + s de S y sea k un número real cualquiera. Entonces:
q(x) + r(x) = (D + m)x3 + (D + m)x2 + (E + n)x + (M + s) S,
kq(x) = k(Dx3 + Dx2 + Ex + M) = kDx3 + kDx2 + kEx + kM S.
b.- Claramente se puede ver que S es no vacío, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = d,
entonces el polinomio más general de S es de la forma p(x) = dx3 + dx2 + dx + d,
donde d es un número real cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Dx +
D y r(x) = Ex3 + Ex2 + Ex + E de S y sea k un número real cualquiera. Entonces:
q(x) + r(x) = (D + E)x3 + (D + E)x2 + (D + E)x + (D + E) S,
kq(x) = k(Dx3 + Dx2 + Dx + D) = kDx3 + kDx2 + kDx + kD S.
c.- Claramente se puede ver que S es no vacío, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = 0,
entonces el polinomio más general de S es de la forma p(x) = 0x3 + 0x2 + 0x + d,
donde d es un número real cualesquiera. Sean los polinomios q(x) = 0x3 + 0x2 + 0x +
D y r(x) = 0x3 + 0x2 + 0x + E de S y sea k un número real cualquiera. Entonces:
q(x) + r(x) = (0 + 0)x3 + (0 + 0)x2 + (0 + 0)x + (D + E)
= 0x3 + 0x2 + 0x + (D + E) S,
kq(x) = k(0x + 0x2 + 0x + D) = 0x3 + 0x2 + 0x + kD S.
3

d.- Como S 3, entonces
p(x) = ax3 + bx2 + cx + d y p(-1) = - a + b - c + d = 0, p(1) = a + b + c + d = 0.
Por lo tanto
a b c d 0
®
¯a b c d 0
Resolviendo este sistema, obtenemos lo siguiente:
§1 1 1 1 0 · § 1 1 1 1 0 · § 1 1 1 1 0 · § 1 0 1 0 0 ·
¨ ¸|¨ ¸|¨ ¸|¨ ¸
©1 1 1 1 0 ¹ © 0 2 0 2 0 ¹ © 0 1 0 1 0 ¹ © 0 1 0 1 0 ¹
donde a = -c y b = -d. El nuevo conjunto S = {p(x) / a = -c y b = -d}. Claramente se
puede ver que S es no vacío, puesto que el polinomio 0x3 + 0x2 + 0x + 0 S.
Además el polinomio más general de S es de la forma p(x) = - cx3 - dx2 + cx + d,
donde c y d son números reales cualesquiera. Sean los polinomios q(x) = - Dx3 - Ex2
+ Dx + E y r(x) = - mx3 - nx2 + mx + n de S y sea k un número real cualquiera.
Entonces:
q(x) + r(x) = - (D + m)x3 ± (E + n)x2 + (D + m)x + (E + n) S,
kq(x) = k(- Dx3 - Ex2 + Dx + E) = - Dkx3 - Ekx2 + Dkx + Ek S.
EJ E M P L O 5.2.6
Sea S1 el plano en el espacio 3 dado por la ecuación a + 2b + c = 6. ¿Cuál es la
ecuación del plano S2 que pasa por el origen y es paralelo a S1? ¿Son S1 y S2
subespacios de 3?
SO L U C I O N
Para que el plano S2 pase por el origen y sea paralelo al plano S1 es necesario y
suficiente que los coeficientes del plano S2 sean iguales a los de S1 y el término
independiente sea igual a cero; es decir S2 : a + 2b + c = 0. El plano S1 = {(a, b, c) / a
+ 2b + c = 6} no es un subespacio de 3 porque no contiene al elemento nulo
(0, 0, 0) S1. Para S2 = {(a, b, c) / a + 2b + c = 0}, está claro que S2 es no vacío,
puesto que el vector (0, 0, 0) S2. Además el vector más general de S2 es de la forma
(-2b ± c, b, c), donde b y c son números reales cualesquiera. Sean los vectores
(-2x - y, x, y) y (-2u - v, u, v) de S2 y sea k un número real cualquiera. Entonces:
(-2x - y, x, y) + (-2u - v, u, v) = (-2x ± 2u ± y ± v, x + u, y + v) S;
k(-2x - y, x, y) = (-2kx - ky, kx, ky) S.
Lo que prueba que S2 es un subespacio vectorial.
PR O B L E M AS
5.2.1 Sea 5 el espacio vectorial y considere el conjunto g.- N: todos los u tales que
U de todos los polinomios de la forma (x3 + x)p(x), a1 a2 a3 a4 z 0 .
donde p(x) está en 2. ¿U es un subespacio de 5?
5.2.5 Determine cuándo el conjunto S de vectores de
5.2.2 Demuestre que los únicos subespacios de 2 son: n forman un subespacio de n:
1. el propio 2; a.- S consta de todos los vectores de 5 de la forma
2. el subespacio trivial que consiste únicamente del (x, y, z, x, x);
vector cero (0, 0); b.- S consta de todos los vectores de 4 de la forma
3. cualquier conjunto de vectores (x, y) representados por (x, 2x, 3x, y);
flechas que están a lo largo de una recta que pase por el
c.- S consta de todos los vectores de 6 de la forma
origen.
(x, 0, 0, 1, 0, y);
Esto es, dada cualquier recta que pase por el origen,
d.- S consta de todos los vectores de 3 de la forma
todos los vectores de 2 que puedan representarse como
(0, x, y);
vectores a lo largo de esta recta constituyen un subespa-
e.- S consta de todos los vectores de R 4 de la forma
cio de 2. Además, cualquier subespacio distinto de 2 y (x, y, x + y, x - y);
del subespacio trivial consiste en vectores a lo largo de
f.- S consta de todos los vectores de 7 con cero en la
una recta que pasa por el origen.
tercera y quinta componentes;
g.- S consta de todos los vectores de 4 con la primera
5.2.3 Demuestre que los únicos subespacios de 3 son
y segunda componentes iguales;
los siguientes:
h.- S consta de todos los vectores de 4 con la tercera
1. el propio 3;
componente igual a 2;
2. el subespacio trivial que consiste solamente del vector
i.- S consta de todos los vectores de 7 con la séptima
cero (0, 0, 0);
componente igual a la suma de las primeras seis compo-
3. todos los vectores paralelos a una recta dada que pasa
nentes;
por el origen;
4. todos los vectores que están en un plano dado que j.- S consta de todos los vectores de 8 con cero en la
pasa por el origen. primera, segunda y cuarta componentes y la tercera
componente igual a la sexta.
5.2.4 En cada uno de los subconjuntos siguientes de
5.2.6 Sea U el espacio vectorial de todas las funciones
4, determínese si el subconjunto es un subespacio:
a.- W: todos los u = ( a 1, a 2, a3, a 4) tales que a 1 = a 2. reales f en >-1; 1@. Determínese si cada uno de los con-
b.- U: todos los u tales que juntos siguientes es subespacio de U:
a 1 = a 2 y a 1 + a 2 + a 3 + a 4 = 0. a.- U: el conjunto de todas las f tales que f(0) = 0.
c.- J: todos los u tales que a 1 es racional. b.- U: el conjunto de todas las f tales que f(x) = 0 en -1
d.- K : todos los u tales que a 1 + a 2 + a 3 + a 4 d 0. d x d ½.
c.- U: el conjunto de todas las f tales que f es continua
e.- L: todos los u tales que x1 x22 . en x = ½.
f.- M : todos los u tales que, o bien a 1 = a 2, o bien d.- U: el conjunto de todas las f tales que f(x) = f(-x) en
a 3 = a 4. -1 d x d 1.

e.- U: el conjunto de todas las f tales que f es monótona 5.2.8 Sean U y W subespacios de un espacio vectorial
y estrictamente creciente en >-1; 1@. V. Hágase ver que, si U es subconjunto de W, entonces
U es subespacio de V.
5.2.7 Demuéstrese: si a 1« a k son escalares, no todos
0, y si W es el conjunto de todos los (u1« uk) con la 5.2.9 Sea W subespacio de V y sea U subespacio de
propiedad de que a 1u1 « a kuk = 0, entonces W es W. Hágase ver que U es subespacio de V.
subespacio de k, y W es espacio no trivial si k t 2.
5.3 C O M B I N A C I O N ES L I N E A L ES Y SU B ESP A C I OS G E N E R A D OS
En esta sección estudiaremos un conjunto de vectores S que genera un espacio vectorial dado si todo vector en
este espacio se puede expresar como una combinación lineal de los vectores de S. En general, puede haber
más de una forma de expresar un vector del espacio vectorial como una combinación lineal de vectores en un
conjunto generador.
Suponga que en el espacio vectorial V, definido sobre un cuerpo real o complejo,

se ha elegido un número determinado de vectores arbitrarios u1, u2, ..., uk que no
son necesariamente diferentes. Llamaremos a estos vectores sistema de vectores.
Un sistema de vectores se denominará subsistema del segundo sistema,
si el primer sistema sólo contiene ciertos vectores del segundo y no con-
tiene ningún otro vector.
Sobre los vectores del sistema dado y los vectores obtenidos de los primeros se
realizarán las operaciones de adición y multiplicación por escalares. Está claro
que todo vector u de la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2, ..., a k son
escalares, se obtiene de los vectores del sistema dado u1, u2, ..., uk con ayuda de
las operaciones citadas. Más aún, cualquiera que sea el orden en que se realicen
estas operaciones, obtendremos solamente los vectores del tipo antes mencionado.
Un vector u se denomina combinación lineal de los vectores u1, u2, ..., uk
si se puede expresar en la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2,
..., a k son escalares.
Si k = 1, entonces la ecuación de la definición precedente se reduce a u = a 1u1; es

decir, u es una combinación lineal de un solo vector u1 si es un múltiplo escalar
de u1. Respecto del vector u suele decirse que se expresa linealmente en términos
de los vectores u1, u2, ..., uk. El segundo miembro de la expresión u = a 1u1 + a 2u2
+ ... + a kuk se denomina combinación lineal de estos vectores y los números a 1, a 2,
..., a k son los coeficientes de la combinación lineal.
EJ E M P L O 5.3.1
Está dado el sistema de polinomios p(t) = 1 - t2, q(t) = 1 + t3, r(t) = t - t3, s(t) = 1 + t +
t2 + t3. Hallar las combinaciones lineales de los polinomios de ese sistema:
a.- 5p(t) + q(t) ± 4r(t); b.- p(t) + 9q(t) ± 4s(t).
Discutir los resultados obtenidos.
SO L U C I O N
a.- Para la combinación lineal 5p(t) + q(t) - 4 r(t), obtenemos
5(1 - t2) + (1 + t3) ± 4(t - t3) = 6 ± 4t ± 5t2 + 5t3.
b.- Para la combinación lineal p(t) + 9q(t) ± 4s(t), obtenemos
(1 - t2) + 9(1 + t3) ± 4(1 + t + t2 + t3) = 6 ± 4t - 5t2 + 5t3.
Podemos observar que tanto 5p(t) + q(t) - 4 r(t), como p(t) + 9q(t) ± 4s(t) tienen la
misma combinación lineal.
E J E M P L O 5.3.2
a.- Verifíquese que el polinomio p(t) = t2 + 4t - 3 es una combinación lineal de los
polinomios q(t) = t2 - 2t + 5, r(t) = 2t2 - 3t, s(t) = t + 3.
b.- Verifique si el vector v = (2, -5, 3) se puede expresar como combinación lineal
de los vectores v1 = (1, -3, 2), v2 = (2, -4, -1), v3 = (1, -5, 7).
SO L U C I O N
a.- Según la definición, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 4t ± 3 = a (t2 - 2t + 5) + b(2t2 ± 3t) + c(t + 3)
Agrupando términos semejantes, obtenemos
t2 + 4t ± 3 = ( a + 2b)t2 + (-2 a - 3b + c)t + (5 a + 3c)
Establecemos el sistema de ecuaciones y resolvemos
a 2b 1 a 3
° °
®2 a 3b c 4 ® b 2
° 5a 3c 3 °c 4
¯ ¯
Por lo tanto
p(t) = - 3q(t) + 2 r(t) + 4s(t).
b.- Según la definición, debemos resolver v = av1 + bv2 + cv3. Es decir
(2, -5, 3) = a (1, -3, 2) + b(2, -4, -1) + c(1, -5, 7)
(2, -5, 3) = ( a + 2b + c, -3 a ± 4b ± 5c, 2a ± b + 7c)
a 2b c 2
°
®3a 4b 5c 5 .
° 2a b 7c 3
¯
Este sistema tiene un número indeterminado de soluciones. Por lo tanto el vector
v no se puede expresar como combinación lineal de los vectores v1, v2, v3.
EJ E M P L O 5.3.3
§ 3 1·
Verifique si la matriz A ¨ ¸ se puede expresar como combinación lineal de
© 1 1¹
§1 1 · § 0 0· §0 2· §0 1·
las matrices B ¨ ¸, C ¨ ¸, D ¨ ¸, E ¨ ¸.
© 1 0 ¹ © 1 1 ¹ © 0 1 ¹ ©1 0¹
SO L U C I O N
Según la definición, debemos resolver A = a B + b C + c D + d E. Es decir
§ 3 1· §1 1 · § 0 0 · § 0 2 · §0 1·
¨ ¸ a¨ ¸ b¨ ¸ c¨ ¸d¨ ¸
© 1 1¹ ©1 0 ¹ © 1 1 ¹ © 0 1¹ ©1 0¹
§ 3 1· § a a 2c d ·
¨ ¸ ¨ ¸
© 1 1 ¹ © a b d bc ¹
a 3 a 3
° a 2c d 1 °b 2
° °
® ®
° a b d 1 ° c 1
°¯ b c 1 °¯ d 0
Por lo tanto A = 3B - 2C ± D.
E J E M P L O 5.3.4
Compruebe que el vector p(t) = t2 + 3t ± 2 se puede expresar como combinación
lineal de los vectores q(t) = 3t2 + t - 4, r(t) = 2t ± 5, s(t) = 2t2 ± 2t + 3.

SO L U C I O N
Según la definición, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 3t ± 2 = a (3t2 + t - 4) + b(2t ± 5) + c(2t2 ± 2t + 3)
t2 + 3t ± 2 = (3 a + 2c)t2 + ( a + 2b ± 2c)t + (- 4 a - 5b + 3c)
3a 2 c 1 a 13 / 3
° ° 13 20
® a 2b 2c 3 ® b 20 / 3 p(t ) q (t ) r (t ) 6 s (t ) .
°4 a 5b 3c 2 ° c 6 3 3
¯ ¯

% COMPRUEBA SI UN VECTOR ES COMBINACION LINEAL DE UN SISTEMA DE VECTORES S
clc;;clear;;
fprintf('\n COMBINACION LINEAL \n')
fil=input('Ingrese el numero de vectores: ');;
col=input('Ingrese la dimension del vector: ');;
fprintf('\n Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\n Ingrese el vector (%d)\n', f)
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',c,f)
S(c,f)=input(' :');;
end
end
fprintf('\n El SISTEMA DE VECTORES S ES:\n')
S
fprintf('\n Ingrese el vector u \n')
%for f=1:col
for c=1:col
fprintf('Ingrese el elemento %d',c)
u(c,1)=input(' :');;
end
fprintf('El VECTOR u es:\n')
u
end
fprintf('LA MATRIZ REDUCIDA ES:')
R1= rref(S);;
R1
RangS=rank(S)
fprintf('\n LA MATRIZ AUMENTADA ES: \n',c);;
A=[S,u];;
A
R2= rref(A);;
R2
RangA=rank(A)
end
if RangA==col-1
fprintf('El vector u si se expresa como combinacion lineal de S\n')
else
fprintf('El vector u no se puede expresar como combinacion lineal de S\n')
end
Si S = {v1, v2, ..., vk} es un conjunto de vectores en un espacio vectorial
V, entonces el subespacio U de V que consta de todas las combinaciones
lineales de los vectores en S se denomina espacio generado por v1, v2, ...,
vk, y se dice que los vectores v1, v2, ..., vk generan a U. Para indicar que U
es el espacio generado por los vectores del conjunto S.
Fijemos el sistema de vectores u1, u2, ..., uk y dejemos que los coeficientes de las

combinaciones lineales tomen cualesquiera valores. En este caso quedará definido

cierto conjunto de vectores de V. Este conjunto lleva el nombre de subespacio
generado de los vectores u1, u2, ..., uk.
El interés hacia los subespacios generados se debe a dos circunstancias. En primer

lugar, si U es un subespacio de V que contiene a v1, v2, ..., vk, entonces U contiene
a todas las combinaciones lineales de esos vectores; es decir, U contiene a
Span{v1, v2, ..., vk}. Segundo, podemos decir que Span{v1, v2, ..., vk} es el menor
de los subespacios de V que contienen a los vectores v1, v2, ..., vk.
Si U es subespacio de V y si S es un subconjunto de V con la propiedad de que

Span(S) = U, decimos que S genera a U. Subconjuntos diferentes pueden generar
el mismo subespacio U. También podemos hablar del subespacio que genera un
subconjunto infinito S de V. En ese caso, Span(S) es el conjunto de todas las
combinaciones lineales de todos los subconjuntos finitos de S.
T E O R E M A 5.3.1
Si v1, v2, ..., vk son vectores en un espacio vectorial V, entonces:
1.- El conjunto U de las combinaciones lineales de v1, v2, ..., vk es
subespacio de V;
2.- U es el menor subespacio de V que contiene a v1, v2, ..., vk, en el sen-
tido de que cualquier otro subespacio que contenga a v1, v2, ..., vk debe
contener a U.
1.- Para demostrar que U es un subespacio de V, es necesario probar que es ce-
rrado bajo la adición y la multiplicación escalar. En U existe por lo menos un
vector, a saber, , ya que
= 0v1 + 0v2 + ... + 0vk.
Si u y v son vectores en U, entonces
u = a 1u1 + a 2u2 + ... + a kuk
y
v = b1u1 + b2u2 + ... + bkuk
donde a 1, a 2, ..., a k, b1, b2, ..., bk son escalares. Por consiguiente,
u + v = (a 1 + b1)v1 + ( a 2 + b2)v2 + ... + (a k + bk)vk
y, para cualquier escalar a ,
au = (aa 1)v1 + ( aa 2)v2 + ... + (aa k)vk.
Así, u + v y au son combinaciones lineales de v1, v2, ..., vk, y, en consecuencia,
están en U. Por tanto, U es cerrado bajo la adición y la multiplicación escalar.
2.- Cada vector vi es una combinación lineal de v1, v2, ..., vk, ya que es posible escri-
bir vi = 0v1 + 0v2 + ... + 0vk. Por consiguiente, en el subespacio U están todos y cada
uno de los vectores v1, v2, ..., vk. Sea W cualquier otro subespacio que contiene a v1,
v2, ..., vk. Como W es cerrado bajo la adición y la multiplicación escalar, debe conte-
ner todas las combinaciones lineales de v1, v2, ..., vk. Así, W contiene a cada vector de
U.
Ahora surgen unas preguntas: ¿En qué condiciones los subespacios generados de
dos sistemas diferentes de vectores consisten de los mismos vectores del espacio
inicial? ¿Qué número mínimo de vectores define un mismo subespacio vectorial?
¿Será el espacio vectorial inicial un subespacio generado de algunos de sus vecto-
res? Las respuestas a estas preguntas y otras las daremos más adelante.
Con este fin emplearemos en gran escala la noción de combinación lineal y, en

particular, la propiedad de su transitividad. A saber, si un cierto vector u es una
combinación lineal de los vectores v1, v2, ..., vk, y cada uno de ellos, a su turno, es
una combinación lineal de los vectores w1, w2, ..., wk, entonces el vector u también
puede ser representado como combinación lineal de los vectores w1, w2, ..., wr.

Dos sistemas de vectores S = {v1, v2, ..., vk} y S´ = {w1, w2, ..., wk} de un
espacio vectorial V, se dicen equivalentes, cuando ambos engendran el
mismo subespacio.
Es evidente que, para el conjunto de los sistemas finitos de vectores de un espacio

vectorial, la equivalencia recién definida es una relación de equivalencia. De aquí
se desprende que si los subespacios generadores de dos sistemas de vectores coin-
ciden, entonces los sistemas son equivalentes. Así pues, los conjuntos generado-
res no son únicos.
T E O R E M A 5.3.2
Si S = {v1, v2, ..., vk} y S´= {w1, w2, ..., wk} son dos conjuntos de vectores
en un espacio vectorial V, entonces Span(S) = Span(S´) si y sólo si todo
vector en S es una combinación lineal de los vectores en S´ y, recípro-
camente, todo vector en S´ es una combinación lineal de los vectores en
S.
Los sistemas S y S´ son equivalentes, es decir, si Span(S) = Span(S´), todo vector
de uno de estos subespacios, y en particular los vectores que le engendran
pertenecen al otro, es decir, depende linealmente de los vectores que engendran al
otro. Recíprocamente, si todos los vectores del sistema S dependen linealmente de
los del sistema S´, entonces, todo vector que depende linealmente de los vectores
de S también depende linealmente de los de S´, es decir Span(S) Span(S´), si
además, también los vectores de S´ dependen linealmente de los de S, se
verificará que Span(S´) Span(S).
E J E M P L O 5.3.5
Determine en caso de existir el subespacio generado por el conjunto de vectores
a.- S = {t2 + 3t ± 1, 2t2 + 1, 3t2 + t ± 1}; b.- S = {1- t2, t ± t2, 2 ± t ± t2}.
SO L U C I O N
a.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
combinación lineal de los elementos de S. Es decir
at2 + bt + c = O(t2 + 3t ± 1) + M(2t2 + 1) + G(3t2 + t ± 1)
Agrupando los términos comunes, obtenemos
at2 + bt + c = (O + M + 3G)t2 + (3O + G)t + (- O + M - G)
Establecemos el sistema de ecuaciones

O M 3G a
°
® 3O G b
° O M G c
¯
Resolvemos este sistema, utilizando el método de operaciones elementales
§ 1 1 3 a · §1 1 3 a · §1 1 3 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 0 1 b |
¸ ¨ 0 3 8 3 a b ¸ ¨| 0 3 8 3 a b ¸
¨ 1 1 1 c ¸ ¨ 0 2 2 a c ¸ ¨ 0 0 10 3a 2b 3c ¸
© ¹ © ¹ © ¹
Como el Rang( A ) = 3, no existe subespacio generado por el conjunto S.
b.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
at2 + bt + c = O(1 - t2) + M(t - t2) + G(2 ± t - t2).
Formamos el determinante de la matriz de coeficientes:
1 0 1
0 1 1 0 .
2 1 1
Como este determinante es igual cero, entonces procedemos a encontrar el subes-
pacio generado:
§ 1 0 1 a · § 1 0 1 a · § 1 0 1 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 1 b |
¸ ¨ 0 1 1 b |
¸ ¨ 0 1 1 b ¸.
¨ 2 1 1 c ¸ ¨ 0 1 1 2 a c ¸ ¨ 0 0 0 2 a b c ¸
© ¹ © ¹ © ¹
En este caso, el subespacio generado tiene la siguiente forma:
Span(S) = {( a , b, c)/ 2 a - b ± c = 0}.
EJ E M P L O 5.3.6
Hallar el menor subespacio de 3 en el que se encuentran los polinomios:
q(t) = 2t3 + 2t2 - 2t, r(t) = t3 + 2t2 - t + 5, s(t) = t3 + 2t2 - 6t - 6.
SO L U C I O N
Como Oq(t) + Dr(t) + Gs(t) = p(t), entonces
O(2t3 + 2t2 - 2t) + D(t3 + 2t2 - t + 5) + G(t3 + 2t2 - 6t - 6) = at3 + bt2 + ct + d
§ 2 1 1 a · §2 1 1 a · §2 1 1 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 2 2 b ¸ | ¨ 0 1 1 a b ¸ | ¨ 0 1 1 a b ¸
¨ 2 1 6 c ¸ ¨ 0 0 5 a c ¸ ¨ 0 0 5 ac ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
© 0 5 6 d ¹ © 0 5 6 d ¹ © 0 0 11 5a 5b d ¹
§2 1 1 a ·
¨ ¸
¨ 0 1 1 a b ¸
¨ 0 0 5 ac ¸
¨¨ ¸¸
© 0 0 0 14 a 25b 11c 5d ¹
Por lo tanto, el subespacio mínimo es
Span{q(t), r(t), s(t)` = Span{(a, b, c, d) / 14a - 25b ± 11c + 5d = 0}.
E J E M P L O 5.3.7
Demuestre que el menor subespacio de 3 en el que se encuentran los vectores
v1 = (1, 0, -1), v2 = (0, 2, -2), v3 = (0, -2, 2) es el plano a + b + c = 0.
SO L U C I O N
El menor subespacio de 3 que contiene a v1, v2 y v3 es Span(S), donde:
Span(S) = Span{(a, b, c) = O(1, 0, -1) + M(0, 2, -2) + G(0, -2, 2) / O, M, G }
= Span{(a, b, c) = (O, 2D - 2G, -O - 2D + 2G) / O, D, G }
Se desea describir este subespacio de 3 en otros términos. Obsérvese que de la

última expresión para Span(S) se obtiene

O a
°
® 2D 2G b
°O 2D 2G c
¯
que puede interpretarse como un sistema de 3 ecuaciones con 3 incógnitas O, D, G, el
cual se sabe que tiene solución. Al aplicar el método de eliminación Gaussiana a este
sistema se obtiene
§ 1 0 0 a · §1 0 0 a · §1 0 0 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 2 2 b ¸ | ¨ 0 2 2 b ¸ | ¨ 0 2 2 b ¸
¨ 1 2
© 2 c ¸¹ ¨© 0 2 2 a c ¸¹ ¨© 0 0 0 a b c ¸¹
Entonces, el hecho de la existencia de soluciones del sistema es equivalente a que a
+ b + c = 0. Es decir, el vector v es una combinación lineal de v1, v2 y v3 si, y sólo si
a + b + c = 0. Por lo tanto, el subespacio Span{v1, v2, v3} puede ser escrito como:
Span{v1, v2, v3} = Span{(a, b, c) / a + b + c = 0},
lo cual es subespacio vectorial de 3 que representa geométricamente un plano que
pasa por el origen.
E J E M P L O 5.3.8
Demuestre que no existe subespacio propio de 3 en el que se encuentren los
vectores (1, 1, 1), (1, 1, 0), (1, 0, 0).
SO L U C I O N
Span(S) = Span{( a , b, c) = O(1, 1, 1) + D(1, 1, 0) + G(1, 0, 0) / O, D, G }
= {(O + D + G, O + D, O) / O, D, G }
Se desea describir este subespacio de 3 en otros términos. Obsérvese que de la
última expresión para Span{v1, v2, v3} se obtiene
O D G a
°
®O D b
°O c
¯
que puede interpretarse como un sistema de 3 ecuaciones con 3 incógnitas O, D, G. Al
aplicar el método de eliminación Gaussiana a este sistema se obtiene
§1 1 1 a · § 1 1 1 a · § 1 1 0 a b ·
¨ ¸ ¨ ¸ ¨ ¸
¨1 1 0 b ¸ | ¨ 0 0 1 b a ¸ | ¨ 0 0 1 b a ¸
¨1 0 0 c ¸ ¨ 0 1 1 c a ¸ ¨ 0 1 0 c b ¸
© ¹ © ¹ © ¹
Podemos ver que no existe condición restrictiva para que el vector v sea combinación
lineal de los vectores v1, v2, v3. Por lo tanto no existe subespacio propio de 3.
EJ E M P L O 5.3.9
Hallar el menor subespacio del subespacio solución S del sistema de ecuaciones
homogéneo:
a 2b 2c 2d e 0
°
® a 2b c 3d 2e 0 .
°2 a 4b 7 c d e 0
¯
SO L U C I O N
Resolvemos el sistema de ecuaciones homogéneas:
§ 1 2 2 2 1 0 · § 1 2 2 2 1 0 · § 1 2 2 2 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 2 1 3 2 0 ¸ | ¨ 0 0 1 1 1 0 ¸ | ¨ 0 0 1 1 1 0 ¸
¨ 2 4 7 1 1 0 ¸ ¨ 0 0 3 3 1 0 ¸ ¨ 0 0 0 0 2 0 ¸¹
© ¹ © ¹ ©
Por lo tanto, el subespacio mínimo de S es
Span(S) = Span{(a, b, c, d, e) / a = - 2b ± 4d, c = - d, e = 0}.

EJ E M P L O 5.3.10
a.- Demuéstrese que si U es un subconjunto de V, entonces Span(U) es un
subespacio de V.
b.- Demostrar que Span(U) es el menor subespacio que contiene a U, si W es un
subespacio de V y si U W, entonces Span(U) W.
SO L U C I O N
a.- Sabemos por hipótesis que U V y que U Span(U). El Span(U) es el
subespacio generado por todas las combinaciones lineales de U, si U es subconjunto
de V, entonces sus elementos cumplen con los axiomas del espacio vectorial V. Por
lo tanto, el subespacio generado por U también cumple dichos axiomas, por lo cual
el Span(U) es un subespacio de V.
b.- Si U genera un subespacio, éste es el resultado de todas las combinaciones
lineales posibles a partir de U, si no se tomaran todas las combinaciones lineales
posibles para generar el Span(U), éste no heredaría los axiomas del espacio vectorial,
y por tanto solamente sería un conjunto contenido en el espacio vectorial. En
consecuencia, Span(U) es el menor subespacio de V que puede contener a U.
Además, si el conjunto U está contenido en un subespacio W del espacio vectorial V,
este subespacio W contiene al Span(U). En un caso muy particular, W puede ser
igual al Span(U), debido a que el Span(U) es el menor subespacio que puede ser
generado por el conjunto U en el espacio vectorial V.
EJ E M P L O 5.3.11
Describir el subespacio generado por los sistemas de vectores siguientes:
a.- S = {(1, 0, 0, 0, 0), (0, 0, 1, 0, 0), (0, 0, 0, 0, 1)};
b.- S = {(1, 0, 0, 0, 1), (0, 1, 0, 1, 0), (0, 0, 1, 0, 0)};
c.- S = {(1, 0, 0, 0, -1), (0, 1, 0, 0, -1), (0, 0, 1, 0, -1), (0, 0, 0, 1, -1)}.
SO L U C I O N
a.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
( a , b, c, d, e) = D(1, 0, 0, 0, 0) + E(0, 0, 1, 0, 0) + M(0, 0, 0, 0, 1).
Formamos la matriz aumentada del sistema generado por la combinación lineal:
§1 0 0 a ·
¨ ¸
¨0 0 0 b ¸
¨0 1 0 c ¸ .
¨ ¸
¨0 0 0 d ¸
¨0 0 1 e ¸
© ¹
Span(S) = {( a , b, c, d, e) / b = d = 0}.
b.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento co-
mo combinación lineal de los elementos de S. Es decir
( a , b, c, d, e) = D(1, 0, 0, 0, 1) + E(0, 1, 0, 1, 0) + M(0, 0, 1, 0, 0).
§1 0 0 a · §1 0 0 a · §1 0 0 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨0 1 0 b ¸ ¨0 1 0 b ¸ ¨0 1 0 b ¸
¨0 0 1 c ¸ | ¨0 0 1 c ¸ | ¨0 0 1 c ¸.
¨ ¸ ¨ ¸ ¨ ¸
¨0 1 0 d ¸ ¨0 1 0 d ¸ ¨0 0 0 b d ¸
¨1 0 0 e ¸ ¨0 0 0 a e¸ ¨0 0 0 a e ¸
© ¹ © ¹ © ¹
Span(S) = {( a , b, c, d, e) / b - d = 0, a ± e = 0}.
c.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
( a , b, c, d, e) = D(1, 0, 0, 0, -1) + E(0, 1, 0, 0, -1) + M(0, 0, 1, 0, -1) +

+ G(0, 0, 0, 1, -1)
§ 1 0 0 0 a · §1 0 0 0 a · §1 0 0 0 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 0 0 b ¸ ¨0 1 0 0 b ¸ ¨0 1 0 0 b ¸
¨ 0 0 1 0 c ¸ | ¨0 0 1 0 c ¸ | ¨0 0 1 0 c ¸
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 0 0 1 d ¸ ¨0 0 0 1 d ¸ ¨0 0 0 1 d ¸
¨ 1 1 1 1 e ¸ ¨ 0 1 1 1 a e ¸ ¨ 0 0 1 1 a b e ¸
© ¹ © ¹ © ¹
§1 0 0 0 a · §1 0 0 0 a ·
¨ ¸ ¨ ¸
¨0 1 0 0 b ¸ ¨0 1 0 0 b ¸
¨0 0 1 0 c ¸ | ¨0 0 1 0 c ¸.
¨ ¸ ¨ ¸
¨0 0 0 1 d ¸ ¨0 0 0 1 d ¸
¨0 0 0 1 a b c e ¸¹ ¨© 0 0 0 0 a b c d e ¸¹
©
Span(S) = {( a , b, c, d, e) / a + b + c + d + e = 0}.
EJ E M P L O 5.3.12
Demuéstrese que si V es el espacio de las funciones doblemente diferenciables
definidas en a d t d b y S es el conjunto de funciones ^Sent, Cost}, entonces Span(S)
es el espacio de las funciones que cumplen f ´´ = - f.
SO L U C I O N
Sabemos que S = {Sent, Cost}. Haciendo la combinación lineal obtenemos
f(t) = aSent + bCost
derivamos dos veces esta expresión
f ´(t) = aCost ± bSent
f ´´(t) = - aSent ± bCost = - (aSent + bCost) = - f(t)
Por lo tanto concluimos que
Span(S) = {f C 2[ a ; b] / f ´´(t) = - f(t)}.
PR O B L E M AS
5.3.1 Pruebe que S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} es una 5.3.5 Sean S = {(1, 0, -2), (0, 3, 6), (-4, -2, 3)} y u = (4, 1,
base, demostrando que Span(S) contiene a (1, 0, 0), (0, 1, -4) y sea W = Span(S):
0) y (0, 0, 1). ¿Por qué basta esto? a.- ¿Está u en S? ¿Cuántos vectores hay en S?;
b.- ¿Está u en W? ¿Cuántos vectores hay en W?
5.3.2 Los números reales forman un espacio vectorial c.- Demuestre que (1, 0, -2) está en W.
sobre los racionales. Demuestre que {1, 2} y
5.3.6 Determine el menor subespacio de las matrices de 3
{1 2,1 2} generan al mismo subespacio. x 3 que contenga todas las matrices simétricas y todas las
matrices triangulares inferiores. ¿Cuál es el mayor
5.3.3 Encontrar la ecuación del plano generado por los subespacio contenido en ambos subespacios?
vectores u = (-1, 4, 5) y v = (6, -3, 2).
5.3.7 Demuestre que los sistemas de vectores S1 = {(1, 6,
5.3.4 Encontrar las ecuaciones paramétricas de la recta 4), (2, 4, -1), (-1, 2, 5)} y S2 = {(1, -2, -5), (0, 8, 9)}
generada por el vector u = (5, -1, 4). generan el mismo subespacio de 3.
5.4 I N T E RSE C C I O N Y SU M A D E SU B ESP A C I OS. SU M A D I R E C T A
En esta sección se estudiarán los subespacios intersección, suma y suma directa. Con el trabajo aquí realizado
se comprenderá mejor la relación que hay entre las soluciones de un sistema de ecuaciones lineales y las pro-
piedades de su matriz de coeficientes.

Considere el espacio vectorial arbitrario V. Este espacio engendra el conjunto de

todos los subespacios suyos, El cual se representa por S. En este conjunto S se
pueden definir dos operaciones algebraicas que, a base de unos subespacios, per-
miten construir otros.

Se denomina intersección de los subespacios vectoriales U y W, al conjunto
de todos los vectores pertenecientes simultáneamente tanto a U como a W.

T E O R E M A 5.4.1
Dados un subespacio vectorial S, sobre un cuerpo K, y dos subespacios
suyos U y W, demuestre que el conjunto U W es también un subespacio
vectorial de S.
Si u U y w W, se debe verificar, por una parte, que u U W y w U W, y
por otra parte, que u + w U, u + w W y u + w U W. De la misma manera,
se llega a la conclusión u + w U W, para todo a K , que demuestra como
U W es un subespacio vectorial de S.
Como el vector nulo de V pertenece a todos sus subespacios, no hay subespacio de

intersección vacía. Cuando se diga que dos subespacios U y W son disjuntos,
se debe entender que no tienen más elemento en común que el vector cero, es
decir, se verifica que U W = {}.
Resulta evidente que el subespacio intersección de varios subespacios dados es el
más amplio de todos los subespacios contenidos en todos ellos.
EJ E M P L O 5.4.1
Sean
U = {(a, b, c, d) / b ± 2c + d = 0} y W = {(a, b, c, d) / a = d, b = 2c}
subespacios de 4. Hallar U W.
SO L U C I O N
Tomando las condiciones de los conjuntos U y W, tenemos el siguiente sistema de
ecuaciones homogéneo:
b 2c d 0 § 0 1 2 1 0 · § 0 1 2 1 0 ·
° ¨ ¸ ¨ ¸
®ad 0 ¨ 1 0 0 1 0 ¸ | ¨ 1 0 0 1 0 ¸ .
° b 2c 0 ¨ 0 1 2 0 0 ¸ ¨ 0 0 0 1 0 ¸
¯ © ¹ © ¹

Por lo tanto U W = {(a, b, c, d) / a = d = 0, b = 2c}.

EJ E M P L O 5.4.2
Sean
U = {(1, -1, -1, 0, 0), (1, -2, -2, 0, -3), (1, -1, -2, -2, 1)}
y
W = {(1, -2, -3, 0, -2), (1, -1, -3, 2, -4), (1, -1, -2, 2, -5)}
subespacios de 5. Hallar U W.
SO L U C I O N
Primera encontramos los subespacios generados Para U y W:
§ 1 1 1 a · §1 1 1 a · §1 1 1 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 2 1 b ¸ ¨ 0 1 0 a b ¸ ¨ 0 1 0 a b ¸
¨ 1 2 2 c ¸ | ¨ 0 1 1 a c ¸ | ¨ 0 0 1 bc ¸
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 0 2 d ¸ ¨ 0 0 2 d ¸ ¨ 0 0 2 d ¸
¨ 0 3 1 e ¸ ¨ 0 3 1 e ¸ ¨ 0 0 1 3a 3b e ¸
© ¹ © ¹ © ¹


§1 1 1 a ·
¨ ¸
¨ 0 1 0 a b ¸
¨0 0 1 bc ¸.
¨ ¸
¨0 0 0 2b 2c d ¸
¨0 0
© 0 3a 4b c e ¸¹
Por lo tanto
Span(U) = {(a, b, c, d, e) / 3a + 4b ± c ± e = 0, 2b ± 2c + d = 0}.
§ 1 1 1 a · §1 1 1 a · §1 a
1 1 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 1 1 b ¸ ¨ 0 1 1 2 a b ¸ ¨ 0 1 1 2a b ¸
¨ 3 3 2 c ¸ | ¨ 0 0 1 3 a c ¸ | ¨ 0 0 1 3a c ¸
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 2 2 d ¸ ¨0 2 2 d ¸ ¨0 0 0 4 a 2b d ¸
¨ 2 4 5 e ¸ ¨ 0 2 3 2 a e ¸ ¨ 0 0 1 6 a 2b e ¸¹
© ¹ © ¹ ©

§1 1 1 a ·
¨ ¸
¨0 1 1 2a b ¸
¨0 0 1 3a c ¸
¨ ¸
¨0 0 0 4 a 2b d ¸
¨0
© 0 0 9 a 2b c e ¸¹

Por lo tanto
Span(W) = {(a, b, c, d, e) / 4a + 2b ± d = 0, 9a + 2b + c ± e = 0}.
Luego, para encontrar la intersección entre estos subespacios debemos resolver el
sistema de ecuaciones homogéneas, que resulta de las condiciones restrictivas de
cada uno de estos subespacios:
3a 4b c e 0 § 3 4 1 0 1 0 · § 3 4 1 0 1 0 ·
° 2b 2c d 0 ¨ ¸ ¨ ¸
°
¨ 0 2 2 1 0 0 ¸ | ¨ 0 2 2 1 0 0 ¸
® ¨ 4 2 0 1 0 0 ¸ ¨ 0 10 4 3 4 0 ¸
°4 a 2b d 0 ¨¨ ¸¸ ¨¨ ¸¸
°¯ 9 a 2b c e 0
© 9 2 1 0 1 0 ¹ © 0 10 4 0 2 0 ¹

§ 3 4 1 0 1 0 · § 3 4 1 0 1 0 ·
¨ ¸ ¨ ¸
¨ 0 2 2 1 0 0 ¸ | ¨ 0 2 2 1 0 0 ¸
¨ 0 0 6 2 4 0 ¸ ¨ 0 0 6 2 4 0 ¸
¨¨ ¸¸ ¨¨ ¸¸
© 0 0 6 5 2 0 ¹ © 0 0 0 3 2 0 ¹

Por lo tanto

Span(U W) = {(a, b, c, d, e) / a = -d/2, b = 5d/6, c = 4d/3, e = 3d/2}.

EJ E M P L O 5.4.3

El conjunto U de todas las ternas de 3 cuya primera coordenada es 0 es subespacio

de 3, como también lo es el conjunto W de todas las ternas (a, b, c) en donde la

primera componente es igual a la segunda componente. Demuestre que U W es

subespacio de 3.

SO L U C I O N

Por el ejemplo anterior, el conjunto U W es subespacio de 3; U W consta de

todas las termas (0, 0, c) en las que c es arbitrario.

Sean U, W subconjuntos, no necesariamente subespacios, de un espacio vectorial V.
Denotaremos por U + W el conjunto de todos los vectores v de V que se pueden
expresar como suma de un vector de U y de un vector de W. Por lo tanto, v estará en
U + W exactamente cuando existan un vector u de U y un vector w en W tales que
v = u + w. El conjunto U + W se denomina suma de los conjuntos U y W.


Dados un subespacio vectorial S, sobre un cuerpo K , y dos subespacios su-
yos U y W, se denominan suma de dichos subespacios, y se representa por
U + W, al conjunto de todos los vectores de S que pueden expresarse como
suma de un vector de U y otro de W.

Obsérvese que, tanto la intersección como la suma de subespacios siempre son
conjuntos no vacíos, ya que les pertenece a ciencia cierta el vector nulo del espacio

vectorial V.

T E O R E M A 5.4.2
Como U + W es subespacio de S, entonces el subespacio U + W contiene
tanto a U como a W. Además, si S es también subespacio de V que
contenga tanto a U como a W, entonces S también contiene a U + W. Por
lo tanto, U + W es el menor de los subespacios de S que contienen tanto a
U como a W; es decir, U + W = Span(U W). Además si U y W son
subespacios de S, entonces U + W es un subespacio de S.
Puesto que U y W, el elemento neutro pertenece a la suma, ya que
= + U + W.
Por otra parte, si suponemos que
u1 + w1 U + W y u2 + w2 U + W,
debe verificarse que
(u1 + w1) + (u2 + w2) = (u1 + u2) + (w1 + w2) U + W
y
a(u1 + w1) = au1 + aw1 U + W,
cuyas dos condiciones justifican que U + W es un subespacio vectorial de V. Dado
que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier v U +
W, v se puede escribir en la forma v = u + w donde u U y w W. Entonces u U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
v = u + w Span(U + W). De donde U + W = Span(U + W).
En 2, supongamos que en U sólo está el vector u = OQ, y sea W el conjunto de

todos los vectores OP desde el origen O hasta un punto P situado en el segmento de
recta AB. Entonces, U + W consta de todos los vectores OR = OQ + OP, donde Q es
fijo y P varía en el segmento AB. En consecuencia, U + W corresponde al segmento
de recta CD que se obtiene de AB al trasladar cada punto en el vector u; en particu-
lar, AC = u, BD = u.
En 3 sean u, v vectores no nulos, ninguno de ellos múltiplo escalar del otro. Supon-
gamos que U es el conjunto de todos los múltiplos escalares de u y que W es el con-
junto de todos los múltiplos escalares v. Entonces, U + W consta de todos los vecto-
res au + bv. Aquí, U corresponde a la recta L1 que pasa por O, W a la recta L2 que
pasa por O, y U + W a un plano S que también pasa por O y contiene a L1 y a L2.
Indiquemos, finalmente, las propiedades siguientes de la suma de subespacios, que

se desprenden directamente de la definición:
1.- U + W = W + U;
2.- U + (W + V) = (U + W) + V;
3.- Si U está contenido en un subespacio W, se tiene U + W = W.
EJ E M P L O 5.4.4
Si U y W son subespacios de un espacio vectorial V, se define U + W como el
conjunto de vectores de V que pueden escribirse como suma de uno de U más otro

de W, es decir, U + W = {w V / w = u + v con u U y v W}. Demostrar que U

+ W es el mínimo subespacio vectorial que contiene a U y a W.
SO L U C I O N
En efecto, U + W, pues es = + y U y W. Además, si w1 y w2
son de U + W, serán w1 = u1 + v1 y w2 = u2 + v2 donde u1, u2 U y v1, v2 W, y
por tanto, será w1 + w2 = (u1 + u2) + (v1 + v2), lo que por ser u1 + u2 U y v1 + v2
W, indica que es w1 + w2 U + W. Por otro lado, si k es un escalar cualquiera y w
U + W, es w = u + v con u U y v W, de donde, kw = k(u + v) = ku + kv, y como
ku U y kv W, es kw U + W. Consecuentemente, U + W es un subespacio.
Además, U + W contiene a U, pues si u U, es u = u + , y W; del mismo
modo contiene a W, pues si v W, es v = + v, y U. Y por fin, si un
subespacio contiene a U y a W, entonces debe contener todas las sumas del tipo u +
v donde u U y v W, y por tanto, debe contener a U + W, lo que prueba que U +
W es el mínimo subespacio que contiene a U y a W.

EJ E M P L O 5.4.5
Sean
U = {(a, b, c, d) / b ± 2c + d = 0} y W = {(a, b, c, d) / a = d, b = 2c}
subespacios de 4. Hallar U + W.
SO L U C I O N
Los subespacios U y W generan las siguientes bases U = {(1, 0, 0, 0), (0, 2, 1, 0),

(0, -1, 0, 1)} y W = {(0, 2, 1, 0), (1, 0, 0, 1)} construimos una matriz con los

vectores de ambos subespacios, para poder determinar los elementos que contiene el

subespacio U + W:

§1 0 0 0· §1 0 0 0·
¨ ¸ ¨ ¸
¨0 2 1 0¸ ¨0 2 1 0¸
¨ 0 1 0 1 ¸ | ¨ 0 0 1 2 ¸
¨ ¸ ¨ ¸
¨0 2 1 0¸ ¨0 0 0 0¸
¨ 1 0 0 1 ¸ ¨ 0 0 0 1 ¸
© ¹ © ¹

Por lo tanto

Base(U + W) = {(1, 0, 0, 0), (0, 2, 1, 0), (0, 0, 1, 2), (0, 0, 0, -1)}.

Como Dim(U + W) = 4, entonces U + W = 4.

EJ E M P L O 5.4.6
Sean
U = {(1, -1, -1, 0, 0), (1, -2, -2, 0, -3), (1, -1, -2, -2, 1)}
y
W = {(1, -2, -3, 0, -2), (1, -1, -3, 2, -4), (1, -1, -2, 2, -5)}
subespacios de 5. Hallar U + W.
SO L U C I O N
Para encontrar el subespacio U + W, debemos construir una matriz cuyas filas sean
los elementos de los conjuntos U y W, y luego procedemos a eliminar filas mediante
operaciones elementales. Las filas no nulas formarán la base de U + W:
§1 1 1 0 0 · § 1 1 1 0 0 · § 1 1 1 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨1 2 2 0 3 ¸ ¨ 0 1 3 0 3 ¸ ¨ 0 1 3 0 3 ¸
¨1 1 2 2 1 ¸ ¨ 0 0 3 2 1 ¸ ¨ 0 0 3 2 1 ¸
¨ ¸|¨ ¸ |¨ ¸
¨1 2 3 0 2 ¸ ¨ 0 1 4 0 2 ¸ ¨ 0 0 1 0 1 ¸
¨1 1 3 2 4 ¸ ¨ 0 0 4 2 4 ¸ ¨ 0 0 4 2 4 ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
©1 1 2 2 5 ¹ © 0 0 3 2 5 ¹ © 0 0 3 2 5 ¹


§ 1 1 1 0 0 · § 1 1 1 0 0·
¨ ¸ ¨ ¸
¨0 1 3 0 3¸ ¨0 1 3 0 3¸
¨0 0 3 2 1 ¸ ¨ 0 0 3 2 1 ¸
¨ ¸ |¨ ¸
¨0 0 0 1 1¸ ¨0 0 0 1 1¸
¨0 0 0 7 8 ¸ ¨ 0 0 0 0 1¸
¨¨ ¸ ¨ ¸
©0 0 0 2 3 ¸¹ ¨© 0 0 0 0 0 ¸¹
Por lo tanto:
Base(U + W) = {(1, -1, 1, 0, 0), (0, 1, 3, 0, 3), (0, 0, 3, 2, -1), (0, 0, 0, 1, 1),
(0, 0, 0, 0, 1)}.
Como Dim(U + W) = 5, entonces U + W = . 5

EJ E M P L O 5.4.7
Sea W el conjunto de todos los vectores de la forma (r, 2r ± t, r + t, t) de 4, donde
r, t son arbitrarios. Sea U el conjunto de todos los vectores de la forma (2 a + 2b, b, -
b, 3a + 2b), donde a, b son arbitrarios:
a.- Compruebe que U + W es el conjunto de todos los vectores de la forma (u + 2w,
2u ± v, u + v, v + 3w);
b.- Compruebe que U, W y U + W son subespacios de 4;
c.- Encuéntrese U W.
SO L U C I O N
a.- Encontramos las bases de W y U respectivamente:
(r, 2r ± t, r + t, t) = r(1, 2, 1, 0) + t(0, -1, 1, 1)
BaseW = {(1, 2, 1, 0), (0, -1, 1, 1)},
(2a + 2b, b, -b, 3a + 2b) = a(2, 0, 0, 3) + b(2, 1, -1, 2)

BaseU = {(2, 0, 0, 3), (2, 1, -1, 2)}.

A continuación encontramos una base para el subespacio U + W:

§1 2 1 0· §1 2 1 0 · §1 2 1 0· §1 2 1 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 1 1 ¸ | ¨ 0 1 1 1 ¸ | ¨ 0 1 1 1 ¸ | ¨ 0 1 1 1 ¸ .
¨ 2 0 0 3 ¸ ¨ 0 4 2 3 ¸ ¨ 0 0 6 1 ¸ ¨ 0 0 6 1 ¸
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
© 2 1 1 2 ¹ © 0 3 3 2 ¹ © 0 0 6 1 ¹ © 0 0 0 0 ¹

De esta manera podemos decir que la base de U + W es:
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Esta base es exactamente la misma que genera el subespacio U + W dada:
(u + 2w, 2u ± v, u + v, v + 3w) = u(1, 2, 1, 0) + v(0, -1, 1, 1) + w(2, 0, 0, 3)
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Con esto queda demostrado el inciso a).
b.- Por el inciso a), U, W y U + W tienen estructura de subespacio vectorial de 4,
por cuanto cada uno de ellos generan su propia base.
c.- En el inciso a) nos podemos dar cuenta que en la matriz se anula una fila, por
lo tanto la base del subespacio intersección U W es:
Base(U W) = {(2, 1, -1, 2)}.

EJ E M P L O 5.4.8
Hallar U + W y U W dados los siguientes sistemas:
a.- U = {(0, 1, 1, 1), (1, 1, 1, 2), (-2, 0, 1, 1)} y W = {(-1, 3, 2, -1), (1, 1, 0, -1)}.
b.- U = {(2, -5, 3, 4), (1, 2, 0, -7), (3, -6, 2, 5)} y W = {(2, 0, -4, 6), (1, 1, 1, 1),
(3, 3, 1, 5)}.
SO L U C I O N
a.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarán la base de U + W:

§ 0 1 1 1 · §0 1 1 1 · §0 1 1 1 · §0 1 1 1 ·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 1 1 1 2 ¸ ¨ 0 0 1 3 ¸ ¨ 0 0 1 3 ¸ ¨ 0 0 1 3 ¸
¨ 2 0 1 1 ¸ | ¨ 0 2 1 1 ¸ | ¨ 0 0 1 3 ¸ | ¨ 0 0 0 0 ¸
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 1 3 2 1¸ ¨ 0 4 2 2 ¸ ¨ 0 0 2 6 ¸ ¨ 0 0 0 0 ¸
¨ 1 1 0 1¸ ¨ 1 1 0 1 ¸ ¨ 1 1 0 1 ¸ ¨ 1 1 0 1 ¸
© ¹ © ¹ © ¹ © ¹
Por lo tanto:
Base(U + W) = {(0, 1, 1, 1), (0, 0, -1, -3), (1, 1, 0, -1)}.
Para encontrar el subespacio U + W, debemos hallar el subespacio generado con
respecto a la base encontrada:
§0 0 1 a · §1 0 1 b · §1 0 1 b ·
¨ ¸ ¨ ¸ ¨ ¸
¨1 0 1 b ¸ | ¨0 0 1 a ¸ | ¨0 0 1 a ¸
¨ 1 1 0 c ¸ ¨ 1 1 0 c ¸ ¨ 0 1 1 b c ¸
¨¨ ¸ ¨¨ ¸ ¨¨ ¸
© 1 3 1 d ¹ © 1 3 1 d ¹ © 0 3 2 b d ¹
§1 0 1 b · §1 0 1 b ·
¨ ¸ ¨ ¸
¨0 0 1 a ¸ | ¨0 0 1 a ¸.
¨0 1 1 b c ¸ ¨0 1 1 bc ¸
¨¨ ¸ ¨ ¸
©0 0 1 2b 3c d ¹ ¨© 0 0 0 a 2b 3c d ¹
Por lo tanto
Span(U + W) = {(a, b, c, d) / a ± 2b + 3c ± d = 0}.
Podemos observar que (-2, 0, 1, 1) y (-1, 3, 2, -1) son los vectores que se eliminaron
al encontrar la base de U + W, entonces estos elementos forman la base de U W.
Para encontrar el subespacio U W, debemos hallar el subespacio generado con
respecto a la base encontrada:
§ 2 1 a · § 2 1 a · § 2 1 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 3 b ¸ |¨ 0 3 b ¸|¨ 0 3 b ¸.
¨ 1 2 c ¸ ¨ 0 3 a 2c ¸ ¨ 0 0 a b 2c ¸
¨¨ ¸ ¨¨ ¸ ¨¨ ¸
© 1 1 d ¹ © 0 3 a 2d ¹ © 0 0 a b 2d ¹
Por lo tanto Span(U W ) = {(a, b, c, d) / a ± b + 2c = 0, a + b + 2d = 0}.
b.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarán la base de U + W:
§ 2 5 3 4 · § 2 5 3 4 · § 2 5 3 4 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 2 0 7 ¸ ¨ 0 3 1 6 ¸ ¨ 0 3 1 6 ¸
¨ 3 6 2 5 ¸ ¨ 0 3 5 2 ¸ ¨ 0 0 1 1 ¸
¨ ¸ |¨ ¸ |¨ ¸
¨ 2 0 4 6 ¸ ¨ 0 5 7 2 ¸ ¨ 0 0 4 9 ¸
¨ 1 1 1 1 ¸ ¨ 0 7 1 2 ¸ ¨ 0 0 1 9 ¸
¨¨ ¸ ¨ ¸ ¨ ¸
©3 3 1 5 ¸¹ ¨© 0 21 7 2 ¸¹ ¨© 0 0 0 1 ¸¹
§ 2 5 3 4 · § 2 5 3 4 ·
¨ ¸ ¨ ¸
¨ 0 3 1 6 ¸ ¨ 0 3 1 6 ¸
¨ 0 0 1 1 ¸ ¨ 0 0 1 1 ¸
¨ ¸ |¨ ¸
¨ 0 0 0 1¸ ¨ 0 0 0 1¸
¨0 0 0 1 ¸ ¨0 0 0 0 ¸
¨¨ ¸¸ ¨¨ ¸¸
©0 0 0 1 ¹ ©0 0 0 0 ¹
Por lo tanto:
Base(U + W) = {(2, -5, 3, 4), (0, -3, 1, 6), (0, 0, -1, 1), (0, 0, 0, 1)}.
Como Dim(U + W) = 4, entonces el subespacio U + W = 4. Podemos observar que
(1, 1, 1, 1) y (3, 3, 1, 5) son los vectores que se eliminaron al encontrar la base de

U + W, entonces estos elementos forman la base de U W. Para encontrar el

subespacio U W, debemos hallar el subespacio generado con respecto a la base
encontrada:
§1 3 a · § 1 3 a · §1 3 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨1 3 b ¸ | ¨ 0 0 a b ¸ | ¨ 0 0 a b ¸
.
¨1 1 c ¸ ¨ 0 2 a c ¸ ¨ 0 2 ac ¸
¨¨ ¸ ¨¨ ¸ ¨¨ ¸
©1 5 d ¹ © 0 2 a d ¹ © 0 0 2 a c d ¹
Por lo tanto
Span(U W ) = {(a, b, c, d) / a ± b = 0, 2a ± c ± d = 0}.
Sean U y W subconjuntos del espacio vectorial V y sea S el conjunto com-
puesto por todos los vectores v de V que están en U, en W o en ambos. El
conjunto S se llama unión de U y W. La unión la denotamos por , y po-
nemos S = U W.
Se puede deducir que U + W contiene a U W, y que es el menor de los subespa-

cios que contienen a U W. En general, U + W es un conjunto mucho mayor que
U W. Esto sirve para observar que, en contraste con la intersección, la unión de
dos subespacios no es necesariamente otro subespacio. Aquellos casos en los cuales
U W = {} merecen atención especial. Si U W = {}, se dice que la suma
U + W es directa: U + W es una suma directa de U y W.
Dados un espacio vectorial V y los subespacios suyos, U y W se dice que su suma,

U + W es suma directa, y se representa como U W, si todo vector de dicha suma
puede expresarse de manera única como suma de vectores de los espacios sumandos.
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes si, y sólo
si, la descomposición del vector cero en suma de vectores de dichos subespacios es
única. Si en un espacio vectorial V, varios subespacios son independientes, entonces
son disjuntos dos a dos.
Es muy importante observar que la proposición recíproca, en general, no es cierta; es

decir, el sólo hecho de ser unos subespacios disjuntos dos a dos no implica forzosa-
mente que ellos sean independientes. Como consecuencia de esta afirmación, pode-
mos establecer que dos subespacios U y W son independientes si, y sólo si, son
disjuntos.
T E O R E M A 5.4.3
Demuestre que el espacio vectorial V es la suma directa de los subespacios
U y W si y solamente si se verifica que V = U + W y U W = {}.
Si se acepta que V = U W, para todo v V puede expresarse de una sola manera
en la forma v = u + w, con u U y w W, en cuyo caso particular se verifica que
V = U + W. Si suponemos que v U W, debe ocurrir que
v = v + , en donde v U y W;
v = + v, en donde U y v W;
pero al no ser posible nada más que de una sola forma la descomposición anterior, ha
de verificarse que v = y, por tanto, U W = {}. Recíprocamente, vamos a
probar que si se cumplen las condiciones del problema, se trata de una suma directa,
lo que exige demostrar que la suma v = u + w es única. Si existe otra posible
descomposición, tal como v = u1 + w1, con u1 U y w1 W, se tiene que u + w = u1
+ w1, de donde, u ± u1 = w1 - w; pero como u ± u1 U y w1 - w W y por hipótesis
U W = {}, debe ocurrir que u ± u1 = w1 - w = , de donde u = u1 y w = w1.
T E O R E M A 5.4.4
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes
si, y sólo si, la descomposición del vector cero en suma de vectores de
dichos subespacios es única.
Para demostrar este teorema basta con cerciorarse de que los subespacios U 1, U 2, ...,
U n, son independientes, pues con repetir la demostración un número finito de veces
se prueban todos los casos que se pueden presentar. Supóngase que U 1, U 2, ..., U n, no
fuesen independientes, es decir, que un cierto vector u de su suma admitiese dos
descomposiciones distintas como suma de vectores de los subespacios sumandos
u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn, con ui, vi U i y siendo uj z vj para
algunos índices j, entonces, tomando un vector cualquiera u U 1, el vector v = u1 +
u pertenece a la suma U 1 + U 2 + ... + U n y sería expresable, como suma de vectores
de U 1, U 2, ..., U n, de dos formas distintas, u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn,
lo cual no es posible, pues estos subespacios son independientes; esta imposibilidad
obliga a rechazar el supuesto de ser U 1 + U 2 + ... + U n no independientes, es decir, la
proposición es verdadera.
T E O R E M A 5.4.5
Si en un espacio vectorial V, varios subespacios son independientes,
entonces son disjuntos dos a dos.
Si dos de los subespacios, U i y U j, con i z j, no fuesen disjuntos, es decir, si existe v z
que pertenece a ambos, todo vector u = u1 + u2 + ... + un de la suma podría
expresarse también en la forma u = u1 + ... + (ui + v) + ... + (uj + v) + ... + un, como
suma de vectores de los subespacios sumandos, distinta de la de partida, lo cual no es
posible, ya que dichos subespacios son independientes.
Es muy importante observar que la proposición recíproca, en general, no es cierta; es

decir, el sólo hecho de ser unos subespacios disjuntos dos a dos no implica
forzosamente que ellos sean independientes. Como consecuencia de este teorema,
podemos establecer que dos subespacios U y W son independientes si, y sólo si, son
disjuntos.
EJ E M P L O 5.4.9
Si S1 genera a U y S2 genera a W, entonces S1 S2 genera a U + W.
SO L U C I O N
Dado que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier u U +
W, u se puede escribir en la forma u = v + w donde v U y w W. Entonces v U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
u = v + w Span(U W). De donde U + W = Span(U W).
La segunda parte de la demostración se deduce ahora directamente. U = Span(S1)
Span(S1 S2) y W = Span(S2) Span(S1 S2), de manera que U W Span(S1
S2) Span(U W) y, por lo tanto, Span(U W) = Span(S1 S2).
EJ E M P L O 5.4.10
Sean U, W y S subespacios de un espacio vectorial V:
a.- Pruébese que U + W = Span(U W), es decir que U + W es el menor
subespacio que contiene a U W.
b.- Pruébese que U S, entonces S (U + W) = U + (S W).
SO L U C I O N
a.- Como U y W están ambos contenidos en U + W se tiene que U W U +
W. Supongamos que U es un subespacio que contiene a U W. Para todo elemento
u de U + W existen v U y w W con u = v + w. El elemento u es una suma de
dos elementos de X y por lo tanto pertenece a X. Hemos visto así que U + W X.

Por tanto, todo subespacio X que contiene a U W contiene a U + W y, en
consecuencia, U + W es el menor subespacio que contiene a U W.
b.- Como W U + W tenemos en cualquier caso que S W S (U + W).
Además U S y U U + W, de donde U S (U + W). Entonces, U (S W)
S (U + W) y por a) U + (S W) S (U + W). Para demostrar la extensión
recíproca, consideramos un elemento u S (U + W). Entonces u S y existen
v U y w W con u = v + w. Como U S, el elemento w = u ± v S y por tanto
u = v + w, con v U y w S W. Es decir u U + (S W).
EJ E M P L O 5.4.11
La intersección de dos subespacios diferentes y propios de 2 será siempre el
espacio nulo {}.
SO L U C I O N
Esto se ve con facilidad si se recuerda que los espacios propios de 2 correspondían
a rectas que pasan por el origen, y que dos rectas diferentes entre sí y que pasan por
el origen se interceptan necesariamente sólo en el origen. Por lo tanto, el espacio de
la intersección consta solamente del vector cero; es decir la intersección es el espacio
nulo {}. De forma general, cuando dos subespacios de un espacio vectorial V se
interceptan en el espacio cero, decimos que se interceptan sólo trivialmente.
EJ E M P L O 5.4.12
Demuestre que si dos subespacios, U y W de un espacio vectorial V tienen la misma
dimensión finita y U W, entonces U = W.
SO L U C I O N
Existe una base de U que se puede extender hacia una base de W. Pero como DimU
= DimW, la base de W no puede tener más elementos que la base de U. Esto
significa que una base de U es también una base de W; es decir, U = W.
EJ E M P L O 5.4.13
La suma de los subespacios U y W se denomina suma directa y se nota U W si
sólo si todo vector de este subespacio se escribe como suma de uno de U y otro de W
de manera única. Demuestre que la suma de los subespacios U y W es directa si y
sólo si es U W = {}.
SO L U C I O N
En efecto, supongamos que la suma de los subespacios U y W es directa y que existe
un vector v z que pertenece a U y a W. Sería entonces = + y = v + (-v),
y por tanto, el vector se expresaría como suma de uno de U más otro de W cuando
menos de dos maneras distintas, contradiciendo el hecho de ser la suma de U y W
directa. Luego, el único vector que a la vez es de U y W es el vector .
Recíprocamente, sea U W = {}. Si fuese u1 + v1 = u2 + v2, donde u1 y u2 son de
U y v1 y v2 son de W, sería el vector u1 + (-u2) de U igual al vector v2 + (-v1) de W,
de donde, debe ser u1 = u2 y v1 = v2, lo que prueba que la suma de los subespacios U
y W es directa.
EJ E M P L O 5.4.14
Si V = U W y S es un subespacio cualquiera de V tal que U S, pruebe que
S = (S U) (S W).
SO L U C I O N
Ya que U S, U + (S W) S. Todo u S (U + W) se puede escribir en la
forma u = v + w donde v U y w W. Como U S, v S. Así, w S y u (S
U) + (S W) = U + (S W). De donde, S = S (U + W) = U + (S W).
Finalmente, es fácil ver que esta última suma es directa.

PR O B L E M AS
5.4.1 Suponga que U 1, U 2 y U 3 son subespacios de V, 5.4.4 Sean U = Span{(1, 2, 3, 6), (4, -1, 3, 6), (5, 1, 6,
entonces: 12)} y W = Span{(1, -1, 1, 1), (2, -1, 4, 5)} subespacios
a.- Demuéstrese que (U 1 U 3) + (U 2 U 3) (U 1 + U 2) de 4. Encuentre bases para U W y U + W. Extienda
U 3; la base de U W hacia una base de U, y extienda la
b.- Dé un ejemplo en 2, de tal forma que se cumpla el base de U W hacia una base de W. De estas bases,
inciso anterior. obtenga una base de U + W.
5.4.2 Demuéstrese con un ejemplo que si U, W, S son 5.4.5 Demuestre con un ejemplo que si U 1, U 2, U 3 son
subconjuntos de un espacio vectorial V y si U está subespacios de V y U 3 U 1, U 3 U 2 entonces U 3 U 1
contenido en W, entonces U + S está contenido en W + S. U 2.
5.4.3 Descríbanse las intersecciones de los subconjuntos 5.4.6 Sea U el subespacio de 3 de todos los
siguientes U, W de C(-f; +f) y determínese si la inter- polinomios tales que p(0) = 0, y sea W el subespacio de
sección es un subespacio: todos los polinomios tales que p(1) = 0. Determine una
a.- U: todas las f tales que f(0) = 0; W: todas las f tales base de U, una base de W y una base de su intersección
que f(1) = 0. U W.
b.- U: todos los polinomios; W: todas las funciones pares.
c.- U: todos los polinomios; W: todas las funciones acota- 5.4.7 Examínese desde el punto de vista geométrico
das. la clase posible de intersección de dos subespacios no
d.- U: todas las f que tienen período 3S; W: todas las f triviales U, W de 3 en cada uno de los casos siguien-
que tienen período 2S. tes:
e.- U: todas las f con límite 0 cuando x o f; W: todas a.- U y W corresponden a rectas que pasan por 0.
las f con límite 1 cuando x o f. b.- U corresponde a una recta que pasa por 0, W a un
f plano que pasa por 0.
f.- U: todas las f tales que existe ³0 f ( x) dx ; W: todas las
c.- U y W corresponden a planos que pasan por 0.
0
f tales que existe ³f f ( x) dx .
5.5 D E P E N D E N C I A E I N D E P E N D E N C I A L I N E A L
En esta sección se estudiarán condiciones en las que cada vector en un espacio vectorial se puede expresar de
manera única como una combinación lineal de los vectores generadores. Los conjuntos generadores con esta
propiedad son funda mentales en el estudio de los espacios vectoriales.
Considere los vectores arbitrarios u1, u2, ..., uk en un espacio vectorial V. Puede
ocurrir que uno de ellos se expresa como combinación lineal de los demás. Sea,
por ejemplo, el vector u1. Entonces, cada uno de los vectores u1, u2, ..., uk se ex-
presa linealmente en términos de u2, ..., uk. Por esta razón cualquier combinación
lineal de los vectores u1, u2, ..., uk es también una combinación lineal de los vecto-
res u2, ..., uk. Por consiguiente, los subespacios generados por los vectores u1, u2,
..., uk y u2, ..., uk coinciden.

Suponga luego que entre los vectores u2, ..., uk hay un vector, por ejemplo, u2

que también se expresa linealmente en términos de los vectores restantes. Al
repetir estos razonamientos, llegamos a la conclusión de que ahora cualquier
combinación lineal de los vectores u1, u2, ..., uk es también una combinación lineal
de los vectores u3, ..., uk. Continuando este proceso, pasamos, del sistema u1, u2,
..., uk a un sistema de vectores del cual ya no podemos excluir ni uno de los vecto-
res.

El subespacio generado del nuevo sistema de vectores coincide con el subespacio
generado de los vectores u1, u2, ..., uk. Además, podemos decir que si entre u1, u2,
..., uk hubo aunque un solo vector no nulo, el nuevo sistema de vectores o bien
consiste solamente en un vector no nulo o bien ninguno de sus vectores se expresa

linealmente en términos de los vectores restantes. Tal sistema de vectores se de-
nomina linealmente independiente.

Si S = {u1, u2, ..., uk} es un conjunto no vacío de vectores, entonces la
ecuación vectorial a 1u1 + a 2u2 + ... + a kuk = tiene por lo menos una so-
lución, a saber, a 1 = a 2 ... = a k = 0. Si esta es la única solución, entonces
S se denomina conjunto linealmente independiente. Si existen otras solu-

ciones, entonces S se denomina conjunto linealmente dependiente.

Es evidente que la definición de independencia lineal de un conjunto no tendría
sentido si un vector de un conjunto pudiera aparecer un número arbitrario de
veces en una relación simple. Sin embargo, si se da un conjunto de vectores, par-
ticularizando los vectores de dicho conjunto, resulta inconveniente insistir en que
todos los vectores enumerados sean distintos.

La expresión linealmente dependiente sugiere que los vectores dependen entre sí
de alguna manera. La dependencia y la independencia lineal constituyen las pro-
piedades del sistema de vectores.

T E O R E M A 5.5.1
Un conjunto S con dos o más vectores es:
1.- Linealmente dependiente si y sólo si por lo menos uno de los vecto-
res en S puede expresarse como combinación lineal de los demás vecto-
res en S.
2.- Linealmente independiente si y sólo si ningún vector en S se puede

expresar como una combinación lineal de los demás vectores en S.


1.- Sea S = {v1, v2, ..., vk} un conjunto con dos o más vectores. Si se supone que S
es linealmente dependiente, entonces existen escalares a1, a2, ..., ak, no todos igua-
les a cero, tales que
a 1v1 + a 2v2 + ... + a kvk = .
Para ser más específicos, suponga que a 1 z 0. Entonces la expresión anterior se
puede volver a escribir como
§ a · § a ·
v1 ¨ 2 ¸ v2 ... ¨ k ¸ vk
© a1 ¹ © a1 ¹
que expresa a v1 como una combinación lineal de los demás vectores en S. De
manera semejante, si a i z 0 en la misma expresión para alguna j = 2, 3, ..., k, en-
tonces vi se puede expresar como una combinación lineal de los demás vectores
en S. Recíprocamente, se supone que por lo menos uno de los vectores en S se
puede expresar como una combinación lineal de los demás vectores. En concreto,
supóngase que

v1 = c1v1 + c2v2 + ... + c kvk
de modo que

v1 ± c2v2 ± c3v3 - ... ± c kvk = .

Se concluye que S es linealmente dependiente, ya que la ecuación

a 1v1 + a 2v2 + ... + a kvk =

se satisface por a 1 = 1, a 2 = -c2, a 3 = -c3, ..., a k = -c k que no todos son cero. La
demostración para el caso en que algún vector diferente de v1 se puede expresar
como una combinación lineal de los demás vectores en S es semejante. La segun-
da parte del teorema se demuestra de forma análoga.

Si entre los vectores u1, u2, ..., uk no todos son nulo en términos de los vectores
citados nulos y si dicho sistema es linealmente dependiente, entonces en éste

puede existir un subsistema linealmente independiente de vectores, en cuyos

términos es linealmente expresado cualquiera de los vectores u1, u2, ..., uk. Una
circunstancia, inesperada a primera vista, determina si un sistema de vectores u1,
u2, ..., uk es linealmente dependiente o linealmente independiente.

Ya se observo que el vector nulo pertenece al subespacio generado y es represen-
tado por la combinación lineal u = a 1u1 + a 2u2 + ... + a kuk con valores nulos de los
coeficientes. A pesar de esto, puede expresarse linealmente en términos de los

vectores a 1u1 + a 2u2 + ... + akuk de otro forma. La independencia lineal de los

vectores u1, u2, ..., uk está estrechamente vinculada con la unicidad de la represen-
tación del elemento nulo en términos de los vectores citados. El siguiente teorema
establece un hecho sencillo sobre independencia lineal que es importante conocer.

T E O R E M A 5.5.2
Un conjunto finito de vectores que contiene al vector cero es linealmente
dependiente.
Para vectores cualesquiera v1, v2, ..., vk, el conjunto S = {v1, v2, ..., vk, } es lineal-
mente dependiente, ya que la ecuación 0v1 + 0v2 + ... + 0vk + 1() = expresa al
vector como una combinación lineal de los vectores en S con coeficientes no
todos iguales a cero.

Este teorema es una conclusión del hecho de que dos vectores son linealmente
independientes si y sólo si ninguno de ellos es un múltiplo escalar del otro. Geo-
métricamente, esto equivale a afirmar que los vectores no están en la misma recta
cuando se colocan con sus puntos iniciales en el origen.

T E O R E M A 5.5.3
Cualquier parte de un sistema de vectores linealmente independientes
{u1, u2, ..., un} V es linealmente independiente.
Si {u1, u2, ..., uk, uk+1,..., un} es un conjunto linealmente independiente, mientras el

subconjunto {u1, u2, ..., uk} (h < n) es linealmente dependiente, debe existir en a1u1 +

... + a kuk existe al menos un a i diferente de cero, en contra de la hipótesis que exige el
valor cero para todos los a i que figuran en la expresión a1u1 + ... + a kuk + ak+1uk+1 + ...
+ anun = .

T E O R E M A 5.5.4
Si algunos de los vectores del sistema {u1, u2, ..., un} son linealmente de-
pendientes, todo el sistema {u1, u2, ..., un} será linealmente dependiente.
Sin restringir la generalidad podemos considerar que los primeros vectores del
sistema {u1, u2, ..., uk} son linealmente dependientes. Por consiguiente, existen tales
escalares a1, a2, ..., a k, entre los cuales hay distintos de cero, que a1u1 + a2u2 + ... +
a kuk = . De aquí fluye la legitimidad de la igualdad a1u1 + a2u2 + ... + a kuk + 0uk+1
+ ... + 0un = . Mas, esta igualdad significa dependencia lineal de los vectores del
sistema {u1, u2, ..., un}, puesto que entre los escalares a1, a2, ..., a k, 0, ..., 0 hay algu-
nos que no son nulos.

La independencia lineal de los vectores u1, u2, ..., uk está estrechamente vinculada
con la unicidad de la representación del elemento.

Con todo este análisis, podemos decir que un conjunto con exactamente dos vec-
tores es linealmente independiente si y sólo si ninguno de los vectores es un múl-
tiplo escalar del otro. Esta afirmación es una conclusión del hecho de que tres
vectores son linealmente independientes si y sólo si ninguno de ellos es una com-
binación lineal de los otros dos. Geométricamente, esto equivale a decir que nin-
guno de los vectores está en el mismo plano que los otros dos o, de otro modo,
que los tres vectores no están en un plano común cuando se colocan con sus pun-
tos iniciales en el origen.
T E O R E M A 5.5.5
Sea S un subconjunto de un espacio vectorial V, y suponga que S contie-
ne a dos o más elementos. Entonces, S es linealmente dependiente si, y
sólo si, hay un subconjunto propio S´ de S con la propiedad de que
Span(S) = Span(S´).
Suponga que existe ese subconjunto S´. Entonces, debe haber un vector u que está
en S sin estar en S´. Ahora bien, u está en Span(S) y, como Span(S) = Span(S´), u
también está en Span(S´). Por lo tanto, u = a1u1 + a2u2 + ... + a kuk, donde u1, u2, ...,
uk están en S´. Por lo tanto, los ui están en S y son diferentes de u. Pero, entonces,
a1u1 + a2u2 + ... + akuk + (-1)u = y concluimos que S es linealmente dependiente.
A continuación, sea S un conjunto linealmente dependiente. Entonces, existen
vectores u1, u2, ..., uk en S tales que a1u1 + a2u2 + ... + a kuk = donde no todos los
coeficientes son cero; supongamos que a 1 z 0. Entonces, podemos expresar u1
como combinación lineal de u2, ..., uk. Por lo tanto, podemos expresar toda combi-
nación lineal de elementos de S como una combinación lineal así, sin usar a u1.
Por lo tanto, si tomamos a S´ como S sin el vector u1, entonces Span(S´) =
Span(S), y S´ es subconjunto propio de S.

El siguiente teorema muestra que un conjunto linealmente independiente en n
puede contener cuando mucho n vectores.

T E O R E M A 5.5.6
Sea S = {v1, v2, ..., vk} un conjunto de vectores en n. Si k > n, entonces S
es linealmente dependiente.
Se supone que
v1 ( a11 , a1 2 , ..., a1 n )
°
°v2 ( a21 , a2 2 , ..., a2 n )
®
°
° v ( a , a , ..., a )
¯ k k1 k 2 kn
Considérese la ecuación b1v1 + b2v2 + ... + bkvk = . Si reemplazamos los vectores

anteriormente definidos en la ecuación, ambos miembros de esta se expresan en
términos de las componentes
b1( a 11, ..., a 1n) + b2( a 21, ..., a 2n) + ... + bk( a k1, ..., a kn) = (0, 0, ..., 0)
y después se igualan las componentes correspondientes, se obtiene el sistema
a11b1 a21b2 a k 1bk 0
°a b a b a b 0
° 12 1 22 2 k2 k
®
°
° a1n b1 a2 n b2 a k n bk 0
¯
Este es un sistema homogéneo de n ecuaciones en k incógnitas b1, b2, ..., bk. Como
k > n, se concluye que el sistema tiene soluciones no triviales. Por consiguiente, S
es un conjunto linealmente dependiente.

Este teorema establece que un conjunto en 2 con más de dos vectores es lineal-
mente dependiente, y que un conjunto 3 con más de tres vectores es linealmente
dependiente.

EJ E M P L O 5.5.1
Mostrar que cualesquiera que sean los vectores u, v, w y los números a, b, c el
sistema de vectores {au - bv, cv - aw, bw - cu} es linealmente dependiente.
SO L U C I O N
Hacemos la combinación lineal con el vector nulo:
= D(au - bv) + E(cv - aw) + G(- cu + bw)
= (aD - cG)u + (- bD + cE)v + (- aE + bG)w
Establecemos un sistema de ecuaciones homogéneas:
a D cG 0 a 0 c
°
®bD cE 0 b c 0 0
° aE bG 0 0 a b
¯
Como el determinante de la matriz de coeficientes del sistema homogéneo es igual a
cero, entonces éste tiene un número indeterminado de soluciones. Lo cual indica que
el sistema dado es linealmente dependiente.

EJ E M P L O 5.5.2
Sea u, v, w un sistema de vectores linealmente independiente. Serán linealmente
independientes los sistemas de vectores siguientes:
a.- {u, u + v, u + v + w}; b.- {u + v, v + w, w + u}; c.- {u ± v, v ± w, w ± u}.
SO L U C I O N
a.- Hacemos la combinación lineal con el vector nulo:
= Du + E(u + v) + G(u + v + w) = (D + E + G)u + (E + G)v + Gw
como u, v, w forman un sistema linealmente independiente, entonces:
D E G 0 1 1 1
°
® EG 0 0 1 1 z0
° G 0 0 0 1
¯

Como el determinante de la matriz de coeficientes del sistema homogéneo es

diferente de cero, entonces éste tiene solución única y por lo tanto D = E = G = 0. Lo

cual indica que el sistema dado es linealmente independiente.
b.- Hacemos la combinación lineal con el vector nulo:
= D(u + v) + E(v + w) + G(u + w) = (D + G)u + (D + E)v + (E + G)w

D G 0 1 0 1
°
®D E 0 1 1 0 z 0
°E G 0 0 1 1
¯
Como el determinante de la matriz de coeficientes del sistema homogéneo es
diferente de cero, entonces éste tiene solución única y por lo tanto D = E = G = 0. Lo
cual indica que el sistema dado es linealmente independiente.
c.- Hacemos la combinación lineal con el vector nulo:
= D(u - v) + E(v - w) + G(- u + w) = (D - G)u + (- D + E)v + (- E + G)w
DG 0 1 0 1
°
®D E 0 1 1 0 0
° E G 0 0 1 1
¯

Como el determinante de la matriz de coeficientes del sistema homogéneo es igual a

cero, entonces éste tiene un número indeterminado de soluciones. Lo cual indica que

el sistema dado es linealmente dependiente.

EJ E M P L O 5.5.3
Establecer, si los siguientes sistemas de vectores de sus correspondientes espacios,
son linealmente dependientes o no:
a.- {(1, i, 2 ± i, 3 + i), (1 ± i, 1 + i, 1 ± 3i, 4 ± 2i)};

b.- {(1, 1, 1, 1), (1, -1, -1, 1), (1, -1, 1, -1), (1, 1, -1, -1)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema
dado y luego procedemos a calcular el rango de dicha matriz:
§ 1 i 2 i 3 i · §1 i 2 i 3 i ·
¨ ¸ |¨ ¸.
©1 i 1 i 1 3i 4 2i ¹ © 0 0 0 0 ¹
Como el rango de la matriz es igual a 1, entonces el sistema es linealmente
dependiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
determinante con sus elementos:
1 1 1 1

1 1 1 1
z0.
1 1 1 1
1 1 1 1
Como el determinante es diferente de cero, entonces el sistema es linealmente
independiente.

EJ E M P L O 5.5.4
Sean a, b, c distintos números reales. Será linealmente dependiente el siguiente
sistema de polinomios {(x - a)(x - b), (x - a)(x - c), (x - b)(x - c)}?
SO L U I C I O N
Hacemos la combinación lineal con el vector nulo:
= D(x ± a)(x ± b) + E(x ± a)(x ± c) + G(x ± b)(x ± c)
0x2 + 0x + 0 = (D + E + G)x2 + [-(a + b)D - (a + c)E - (b + c)G]x + (abD + acE + bcG).
Establecemos un sistema de ecuaciones homogéneas:
D EG 0 1 1 1
°
®( a b)D ( a c )E (b c )G 0 a b a c b c ( a b)( a c )(c b) .
° abD acE bcG 0 ab ac bc
¯
Si (a ± b)(a ± c)(c ± b) = 0, el sistema es linealmente dependiente.
Si (a ± b)(a ± c)(c ± b) z 0, el sistema es linealmente independiente.

EJ E M P L O 5.5.5
Verifíquese que los conjuntos siguientes son subconjuntos linealmente
independientes del espacio vectorial de todos los polinomios:
a.- {1, t ± 1, t2 ± t, t3 ± t2}; b.- {1, 1 + t, 1 + t + t2, 1 + t + t2 + t3}.
SO L U C I O N
a.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
0 0 0 1
0 0 1 1
z0.
0 1 1 0

1 1 0 0
independiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
1 0 0 0
1 1 0 0
z0.
1 1 1 0

1 1 1 1



independiente.

Algunas veces la dependencia lineal de funciones se puede deducir a partir de
identidades conocidas. Sin embargo, tales identidades se pueden aplicar sólo en
situaciones especiales. Aunque no existe ningún método general para establecer
independencia lineal o dependencia lineal de funciones en (-f, f), a continua-
ción desarrollaremos un teorema que algunas veces se puede aplicar para demos-
trar que un conjunto de funciones dado es linealmente independiente.


Las funciones f1, f2, ..., fn se dicen linealmente independientes en el inter-
valo [ a ; b] si existen constantes a 1, a 2, ..., a n todas nulas, tales que a 1f1 +
a 2f2 « a nfn = . Caso contrario son linealmente dependientes.

Es decir, las funciones f1, f2, ..., fn son linealmente independientes en [ a ; b] si la
relación a 1f1 + a 2f2 « a nfn = para todo x, tal que a d x d b implica que
a 1 = a 2 = ... = a n = 0. En otras palabras, la única combinación lineal de f1, f2, ..., fn
que es idénticamente nula en [ a ; b], es la combinación lineal trivial. Si un conjun-
to de funciones f1, f2, ..., fn es linealmente dependiente en un intervalo [ a ; b], se
deduce inmediatamente que para cada x [ a ; b], el correspondiente conjunto de n
vectores constantes es linealmente dependiente. Sin embargo, una afirmación
equivalente sobre la independencia lineal de n funciones no es válida, es decir, si
el conjunto de funciones f1, f2, ..., fn es linealmente independiente en un intervalo
[ a ; b] no se verifica que necesariamente los n vectores constantes sean linealmen-
te independientes.

T E O R E M A 5.5.7
Si las funciones f1, f2, ..., fn admiten n - 1 derivadas continuas sobre el in-
tervalo (-f; f) y si el wronskiano de estas funciones no es idénticamente
cero sobre este intervalo, entonces las funciones forman un conjunto li-
nealmente independiente de vectores en (n-1)(-f, f).
Si las funciones f1, f2, ..., fn son derivables n - 1 veces sobre el intervalo (-f, f),
entonces el determinante

f1 f2 fn
f ´1 f ´2 f ń
W

f1( n 1) f 2( n 1) f n( n 1)

se llama wronskiano de f1, f2, ..., fn. Supóngase, por el momento, que f1, f2, ..., fn
son vectores linealmente dependientes en (n-1)(-f; f). Entonces existen escalares
a 1, a 2, ..., a n, no todos iguales a cero, tales que a 1f1 + a 2f2 « + a nfn = para
toda x en el intervalo (-f, f). Al combinar esta ecuación con las ecuaciones obte-
nidas al derivar sucesivamente n - 1 veces, se obtiene
a1 f1 a2 f 2 an f n 0
° a f ´ a f ´ a f ´ 0
° 1 1 2 2 n n
®
°
° a f ( n 1) a f ( n 1) a f ( n 1) 0
¯ 1 1 2 2 n n
Así, la dependencia lineal de f1, f2, ..., fn indica que el sistema lineal

§ f1 f2 f n · § a1 · § 0 ·
¨ ¸
¨ f ´1 f ´2 f ń ¸ ¨ a2 ¸ ¨ 0 ¸
¨ ¸ ¨ ¸
¨ ¸¨ ¸ ¨ 0¸
¨ ( n 1) ¸¨ ¸ ¨ ¸
¨f
© 1 f 2( n 1) f n( n 1) ¸¹ ¨© an ¸¹ © 0 ¹
tiene una solución no trivial para toda x en el intervalo (-f, f). Esto a su vez
significa que para toda x en (-f, f) la matriz de coeficientes es singular o, de
manera equivalente, que su determinante es cero para toda x en (-f, f). Por tanto,
si el wronskiano no es idénticamente cero sobre (-f, f), entonces las funciones f1,
f2, ..., fn deben ser vectores linealmente independientes en (n-1)(-f, f).
El recíproco del teorema es falso. Si el wronskiano de f1, f2, ..., fn es idénticamente

cero sobre (-f, f), entonces no es posible llegar a ninguna conclusión respecto a
la independencia lineal de {f1, f2, ..., fn}; este conjunto de vectores puede ser li-
nealmente independiente o linealmente dependiente.
EJ E M P L O 5.5.6
Determínese si los subconjuntos siguientes de C(0; f) son linealmente
independientes:
a.- {Sen2t, Sent, t}; b.- {Sent, Sen2t, Sen3t}; c.- {Sent, Sen(t + 1), Cost};
d.- {e t, te t, t2e t}; e.- { Cost, Cos2t, Cos3 t}.
SO L U C I O N
a.- Construimos el Wronskiano:
Sen2 t Sent t
2
W{Sen t , Sent , t} Sen2t Cost 1 2Sent 2tSen 2 t 2tCost 3Sen3t .
2 Cos 2t Sent 0
Si t = 0, entonces W = 0. Por lo tanto el conjunto {Sen2t, Sent, t} es linealmente
dependiente.
b.- Construimos el Wronskiano:

Sent Sen2t Sen3t
W{Sent , Sen2t , Sen3t} Cost 2Cos 2t 3Cos3t
Sent 4Sen2t 9Sen3t
9SentSen2tCos3t (5CostSen2t 16SentCos 2t )Sen3t
Si t = 0, entonces W = 0. Por lo tanto el conjunto {Sent, Sen2t, Sen3t} es
linealmente dependiente.
c.- Construimos el Wronskiano:

Sent Sen(t 1) Cost
W{Sent , Sen(t 1), Cost} Cost Cos (t 1) Sent 0 .
Sent Sen(t 1) Cost
Como W = 0, entonces el conjunto {Sent, Sen(t + 1), Cost} es linealmente
dependiente.
d.- Construimos el Wronskiano:

et te t t 2 et
W{e t , te t , t 2 e t } et (t 1) e t ( t 2 2t ) e t 2e 3t .
et (t 2) e t (t 2 4t 2) e t
Como W z 0, entonces el conjunto { e t, te t, t2e t} es linealmente independiente.

e.- Construimos el Wronskiano:

Cost Cos 2 t Cos3t
1
W{Cost , Cos 2 t , Cos3 t} Sent Sen2t 3SentCos 2 t Sen3 2t .
4
Cost 2 Cos 2t (9Sen 2 t 3) Cost
Si t = 0, entonces W = 0. Por lo tanto el conjunto { Cost, Cos2t, Cos3t} es lineal-
mente dependiente.
% COMPRUEBA LA DEPENDENCIA LINEAL DE UN SISTEMA DE VECTORES S

clc;;clear;;
fprintf('\n DEPENDENCIA E INDEPENDENCIA LINEAL \n')
fprintf('Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\nIngrese la Ecuacion (%d)\n', f)
for c=1:col
S(c,f)=input(' :');;
end
end
fprintf('La matriz de vectores es:\n')
S
fprintf('La matriz reducida es:')
R= rref(S);;
R
RangS=rank(R)
if (rank(S)==fil)
fprintf('El sistema S es linealmente independiente :\n')
else
fprintf('El sistema S es linealmente dependiente :\n')
end

PR O B L E M AS
5.5.1 Demuestre que un subconjunto no vacío de un 5.5.6 Si u y v son linealmente independientes y w está en
conjunto finito de vectores linealmente independientes es Span{u, v} entonces {u, v, w} es linealmente dependiente.
linealmente independiente.
5.5.7 Demuestre que si u1, u2, u3, u4 están en 4 y u3 =
5.5.2 Demuestre que si S1 es un subconjunto de S2 y S1 es 2u1 + u2, entonces {u1, u2, u3, u4} es linealmente
linealmente dependiente, entonces también S2 es dependiente.
5.5.8 Demuestre que si u1, u2, u3, u4 están en 4 y u3 =
5.5.3 Demuestre que cualquier conjunto de vectores que , entonces {u1, u2, u3, u4} es linealmente dependiente.
contenga al vector cero es linealmente dependiente.
5.5.9 Demuestre que si u1 y u2 están en 4 y u1 no es un
5.5.4 Demuestre que dos vectores son linealmente múltiplo escalar de u2, entonces {u1, u2} es linealmente
dependientes sí y sólo si están en una misma recta que pasa independiente.
por el origen. Si u y v son linealmente independientes y si
{u, v, w} es linealmente dependiente, entonces e está en 5.5.10 Demuestre que si u1, u2, u3, u4 están en 4 y u3 no
Span{u, v}. es combinación lineal de u1, u2, u4, entonces {u1, u2, u3,
u4} es linealmente independiente.
5.5.5 Dado que {u1, u2, ..., uk} es un conjunto de
vectores linealmente independientes, pero el conjunto 5.5.11 Demuestre que si u1, u2, u3, u4 son vectores
{u1, u2, ..., uk , u} es linealmente dependiente, demuestre linealmente independientes en 4, entonces {u1, u2, u3, u4}
que u es una combinación lineal de los ui. es linealmente independiente.
5.5.12 Demuestre que si u1, u2, u3, u4 están en 4 y {u1, 5.5.23 Determínese si los subconjuntos siguientes de
u2, u3} es linealmente dependiente, entonces {u1, u2, u3, u4} C(0; f) son linealmente independientes:
también es linealmente dependiente. a.- ^Senx, Cosx, 1`; b.- ^lnx, lnx2, lnx3`;
c.- êx, lnx, x`.
5.5.13 ¿En qué condiciones un conjunto que consta de
un solo vector es linealmente independiente? 5.5.24 De los subconjuntos siguientes de 3, ¿cuáles
son linealmente independientes?
5.5.14 Demuéstrese que, si W es subespacio de V y si a.- ^(1, 1, 0), (1, 0, 1), (0, 1, 1)`;
U es subconjunto linealmente independiente de W, en- b.- ^(1, 2, 3), (3, 4, 5), (5, 6, 7)`;
tonces U es subconjunto linealmente independiente de V. c.- ^(1, 2, 3), (3, 2, 1), (1, 1, 1), (2, 3, 1)`;
d.- ^(1, 2, 3), (3, 2, 1), (-7, -2, 1)`;
5.5.15 Demuestre que si {u, v, w} es un conjunto de
e.- ^(1, 1, 2), (2, 3, -1), (-1, -6, 9)`.
vectores linealmente independiente en un espacio vectorial
V y x es cualquier vector en V, entonces {u, v, w, x}
5.5.25 Sean U, W subconjuntos de un espacio vectorial
también es linealmente independiente.
V. Demuéstrese que:
a.- Si U es conjunto linealmente dependiente y si U está
5.5.16 Demuestre que dos vectores u y v son linealmente
contenido en W, entonces W es conjunto linealmente
dependientes sí y sólo si uno es un múltiplo escalar del
dependiente.
otro.
b.- Si W es conjunto linealmente independiente y si U
está contenido en W, entonces U es conjunto linealmen-
5.5.17 Sean A y B dos matrices de n x n con A y B no
te independiente.
nulas. Demuestre que si A es simétrica y B es antisimétrica,
entonces {A, B} es un conjunto linealmente independiente.
5.5.26 Suponga que A es una matriz de m x n con la
5.5.18 Demuéstrese que, si W es subespacio de V y si propiedad de que para cada B de m la ecuación A X = B
U es subconjunto de W que además es subconjunto tiene a lo más una solución. Utilice la definición de
linealmente independiente de V, entonces U es independencia lineal para explicar por qué las columnas
subconjunto linealmente independiente de W. de A deben de ser linealmente independientes.
5.5.19 En cada caso, determínese un valor de k, de ma- 5.5.27 Verifíquese que los conjuntos siguientes son
nera que el par dado de vectores sea linealmente depen- subconjuntos linealmente independientes del espacio
diente: vectorial de todos los polinomios:
a.- {(k + 1)u + v, 4u + (k + 1)v}; a.- ^1, x ± 1, x2 ± x, x3 ± x2`;
b.- {u ± 2v, 3u + kv}. b.- ^1+ x, 1 + 2x, 1 + 3x`;
c.- ^x, x + x2, x + x2 + x3, x4`;
5.5.20 Demuestre que si {u, v, w} es un conjunto de d.- ^x, x2 ± x, x3 ± x`;
vectores linealmente independiente, entonces también {u, e.- ^x3 - 1, 2x3 - 2, x4`;
v}, {u, w}, {v, w}, {u}, {v} y {w} son linealmente f.- ^1, 1 + x, 1 + x + x2, 1 + x + x2 + x3`;
independientes. g.- ^x2 - 1, 2x2 - 4, x2 + 1`;
h.- ^x4 ± 2x2, x4 + 2x2, - x4 - 2x2`;
5.5.21 Demuestre que todo conjunto con más de tres i.- ^x2 + 1, x2 - x, x2 - x`.
vectores de 2 es linealmente dependiente.
5.5.28 Demuestre que si {u, v} es linealmente
5.5.22 Demuéstrese que, si W es subespacio de V y si independiente y w no está en Span{u, v}, entonces {u, v,
U es base de W, entonces U es subconjunto linealmente w} es linealmente independiente.
independiente de V.

5.6 B ASE Y D I M E NSI O N
En esta sección se estudiará la base y dimensión de un espacio vectorial, porque es común imaginar a una
recta como unidimensional, a un plano como bidimensional y al espacio circundante como tridimensional. Se
enunciarán y demostrarán las propiedades más importantes.
Sea dado un espacio vectorial V arbitrario que se compone no sólo de un vector

nulo. En tal espacio se tiene a ciencia cierta aunque un vector no nulo y, por lo
tanto, existe un sistema linealmente independiente, por lo menos, de un vector.

Por consiguiente, son posibles dos casos: o bien existe un sistema linealmente
independiente que contiene un número de vectores tan grande como se quiera o
bien existe un sistema linealmente independiente que contiene el número má-
ximo de vectores. En el primer caso el espacio vectorial se dice que es de di-
mensión infinita y en el segundo caso, de dimensión finita.
Nuestra atención estará dirigida a lo largo de este trabajo exclusivamente a los

espacios vectoriales de dimensión finita. En particular, un espacio vectorial de
dimensión finita lo constituirá cualquier conjunto generador construido con un
número finito de vectores de un espacio vectorial arbitrario.
Si V es cualquier espacio vectorial y S = {v1, v2, ..., vn} es un conjunto
de vectores en V, entonces S se llama base de V si se cumplen las dos
condiciones siguientes:
1.- S es linealmente independiente.
2.- S genera a V.
Si S = {v1, v2, ..., vn} es una base de V, según la definición, un vector v de V se

puede escribir en la forma v = a 1v1 + a 2v2 + ... + a nvn. Lo interesante de una
base, a diferencia de otros conjuntos generadores, es que los coeficientes están
determinados en forma única por v. Porque, supóngase que también tenemos v =
b1v1 + b2v2 + ... + bnvn. Restando, se obtiene la relación lineal ( a 1 ± b1)v1 + ( a 2 ±
b2)v2 + ... + ( a n ± bn)vn = ya que S es un conjunto linealmente independiente,
a 1 ± b1 = 0, a 2 ± b2 = 0, ..., a n ± bn = 0 y, por tanto, a 1 = b1, a 2 = b2, ..., a n = bn.
Como veremos, un hecho relacionado con esto es que una base es un conjunto
generador particularmente eficiente.
Una base es la generalización de espacio vectorial de un sistema de coordenadas

en el espacio bidimensional y en el espacio tridimensional. El siguiente teorema
ayudará a ver por qué es así.
T E O R E M A 5.6.1
Si S = {v1, v2, ..., vn} es una base de un espacio vectorial V, entonces
todo vector v en V se puede expresar en forma única como v = a 1v1 +
a 2v2 + ... + a nvn.
Como S genera a V, por la definición de subespacio generado se concluye que
todo vector v en V se puede expresar como una combinación lineal de los vecto-
res en S. Para ver que sólo existe una manera de expresar un vector como una
combinación lineal de los vectores en S, supóngase que algún vector v se puede
escribir como
v = a 1v1 + a 2v2 + ... + a nvn
y también como
v = b1v1 + b2v2 + ... + bnvn.
Restando la segunda ecuación de la primera se obtiene
= ( a 1 ± b1)v1 + ( a 2 ± b2)v2 + ... + ( a n ± bn)vn.
Como el miembro derecho de esta ecuación es una combinación lineal de vecto-
res en S, la independencia lineal de S indica que a 1 ± b1 = 0, a 2 ± b2 = 0, ..., a n ±
bn = 0, es decir, a 1 = b1, a 2 = b2, ..., a n = bn. Así, las dos expresiones para v
son iguales.
Este teorema indica que dos combinaciones lineales de vectores de una base
resultan en el mismo vector si, y sólo si, el coeficiente de cada vector de la base
es el mismo en las dos expresiones; es decir, si {v1, v2, ..., vn} es base de V y si

a 1v1 + a 2v2 + ... + a nvn = b1v1 + b2v2 + ... + bnvn

entonces a1 = b1, a2 = b2, ..., an = bn. Este es el método de comparación de
coeficientes, que frecuentemente se usa.
EJ E M P L O 5.6.1
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no están en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinación lineal de u, v, w; esto se puede observar en la figu-
ra.
La noción de base está ligada con un sistema linealmente independiente que

contiene el número máximo de vectores. No obstante, es evidente que todas las
bases de un mismo espacio vectorial de dimensión finita representan sistemas
equivalentes linealmente independientes. Estos hechos nos sirven para asignar
un número, que se llama dimensión, a cada espacio vectorial.
Dos combinaciones lineales de vectores de una base resultan en el mismo vector

sí, y sólo si, el coeficiente de cada vector de la base es el mismo en las dos ex-
presiones; es decir, si {v1, v2, ..., vn} es base de V y si
a 1v1 + a 2v2 + ... + a nvn = b1v1 + b2v2 + ... + bnvn
entonces a1 = b1, a2 = b2, ..., an = bn. Este es el método de comparación de
coeficientes, que frecuentemente se usa.
La noción de base está ligada con un sistema linealmente independiente que

contiene el número máximo de vectores. No obstante, es evidente que todas las
bases de un mismo espacio vectorial de dimensión finita representan sistemas
equivalentes linealmente independientes. Estos hechos nos sirven para asignar
un número, que se llama dimensión, a cada espacio vectorial.
La dimensión de un espacio vectorial V de dimensión finita, denotada
por Dim(V), se define como el número de vectores que hay en una base
de V. Además, por definición, el espacio vectorial cero es de dimensión
cero.
Obsérvese que el espacio cero, {}, no tiene base, pues {} sólo contiene al
vector , por lo cual no contiene ningún subconjunto linealmente independien-
te. Se puede demostrar que todos los demás espacios vectoriales sí tienen bases,
aunque a veces las bases son conjuntos infinitos.
Se dice que un espacio vectorial V diferente de cero es de dimensión
finita si contiene un conjunto finito de vectores v1, v2, ..., vn que forma
una base. Si no es así, se dice que V es de dimensión infinita. Además,
se considera que el espacio vectorial cero es de dimensión finita.
Indicaremos que la dimensión de un espacio vectorial depende del sistema nu-

mérico que se use para los escalares. La dimensión de C, el conjunto de los
números complejos, como espacio vectorial complejo, es 1. Pero C también se
puede considerar como espacio vectorial real, y, en este caso, su dimensión es 2.
El siguiente teorema proporciona la clave del concepto de dimensión.
T E O R E M A 5.6.2
Si V es un espacio vectorial de dimensión finita y {v1, v2, ..., vn} es

cualquier base, entonces:
1.- Todo conjunto con más de n elementos es linealmente dependiente.
2.- Ningún conjunto con menos de n vectores genera a V.
1.- Sea S´ = {u1, u2, ..., um} cualquier conjunto de m vectores en V, donde m > n.
Se quiere demostrar que S´ es linealmente dependiente. Como S = {v1, v2, ..., vn}
es una base, todo ui se puede expresar como una combinación lineal de los vec-
tores en S, por ejemplo
u1 a11v1 a21v2 an 1vn
°
° u2 a1 2 v1 a2 2 v2 an 2 vn
® (1)
°
°u
¯ m a1 m v1 a2 m v2 an m vn
Para demostrar que S´ es linealmente dependiente, es necesario encontrar esca-
lares b1, b2, ..., bm, no todos cero, tales que
b1u1 + b2u2 + ... + bmum = (2)
Usando las ecuaciones anteriores en esta expresión, obtenemos
b1( a 11v1 + a 21v2 + ... + a n1vn) + b2(a 12v1 + a 22v2 + ... + a n2v2) + ...
+ bm( a 1mv1 + a 2mv2 + ... + a nmvn) = ,
de donde
(b1a 11 + b2a 12 + ... + bma 1m)v1 + (b1a 21 + b2a 22 + ... + bma 2m)v2 + ...
+ (b1a n1 + b2a n2 + ... + bma nm)vn = .
Así, a partir de la independencia lineal de S, el problema de demostrar que S´ es
un conjunto linealmente dependiente se reduce a probar que existen escalares b1,
b2, ..., bm, no todos cero, que satisfacen
a11b1 a12 b2 a1m bm 0
°a b a b a b 0
° 21 1 22 2 2m m
® (3)
°
°¯ an1b1 an 2 b2 anm bm 0
Pero este sistema contiene más incógnitas que ecuaciones, de modo que la de-
mostración está completa, ya que de esta manera se garantiza la existencia de
soluciones no triviales.
2.- Sea S´ = {u1, u2, ..., um} cualquier conjunto de m vectores en V, donde m <
n. Se quiere demostrar que S´ no genera a V. La demostración será por contra-
dicción: Se probará que suponiendo que S´ genera a V se llega a una contradic-
ción de la independencia lineal de {v1, v2, ..., vn}.
Si S´ genera a V, entonces todo vector en V es una combinación lineal de los
vectores en S´. En particular, cada vector básico vi es una combinación lineal de
los vectores en S´, por ejemplo,
v1 a11u1 a21u2 am 1um
°
°v2 a1 2u1 a2 2u2 am 2um
® (4)
°
°v a u a u a u
¯ n 1n 1 2n 2 mn m
Para obtener la contradicción, se demostrará que existen escalares b1, b2, ..., bm,
no todos cero, tales que
b1v1 + b2v2 + ... + bnvn = (5)
Pero obsérvese que (4) y (5) son de la misma forma que (1) y (2), excepto que
se han intercambiado m y n, así como las u y las v. Por tanto, los cálculos con
los que se llegó a (3) ahora producen

a11b1 a1 2 b2 a1 n bn 0
°
° a21b1 a2 2 b2 a2 n bn 0
®
°
°a b a b a b 0
¯ m1 1 m 2 2 mn n
Este sistema lineal tiene más incógnitas que ecuaciones y por lo tanto posee
soluciones no triviales.
De este teorema se deduce que si S = {v1, v2, ..., vn} es cualquier base para un
espacio vectorial V, entonces todos los conjuntos en V que simultáneamente
generan a V y son linealmente independientes deben tener precisamente n vecto-
res. Así, todas las bases de V deben tener el mismo número de vectores que la
base arbitraria S. Esto lleva al siguiente teorema, que es uno de los más impor-
tantes en álgebra lineal.
T E O R E M A 5.6.3
Todas las bases de un espacio vectorial de dimensión finita tienen el
mismo número de vectores.
Supóngase que S es una base con un número finito n de elementos y S´ otra base
cualquiera. Ya que S genera a V y S´ es linealmente independiente, el número m
de elementos en S´ debe ser a lo más n. Esto prueba que S´ es finita y m d n.
Pero entonces pueden intercambiarse los papeles de S y S´ para obtener la de-
sigualdad en el otro sentido, así que m = n.
Este teorema afirma que, en un espacio vectorial V de dimensión finita, cual-

quier conjunto dado de vectores linealmente independientes de V forma parte de
alguna base de V. En realidad, hay muchas bases así. Se dice que la base S =
{v1, ..., vm, ..., vn} es la extensión a una base de V del conjunto linealmente inde-
pendiente {v1, v2, ..., vm}.
EJ E M P L O 5.6.2
Hallar todas las bases de los sistemas de vectores siguientes:
a.- {(4, -2, 12, 8), (-6, 12, 9, -3), (-10, 5, -30, -20), (-14, 28, 21, -7)};
b.- {(1, 2, 3, 0, -1), (0, 1, 1, 1, 0), (1, 3, 4, 1, -1)};
c.- {(1 + i, 1 ± i, 2 + 3i), (i, 1, 2), (1 ± i, - 1 ± i, 3 ± 2i), (4, -4i, 10 + 2i)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
§ 4 2 12 8 · § 2 1 6 4 · § 2 1 6 4 · § 2 1 6 4·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 6 12 9 3 ¸ ¨ 2 4 3 1 ¸ ¨ 0 1 3 1 ¸ ¨ 0 1 3 1¸
| | |
¨ 10 5 30 20 ¸ ¨ 2 1 6 4 ¸ ¨ 0 0 0 0 ¸ ¨ 0 0 0 0¸
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
© 14 28 21 7 ¹ © 2 4 3 1 ¹ © 0 1 3 1 ¹ © 0 0 0 0¹
Como el rango de la matriz es igual a 2, entonces cada una de las bases tiene dos
elementos:
S1 = {(4, -2, 12, 8), (-6, 12, 9, -3)} y S2 = {(-10, 5, -30, -20), (-14, 28, 21, -7)}.
b.- En este caso formamos una matriz, donde sus filas son los elementos del
§ 1 2 3 0 1· § 1 2 3 0 1· § 1 2 3 0 1·
¨ ¸ ¨ ¸ ¨ ¸
¨0 1 1 1 0 ¸ | ¨0 1 1 1 0 ¸ | ¨0 1 1 1 0 ¸
¨ 1 3 4 1 1¸ ¨ 0 1 1 1 0 ¸ ¨ 0 0 0 0 0 ¸
© ¹ © ¹ © ¹
Como el rango de la matriz es igual a 2, entonces cada una de las bases tienen dos
elementos:

S1 = {(1, 2, 3, 0, -1), (0, 1, 1, 1, 0)} y S2 = {(1, 2, 3, 0, -1), (1, 3, 4, 1, -1)}.

c.- En este caso formamos una matriz, donde sus filas son los elementos del
§1 i 1 i 2 3i · §1 i 1 i 2 3i ·
¨ ¸ ¨ ¸
¨ i 1 2 ¸ ¨ 0 0 1 ¸
|
¨1 i 1 i 3 2i ¸ ¨ 0 0 0 ¸
¨ ¸ ¨ ¸
© 4 4i 10 2i ¹ © 0 0 0 ¹
Como el rango de la matriz es igual a 2, entonces cada una de las bases tienen dos
elementos:
S1 = {(1 + i, 1 ± i, 2 + 3i), (i, 1, 2)}, S2 = {(i, 1, 2), (1 ± i, - 1 ± i, 3 ± 2i)},
S3 = {(i, 1, 2), (4, -4i, 10 + 2i)}.
Cualquier vector distinto de cero v constituye un subconjunto linealmente inde-

pendiente de V y, en consecuencia, el teorema afirma que cada vector v distinto
de cero aparece en alguna base de V. Entre otras cosas, lo que nos enseña el
teorema es que existen muchas bases diferentes de V y que tenemos algo de
libertad en la elección de una base de V.
T E O R E M A 5.6.4
Un conjunto de n vectores en un espacio vectorial V es una base si, y
sólo si es linealmente independiente.
Sea S = {v1, v2, ..., vn} un conjunto linealmente independiente y v un vector
cualquiera en V. Ya que {v1, v2, ..., vn, v} contiene n + 1 elementos, debe ser
linealmente dependiente. Cualquier relación no trivial que exista debe contener
a v con un coeficiente diferente de cero, porque si ese coeficiente fuera cero, la
relación equivaldría a una relación en S. Así pues, v depende de S. Por lo tanto,
S genera a V y es una base.
E J E M P L O 5.6.3
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no están en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinación lineal de u, v, w.
EJ E M P L O 5.6.4
Hallar una base cualquiera de cada uno de los siguientes sistemas de vectores:
a.- {(0, 2, -1), (3, 7, 1), (2, 0, 3), (5, 1, 8)};
b.- {(-1, 4, -3, -2), (3, -7, 5, 3), (3, -2, 1, 0), (-4, 1, 0, 1)};
c.- {(14, -27, -49, 113), (43, -82, -145, 15), (-29, 55, 96, -17), (85, -163, -13, 77)};
d.- {(3 ± i, 1 ± 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 ± 7i, 4i), (0, 1, 1, -3)}.
SO L U C I O N
§ 0 2 1· § 0 2 1 · § 0 2 1·
¨ ¸ ¨ ¸ ¨ ¸
¨3 7 1 ¸ | ¨3 7 1 ¸ ¨3 7 1 ¸
|
¨ 2 0 3 ¸ ¨ 0 2 1 ¸ ¨ 0 0 0 ¸
¨ ¸ ¨ ¸ ¨ ¸
© 5 1 8 ¹ © 0 32 19 ¹ © 0 0 3 ¹
Como el rango de la matriz es igual a 3, entonces la base buscada esta formada por:
{(0, 2, -1), (3, 7, 1), (5, 1, 8)}.

§ 1 4 3 2 · § 1 4 3 2 · § 1 4 3 2 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 7 5 3 ¸ | ¨ 0 5 4 3 ¸ | ¨ 0 5 4 3 ¸
¨ 3 2 1 0 ¸ ¨ 0 5 4 3 ¸ ¨ 0 0 0 0 ¸
¨ ¸ ¨ ¸ ¨ ¸
© 4 1 0 1 ¹ © 0 5 4 3 ¹ © 0 0 0 0 ¹
{(-1, 4, -3, -2), (3, -7, 5, 3)}.
c.- En este caso formamos un determinante, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular dicho determinante:
14 27 49 113
43 82 145 15
z0
29 55 96 17
85 163 13 77
Como el determinante es diferente de cero, entonces el sistema dado es base.
d.- En este caso formamos una matriz, donde sus filas son los elementos del
§ 3 i 1 2i 7 5i 4 3i · § 3 i 1 2i 7 5i 4 3i ·
¨ ¸ ¨ ¸
¨1 3i 1 i 6 7i 4i ¸ | ¨ 0 3i 3i 9 3i ¸
¨ 0 1 1 3 ¸¹ ¨© 0 1 1 3 ¸¹
©
§ 3 i 1 2i 7 5i 4 3i ·
¨ ¸
¨ 0 3i 3i 9 3i ¸
¨ 0 0 0 0 ¸¹
©
{(3 ± i, 1 ± 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 ± 7i, 4i)}.
EJ E M P L O 5.6.5
Determínese si el subconjunto S es linealmente independiente y, cuando sea
posible, encuéntrese una base del espacio que contiene a S:
a.- S = {(1, 1, 1, 1), (1, 2, 3, 4)} 4; b.- S = {t + t3, t2 + t6, 1 ± t ± t3} 6.
SO L U C I O N
§1 1 1 1 · 1 1
¨ ¸ 1 z0, z0.
©1 2 3 4 ¹ 1 2
Como el rango de la matriz es igual a 2, entonces el sistema dado es linealmente
independiente. Para extender hasta encontrar una base del espacio 4 que contenga
a S, aumentamos a la matriz inicial una fila de variables:
§1 1 1 1· 1 1 1
¨ ¸
¨ 1 2 3 4 ¸ 1 2 3 a 2b c .
ä b c d¸ a b c
© ¹
Para que el vector (a, b, c, d) forme parte de la base de 4, entonces debe satisfacer
a ± 2b + c z 0, es decir un posible vector puede es, (1, 1, -1, 0). Para encontrar el
último vector que formará parte de la base del espacio 4, a la última matriz le
aumentamos una fila de variables:
§1 1 1 1· 1 1 1 1
¨ ¸
¨ 1 2 3 4 ¸ 1 2 3 4 3x 4 y z 2u .
¨ 1 1 1 0 ¸ 1 1 1 0
¨ ¸
©x y z u¹ x y z u
Para que el vector (x, y, z, u) forme parte de la base de 4, entonces debe satisfacer

3x ± 4y ± z + 2u z 0, es decir un posible vector puede es, (1, 1, 1, 0). Por lo tanto la

base de 4 buscada tiene la forma:
Base 4 = {(1, 1, 1, 1), (1, 2, 3, 4), (1, 1, -1, 0), (1, 1, 1, 0)}.
§0 1 0 1 0 0 0· 0 1 0
¨ ¸ 0 1
¨ 0 0 1 0 0 0 1 ¸ 1 z 0 , z 0 , 0 0 1 z0.
¨ 1 1 0 1 0 0 0 ¸ 1 0
© ¹ 1 1 0
Como el rango de la matriz es igual a 3, entonces el sistema dado es linealmente
independiente. Para extender hasta encontrar una base del espacio 6 que contenga
a S, aumentamos a la matriz inicial una fila de variables:
§0 1 0 1 0 0 0· 0 1 0 1
¨ ¸
¨0 0 1 0 0 0 1¸ 0 0 1 0 d b .
¨ 1 1 0 1 0 0 0 ¸ 1 1 0 1
¨ ¸
©a b c d e f g¹ a b c d
Para que el polinomio a + bt + ct + dt + et + ft5 + gt6 forme parte de la base de
2 3 4
6, entonces debe satisfacer b - d z 0, es decir un posible vector puede es, 1 + t +

t2 - t3 + t4 + t5 + t6. Para encontrar el último vector que formará parte de la base del
espacio 6, a la última matriz le aumentamos una fila de variables:
§0 1 0 1 0 0 0· 0 1 0 1 0
¨ ¸
¨0 0 1 0 0 0 1¸ 0 0 1 0 0
¨ 1 1 0 1 0 0 0 ¸ 1 1 0 1 0 b d 2e .
¨ ¸
¨ 1 1 1 1 1 1 1 ¸ 1 1 1 1 1
ä b c d e f g¸ a b c d e
© ¹
Para que el vector a + bt + ct2 + dt3 + et4 + ft5 + gt6 forme parte de la base de 6,
entonces debe satisfacer b ± d ± 2e z 0, es decir un posible vector puede es, t4. De
esta forma seguimos encontrando los polinomios necesarios para formar la base del
espacio 6:
§0 1 0 1 0 0 0· 0 1 0 1 0 0
¨ ¸
¨ 0 0 1 0 0 0 1 ¸ 0 0 1 0 0 0
¨ 1 1 0 1 0 0 0 ¸ 1 1 0 1 0 0
¨ ¸ bd 2f
¨ 1 1 1 1 1 1 1 ¸ 1 1 1 1 1 1
¨0 0 0 0 1 0 0¸ 0 0 0 0 1 0
¨¨ ¸¸
©a b c d e f g¹ a b c d e f
1 + t + t3 + t5;
§0 1 0 1 0 0 0· 0 1 0 1 0 0 0
¨ ¸
¨0 0 1 0 0 0 1¸ 0 0 1 0 0 0 1
¨ 1 1 0 1 0 0 0 ¸ 1 1 0 1 0 0 0
¨ ¸
¨ 1 1 1 1 1 1 1 ¸ 1 1 1 1 1 1 1 2c 2 g
¨0 0 0 0 1 0 0¸ 0 0 0 0 1 0 0
¨ ¸
¨1 1 0 1 0 1 0 ¸ 1 1 0 1 0 1 0
ä b c d e f g¸ a b c d e f g
© ¹
1 + t + t2 + t3 + t4 + t5 - t6.
Por lo tanto la base de 6 buscada tiene la forma:
Base 6 = {t + t3, t2 + t6, 1 ± t ± t3, 1 + t + t2 - t3 + t4 + t5 + t6, t4, 1 + t + t3 + t5, 1 + t
+ t2 +
t3 + t4 + t5 - t6}.

T E O R E M A 5.6.5
En un espacio vectorial de dimensión finita, todo conjunto generador
contiene una base.
Sea S´ un conjunto que genera a V. Si V = {}, entonces S´ es una base de
{}. Si V z {}, entonces S´ debe contener al menos un vector v1, diferente de
cero. Busquemos otro vector en S´ que no dependa de {v1}. Llamemos a este
vector v2 y busquemos otro vector en S´ que no dependa del conjunto linealmen-
te dependiente {v1}. Continuamos de la misma manera hasta donde podamos,
pero el proceso debe terminar ya que no podemos encontrar más de n vectores
linealmente independientes en S´. Supongamos que se ha hallado el conjunto
S = {v1, v2, ..., vm} con la propiedad de que todo vector en S´ es linealmente
dependiente de S. Entonces el conjunto S también debe generar a V y es una
base.
T E O R E M A 5.6.6
En un espacio vectorial de dimensión finita, cualquier conjunto lineal-
mente independiente de vectores se puede extender hasta tener una ba-
se.
Sea S = {v1, v2, ..., vn} una base de V y S´ = {u1, u2, ..., um} un conjunto lineal-
mente independiente m d n. El conjunto {u1, u2, ..., um, v1, v2, ..., vn} genera a V.
Si este conjunto es linealmente dependiente, entonces algún elemento es una
combinación lineal de los elementos precedentes. Este elemento no puede ser
uno de los ui, porque entonces S´ sería linealmente dependiente. Pero entonces
puede eliminarse este vi para obtener un conjunto menor que genera a V. Conti-
nuamos de esta manera, quitando elementos mientras se tenga un conjunto gene-
rador linealmente dependiente. En ningún paso se elimina a alguno de los ui. Ya
que nuestro conjunto generador es finito, este proceso debe terminar con una
base que contenga a S´ como subconjunto.
Como caso especial del teorema, podemos enunciar lo siguiente: si { v1, v2, ...,
vm} es base de un subespacio S de un espacio vectorial V de dimensión finita,
entonces existe una base de V que contiene a v1, v2, ..., vm. Por consiguiente, se
puede extender cada base de un subespacio a una base de la totalidad del espa-
cio vectorial.
T E O R E M A 5.6.7
Sea S un conjunto no vacío de vectores en un espacio vectorial V. Si S
es un conjunto linealmente independiente y v es un vector en V que no
pertenece a Span(S), entonces el conjunto que se obtiene al incluir v en
S aún es linealmente independiente.
Supóngase que S = {v1, v2, ..., vk} es un conjunto linealmente independiente de
vectores en V y que v es un vector en V fuera de Span(S). Para probar que S´ =
{v1, v2, ..., vk, v} es un conjunto linealmente independiente, es necesario demos-
trar que los únicos escalares que satisfacen
a 1v1 + a 2v2 + ... + a kvk + a k+1v =
son a 1 = a 2 = ... = a k = a k+1 = 0. Pero se debe tener que a k+1 = 0; en caso contra-
rio, v se podría despejar en la ecuación como una combinación lineal de S, con-
tradiciendo la hipótesis de que v es un vector que no pertenece a Span(S). Así, la
ecuación se simplifica a a 1v1 + a 2v2 + ... + a kvk = lo cual, debido a la indepen-
dencia lineal de S, significa que a 1 = a 2 = ... = a k = 0.
E J E M P L O 5.6.6
Sea Span(S) = {( a , b, c) / a ± b + c = 0} y v = (1, -2, 1) 3. Demostrar que el
conjunto que se forma con la base de Span(S) y el vector v es linealmente inde-

pendiente y, además es base de 3.
SO L U C I O N
Encontramos una base para el subespacio; Base Span(S) = {(1, 1, 0), (-1, 0, 1)}.
Para verificar que los elementos de la base del subespacio y el vector v forman
una base de 3, construimos una matriz con sus correspondientes elementos y
calculamos su determinante
1 1 0
1 0 1 z 0
1 2 1
como el determinante de la matriz es diferente de cero, el rango es igual 3 y la
dimensión del conjunto formado por estos elementos es linealmente indepen-
diente y tiene dimensión 3. Por lo tanto el conjunto
S´ = {(1, 1, 0), (-1, 0, 1), (1, -2, 1)}
es base de 3.
Un conjunto S de tres vectores linealmente independientes en 3 genera un

plano que pasa por el origen. Si S se aumenta insertando cualquier vector v fuera
de este plano, entonces el conjunto resultante de tres vectores todavía es lineal-
mente independiente, ya que ninguno de los tres vectores está en el mismo plano
que los otros dos.
T E O R E M A 5.6.8
Sea S un conjunto no vacío de vectores en un espacio vectorial V. Si v
es un vector en S que se puede expresar como una combinación lineal
de los demás vectores en S, y si S - {v} denota el conjunto que se ob-
tiene al quitar v de S, entonces S y S - {v} generan el mismo espacio; es
decir,
Span(S) = Span(S - {v}).
Supóngase que S = {v1, v2, ..., vk} es un conjunto de vectores en V y, para ser
específicos, supóngase que vk es una combinación lineal de v1, v2, ..., vk-1, por
ejemplo
vk = a 1v1 + a 2v2 + ... + a k-1vk-1 (1)
Se quiere demostrar que si vk se extrae de S, entonces el conjunto de vectores
restantes {v1, v2, ..., vk-1} sigue generando a Span(S); es decir, se debe demostrar
que todo vector u en Span(S) se puede expresar como una combinación lineal de
{v1, v2, ..., vk-1}. Pero si u está en Span(S), entonces u se puede expresar en la
forma
u = b1v1 + b2v2 + ... + bk-1vk-1 + bkvk (2)
o bien, sustituyendo en la ecuación (1)
u = b1v1 + b2v2 + ... + bk-1vk-1 + bk( a 1v1 + a 2v2 + ... + a k-1vk-1)
que expresa a u como una combinación lineal de v1, v2, ..., vk-1.
Si S es un conjunto de tres vectores no colineales en 3 que están en un plano

común que pasa por el origen, entonces los tres vectores generan el plano. Sin
embargo, si de S se extrae cualquier vector v que sea una combinación lineal de
los otros dos, entonces el conjunto restante de dos vectores sigue generando el
plano.
En general, para probar que un conjunto de vectores { v1, v2, ..., vn} es una base
de un espacio vectorial V, se debe demostrar que los vectores son linealmente
independientes y generan a V. Sin embargo, si se sabe que la dimensión de V es
n, entonces basta verificar ya sea, la independencia lineal o la generación: la otra
condición se cumple automáticamente.
T E O R E M A 5.6.9
Si U es un subespacio vectorial de un espacio vectorial V de dimensión
finita, entonces Dim(U) d Dim(V); además, si Dim(U) = Dim(V), en-
tonces U = V.
Sea S = {u1, u2, ..., um} una base para U. S puede ser una base para V o no. Si es
así, entonces Dim(U) = Dim( V) = m. Si no es así, entonces es posible agregar
vectores al conjunto linealmente independiente S a fin de convertirlo en una
base para V de modo que Dim(U) < Dim(V). Por tanto, Dim(U) d Dim(V) en
todos los casos. Si Dim(U) = Dim(V), entonces S es un conjunto de m vectores
linealmente independientes en el espacio vectorial V de dimensión m; por tanto,
S es una base para V. Esto significa que U = V.
Considerando la suma de dos subespacios vectoriales arbitrarios U y W, podre-

mos ver fácilmente que su dimensión depende no sólo de la dimensión de los
subespacios U y W, sino también de cuán grande es la parte común de los mis-
mos. El valor exacto de la dimensión de la suma se determina por el siguiente
teorema.
T E O R E M A 5.6.10
Si U y W son subespacios vectoriales de dimensión finita de un espacio
vectorial V, entonces
Dim(U + W) + Dim(U W) = Dim(U) + Dim( W).
Hemos de verificar que, si U y W son subespacios de dimensión finita de un
espacio vectorial V, entonces Dim(U + W) + Dim(U W) = Dim(U) +
Dim(W). Puesto que U W es subespacio del espacio de dimensión finita U.
Sabemos que U W es de dimensión finita. Como U + W está generado por la
unión de una base de U y una base de W, también es de dimensión finita. Sea
{u1, u2, ..., uk} una base de U W, existen vectores v1, v2, ..., vr en U tales que
{u1, u2, ..., uk, v1, v2, ..., vr} es base de U. De la misma manera, hay vectores w1,
w2, ..., wt en W tales que {u1, u2, ..., uk, w1, w2, ..., wt} es base de W. Vemos
claramente que
Span{u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} = U + W.
Si
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr + c1w1 + c2w2 + ... + c twt = ,
entonces,
v = a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr = - c1w1 - c2w2 - ... - c twt
está en U W. Luego existen escalares d1, d2, ..., dk con la propiedad de que
v = d1u1 + d2u2 + ... + dkuk,
de donde tenemos que
d1u1 + d2u2 + ... + dkuk + c1w1 + c2w2 + ... + c twt = .
Pero {u1, u2, ..., uk, w1, w2, ..., wt} es un conjunto linealmente independiente de
V y, en consecuencia, c1 = c2 = ... = c t = 0. Pero, entonces vemos que
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr =
y, como {u1, u2, ..., uk, v1, v2, ..., vr} es base de U y, por tanto, conjunto lineal-
mente independiente, tenemos que a 1 = a 2 = ... = a k = b1 = b2 = ... = br = 0. Por lo
tanto, hemos hecho ver que {u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} es
linealmente independiente y genera a U + W. Por consiguiente,
Dim(U + W) = t + k + r = (t + k) + ( r + k) ± k
= Dim(U) + Dim(W) - Dim(U W).
De este teorema se puede deducir una desigualdad que ofrece el valor mínimo
de la dimensión de la intersección de unos subespacios. Consideremos los
subespacios vectoriales U y W de V y sean r y s las dimensiones de estos

subespacios, n la dimensión de V y m la dimensión de la intersección U W.

En virtud del teorema, la dimensión de la suma U + W es igual a r + s ± m. Pero
la dimensión de la suma U + W es no mayor que la dimensión del espacio V.
Por consiguiente, r + s ± m d n, de donde se tiene m t r + s ± n. Es decir, la
dimensión de la intersección de dos subespacios vectoriales del espacio V no
puede ser menor que el exceso de la suma de las dimensiones de estos subespa-
cios respecto a la dimensión del espacio vectorial V. Por ejemplo, la intersec-
ción de dos planos del espacio de tres dimensiones contiene siempre una recta,
la intersección de un subespacio de dos dimensiones con un subespacio de tres
dimensiones en un espacio de cuatro dimensiones contiene una recta, la inter-
sección de dos subespacios de tres dimensiones de un espacio de cuatro dimen-
siones contiene un plano, etc.
EJ E M P L O 5.6.7
Suponga que V es de dimensión n y que cada uno de los conjuntos U y W es
subespacio de V de dimensión n - 1. Suponga además, que U z W. Entonces,
Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no está en el otro.
En consecuencia, U + W contiene a uno de U, W o tal vez a ambos, como
subespacio propio. De acuerdo con eso n t Dim(U + W) > n - 1 = Dim(U) =
Dim(W); de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W)
= (n - 1) + (n - 1) ± n
= n - 2.
EJ E M P L O 5.6.8
Sea U el conjunto de elementos (a, b, c, d) tales que a ± b + c = 0. Sea W el
conjunto de elementos (a, b, c, d) tales que b + c + d = 0. Entonces, U W = S
será el conjunto de elementos (a, b, c, d) que cumplan tanto con la condición a ± b
+ c = 0 como con la condición b + c + d = 0, y DimS = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de 4, y DimU = DimW = 3.
Se ve claramente que (1, 1, 0, 0) está en U y no está en W, de manera que
U z W. Por lo tanto DimS = 2.
Cuando se definen propiedades y se demuestran teoremas acerca de espacios

vectoriales, suele ser aconsejable, y, habitualmente, más fácil, trabajar sin tomar
una base particular. Cuando se define una propiedad por medio de una base, es
necesario determinar si esa propiedad es intrínseca del espacio vectorial o si
depende explícitamente de una base en particular. Por eso, al definir la dimen-
sión de un espacio vectorial, nos aseguramos con mucho cuidado de que no
dependíamos, al hacerlo, de una base en particular, sino que teníamos una pro-
piedad que poseen todas las bases y, por consiguiente, intrínseca al espacio
vectorial. Sin embargo, cuando se hacen cálculos, se encuentra que las cosas se
simplifican al usar una base en particular.
Si se sabe que la cantidad que se va a calcular es independiente, de la base usa-

da, entonces podemos estar seguros de que nuestro resultado será el mismo, al
margen de nuestra elección de base. Es habitual que los cálculos se pueden
hacer con mucha facilidad si se elige la base adecuada.
T E O R E M A 5.6.11
La dimensión de una suma directa de subespacios es igual a la suma de
las dimensiones de estos subespacios.

Si tenemos dos sumandos, entonces la dimensión de la suma es igual, por el
teorema anterior. Pero, la intersección de subespacios en el caso de una suma
directa es nula y su dimensión es igual a cero. Por esto, la dimensión de una
suma directa de dos subespacios es igual a la suma de sus dimensiones.
T E O R E M A 5.6.12
La dimensión del espacio de soluciones del sistema homogéneo con n
incógnitas A X = O es igual a la diferencia n ± r, donde r es el rango del
sistema A X = O.
Como consecuencia de este teorema, podemos enunciar lo siguiente: para que

un sistema de n ecuaciones lineales homogéneas de n incógnitas A X = O no
tenga soluciones no nulas, es necesario y suficiente que la matriz A de este
sistema sea no singular. Efectivamente, la condición n = r significa que el rango
de la matriz A debe coincidir con su orden, es decir, la matriz A debe ser no
singular. Otra consecuencia es la siguiente: para que un sistema de n ecuaciones
lineales homogéneas de n incógnitas tenga solución no nula es necesario y sufi-
ciente que el determinante de la matriz de este sistema sea igual a cero. En efec-
to, una matriz cuadrada es singular si, y sólo si, su determinante es igual a cero.
En un espacio vectorial V de dimensión finita, cualquier conjunto dado de vec-

tores linealmente independientes de V forma parte de alguna base de V. En
realidad, hay muchas bases así. Se dice que la base S = {v1, ..., vm, ..., vn} es la
extensión a una base de V del conjunto linealmente independiente {v1, v2, ...,
vm}.
Un conjunto S de tres vectores linealmente independientes en 3 genera un

plano que pasa por el origen. Si S se aumenta insertando cualquier vector v fuera
de este plano, entonces el conjunto resultante de tres vectores todavía es lineal-
mente independiente, ya que ninguno de los tres vectores está en el mismo plano
que los otros dos.
Considerando la suma de dos subespacios vectoriales arbitrarios U y W, podre-

mos ver fácilmente que su dimensión depende no sólo de la dimensión de los
subespacios U y W, sino también de cuán grande es la parte común de los mis-
mos.
Consideremos los subespacios vectoriales U y W de V y sean r y s las dimen-

siones de estos subespacios, n la dimensión de V y m la dimensión de la inter-
sección U W. La dimensión de la suma U + W es igual a r + s ± m. Pero la
dimensión de la suma U + W es no mayor que la dimensión del espacio V. Por
consiguiente, r + s ± m d n, de donde se tiene m t r + s ± n. Es decir, la dimen-
sión de la intersección de dos subespacios vectoriales del espacio V no puede
ser menor que el exceso de la suma de las dimensiones de estos subespacios
respecto a la dimensión del espacio vectorial V. Por ejemplo, la intersección de
dos planos del espacio de tres dimensiones contiene siempre una recta, la inter-
sección de un subespacio de dos dimensiones con un subespacio de tres dimen-
siones en un espacio de cuatro dimensiones contiene una recta, la intersección
de dos subespacios de tres dimensiones de un espacio de cuatro dimensiones
contiene un plano, etc.
% COMPRUEBA SI UN SISTEMA DE VECTORES S ES BASE

clc;;clear;;
fprintf('\n BASE Y DIMENSION \n')

fprintf('Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\nIngrese la Ecuacion (%d)\n', f)
for c=1:col
S(f,c)=input(' :');;
end
end
fprintf('LA MATRIZ DE VECTORES ES:\n')
S
fprintf('LA MATRIZ REDUCIDA ES:')
R= rref(S);;
R
if (rank(S)==fil)
fprintf('EL SISTEMA DE VECTORES S ES UNA BASE \n')
DimS=rank(R)
else
fprintf('EL SISTEMA DE VECTORES S NO ES UNA BASE \n')
end

E J E M P L O 5.6.9
Si a , b, c son números reales, si c z 0 y si S es el conjunto de todos los vectores (x, y, z) de 3
con la propiedad de que ax + by + cz = 0, entonces S es subespacio de V y Dim(S) = 2.
SO L U C I O N
Como ax + by + cz = 0 es un plano que pasa por el origen, entonces vemos que S es subespacio
de 3. Sean k = - a /c, r = - b/ c. Entonces, podemos describir a S como el conjunto de todos los
(x, y, z) tales que kx + ry - z = 0. Además, observamos que u = (1, 0, k) y v = (0, 1, r) están en S.
Podemos demostrar que u, v son linealmente independientes. Si w = (x, y, z) S, entonces
z = kx + ry, de manera que w = (x, y, kx + by) = xu + yv. En consecuencia, Span{u, v} = S.
Como u, v es un conjunto linealmente independiente, concluimos que constituye una base de
S.
E J E M P L O 5.6.10
Sea S = {(1, 2, 3), (0, 1, 2), (1, 1, 1), (3, 2, 1)} 3. Demuestre que tanto S como S´ = {(1, 2,
3), (0, 1, 2), (1, 1, 1)} generan el mismo subespacio.
SO L U C I O N
Para encontrar el Span(S), construimos la matriz aumentada de la siguiente manera:
§1 0 1 3 a · §1 0 1 3 a · §1 0 1 3 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 1 1 2 b |
¸ ¨ 0 1 1 4 2 a b |
¸ ¨ 0 1 1 4 2 a b ¸
¨ 3 2 1 1 c ¸ ¨ 0 2 2 8 3a c ¸ ¨ 0 0 0 0 a 2b c ¸
© ¹ © ¹ © ¹
de donde
Span(S) = {( a , b, c) / a ± 2b + c = 0}.
Para encontrar el Span(S´), construimos la matriz aumentada de la siguiente manera:
§1 0 1 a · §1 0 1 a · §1 0 1 a ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 1 1 b ¸ | ¨ 0 1 1 2 a b ¸ | ¨ 0 1 1 2a b ¸
¨ 3 2 1 c ¸ ¨ 0 2 2 3a c ¸ ¨ 0 0 0 a 2b c ¸
© ¹ © ¹ © ¹
de donde
Span(S´) = {( a , b, c) / a ± 2b + c = 0}.
Por lo tanto concluimos que Span(S) = Span(S´).
E J E M P L O 5.6.11
Suponga que V es de dimensión n y que cada uno de los conjuntos U y W es subespacio de V
de dimensión n - 1. Suponga además, que U z W. Entonces, Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no está en el otro. En consecuen-
cia, U + W contiene a uno de U, W o tal vez a ambos, como subespacio propio. De acuerdo con
eso
n t Dim(U + W) > n - 1 = Dim(U) = Dim(W)
de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W) = (n - 1) + (n - 1) ± n = n - 2.
EJ E M P L O 5.6.12
Sea U el conjunto de elementos (a, b, c, d) tales que a ± b + c = 0. Sea W el conjunto de elementos
(a, b, c, d) tales que b + c + d = 0. Entonces, U W = S será el conjunto de elementos (a, b, c, d)
que cumplan tanto con la condición a ± b + c = 0 como con la condición b + c + d = 0, y
Dim(S) = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de R 4, y Dim(U) = Dim( W) = 3. Se ve
claramente que (1, 1, 0, 0) está en U y no está en W, de manera que U z W. Por lo tanto
Dim(S) = 2.
EJ E M P L O 5.6.13
Hallar una base cualquiera y la dimensión del subespacio generado por los sistemas de polinomios
siguientes:
a.- {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3, t2 + t + 1, 4t2 + 3t + 4};
b.- {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5, 3t3 + 4t2 + 5t + 6, 4t3 + 5t2 + 6t + 7}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
§3 2 1·
¨ ¸
¨ 4 3 2¸ 3 2 1
3 2
¨ 3 2 3¸ 3 z 0 , z0, 4 3 2 z0.
¨ ¸ 4 3
¨1 1 1¸ 3 2 3
¨ 4 3 4¸
© ¹
Como el rango de la matriz es 3, entonces la base buscada es {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3}
y su dimensión es 3.
b.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
§1 2 3 4· §1 2 3 4· §1 2 3 4·
¨ ¸ ¨ ¸ ¨ ¸
¨ 2 3 4 5¸ | ¨0 1 2 3¸ | ¨0 1 2 3¸
¨3 4 5 6¸ ¨0 2 4 6¸ ¨0 0 0 0¸
¨ ¸ ¨ ¸ ¨ ¸
©4 5 6 7¹ ©0 3 6 9¹ ©0 0 0 0¹
Como el rango de la matriz es 2, entonces la base buscada es {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5} y
su dimensión es 3.
EJ E M P L O 5.6.14
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 3:
a.- {(a, 1, 1), (1, a, 1), (1, 1, a)};
b.- {(a + 1, 1, 1), (1, a + 1, 1), (1, 1, a + 1)};
c.- {(1, a + 1, a), (a + 1, a + 2, a + 3), (a, 0, a + 4)};
d.- {(a ± i, 0, 1), (0, a, 0), (1, -2ia, a ± i)};
e.- {(a, 1, 1), (b, ab, b), (1, 1, a)};
f.- {(2a - b, 1, b ± a), (0, a, 0), (2a - 2b, 2, 2b ± a)}.
SO L U C I O N
a.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:

a 1 1
1 a 1 ( a 2)( a 1)2 .
1 1 a
En este caso (a + 2)(a ± 1)2 z 0, de donde obtenemos que a z -2 y a z 1.
b.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
a 1 1 1
1 a 1 1 a 2 ( a 3) .
1 1 a 1
En este caso a2(a + 3) z 0, de donde obtenemos que a z 0 y a z -3.
c.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
1 a 1 a
a 1 a 2 a 3 (1 a )( a 2)2 .
a 0 a4
En este caso (1 ± a)(a + 2)2 z 0, de donde obtenemos que a z 1 y a z -2.
d.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
ai 0 1
0 a 0 a ( a 1 i )( a 1 i ) .
1 2ia a i
En este caso a(a + 1 ± i)(a ± 1 ± i) z 0, de donde obtenemos que a z 0, a z -1 + i y a z 1 + i.
e.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
a 1 1
b ab b b( a 2)( a 1)2 .
1 1 a
En este caso b(a + 2)(a ± 1)2 z 0, de donde obtenemos que b z 0, a z -2 y a z 1.
f.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
2a b 1 b a
0 a 0 a 2b .
2 a 2b 2 2b a
En este caso a2b z 0, de donde obtenemos que a z 0 y b z 0.
EJ E M P L O 5.6.15
Sea S el conjunto de los vectores (a, b, c, d, e) de 5 tales que
a b c 0
®
¯b d e 0
Determínese una base de S. Encuéntrese una base de 5 que sea extensión de la base obtenida para
S.
SO L U C I O N
Para encontrar una base para S, debemos resolver el sistema de ecuaciones:
§ 1 1 1 0 0 0 · § 1 0 1 1 1 0 ·
¨ ¸|¨ ¸
©0 1 0 1 1 0¹ ©0 1 0 1 1 0¹
donde a = - c ± d ± e y b = - d ± e. Con estas condiciones reemplazamos en el vector ( a, b, c, d, e)
para obtener la base:
(a, b, c, d, e) = (- c ± d ± e, - d ± e, c, d, e) = c(-1, 0, 1, 0, 0) + d(-1, -1, 0, 1, 0) + e(-1, -1, 0, 0, 1)
Base S = {(-1, 0, 1, 0, 0), (-1, -1, 0, 1, 0), (-1, -1, 0, 0, 1)}
A continuación extendemos esta base a una para 5:

§ 1 0 1 0 0 · 1 0 1 0
¨ ¸
¨ 1 1 0 1 0 ¸ 1 1 0 1
a b c
¨ 1 1 0 0 1 ¸ 1 1 0 0
¨ ¸
© a b c d e¹ a b c d
El cuarto elemento se puede obtener de la condición a ± b + c z 0, que puede ser (1, 1, 1, 0, 0). El
quinto elemento lo encontramos con la misma condición pero diferente al anterior, éste puede ser
(0, 0, 1, 1, 1). Entonces la base es:
Base 5 = {{(-1, 0, 1, 0, 0), (-1, -1, 0, 1, 0), (-1, -1, 0, 0, 1), (1, 1, 1, 0, 0), (0, 0, 1, 1, 1)}.
EJ E M P L O 5.6.16
Sea S el conjunto de los polinomios reales de grado no mayor que 5 que tienen a 1 como cero.
Determínese una base de S. Encuéntrese Dim(S). Encuéntrese una base de 5 que sea extensión de
la base ya determinada de S.
SO L U C I O N
Este conjunto se puede expresar como:
S = {p 5 / p(t) = (t ± 1)(a + bt + ct2 + dt3 + et4), a, b, c, d, e }.
Expandiendo el polinomio, obtenemos:
p(t) = - a + (a ± b)t + (b ± c)t2 + (c ± d)t3 + (d ± e)t4 + et5
Una base para S es:
Base S = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1)}.
Por tanto la dimensión de S es 5. Para encontrar una base de 5, debemos construir un
determinante cuya última fila este compuesta por un polinomio cuyos coeficientes sean
incógnitas:
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 1 0 0
a b c d e f .
0 0 0 1 1 0
0 0 0 0 1 1
a b c d e f
Como falta un elemento para completar la base de 5, entonces este elemento se puede obtener de
la condición a + b + c + d + e + f z 0. Una posible base es:
Base P5 = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1), (1, 1, 1, 1, 1, 1)}.
EJ E M P L O 5.6.17
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 4:
a.- {(1, a, b, a ± b), (a, a, 0, 0), (b, 0, b, 0), (a ± b, 0, 0, a ± b)};
b.- {(1, a, a, a), (a, 1, a, a), (a, a, 1, a), (a, a, a, 1)};
c.- {(2, 1, 1, a), (b, b, 2b, b), (1, 1, 0, 0), (0, 1, 1, 0)};
d.- {(a + 3, -a, a, -a), (a, 3 ± a, a ± 1, 1 ± a), (0, 0, a + 1, 1 ± a), (0, 0, a ± 1, 3 ± a)};
e.- {(a + 2, 0, -2, 0), (2a + 4, -1, -a ± 3, a + 1), (0, 0, a, 0), (2a, -a ± 1, 1 ± a, 2a + 1)}.
SO L U C I O N
a.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
1 a b a b
a a 0 0
ab(b a )(2 a 1) .
b 0 b 0
a b 0 0 a b
En este caso ab(b ± a)(2a - 1) z 0, de donde obtenemos que a z 0, b z 0, a z ½ y b z ½ .

b.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
1 a a a
a 1 a a
(1 a )3 (3a 1) .
a a 1 a
a a a 1
En este caso (1 ± a)3(3a + 1) z 0, de donde obtenemos que a z 1 y a z -1/3.
c.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
2 1 1 a
b b 2b b
2b(1 a ) .
1 1 0 0
0 1 1 0
En este caso 2b(1 ± a) z 0, de donde obtenemos que b z 0 y a z 1.
d.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
a 3 a a a
a 3 a a 1 1 a
36 .
0 0 a 1 1 a
0 0 a 1 3 a
En este caso para cualquier valor de a, el sistema es base de 4.
e.- Una condición necesaria para que el sistema de vectores sea base, es que éste sea linealmente
a2 0 2 0
2a 4 1 a 3 a 1
a 3 ( a 2) .
0 0 a 0
2a a 1 1 a 2a 1
En este caso a3(a + 2) z 0, de donde obtenemos que a z 0 y a z -2.
EJ E M P L O 5.6.18
Sea S el conjunto de los polinomios reales de grado no mayor que 5 cuya derivada tercera es cero
en 0. Hágase ver que S es subespacio de 5. Determínese una base de S y hágase su extensión a
una base de 5.
SO L U C I O N
S = {p 5 / p´´´(0) = 0}.
Haciendo que p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p´´´(t) = 6d + 24et + 60ft2, p´´´(0) = 6d =
0, d = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, 1, 0, 0, 0, 0), (0, 0, 1, 0, 0, 0), (0, 0, 0, 0, 1, 0), (0, 0, 0, 0, 0, 1)}.
incógnitas:
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
d.
0 0 0 0 1 0
0 0 0 0 0 1
a b c d e f
la condición d z 0. Una posible base es:

Base P5 = {(1, 0, 0, 0, 0, 0), (0, 1, 0, 0, 0, 0), (0, 0, 1, 0, 0, 0), (0, 0, 0, 0, 1, 0), (0, 0, 0, 0, 0, 1),
(1, 1, 1, 1, 1, 1)}.
EJ E M P L O 5.6.19
Sea S el conjunto de los polinomios reales p(t) de grado no mayor que 5 con la propiedad de que
p´(3) = 0. Hágase ver que S es subespacio de 5. Determínese una base de S y hágase su extensión
a una base de 5.
SO L U C I O N
S = {p 5 / p´(3) = 0}.
Haciendo p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p´(3) = b + 6c + 27d + 108e + 405f, b + 6c +
27d + 108e + 405f = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1)}.
incógnitas:
1 0 0 0 0 0
0 6 1 0 0 0
0 27 0 1 0 0
b 6c 27d 108e 405 f .
0 108 0 0 1 0
0 405 0 0 0 1
a b c d e f
la condición b + 6c + 27d + 108e + 405f z 0. Una posible base es:
Base 5 = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1), (1, 1, 1, 1, 1, 1)}.
PR O B L E M AS
5.6.1 Demuestre que si S = {u1, u2, ..., uk} es una base de b.- Demostrar que U contiene las funciones f(x) = Cosnx
un espacio vectorial V y D es un escalar no nulo, y f(x) = Sennx para cada n = 2, 3, ...
entonces el conjunto S1 = {Du1, Du2, ..., Duk} también es c.- Demuestre que U es de dimensión infinita.
una base de V.
5.6.5 Sean f1« f k elementos de un espacio vectorial
5.6.2 Muéstrese gráficamente que w = u ± v, z = u + v V de funciones. Demuéstrense los siguientes enuncia-
son linealmente independientes y que, por lo tanto, for- dos:
man una base. a.- Si f1 = 0, entonces f1« f k son linealmente depen-
dientes.
5.6.3 Sea V el conjunto generado por b.- Si se puede expresar f1 como combinación lineal de
u = Cos2x, v = Sen2x, w = Cos2x: f2« f k, entonces f1« f k son linealmente dependien-
a.- Demuestre que S = {u, v, w} no es una base para V. tes.
b.- Determine una base para V. c.- Si k t 2 y si f1« f k son linealmente dependientes,
entonces una de las funciones se puede expresar como
5.6.4 Sea V el espacio vectorial de todas las funciones combinación lineal de las demás.
continuas en el intervalo [-S; S]. Sea U el subconjunto de d.- Si f1« f k son linealmente independientes y si h <
V que consta de todas las funciones f que satisfacen las k, entonces f1«f k son linealmente independientes.
S S e.- Si f1« f k constituyen una base de V, entonces f1,
tres ecuaciones ³S f (t )dt 0, ³S f (t )Costdt 0, «f k son linealmente independientes.
S f.- Si f1« f k son linealmente independientes y si c1f1
³S f (t )Sentdt 0: « c k f k = a 1f1 « a k f k, entonces c1 = a 1« c k =
a.- Demostrar que U es un subespacio de V. a k.
5.6.6 Demuestre que si U es un subespacio de un 5.6.11 Demuestre que el conjunto de las matrices trian-
espacio vectorial V de dimensión finita, entonces la gulares de m x n constituye un espacio vectorial de
dimensión de U es menor o igual que la dimensión de V. 1
dimensión mn (m2 m) si m d n, y de dimensión
2
5.6.7 Demuéstrese que Cosx, Cos2x, Cos3x son lineal- 1 2
mente independientes y que, por lo tanto, forman una (n n) si n d m.
2
base.
5.6.8 Sea V el conjunto de todas las funciones raciona- 5.6.12 Determine una base del subespacio S de n y
les de la forma determine la dimensión del subespacio:
ax b a.- S consiste en todos los vectores (x, y, -y, -x) en 4;
, x z 1, x z 2 b.- S consiste en todos los vectores (x, y, 2x, 3y) en 4;
( x 1)( x 2)
c.- S consiste en todos los vectores del plano 2x ± y + z
a.- Hágase ver que V es espacio vectorial de dimensión = 0 en el espacio 3;
2. d.- S consiste en todos los vectores (x, y, -y, x ± y, z) en
1 1 5;
b.- Demuéstrese que g1 ( x) , g 2 ( x) están
x 1 x2 e.- S consiste en todos los vectores en 4 con la segun-
en V, son linealmente independientes y forman una base da componente cero;
de V. f.- S consiste en todos los vectores (-x, x, y, 2y) en 4;
g.- S consiste en todos los vectores paralelos a la recta
5.6.9 Sea V el conjunto de todas las funciones raciona- y = 4x en 2;
les de la forma h.- S consiste en todos los vectores del plano 4x + 2y ±
ax 2 bx c z = 0 en 3.
, x z 0, x z 2, x z -2
x( x 2 4)
a.- Hágase ver que V es espacio vectorial de dimensión 5.6.13 Sea {u, v, w} una base de un espacio vectorial V.
3. Demuestre que {x, y, z} también es una base, donde u = x,
b.- Demuéstrese que y = u + v, z = u + v + w.
1 1 1
g1 ( x) , g 2 ( x) , g3 ( x ) 5.6.14 Sea W el espacio generado por f = Senx y
x x2 x2 g = Cosx:
están en V, son linealmente independientes y forman una
a.- Demuestre que para cualquier valor de T, f1 = Sen(x +
base de V.
T) y g1 = Cos(x + T) son vectores en W.
b.- Demuestre que f1 y g1 forman una base para W.
5.6.10 a.- Sea W el conjunto de los vectores de 5
tales que a 1 ± a 2 + a 3 = 0 y a 2 + a 4 + a 5 = 0. Determínese
5.6.15 En 3, todos los vectores de un plano 3 que
una base de W. Encuéntrese una base de 5 que sea
extensión de la base obtenida para W. pasa por el origen forman un subespacio S de 3. De-
b.- Sea U el subespacio de los vectores de 5 tales que termine la dimensión de S para cualquier plano 3.
2 a 1 ± a 2 + a 3 ± a 5 = 0 y a 1 + a 2 ± a 4 + 6 a 5 = 0. Determíne-
se una base de U. Encuéntrese una base de 5 que sea 5.6.16 En 2, todos los vectores paralelos a una recta
extensión de la base obtenida para U. dada L que pasa por el origen forman un subespacio S.
Determine la dimensión de S para cualquier recta L.
c.- Hágase ver que Dim(U W) t 1.
d.- Encuéntrese una base de U W.
5.7 V E C T O R D E C O O RD E N A D AS. C A M BI O D E B ASE
En esta sección se estudiará la relación entre los coeficientes de una combinación lineal con un vector de
coordenadas. Enunciaremos y demostraremos sus propiedades.
Anteriormente se ha considerado las propiedades generales de los espacios

vectoriales. Sin embargo, en las aplicaciones, además de conocer las propiedades
generales, es importante saber definir los vectores en términos de números y poder
reducir las operaciones vectoriales a operaciones con números. Este problema se
resuelve introduciendo las coordenadas de un espacio vectorial. Toda base de un
espacio vectorial V, cuyos vectores se toman en un orden determinado, se llamará

sistema de coordenadas de V. Por consiguiente, si B = {u1, u2, ..., un} es un sistema

de coordenadas de V, estos mismos vectores, pero tomados en otro orden,
representarán otro sistema de coordenadas de V.
Sea V un espacio vectorial n-dimensional y sea B = {u1, u2, ..., un} una base
de V. Defínase el vector de coordenadas de u respecto de la base B, el cual
se denota por >u@ B, como el vector >u@B = (a 1, a 2, ..., a n) n, en donde los
escalares a 1, a 2, ..., a n son tales que u = a1u1 + a2u2 + ... + anun.
Sean B 1 = {u1, u2, ..., un} y B 2 = {v1, v2, ..., vn} dos bases del espacio vectorial n
sobre el cuerpo K . Sea u un vector arbitrario del espacio vectorial. Nos proponemos
encontrar una relación entre las coordenadas de u respecto de la primera y segunda
base respectivamente. Para poder establecer esta relación se necesita conocer las
coordenadas de los vectores de una de las bases dadas respecto de la otra.
Supongamos conocidas las componentes de los vectores de la base B 1 respecto de la

base B 2.
u1 a11v1 a1 2 v2 a1 n vn
°
°u2 a21v1 a2 2 v2 a2 n vn
® (1)
°
°u
¯ n an 1v1 an 2 v2 an n vn
El vector u, respecto de la base B 2, se expresa de forma única como u = a1u1 + a2u2 +

... + anun, por otro lado, al ser también B 1 una base, el vector u admite la siguiente
expresión:
u = b1u1 + b2u2 + ... + bnun
Por (1) se tiene:
u = b1(a11v1 + a12v2 + ... + a1nvn) + b2(a21v1 + a22v2 + ... + a2nvn) + ... + bn(an1v1 + an2v2
+ ... + annvn)
= (b1a11 + b2a21 + ... + bnan1)v1 + (b1a12 + b2a22 + ... + bnan2)v2 + ... + (b1a1n + b2a2n
+ ... + bnan n)vn
Luego
a1 b1 a11 b2 a21 bn a n1
°a b a b a b a
° 2 1 12 2 22 n n2
®
°
°¯ an b1 a1n b2 a2 n bn ann
que son las ecuaciones que permiten relacionar las coordenadas de un mismo vector
respecto de las bases B 1 y B 2.
El concepto de espacio vectorial tiene dos facetas esencialmente diferentes. En

primer lugar, un espacio vectorial es un conjunto de ciertos entes que se denominan
vectores y, en segundo lugar, en un espacio vectorial actúan las operaciones de
adición y de multiplicación por un número. Por esto, o bien podemos limitarnos a
estudiar qué es lo que representan los vectores y cuáles son la naturaleza y las
propiedades de los mismos, o bien podemos tomar otro punto de vista y estudiar las
propiedades de las operaciones indicadas independientemente de la naturaleza de los
elementos con los cuales se efectúan estas operaciones. En lo sucesivo nos
interesarán solamente las propiedades del segundo género. Por ello, dos espacios de
la misma estructura respecto a las operaciones de adición y de multiplicación por
números se considerará que tienen las mismas propiedades o que son isomorfos.

Dos espacios vectoriales U y V dados sobre un mismo cuerpo K se llaman
isomorfos, si se puede establecer tal correspondencia biyectiva entre sus
vectores que a la suma de cualesquiera dos vectores del primer espacio le
corresponda la suma de los vectores correspondientes del segundo espacio y
al producto de un escalar por un vector del primer espacio le corresponda el
producto de este mismo escalar por el vector correspondiente del segundo
espacio.
Toda correspondencia biyectiva que posee las propiedades indicadas se llama

isomorfismo.
T E O R E M A 5.7.1
En una correspondencia isomorfa el vector nulo corresponde al vector nulo.
Supongamos que en una aplicación isomorfa de un espacio vectorial V sobre otro
espacio vectorial W el vector v de V corresponde al vector w de W. Entonces, según
la definición, el vector nulo del primer espacio debe transformarse en el vector nulo
del segundo espacio.
T E O R E M A 5.7.2
En una aplicación isomorfa un sistema de generadores del primer espacio se
transforma en un sistema de generadores del segundo sistema.
Sean v1, v2, ..., vt unos generadores del espacio V y sean w1, w2, ..., wt los vectores
que les corresponden en el espacio W. Tomemos en W un vector arbitrario w y
consideremos el vector v de V. Por hipótesis, el vector v puede ser representado en la
forma v = a1v1 + a2v2 + ... + atvt.
Según la definición, la suma a 1v1 + a2v2 + ... + a tvt, debe transformarse en la suma
a1w1 + a2w2 + ... + atwt y, por consiguiente, el vector w debe coincidir con la suma
a1w1 + a2w2 + ... + atwt, es decir, los vectores w1, w2, ..., wt constituyen un sistema de
generadores del espacio W.
T E O R E M A 5.7.3
A un sistema linealmente independiente de vectores le corresponde de
nuevo un sistema linealmente independiente.
Supongamos que los vectores linealmente independientes v1, v2, ..., vm del espacio V
se transforman en los vectores w1, w2, ..., wm del espacio W. Supongamos que entre
los últimos existe una relación de tipo
b1w1 + b2w2 + ... + bmwm = .
Según la definición, al primer miembro de esta igualdad corresponde en el espacio V
el vector
b1v1 + b2v2 + ... + bmvm
y al vector nulo corresponde en el espacio V el vector nulo . Por consiguiente
b1v1 + b2v2 + ... + bmvm = .
Puesto que los vectores v1, v2, ..., vm son linealmente independientes se tiene
b1 = b2 = ... = bm = 0,
es decir, los vectores w1, w2, ..., wm son linealmente independientes.
De estos teoremas se deduce directamente que en un isomorfismo una base de un

espacio vectorial se transforma de nuevo en una base de un espacio vectorial y, por
consiguiente, los espacios vectoriales isomorfos tienen la misma dimensión. La
afirmación recíproca es también válida: si dos espacios vectoriales sobre un mismo
cuerpo de coeficientes tienen la misma dimensión, son isomorfos.

EJ E M P L O 5.7.1
Considere el conjunto de vectores en 3, B = {(3, 1, 2), (-1, 0, 2), (4, 3, 5)}:
a.- Demuestre que B es una base de 3;
b.- Encuentre (3, 4, 6) en B;
c.- Para un vector cualquiera u 3, encuentre u en B.
SO L U C I O N
Es fácil verificar que los vectores {(3, 1, 2), (-1, 0, 2), (4, 3, 5)} forman una base de
3. Es decir, debemos aprovechar que podemos calcular el determinante del sistema
de vectores
3 1 4
1 0 3 z0
2 2 5
como el determinante es diferente de cero, podemos concluir que el sistema B es
linealmente independiente y por lo tanto es una base. Aprovechando las operaciones
elementales que se pueden realizar sobre matrices para resolver sistemas de
ecuaciones, podemos evaluar los puntos b) y c) inmediatamente, es decir:
§ 3 1 4 3 a · § 3 1 4 3 a ·
¨ ¸ ¨ ¸
¨ 1 0 3 4 b ¸ | ¨ 0 1 5 4 a 3b ¸
¨ 2 2 5 6 c ¸ ¨ 0 8 7 12 2 a 3c ¸
© ¹ © ¹
§3 0 9 12 3a · § 33 0 0 48 18 a 39b 9c ·
¨ ¸ ¨ ¸
¨ 0 1 5 9 a 3b ¸ | ¨ 0 11 0 1 a 7b 5 c ¸
¨ 0 0 11
© 202 a 8b 3c ¸¹ ¨© 0 0 11 20 2 a 8b c ¸¹
16 1 20
De esta manera tenemos que O1 , O 2 y O3 , con lo que podemos
11 11 11
decir que
>(3, 4, 6)@B §¨ , , ·¸
16 1 20
© 11 11 11 ¹
1
>(3, 4, 6)@B 6a 13b 3c, a 7b 5c, 2a 8b c .
11
EJ E M P L O 5.7.2
En 3 considere las dos bases
B 1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B 2 = {(2, 1, 2), (1, 0, 3), (-1, 4, -2)}:
a.- Encuentre [(1,1, 3)]B1 ;
b.- Encuentre [(1,1, 3)]B 2 ;
c.- Encuentre la matriz de cambio de base de B 1 a B 2;
d.- Encuentre la matriz de cambio de base de B 2 a B 1;
e.- Obtenga los resultados de los incisos a) y b) use las matrices obtenidas en los
incisos c) y d).
SO L U C I O N
a.- (1, 1, 3) = a 1(1, 1, 1) + a 2(1, 1, 0) + a 3(1, 0, 0)
(1, 1, 3) = 3(1, 1, 1) ± 2(1, 1, 0) + 0(1, 0, 0)
[(1,1, 3)]B1 = (3, -2, 0)T.
b.- (1, 1, 3) = b1(2, 1, 2) + b2(1, 0, 3) + b3(-1, 4, -2)
(1, 1, 3) = 1/17(2, 1, 2) + 10/17(1, 0, 3) + 4/17(-1, 4, -2)
[(1,1, 3)]B 2 = (1/17, 19/17, 4/17)T.
§ 2 1 1 1 1 1 · § 2 1 1 1 1 1·
¨ ¸ ¨ ¸
c.- ¨ 1 0 4 1 1 0 ¸ | ¨ 0 1 9 1 1 1¸
¨ 2 3 2
© 1 0 0 ¸¹ ¨© 0 2 1 0 1 1¸¹

§ 2 0 8 2 2 0· §1 0 0 9 /17 13 /17 12 /17 ·

¨ ¸ ¨ ¸
¨ 0 1 9 1 1 1¸ | ¨0 1 0 1/17 8 /17 10 /17 ¸
¨ 0 0 17
© 2 1 3 ¸¹ ¨© 0 0 1 2 /17 1/17 3 /17 ¸¹
§9 13 12 ·
¨ 17 17 17 ¸¸
¨
1 8 10
P ª¬ B 2 B1 º¼ ¨¨ ¸¸
17 17 17
¨ ¸
¨ 2 1 3
¸¸
¨
© 17 17 17 ¹
§1 1 1 2 1 1 · § 1 1 1 2 1 1 ·
¨ ¸ ¨ ¸
d.- ¨1 1 0 1 0 4¸ | ¨0 0 1 1 1 5 ¸
¨1 0 0
© 2 3 2 ¸¹ ¨© 0 1 1 0 2 1 ¸¹
§1 1 1 2 1 1 · § 1 0 1 1 2 3 ·
¨ ¸ ¨ ¸
¨0 1 2 1 1 4 ¸ |¨ 0 1 2 1 1 4 ¸
¨0
© 1 1 0 2 1 ¸¹ ¨ 0 0 1
© 1 1 5 ¸¹
§1 0 0 2 3 2 · § 2 3 2 ·
¨ ¸ ¨ ¸
¨0 1 0 1 3 6 ¸ P ª¬ B1 B 2 º¼ ¨ 1 3 6 ¸
¨0 0 1
© 1 1 5 ¸¹ ¨ 1 1 5 ¸
© ¹
e.- [(1,1, 3)]B1 P ª¬ B1 B 2 º¼ [(1,1, 3)]B 2 = (3, -2, 0)T
[(1,1, 3)]B 2 P ª¬ B 2 B1 º¼ [(1,1, 3)]B1 = (1/17, 19/17, 4/17)T.
PR O B L E M AS
5.7.1 En 2 considere las dos bases e.- Obtenga los resultados de los incisos a) y b) use las
B 1 = {1 - t ± t2, - 1 ± 2t2, t + 2t2} matrices obtenidas en los incisos c) y d).
y
B 2 = {3 + 6t2, 2 + t + 6t2, t2}: 5.7.4 En :(2 x 2) considere las dos bases
a.- Encuentre [1 t t 2 ]B1 ;
°§1 1· § 1 1· §1 0 · § 0 1 · ½ °
B 1 = ®¨ ¸, ¨ ¸, ¨ ¸, ¨ ¸¾
b.- Encuentre [1 t t 2 ]B 2 ; °©
¯ 1 1 ¹ © 1 1 ¹ © 1 0 ¹ © 2 0 °
¹¿
c.- Encuentre la matriz de cambio de base de B 1 a B 2; y
d.- Encuentre la matriz de cambio de base de B 2 a B 1; §1 1· §1 1 · § 1 1 · § 1 0 · °
° ½
B 2 = ®¨ ¸, ¨ ¸, ¨ ¸, ¨ ¸¾ :
e.- Obtenga los resultados de los incisos a) y b) use las °©
¯ 1 1 ¹ © 1 0 ¹ © 0 0 ¹ © 0 0 °
¹¿
matrices obtenidas en los incisos c) y d).
ª§ 1 2 · º
a.- Encuentre «¨ ¸» ;
5.7.2 Sea P la matriz de transición de B 2 a B 1 y sea Q la ¬ © 7 4 ¹ ¼ B1
matriz de transición de B 1 a B 2. ¿Cuál es la matriz de
transición de B 2 a B 1? ª§ 1 2 · º
b.- Encuentre «¨ ¸» ;
¬© 7 4 ¹ ¼ B 2
5.7.3 En C 3 considere las dos bases
c.- Encuentre la matriz de cambio de base de B 1 a B 2;
B 1 = {(1 + i, 2 ± i, 1), (3 + 2i, 4 ± 4i, 1), (i, 2, -i)}
d.- Encuentre la matriz de cambio de base de B 2 a B 1;
y
e.- Obtenga los resultados de los incisos a) y b) use las
B 2 = {(1, i, 1 + i), (1, i, -i), (2i, 1, 1 ± i)}:
matrices obtenidas en los incisos c) y d).
a.- Encuentre [(2i , 3,1 i )]B1 ;
b.- Encuentre [(2i , 3,1 i )]B 2 ; 5.7.4 Sea P la matriz de transición de B 2 a B 1, y sea Q
c.- Encuentre la matriz de cambio de base de B 1 a B 2; matriz de transición de B 1 a B. ¿Cuál es la matriz de
d.- Encuentre la matriz de cambio de base de B 2 a B 1; transición de B a B 2?

5.8.1 Todos los polinomios de grado 3 que poseen coe- 5.8.14 Si un sistema de vectores dado, posee el rango
ficientes reales forman un espacio vectorial. r, entonces cualesquiera r vectores linealmente indepen-
dientes forman la base de este sistema.
5.8.2 Las matrices antisimétricas no forman un subespa-
cio vectorial de todas las matrices cuadradas de n x n. 5.8.15 Cualquier subsistema linealmente dependiente
de un sistema dado puede completarse hasta la base de
5.8.3 Todos los vectores de n, que tienen iguales la ese sistema.
primera y última coordenada forman un subespacio vec-
torial. 5.8.16 Suponga que el subespacio vectorial W contiene
el subespacio vectorial U. Entonces la dimensión de U
5.8.4 Tres vectores no coplanares u, v y w, son lineal- no supera a la de W, con la particularidad de que las
mente dependientes. dimensiones son iguales entre sí cuando, y sólo cuando,
U = W.
5.8.5 Un sistema de vectores que contiene dos vectores
iguales es linealmente dependiente. 5.8.17 La suma S = U + W de dos subespacios vecto-
riales de V es igual a la intersección de todos los subes-
5.8.6 Un sistema de vectores cuyos dos vectores se pacios vectoriales de V que contienen tanto U, como
diferencian por un factor escalar es linealmente indepen- también W.
diente.
5.8.18 La suma U + W de los subespacios vectoriales U
5.8.7 Un sistema de vectores que contiene al vector y W será suma directa cuando, y sólo cuando, todos los
nulo es linealmente dependiente. vectores u U + W se representen de forma única co-
mo u = ui + vj, donde ui U y vj W.
5.8.8 Si una parte del sistema de vectores es linealmente
dependiente, entonces todo el sistema también es lineal- 5.8.19 Suponga que el subespacio vectorial S es la
mente dependiente. suma directa de los subespacios vectoriales U y W.
Entonces la dimensión de S es igual a la suma de las
5.8.9 Cualquier parte de un sistema de vectores lineal- dimensiones de U y W con la particularidad de que
mente independiente es por sí misma linealmente depen- cualesquiera bases de U y W dan juntas la base de S.
diente.
5.8.20 Para cualquier subespacio vectorial U del espa-
5.8.10 Si tres vectores u1, u2 y u3 son linealmente de- cio V puede hallarse otro subespacio W, tal que todo el
pendientes y el vector u3 no se expresa linealmente a espacio V sea la suma directa de U y W.
través de los vectores u1 y u2, entonces estos últimos se
diferencian entre sí sólo por un factor numérico. 5.8.21 Si los vectores u1, u2, ..., uk se expresan linealmen-
te a través de los vectores v1, v2, ..., vr, el rango del primer
5.8.11 Sean S, U y W subespacios vectoriales de V. sistema no supera el del segundo.
Entonces S será la suma directa de U y W cuando y sólo
cuando S esté contenido en U y W. 5.8.22 Si el vector u se expresa linealmente mediante
los vectores u1, u2, ..., uk, el rango del último sistema de
5.8.12 Si los vectores u1, u2, ..., uk son linealmente de- vectores no varía, añadiéndole el vector u.
pendientes, y los vectores u1, u2, ..., uk, u son linealmente
independientes, entonces el vector u se expresa lineal- 5.8.23 Todas las bases de un sistema de vectores dado,
mente a través de los vectores u1, u2, ..., uk. contienen la misma cantidad de vectores.
5.8.13 Si la dimensión de la suma de dos subespacios 5.8.24 Si los vectores u1, u2, ..., um son linealmente inde-
vectoriales del espacio V supera la dimensión de su in- pendientes y se expresan linealmente a través de los
tersección en una unidad, la suma coincide con uno de vectores v1, v2, ..., vn, entonces m d n.
esos subespacios y la intersección con el otro.

O BJE T I V O
Resolver problemas relacionados con los espacios euclídeos y hermíticos, utilizando matrices, determinantes,
rango e inversa y sistemas de ecuaciones lineales, en situaciones reales, propias de la ingeniería.
C O N T E NI D O :
6.1 ESPACIOS EUCLIDEOS

6.2 ESPACIOS HERMITICOS
6.3 NORMA, DISTANCIA Y ANGULO ENTRE VECTORES
6.4 BASES ORTOGONALES Y ORTONORMALES
6.5 SUBESPACIO COMPLEMENTO ORTOGONAL, PROYECCIONES ORTOGONALES
Y DISTANCIA A UN SUBESPACIO
6.6 CUESTIONARIO
6.1 ESP A C I OS E U C L I D E OS
En esta sección se usarán como axiomas las propiedades más importantes del producto interior euclidiano para
definir el concepto general de producto interior; luego se demostrará cómo los productos interiores se pueden
utilizar para definir la desigualdad de Cauchy ± Schwartz, la ortogonalidad, paralelismo y proyecciones entre
vectores.
Los espacios vectoriales que se estudiaron en el capítulo anterior resultan ser, en

determinado sentido, más pobres en conceptos y propiedades que nuestro espacio
corriente. En la teoría general de los espacios vectoriales no han quedado reflejados
conceptos como la longitud de un segmento, la magnitud del ángulo y el producto
interior que desempeñan un papel muy importante en la geometría. Por esto, si
queremos que la teoría general abarque todas las propiedades más esenciales del
espacio corriente, debemos introducir, además de las operaciones de adición de
vectores y de multiplicación de los mismos por escalares, la operación producto
interior.
En este capítulo se estudiarán precisamente las propiedades de los vectores

pertenecientes a espacios vectoriales provistos del producto interior. El cuerpo
principal es de carácter muy especial: es el cuerpo de los números reales en el caso
de espacios euclídeos y es el cuerpo de los números complejos en el caso de espacios
hermíticos.
Tomemos en el espacio vectorial V un sistema de coordenadas formado por k

cualesquiera vectores {e1, e2, ..., ek}, perpendiculares dos a dos, de longitud 1.
Entonces todo vector u admite una representación única de la forma u = a1e1 + a2e2 +
... + a kek donde a1, a2, ..., a k son las longitudes de las proyecciones del vector u sobre
258 ESPACIOS EUCLIDEOS Y HERMITICOS
los ejes coordenados, tomados con signo adecuado. Si v = b1e1 + b2e2 + ... + bkek es
otro vector cualquiera, resulta entonces que el producto interior es
¢u v² = a1b1 + a2b2 + ... + a kbk.
El espacio vectorial V es real. Esto se expresa en que las proyecciones, las longitudes
y los productos interiores de los vectores son números reales.
Si dos vectores u y v están dados mediante sus coordenadas rectangulares
cartesianas, entonces el producto interior canónico de estos vectores es
igual a la suma de los productos, realizados dos a dos, de las coordenadas
correspondientes.
Nótese que el producto interior no define la multiplicación de vectores en el sentido

ordinario, es decir, el producto interior de dos vectores no es un vector sino un
número real.
EJ E M P L O 6.1.1
Formando el producto interior de los vectores ( CosT, SenM) y ( CosM, SenT), deducir
la identidad trigonométrica Cos(T - M) = CosT CosM + SenTSenM.
SO L U C I O N
Dado que u = ( CosT, SenM) y v = ( CosM, SenT), entonces realizando el producto
interior entre estos dos vectores, obtenemos:
¢u v² = ¢( CosT, SenM) ( CosM, SenT)²
= CosT CosM + SenMSenT = Cos(T - M).
De esta manera hemos demostrado que Cos(T - M) = CosT CosM + SenMSenT.
EJ E M P L O 6.1.2
1 2t
Calcular ¢u v², siendo u = 2 i ± 4 j + k y v ³ 0 (te i tCosh2tj 2te 2t k ) dt .
SO L U C I O N
Integrando v, obtenemos:
1 2t
v ³ 0 (te i tCosh2tj 2te 2t k ) dt
1 1 1
i ³ te 2t dt j ³ tCosh2t dt k ³ 2te 2t dt
0 0 0
1 2 1 1
(e 1)i (e 2 3e 2 2) j (1 3e 2 ) k .
4 8 2
Realizando el producto interior entre estos dos vectores, obtenemos:
1 1 1
¢ f g ² 2i 4 j k (e 2 1)i (e 2 3e 2 2) j (1 3e 2 ) k
4 8 2
1 2 1 1
(e 1) (e 2 3e 2 2) (1 3e 2 ) 0 .
2 2 2
E J E M P L O 6.1.3
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
§k· §k·
¢ f g² ¦ f ¨ ¸ g ¨ ¸ .
k 0 ©n¹ ©n¹
Calcular ¢ f g² cuando f(t) = t y g(t) = at + b.
SO L U C I O N
k
Haciendo que t , entonces:
n

ESPACIOS EUCLIDEOS Y HERMITICOS 259
1 1
¢ f g² ¦ f (t ) g (t ) ¦ t ( at b) a b .
t 0 t 0
EJ E M P L O 6.1.4
Encuentre la función producto interior ¢f g² en el espacio V, del conjunto de todas
las funciones de valor real continuas en C([-S, S]), en donde
S
¢ f g² ³S f ( x) g ( x)dx :
a.- f(x) = Cosx, g(x) = x; b.- f(x) = ex, g(x) = Senx + Cosx;
c.- f(x) = Cos4x, g(x) = Senx; d.- f(x) = ex, g(x) = 1 ± ex.
SO L U C I O N
S S
a.- ¢ f g ² ³S xCosxdx Cosx xSenx S
0;
S x S
b.- ¢ f g ² ³S e (Senx Cosx)dx e x Senx 0;
S
S
S Cos3x Cos5 x
c.- ¢ f g ² ³S Cos 4 xSenx dx
6

10 S
0;
S
S e2x
x x x 1 2 e S 2 e 3S e 4 S
d.- ¢ f g ² ³ (1 e )e dx e .
S 2 S
2e 2 S
E J E M P L O 6.1.5
las funciones de valor real, definidas en C([0, 1]), en donde
1
¢ f g² ³0 f ( x) g ( x)dx :
Sx Sx 1 1 1
a.- f ( x) Sen , g ( x) Cos ; b.- f ( x) x - , g ( x) - x - .
2 2 2 2 2
SO L U C I O N
1
1 Sx Sx CosSx 1
a.- ¢ f g ² ³0 Sen
2
Cos dx
2 2S 0 S
;
1
1 1 §1 1 · (2 x 1) 2 x 1 (2 x 1)3 1
b.- ¢ f g ² ³0 x ¨ x ¸ dx
2 ©2 2 ¹ 16

24 24
.
0
E J E M P L O 6.1.6
Encontrar ¢f g² para cada uno de los siguientes pares de funciones en C([0, 1])
cuando la función producto interior está definida con respecto a la función peso
h(x) = ex; por
1
¢ f g² ³0 f ( x) g ( x)h( x)dx :
S S
Sx 3Sx
a.- f ( x) 1 2 x , g ( x) e x ; b.- f ( x) e 2 Sen , g ( x) e 2 Sen ;
2 2
Sx
c.- f ( x) Cos , g ( x) 1 .
2
SO L U C I O N
1 x x 1 1
a.- ¢ f g ² ³ 0 (1 2x)e e dx ³ 0 (1 2 x)dx x x2
0
0;
S S
1 Sx 2 3Sx x 1 Sx 3Sx
b.- ¢ f g ² ³0 e 2 Sen
2
e Sen
2
e dx ³ 0 Sen 2
Sen
2
dx

1
SenSx Sen2Sx
0;
2S 4S 0
1
§ Sx Sx ·
2 ¨ 2 Cos SSen ¸ e x
1 x Sx © 2 2 ¹ 2Se 4
c.- ¢ f g ² ³0 e Cos
2
dx
S2 4 S2 4
.
E J E M P L O 6.1.7
las funciones de valor real continuas en C([-S, S]), en donde
S
¢ f g² ³S f ( x) g ( x)dx :
a.- f(x) = Senmx, g(x) = Sennx, m, n Z+;
b.- f(x) = Senmx, g(x) = Cosnx, m, n Z+;
c.- f(x) = Cosmx, g(x) = Cosnx, m, n Z+.
SO L U C I O N
S
S Sen(m n) x Sen(m n) x
a.- ¢ f g ² ³S SenmxSennx dx
2(m n)

2(m n) S
Sen(m n)S Sen(m n)S
;
mn mn
S
S Cos(m n) x Cos (m n) x
b.- ¢ f g ² ³S SenmxCosnx dx
2(n m)

2(m n)
0;
S
S
S Sen(m n) x Sen(m n) x
c.- ¢ f g ² ³S CosmxCosnx dx
2(m n)

2(m n) S
Sen(m n)S Sen(m n)S
.
mn mn
% CALCULO DEL PRODUCTO INTERIOR

clc;;clear;;
fprintf('\n PRODUCTO INTERIOR \n')
col=input('Ingrese la dimension de los vectores : ');;
%for f=1:col
for c=1:col
u(1,c)=input(' :');;
end
fprintf('\n El VECTOR u es:\n')
u
fprintf(' Ingrese el vector v \n')
%for f=1:col
for c=1:col
v(1,c)=input(' :');;
end
fprintf('\n El VECTOR v es:\n')
v
end
fprintf('EL PRODUCTO INTERIOR ES:\n')
u*v'

Dado (V, , +, ) un espacio vectorial definido sobre los reales. Un
producto interior en V es una función ¢ ² : V x V o , que a cada par
de vectores u, v en V le asocia un número real ¢ ² de forma tal que
satisface los siguientes axiomas:
1.- Para todo vector u de V, entonces se cumple la positividad:
¢u u² > 0 cuando u z y ¢ ² = 0.
2.- Para todo par de vectores u, v de V, se cumple la conmutatividad:
¢u v² = ¢v u².
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
¢ku v² = k¢u v².
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
¢u (v + w)² = ¢u v² + ¢u w².
T E O R E M A 6.1.1
Para todo trío de vectores u, v, w de n se cumple
¢(u + v) w² = ¢u w² + ¢v w².
¢(u + v) w² = ¢w (u + v)² axioma 2
= ¢w u² + ¢w v² axioma 4
= ¢u w² + ¢v w² axioma 2
T E O R E M A 6.1.2
Para todo par de vectores u, v de n y para todo escalar real k se cumple
¢u kv² = k ¢u v².
¢u kv² = ¢kv u² axioma 2
= k¢v u² axioma 3
= k ¢u v² axioma 2
T E O R E M A 6.1.3
Para todo u, de n, entonces ¢u ² = 0.
¢u ² = ¢u u - u²
= ¢u u² - ¢u u² axioma 4
= 0.
EJ E M P L O 6.1.8
Determine cuáles de las siguientes funciones ¢ ² : 2 x 2 o son funciones
producto interior en el espacio vectorial 2:
a.- ¢u v² = a1b1 ± a2b1 ± a1b2 + 2a2b2; b.- ¢u v² = a1b1 ± a2b1 + a1b2 - a2b2;
c.- ¢u v² = 2a1b1 + 2a2b2; d.- ¢u v² = a1b1 ± a2b1 + a1b2 + 2a2b2.
SO L U C I O N
a.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- ¢u u² a1a1 a2 a1 a1a2 2a2 a2 a12 2a1a2 2a22 (a1 a2 )2 a2 t 0 ;
2.- ¢ ku v² ka1b1 ka2b1 ka1b2 2ka2b2 k (a1b1 a2b1 a1b2 2a2b2 ) k ¢u v² ;
3.- ¢u v² a1b1 a2b1 a1b2 2a2b2 b1a1 b2 a1 b1a2 2b2 a2 ¢v u² ;
4.- ¢u v w² ( a1 b1 )c1 (a2 b2 )c1 (a1 b1 )c2 2(a2 b2 )c2
a1c1 b1c1 a2 c1 b2 c1 a1c2 b1c2 2a2 c2 2b2 c2
( a1c1 a2 c1 a1c2 2a2 c2 ) (b1c1 b2 c1 b1c2 2b2 c2 )
¢u w² ¢v w² .

b.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:

1.- ¢u u² a1a1 a2 a1 a1a2 a2 a2 a12 a22 .
De esto se concluye que a12 a22 no necesariamente es mayor que cero.
2.- ¢ ku v² ka1b1 ka2b1 ka1b2 ka2b2 k (a1b1 a2b1 a1b2 a2b2 ) k ¢u v² ;
3.- ¢u v² a1b1 a2b1 a1b2 a2b2 b1a1 b2 a1 b1a2 b2 a2 z ¢v u² ;
4.- ¢u v w² ( a1 b1 )c1 (a2 b2 )c1 (a1 b1 )c2 (a2 b2 )c2
a1c1 b1c1 a2 c1 b2 c1 a1c2 b1c2 a2 c2 b2 c2
( a1c1 a2 c1 a1c2 a2 c2 ) (b1c1 b2 c1 b1c2 b2 c2 )
¢u w² ¢v w² .
Como no se cumple la primera y tercera propiedad, entonces no es producto interior.
c.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- ¢u u² 2a1a1 2a2 a2 2a12 2a22 t 0 ;
2.- ¢ ku v² 2ka1b1 2ka2b2 k (2a1b1 2a2b2 ) k ¢u v² ;
3.- ¢u v² 2a1b1 2a2b2 2b1a1 2b2 a2 ¢v u² ;
4.- ¢u v w² 2( a1 b1 )c1 2( a2 b2 )c2 2a1c1 2b1c1 2a2 c2 2b2 c2
(2a1c1 2a2 c2 ) (2b1c1 2b2 c2 ) ¢u w² ¢v w² .
d.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- ¢u u² = ¢(a1, a2) (a1, a2)² = a1a1 ± a2a1 + a1a2 + 2a2a2 = a1a1 + 2a2a2 t 0
3.- ¢u v² = ¢(a1, a2) (b1, b2)² = a1b1 ± a2b1 + a1b2 + 2a2b2
¢v u² = ¢(b1, b2) (a1, a2)² = b1a1 ± b2a1 + b1a2 + 2b2a2
Por lo tanto ¢u v² z ¢v u². Como la tercera propiedad no se cumple, entonces ¢u v²
no es un producto interior.
EJ E M P L O 6.1.9
Determine cuáles de las siguientes funciones ¢ ² : C[-1,1] x C[-1,1] o son
productos interiores en el espacio vectorial C([-1,1]):
1 1
³ 1 f ( x) g ( x) dx ; ³ 1 x
2
a.- ¢ f g ² b.- ¢ f g ² f ( x) g ( x)dx ;
1 1
c.- ¢ f g ² ³ 1 (1 x 2 ) f ( x) g ( x)dx ; d.- ¢ f g ² ³ 1 xf ( x) g ( x)dx .
SO L U C I O N
a.- Para verificar si ¢f g² define un producto interior, debemos demostrar los
axiomas de la definición:
1.- Esta propiedad requiere un poco de atención. Dado que f 2(x) t 0 para toda x, se
tiene
1
³ 1 f
2
¢f f² ( x) dx t 0
con
1
³ 1 f
2
¢f f² ( x) dx 0
sí y sólo si f es la función cero en C[-1; 1].
1 1
2.- ¢ f g ² ³ 1 f ( x) g ( x) dx ³ 1 g ( x) f ( x) dx ¢g f ² .
1 1
3.- ¢Df g ² ³ 1 Df ( x) g ( x) dx D³
1
f ( x) g ( x) dx D¢ f g ² .
1 1
4.- ¢ f g h² ³ 1 f ( x)[ g h]( x) dx ³ 1[ f ( x) g ( x) f ( x)h( x)] dx
1 1
³ 1 f ( x) g ( x) dx ³ 1 f ( x)h( x) dx ¢ f g ² ¢ f h² .
Como se cumplen los axiomas de la definición, podemos decir que ¢f g² es un

producto interior.
b.- Para verificar si ¢f g² define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atención. Dado que x2f 2(x) t 0 para toda x,
se tiene
1
³ 1 ( xf ( x))
2
¢f f² dx t 0
con
1
³ 1 ( xf ( x))
2
¢f f² dx 0
1 1
³ 1 x ³ 1 x
2 2
2.- ¢ f g ² f ( x) g ( x) dx g ( x) f ( x) dx ¢ g f ² .
1 1
³ 1 Dx f ( x) g ( x) dx D ³ x 2 f ( x) g ( x) dx D¢ f g ² .
2
3.- ¢Df g ²
1
1 1
³ 1 x ³ 1 x [ f ( x) g ( x) f ( x)h( x)] dx
2 2
4.- ¢ f g h² f ( x)[ g h]( x) dx
1 1
³ 1 x f ( x) g ( x) dx ³ x 2 f ( x)h( x) dx ¢ f g ² ¢ f h² .
2
1

producto interior.
c.- Para verificar si ¢f g² define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atención. Dado que (1 ± x2)f 2(x) t 0 para
toda x, se tiene
1
³ 1 (1 x
2
¢f f² ) f 2 ( x) dx t 0
con
1
³ 1 (1 x
2
¢f f² ) f 2 ( x) dx 0
1 1
³ 1 (1 x ³ 1 (1 x
2 2
2.- ¢ f g ² ) f ( x) g ( x) dx ) g ( x) f ( x) dx ¢ g f ² .
1 1
³ 1 D(1 x ) f ( x) g ( x) dx D ³ (1 x 2 ) f ( x) g ( x) dx D¢ f g ² .
2
3.- ¢Df g ²
1
1 1
³ 1 (1 x ³ 1 (1 x
2 2
4.- ¢ f g h² ) f ( x)[ g h]( x) dx )[ f ( x) g ( x) f ( x)h( x)] dx
1 1
³ 1 (1 x ) f ( x) g ( x) dx ³ (1 x 2 ) f ( x)h( x) dx ¢ f g ² ¢ f h² .
2
1

producto interior.
d.- Para verificar si ¢f g² define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atención. Dado que xf 2(x) t 0 para toda x, se
tiene
1
³ 1 x f
2
¢f f² ( x) dx 0
con lo que no se cumple esta propiedad. Por lo tanto podemos decir que ¢f g² no es
un producto interior.
EJ E M P L O 6.1.10
Determine cuáles de las siguientes funciones ¢ ² : :(n, n) x :(n, n) o son
productos internos en el espacio vectorial ::

a.- ¢AB² = Det(A B); b.- ¢AB² = Tr(A B);

c.- ¢AB² = Tr(A T B); d.- ¢AB² = Tr(A B T).
SO L U C I O N
a.- Sean A, B y C matrices de n x n, entonces:
1.- ¢A A² = Det(A A) = Det(A)Det(A) t 0;
2.- ¢k A B² = Det(k A B) = knDet(A B) z kDet(A B);
3.- ¢A B² = Det(A B) = Det(B A) = ¢B A²;
4.- ¢A + B C² = Det((A + B)C) = Det(A C + B C) z Det(A C) + Det(B C).
Por tanto, se puede concluir que ¢A B² no es un producto interior.
b.- Sean A, B y C matrices de n x n, entonces:
1.- ¢A A² = Tr(A A) = Tr(A 2) t 0;
2.- ¢k A B² = Tr(k A B) = kTr(A B) = k¢A B²;
3.- ¢A B² = Tr(A B) = Tr(B A) = ¢B A²;
4.- ¢A + B C² = Tr((A + B)C) = Tr(A C + B C) = Tr(A C) + Tr(B C)
= ¢A C² + ¢B C².
Por tanto, se puede concluir que ¢A B² es un producto interior.
c.- Sean A, B y C matrices de n x n, entonces:
1.- ¢A A² = Tr(A T A) t 0;
2.- ¢k A B² = Tr((k A)T B) = Tr(k A T B) = kTr(A T B) = k¢A B²;
3.- ¢A B² = Tr(A T B) = Tr(A T B)T = Tr(B T A) = ¢B A²;
4.- ¢A + B C² = Tr((A + B)T C) = Tr(A T C + B T C) = Tr(A T C) + Tr(B T C)
= ¢A C² + ¢B C².
d.- Sean A, B y C matrices de n x n, entonces:
1.- ¢A A² = Tr(A A T) t 0;
2.- ¢k A B² = Tr(k A B T) = kTr(A B T) = k¢A B²;
3.- ¢A B² = Tr(A B T) = Tr(A B T)T = Tr(B A T) = Tr(A T B) = ¢B A²;
4.- ¢A (B + C)² = Tr(A(B + C)T) = Tr(A B T + A C T) = Tr(A B T) + Tr(A C T)
= ¢A B² + ¢A C².
Un espacio vectorial real ( V, R, +, ) se denomina espacio vectorial
euclídeo, si a todo par de vectores, u, v de V se le ha puesto en
correspondencia un número real ¢ ², llamado producto
interior, considerándose cumplidos los siguientes axiomas:
¢u u² > 0 cuando u z y ¢ ² = 0.
¢u v² = ¢v u².
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
¢ku v² = k¢u v².
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
¢u (v + w)² = ¢u v² + ¢u w².
EJ E M P L O 6.1.11
Se da un espacio vectorial cuyos vectores son todos los sistemas posibles
compuestos por 3 números positivos:
u = (a1, a2, a3), v = (b1, b2, b3), w = (c1, c2, c3), ....
La adición de los vectores y la multiplicación de un vector por un número están
definidas por las igualdades
u + v = (a1b1, a2b2, a3b3), ku ak , ak , ak .
1 2 3

¿Se puede hacer euclídeo este espacio al definir la función producto interno por la
igualdad
¢u v² = lna1lnb1 + lna2lnb2 + lna3lnb3?
SO L U C I O N
Vamos a comprobar el cumplimiento de los axiomas de los espacios euclídeos:
1.- ¢u u² = ln2a1 + ln2a2 + ln2a3 t 0.
2.- ¢u v² = lna1lnb1 + lna2lnb2 + lna3lnb3
¢u v² = lnb1lna1 + lnb2lna2 + lnb3lna3
Es decir, ¢u v² = ¢v u².
3.- ¢ku v² = lna k1lnb1 + lna k2lnb2 + lna k3lnb3 = klna1lnb1 + klna2lnb2 + klna3lnb3
= k(lna1lnb1 + lna2lnb2 + lna3lnb3) = k¢u v².
4.- ¢u (v + w)² = lna1ln(b1c1) + lna2ln(b2c2) + lna3ln(b3c3)
= lna1lnb1 + lna1lnc1 + lna2lnb2 + lna2lnc2 + lna3lnb3 + lna3lnc3
= lna1lnb1 + lna2lnb2 + lna3lnb3 + lna1lnc1 + lna2lnc2 + lna3lnc3
= ¢u v² + ¢u w².
Por cumplirse todos los axiomas de la definición, el espacio que se considera es
euclídeo.
EJ E M P L O 6.1.12
¿Es el conjunto de todos los vectores geométricos un espacio euclídeo si el producto
interior de dos vectores se define como el producto de sus longitudes?
SO L U C I O N
El producto interior tiene la forma siguiente: ¢u v² u v , siendo u, v, w tres
vectores geométricos. Por tanto debemos probar los siguientes axiomas:
2
1.- ¢u u² u u u ;
2.- ¢ ku v² ku v k u v zk u v ;
3.- ¢u v² u v v u ¢ v u² ;
4.- ¢u v w² uv w d ( u v ) w z ¢u w² ¢v w² .
Como no se cumplen los axiomas segundo y cuarto, no es espacio euclídeo.
T E O R E M A 6.1.4
Dado (V, ¢ ²) un espacio vectorial euclídeo, entonces para cualesquiera par
de vectores, de V es válida la desigualdad de Cauchy - Schwartz:
~¢u v²~2 d ¢u u² ¢v v².
La desigualdad de Cauchy - Schwartz se convierte en una igualdad si, y
sólo si, los vectores, son colineales.
El teorema tiene lugar, a ciencia cierta, si v = , por lo cual convengamos en
considerar que v z . Examinemos un vector u ± av, donde a es un número real
arbitrario. Tenemos
¢u - av u - av² t 0
¢u u² - a¢u v² - a¢v u² + a2¢v v² t 0
¢u u² - 2a¢u v² + a2¢v v² t 0
En el primer miembro de la desigualdad figura un producto interior de vectores
iguales. Por esta razón el trinomio de segundo grado es no negativo, cualquiera que
uv
sea a, en particular, para a . De este modo,
vv
2
uv uv
u u 2 uv vv t 0
vv vv
2

2 2
uv uv
u u 2 2
vv 2
vv t 0
vv vv
2
uv 2 2
u u t 0 u u vv u v t0 uv d u u vv .
vv
EJ E M P L O 6.1.13
Verifique que la función ¢ ² : :(n, n) x :(n, n) o definida por ¢A B² =
Tr(A B T), en el espacio vectorial :(n, n), cumple la desigualdad de Cauchy -
Schwartz.
SO L U C I O N
Debemos comprobar que se cumple~¢A B²~2 d ¢A A² ¢B B². Es decir:
~Tr(A B T)~2 d Tr(A A T)Tr(BB T)
2
§ n n · § n 2 n
2 ·§
n n
2 ·
¨ ¦ a1i b1i ... ¦ ani bni ¸ d ¨ ¦ a1i ... ¦ ani ¸¨ ¦ b1i ... ¦ bni ¸
2
©i 1 i 1 ¹ ©i 1 i 1 ¹© i 1 i 1 ¹
2
§ n n · § n n ·§ n n ·
¨ ¦¦ a ji b ji ¸ d ¨ ¦¦ a 2ji ¸¨ ¦¦ b2ji ¸ .
¨ j 1i 1 ¸ ¨ j 1 i 1 ¸¨ j 1 i 1 ¸
© ¹ © ¹© ¹
Por lo tanto podemos observar que se cumple la desigualdad.
En un espacio vectorial euclídeo V se dice que un vector u es ortogonal a
otro vector v, representado por u A v, si ¢u v² = 0, siendo u y v vectores
no nulos.
Dos vectores u y v de un espacio euclídeo V distintos de cero son paralelos,
y se nota u»» v, si uno es múltiplo escalar del otro. Si u = kv con k > 0,
entonces u y v tienen la misma dirección; si k < 0, entonces u y v tienen
dirección opuesta.
Por analogía con los segmentos dirigidos, llamemos colineales dos vectores u y v de
cualquier espacio vectorial, si o bien u = av o bien v = bu para ciertos escalares a y b.
En virtud de la igualdad = 0u concluimos que los vectores u y v son colineales, a
ciencia cierta, si por lo menos uno de ellos es nulo.
T E O R E M A 6.1.5
La desigualdad |¢u v²|2 d ¢u u²¢v v² se convierte en una igualdad si, y sólo
si, los vectores u y v son colineales.
Supongamos que los vectores u y v son colineales, entonces u = av. Hallamos
¢u v²2 = ¢av v²2 = a2¢v v²2
¢u u²¢v v² = ¢av av²¢v v² = a2¢v v²2
La comparación de estas igualdades muestra que la afirmación tiene lugar.
Supongamos ahora que para los vectores u y v se verifica la igualdad
¢u v²2 = ¢u u²¢v v²
Si v = , los vectores son colineales. Sin embargo, si v z , entonces, al tomar
u v
a= y teniendo presente la ecuación anterior, obtenemos ¢u - av u - av² = 0.
vv
En vista del axioma 1 de la definición, esto significa que u ± av = , o bien u = av,
es decir, los vectores u y v son colineales.

En muchas aplicaciones se desea descomponer un vector u en una adición de dos

sumandos, uno paralelo a un vector específico diferente de cero v y el otro
perpendicular a v. Si u y v se colocan de modo que sus puntos iniciales coincidan en
un punto Q, entonces es posible descomponer el vector u como sigue: Trazar una
perpendicular desde la punta de u hasta la recta que pasa por v, y obtener el vector w
que va de Q al pie de esta perpendicular. Luego, forma la diferencia u ± w
Como se puede ver en la figura, el vector w es paralelo a v, el vector u ± v es

perpendicular a v, y w + (u ± w) = u.
El vector w se denomina proyección ortogonal de u sobre v, o algunas veces se le

conoce como, componente vectorial de u a lo largo de v. Se denotará por Pr oyv u .
El vector u ± w se denomina componente vectorial de u ortogonal a v. Como se tiene

u ± w, este vector se puede escribir como u w u Pr oyv u .
Sean w Pr oyv u y u w u Pr oyv u . Como w es paralelo a v, debe ser un

múltiplo escalar de v, de modo que se puede escribir en la forma w = Ov. Así
u = w + (u ± w) = Ov + u ± w
Tomando el producto interior en ambos miembros de esta ecuación con v, se obtiene
2
¢u v² ¢Ov u w v² O v ¢u w v²
Pero ¢u - w v² = 0, ya que u ± w es perpendicular a v; de modo que se produce
¢ u v²
O 2
v
Como Pr oyv u w Ov , se obtiene
¢ u v² ¢ u v²
Pr oyv u v v
v
2
¢v v²
Sean u y v vectores de un espacio euclídeo V, de modo que v z .
Entonces, la proyección perpendicular de u sobre v está definida por
¢ u v²
Pr oyv u v.
¢ v v²
E J E M P L O 6.1.14
Determine la proyección ortogonal de f(x) = 2 + 3x2 sobre g(x) = 1 + 3x ± x2.
SO L U C I O N
Si f(x) = a0 + a1x + a2x2 y g(x) = b0 + b1x + b2x2, entonces el producto interior
canónico se establece por ¢f g² = a0b0 + a1b1 + a2b2. Para determinar la proyección
¢ f g²
ortogonal de f(x) sobre g(x), debemos utilizar Pr oyg f g , es decir:
¢ g g²
2 3x 2 1 3x x 2 23
Pr oyg f (1 3x x 2 ) (1 3x x 2 )
2
1 3x x 1 3x x 2 1 9 1

1 1 3 1
(1 3x x 2 ) x x 2 .
11 11 11 11
E J E M P L O 6.1.15
Para todo par de vectores u, v de un espacio vectorial euclídeo V, los vectores v y
u ± Proyvu son ortogonales.
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno real:
¢u v² ¢u v² u v
¢v u Pr oyv u² v u v ¢ v u² v v ¢ v u² ¢v v²
¢v v² ¢v v² ¢v v²
¢v u² ¢u v² 0 .
% CALCULO DE LA PROYECCION DE VECTORES

clc;;clear;;
fprintf('\n PROYECCION DE VECTORES \n')
col=input('Ingrese la dimension de los vectores: ');;
%for f=1:col
for c=1:col
u(1,c)=input(' :');;
end
u
%for f=1:col
for c=1:col
v(1,c)=input(' :');;
end
v
end
fprintf('EL PRODUCTO INTERIOR ES:\n')
numerador=u*v'
denominador=v*v'
fprintf('LA PROYECCION DEL VECTOR u SOBRE v ES:\n')
w=((u*v')/(v*v')*v)
PR O B L E M AS
6.1.1 En los siguientes problemas, determine en cada 6.1.3 Utilizando la desigualdad de Cauchy-Schwarz
caso, si ¢u v² es un producto interior en n, si ¢u v² está demuestre las siguientes desigualdades:
definido por la fórmula que se da. En caso contrario, decir § n
2
· § n ·§ n ·
cuáles son los axiomas que no se cumplen: a.- ¨ ¦ ui vi ¸ d ¨ ¦ ui2 ¸¨ ¦ vi2 ¸ ;
n n n ©i 1 ¹ © i 1 ¹© i 1 ¹
a.- ¢u v² ¦ (ui vi )2 ¦ ui2 ¦ vi2 ; § n
2
· § n ·§ n 1 ·
i 1 i 1 i 1
b.- ¨ ¦ ui vi ¸ d ¨ ¦ O i ui2 ¸¨ ¦ vi2 ¸ .
n n n ©i 1 ¹ ©i 1 ¹© i 1 O i ¹
b.- ¢u v² ¦ ui vi ; c.- ¢u v² ¦ ui ¦ v j ;
i 1 i 1 j 1
6.1.4 Describa los vectores u 2 que son ortogonales
n n
al vector (-2, 5). Verifique que éstos son los puntos de una
d.- ¢u v² ¦ ui2vi2 ; e.- ¢u v² ¦ ui vi .
recta que pasa por el origen.
i 1 i 1
6.1.5 Demuestre que la igualdad en la desigualdad

6.1.2 Encuentre ¢5u - 2v 2u + 3v², dado que
triangular se tiene si y sólo si uno de los vectores es un
¢u u² = - 10, ¢u v² = - 8 y ¢v v² = - 3. múltiplo no negativo del otro vector.
6.1.6 Demuestre que en 2 un producto interior puede ser 6.1.10 ¿Qué es el producto interior de dos vectores en ?
dado por la fórmula ¿Cómo se ve la desigualdad de Cauchy-Schwarz para
¢u v² au1v1 bu1v2 bu2v1 cu2v2 vectores en ? ¿En qué casos se tiene la igualdad en esta
si, y solamente si, a > 0 y ac > b2 simultáneamente. desigualdad para vectores en ?
6.1.7 ¿Forma el conjunto de todos los vectores 6.1.11 Encuentre ¢2u + v 3u ± 2v², dado que
geométricos un espacio euclídeo si el producto interior de ¢u u² = 14, ¢u v² = 15 y ¢v v² = 11.
dos vectores arbitrarios u y v se define como el producto de
la longitud del vector u y la producción triplicada del 6.1.12 Sean u, v dos vectores en n y ±u, -v sus inversos
vector v por el sentido del vector u? aditivos. Demuestre que:
a.- Proy-uv = Proyuv; b.- Proyu(-v) = -Proyuv.
6.1.8 En el espacio vectorial de todos los polinomios Verifique este resultado con los vectores
reales, determinar si ¢f g² es o no un producto interior u = (2, -3), v = ( 3, 1).
cuando se define ¢f g² con la fórmula que se da:
1 6.1.13 Use la desigualdad de Cauchy-Schwarz para
a.- ¢ f g ² ³ 0 f ( x) g ( x) dx ; probar que si x1, x2, ..., xn son números reales cualesquiera,
³ ³ g(x) dx ;
1 1
entonces
b.- ¢ f g ² f ( x) dx n n
1
¦ xi ¦ xi2
0 0
d
1 n i 1 i 1
c.- ¢ f g ² ³ 0 f ´( x) g´( x) dx ; y que la igualdad se da si y sólo si todos los xi son iguales.
1 t
d.- ¢ f g ² lim
t of t ³ 0 f ( x) g ( x) dx .
6.1.9 Sean v, u1, u2, ..., uk, k + 1 vectores en . Si u = u1 +
u2 + ... + uk. Demuestre que
Proyvu = Proyvu1 + Proyvu2 + ... + Proyvuk
Verifique este resultado con los vectores
u1 = (1, 1), u2 = (3, -2), v = (2, 3).
6.2 ESP A C I OS V E C T O RI A L ES H E R M I T I C OS
En esta sección se definirán productos interiores sobre espacios vectoriales complejos usando como axiomas
las propiedades del producto interior euclidiano sobre C n.
En este momento surge la necesidad de considerar vectores de proyecciones

complejas. A primera vista parece natural tomar de nuevo la expresión del
producto interior de vectores con coordenadas reales para el producto interior de
vectores con coordenadas complejas a 1, a 2, ..., a k y b1, b2, ..., bk.
En algunos casos se procede precisamente de este modo. El espacio que así

resulta se denomina espacio vectorial hermítico. Por desgracia, el producto
interior pierde entonces muchas propiedades importantes. Para evitar este
inconveniente, en lugar de la expresión
¢u v² = a 1b1 + a 2b2 + ... + a kbk
se toma como definición del producto interior de vectores complejos la expresión
u v a1 b1 a2 b2 ... ak bk
donde la raya superior significa que ha de pasarse a los números complejos
conjugados. En el caso en que los vectores u y v sean reales, tenemos bi bi y la
expresión del producto interior de vectores complejos coincide con la expresión del
producto interior de vectores reales. Por consiguiente, la nueva definición es una
generalización de la anterior.

Un espacio vectorial complejo V se denomina espacio vectorial hermítico,
si a todo par de vectores, u, v de V se le ha puesto en correspondencia un
número complejo ¢ ², llamado producto interior, considerándose cumplidos
los siguientes axiomas:
¢u u² > 0 cuando u z .
u v v u .
3.- Para todo par de vectores u, v de V y para todo escalar complejo k,
se cumple la homogeneidad:
¢ku v² = k¢u v².
4.- Para todo trío de vectores u, v, w de V, se cumple la distributividad:
¢u v + w² = ¢u v² + ¢u w².
El axioma u v v u muestra que las propiedades del espacio vectorial

hermítico difieren, en general, de las propiedades del espacio vectorial euclídeo. No
obstante, estas diferencias son de poca importancia. En todo caso, el espacio
hermítico se aproxima más por sus propiedades al espacio euclídeo. En el caso en
que el espacio vectorial está definido en los reales, el espacio hermítico se denomina
espacio euclídeo. En este caso la expresión v u coincide con la expresión ¢u v² y
el axioma 2 adquiere una forma más sencilla:
¢u v² = ¢v u².
Nótese también que en la definición de los espacios hermíticos no se exige que el

espacio sea de dimensión finita. Por esto cabe hablar también de espacios
hermíticos de dimensión infinita. Aun cuando algunas propiedades de los
espacios hermíticos no dependen de la dimensión de los mismos, nos limitaremos
a considerar, mientras que no se diga lo contrario, solamente espacios vectoriales
de dimensión finita.
T E O R E M A 6.2.1
Para todo par de vectores u, v de V y para todo escalar complejo k se
cumple
u kv k u v .
Para demostrar este teorema, utilizamos los axiomas 2 y 3 de la definición de
espacio hermítico:
¢u kv² = kv u axioma 2
= k v u axioma 3
= k ¢u v² axioma 2
T E O R E M A 6.2.2
Dado (V, ¢ ²) un espacio vectorial hermítico, entonces para cualesquiera
par de vectores, de V es válida la desigualdad de Cauchy - Schwartz:
~¢u v²~2 d ¢u u² ¢v v².
La demostración es análoga a la del caso real.
EJ E M P L O 6.2.1
Para todo par de vectores u, v de un espacio vectorial hermítico V, el vector v y
u ± Proyvu son ortogonales.
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno complejo:
¢u v² ¢u v² ¢u v²
¢v u Pr oyv u² vu v ¢v u² v v ¢v u² ¢v v²
¢v v² ¢v v² ¢ v v²
¢v u² ¢u v² ¢v u² ¢v u² 0.
EJ E M P L O 6.2.2
Si u = (2, 4, 1 + i), v = (1 - i, 2, 3i), hallar un vector no nulo w de un espacio
hermítico V, ortogonal simultáneamente a u y v.
SO L U C I O N
Debemos encontrar un vector w tal que ¢u w² = 0 y ¢v w² = 0. Es decir:
¢u w² = ¢(2, 4, 1 + i) (a, b, c)² = 2a + 4b + (1 - i)c = 0;
¢v w² = ¢(1 ± i, 2, 3i) (a, b, c)² = (1 + i)a + 2b ± 3ic = 0.
Resolvemos el sistema de ecuaciones homogéneo y obtenemos:
§ 2 4 1 i 0 · § 2 4 1 i 0 · § 2i 0 1 5i 0 ·
¨¨ ¸ | ¨¨ ¸ | ¨¨ ¸.
©1 i 2 3i 0 ¹ © 0 2i 1 3i 0 ¹ © 0 2i 1 3i 0 ¹
Por lo tanto w = (5 ± i, 3 ± i, 2).
EJ E M P L O 6.2.3
Demostrar que para dos vectores cualesquiera u y v de un espacio hermítico V se
cumple la siguiente identidad
2 2
uv u v 2¢u v² 2¢u v² .
SO L U C I O N
Descomponemos || u + v ||2 y || u - v ||2 en función del producto interior:
2
uv u vu v u u u v vu vv
u u u v ¢u v² v v ;
2
u v u v u v u u u v v u v v
u u u v ¢u v² v v .
Restamos estas dos expresiones y obtenemos el resultado buscado:
2 2
uv u v 2¢u v² 2¢u v² .
EJ E M P L O 6.2.4
Demostrar que para dos vectores cualesquiera u y v de un espacio hermítico V, la
suma ¢u v² ¢u v² es real.
SO L U C I O N
Del problema anterior tenemos:
2 2
2¢u v² 2¢u v² uv uv .
De donde
1
¢u v² ¢u v²
2
2
uv uv 2
.
Lo cual implica que ¢u v² ¢u v² es un número real.
EJ E M P L O 6.2.5
Si u y v son vectores no nulos de un espacio hermítico V, demostrar que
¢ u v ² ¢ u v²
2 d d 2.
|| u || || v ||
SO L U C I O N
Sabemos que
¢ u v² ¢ u v²
(1) Cos(u, v) con 1 d d1 ;
|| u || || v || || u || || v ||
¢ v u² ¢u v² ¢ u v²
(2) Cos(v, u ) con 1 d d1 .
|| u || || v || || u || || v || || u || || v ||
Sumando estas dos expresiones, obtenemos:
¢v u² ¢u v² ¢v u² ¢u v²
Cos(u, v) Cos(v, u ) 2Cos(u, v) .
|| u || || v || || u || || v || || u || || v ||
Donde
¢v u² ¢u v²
2 Cos(u, v)
|| u || || v ||
con
¢ u v ² ¢ u v²
2 d d 2.
|| u || || v ||
Lo cual demuestra la identidad.
EJ E M P L O 6.2.6
Definimos el ángulo T formado por dos vectores no nulos u y v de un espacio
hermítico V mediante la identidad
¢u v² ¢u v²
0 ArcCos .
2 || u || || v ||
SO L U C I O N
En el problema anterior se demostró que
¢v u² ¢u v²
2 Cos(u, v) 2 CosT
|| u || || v ||
De donde
¢ v u ² ¢ u v² ¢ v u ² ¢ u v²
CosT T ArcCos .
2 || u || || v || 2 || u || || v ||
Con lo cual queda demostrada la identidad.
PR O B L E M AS
6.2.1 Sean u = (a, b) y v = (c, d). Demuestre que 6.2.4 Demuestre que en un espacio hermítico se cumple
¢u v² 3ac 2bd define un producto interior sobre C 2. la siguiente identidad:
1ª
u v u v i u iv i u iv º
2 2 2 2
¢u v²
6.2.2 Calcular ¢u v² usando el producto interior 4¬ ¼
¢u v² 3ac 2bd :
6.2.5 Sea C 3 con el producto interior hermético.
a.- u = (2i, -i), v = (-i, 3i);
Demuestre que para todos los valores de T el vector
b.- u = (1 + i, 1 - i), v = (1 ± i, 1 + i);
c.- u = (3i, -1 + 2i), v = (3i, -1 ± 2i). § i 1 1 ·
u e iT ¨ , , ¸ tiene norma 1 y es ortogonal a
© 3 3 3¹
6.2.3 Sean u = (a, b) y v = (c, d). Determine cuáles de las (1, i, 0) y a (0, i, -i).
siguientes expresiones son productos interiores sobre C 2.
Para las que no lo sean, enumerar los axiomas que no se 6.2.6 Sea C 3 con el producto interior hermético. Usando
cumplen: el proceso de Gram-Schmidt, transformar la base {(i, i, i),
a.- ¢u v² 2ac iad iba 2bd ; (-i, i, 0), (i, 2i, i)} en una base ortonormal.
2 2 2 2
b.- ¢u v² a c b d ; 6.2.7 Sean u = (a, b) y v = (c, d). Demuestre que
c.- ¢u v² ac bd ; ¢u v² ac (1 i ) ad (1 i )bc 3bd
d.- ¢u v² 2ac iad iba 2bd . define un producto interior sobre C 2.
4
6.2.8 Demuestre que si k es un número complejo y ¢u 6.2.13 Sea C con el producto interior hermético. Usando
v² es un producto interior sobre un espacio vectorial el proceso de Gram-Schmidt, transformar la base
complejo, entonces: {(0, 2i, i, 0), (i, -i, 0, 0), (i, 2i, 0, -i), (i, 0, i, i)} en una base
a.- ¢u kv u kv² ¢u u² k ¢u v² k ¢u v² k k ¢v v² ; ortonormal.
b.- 0 d ¢u u² k ¢u v² k ¢u v² k k ¢v v² . 6.2.14 Demuestre que si {v1, v2 « vk} es una base
ortonormal para un espacio V con producto interior
6.2.9 Use el producto interior complejo y si u y v son vectores cualesquiera en V,
¢ A B² a1 b1 a2 b2 a3 b3 a4 b4 entonces
para encontrar ¢A B² si ¢u w² ¢u v1 ²¢ w v1 ² ... ¢u vk ²¢ w vk ²
§ i 1 i · § 3 2 3i ·
A ¨ ¸ y B ¨ ¸. 6.2.15 Demuestre que si f = f1(x) + if2(x) y g = g1(x) +
©1 i i ¹ © 4i 1 ¹
ig2(x) son vectores en el espacio complejo C[a; b],
entonces
6.2.10 Sean u = (u1, u2, u3) y v = (v1, v2, v3). b
¿ ¢u v² u1 v1 u2 v2 u3 v3 u4 v4 define un producto ¢ f g² ³a > f1 (0) if 2 (0)@> g1 (0) ig2 (0)@ dx
interior sobre C 3? En caso de no serlo, enumerar los define un producto interior complejo sobre C[a; b].
axiomas que no se cumplan.
6.2.16 Sea V es espacio vectorial de las funciones con
6.2.11 Sea C 4 con el producto interior hermético. valores complejos de la variable real x, y sean
Expresar w = (-i, 2i, 6i, 0) en la forma w = w1 + w2, donde f = f1(x) + if2(x) y g = g1(x) + ig2(x)
el vector w1 está en el espacio W generado por u1 = (-i, 0, son vectores en V. ¿La expresión
i, 2i) y u2 = (0, i, 0, i) y w2 es ortogonal a W. ¢ f g² > f1 (0) if 2 (0)@> g1 (0) ig2 (0)@
define un producto interior sobre V? En caso de no serlo,
6.2.12 Sea C 3 con el producto interior hermético.
enumerar todos los axiomas que no se cumplan.
Encontrar una base ortonormal para el subespacio generado
por (0, i, 1 - i) y (-i, 0, 1 + i).
6.3 N O R M A, DIST A N C I A Y A N G U L O E N T R E V E C T O R ES
En esta sección se definirá el concepto de longitud y distancia entre dos vectores y el ángulo entre dos vectores en
un espacio con producto interior, y esta idea se usará para obtener algunas relaciones básicas entre vectores en
un espacio con producto interior.
La longitud de un vector u a menudo se denomina norma de u y se denota por u .

De acuerdo con el teorema de Pitágoras se concluye que la norma de un vector
u = (a, b) en el espacio bidimensional es
u a 2 b2 .
Sea u = (a, b, c) un vector en el espacio tridimensional. Usando la figura y dos

aplicaciones del teorema de Pitágoras se obtiene
u 2 ( OR)2 ( RP)2 ( OQ )2 ( OS )2 ( RP)2 a 2 b2 c 2
Así

u a 2 b2 c 2 .
Sea (V, ¢ ²) un espacio vectorial euclídeo. Se define la norma o longitud
del vector u de V, representada por, al número real no negativo
u ¢u u ² .
De esta definición se ve directamente que el vector nulo es el único vector cuya

longitud es igual a cero. Un vector de norma 1 se denomina vector unitario.
Un vector de V es un vector unitario si tiene magnitud 1. Dado cualquier
vector distinto de cero u de V, un vector unitario con la misma dirección
que u está dado por
1
u.
u
EJ E M P L O 6.3.1
Dado p(x) = 2 ± 3x + 4x2 un polinomio en 2. Determine || p ||.
SO L U C I O N
Si p(x) = a0 + a1x + a2x2 y q(x) = b0 + b1x + b2x2, entonces el producto interior
canónico se establece por ¢p q² = a0b0 + a1b1 + a2b2. Por lo tanto
p (2)(2) (3)(3) (4)(4) 4 9 16 29 .
EJ E M P L O 6.3.2
§1 0 3·
Sea la matriz A ¨ ¸ . Use el producto interior canónico para determinar
©5 9 7¹
A .
SO L U C I O N
§a b c· § a1 b1 c1 ·
Si A ¨ ¸ y B ¨ ¸ , entonces el producto interior canónico se
©d e f¹ © d1 e1 f1 ¹
establece por ¢A B² = aa1 + bb1 + cc1 + dd1 + ee1 + ff1. Por lo tanto
A (1)(1) (0)(0) (3)(3) (5)(5) (9)(9) (7)(7)
1 0 9 25 81 49 165 .
EJ E M P L O 6.3.3
Sea f(x) = exSenx una función definida en el intervalo -S d x d S. Determine || f ||.
SO L U C I O N
Como f(x) está definida en el intervalo -S d x d S, entonces para poder determinar la
norma de esta función debemos aplicar lo siguiente
S S 2x 2e S e 4S 1
³S f ³S e
2
f ( x) dx Sen2 x dx .
4
EJ E M P L O 6.3.4
§ 1 i 2i 4 ·
Sea la matriz A ¨ ¸ . Use el producto interior canónico para
© 1 1 i 2 i ¹
determinar A .
SO L U C I O N
El producto interior canónico se establece por
AB a a1 bb1 c c1 d d1 e e1 f f1 .
Por lo tanto
A (1 i )(1 i ) 2i (2i ) 4 4 11 (1 i )(1 i ) (2 i )(2 i )
1 i 2 4i 2 16 1 1 i 2 4 i 2 30 .
EJ E M P L O 6.3.5
Sea S = {e1, e2, e3, e4} base canónica en 4. ¿Para qué valor de k los vectores u = ke1
+ ke2 ± e3 ± ke4 y v = e1 ± e2 + ke3 ± e4 tienen igual longitud?
SO L U C I O N
Como el espacio vectorial es 4, entonces
e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1),
entonces u = (k, k, -1, -k) y v = (1, -1, k, -1). Para que u y v tengan igual longitud,
u v . Es decir
u ( k , k , 1, k ) ( k , k , 1, k ) k 2 k 2 1 k 2
v (1, 1, k , 1) (1, 1, k , 1) 1 1 k 2 1 k2 3
igualamos las dos ecuaciones 3k2 + 1 = k2 + 3 y obtenemos k = r 1.
T E O R E M A 6.3.1
Sea (V, ¢ ²) un espacio vectorial euclídeo. La norma, definida a partir de un
producto interno en un espacio vectorial real V, tiene las siguientes
propiedades:
1.- Para todo u V, || u || > 0 y || u || = 0 si y sólo si u = . Positividad.
2.- Para todo u V y para todo escalar real k, entonces ku k u .
Homogeneidad.
3.- Para todo u, v V, entonces || u + v || d || u || + || v ||. Desigualdad
triangular.
1.- Si u = (a1, a2, ..., ak), entonces
|| u || = u u a12 a22 ... ak2 > 0
Si u = (0, 0, ..., 0), entonces
|| u || = u u 02 02 ... 02 0
2.- ku ku ku k u ku k ku u k2 u u rk u u k u .
3.- || u + v || = ¢u + v u + v²
2
= ¢u u + v² + ¢v u + v²
= ¢u u² + 2¢u v² + ¢v v²
d ¢u u² + 2 u u vv + ¢v v²
2 2
= || u || + 2|| u || || v || + || v ||
= (|| u || + || v ||)2.
Por lo tanto || u + v || d || u || + || v ||.
EJ E M P L O 6.3.6
Sean los vectores u = (3, -2, 4) y v = (1, 9, 3) de 3. Verifique la desigualdad
triangular con el producto interior definido por ¢u v² = a1b1 + 2a2b2 + 3a3b3 + a2b1 +
a1b3 + 2a2b3.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || u + v || d || u || + || v ||.
u (3, 2, 4) ¢(3, 2, 4) (3, 2, 4)²

3 3 2(2)(2) 3 4 4 (2) 3 3 4 2 (2) 4 55

v (1, 9, 3) ¢(1, 9, 3) (1, 9, 3)² 11 2 9 9 3 3 3 9 1 1 3 2 9 3 16
;
uv (3, 2, 4) (1, 9, 3) (4, 7, 7) ¢(4, 7, 7) (4, 7, 7)²
4 4 2 7 7 3 7 7 7 4 4 7 2 7 7 415
Por lo tanto 415 d 55 16 .
EJ E M P L O 6.3.7
§1 3 5· §5 2 1·
Sean las matrices A ¨ ¸ y B ¨ ¸ . Verifique la desigualdad
© 2 4 6¹ © 4 3 2¹
triangular utilizando el producto interior canónico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||.
§1 3 5· §1 3 5· §1 3 5·
A ¨ ¸ ¨ ¸¨ ¸
© 2 4 6¹ © 2 4 6¹ © 2 4 6¹
11 3 3 5 5 2 2 4 4 6 6 91 ;
§5 2 1· §5 2 1· §5 2 1·
B ¨ ¸ ¨ ¸¨ ¸
© 4 3 2¹ © 4 3 2¹ © 4 3 2¹
5 5 2 2 11 4 4 3 3 2 2 59 ;
§ 1 3 5· § 5 2 1· § 6 5 6·
A+B ¨ ¸¨ ¸ ¨ ¸
© 2 4 6¹ © 4 3 2¹ ©6 7 8¹
6 6 55 6 6 6 6 7 7 88 246 .
Por tanto 246 d 91 59 .
EJ E M P L O 6.3.8
Sean las funciones f(x) = Senx y g(x) = Cosx definidas en C[-S; S]. Compruebe la
desigualdad triangular.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos f g d f g .
S
³ S Sen
2
f Senx ¢ Senx Senx² x dx S;
S
³ S Cos
2
g Cosx ¢ Cosx Cosx² x dx S;
f g Senx Cosx ¢ Senx Cosx Senx Cosx²

S
³ S (Senx Cosx)
2
dx 2S ;
Por tanto 2S d 2 S .
EJ E M P L O 6.3.9
§ 1 2i 2 i 3 · § 2 i 1 i i ·
Sean las matrices A ¨ ¸ y B ¨ ¸ . Verifique
© 4 3i 1 2 5i ¹ ©1 3i 2 3i i ¹
la desigualdad triangular utilizando el producto interior canónico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||:

§ 1 2i 2 i 3 · § 1 2i 2 i 3 · § 1 2i 2 i 3 ·
A ¨ ¸ ¨ ¸¨ ¸
© 4 3i 1 2 5i ¹ © 4 3i 1 2 5i ¹ © 4 3i 1 2 5i ¹
(1 2i )(1 2i ) (2 i )(2 i ) (3)(3) (4 3i)(4 3i) (1)( 1) (2 5i)(2 5i )
1 4i 2 4 i 2 9 16 9i 2 1 5 25i 2 75 ;
§ 2 i 1 i i · § 2 i 1 i i · § 2 i 1 i i ·
B ¨ ¸ ¨ ¸¨ ¸
©1 3i 2 3i i ¹ ©1 3i 2 3i i ¹ ©1 3i 2 3i i ¹
(2 i )(2 i ) (1 i )(1 i ) (i )(i ) (1 3i )(1 3i ) (2 3i )(2 3i ) (i )(i )
4 i 2 1 i 2 i 2 1 9i 2 4 9i 2 i 2 32 ;
§ 1 2i 2 i 3 · § 2 i 1 i i ·
A+B ¨ ¸¨ ¸
© 4 3i 1 2 5i ¹ ©1 3i 2 3i i ¹
§ 3 i 3 2i 3 i ·
¨ ¸
© 5 6i 1 3i 2 4i ¹
9 i 2 9 4i 2 9 i 2 25 36i 2 1 9i 2 4 16i 2 2 31 ;
Por tanto 2 31 d 75 32 .
T E O R E M A 6.3.2
Dos vectores son ortogonales si y sólo si || u + v ||2 = || u ||2 + || v ||2.
|| u + v ||2 = ¢u + v u + v² = ¢u u² + ¢u v² + ¢v u² + ¢v v²
= ¢u u² + 2¢u v² + ¢v v²
= ¢u u² + ¢v v² por definición de ortogonalidad
= || u ||2 + || v ||2.
% CALCULO DE LA NORMA DE UN VECTOR

clc;;clear;;
fprintf('\n NORMA DE UN VECTOR \n')
%for f=1:col
for c=1:col
u(1,c)=input(' :');;
end
%end
fprintf('El VECTOR u es:\n')
u
end
fprintf('LA NORMA DEL VECTOR u ES:\n')
NORMA=sqrt(u*u')

Un espacio vectorial V en el que hay definida una norma se denomina
espacio vectorial normado.
Si P(a, b, c) y Q (x, y, z) son dos puntos en el espacio tridimensional, entonces la

distancia d(P, Q ) entre los puntos es la norma de Q ± P.
Ya que
Q ± P = (x ± a, y ± b, z ± c)
Es decir

d ( P, Q ) ( x a )2 ( y b)2 ( z c )2 .
Se denomina distancia d(u, v) entre los vectores u y v de un espacio
vectorial euclídeo, a la magnitud
d (u, v) u v .
El hecho de disponer de una norma en un espacio vectorial implica que se puede

dotar automáticamente a éste de estructura de espacio métrico; no se piense, sin
embargo, que la única forma de obtener un espacio métrico es a partir de una norma;
obsérvese, en este sentido, que para dotar a un conjunto de una métrica no se precisa
que dicho conjunto tenga estructura algebraica alguna. Obsérvese nuevamente que
esta definición hace perfecto sentido en cualquier espacio con producto interno.
Se denomina distancia d(P, Q ) entre los conjuntos P y Q de vectores de un
mismo espacio la magnitud
d ( P, Q ) inf d ( P, Q ) .
u P , v Q
T E O R E M A 6.3.3
Sea (V, ¢ ²) un espacio vectorial euclídeo, la distancia d(u, v) entre los
vectores u, v de V satisface los siguientes axiomas:
1.- Para todo u, v V, d(u, v) > 0 cuando u z v y d(u, v) = 0 si y sólo si
u = v.
2.- Para todo u, v V, d(u, v) = d(v, u).
3.- Para todo u, v, w V, d(u, v) d d(u, w) + d(w, v).
1.- Para todo u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai z bi, entonces
d(u, v) = || u ± v || = u v u v
= ( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 > 0
Para u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai = bi, entonces
d(u, v) = || u ± v || = u v u v = ( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 = 0.
2.- d(u, v) = || u ± v || = || -(v ± u) || = | -1 | || v ± u || = d(v, u).
3.- d(u, v) = || u ± v || = || u ± v + w ± w || = || (u ± w) + (w ± v) ||
d || u ± w || + || w ± v || = d(u, w) + d(w, v).
EJ E M P L O 6.3.10
Determine la distancia entre las funciones f(x) = Senx y g(x) = Cosx definidas en
C[-S; S].
SO L U C I O N
Para determinar la distancia entre las funciones f(x) y g(x), debemos calcular d(f, g) =
|| f ± g ||:
f g Senx Cosx ¢ Senx Cosx Senx Cosx²
S
³ S (Senx Cosx)
2
dx 2S .
EJ E M P L O 6.3.11
Demostrar que entre todos los vectores u ± v, donde u es un vector dado y v recorre
el espacio dado V, tiene la longitud mínima el vector u ± w, donde w es la proyección
ortogonal de u sobre V.

SO L U C I O N
Desarrollamos lo siguiente:
2 2 2 2 2
u v (u w) (w v) uw wv t uw
donde la igualdad es posible sólo para v = w.
EJ E M P L O 6.3.12
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
2 2 2
uv u v ¢u v² ¢u v² .
SO L U C I O N
Descomponiendo || u + v ||2 en función del producto interior, obtenemos:
2
uv ¢u v u v²
¢u u² ¢u v² ¢v u² ¢v v²
¢u u² ¢u v² ¢u v² ¢u v²
2 2
u v ¢u v² ¢u v² .
Con esto queda demostrada la identidad propuesta.
EJ E M P L O 6.3.13
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
|| u + v ||2 + || u ± v ||2 = 2|| u ||2 + 2|| v ||2
SO L U C I O N
Descomponiendo || u + v ||2 y || u ± v ||2 en función del producto interior, obtenemos:
|| u + v ||2 = ¢u + v u + v²
= ¢u u² + ¢u v² + ¢v u² + ¢v v²
= || u ||2 + || v ||2 + ¢u v² + ¢v u²
|| u ± v || = ¢u - v u - v²
2
= ¢u u² - ¢u v² - ¢v u² + ¢v v²
= || u ||2 + || v ||2 - ¢u v² - ¢v u²
Sumamos estas dos expresiones
|| u + v ||2 + || u ± v ||2 = 2|| u ||2 + 2|| v ||2.
Con esto queda demostrada la identidad.
T E O R E M A 6.3.4
Sean u y v vectores de un espacio euclídeo V, de modo que v z . Entonces
¢ u v²
d(u, Proyv u) < d(u, kv), k z .
¢ v v²
Sean u y v vectores distintos de cero. Por la desigualdad de Cauchy ± Schwarz,

tenemos
|¢u v²| d || u || || v || - || u || || v || d ¢u v² d || u || || v ||
es decir,
¢ u v²
-1d d1
u v
En consecuencia, podemos encontrar un ángulo M en radianes, de manera que se
cumpla lo siguiente.
% CALCULO DE LA DISTANCIA ENTRE VECTORES

clc;;clear;;
fprintf('\n DISTANCIA ENTRE VECTORES \n')
%for f=1:col
for c=1:col


u(1,c)=input(' :');;
end
u
%for f=1:col
for c=1:col
v(1,c)=input(' :');;
end
v
end
w=v-u
fprintf('LA DISTANCIA ENTRE LOS VECTORES ES:\n')
d=sqrt(w*w.')
Sean u y v dos vectores diferentes de cero en el espacio tridimensional, y suponga

que estos vectores se colocan de modo que sus puntos iniciales parten del origen. Por
ángulo entre u y v se entiende el ángulo T determinado por u y v que satisface 0 d T d
S.
Sean u = (a, b, c) y v = (x, y, z) dos vectores diferentes de cero. Si, como se muestra
en la figura, T es el ángulo entre u y v, entonces la ley de los cosenos da
2 2 2
v u u v 2 u v CosT
2 2 2 2
u v 2¢u v² u v 2 u v CosT
¢ u v²
¢u v² u v CosT CosT .
u v
Sean u y v dos vectores no nulos del espacio vectorial euclídeo V. Se
denomina coseno del ángulo que forman los vectores u y v, representado
por Cos(u, v), al número real que cumple la igualdad
¢ u v²
Cos(u, v) . 0 d (u, v) d S.
u v
Si (u, v) = 90°, decimos que u y v son ortogonales. Si entre los vectores u y v

existe al menos uno no nulo, el ángulo formado por tales vectores se considera
indeterminado.
EJ E M P L O 6.3.14
En el espacio de cuatro dimensiones se dan dos planos, engendrados por los vectores
del sistema S y S1. Entre los ángulos formados por los vectores del primer plano con
los vectores del segundo plano, hallar el mínimo:
a.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (2, -2, 5, 2)};
b.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (1, -1, 1, -1)}.
SO L U C I O N
a.- La proyección del vector (t + 2r, t ± 2r, t + 5r, t + 2r) sobre el primer plano es
(t + 2r, t ± 2r, 0, 0). Por consiguiente
2t 2 8r 2 2 x2 8
Cos 2 T
4t 2 14tr 37 r 2 4 x 2 14 x 37
t
donde x . Esta expresión alcanza el máximo, igual a 8/9, para x = -4.
r
b.- El ángulo formado por cualquier vector del segundo plano con su proyección
ortogonal sobre el primer plano queda invariante y es igual a S/4.
EJ E M P L O 6.3.15
Sea el espacio euclídeo V, cuyo producto interior está definido de forma usual.
Determine el ángulo entre los vectores
u (1, 3, 5, ..., 2n 1) y v = (1, 0, 0, ..., 0).
SO L U C I O N
Aplicando la definición, obtenemos:
(1, 3, 5, ..., 2n 1) (1, 0, 0, ..., 0) 1
Cos(u, v) .
|| (1, 3, 5, ..., 2n 1) || || (1, 0, 0, ..., 0) || n
1
Por lo tanto (u, v) ArcCos .
n
EJ E M P L O 6.3.16
Sea S = {e1, e2, e3, e4} la base canónica de 4. Determine el ángulo entre los vectores
u 7e1 5e2 3e3 2e4 y v 7e1 5e2 .
SO L U C I O N
Como S es la base canónica para 4, entonces u ( 7, 5, 3, 2) y
v ( 7, 5, 0, 0) . Por la definición anterior:
( 7, 5, 3, 2) ( 7, 5, 0, 0) 12 12
Cos(u, v) .
|| ( 7, 5, 3, 2) || || ( 7, 5, 0, 0) || 17 12 17
Por lo tanto (u, v) = 32,84 °.
EJ E M P L O 6.3.17
¢ u v ² ¢ u v²
La desigualdad 2 d d 2 demuestra que siempre existe un único
u v
ángulo T en el intervalo 0 d T d S que satisface esta igualdad. Demostrar que
|| u ± v ||2 = || u ||2 + || v ||2 - 2|| u |||| v ||CosT
SO L U C I O N
¢ u v² ¢ u v² ¢ u v ² ¢ u v²
Sabemos que Cos(u, v) para 2 d d 2 . Entonces:
2 u v u v
2 2 2 2 2
u v u v ¢u v² ¢u v² u v (¢u v² ¢u v² )
2 2 2 2
u v 2 u v Cos(u, v) u v 2 u v CosT .
Con esto queda demostrada la identidad.
EJ E M P L O 6.3.18
Tres vectores u, v, w de V satisfacen lo siguiente:
|| u || = || w || = 5, || v || = 1 y || u ± v + w || = || u + v + w ||.
Si el ángulo que forman u y v es S/8, hallar el que forman v y w.
SO L U C I O N
Sabemos que
u v w u v w ¢v w² = - ¢u v².
Como
¢ u v² ¢v w²
Cos(u, v) y Cos(v, w)
u v v w
entonces
¢u v² 5Cos(u, v) y ¢v w² 5Cos(v, w) .

De donde
5 Cos(u, v) = -5 Cos(v, w) Cos(u, v) = - Cos(v, w).
S 7S
Como (u, v) = , entonces (v, w) = .
8 8
El coseno del ángulo que forman los vectores u y v está comprendido entre ±1 y 1,
alcanzando estos valores extremos únicamente si u y v son linealmente dependientes.
El hecho de que el producto interior sea cero, es una prueba para que dos vectores
sean ortogonales. Esto motiva la definición de que dos vectores son ortogonales si
y sólo si su producto interior es cero. Como el producto interior de cualquier vector
con el vector nulo es cero, se acostumbra decir que el vector nulo es ortogonal a
cualquier otro vector.
Si los vectores u y v son no nulos y T es el ángulo entre ellos, entonces

a.- T es agudo, si y sólo si ¢u v² > 0.
b.- T es obtuso, si y sólo si ¢u v² < 0.
c.- T es S/2, si y sólo si ¢u v² = 0.
EJ E M P L O 6.3.19
Si u = (3, -i, 2) y v = (1 + i, 1 ± i, 2 + 3i), hallar un vector no nulo w de 3 ortogonal
simultáneamente a u y v.
SO L U C I O N
Como w pertenece a 3, entonces:
¢u w² = ¢(3, -i, 2) (a, b, c)² = 3a ± ib + 2c = 0;
¢v w² = ¢(1 + i, 1 - i, 2 + 3i) (a, b, c)² = (1 + i)a + (1 ± i)b + (2 + 3i)c = 0
Resolviendo el sistema de ecuaciones homogéneo, generado por las condiciones
anotadas, obtenemos:
§ 3 i 2 0· § 3 i 2 0 · § 2i 2 0 1 0·
¨ ¸ |¨ ¸ |¨ ¸.
©1 i 1 i 2 3i 0 ¹ © 0 2i 2 4 7i 0 ¹ © 0 2i 2 4 7i 0 ¹
Por lo tanto w = (2 + 2i, 6 ± 22i, 8).
EJ E M P L O 6.3.20
Si u = (-1, 4, 3) y v = (2, 5, 1), hallar un vector no nulo w de V tal que sean
ortogonales simultáneamente.
SO L U C I O N
Como w pertenece a 3, entonces:
¢u w² = ¢(-1, 4, 3) (a, b, c)² = -a + 4b + 3c = 0
¢v w² = ¢(2, 5, 1) (a, b, c)² = 2a + 5b + c = 0
Resolviendo el sistema de ecuaciones homogéneo, generado por las condiciones
anotadas, obtenemos:
§ 1 4 3 0 · § 1 4 3 0 · §13 0 11 0 ·
¨ ¸ |¨ ¸ |¨ ¸.
© 2 5 1 0 ¹ © 0 13 7 0 ¹ © 0 13 7 0 ¹
Por lo tanto w = (-11, -7, 13).
EJ E M P L O 6.3.21
Si u = (7, 4, 5) y v = (-3, 2, -1), hallar los escalares a y b tales que w = au + bv es un
vector no nulo y que w y v sean ortogonales.
SO L U C I O N
Tenemos que
w = a(7, 4, 5) + b(-3, 2, -1) = (7a - 3b, 4a + 2b, 5a - b)
y
¢w v² = ¢(7a - 3b, 4a + 2b, 5a - b) (-3, 2, -1)² = 0,
de donde

9
-3(7a - 3b) + 2(4a + 2b) ± (5a - b) = 0 -18a + 14b = 0 b a.
7
De donde
§ 22 46 26 ·
w ¨ a, a, a ¸ , a z 0.
© 7 7 7 ¹
EJ E M P L O 6.3.22
Si u = (2, -2, 1) y v = (-1, 1, 2), hallar los vectores w y x de V tales que v, x sean
ortogonales, w sea paralelo a v y u = w + x.
SO L U C I O N
Sabemos que
¢v x² = 0 ¢(-1, 1, 2) (a, b, c)² = -a + b + 2c = 0 a ± b ± 2c = 0;
w = kv w = k(-1, 1, 2) = (-k, k, 2k);
u = w + x (2, -2, 1) = (-k, k, 2k) + (a, b, c) = (a ± k, b + k, c + 2k)
a k 2 a 2 k
°
®b k 2 b 2 k .
° c 2k 1 c 1 2k
¯
Reemplazando los valores de a, b y c en la primera ecuación, obtenemos que
1
k . Este valor de k lo reemplazamos en w y x, donde:
3
1 §1 1 2·
w (2, 2, 1) ¨ , , ¸ ;
3 ©3 3 3¹
§ 1 1 2· §5 5 5·
x (2 k , 2 k , 1 2k ) ¨ 2 , 2 , 1 ¸ ¨ , , ¸ .
© 3 3 3 ¹ © 3 3 3¹
E J E M P L O 6.3.23
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
§k· §k·
¢ f g² ¦ f ¨ ¸ g ¨ ¸ .
k 0 ©n¹ ©n¹
Hallar todos los polinomios g(t) ortogonales a f(t) = t.
SO L U C I O N
k
Hacemos que g(t) = a 0 + a 1t + a 2t2 + ... + a ntn y t , entonces:
n
1 1
¢ f g² ¦ f (t ) g (t ) ¦ ( a0 a1t a2t 2 ... ant n )t a0 a1 a2 ... a n 0.
t 0 t 0
De donde a 0 = - ( a 1 + a 2 + ... + a n). Por lo tanto, el polinomio buscado tiene la
forma siguiente:
g(t) = - ( a 1 + a 2 + ... + a n) + a 1t + a 2t2 + ... + a ntn.
% CALCULO DEL ANGULO ENTRE VECTORES

clc;;clear;;
fprintf('\n ANGULO ENTRE VECTORES \n')
%for f=1:col
for c=1:col
u(1,c)=input(' :');;
end
u

%for f=1:col
for c=1:col
v(1,c)=input(' :');;
end
v
fprintf('\n EL PRODUCTO INTERIOR ES:\n')
p=u*v'
fprintf('\n LAS NORMAS SON:\n')
Norma1=sqrt(u*u')
Norma2=sqrt(v*v')
fprintf('EL ANGULO ENTRE LOS VECTORES ES:\n')
d=(acos(p/(Norma1*Norma2)))*180/pi
if (p>0)
fprintf('El angulo es agudo\n')
end
if (p<0)
fprintf('El angulo es obtuso\n')
end
if (p==0)
fprintf('Los vectores son ortogonales\n')
end
PR O B L E M AS
6.3.1 Supóngase que u, v y w son vectores tales que 6.3.6 En el espacio n de polinomios de grado d n con
¢u v² 3 , ¢v w² 5 , ¢u w² 6 , u 2 , v 2 , coeficientes reales, el producto interior de polinomios se
determina por la fórmula ¢ p q² a0b0 a1b1 ... anbn .
w 4 . Determine el valor de las siguientes expresiones:
Para los polinomios dados p(x) = 3x2 + 2x + 1, q(x) = -x2 +
a.- ¢u v v w² ; b.- ¢3v 2w 4u 3w² ; 2x + 1, r(x) = 3x2 + 2x + 5, s(x) = 3x2 + 5x + 2:
c.- ¢u v 3w 5v 2w² ; d.- 3u 2v ; a.- Hallar el polinomio f(x) de grado d 2 equidistante de
e.- 5w 2v ; f.- u 2v 3w . p(x), q(x), r(x), s(x);
b.- Determinar la distancia entre f(x) y cada uno de los
polinomios p(x), q(x), r(x), s(x);
6.3.2 Sea el espacio vectorial de todas las funciones c.- Determine que todo polinomio de la forma f(x) + m3x3
polinómicas f de la forma f(x) = a0 + a1x + a2x2 para toda x «mnxn es también equidistante de p(x), q(x), r(x), s(x)
tal que 0 d x d 1. Aquí, a0, a1, a2 son escalares que y determine su distancia hasta estos polinomios.
sólo dependen de f y no de x. Demuestre que es un
espacio tridimensional sobre . Verifíquese también que 6.3.7 En el espacio vectorial real C(-1; 1), sea
las funciones p(x) = 1, q(x) = x y r(x) = x2 son una base de 1
.
¢ f g² ³ 1 f ( x) g ( x) dx . Considerar las tres funciones
f(x) = 1, g(x) = x y h(x) = 1 + x. Demostrar que dos de ellas
6.3.3 Encontrar el ángulo entre una diagonal de un cubo y son ortogonales, dos forman entre sí un ángulo S/3, y dos
una de sus aristas. forman entre sí un ángulo S/6.
6.3.4 Calcular los ángulos internos del triángulo ABC, 1
dado por las coordenadas de sus vértices: 6.3.8 Pruébese que ¢ f g ² ³ 0 f ( x) g ( x) dx es un
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1).
producto interior de P. Hállese una función g de P tal que
6.3.5 En el espacio vectorial real C(1; e), definimos un g 1 y ¢ g p² ¢ g q² 0 .
producto interior por
e 6.3.9 Sean u y v dos vectores en 2 linealmente
¢ f g² ³ 1 f ( x) g ( x) log x dx : independientes. Demuestre que el único vector de 2
a.- Si f ( x) x , calcular f ; ortogonal a u y a v es el vector . ¿Ocurre lo mismo si los
vectores son linealmente dependientes? ¿Es verdad esta
b.- Hallar un polinomio de primer grado g(x) = a + bx que
afirmación para vectores en el espacio 3?
sea ortogonal a la función constante f(x) = 1.
6.3.10 Trazar la circunferencia unitaria en 2 usando el 6.3.22 Sean V = 2, u = (1, 1) y v = (1, -1);
producto interior dado: a.- Dótese a V con un producto interior tal que u 1 y
1 1
a.- ¢u v² u1v1 u2 v2 ; v 1;
4 16
b.- ¢u v² 2u1v1 u2 v2 ; b.- Dótese a V con un producto interior tal que un ángulo
T entre u y v sea S/3.
1 1
c.- ¢u v² u1v1 u2 v2 .
9 4 6.3.23 En el espacio vectorial real C(1; 3) con producto
3 1
6.3.11 Calcular el ángulo formado por los vectores: interior ¢ f g ² ³ f ( x) g ( x) dx , sea f ( x) , demostrar
1 x
a.- u = (2, 1, -1, 2), v = (3, -1, -2, 1);
que el polinomio constante g más próximo a f es
b.- u = (1, 2, 2, 3), v = (3, 1, 5, 4);
1
c.- u = (1, 1, 1, 2), v = (3, 1, -1, 0). g log 3 . Calcular g f 2 para éste.
2
6.3.12 Demuestre que si u es ortogonal a v y w, entonces u
es ortogonal a Dv + Ew para escalares D y E cualesquiera. 6.3.24 En el espacio vectorial real C(0; 2S) con producto
2S
6.3.13 Demuestre que u v u v sí y sólo si u y

interior ¢ f g ² ³0 f ( x) g ( x) dx , sea f(x) = x. En el
espacio generado por p(x) = 1, q(x) = Cosx, r(x) = Senx,
v tienen la misma dirección. hallar el polinomio trigonométrico más próximo a f(x).
6.3.14 Considere el cuadrilátero cuyos vértices son 6.3.25 Sean a y b dos números reales no nulos. Demuestre
A = ( 1, -2, 2), B = (1, 4, 0), C = (-4, 1, 1), D = (-5, -5, 3).
que los cuatro vectores (ra, rb) 2 tienen la misma
Demuestre que las diagonales AC y BD son ortogonales.
norma. Interprete geométricamente este hecho.
6.3.15 Sea u un vector no nulo. Determine un escalar a
6.3.26 Sean a, b y c tres números reales no nulos.
tal que au 1 . Demuestre que los 8 vectores (ra, rb, rc) 3 tienen la
misma norma. Interprete geométricamente este hecho.
6.3.16 Demuestre que los puntos A = (1, 1), B = (2, 3) y
C = (5, -1) son los vértices de un triángulo rectángulo. 6.3.27 ¿Qué es la norma de un vector u en ? ¿Cómo se
ven las propiedades de la norma en este caso?
6.3.17 Encuéntrense los vectores unitarios que forman
un ángulo de 2S/3 con u = i ± j. 6.3.28 Sean u, v dos vectores en n. Demuestre que
u v d u v .
6.3.18 En el espacio de las funciones integrables reales,
supóngase que se define el producto interior por
1 6.3.29 Las cuatro diagonales de un cubo tienen la
³1 f ( x) g ( x)dx . Encuentre un polinomio de grado 2 misma longitud.
ortogonal a 1 y a x. Encuentre un polinomio de grado 3
ortogonal a 1, a x y a x2. ¿Son ortogonales estos dos 6.3.30 Las diagonales de un paralelogramo se bisecan
polinomios? mutuamente.
6.3.19 Sean u, v dos vectores ortogonales en n, tales que 6.3.31 ¿Existen vectores u, v n tales que u 3,
u 2 , v 7 , u v 8 . Calcule u v . v 1, uv 5 ? ¿Existen vectores u, v talesn
que u 3, v 1, u v 5?
6.3.20 Sean u, v dos vectores en n. Demuestre que:
a.- ¢u v² + si y sólo si u v ! u v ; 6.3.32 Sean u, v dos vectores ortogonales en Rn, tales que
b.- -¢u v² si y sólo si u v u v ;
+
u 5 , v 3 . Calcule u v , u v .
c.- u y v son dos vectores ortogonales si y sólo si
uv u v . 6.3.33 Sea S = {u, v} un conjunto ortogonal de vectores
Discuta el contenido geométrico de estos resultados. unitarios en n. Demuestre que el ángulo entre el vector u
y el vector u + v es de S/4. Discuta el contenido
6.3.21 Demuestre que si u y v son vectores en un espacio geométrico de este resultado cuando n = 2. ¿Vale el
V con producto interior, entonces u v d u r v . resultado si los vectores u y v no son unitarios?

6.3.34 Demuestre que si u y v son vectores en un espacio 6.3.46 Demuestre que si el cuerpo de escalares es real y
con producto interior tal que u d 1 y v d 1 , entonces u v , entonces u ± v y u + v son ortogonales y
¢u v² d 1 . recíprocamente.
6.3.47 Sean u, v y w vectores no nulos, cada uno

6.3.35 Sean u y v dos vectores en n tales que u v . ortogonal a los otros dos. Demuestre que, para cualquier
Demuestre que los vectores u + v y u ± v son ortogonales. vector z, existen escalares únicos a , b y c tales que z =
¿Vale la afirmación recíproca? au + bv + cw.
6.3.36 Los vectores u y v de n forman un ángulo de S/3. 6.3.48 Demuestre que u x v u v sí y sólo si u y v
Suponiendo que u 3 y v 4 . Calcule: ¢u v², son ortogonales.
uv y uv .
6.3.49 Sean u y v vectores no nulos. Demuestre que el
vector
6.3.37 Dados los vectores u, v y w, entonces:
1
a.- Demuestre que
u v
v u u v
u x (v x w) = ¢u w²v - ¢u v²w;
b.- Encuentre un ejemplo para el que biseca el ángulo entre u y v. (Demuestre que este vector
u x (v x w) z (u x v) x w. forma el mismo ángulo con u que con v.)
6.3.38 Cada pareja de vectores u, v y w en n forma un 6.3.50 Sean u y v dos vectores no nulos en n tales que
ángulo de S/3. Suponga que u 1 , v 2 , w 3 . u v u v . Demuestre que el ángulo entre u y v
Calcule u v w . es de S/3. ¿Cuál es el ángulo entre u y u ± v, y entre v y u ±
v? Discuta el contenido geométrico en el caso n = 2.
6.3.39 Los vértices de un triángulo son A = (-1, 4),
6.3.51 Las cuatro diagonales de un paralelepípedo se
B = (-6, 6), C = (3, 8). Determine las coordenadas de los
cortan en un punto y se bisecan mutuamente.
puntos medios de sus lados.
6.3.40 Los puntos medios de los lados de un triángulo son 6.3.52 Si u y v son vectores diferentes de cero en R 3,
entonces se cumplen las siguientes igualdades:
P = (2, -1), Q = (-1, 4) y R = (-2, 2). Determinar los vértices
a.- u x v es ortogonal tanto a u como a v;
del triángulo.
b.- El ángulo T entre u y v está dado por
6.3.41 Sean u y v vectores en un espacio V con producto u xv u v SenT ;
interior. Demuestre que u v u v sí y sólo si u y v c.- u y v son paralelos sí y sólo si u x v = ;
son ortogonales. d.- El paralelogramo cuyos lados adyacentes son u y v
tiene un área igual a u x v .
6.3.42 Demuestre que
f ( x) 1 x 2 y g ( x ) 2 x 1 x 2 6.3.53 Demuestre que los puntos A = (2, 2), B = (-1, 6),
C = (-5, 3) y D = (-2, -1) son los vértices de un cuadrado.
son ortogonales en C[-1; 1].
6.3.54 La recta que pasa por uno de los vértices de un
6.3.43 Demuestre que en un triángulo arbitrario de un
paralelogramo y el punto medio de uno de los lados
espacio euclídeo, la longitud de cada lado no es menor que
opuestos divide a una de las diagonales en la razón 1:2.
la magnitud absoluta de la diferencia entre las longitudes
de los otros dos lados.
6.3.55 Sean x = (x1, x2, ..., xn), y = (y1, y2, ..., yn) dos
6.3.44 Demuestre que en un paralelogramo arbitrario de 1
vectores en n. Demuestre que el punto p ( x y ) es
un espacio euclídeo, la suma de los cuadrados de las 2
longitudes de las diagonales es igual a la suma de los un punto equidistante de x e y (es decir, d(x, p) = d(y, p)),
cuadrados de las longitudes de los lados. el cual se encuentra sobre el segmento que une a x con y
(para ver esto, nótese que los vectores u = x ± p, v = y ± p,
6.3.45 Calcular los ángulos internos del triángulo ABC, son linealmente dependientes). Se dice que p es el punto
dado por las coordenadas de sus vértices: medio del segmento xy. Determine el punto medio del
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1). segmento xy en cada uno de los siguientes casos:
a.- x = (1, 4, 5), y = (4, 8, -4);
b.- x = (4, 7, -1), y = (4, 6, -3); 6.3.61 Sean u y v dos vectores no nulos en n tales que
c.- x = (-3, -4, 5), y = (3, 5, 7). u u v . Demuestre que el ángulo entre los vectores
6.3.56 Considere las rectas
u y v es el mismo que el ángulo entre los vectores u y
u ± v. Discuta el contenido geométrico en el caso n = 2.
L 1 = {(x, y) / (x, y) = (0, b1) + t(1, m1), t }
L 2 = {(x, y) / (x, y) = (0, b2) + t(1, m2), t }
6.3.62 Sea u = (2, -3, 5). Determine el vector v 3
con los vectores v1 = (1, m1) y v2 = (1, m2) que son
sabiendo que es linealmente dependiente con u, que
paralelos a L 1 y L 2 respectivamente. Demuestre, partiendo
de la fórmula para el ángulo entre dos vectores, que el v 25 , y que el ángulo que forma v con la parte
ángulo T (0 d T d S) entre L 1 y L 2 es positiva del eje z es agudo.
m m1
T ArcTan 2 . 6.3.63 Considere la recta Ax + By + C = 0, la cual dista
1 m2 m1
d unidades del origen. Demuestre que la recta paralela a la
6.3.57 Calcule la distancia entre las dos líneas paralelas recta dada, que dista también d unidades del origen y que
dadas: resulta ser simétrica respecto del origen de la recta dada, es
a.- 3x ± 4y + 5 = 0, 3x ± 4y ± 5 = 0; Ax + By ± C = 0.
b.- 2x ± y ± 5 = 0, 4x ± 2y ± 10 = 0.
6.3.64 Demuestre que el triángulo cuyos vértices son A,
6.3.58 Use el concepto de proyección de un vector sobre B y C es isósceles. Determine sus ángulos internos:
otro para demostrar que la distancia del punto P(x0, y0) a la a.- A = (1, 1), B = (4, 3), C = (1/2, 5);
recta Ax + By + C = 0 viene dada por la fórmula b.- A = (1, 2, 1), B = (3, -1, 7), C = (7, 4, -2).
Ax0 By0 C
d .
A2 B 2 6.3.65 Si u, v y w son vectores en y D un escalar,
entonces se cumplen las siguientes igualdades:
6.3.59 Demuestre que las diagonales de un rombo son a.- u x v = - (v x u);
perpendiculares entre sí. (Un rombo es un paralelogramo b.- u x (v + w) = (u x v) + (u x w);
cuyos lados tienen la misma longitud.) c.- D(u x v) = Du x v = u x Dv;
d.- u x = x u = ;
6.3.60 Demuestre la identidad de Lagrange: e.- u x u = ;
u xv
2
u
2
v
2
¢u v² 2 . f.- ¢u (v x w)² = ¢(u x v) w².
6.4 B ASES O R T O G O N A L ES Y O R T O N O R M A L ES
En esta sección se mostrará un proceso para obtener una base ortonormal. En muchos problemas con espacios
vectoriales, quien resuelve el problema puede elegir cualquier base que juzgue conveniente para el espacio
vectorial. En espacios con producto interior, la solución de un problema a menudo se simplifica bastante al elegir
una base en la que los vectores sean ortogonales entre sí.
Si V es un espacio vectorial, el concepto de ortogonalidad coincide con el de

perpendicularidad. Por esta razón la ortogonalidad puede ser considerada como una
generalización del concepto de perpendicularidad.
Un conjunto S de vectores en un espacio vectorial V con producto interno
se dice que es ortogonal si o bien consiste en un solo vector o bien sus
vectores son ortogonales dos a dos.
La relación de ortogonalidad es simétrica: si el vector u es ortogonal al vector v, el

vector v es ortogonal al vector u. Es obvio que el vector nulo es ortogonal a cualquier
vector del espacio y es el único que posee esta propiedad.
Dos conjuntos de vectores S1 y S2, de un espacio vectorial euclídeo V, se
dicen ortogonales, si todo vector de S1 es ortogonal a todo vector de S2.

T E O R E M A 6.4.1
Para que el vector u sea ortogonal al subespacio U, es necesario y suficiente
que sea ortogonal respecto de todos los vectores de una base cualquiera del
subespacio U.
Fijemos la base S = {u1, u2, ..., uk} del subespacio U. Si u es perpendicular a U,
entonces u es ortogonal a todos los vectores de U y, en particular, a los vectores u1,
u2, ..., uk. Sea ahora, ¢u ui² = 0 para todo i N. Elijamos un vector arbitrario v U
y descompongámoslo según los vectores de la base. Si
v = a1u1 + a2u2 + ... + akuk
para ciertos números a1, a2, ..., ak, entonces
¢u v² = ¢u a1u1 + a2u2 + ... + akuk² = a1¢u u1² + a2¢u u2² + ... + ak¢u uk² = 0
Esto significa que u A U.
T E O R E M A 6.4.2
Si S = {v1, v2, ..., vk} es un conjunto ortogonal de vectores diferentes del
nulo en un espacio vectorial V, entonces S es linealmente independiente.
Sea S un sistema ortogonal de vectores no nulos y sea
a1v1 + a2v2 + ... + akvk = .
Multiplicando esta igualdad escalarmente por vi, obtenemos
a1¢v1 vi² + a2¢v2 vi² «ai¢vi vi² «ak¢vk vi² =
donde ai¢vi vi² = 0 ya que debido a la ortogonalidad del sistema todos los demás
términos se anulan. Pero vi z ; por consiguiente, ¢vi vi² z 0 y entonces resulta que
ai = 0 que es lo que se quería demostrar.
Supongamos que n es la dimensión del espacio vectorial V. La aseveración anterior

muestra que todo sistema ortogonal de vectores no nulos V no puede contener más
de n vectores. Si en V existen n vectores no nulos ortogonales, ellos constituyen una
base ortogonal del espacio vectorial V. Podemos decir que en V siempre existe una
base de esta índole.
T E O R E M A 6.4.3
Sea un espacio vectorial V de dimensión n, entonces cualquier conjunto de
n vectores ortogonales es una base de V.
EJ E M P L O 6.4.1
Demuestre que el conjunto ortogonal
§1 1 · § 2 1 2 ·½
S ®1, 0, 1 , ¨ , 2, ¸ , ¨ , , ¸ ¾
¯ © 2 2 ¹ © 9 9 9 ¹¿
3
es una base de .
SO L U C I O N
Se puede observar que el conjunto S consta de tres vectores diferentes de cero y no
coplanares. Entonces podemos demostrar que forman una base para 3:
a(1, 0, -1) + b( ½, 2, ½) + c(2/9, -1/9, 2/9) = (0, 0, 0);
(a + b/2 + 2c/9, 2b ± c/9, - a + b/2 + 2c/9) = (0, 0, 0)
1 2
°a 2 b 9 c 0
°
° 1
® 2b c 0
° 9
° 1 2
°a 2 b 9 c 0
¯
Sabemos que un sistema de ecuaciones homogéneo tiene solución única si y sólo si
el determinante de la matriz de coeficientes del sistema es diferente de cero, es decir
2 1
1
9 2
1
0 2 z0.
9
1 2
1
2 9
Por lo tanto a = b = c = 0 y S es linealmente independiente y como S genera todo
3, entonces S es base para 3.
Una base {w1, w2, ..., wk} para un subespacio U de V es ortonormal si los
vectores wi son unitarios y mutuamente perpendiculares.
Es obvio que normalizando vectores ortogonales no nulos obtenemos de nuevo

vectores ortogonales. Por lo tanto, al normalizar los vectores de una base ortogonal
del espacio, obtendremos una base ortonormal de este espacio.
Se dice que un vector v de V es ortogonal a un conjunto S1 de vectores, si v
es ortogonal a todos los vectores de S1.
T E O R E M A 6.4.4
Sea V un espacio vectorial euclídeo. Si los subconjuntos S1, S2 de V son
ortogonales, entonces también son ortogonales los subespacios U y W,
engendrados por S1 y S2.
Sean u U y v W, esto es u = a1u1 + a2u2 + ... + anun y v = b1v1 + b2v2 + ... + bmvm
para ciertos vectores {u1, u2, ..., un} de S1, {v1, v2, ..., vm} de S2 y a1, a2, ..., an, b1, b2,
..., bm números reales; entonces
¢u v² = ¢a1u1 + a2u2 + ... + anun b1v1 + b2v2 + ... + bmvm²
= a1b1¢u1 v1² + a2b2¢u2 v2² + ... + anbm¢un vm² = 0.
T E O R E M A 6.4.5
Si dos subespacios vectoriales U, W de V son ortogonales, entonces son
independientes, es decir, su suma es directa.
Tenemos que demostrar que su suma es directa; esto es si fuese u U W, por ser
u U y u W, tendría que ser u A u y, por tanto, u = .
T E O R E M A 6.4.6
Para que dos subespacios sean ortogonales, es necesario y suficiente que
todo vector de cualquier base de un subespacio sea ortogonal a todos los
vectores de cualquier base de otro subespacio.
Puesto que cualquier sistema que contiene sólo un vector es ortogonal, de aquí se
deduce, en particular, que en todo espacio vectorial existe una base ortonormal.
T E O R E M A 6.4.7
Sea {u1, u2, ..., uk} una base de un espacio con producto interior V. Sea {v1,
v2, ..., vk} donde los vi están dados de la siguiente manera:
v1 = u1
¢u v ²
v2 u2 2 1 v1
¢v1 v1 ²
. . .

¢uk v1 ² ¢u v ² ¢u v ²
vk uk v1 k 2 v2 ... k k 1 vk 1 .
¢v1 v1 ² ¢v2 v2 ² ¢vk 1 vk 1 ²
vi
Entonces {v1, v2, ..., vk} es una base ortogonal de V. Sea wi .
vi
Entonces el conjunto {w1, w2, ..., wk} es una base ortonormal de V. Estas
ecuaciones resumen el llamado proceso de Gram ± Schmidt para encontrar
un conjunto ortonormal a partir de un conjunto linealmente independiente.
Supongamos que {u1, u2, ..., uk} es un conjunto linealmente independiente En el
espacio vectorial V; deduzcamos un proceso para construir un conjunto ortonormal
de vectores {w1, w2, ..., wk}. Primero elegimos uno cualquiera de los ui, digamos u1 y
tomamos v1 = u1, donde
v1
w1 .
v1
Ahora elegimos otro de los ui, digamos u2 y consideremos su proyección en v1, es
u2 v1
decir, consideramos el vector u v1 . Si los vectores fueran los vectores
v1 v1
geométricos ordinarios, la relación entre u1, u2 y v1 sería como lo muestra la figura
El vector v2 está definido por

u2 v1
v2 u2 v1
v1 v1
y podemos comprobar que v2 es ortogonal a v1. En efecto,
u v
¢v2 v1² = ¢u2 v1² - 2 1 v1 v1 = ¢u2 v1² - ¢u2 v1² = 0.
v1 v1
Para obtener un vector unitario ortogonal w1, hacemos
v2
w2 .
v2
El vector w2 no puede ser cero, ya que, por su definición, esto implicaría que u2 y v1
son linealmente independientes.
Una vez encontrado v1 y v2, elegimos u3 y formamos su proyección en el subespacio
de V generado por v1 y v2. Por definición, este es el vector
u3 v1 u v
v v1 3 2 v2 .
v1 v1 v2 v2
Definimos v3 restando esta proyección a u3
u v u v
v3 u3 3 1 v1 3 2 v2 .
v1 v1 v2 v2
Como antes, podemos verificar que v3 es ortogonal a v1 y v2. En efecto

u3 v1 u v
¢v3 v1² = ¢u3 v1² - v1 v1 3 2 v2 v1 = ¢u3 v1² - ¢u3 v1² = 0
v1 v1 v2 v2
Análogamente
u3 v1 u v
¢v3 v2² = ¢u3 v2² - v1 v2 - 3 2 v2 v2 = ¢u3 v2² - ¢u3 v2² = 0
v1 v1 v2 v2
En la figura se muestran estos vectores.
Definimos w3 por
v3
w3 .
v3
Nuevamente, v3 = implicaría la dependencia lineal de u3, v1 y v2. Pero como el
subespacio generado por v1 y v2 es igual al generado por u1 y u2, esto implicaría la
dependencia lineal de los ui. Procediendo de esta manera, calculamos sucesivamente
v1, v2, ..., vk.
Para encontrar vk, escribimos
¢u v ² ¢u v ² ¢u v ²
vk uk k 1 v1 k 2 v2 ... k k 1 vk 1
¢v1 v1 ² ¢v2 v2 ² ¢vk 1 vk 1 ²
de donde
vk
wk .
vk
Como anteriormente, podemos verificar que vk es ortogonal a v1, v2, ..., vk-1.
E J E M P L O 6.4.2
Supongamos que V es el plano generado por v1 = (1, 0, 0, 0) y v2 = (1, 1, 0, 0) y
W es la recta generada por w1 = (0, 0, 4, 5). Encontrar, un w2 de tal manera que el
plano W generado por w1 y w2 continúe siendo ortogonal a V. Encontrar un v3 de
tal manera que el subespacio tridimensional generado por v1, v2 y v3, sea ortogonal
a la recta original W.
SO L U C I O N
Para que el plano W sea ortogonal a plano V, debe cumplir las siguientes
condiciones:
¢(a, b, c, d) (1, 0, 0, 0)² = 0 a = 0;
¢(a, b, c, d) (1, 1, 0, 0)² = 0 a + b = 0.
De estas dos condiciones, obtenemos que a = b = 0:
( a , b, c, d) = (0, 0, c, d) = c(0, 0, 1, 0) + d(0, 0, 0, 1).
Por tanto el vector buscado es: w2 = (0, 0, 1, 0) o w2 = (0, 0, 1, 0).
Para que el subespacio generado por {v1, v2, v3} sea ortogonal a la recta W, debe
cumplir la siguiente condición:
5
¢(x, y, z, t) (0, 0, 4, 5)² = 0 4z + 5t = 0 z t.
4
Es decir:
§ 4t · § 4 ·
( x, y, z, t ) ¨ x, y, , t ¸ x(1, 0, 0, 0) y (0,1, 0, 0) t ¨ 0, 0, ,1¸ .
© 5 ¹ © 5 ¹
Siendo v3 = (0, 0, -4, 5) el vector buscado.
EJ E M P L O 6.4.3
¿Porqué el plano x + 2y + z = 0 y cada plano x + 2y + z = k es ortogonal a la recta
generada por (1, 2, 1)?
SO L U C I O N
La base del plano x + 2y + z = 0 es B = {(-2, 1, 0), (-1, 0, 1)}. Como estos vectores
son ortogonales al vector (1, 2, 1):
¢(-2, 1, 0) (1, 2, 1)² = -2 + 2 + 0 = 0; ¢(-1, 0, 1) (1, 2, 1)² = -1 + 0 + 1 = 0.
Entonces concluimos que el plano dado que pasa por el origen es ortogonal a la recta.
Además como el plano x + 2y + z = 0 es paralelo a los planos x + 2y + z = k,
entonces el plano x + 2y + z = k también es ortogonal a la recta.
EJ E M P L O 6.4.4
Encontrar una base ortogonal para 3, partiendo del vector (1, 1, -1).
SO L U C I O N
Si u = (1, 1, -1) y v = (a, b, c), entonces:
¢u v² = 0 ¢(1, 1, -1) (a, b, c)² = a + b ± c = 0 a + b ± c = 0.
Si a = - b + c, entonces:
(a, b, c) = (-b + c, b, c) = b(-1, 1, 0) + c(1, 0, 1).
Como estos vectores son ortogonales al vector (1, 1, -1), entonces la base ortogonal
buscada es:
{(1, 1, -1), (-1, 1, 0), (1, 0, 1)}.
EJ E M P L O 6.4.5
Sean u1, u2, ..., un vectores mutuamente perpendiculares, y tales que ui z 0 para
todo i. Sea u un elemento de V, y sea Oi la componente de u a lo largo de ui. Sean D1,
D2, ..., Dn números. Entonces
n n
u ¦ O k uk d u ¦ D k uk
k 1 k 1
SO L U C I O N
n
Se sabe que u ¦ O k uk es perpendicular a cada uno de los ui, i = 1, 2, ..., n. Por
k 1
tanto, es perpendicular a cualquier combinación lineal de u1, u2, ..., un. Ahora
n 2 n n 2
u ¦ D k uk u ¦ O k uk ¦ (O k D k )uk
k 1 k 1 k 1
n 2 n 2
u ¦ O k uk ¦ (O k D k )uk
k 1 k 1
Por el teorema de Pitágoras. Esto prueba que
n 2 n 2
u ¦ D k uk d u ¦ D k uk .
k 1 k 1
EJ E M P L O 6.4.6
Sea S = {e1, e2, e3, e4} base canónica en 4. Normalizar el vector
u = e1Sen3M + e2Sen2M CosM + e3SenM CosM + e4 CosM.
SO L U C I O N
Como el vector u = (Sen3M, Sen2M CosM, SenM CosM, CosM), entonces
u (Sen3D, Sen2 D CosD , SenD CosD, CosD)
|| u || Sen6 D Sen4 D Cos 2 D Sen2 D Cos 2 D Cos 2 D
( Sen3D, Sen2 D CosD, SenD CosD, CosD)
r1
(r Sen3D, r Sen2D CosD, r SenD CosD, r CosD) .
EJ E M P L O 6.4.7
Demuestre que el conjunto

°§ 2 2· § 6 6 6· § 3 3 3 ·½ °
S ®¨¨ , 0, ¸¸ , ¨¨ , , ¸¸ , ¨¨ , , ¸¸ ¾
°©
¯ 2 2 ¹ © 6 3 6 ¹ © 3 3 3 ¹¿°
3
es base ortonormal de .
SO L U C I O N
Primero demostraremos que los vectores del conjunto S son ortogonales tomados de
dos en dos:
§ 2 2· § 6 6 6· 12 12
¨¨ , 0, ¸¸ ¨¨ , , ¸¸ 0 0
© 2 2 ¹ © 6 3 6 ¹ 12 12
§ 2 2· § 3 3 3· 6 6
¨¨ , 0, ¸¸ ¨¨ , , ¸ 0 0
© 2 2 ¹ © 3 3 3 ¸¹ 6 6
§ 6 6 6· § 3 3 3· 18 18 18
¨¨ , , ¸¸ ¨¨ , , ¸¸ 0
© 6 3 6 ¹ © 3 3 3 ¹ 18 9 18
Además, cada vector debe tener longitud 1:
§ 2 2· § 2 2· § 2 2· 1 1
¨¨ , 0, ¸ ¨¨ , 0, ¸¸ ¨¨ , 0, ¸ 0 1
© 2 2 ¸¹ © 2 2 ¹ © 2 2 ¸¹ 2 2
§ 6 6 6· § 6 6 6· § 6 6 6· 1 2 1
¨¨ , , ¸¸ ¨¨ , , ¸¸ ¨¨ , , ¸¸ 1
© 6 3 6 ¹ © 6 3 6 ¹ © 6 3 6 ¹ 6 3 6
§ 3 3 3· § 3 3 3· § 3 3 3· 1 1 1
¨¨ , , ¸¸ ¨¨ , , ¸¸ ¨¨ , , ¸¸ 1
© 3 3 3 ¹ © 3 3 3 ¹ © 3 3 3 ¹ 3 3 3
Por consiguiente, S es un conjunto ortonormal. Dado que los tres vectores no son
coplanares, se sabe que generan a 3.
EJ E M P L O 6.4.8
Sea S = {e1, e2, e3, e4} base canónica en 4. ¿Para qué valor de k la base constituida
por los vectores
u1 = ke1 + e2 + e3 + e4, u2 = e1 + ke2 + e3 + e4
u3 = e1 + e2 + ke3 + e4, u4 = e1 + e2 + e3 + ke4
es ortogonal? Normalizar esta base.
SO L U C I O N
Los vectores son
u1 = (k, 1, 1, 1), u2 = (1, k, 1, 1), u3 = (1, 1, k, 1), u4 = (1, 1, 1, k),
entonces para encontrar el valor del parámetro k, de tal forma que los vectores sean
ortogonales, procedemos de la siguiente manera:
¢u1 u2² = 2k + 2 = 0; ¢u1 u3² = 2k + 2 = 0; ¢u1 u4² = 2k + 2 = 0;
¢u2 u3² = 2k + 2 = 0; ¢u2 u4² = 2k + 2 = 0; ¢u3 u4² = 2k + 2 = 0;
Como la ecuación 2k + 2 = 0 es común en todos los productos interiores, la solución
es k = -1. Los vectores son los siguientes:

u1 = (-1, 1, 1, 1), u2 = (1, -1, 1, 1), u3 = (1, 1, -1, 1), u4 = (1, 1, 1, -1).
A continuación, cada vector lo dividimos para su correspondiente norma para
normalizar cada uno de los vectores. Es decir:
u1 (1,1,1,1) § 1 1 1 1·
¨ ,r ,r ,r ¸;
|| u1 || 12 12 12 12 © 2 2 2 2 ¹
u2 (1, 1,1,1) § 1 1 1 1·
¨r , ,r ,r ¸;
|| u2 || 2 2
1 1 1 1 2 2 © 2 2 2 2¹
u3 (1,1, 1,1) § 1 1 1 1·
¨r , r , , r ¸;
|| u3 || 2 2
1 1 1 12 2 © 2 2 2 2¹
u4 (1,1,1, 1) § 1 1 1 1·
¨r , r , r , ¸.
|| u4 || 2 2
1 1 1 1 2 2 © 2 2 2 2¹
EJ E M P L O 6.4.9
Demuestre que dado cualquier vector u de longitud 1, entonces existe una base
ortonormal con u como primer elemento.
SO L U C I O N
Ya que el conjunto {u} es linealmente independiente, se puede extender hasta
una base con u como primer elemento. Ahora bien, cuando se aplica el proceso de
ortonormalización, el primer vector, siendo de longitud 1, no se cambia y se
convierte en el primer vector de una base ortonormal.
EJ E M P L O 6.4.10
Aplique el proceso de ortonormalización a la base S = {(1, 0, -1), (1, 2, 0), (0, 1, 1)}.
SO L U C I O N
Aplicando el teorema correspondiente, obtenemos:
v1 = u1 = (1, 0, -1).
u v (1, 2, 0) (1, 0, 1)
v2 u2 2 1 v1 (1, 2, 0) (1, 0, 1)
v1 v1 (1, 0, 1) (1, 0, 1)
1 §1 1·
(1, 2, 0)
(1, 0, 1) ¨ , 2, ¸ .
2 ©2 2¹
u v u v
v3 u3 3 1 v1 3 2 v2
v1 v1 v2 v2
§1 1·
(0,1,1) ¨ , 2, ¸
¢(0,1,1) (1, 0, 1)² ©2 2¹ §1 1·
(0,1,1) (1, 0, 1) ¨ , 2, ¸
¢(1, 0, 1) (1, 0, 1)² §1 1· §1 1· ©2 2¹
¨ , 2, ¸ ¨ , 2, ¸
©2 2¹ ©2 2¹
1 5§1 1· §2 1 2·
(0,1,1) (1, 0, 1) ¨ , 2, ¸ ¨ , , ¸ .
2 9©2 2¹ ©9 9 9¹
v1 1 § 2 2·
w1 (1, 0, 1) ¨¨ , 0, ¸;
v1 2 © 2 2 ¸¹
v2 1 §1 1· § 2 2 2 2 ·
w2 ¨ , 2, ¸ ¨¨ , , ¸;
v2 9 ©2 2¹ © 6 3 6 ¸¹
2
v3 1 §2 1 2· §2 7 7 2 7·
w3 ¨ , , ¸ ¨¨ , , ¸.
v3 7 ©9 9 9¹ © 7 7 7 ¸¹
81

Por tanto

°§ 2 2· § 2 2 2 2· §2 7 7 2 7 ·½ °
S´´ ®¨¨ , 0, ¸¸ , ¨¨ , , ¸¸ , ¨¨ , , ¸¸ ¾
°©
¯ 2 2 ¹ © 6 3 6 ¹ © 7 7 7 ¹¿°
es base ortonormal de 3.
E J E M P L O 6.4.11
Encuentre una base ortonormal para los polinomios de la forma ax2 + ( a + b)x +
2b.
SO L U C I O N
Una posible base para este subespacio se determina de la siguiente manera:
( a , a + b, 2b) = a (1, 1, 0) + b(0, 1, 2) Base U = {(1, 1, 0), (0, 1, 2)}.
Ortogonalizamos esta base:
v1 = (1, 1, 0);
¢(0,1, 2) (1,1, 0)² 1 § 1 1 ·
v2 (0,1, 2) (1,1, 0) (0,1, 2) (1,1, 0) ¨ , , 2 ¸ .
¢(1,1, 0) (1,1, 0)² 2 © 2 2 ¹
Por tanto la base ortogonal está formada por los siguientes vectores:
§ 1 1 ·½
®(1,1, 0), ¨ , , 2 ¸ ¾ .
¯ © 2 2 ¹¿
Normalizando cada uno de estos elementos, encontramos la base ortonormal:
1 1 ½
® (1,1, 0), 1,1, 4 ¾ .
¯ 2 10 ¿
EJ E M P L O 6.4.12
Encuéntrese en 3 una base, que conste de dos vectores unitarios ortogonales entre
sí, para el subespacio compuesto de todos los puntos (x, y, z) para los que se verifica
que x + y + z = 0.
SO L U C I O N
Como x + y + z = 0, entonces x = - y ± z:
(x, y, z) = (- y ± z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
¢(1, 0,1) (1,1, 0)²
v2 (1, 0,1) (1,1, 0)
¢(1,1, 0) (1,1, 0)²
1 § 1 1 ·
(1, 0,1) (1,1, 0) ¨ , , 1¸ .
2 © 2 2 ¹
La base ortogonal esta formada por los vectores:
§ 1 1 ·½
®(1,1, 0), ¨ , , 1¸ ¾ .
¯ © 2 2 ¹¿
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:
1 1 ½
® (1, 1, 0), (1, 1, 2) ¾ .
¯ 2 6 ¿
EJ E M P L O 6.4.13
§ k 1 k ·
¿Para qué valores de k y r la base constituida por los vectores u ¨ , , r¸,
©3 3 ¹
§1 k k· § k 1 k ·
v ¨ , r, ¸ y w ¨ r, , ¸ es ortonormal?
© 3 3¹ © 3 3 ¹
SO L U C I O N
Para encontrar el valor de los parámetros k y r, de tal forma que los vectores u, v y w
sean ortonormales, se procede de la siguiente manera:
§ k 1 k · § 1 k k· k2 k r
¢u v² 0 ¨ , , r ¸¨ , r, ¸ 0 k2 ± k ± 3 r =
©3 3 ¹ © 3 3¹ 9 9 3
0;
§ k 1 k · § k 1 k · k2 k r
¢u w² 0 ¨ , , r ¸ ¨ r, , ¸ 0 k2 ± k ± 3 r
© 3 3 ¹ © 3 3 ¹ 9 9 3
= 0;
§1 k k · § k 1 k · k2 k r
¢v w² 0 ¨ , r, ¸ ¨ r, , ¸ 0 k2 ± k ± 3 r =
© 3 3¹ © 3 3 ¹ 9 9 3
0;
§ k 1 k · § k 1 k · § k 1 k ·
u 1 ¨ , , r¸ ¨ , , r ¸ ¨ , , r¸ 1
©3 3 ¹ ©3 3 ¹ ©3 3 ¹
2k2 ± 2k + 9 r2 = 8;
§1 k k· §1 k k · §1 k k·
v 1 ¨ , r, ¸ ¨ , r, ¸ ¨ , r, ¸ 1
© 3 3 ¹ © 3 3 ¹ © 3 3 ¹
2k2 ± 2k + 9 r2 = 8;
§ k 1 k · § k 1 k · § k 1 k ·
u 1 ¨ r, , ¸ ¨ r, , ¸ ¨ r, , ¸ 1
© 3 3 ¹ © 3 3 ¹ © 3 3 ¹
2 2
2k ± 2k + 9 r = 8.
De todas estas condiciones, obtenemos únicamente dos ecuaciones:
2
° k k 3r 0
® 2 .
2
°̄2 k 2 k 9 r 8
Resolviendo este sistema de ecuaciones, tenemos:
2 k1 2
° r1 , ®
° 3 ¯ k 2 1
°° 1 i 15 .
® ° k3
°r 4 , ° 2
°2 ®
3 ° 1 i 15
° k4
°¯ ¯° 2
2 2
Por lo tanto los valores de k y r son k = 2, r y k = -1, r .
3 3
EJ E M P L O 6.4.14
Considerar el plano dado implícitamente por la ecuación x + y + z = 0 en el espacio
euclidiano de tres dimensiones 3. Construir una base ortonormal en la siguiente
forma: seleccionar una base ortonormal para el subespacio formada por puntos del
plano y luego calcular un tercer vector unitario y ortogonal al plano.
SO L U C I O N
Dado el plano x + y + z = 0, entonces x = - y ± z:
(x, y, z) = (- y ± z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
¢(1, 0,1) (1,1, 0)²
v2 (1, 0,1) (1,1, 0)
¢(1,1, 0) (1,1, 0)²
1 § 1 1 ·
(1, 0,1) (1,1, 0) ¨ , , 1¸ .
2 © 2 2 ¹

§ 1 1 ·½
®(1, 1, 0), ¨ , ,1¸ ¾ .
¯ © 2 2 ¹¿
1 1 ½
® (1, 1, 0), (1, 1, 2) ¾ .
¯ 2 6 ¿
Para encontrar el tercer vector, realizamos las siguientes operaciones:
1 a b
¢ w u² 0 ( a , b, c ) (1, 1, 0) 0 a ± b = 0;
2 2
1 a b 2c
¢ w v² 0 ( a , b, c ) (1, 1, 2) 0 a + b ± 2c = 0;
6 6
w 1 ( a, b, c ) ( a, b, c ) ( a, b, c) 1 a 2 + b2 + c2 = 1.
Como a = b, entonces c = b. Por lo tanto, reemplazando estos valores en la
ecuación a 2 + b2 + c2 = 1, obtenemos el tercer vector:
§ 1 1 1 ·
¨r ,r ,r ¸.
© 3 3 3¹
De esta manera la base buscada tiene la siguiente forma:
1 1 1 ½
® (1, 1, 0), (1, 1, 2), (r1, r 1, r 1) ¾ .
¯ 2 6 3 ¿
EJ E M P L O 6.4.15
Considérese el subespacio de 4 generado por los vectores u1 = (1, 0, 1, 0) y
u2 = (1, -1, 1, -1), para construir una base ortonormal v1, v2 para el subespacio y luego
construir una base ortonormal para 4 que contenga a v1 y v2.
SO L U C I O N
Dados los vectores u1 = (1, 0, 1, 0) y u2 = (1, -1, 1, -1), ortogonalizamos y luego
normalizamos cada uno de estos vectores:
v1 = (1, 0, 1, 0);
¢(1, 1,1, 1) (1, 0,1, 0)²
v2 (1, 1,1, 1) (1, 0,1, 0)
¢(1, 0,1, 0) (1, 0,1, 0)²
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
^(1, 0,1, 0), (0, 1, 0, 1)` .
1 1 ½
® (1, 0,1, 0), (0, 1, 0, 1) ¾ .
¯ 2 2 ¿
Para construir la base ortonormal para 4, tomamos un vector (a, b, c, d) que cumpla
las siguientes condiciones:
1 ac
( a , b, c, d ) (1, 0,1, 0) 0 0 a + c = 0;
2 2
1 b d
( a , b, c, d ) (0, 1, 0, 1) 0 0 b + d = 0;
2 2
( x, y, z, t ) ( x, y, z, t ) ( x, y, z, t ) 1 x2 + y2 + z2 + t2 = 1.
Como a = -c y b = -d, entonces reemplazando estos valores en la ecuación x2 + y2
+ z2 + t2 = 1, obtenemos el tercer vector:
1
(0, 1, 0,1) .
2
Para encontrar el cuarto vector hacemos que c = -a y d = -b, reemplazando estos
valores en la ecuación x2 + y2 + z2 + t2 = 1, obtenemos el vector:

1
(1, 0, 1, 0) .
2
De esta manera hemos encontrado la base de 4:
1 1 1 1 ½
® (1, 0,1, 0), (0, 1, 0, 1), (0, 1, 0,1), (1, 0, 1, 0) ¾ .
¯ 2 2 2 2 ¿
Un sistema de vectores e1, e2, ..., en considerados en un orden determinado ha sido

llamado sistema de coordenadas de un espacio vectorial V, si e1, e2, ..., en forman una
base del espacio vectorial V. Si e1, e2, ..., en es una base ortonormal, también el
sistema de coordenadas se denomina ortonormal.
T E O R E M A 6.4.8
Cualquier sistema ortonormalizado de vectores w1, w2, ..., wk puede ser
completado hasta obtener una base ortonormalizada de este espacio.
EJ E M P L O 6.4.16
Sea S = {e1, e2, e3, e4} base canónica en 4. Hallar un vector normalizado que sea
ortogonal a los vectores
u = 3e1 ± e2 ± e3 ± e4, v = e1 - 3e2 + e3 + e4 y w = e1 + e2 - 3e3 + e4.
SO L U C I O N
Como u = (3, -1, -1, -1), v = (1, -3, 1, 1) y w = (1, 1, -3, 1), debemos encontrar un
vector unitario z que sea ortogonal a u, v y w, es decir:
( a , b, c, d ) 3a b c d
(3, 1, 1, 1) 0 0
a 2 b2 c 2 d 2 a 2 b2 c 2 d 2
( a , b, c, d ) a 3b c d
(1, 3,1,1) 0 0
2 2 2 2
a b c d a 2 b2 c 2 d 2
( a , b, c, d ) a b 3c d
(1,1, 3,1) 0 0
2 2 2 2
a b c d a 2 b2 c 2 d 2
Estas operaciones generan el siguiente sistema de ecuaciones homogéneas
3 a b c d 0
°
® a 3b c d 0
° a b 3c d 0
¯
Por eliminación gaussiana, tenemos a = b = c = d. Por lo tanto una posible solución
particular es (1, 1, 1, 1) y el vector buscado es
(1,1,1,1) § 1 1 1 1·
z ¨r , r , r , r ¸.
2 2
1 1 1 1 2 2 © 2 2 2 2¹
PR O B L E M AS
6.4.1 Dados los vectores u = (1, -1, 2, -1), v = (-2, 2, 3, 2), 6.4.12 Sea V un subespacio r-dimensional de n tal
w = (1, 2, 0, 1) y x = (1, 0, 0, 1). Encuentre una base que r < n. Demuestre que cualquier vector u en n
ortonormal con respecto al producto interior canónico y puede expresarse de manera única en la forma u = v +
luego determine el vector de coordenadas de y = (-1, 1, -1, w, donde v está en V y w es ortogonal a todo vector en
1) con respecto a la base. V.
6.4.17 Sea S = {u1, u2, ..., un} una base de n. Demuestre 6.4.11 Sea S = {u1, u2, ..., uk} un conjunto ortogonal de k
que el único vector v n ortogonal a todos y cada uno de vectores en n. Demuestre que si k > n, entonces alguno
los vectores de S es el vector . de los vectores de este conjunto es el vector .
6.4.2 Para cualquier subespacio U de dimensión m t 1 en 6.4.8 Agregar a la matriz

un espacio vectorial V de dimensión n (m < n), demostrar §1 1 1 2 1 ·
que V tiene una base ortonormal formada de m vectores en ¨ ¸
U y n ± m vectores ortogonales a todos los vectores en U. ¨ 1 0 0 1 2 ¸
¨ 2 1 1 0 2 ¸
© ¹
6.4.3 Sea un espacio vectorial V de dimensión n, entonces dos filas más, que sean ortogonales entre sí y ortogonales
cualquier conjunto de n vectores ortogonales es una base de a las primeras tres filas.
V.
6.4.9 Mediante el proceso de ortogonalización, construir
6.4.4 Para que dos subespacios sean ortogonales, es una base ortogonal del subespacio dado por el sistema de
necesario y suficiente que todo vector de cualquier base de vectores:
un subespacio sea ortogonal a todos los vectores de a.- ^(2, 3, -4, -6), (1, 8, -2, -16), (12, 5, -14, 5), (3, 11, 4, -
cualquier base de otro subespacio. 7)`;
b.- ^(1, 1, -1, -2), (-2, 1, 5, 11), (0, 3, 3, 7), (3, -3, -3, -9)`.
6.4.5 Completar los siguientes sistemas de vectores hasta
bases ortonormales: 6.4.10 Para el sistema de ecuaciones
§ 11 2 2· § 2 14 1 · ½ 3 x y z u 0
a.- ®¨ , , ¸ , ¨ , , ¸ ¾ ; ®
¯© 5 15 3 ¹ © 15 15 3 ¹ ¿ ¯x 2 y z u 0
§ 1 1 1 1 · § 1 1 1 1 · ½ hallar un sistema fundamental ortonormal de soluciones.
b.- ®¨ , , , ¸ , ¨ , , , ¸ ¾ .
¯© 2 2 2 2 ¹ © 2 2 2 2 ¹ ¿ 6.4.14 Sea {u1, u2, ..., uk} un subconjunto ortonormal
de n y sea u cualquier vector en n. Demuestre que
6.4.6 Sea û1, u2 « un` una base ortonormal de un k
t ¦ ¢ u ui ² 2 .
2
espacio euclídeo. Hallar la expresión del producto interior u
de los vectores arbitrarios u y v haciendo uso de sus i 1
coordenadas:
a.- En la base Ô1u1, O2u2«Onun`, donde O1, O2«On 6.4.25 Sea {u1, u2, ..., un} una base ortonormal de n.
son escalares no nulos; Demuestre que
b.- En la base û1 + u2, u2, u3«un`. u
2
¢u u1 ²
2
¢u u2 ²
2
... ¢u un ²
2
6.4.7 Describe los vectores u 3 que son ortogonales al para cualquier vector u en n.
vector (-3, 4 , 3). Verifique que éste es un subespacio de 3
del tipo S = {(x, y, z) / ax + by + cz = 0}. Más en general, 6.4.26 Determine los números a 0, b0, b1, c0, c1, c2 de
modo que las funciones f(x) = c0, g(x) = b0 + b1x, h(x) =
demuestre que todo subespacio S de 3 como el anterior,
c0 + c1x + c2x2 formen un conjunto ortonormal sobre el
es descrito como S = {u / ¢u v² = 0} para algún
intervalo ± 1 d x d 1.
v 3.
6.4.27 Demostrar que si las funciones f(x), g(x), h(x)
6.4.15 Escriba de manera vectorial cada una de las rectas
forman un conjunto ortogonal sobre un intervalo a d x d
dadas a continuación. Es decir, como un conjunto de
b, entonces las funciones f(Dt + E), g(Dt + E), h(Dt + E),
vectores (x , y) 2 tales que (x, y) = (0, b) + t(1, m), t
R, haciendo una gráfica en cada caso: D z 0, forman un conjunto ortogonal sobre el intervalo
a.- y = 5x; b.- y = 2x ± 1; c.- y = - x + 5; a E b E
dt d .
d.- y = -3x ±1; e.- y = x ± 7. D D
6.4.16 Considere la recta 6.4.28 Agregar a la matriz

L = {(x, y) / (x, y) = (0, 3) + t(1, 2), t }. § 3 1 1 1 2 ·
Verifique que (2, 7) L. ¿Significa esto que el vector (2, ¨ ¸
¨ 1 1 1 2 2 ¸
7) se encuentra sobre la recta L? ¨ 1 2 1 3 1 ¸
© ¹
6.4.18 Se sabe que todo conjunto ortogonal de n vectores dos filas más, que sean ortogonales entre sí y ortogonales
a las primeras tres filas.
no nulos en n es una base de este espacio. ¿Es cierta la
afirmación recíproca?
6.4.19 Mediante el proceso de ortonormalización, hallar
una base ortogonal del espacio engendrado por los
6.4.13 Hallar un vector normalizado que sea ortogonal a
vectores (1, 2, 1, 3), (4, 1, 1, 1), (3, 1, 1, 0).
los vectores (1, 1, 1, 1), (1, -1, -1, 1), (2, 1, 1, 3).

6.4.20 Considere la base canónica de 3. Determine la 6.4.29 Sea S = {(1, -1, 1), (1, 2, -2)} una base de un
matriz de cambio de base de S a S´, en donde S = {(2/3, - subespacio de 3 y sea u = (-1, -1, 3) un vector en el
2/3, 1/3), (2/3, 1/3, -2/3), (1/3, 2/3, 2/3)} es una base subespacio:
ortonormal. Verifique que se trata de una matriz ortogonal. a.- Exprese u como una combinación lineal de los
¿Cuál es la matriz de cambio de base de S´ a S? vectores en S. Es decir, encuentre las coordenadas de u
con respecto a S;
6.4.21 Hallar un vector normalizado que sea ortogonal a b.- Aplique el proceso de ortonormalización de Gram-
los vectores (1, 1, 1, 1), (1, -1, -1, 1), (2, 1, 1, 3). Schmidt para transformar S en un conjunto ortonormal;
c.- Exprese u como una combinación lineal de los
6.4.22 Construir una base ortonormal del espacio, vectores de la base ortonormal.
tomando como vectores de la base los vectores (1/2, 1/2,
1/2, 1/2) y (1/6, 1/6, 1/2, -5/6). 6.4.24 Encuentre bases ortonormales para los subespacios
de C 4:
6.4.23 Considere la base canónica de 2. Determine la a.- S = {(x, y, z, u) C 4 / ix ± y + z = 0};
matriz de cambio de base de S a S´, en donde S = {(½, ½, b.- S = {(x, y, z, u) C 4 / x = iu, y = iz + iu}.
½, ½), (½, ½, -½, -½), (½, -½, ½, -½), (½, -½, -½, ½)} es
una base ortonormal. Verifique que se trata de una matriz 6.4.31 Considere la base canónica de 2. Determine la
ortogonal. ¿Cuál es la matriz de cambio de base de S´ a S? matriz de cambio de base de S a S´, en donde S = {(3/5,
4/5), (-4/5, 3/5)} es una base ortonormal. Verifique que se
6.4.30 Mediante el proceso de ortogonalización, hallar trata de una matriz ortogonal. ¿Cuál es la matriz de
una base ortogonal del espacio engendrado por los vectores cambio de base de S´ a S?
(1, 2, 1, 3), (4, 1, 1, 1), (3, 1, 1, 0).
6.5 SUB ESP A C I O C O MP L E M E N T O O R T O G O N A L, PR O Y E C C I O N ES O R T O G O N A L ES Y

DIST A N C I A A UN SUB ESP A C I O
En esta sección se estudiarán varios problemas relacionados con el complemento ortogonal, proyecciones
ortogonales y la distancia de un vector a un subespacio.
Consideremos ahora un conjunto no vacío cualquiera S de vectores de un espacio

vectorial V. El conjunto de todos los vectores del espacio V ortogonales a S se llama
complemento ortogonal del conjunto S.
Sea V un espacio vectorial euclídeo y S es un subconjunto de V. El
complemento ortogonal de S en V es definido y representado por el
subespacio SA = {v V / ¢v w² = 0, para cada w S}.
Si U es un subespacio de dimensión finita de V, la proyección ortogonal ProyU : V

o V es la única operación lineal donde ProyU(w) = w para todo W U, y ProyU(v)
= para todo v U A.
T E O R E M A 6.5.1
Dado V un espacio vectorial euclídeo, entonces U A es un subespacio de V.
Si u y v pertenecen al complemento ortogonal U A y w es un vector cualquiera de U,
se tiene
¢au + bv w² = a¢u w² + b¢v w² = 0.
Por consiguiente, cualesquiera que sean a y b el vector au + bv está contenido en U A
y U A es un subespacio vectorial.
La totalidad de todos los vectores ortogonales al subespacio U, se denomina
complemento ortogonal del subespacio U y se representa por U A.

Si U es un subespacio del espacio vectorial euclídeo V, su subespacio ortogonal U A

es tal que la suma de U y U A es directa. El hecho de que en el espacio ordinario
ocurra que U y U A sean siempre subespacios suplementarios puede hacer suponer
que ocurra también así en todo espacio vectorial euclídeo; sin embargo, en general,
las cosas no ocurren de esta manera, aun cuando, si el espacio es de dimensión finita,
se satisfaga que el subespacio ortogonal de un subespacio dado sea un subespacio
suplementario suyo.
T E O R E M A 6.5.2
El espacio euclídeo V es la suma ortogonal de cualquier subespacio
vectorial U de V y su complemento ortogonal U A, es decir V = U U A.
Sea u1, u2, ..., uk una base ortonormal del subespacio U y sea uk+1, uk+2, ..., un una
base ortonormal del subespacio U A. Para demostrar el teorema es suficiente ver
que u1, u2, ..., uk, uk+1, uk+2, ..., un es una base del espacio vectorial V. Supongamos,
por el contrario, que el sistema u1, u2, ..., un no es una base del espacio vectorial V.
Entonces este sistema puede ser complementado hasta obtener una base
ortonormal del espacio vectorial V. Sea u uno de los vectores complementarios.
Puesto que u es ortogonal a todos los vectores u1, u2, ..., uk, el vector u está
contenido en U A. Por consiguiente, U A contiene un sistema ortonormal y, por
ende, linealmente independiente de vectores uk+1, uk+2, ..., un, u. Pero esto
contradice a nuestra hipótesis de que uk+1, uk+2, ..., un es una base de U A.
T E O R E M A 6.5.3
Si U es un subespacio de V, entonces DimU + DimU A = n. Además, si {u1,
u2, ..., uk} es una base de U y {uk+1, uk+2, ..., un} es una base de U A, entonces
{u1, u2, ..., uk, uk+1, uk+2, ..., un} es una base de V.
Si U = {}, entonces U A = V y DimU + DimU A = 0 + n = n. Para demostrar que {u1,
u2, ..., uk, uk+1, uk+2, ..., un} es una base para U, basta probar que los n vectores son
linealmente independientes. Supóngase que
a1u1 + a2u2 + ... + akuk + ak+1uk+1 + ak+2uk+2 + ... + anun =
Sean
u = a1u1 + a2u2 + ... + akuk
y
v = ak+1uk+1 + ak+2uk+2 + ... + anun
Tenemos entonces que u + v = , de donde u = - v. Por lo tanto, u y v son elementos
de U U A. Pero U U A = {}. En consecuencia
a1u1 + a2u2 + ... + akuk =
y
ak+1uk+1 + ak+2uk+2 + ... + anun =
Como u1, u2, ..., uk son linealmente independientes, entonces a1 = a2 = ... = ak = 0. De
manera similar uk+1, uk+2, ..., un son linealmente independientes y por tanto, ak+1 = ak+2
= ... = an = 0. En consecuencia, u1, u2, ..., uk, uk+1, uk+2, ..., un son linealmente
independientes y, en consecuencia, forman una base para V.
T E O R E M A 6.5.4
Supóngase que V es un espacio vectorial euclídeo y U es un subespacio de
V de dimensión finita. Entonces la única proyección ortogonal es
ProyU : V o V. Sea S = {w1, w2, ..., wk} una base ortonormal de U. La
proyección ortogonal ProyU se establece como
ProyU(v) = ¢v w1²w1 + ¢v w2²w2 + ... + ¢v wk²wk.
Como S ={w1, w2, ..., wk} es una base ortonormal de U, un vector v se puede expresar
como v = a1w1 + a2w2 + ... + akwk. Para todo vector wi en S se tiene

¢v wi² = ¢a1w1 + a2w2 + ... + akwk wi² = a1¢w1 wi² + a2¢w2 wi² «+ ak¢wk wi²
Como S es un conjunto ortonormal, entonces se cumple que ¢wi wi² = 1 y ¢wj wi² =
0 si i z j. Por consiguiente, la expresión anterior se reduce a ¢v wi² = ai, con lo cual
queda demostrado el teorema.
Sea U un plano que pasa por el origen de R 3, y sea u un punto arbitrario que no está
en U. Entonces, si v indica la proyección perpendicular de u a U, la distancia de u a
U se define como la longitud del vector u ± v, como se muestra en la figura. Más aún,
el vector v se caracteriza por la propiedad de que es el vector único en U tal que u ± v
es perpendicular a U.
El vector v en la descomposición u = v + w se llamará proyección del vector u sobre

el subespacio U; w, perpendicular trazada desde el vector u al subespacio U; el
propio vector u, línea oblicua al subespacio U.
Se denomina ángulo entre el vector u y el subespacio U el menor de los
ángulos formados por el vector u y los vectores de U.
Ahora se hace ver que el vector w, que es llamado la componente de u perpendicular

a U, puede usarse para medir la distancia de u a U. Para hacerlo, sea z z w cualquier
vector en V tal que u ± w pertenezca a U (puede imaginarse a z como un vector de U
al punto u). Entonces, ya que z ± w puede expresarse como la diferencia de dos
vectores en U, también pertenece a U y, así, es ortogonal a w. Ahora se sigue, del
teorema pitagórico, que || z ||2 = || w ||2 + || z ± w ||2 y, luego, ya que || z ± w || > 0, que
|| z || > || w ||. En otras palabras, de todos los vectores z en V tales que u ± z pertenezca
a U, w es aquél cuya longitud es la menor. Esto sirve para justificar la siguiente
definición.
Si U es un subespacio de dimensión finita de un espacio euclídeo V, y u es cualquier

vector en V, entonces la distancia de u a U es la longitud de la componente de u
perpendicular a U.
En términos de una definición se puede describir la proyección perpendicular u ± w

de u sobre U como aquel punto en el cual U está más cercano a u, en el sentido de
que si x es otro vector cualquiera en U, entonces || u ± x || es mayor que || w ||.
EJ E M P L O 6.5.1
§2 1·
Dada la matriz P ¨ ¸ . Hallar el conjunto de todas las matrices M tales que
© 4 2¹
P M = M P y determine el complemento ortogonal.
SO L U C I O N
Para determinar el conjunto de matrices M para que cumpla PM = M P, debemos
tomar una matriz M cuyos elementos sean variables y luego multiplicar por la
izquierda y por la derecha de la igualdad a la matriz P, es decir
4b c 0
°ad 0
§ 2 1 ·§ a b · § a b ·§ 2 1 · ° 4b c 0
¨ ¸¨ ¸ ¨ ¸¨ ¸ ® ®
© 4 2 ¹© c d ¹ © c d ¹© 4 2 ¹ °ad 0 ¯ad 0
°¯4b c 0
§a b· a d 0 ½
° § 0 1 · § 1 0 · °
° ½
S ®¨ ¸ ¾ Base S = ®¨ ¸, ¨ ¸¾ .
°̄ © c d ¹ 4b c 0 ¿ °©
¯ 4 0 ¹ © 0 1 ¹°
¿
Aplicando la definición de complemento ortogonal, obtenemos

§ a b · § 0 1·
¨ ¸¨ ¸ b 4c 0 b = - 4 c ;
© c d ¹ © 4 0¹
§ a b · §1 0·
¨ ¸ ¨ ¸ ad 0 a = - d;
© c d ¹ ©0 1¹
§ a b · b 4c ½
°
SA ®¨ ¸ ¾.
°̄ © c d ¹ a d ¿
EJ E M P L O 6.5.2
Sea V un espacio vectorial con producto interior y sean U y W subespacios de V.
Verifíquese lo siguiente:
a.- Si U W entonces W A U A;
b.- Span(U A) = U A;
c.- U (UA)A;
d.- Si V es de dimensión finita, entonces U = (U A)A;
e.- (U + W)A = U A W A;
f.- U A + W A (U W)A.
SO L U C I O N
a.- Suponga que U W y que u W A; entonces ¢u v² = 0 para todo v W, luego
para todo v U; por lo tanto, u U A.
b.- Por el inciso a), sabemos que Span(U A) U A. Veremos también que
U Span(U A). Si u es un elemento de Span(U), entonces u puede escribirse como
combinación lineal de elementos de U, es decir u = a1u1 + a2u2 + ... + anun para
algunos escalares a1, a2, ..., an y algunos vectores u1, u2, ..., un de U. Por tanto, si
v U A, tenemos que
¢u v² = a1¢u1 v² + a2¢u2 v² + ... + an¢un v² = 0
y v pertenece a Span(U A).
c.- Si u U y v U A, entonces ¢u v² = 0. Luego, si u U, u es ortogonal a todo
elemento de U A; por lo tanto, u (U A)A. Con esto hemos visto que U (U A)A.
d.- Basta tener en cuenta que U (U A)A y que ambos subespacios tienen la misma
dimensión.
e.- Por el inciso a), al estar U y W contenidos en U + W, se tiene que (U + W)A
U A y (U + W)A W A, y en consecuencia (U + W)A U A W A. Además, si u U A
W A y v = v1 + v2 U + W con v1 U y v2 W, ¢u v² = ¢u v1² + ¢u v2² = 0, y
u (U + W)A.
f.- Del inciso a) se deduce que U A (U W)A y W A (U W)A, luego, por la
definición de subespacio suma, tenemos que U A + W A (U W)A.
EJ E M P L O 6.5.3
Demuestre que Span(S) = SAA.
SO L U C I O N
Ya que SAA es un subespacio que contiene a S, Span(S) SAA. Sabemos que
S Span(S), SA (Span(S))A, SAA (Span(S))AA = Span(S).
EJ E M P L O 6.5.4
Determinar la proyección ortogonal del vector u = (1, 2, 3) sobre el subespacio
generado por el plano a + 2b ± c = 0.
SO L U C I O N
Debemos encontrar la base ortonormal para el subespacio generado por a + 2b ± c =
0. Es decir c = a + 2b y
(a, b, c) = (a, b, a + 2b) = a(1, 0, 1) + b(0, 1, 2).
Por lo tanto {(1, 0, 1), (0, 1, 2)} forman una base para el subespacio. La base
ortonormal la podemos encontrar utilizando el proceso de Gram ± Schmidt;
1 1 ½
® (1, 0,1), (1,1,1) ¾
¯ 2 3 ¿
Por lo tanto la proyección ortogonal es
1 1 1 1
Proy U v (1, 2, 3) (1, 0,1) (1, 0,1) (1, 2, 3) (1,1,1) (1,1,1)
2 2 3 3
4 4 § 2 4 10 ·
(1, 0,1) (1,1,1) ¨ , , ¸.
2 3 ©3 3 3 ¹
EJ E M P L O 6.5.5
Si V es el espacio vectorial de polinomios con coeficientes reales definidos en el
intervalo [-1; 1], encuentre el subespacio complemento ortogonal:
a.- W = {1, t, t2}; b.- W = {t + t2, t2 + t3}.
SO L U C I O N
a.- Tomamos un genérico de P2, a + bt + ct2, tales que cumpla con las siguientes
condiciones:
1 2(3a c )
¢ a bt ct 2 1² ³ ( a bt ct 2 )dt 0 3a + c = 0;
1 3
1 2b
¢ a bt ct 2 t ² ³ ( a bt ct 2 )t dt 0 b = 0;
1 3
1 2(5a 3c )
¢ a bt ct 2 t 2 ² ³ ( a bt ct 2 )t 2 dt 0 5a + 3c = 0.
1 15
Resolviendo el sistema de ecuaciones homogéneas, obtenemos que a = b = c = 0.
Por lo tanto W A = {}.
b.- Tomamos un genérico de P3, a + bt + ct2 + dt3, tales que cumpla con las
siguientes condiciones:
1 2(5a 5b 3c 3d )
¢ a bt ct 2 dt 3 t t 2 ² ³ ( a bt ct 2 dt 3 )(t t 2 )dt 0
1 15
5a + 5b + 3c + 3d = 0;
1
¢ a bt ct 2 dt 3 t 2 t 3 ² ³ 1 (a bt ct
2
dt 3 )(t 2 t 3 )dt
2(35a 21b 21c 15d )

0
105
35a + 21b + 21c + 15d = 0.
3c 29d
Resolviendo el sistema de ecuaciones homogéneas, obtenemos que a ,
5 35
10d
b . Por lo tanto el subespacio complemento ortogonal es:
7
3c 29d 10d ½
W A ® a bt ct 2 dt 3 P3 / a ,b ¾.
¯ 5 35 7 ¿
La base de este subespacio se encuentra de la siguiente manera:
§ 3c 29d 10d · § 3 · § 29 10 ·
( a , b, c, d ) ¨ , , c, d ¸ c ¨ , 0,1, 0 ¸ d ¨ , , 0,1¸ .
© 5 35 7 ¹ © 5 ¹ © 35 7 ¹
Entonces la base es:
{3 5t 2 , 29 50t 5t 3} .
EJ E M P L O 6.5.6
¿Dónde está la proyección del vector (1, 1, 1) sobre el plano S generado por los
vectores (1, 0, 0) y (1, 1, 0)?
SO L U C I O N
Para encontrar la proyección del vector sobre el plano, tenemos que encontrar una
base ortonormal del plano. Es decir:
¢(1,1, 0) (1, 0, 0)²

v1 (1, 0, 0) ; v2 (1,1, 0) (1, 0, 0) (1,1, 0) (1, 0, 0) (0,1, 0) .
¢(1, 0, 0) (1, 0, 0)²
La base ortogonal es {(1, 0, 0), (0, 1, 0)}. Normalizando cada uno de estos vectores
obtenemos la base ortonormal, que es precisamente la base ortogonal. Procedemos a
encontrar la proyección del vector sobre el plano S:
ProySu = ¢(1, 1, 1) (1, 0, 0)²(1, 0, 0) + ¢(1, 1, 1) (0, 1, 0)²(0, 1, 0)
= (1, 0, 0) + (0, 1, 0) = (1, 1, 0).
Con este resultado podemos darnos cuenta que, la proyección del vector (1, 1, 1)
sobre el plano S, está ubicado en el plano XY.
EJ E M P L O 6.5.7
Encontrar la proyección del vector (1, 2, 3, 4) sobre el subespacio de R 4 generado
por los vectores (1, 0, 1, 0) y (1, -1, 1, -1).
SO L U C I O N
Para encontrar la proyección del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1, 0,1, 0) ;
¢(1, 1,1, 1) (1, 0,1, 0)²
v2 (1, 1,1, 1) (1, 0,1, 0)
¢(1, 0,1, 0) (1, 0,1, 0)²
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
La base ortogonal es
{(1, 0, 1, 0), (0, -1, 0, -1)}.
Normalizando cada uno de estos vectores obtenemos la base ortonormal:
1 1 ½
® (1, 0,1, 0), (0, 1, 0, 1) ¾ .
¯ 2 2 ¿
Procedemos a encontrar la proyección del vector sobre el plano S:
1 1
Proy W u (1, 2, 3, 4) (1, 0,1, 0) (1, 0,1, 0)
2 2
1 1
(1, 2, 3, 4) (0, 1, 0, 1) (0, 1, 0, 1)
2 2
2(1, 0,1, 0) 3(0, 1, 0, 1) (2, 3, 2, 3) .
EJ E M P L O 6.5.8
Encontrar la proyección del vector (1, 2, 3) sobre el plano dado implícitamente por
x + y + z = 0.
SO L U C I O N
Para encontrar la proyección del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1,1, 0) ;
¢(1, 0,1) (1,1, 0)² 1 § 1 1 ·
v2 (1, 0,1) (1,1, 0) (1, 0,1) (1,1, 0) ¨ , ,1¸
¢(1,1, 0) (1,1, 0)² 2 © 2 2 ¹
La base ortogonal es
§ 1 1 ·½
®(1,1, 0), ¨ , ,1¸ ¾ .
¯ © 2 2 ¹¿
Normalizando cada uno de estos vectores obtenemos la base ortonormal:
1 1 ½
® (1,1, 0), (1, 1, 2) ¾ .
¯ 2 6 ¿
Procedemos a encontrar la proyección del vector sobre el plano S:

1 1
Proy W u (1, 2, 3) (1,1, 0) (1,1, 0)
2 2
1 1
(1, 2, 3) (1, 1, 2) (1, 1, 2)
6 6
1 1
(1,1, 0) (1, 1, 2) (1, 0,1) .
2 2
EJ E M P L O 6.5.9
Para cada uno de los subespacios W de R 4, escriba el vector u dado como una suma
de un vector de W y otro de W A:
a.- W = {(a, b, c, d) / a = b}, u = (1, 3, 1, 1);
b.- W = {(a, b, c, d) / a + b + c + d = 0}, u = (2, 1, 1, 0);
c.- W = {(1, 3, 1, 1), (2, -1, 0, 1)}, u = (1, 3, 1, 0);
d.- W = {(2, 1, -1, 0), (3, 1, 0, 1)}, u = (2, 1, 0, 1).
SO L U C I O N
a.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (b, b, c, d) = b(1, 1, 0, 0) + c(0, 0, 1, 0) + d(0, 0, 0, 1)
{(1, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1 ½
® (1,1, 0, 0), (0, 0,1, 0), (0, 0, 0,1) ¾ .
¯ 2 ¿
Encontramos el vector v = ProyW u W de la siguiente manera:
1
v ¢(1, 3,1,1) (1,1, 0, 0)²(1,1, 0, 0) ¢(1, 3,1,1) (0, 0,1, 0)² (0, 0,1, 0)
2
¢(1, 3,1,1) (0, 0, 0,1)² (0, 0, 0,1)
2(1,1, 0, 0) (0, 0,1, 0) (0, 0, 0,1) (2, 2,1,1) .
Sabemos que w = u ± v W A, de donde:
w = (1, 3, 1, 1) ± (2, 2, 1, 1) = (-1, 1, 0, 0).
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
b.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (- b ± c ± d, b, c, d) = b(-1, 1, 0, 0) + c(-1, 0, 1, 0) + d(-1, 0, 0, 1)
{(-1, 1, 0, 0), (-1, 0, 1, 0), (-1, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1 1 1 ½
® (1,1, 0, 0), (1, 1, 2, 0), ( 1, 1, 1, 3) ¾ .
¯ 2 6 2 3 ¿
1 1
v ¢(2,1,1, 0) (1,1, 0, 0)² (1,1, 0, 0) ¢(2,1,1, 0) (1, 1, 2, 0)² (1, 1, 2, 0)
2 6
1
¢(2,1,1, 0) (1, 1, 1, 3)² (1, 1, 1, 3)
12
1 1 1
(1,1, 0, 0) (1, 1, 2, 0) (1, 1, 1, 3) (1, 0, 0, 1) .
2 6 3
Sabemos que w = u ± v W A, de donde: w (2,1,1, 0) (1, 0, 0, 1) (1,1,1,1) .
W A.
c.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1 1 ½
® (1, 3,1,1), (2, 1, 0,1) ¾ .
¯2 3 6 ¿

1 1
v ¢(1, 3,1, 0) (1, 3,1,1)² (1, 3,1,1) ¢(1, 3,1, 0) (2, 1, 0,1)² (2, 1, 0,1)
12 6
11 1 § 7 35 11 3 ·
(1, 3,1,1) (2, 1, 0,1) ¨ , , , ¸
12 6 © 12 12 12 4 ¹
§ 7 35 11 3 · § 5 1 1 3·
w (1, 3,1, 0) ¨ , , , ¸ ¨ , , , ¸ .
© 12 12 12 4 ¹ © 12 12 12 4¹
W A.
d.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1 1 ½
® (2,1, 1, 0), (4, 1, 7, 6) ¾ .
¯ 6 102 ¿
1 1
v ¢(2,1, 0,1) (2,1, 1, 0)² (2,1, 1, 0) ¢(2,1, 0,1) (4, 1, 7, 6)² (4, 1, 7, 6)
6 102
5 13 § 37 12 1 13 ·
(2,1, 1, 0) (4, 1, 7, 6) ¨ , , , ¸
6 102 © 17 17 17 17 ¹
§ 37 12 1 13 · § 3 5 1 4·
w (2,1, 0,1) ¨ , , , ¸ ¨ , , , ¸ .
© 17 17 17 17 ¹ © 17 17 17 17 ¹
W A.
EJ E M P L O 6.5.10
Sea W el espacio solución del sistema homogéneo de ecuaciones lineales
2 a b c 3d 0
°
®4 a 4b 4c 8d 0
° 3a 3b 3c 6d 0
¯
Escriba el vector (7, -4, -1, 2) como una suma de un vector en W y otro en W A.
SO L U C I O N
La base de este subespacio es:
{(0, -1, 1, 0), (-5, 7, 0, 1)}
Ortonormalizando esta base, obtenemos:
1 1 ½
® (0, 1,1, 0), (10, 7, 7, 2) ¾ .
¯ 2 202 ¿
1
v ¢(7, 4, 1, 2) (0, 1,1, 0)² (0, 1,1, 0)
2
1
¢(7, 4, 1, 2) (10, 7, 7, 2)²(10, 7, 7, 2)
202
3 1
(0, 1,1, 0) (10, 7, 7, 2) (5, 5, 2, 1) .
2 2
w = (7, -4, -1, 2) ± (5, -5, -2, -1) = (2, 1, 1, 3).
W A.
EJ E M P L O 6.5.11
Encuentre la proyección ortogonal de cada uno de los vectores siguientes en [-S; S]
sobre el subespacio indicado W, y calcular la distancia del vector al subespacio y el
ángulo formado por el vector y el subespacio:

a.- f(t) = t, W = {1, Cost, Sent}; b.- f(t) = Cos2t, W = {1, Cos2t}.
SO L U C I O N
a.- Para encontrar la proyección ortogonal del vector sobre el subespacio W,
debemos ortonormalizar la base del subespacio W:
S S
¢1 Cost ² ³S Cost dt 0 ; ¢1 Sent ² ³S Sent dt 0;
S
¢ Cost Sent ² ³S CostSent dt 0.
La base ortogonal es:
{1, Cost, Sent}.
S S
³S dt ³S Cos t dt
2
1 ¢11² 2S ; Cost ¢ Cost Cost ² S;
S 1 1 1 ½
³S Sen t dt
2
Sent ¢ Sent Sent ² S; ® , Cost , Sent ¾ .
¯ 2S S S ¿
La proyección ortogonal es:
Proy W f (t )
1 S
2S ³S 1 S

t dt 1 ³ tCost dt Cost
S S
1
S ³ S
S
tSent dt Sent
1 2Sent .
La distancia del vector al subespacio es:
S
³S (t 1 2Sent )
2
f (t ) Proy W f (t ) ¢t 1 2Sent t 1 2Sent ² dt
2S(S2 3)
.
3
El ángulo formado por el vector y el subespacio es:
¢t 1 2Sent ²
( f (t ), Proy W f (t )) ArcCos
t 1 2Sent
S
ArcCos
³S t (1 2Sent ) dt 2
ArcCos .
S S S
³S t ³S (1 2Sent )
2 2
dt dt
b.- Para encontrar la proyección ortogonal del vector sobre el subespacio W,
debemos ortonormalizar la base del subespacio W:
S
¢1 Cos 2t ² ³S Cos2t dt 0.
La base ortogonal es:
{1, Cos2t}.
S
1 ¢11² ³S dt 2S ;
S
³S Cos
2
Cos 2t ¢ Cos 2t Cos 2t ² 2t dt S;
1 1 ½
® , Cos 2t ¾ .
¯ 2 S S ¿
La proyección ortogonal es:
Proy W f (t )
1 S
2S ³S
Cos 2 t dt 1
1
S ³ S
S
Cos 2 tCos 2t dt Cos 2t
1 1
Cos 2t Cos 2 t .
2 2
La distancia del vector al subespacio es:

S
f (t ) Proy W f (t ) ¢ Cos 2 t Cos 2 t Cos 2 t Cos 2 t ² ³S 0 dt 0.
El ángulo formado por el vector y el subespacio es:
¢ Cos 2 t Cos 2 t ²
( f (t ), Proy W f (t )) ArcCos
Cos 2 t Cos 2 t
S
³S Cos
4
t dt
ArcCos 0.
S S
³S Cos ³S Cos
4 4
t dt t dt
PR O B L E M AS
6.5.1 Sea W la recta en R 2 cuya ecuación es y = 3x. a.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),
Encontrar una ecuación para W A. v1 = (1, 1, 1, 1), v2 = (2, -2, 5, 2);
vértices son: b.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),
a.- A = (1, 4, 2), B = (3, -1, 2), C = (0, 6, 1); v1 = (1, 1, 1, 1), v2 = (1, -1, 1, -1).
b.- A = (0, 2, 1), B = (-1, 3, -2), C = (1, -3, -2).
6.5.9 Use el concepto de proyección de un vector sobre
6.5.2 Sea W el plano en R 3 cuya ecuación es 2x ± y ± 2z otro para calcular el área del triángulo cuyos
=0. Encuentre las ecuaciones paramétricas para W A. § 5 3 ·
d.- u ¨ ¸,
©2 4 ¹
6.5.3 El subespacio U es la suma ortogonal de los
subespacios U 1 y U 2. El vector u es ortogonal al subespacio
°§ 2 1· § 4 3 · § 1 0 · ½ °
S ®¨ ¸, ¨ ¸, ¨ ¸¾ ;
U 1. Demuestre que el ángulo formado por u y U es igual al °©
¯ 3 5 ¹ © 5 7 ¹ © 7 11 °
¹¿
ángulo comprendido entre u y U 2.
§8 7·
3
e.- u ¨ ¸,
6.5.4 Sea W la recta en R con ecuaciones paramétricas x © 4 5¹
= 2t, y = -5t, z = 4t, -f < t < +f. Determine una ecuación
°§ 3 2 · § 2 3 · § 1 1· ½ °
para W A. S ®¨ ¸, ¨ ¸, ¨ ¸¾ ;
°©
¯ 1 4 ¹ © 2 3 ¹ © 1 7 ¹°
¿
6.5.5 Sea {u1, u2« uk} una base para un subespacio W § 2 3 ·
de V. Demuestre que W A consta de todos los vectores en V f.- u ¨ ¸,
© 4 5 ¹
que son ortogonales a todos los vectores básicos.

°§ 1 2 · § 3 4 · § 4 5 · ½°
S ®¨ ¸, ¨ ¸, ¨ ¸¾ ;
6.5.6 En cada uno de los incisos siguientes, encuentre el °©
¯ 7 8 ¹ © 1 2 ¹ © 6 7 ¹°
¿
vector u, proyección del vector y sobre el vector x.
Verifique en cada caso que el vector obtenido es ortogonal g.- p(t ) 2t 2 3t 1 ,
a y ± u:
a.- x = (3, -2, 1), y = ( 1, -1, 2);
S ^4t 2
3t 1, 5t 2 11t 3 ; `
b.- x = (4, -5 7), y = (2, -2, 1); h.- u = (-3, 0, -5, 9),
c.- x = (1, 1, 3), y = (4 ,1, 2). 3x 2 y z 2u 0
°
S ®5 x 4 y 3z 2u 0 .
6.5.7 Hallar el ángulo entre los vectores del espacio R 4, ° x 2 y 3z 10u 0
¯
engendrado por los vectores u1, u2«um y el vector u:
a.- u = (1, 3, -1, 3), u1 = (1, -1, 1, 1),
u2 = (5, 1, -3, 3); 6.1510 Sea v el vector de R 3 cuyo punto inicial está en
b.- u = (2, 2, -1, 1), u1 = (1, -1, 1, 1), (1, -1, 5) y cuyo punto final está en (5, 4, -3). Encuentre la
u2 = (-1, 2, 3, 1), u3 = (1, 0, 5, 3). proyección del vector (2, 2, 1) sobre v.
6.5.8 En el espacio R 4 se dan dos planos, engendrados por 6.5.11 Descomponer el vector u en una suma de dos
los vectores u1, u2 y v1, v2. Entre los ángulos formados por vectores, uno de los cuales esté situado en el espacio
los vectores del primer plano con los vectores del segundo engendrado por los vectores u1, u2 « um y el otro sea
plano, hallar el mínimo: ortogonal a este espacio
a.- u = (5,2, -2, 2), u1 = (2, 1, 1, -1), u2 = (1, 1, 3, 0);
b.- u = (-3, 5, 9, 3), u1 = (1, 1, 1, 1), 6.5.15 En el espacio Pn de polinomios de grado d n con
u2 = (2, -1, 1, 1), u3 = (2, -7, -1, -1). coeficientes reales, el producto interior de polinomios se
determina por la fórmula ¢ p q² a0b0 a1b1 ... anbn .
6.5.12 Hallar la proyección ortogonal del vector u sobre el Hallar el complemento ortogonal:
subespacio generado por el conjunto S: a.- Del subespacio de todos los polinomios que
a.- u = (14, -3, -6, -7), satisfacen la condición p(1) = 0;
S = {(-3, 0, 7, 6), (1, 4, 3, 2), (2, 2, -2, -2)}; b.- Del subespacio de todos los polinomios pares del
b.- u = (2, -5, 3, 4), espacio Pn.
S = {(1, 3, 3, 5), (1, 3, -5, -3), (1, -5, 3, -3)};
c.- u = (2, -1, 1, 2), 6.5.16 La suma directa de los subespacios U y U
S = {(6, -3, 2, 4), (6, -3, 4, 8), (4, -2, 1, 1)}; engendra el espacio euclídeo V. Demostrar que esto es
también correcto para sus complementos ortogonales, es
6.5.13 Sea V el espacio vectorial de todas las funciones
polinómicas definidas sobre el intervalo [-1; 1] y sea W el decir, V = U1A + U 2A .
subespacio de V que consta de todas las funciones
polinómicas impares. Encuentre W A, donde 6.5.17 Encuentre la base del complemento ortogonal del
1 subespacio generado por el sistema de vectores del
¢ p q² ³ 1 p( x)q( x)dx . espacio R 4:
{(1, 3, 0, 2), (3, 7, -1, 2), (2, 4, -1, 0)}
6.5.14 Demuestre que la suma de ángulos que un vector u
forma con un subespacio arbitrario U y su complemento
ortogonal U A es igual a S/2.
6.6.1 Un conjunto ortonormal de vectores es linealmente 6.6.8 El cuadrado del lado de un triángulo es igual a la
dependiente. suma de los cuadrados de los dos otros lados con el
producto duplicado de estos lados por el coseno del
6.6.2 Una matriz cuadrada de orden n es unitaria si y sólo ángulo entre ellos.
si sus filas constituyen un conjunto ortonormal.
6.6.9 Entre todos los vectores del subespacio vectorial U
6.6.3 El espacio euclídeo V es la suma directa de el ángulo mínimo con el vector u dado lo forma la
cualquier subespacio suyo y del complemento ortogonal de proyección ortogonal v del vector u sobre U.
éste.
6.6.10 El coseno del ángulo entre vectores, es superior
6.6.4 Sean U y W subespacios vectoriales de un espacio por su valor absoluto a la unidad.
euclídeo V con la particularidad de que la dimensión de U
es inferior a la de W; entonces en W habrá un vector no 6.6.11 El cuadrado de la diagonal de un paralelogramo n-
nulo, ortogonal a todos los vectores de U. dimensional es igual a suma de los cuadrados de sus
aristas que salen de un mismo vértice.
6.6.5 Cualquier sistema de vectores no nulos ortogonales
de dos en dos es linealmente dependiente. 6.6.12 Si V es un espacio unitario y si S es un conjunto de
vectores diferentes de cero y perpendiculares entre sí,
6.6.6 Sea U A complemento ortogonal del subespacio U entonces el conjunto S el linealmente dependiente.
cada uno de los cuales es ortogonal a todos los vectores de
U, entonces la suma de las dimensiones de U y U A es igual 6.6.13 La representación del subespacio vectorial U del
a la dimensión del espacio vectorial que los genera. espacio V y de su complemento ortogonal U A en una base
ortonormal están relacionadas de la siguiente manera: los
6.6.7 Para que dos subespacios U y W sean coeficientes del sistema linealmente independiente de
recíprocamente ortogonales es necesario y suficiente que ecuaciones lineales, que determina uno de esos
todos los vectores de uno sean ortogonales a todos los subespacios, sirven de coordenadas de los vectores de la
vectores del otro. base del otro subespacio.
6.6.14 La suma de los cuadrados de las diagonales del 6.6.18 Los vectores no nulos ortonormales dos a dos son
paralelogramo s igual a la suma de los cuadrados de sus linealmente dependientes.
lados.
6.6.19 En todo espacio euclídeo V existen bases
6.6.15 La intersección de dos subespacios recíprocamente ortonormales.
ortogonales es el vector nulo.
6.6.20 Si U es un subespacio de V y S es una base
6.6.16 Todo vector de V que es ortonormal a U pertenece ortonormal de U, los vectores de S pueden ser incluidos en
a W. una base ortonormal de todo el espacio.
6.6.17 Dos vectores se dice son ortogonales si el producto

interior de estos vectores es igual a la unidad.

O BJE T I V O
Resolver problemas relacionados con transformaciones lineales, mediante la interpretación y representación en

términos de matrices, determinantes, rango e inversa y sistemas de ecuaciones lineales, en situaciones reales,
propias de la ingeniería.
C O N T E NI D O :
7.1 DEFINICIONES Y PROPIEDADES

7.2 REPRESENTACION MATRICIAL. MATRIZ DE CAMBIO DE BASE
7.3 ALGEBRA DE TRANSFORMACIONES LINEALES
7.4 NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL
7.5 TRANSFORMACIONES LINEALES INVERSIBLES
7.6 TRANSFORMACIONES GRAFICAS EN R2
7.7 TRANSFORMACIONES GRAFICAS EN R3
7.8 FORMAS LINEALES. ESPACIO DUAL
7.9 CUESTIONARIO
7.1 D E F I NI C I O N ES Y PR OPI E D A D ES
En esta sección se definirán y estudiarán transformaciones lineales de un espacio vectorial U a un espacio

vectorial V. Analizaremos y demostraremos sus propiedades más importantes. La atención se centrará en una
clase especial de tales funciones denominadas transformaciones lineales. Las transformaciones lineales son
fundamentales en el estudio del álgebra lineal y tienen muchas aplicaciones importantes.
En este capítulo, estudiaremos un tipo especial de función definida en un espacio

vectorial U y que toma los valores que son vectores en el mismo o en otro espacio
vectorial V, las cuales no alteran a las combinaciones lineales. Esta función se llama
transformación lineal. Estas transformaciones se pueden representar por medio de
matrices, en el mismo sentido que los vectores se representan por medio de n-adas.
Esta representación requiere que se definan las operaciones de adición,
multiplicación por escalares y multiplicación de matrices, de modo que correspondan
a estas operaciones con las transformaciones lineales.
La matriz que representa a una transformación lineal de U hacia V, depende de la

elección de una base en U y una base en V. Nuestro primer problema, que se repite
siempre que se usan matrices para representar cualquier cosa, es ver en qué forma un
cambio en la elección de las bases determina un cambio correspondiente en la matriz
que representa a la transformación lineal. Dos matrices que representan la misma
transformación lineal con respecto a conjuntos diferentes de bases, deben tener
algunas propiedades en común. Esto conduce a la idea de relaciones de equivalencia
entre dos matrices. La naturaleza exacta de esta relación de equivalencia depende de
314 TRANSFORMACIONES LINEALES
las bases que se permitan. En este capítulo no se imponen restricciones sobre las
bases que se permiten y obtenemos la clase de equivalencia más amplia.
Sean U y V dos espacios vectoriales, ambos definidos sobre el mismo
cuerpo K . Una transformación lineal f de U hacia V es una aplicación
uniforme de U en V que asocia a cada elemento u de U, un elemento único
f(u) de V de tal forma que se cumplen los axiomas siguientes:
1.- Para todo u, v de U, entonces: f(u + v) = f(u) + f(v);
2.- Para todo u de U y para todo escalar O, entonces: f(Ou) = Of(u).
Observe que en esta identidad, la adición y la multiplicación escalar del primer

miembro, tienen lugar en U, mientras que las del segundo miembro tienen lugar en
V. A f(u) se le da el nombre de imagen de u bajo la transformación lineal f. Además
vemos que, para tener una transformación lineal,
f(u + v) = f(u) + f(v) y f(Ou) = Of(u).
Hablando en términos generales, la imagen de la suma es la suma de las imágenes

y la imagen del producto es el producto de las imágenes. Este lenguaje descriptivo
se tiene que interpretar con cierta amplitud, ya que las operaciones antes y
después de aplicar la transformación lineal pueden llevarse a cabo en espacios
vectoriales diferentes.
EJ E M P L O 7.1.1
Determinar cuál de las siguientes funciones f : R 3 o R 3, define una transformación
lineal:
a.- f((a, b, c)) = (a + 2b ± 3c, 3a - b + 5c, a ± b ± c);
b.- f((a, b, c)) = (a + b + c, a + b + c, a + b + c);
c.- f((a, b, c)) = (2a - 2b + 3c, a ± b + c, 3a - 5b + 3c);
d.- f((a, b, c)) = (3a - 5b, 2a - 2b, a + b2).
SO L U C I O N
Sean u = (m, n, p) y v = (r, s, t) dos vectores del espacio de salida R 3 y sean D, E
escalares, entonces:
Du + Ev = (Dm + E r, Dn + Es, Dp + Et).
a.- f(Du + Ev) = (Dm + E r + 2Dn + 2Es - 3Dp - 3E t, 3Dm + 3E r - Dn - Es + 5Dp +
+ 5E t, Dm + E r ± Dn - Es - Dp - E t)
= (Dm + 2Dn - 3Dp, 3Dm - Dn + 5Dp, Dm - Dn - Dp) + (E r + 2Es - 3E t,
3E r - Es + 5E t, E r - Es - E t)
= D(m + 2n - 3p, 3m - n + 5p, m - n - p) + E( r + 2s - 3t, 3 r - s + 5t, r - s - t)
= Df(u) + E f(v).
Por lo tanto f es transformación lineal.
b.- f(Du + Ev) = (Dm + E r + Dn + Es + Dp + E t, Dm + E r + Dn + E s + Dp + E t,
Dm + E r + Dn + Es + Dp + E t)

TRANSFORMACIONES LINEALES 315
= (Dm + Dn + Dp, Dm + Dn + Dp, Dm + Dn + Dp) + (E r + Es + E t, E r + Es + E t,

E r + E s + E t)
= D(m + n + p, m + n + p, m + n + p) + E( r + s + t, r + s + t, r + s + t)
= Df(u) + E f(v).
c.- f(Du + Ev) = (2Dm + 2E r - 2Dn - 2Es + 3Dp + 3E t, Dm + E r - Dn - Es + Dp +
E t, 3Dm + 3E r ± 5Dn - 5E s + 3Dp + 3E t)
= (2Dm - 2Dn + 3Dp, Dm - Dn + Dp, 3Dm - 5Dn + 3Dp) + (2E r - 2Es + 3E t,
E r - Es + E t, 3E r - 5Es + 3E t)
= D(2m - 2n + 3p, m - n + p, 3m - 5n + 3p) + E(2 r - 2s + 3t, r - s + t, 3 r - 5s + 3t)
= Df(u) + E f(v).
d.- f(Du + Ev) = (3Dm + 3E r - 5Dn - 5Es, 2Dm + 2E r - 2Dn - 2Es, Dm + E r + (Dn
+ Es)2)
= (3Dm + 3E r - 5Dn - 5Es, 2Dm + 2E r - 2Dn - 2Es, Dm + E r + D2n2 + 2DEns
2 2
+E s )
= (3Dm - 5Dn, 2Dm - 2Dn, Dm + D2n2 + 2DEns) + (3E r - 5Es, 2E r - 2Es, E r
2 2
+E s )
z Df(u) + E f(v).
Por lo tanto f no es transformación lineal.
E J E M P L O 7.1.2
Determinar cuál de las siguientes funciones f : P 2 o P 2 define una transformación
lineal:
a.- f(p(x)) = p(x) ± p(0); b.- f(p(x)) = p(x - 1) ± p(1); c.- f(p(x)) = p(1 + x) ± 2.
SO L U C I O N
Sean q(x) = d + ex + fx2 y h(x) = m + nx + kx2 dos polinomios del espacio de
salida P 2 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Dd + Em) + (De + En)x + (Df + E k)x2.
a.- Como p(x) = a + bx + cx2 y p(0) = a , obtenemos p(x) - p(0) = bx + cx2,
entonces
f( a + bx + cx2) = bx + cx2.
Aplicando la definición de transformación lineal, tenemos:
f(Dq(x) + Eh(x)) = (De + En)x + (Df + E k)x2
= (Dex + Dfx2) + (Enx + E kx2)
= D(ex + fx2) + E(nx + kx2)
= Df(q(x)) + Eh(x)).
b.- Como p(x - 1) = (a ± b + c) + (b ± 2c)x + cx2 y p(1) = a + b + c , obtenemos
p(x - 1) - p(1) = -2b + (b ± 2c)x + cx2
entonces
f( a + bx + cx2) = -2b + (b ± 2c)x + cx2.
f(Dq(x) + Eh(x)) = -2(De + En) + (De + En - 2Df - 2E k)x + (Df + E k)x2
= {-2De + (De - 2Df )x + Dfx2} + {-2En + (En - 2E k)x + E kx2}
= D{-2e + (e - 2f )x + fx2} + E{-2n + (n - 2k)x + kx2}
= Df(q(x)) + Eh(x)).
c.- Como p(1 + x) = (a + b + c ) + (b + 2c)x + cx2, obtenemos
p(x + 1) - 2 = ( a + b + c ± 2) + (b + 2c)x + cx2,
entonces
f( a + bx + cx2) = ( a + b + c ± 2) + (b + 2c)x + cx2.
f(Dq(x) + Eh(x)) = (Dd + Em + De + En + Df + E k ± 2) + (De + En + 2Df + 2E k)x +

+ (Df + E k)x2
2
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + {(Em + En + E k) + (En + 2E k)x
+ E kx2}
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + E{(m + n + k) + (n + 2k)x + kx2}
2
z Df(q(x)) + Eh(x)).
La observación acerca de la multiplicación escalar es inexacta, ya que no aplicamos

la transformación lineal a escalares; la transformación lineal se define únicamente
para vectores en U. Aún así, la transformación lineal conserva las operaciones
estructurales en un espacio vectorial y ésta es la razón de su importancia. Al conjunto
U sobre el cual está definida la transformación lineal f se le conoce como dominio de
f. Decimos que V, el conjunto en el cual están definidas las imágenes de f, es el
codominio de f.
Hablando estrictamente, una transformación lineal debe especificar el dominio y el

codominio así como la aplicación. Consideremos ahora las transformaciones lineales
desde el punto de vista geométrico, tomando en cuenta situaciones en el espacio
euclidiano tridimensional, para obtener una interpretación intuitiva de lo que
significa una transformación lineal.
Una consecuencia de la definición es que una transformación lineal siempre aplica el

vector cero de U en el vector cero de V; es decir, f() = . Esta afirmación puede
ser establecida haciendo a = 0 en f(au) = af(u). Si f es una transformación lineal,
entonces f(au) = af(u), afirma que f aplica au sobre un vector f(au), cuya relación con
f(u) en términos de magnitud y dirección es la misma relación de au con u. Como u y
au son vectores paralelos, tenemos que f aplica vectores paralelos en vectores
paralelos. La ecuación f(u + v) = f(u) + f(v) con u, v R 2 afirma que f aplica un
paralelogramo junto con sus diagonales sobre un paralelogramo junto con sus
diagonales.
El enfoque geométrico es útil para entender cómo es que una transformación lineal
actúa.
La aplicación que envía cada vector en U sobre el vector cero en V es claramente

una transformación lineal de U en V para todos los U y V. Esta transformación, se
denomina transformación cero, y se indica por el símbolo . La aplicación que envía
cada vector en U sobre sí mismo, se denomina transformación idéntica, y se indica
por el símbolo i. La ecuación que define a i es i(u) = u, para cualesquier u de U.
EJ E M P L O 7.1.3
Demuestre que la transformación identidad f : V o V es una transformación lineal.
SO L U C I O N
Sea f : V o V definida por f(v) = v. Entonces

f(u + v) = u + v = f(u) + f(v) y f(Du) = Du = Df(u)

lo cual implica que f es una transformación lineal.
La transformación lineal f(u) = Ou se conoce como dilatación de u con factor O si

O > 1, y como contracción de u con factor O si 0 < O < 1. Geométricamente, la
dilatación estira a cada vector de u por un factor O, y la contracción de u comprime a
cada vector de u por un factor O.
EJ E M P L O 7.1.4
Sea la transformación f : R 2 o R2 definida por:
a.- f((a, b)) = (a, 5a + b); b.- f((a, b)) = (a + 5b, b).
Verificar que f es lineal y dar su interpretación geométrica.
SO L U C I O N
a.- Para la verificación, debemos utilizar la definición de transformación lineal. Es
decir
(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc, 5ka + 5rc + kb + rd)
= (ka, 5ka + kb) + (rc, 5rc + rd)
= k(a, 5a + b) + r(c, 5c + d)
= kf(u) + rf(v).
Obsérvese que, en esta transformación particular, la coordenada u permanece fija
mientras que a la coordenada v se le suma cinco veces la coordenada u. La figura
muestra lo que pasa con el vector (1, 2). El extremo o terminación del vector
f((1, 2)) se encuentra sobre la recta que pasa por el extremo del vector (1, 2) y es
paralela al eje v. Dicha transformación se denomina transformación lineal cizallante
en la dirección v con factor 5.
b.- Para la verificación, debemos utilizar la definición de transformación lineal. Es
decir
f(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc + 5kb + 5rd, kb + rd)
= (ka + 5kb, kb) + (rc + 5rd, rd)
= k(a + 5b, b) + r(c + 5d, d)
= kf(u) + rf(v).
Podemos observar que, en esta transformación, la coordenada v permanece fija

mientras que a la coordenada u se le suma cinco veces la coordenada v. La figura
muestra lo que pasa con el vector (1, 2). El extremo o terminación del vector f((1, 2))
se encuentra sobre la recta que pasa por el extremo del vector (1, 2) y es paralela al
eje u.
Dicha transformación se denomina transformación lineal cizallante en la dirección u
con factor 5.
Dos transformaciones lineales f : U o V y g : U o V son iguales, si
ellas son iguales como transformaciones, esto es, f = g si y solamente si
f(u) = g(u), para todo u de U.
T E O R E M A 7.1.1
Sea f una transformación lineal de U en V. Sean u1, u2, ..., un elementos de
U y a1, a2, ..., an escalares. Entonces:
f(a1u1 + a2u2 + ... + anun) = a1f(u1) + a2f(u2) + ... + anf(un).
Utilizando la definición de transformación lineal, obtenemos
f(a1u1 + a2u2 + ... + anun) = f(a1u1) + f(a2u2 + ... + anun)
= f(a1u1) + f(a2u2) + f(a3u3 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un).
T E O R E M A 7.1.2
Si es el elemento neutro del espacio vectorial U, f() es el elemento
neutro de V.
Como
f(u + ) = f(u) + f() = f(u).
Por lo tanto, f() es el elemento neutro de V.
T E O R E M A 7.1.3
Si - u es el elemento opuesto de u, entonces se verifica que f(-u) = - f(u).
Como
f(u + (-u)) = f(u) + f(-u) = f(u) ± f(u) = f().
Por lo tanto, f(-u) = - f(u); es decir, la imagen del opuesto de un vector es el opuesto
de la imagen del vector.
T E O R E M A 7.1.4
Sean U y V espacios vectoriales. Sea S = {u1, u2, ..., uk} una base cualquiera
de U y sea S´ = {v1, v2, ..., vk} un conjunto cualquiera de k vectores en V, no
necesariamente linealmente independientes. Entonces existe una
transformación lineal determinada en forma única por f : U o V tal que
f(u1) = v1, f(u2) = v2, ..., f(uk) = vk.
Demostremos primero que la transformación lineal f : U o V está completamente
determinada cuando se conocen los valores de f(u1), f(u2), ..., f(uk). Para esta
demostración, supóngase que g : U o V también es una transformación lineal y que
f(u1) = g(u1), f(u2) = g(u2), ..., f(uk) = g(uk). Deseamos demostrar que f = g. Para ello,
debemos demostrar que f(u) = g(u) para todo u en U. Por tanto, sea u = a1u1 + a2u2 +
... + akuk un vector arbitrario de U, donde a i K . Si aplicamos f a cada miembro y

utilizamos f(ui) = g(ui) para todo i N, obtenemos

f(u) = f(a1u1 + a2u2 + ... + a kuk)
= f(a1u1) + f(a2u2 + ... + a kuk)
= f(a1u1) + f(a2u2) + f(a3u3 + ... + a kuk)
= a1f(u1) + a2f(u2) + ... + a kf(uk)
= a1g(u1) + a2g(u2) + ... + akg(uk)
= g(a1u1 + a2u2 + ... + a kuk)
= g(u).
En consecuencia, f(u) = g(u) para todo u en U. Por tanto, f = g. Hemos demostrado
así que los vi son vectores dados de V, hay a lo más una transformación lineal
f : U o V tal que f(ui) = vi. Demostraremos ahora que siempre hay una
transformación lineal f : U o V con f(u1) = v1, f(u2) = v2, ..., f(uk) = vk. Para
demostrar la existencia de f, presentamos primero una función f : U o V. Más
adelante demostraremos que nuestra f es una transformación lineal. A continuación
se dará una definición de f : U o V. Sea u un vector arbitrario de U, entonces u
puede expresarse en función de la base S, como u = a1u1 + a2u2 + ... + a kuk, los
escalares a i K se determinan en forma única por u.
Definimos una función f : U o V especificando que f(u) = a1v1 + a2v2 + ... + a kvk.
Esta función f : U o V queda ahora definida completamente puesto que todos los
valores f(u), u U, se han determinado. Para demostrar que f es una transformación
lineal, sea v = b1u1 + b2u2 + ... + bkuk, otro vector de U. Sean a y b escalares
arbitrarios. Deseamos demostrar que f(au + bv) = af(u) + bf(v). De v = b1u1 + b2u2 +
... + bkuk y nuestra definición de f, tenemos f(v) = b1v1 + b2v2 + ... + bkvk.
Multiplicando cada miembro de u por a y cada miembro de v por b, y sumando
luego, obtenemos
au + bv = a(a1u1 + a2u2 + ... + akuk) + b(b1u1 + b2u2 + ... + bkuk)
= (aa1 + bb1)u1 + (aa2 + bb2)u2 + ... + (aa k + bbk)uk.
Por la definición de f, vemos que
f(au + bv) = (aa1 + bb1)f(u1) + (aa2 + bb2)f(u2) + ... + (aa k + bbk)f(uk)
= aa1v1 + aa2v2 + ... + aa kvk + bb1v1 + bb2v2 + ... + bbkvk
= a(a1v1 + a2v2 + ... + a kvk) + b(b1v1 + b2v2 + ... + bkvk)
= af(u) + bf(v).
Por lo tanto f(au + bv) = af(u) + bf(v). En consecuencia, la función f : U o V es una
transformación lineal. Es fácil observar, por f(u) = a1v1 + a2v2 + ... + a kvk, que
f(ui) = vi.
EJ E M P L O 7.1.5
Sea f una transformación lineal de R 3 en R 3, suponga que
f((1, 0, 1)) = (1, -1, 3), f((2, 1, 0)) = (0, 2, 1), f((1, -1, 1)) = (3, -1 2)
Determine f((-1, -2, 3)).
SO L U C I O N
Hacemos la combinación lineal con el vector (-1, -2, 3):
(-1, -2, 3) = a(1, 0, 1) + b(2, 1, 0)
resolvemos el sistema generado:
a 2b 1
° a 3
® a 3 ® .
° b 2 ¯b 2
¯
Encontramos la imagen pedida:
f((-1, -2, 3)) = 3f((1, 0, 1)) ± 2f((2, 1, 0))
= 3(1, -1, 3) ± 2(0, 2, 1) = (3, -7, 7).
EJ E M P L O 7.1.6
Sea f una transformación lineal de R 3 en P2 tal que
f((1, 1, 1)) = 1 ± 2x + x2, f((2, 0, 0)) = 3 + x ± x2, f((0, 4, 5)) = 2 + 3x + 3x2
Determine f((2, -3, 1)).
SO L U C I O N
Hacemos la combinación lineal con el vector (2, -3, 1):
(2, -3, 1) = a(1, 1, 1) + b(2, 0, 0) + c(0, 4, 5)
resolvemos el sistema generado:
a 2b 2
°
® a 4 c 3
° a 5c 1
¯
§1 2 0 2 · § 1 2 0 2 · § 1 0 4 3 · § 1 0 0 19 ·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨1 0 4 3 ¸ | ¨ 0 2 4 5 ¸ | ¨ 0 2 4 5 ¸ | ¨ 0 2 0 21 ¸ .
¨1 0 5 1 ¸ ¨ 0 2 5 1 ¸ ¨ 0 0 1 4 ¸ ¨ 0 0 1 4 ¸
© ¹ © ¹ © ¹ © ¹
Encontramos la imagen pedida:
21
f ((2, 3,1)) 19 f ((1,1,1)) f ((2, 0, 0)) 4 f ((0, 4, 5))
2
21
19(1 2 x x 2 ) (3 x x 2 ) 4(2 3x 3x 2 )
2
41 121 35 2
x x .
2 2 2
EJ E M P L O 7.1.7
Sea S = {u1, u2, u3}, un conjunto de vectores linealmente independientes en R 3.
Determine una transformación lineal f de R 3 en R 3 tal que el conjunto {f(u1), f(u2),
f(u3)} sea linealmente dependiente.
SO L U C I O N
Sea f : R 3 o R 3 definida por f((x, y, z)) = (0, 0, 0). Entonces si {u1, u2, u3} es
cualquier conjunto de vectores en R 3, el conjunto {f(u1), f(u2), f(u3)} = {, , } sea
La aplicación que envía cada vector en U sobre el vector cero en V es claramente

una transformación lineal de U en V para todos los U y V. Esta transformación, se
denomina transformación cero, y se indica por el símbolo . La aplicación que envía
cada vector en U sobre sí mismo, se denomina transformación idéntica, y se indica
por el símbolo i. La ecuación que define a i es i(u) = u, para cualesquier u de U.
EJ E M P L O 7.1.8
Determinar cuál de las siguientes funciones f : :(n, n) o :(n, n) define una
transformación lineal:
a.- f(A) = ATA; b.- f(A) = AB + AT; c.- f(A) = Det(A); d.- f(A) = PAP-1;
e.- f(B) = A-1BA; f.- f(A) = AT + A+; g.- f(A) = OAC + MCA.
SO L U C I O N
Sean B y C dos matrices del espacio de salida :(n, n) y sean D, E escalares,
entonces:
a.- f(DB + EC) = (DB + EC)T(DB + EC) = (DBT + ECT)(DB + EC)
= D2BTB + DEBTC + DECTB + E2CTC z DBTB + ECTC.
b.- f(DC + ED) = (DC + ED)B + (DC + ED)T = DCB + EDB + DCT + EDT
= D(CB + CT) + E(DB + DT) = Df(C) + Ef(D).
c.- f(DC + ED) = det(DC + ED) z det(DC) + det(ED).
d.- f(DC + ED) = O(DC + ED)E + ME(DC + ED) = ODCE + OEDE + MDEC + MEED
= D(OCE + MEC) + E(ODE + MED) = Df(C) + Ef(D).
e.- f(DB + EC) = A-1(DB + EC)A = A-1(DBA + ECA) = DA-1BA + EA-1CA

= D(A-1BA) + E(A-1CA) = Df(B) + Ef(C).
f.- f(DB + EC) = (DB + EC)T + (DB + EC)+ = (DB)T + (EC)T + (DB)+ + (EC)+
T T + +
°Į% ȕ& Į % ȕ & z Įf % ȕ f & Į ȕ &
=® .
T T + +
°̄ Į% ȕ& Į% ȕ& Įf % ȕ f & Į ȕ 5
Por lo tanto f es transformación lineal si D, E R.
g.- f(DB + ED) = O(DB + ED)C + MC(DB + ED) = ODBC + OEDC + MDCB + MECD
= D(OBC + MCB) + E(ODC + MCD) = Df(B) + Ef(D).
EJ E M P L O 7.1.9
Determinar cuál de las siguientes funciones define una transformación lineal en el
espacio de los polinomios de grado menor o igual a 3:
a.- f(p(x)) = (p(x))2; b.- f(p(x)) = p(x + 1) - p(x);
c.- f(p(x)) = p´´(x) - 2p´(x) + 3p(x); d.- f(p(x)) = p(x + 1) ± p´(0).
SO L U C I O N
Sean p(x) = ax3 + bx2 + cx + d, q(x) = ex3 + fx2 + gx + h dos polinomios del espacio
de salida P3 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Da + Ee)x3 + (Db + Ef)x2 + (Dc + Eg)x + (Dd + Eh).
a.- f(Dp(x) + Eq(x)) = (Dp(x) + Eq(x))2 = D2p2(x) + 2DEp(x)q(x) + E2q2(x)
z Df(p(x)) + Ef(q(x)).
b.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)(x)
= Dp(x + 1) + Eq(x + 1) - Dp(x) - Eq(x)
= [Dp(x + 1) + Dp(x)] + [Eq(x + 1) + Eq(x)]
= D[p(x + 1) + p(x)] + E[q(x + 1) + q(x)]
= Df(p(x)) + Ef(q(x)).
c.- f(Dp(x) + Eq(x)) = (Dp + Eq)´´(x) - 2(Dp + Eq)´(x) + 3(Dp + Eq)(x)
= Dp´´(x) + Eq´´(x) - 2Dp´(x) - 2Eq´(x) + 3Dp(x) + 3Eq(x)
= [Dp´´(x) - 2Dp´(x) + 3Dp(x)] + [Eq´´(x) - 2Eq´(x) + 3Eq(x)]
= D[p´´(x) - 2p´(x) + 3p(x)] + E[q´´(x) - 2q´(x) + 3q(x)]
= Df(p(x)) + Ef(q(x)).
d.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)´(0)
= Dp(x + 1) + Eq(x + 1) - Dp´(0) - Eq´(0)
= [Dp(x + 1) + Dp´(0)] + [Eq(x + 1) + Eq´(0)]
= D[p(x + 1) + p´(0)] + E[q(x + 1) + q´(0)]
= Df(p(x)) + Ef(q(x)).
Considere la transformación lineal que aplica a todo vector de U sobre el vector cero
de V. Esta aplicación se llama aplicación cero. Si W es cualquier subespacio de V,
existe también una aplicación cero de U hacia W, y esta aplicación tiene el mismo
efecto sobre los elementos de U, como la aplicación cero de U hacia V. Sin embargo,
son transformaciones lineales diferentes, ya que tienen codominios diferentes.
Este lenguaje descriptivo se tiene que interpretar con cierta amplitud, ya que las
operaciones antes y después de aplicar la transformación lineal pueden llevarse a
cabo en espacios vectoriales diferentes. Además, la observación acerca de la
multiplicación escalar es inexacta, ya que no aplicamos la transformación lineal a
escalares; la transformación lineal se define únicamente para vectores en U. Aún

así, la transformación lineal conserva las operaciones estructurales en un espacio

vectorial y ésta es la razón de su importancia. Una consecuencia de la definición
es que una transformación lineal siempre aplica el vector cero de U en el vector
cero de V; es decir, f() = . Esta afirmación puede ser establecida haciendo
a = 0 en f( au) = af(u).
EJ E M P L O 7.1.10
Considérese ahora C como un espacio vectorial sobre C. Defínase una función f de
C en C por f ( z ) z . ¿Es f una transformación lineal?
SO L U C I O N
Sean u = a + ib y v = c + id dos vectores del espacio de salida C y sean D, E
escalares, entonces:
f(Du + Ev) = f((Da + Ec) + i(Db + Ed)) (Da Ec) i (Db Ed )
= (Dr + Ex) - i(Db + Ed) = D(a - ib) + E(c - id)
z Df(u) + Ef(v).
EJ E M P L O 7.1.11
Considere el espacio vectorial de los números complejos C sobre R. Sea a un
número complejo fijo. Defínase f una aplicación de C en C por f(z) = (3 - 2i)z + a.
Determine el valor de a para que f sea transformación lineal.
SO L U C I O N
Tomamos el número complejo nulo y luego encontramos su imagen:
f(0 + i0) = (3 ± 2i)(0 + i0) + a = 0 + i0 + a = a.
Para que f sea transformación lineal, debe cumplirse que f(0 + i0) = 0 + i0, de donde
a = 0.
EJ E M P L O 7.1.12
¿Es la multiplicación de cada vector geométrico por su longitud una transformación
lineal?
SO L U C I O N
En este caso tenemos que f (u ) u u . Sean v y w dos vectores del espacio de
salida y sean D, E escalares, entonces:
f (Dv Ew) (Dv Ew) (Dv Ew) d (Dv Ew)( Dv Ew )
EJ E M P L O 7.1.13
a.- Muestre que la línea que pasa por los vectores u y v en R n puede escribirse en la
forma paramétrica x = (1 ± t)u + tv.
b.- El segmento de línea de u a v es el conjunto de los puntos de la forma (1 ± t)u +
tv para 0 d t d 1. Muestre que una transformación lineal f transforma este segmento
de línea sobre un segmento de línea o sobre un punto.
SO L U C I O N
a.- La línea que pasa por u y v es paralela al vector v ± u. Puesto que la línea pasa a
través de u, una ecuación paramétrica de la línea es
x = u + t(v ± u) = u ± tu + tv = (1 ± t)u + tv.
b.- Por la linealidad de f:
f((1 ± t)u + tv) = (1 ± t)f(u) + tf(v) para 0 d t d 1.
Si f(u) y f(v) son distintos, las imágenes forman el segmento de línea entre f(u) y
f(v). De otro modo, todas las imágenes coinciden con un punto, f(u).

PR O B L E M AS
7.1.1 Verifíquese que cada uno de los siguientes es 7.1.9 Sea f : :(n, n) o R definida por Tr(A) = a11 + a22 +
transformación lineal de U en V: ... + ann. Demuestre que f es una transformación lineal.
a.- U = C>0; 1@, V = V 1, T(f) = f(0).
b.- U = C>0; 1@, V = V 1, T(f) = f(0) + f(1). 7.1.10 Sea V un espacio con producto interior. Para un
c.- U = C>0; 1@, V = V 2, T(f) = (f(0) + f(1)). vector fijo w en V, se define f : V o R por f(v) = ¢v w².
d.- U = V 2, V = C> a ; b@, T(x1, x2) = x1ex + x2e2x. Demuestre que f es una transformación lineal.
e.- U = C>0; 1@, V = C>0; 1@, T(f) = f(x) Cosx.
f.- U = C (1)> a ; b@, V = C> a ; b@, T(f) = f ´(x)Senx. 7.1.11 Para cada uno de los conjuntos de condiciones
g.- U = C (2)> a ; b@, V = C> a ; b@, que se enuncian, determínese si existe una
T(f) = xf ´´ - f ´ + exf. transformación lineal T de U en V que cumpla con las
(3)
h.- U = C > a ; b@, V = C> a ; b@, condiciones dadas:
T(f) = f ´´´ + f ´´ + f ´ + f. a.- U = V 2, V = V 2, T(1, 1) = (1, 2),
x t T(1, -1) = (0, 3).
i.- U = C> a ; b@, V = C> a ; b@, T ( f ) ³0 e f (t )dt . b.- U = V 2, V = V 2, T(1, 1) = (1, 0),
(1) T(1, -1) = (3, 0), T(2, 3) = (1, 0).
j.- U = C > a ; b@, V = C> a ; b@,
x
c.- U = V 2, V = V 2, T(1, 2) = (1, 3),
T( f ) ³0 f (t )dt 3 f ´( x) . T(2, 1) = (2, 0), T(1, 1) = (1, 1).
d.- U = P, V = P, T(1) = 0,
7.1.2 Demuestre que la transformación f definida por T(xn) = xn+1 para n t 1.
e.- U = P, V = P, T(1) = x, T(x + 1) = x2,
f((x, y)) = (4x ± 2y, 3~y~) no es lineal.
T(x2 - 1) = x3.
f.- U = P, V = P, T(1) = x2, T(x - 1) = x,
7.1.3 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (1, 0) y
T(x2 + x) = x, T(x2) = x2.
f((0, 1)) = (0, 0). Determine f((x, y)) en R 2 y dé una
interpretación geométrica de f.
7.1.12 Sea f una transformación lineal de P2 en P2 tal que
f(1) = x, f(x) = 1 + x y f(x2) = 1 + x + x2.
7.1.4 Sean U y V espacios vectoriales sobre K, siendo U
Determine f(2 ± 6x + x2).
bidimensional. Sean S = {u1, u2} una base de U, y v1 y v2
dos vectores cualesquiera de V. Defínase f de U en V de la
7.1.13 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (0, 1)
siguiente manera: Si u U, entonces u = au1 + bu2 para los
y f((0, 1)) = (1, 0). Determine f((x, y)) en R 2 y dé una
únicos escalares a y b. Hágase f(u) = av1 + bv2. Demuestre
interpretación geométrica de f.
que f es transformación lineal.
7.1.14 Sea f : R o R tal que f (u) proyv u , donde
7.1.5 Sea f : R 2 o R 2 una transformación lineal que
transforma u = (1, 5) en (2, 0) y transforma v = (3, 1) en v = (1, 1):
(1, -4). Use el hecho de que f es lineal para encontrar las a.- Determine f((x, y)).
imágenes bajo f de 2u y 3u + 5v. b.- Determine f((3, 4)) y f(f((3, 4))) y dé una interpretación
geométrica del resultado.
7.1.6 Sea V un espacio con producto interior con un
subespacio que tiene a S = {w1, w2, ..., wk} como una base 7.1.15 Trazar la imagen del cuadrado unitario cuyos
ortonormal. Demuestre que la función f : V o V dada por vértices son los puntos (0, 0), (1, 0), (1, 1) y (0, 1) bajo
f(u) = ¢v w1²w1 + ¢v w2²w2 + ... + ¢v wk²wk la transformación lineal dada:
es una transformación lineal. a.- f es una reflexión en el eje x.
b.- f es una reflexión en la recta y = x.
7.1.7 Se da el espacio vectorial de los vectores u = ae1 + c.- f es la contracción f((x, y)) = (x/2, y).
be2 + ce3 + de4, donde a, b, c, d son todos los números
reales posibles. Sea k un número real fijo. ¿Es lineal la 7.1.16 Sea f la transformación lineal de R 2 en R 2
transformación f definida por la igualdad definida por
f(u) = ae1 + be2 + ce3 + de4? f(( a , b)) = (aCosT - bSenT, a SenT + bCosT).
Determine:
7.1.8 Verifíquese que si a 1, b1, a 2, b2 son números reales, a.- f((4, 4)) para T = 45°;
entonces b.- f((2, -1)) para T = 30°;
T(x1, x2) = (a 1x1 + a 2x2, b1x1 + b2x2) c.- f((5, -1)) para T = 120°.
Es transformación lineal de R 2 en R 2.

7.1.17 Determinar la imagen del cubo unitario cuyos 7.1.21 Un vector u es un punto fijo de una transformación
vértices son lineal f : V o V si f(u) = u:
(0, 0, 0), (1, 0, 0), (1, 1, 0), (0, 1, 0), (0, 0, 1), (1, 0, 1), a.- Demuestre que es un punto fijo de cualquier
(1, 1, 1) y (0, 1, 1) transformación lineal f : V o V.
cuando es rotado 45° alrededor del eje Z, y cuando es b.- Demuestre que el conjunto de puntos fijos de una
rotado 90° alrededor del eje X. transformación lineal f : V o V es un subespacio de V.
c.- Determine todos los puntos fijos de la transformación
7.1.18 Demuéstrese que, si ninguno de los espacios U y lineal f : R 2 o R 2 dada por f((x, y)) = (x, 2y).
V es el espacio cero y si uno de ellos es de dimensión d.- f es la dilatación definida por f((x, y)) = (x, 3y).
infinita, entonces el conjunto de las transformaciones e.- f es la deformación por esfuerzo cortante definida
lineales de U en V es un espacio vectorial de dimensión por f((x, y)) = (x + 2y, y).
infinita. f.- f es la deformación por esfuerzo cortante definida por
f((x, y)) = (x, 3x + y).
7.1.19 Una traslación es una función de la forma f((x, y)) =
(x ± h, y ± k), donde por lo menos una de las constantes h o 7.1.22 Dado v z y u en R n, la línea que pasa por u en
k es diferente de cero: la dirección de v, tiene la ecuación paramétrica w = u +
a.- Demuestre que una traslación en el plano no es una
tv. Demuestre que una transformación lineal f : R n o R n
transformación lineal.
transforma esta línea sobre otra línea o sobre un único
b.- Para la traslación f((x, y)) = (x ± 2, y + 1), determine las
punto.
imágenes de (0, 0), (2, -1) y (5, 4).
c.- Demuestre que una traslación en el plano no tiene
7.1.23 Si S es transformación lineal de R 3 en R 2 y si
puntos fijos.
S(1, 0, 0) = ( a 1, b1), S(0, 1, 0) = ( a 2, b2),
S(0, 0, 1) = ( a 3, b3),
7.1.20 Sean u, v vectores en R n. Puede demostrarse que
entonces T y S son la misma transformación.
el conjunto S de todos los puntos del paralelogramo
determinado por u y v tiene la forma Du + Ev, para 0 d D 7.1.24 Sean e1, e2, u = (3, -5) y v = (-2, 7), y sea
d 1, 0 d E d 1. Sea f : R n o R n una transformación f : R 2 o R 2 una transformación lineal que transforma e1
lineal. Explique por qué la imagen de un punto en S bajo en u y e2 en v. Encuentre las imágenes de (7, 6) y de
la transformación f yace en el paralelogramo (x, y).
determinado por f(u) y f(v).
7.2 R EPR ESE N T A C I O N M A T RI C I A L. M A T RI Z D E C A M BI O D E B ASE
En esta sección se demostrará que si U y V son espacios vectoriales de dimensiones finitas, entonces con un poco
de ingenio cualquier transformación lineal f de U en V se puede expresar en forma matricial como f(u) = Au, en
cualesquiera bases.
Se pueden usar las matrices para representar una gran variedad de diferentes
conceptos matemáticos. La forma en que se manejan las matrices, depende de los
objetivos que representen. Considerando la amplia variedad de situaciones en las
cuales las matrices tienen aplicación, existe una notable semejanza en las
operaciones que se efectúan con las matrices en estas situaciones. Sin embargo,
también existen diferencias y, para entenderlas, debemos entender el objeto
representado y qué información se puede esperar trabajando con las matrices. Las
matrices no solamente nos proporcionan un medio conveniente para realizar todo
cálculo necesario con las transformaciones lineales, sino que la teoría de los espacios
vectoriales y las transformaciones lineales también demuestra ser una herramienta
poderosa en el desarrollo de las propiedades de las matrices.
A continuación damos a conocer un método general para construir la matriz de la

transformación lineal que actúa del espacio vectorial U en el espacio vectorial V.
Suponga que a los vectores de la base S1 = {u1, u2, ..., un} del espacio vectorial U les
están asignados unos vectores y S2 = {v1, v2, ..., vn} del espacio vectorial V. En
este caso existe una transformación lineal f y es, además, única, que actúa de U en V

y que transforma todo vector de S1 en el vector correspondiente de S2. Suponga que

la transformación buscada f existe. Tómese un vector arbitrario u de U y represéntelo
en forma de un desarrollo u = a1u1 + a2u2 + ... + anun, entonces
f(u) = f(a1u1 + a2u2 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un)
= a1v1 + a2v2 + ... + anvn.
El segundo miembro de esta identidad se determina unívocamente por el vector u

y las imágenes de la base. Por esta razón, la igualdad obtenida demuestra la
unicidad de la transformación f, si éste existe. Por otra parte, podemos definir la
transformación f precisamente mediante esta igualdad, es decir, poner f(u) = a 1v1
+ a 2v2 + ... + a nvn. La transformación obtenida, es una transformación lineal que
actúa de U en V y transforma, a la vez, todo vector de S1 en el vector
correspondiente de S2. El dominio de la transformación f coincide con el
subespacio generado por el sistema de vectores S2.
Ahora podemos enunciar el siguiente teorema:
T E O R E M A 7.2.1
La transformación lineal f que actúa del espacio U en el espacio V está
completamente definido mediante la totalidad de imágenes f(u1), f(u2), ...,
f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
Fijemos en el espacio U la base S1 = {u1, u2, ..., un} y en el espacio V, la base
S2 = {v1, v2, ..., vm}. El vector u1 se transforma por la transformación f en cierto
vector f(u1) del espacio V, el cual, como todo vector de este espacio, puede ser
desarrollado por vectores básicos
f(u1) = a11v1 + a12v2 + ... + a1mvm
f(u2) = a21v1 + a22v2 + ... + a2mvm
...
f(un) = an1v1 + an2v2 + ... + anmvm
Los coeficientes a ij de estas combinaciones lineales determinan una matriz A de m
filas y n columnas
§ a11 a21 am1 ·
¨ ¸
a a22 am 2 ¸
A ¨ 12
¨ ¸
¨¨ ¸
© a1n a2 n amn ¸¹
que se denomina matriz de la transformación f en bases elegidas. Como columnas de
la matriz de la transformación sirven los coeficientes de la cada combinación, en
otras palabras, las coordenadas de los vectores f(u1), f(u2), ..., f(un) respecto de la base
S2. Con el fin de determinar el elemento a ij de la matriz de la transformación f hace
falta aplicar la transformación al vector uj y tomar la i-ésima coordenada en la
imagen f(uj). En lo sucesivo haremos uso del método descrito para determinar los
elementos de la matriz de la transformación. Considere un vector arbitrario u de U y
su imagen v = f(u). Aclaremos de qué modo se expresar las coordenadas del vector v
en términos de las coordenadas del vector u y los elementos de la matriz de la
transformación. Sea
u = a1u1 + a2u2 + ... + anun
y
v = b1v1 + b2v2 + ... + bmvm
calculamos
f(u) = f(a1u1 + a2u2 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un)
= a1[a11v1 + a12v2 + ... + a1mvm] + a2[a21v1 + a22v2 + ... + a2mvm] + ... + an[an1v1 +
an2v2 + ... + anmvm]
= [a1a11 + a2a21 + ... + anan1]v1 + [a1a12 + a2a22 + ... + anan2]v2 + ... + [a1a1m +
a2a2m + ... + ananm]vm
Al comparar el segundo miembro de estas igualdades con el desarrollo de v,
concluimos que deben cumplirse las igualdades
a11a1 + a21a2 + ... + an1an = b1
a12a1 + a22a2 + ... + an2an = b2
...
a1ma1 + a2ma2 + ... + anman = bm
De esta manera, toda transformación lineal genera, cuando están definidas las
bases en los espacios U y V, las identidades antes mencionadas que relacionan
entre sí las coordenadas de la imagen y las de la preimagen. Con el fin de
determinar las coordenadas de la imagen según las coordenadas de la preimagen
basta calcular los primeros miembros de estas identidades.
Siendo determinadas las bases en los espacios U y V, la igualdad coordenada permite

investigar totalmente la acción de una transformación lineal. Evidentemente, cuanto
más simple es la forma de la matriz de una transformación, tanto más eficaz será la
realización de dicha investigación. Generalmente las matrices de las
transformaciones dependen de las bases y la tarea inmediata consiste en aclarar esta
dependencia.
Sean S1 = {u1, u2, ..., um} y S2 = {v1, v2, ..., vm} dos bases del espacio vectorial U. Los
vectores de S2 se definen unívocamente mediante sus descomposiciones
v1 a11u1 a12 u2 ... a1m um
° v a u a u ... a u
° 2 21 1 22 2 2m m
® (1)
° ...
°¯vm am1u1 am 2 u2 ... amm um
según los vectores de S1. Los coeficientes a ij determinan la matriz
§ a11 a21 ... am1 ·
¨ ¸
a a22 ... am 2 ¸
P ¨ 12
¨ ... ... ... ¸
¨¨ ¸¸
© a1m a2 m ... amm ¹
la cual se denomina matriz de la transformación de coordenadas al pasar de la base
S1 a la base S2.
Tómese un vector arbitrario u de U y descompóngase según los vectores de ambas

bases. Sea
u = b1u1 + b2u2 + ... + bmum = c1v1 + c2v2 + ... + cmvm
De acuerdo con (1) tenemos
b1u1 + b2u2 + ... + bmum = c1v1 + c2v2 + ... + cmvm
= c1(a11u1 + a12u2 + ... + a1mum) + c2(a21u1 + a22u2 + ... +
a2mum) + ... + cm(am1u1 + am2u2 + ... + ammum)
= (a11c1 + a21c2 + ... + am1cm)u1 + (a12c1 + a22c2 + ... +
am2cm)u2 + ... + (a1mc1 + a2mc2 + ... + ammcm)um.
Comparando los coeficientes ui en el primero y segundo miembros de las
correlaciones, encontramos
b1 a11c1 a21c2 ... a m1cm
° b a c a c ... a c
° 2 12 1 22 2 m2 m
® (2)
° ...
°¯bm a1m c1 a2 m c2 ... amm cm
Estas fórmulas se denominan fórmulas de transformación de las coordenadas.

Designemos, como hasta ahora, mediante XS1 y XS2 las matrices de dimensiones
m x 1, formadas por las coordenadas del vector u en las bases correspondientes. Las
fórmulas (2) muestran que XS1 = PXS2 . La matriz de la transformación de
coordenadas debe ser no singular, puesto que en el caso contrario tendrá lugar la
dependencia lineal entre sus columnas y, por tanto, entre los vectores de S2. Por
supuesto, cualquier matriz no singular es una matriz de cierta transformación de
coordenadas definida mediante XS1 = PXS2 . Al multiplicar a la izquierda de la
igualdad por la matriz P-1, obtendremos
P-1XS1 = P-1PXS2 XS2 = P-1XS1 .
Supongamos ahora que en el espacio vectorial U vienen dadas tres bases S1, S2 y S3.
El paso de la primera base a la tercera puede realizarse con ayuda de dos
procedimientos: o bien directamente de la primera a la tercera o bien primero de la
primera a la segunda, y después de la segunda a la tercera. No es difícil establecer la
conexión entre las matrices correspondientes de la transformación de coordenadas.
De acuerdo con XS1 = PXS2 , tenemos:
XS1 = PXS2 XS2 = RXS3 XS1 = QXS3 .
De las primeras dos correlaciones se desprende
XS1 = PXS2 = P(RXS3 ) = (PR)XS3 = QXS3 .
De este modo, cuando las coordenadas se transforman de manera consecutiva, la

matriz de la transformación resultante será igual al producto de matrices de las
transformaciones intermedias.
Examinemos otra vez la transformación lineal f que actúa de U en V. Elijamos en el

espacio U dos bases S1 y S2, y en el espacio V otras dos bases S3 y S4. En las
primeras dos bases, a una misma transformación f le corresponde la igualdad
coordenada
YS3 = ASS1 XS1 (3)
3
y en las otras dos bases, la igualdad

YS4 = ASS2 XS2 (4)
4
En concordancia con estos pares de bases, para una misma transformación f tenemos
dos matrices ASS1 y ASS2 . Designemos con P la matriz de la transformación de
3 4
coordenadas al pasar de la base S1 a la base S2 y con Q , la matriz de la

transformación de coordenadas al pasar de S3 a S4.Se tiene
XS1 = PXS2 , YS3 = QYS4 .
Sustituyendo estas expresiones para XS1 y YS3 en (3), obtenemos

QYS4 = ASS1 PXS2
3
De donde se deduce que

YS4 = Q-1ASS1 P XS2 .
3
Al comparar la igualdad obtenida con (4), concluimos que

ASS2 = Q-1ASS1 P .
4 3
Esto es precisamente la correlación buscada que liga las matrices de una misma
transformación en diferentes bases. La transformación lineal f que actúa del espacio
U en el espacio V está completamente definido mediante la totalidad de imágenes

f(u1), f(u2), ..., f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
EJ E M P L O 7.2.1
En un espacio vectorial de dimensión 4, se examina una transformación lineal f.
Escribir esta transformación en la forma de coordenadas si
f(e1) = e3 + e4, f(e2) = e1 + e4,
f(e3) = e1 + e2, f(e4) = e2 + e3.
SO L U C I O N
f((1, 0, 0, 0)) = (0, 0, 1, 1), f((0, 1, 0, 0)) = (1, 0, 0, 1),
f((0, 0, 1, 0)) = (1, 1, 0, 0), f((0, 0, 0, 1)) = (0, 1, 1, 0).
La matriz de la transformación f es
§0 1 1 0·
¨ ¸
0 0 1 1¸
A ¨ .
¨1 0 0 1¸
¨ ¸
©1 1 0 0¹
Por lo tanto, la transformación f se escribe en forma de coordenadas de la siguiente
manera:
f((a, b, c, d)) = (b + c, c + d, a + d, a + b).
EJ E M P L O 7.2.2
Sea f la transformación lineal de :(2, 2) en :(3, 1) definida por
§ 2 a 3b c ·
§§ a b ·· ¨ ¸
f ¨¨ ¸ ¸ ¨ a 2b c 2d ¸ .
© © c d ¹ ¹ ¨ a b 3c 4d ¸
© ¹
Encuentre la representación matricial de f.
SO L U C I O N
Tómese las bases canónicas de :(2, 2) y :(3, 1), es decir
§ 1 · § 0· § 0 ·½
§ 1 0 · § 0 1 · § 0 0 · § 0 0 · °
° ½ °¨ ¸ ¨ ¸ ¨ ¸°
S1 ®¨ ,
¸ ¨ ,
¸ ¨ ,
¸ ¨ ¸¾ y S 2 ®¨ 0 ¸ , ¨1¸, ¨ 0 ¸¾
°©
¯ 0 0 ¹ © 0 0 ¹ © 1 0 ¹ © 0 1 °
¹¿ °¨ 0 ¸ ¨ 0¸ ¨ 1 ¸°
¯© ¹ © ¹ © ¹¿
obtenga la matriz > f @ SS2 . Primeramente, determinaremos cuáles son las imágenes de
1
los vectores de la base S1 de :(2, 2):

§ 2· § 3·
§§1 0·· ¨ ¸ §§0 1·· ¨ ¸
f ¨¨ ¸¸ ¨1¸ ; f ¨¨ ¸¸ ¨ 2¸ ;
©© 0 0¹¹ ¨1¸ ©© 0 0¹¹ ¨1¸
© ¹ © ¹
§ 1 · § 0·
§§ 0 0·· ¨ ¸ §§ 0 0·· ¨ ¸
f ¨¨ ¸¸ ¨ 1¸ ; f ¨¨ ¸¸ ¨ 2¸ .
© © 1 0 ¹ ¹ ¨ 3 ¸ ©©0 1¹¹ ¨ 4 ¸
© ¹ © ¹
Obsérvese que en este caso, como se está tomando la base canónica S2 de :(3, 1), se
tiene lo siguiente:
§ 2· § 3· § 1 · § 0·
> f (E1 )@ S2 ¨¨ 1 ¸¸ ; > f (E 2 )@ S2 ¨¨ 2 ¸¸ ; > f (E3 )@ S2 ¨¨ 1 ¸¸ ; > f (E 4 )@ S2 ¨¨ 2 ¸¸ ,
¨1¸ ¨1¸ ¨ 3 ¸ ¨ 4 ¸
© ¹ © ¹ © ¹ © ¹
de modo que
§ 2 3 1 0 ·
> @ S1 ¨ 1 2 1 2 ¸¸ .
f S2 ¨
¨ 1 1 3 4 ¸
© ¹

EJ E M P L O 7.2.3
Considérese f la transformación lineal de P4 en P4 definida por f(p) = p'(x). Obtenga
[f]S en la base canónica de P4.
SO L U C I O N
La base canónica de P4 es S = {1, x, x2, x3, x4}. A continuación determinamos las
imágenes con respecto a cada elemento de S, es decir:
[f(1)]S = [(1)']S = [0]S = 0(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x)]S = [(x)']S = [1]S = 1(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x2)]S = [(x2)']S = [2x]S = 0(1) + 2(x) + 0(x2) + 0(x3) + 0(x4);
[f(x3)]S = [(x3)']S = [3x2]S = 0(1) + 0(x) + 3(x2) + 0(x3) + 0(x4);
[f(x4)]S = [(x4)']S = [4x3]S = 0(1) + 0(x) + 0(x2) + 4(x3) + 0(x4).
Por lo tanto
§0 1 0 0 0·
¨ ¸
¨0 0 2 0 0¸
> f @ S ¨0 0 0 3 0¸ .
¨ ¸
¨0 0 0 0 4¸
¨0 0 0 0 0¸
© ¹
Mediante esta matriz, podemos derivar p(x) = 5 + 8x - 10x2 + 6x3 - 7x4, es decir
§0 1 0 0 0·§ 5· § 8 ·
¨ ¸¨ ¸ ¨ ¸
¨ 0 0 2 0 0 ¸ ¨ 8 ¸ ¨ 20 ¸
> f ( p)@ S > p '@ S > f @ S > p @ S ¨ 0 0 0 3 0 ¸ ¨ 10 ¸ ¨ 18 ¸ .
¨ ¸¨ ¸ ¨ ¸
¨ 0 0 0 0 4 ¸ ¨ 6 ¸ ¨ 28 ¸
¨0 0 0 0 0¸¨ 7 ¸ ¨ 0¸
© ¹© ¹ © ¹
Por lo tanto, p'(x) = 8 - 20x + 18x2 - 28x3.
EJ E M P L O 7.2.4
Sea f la transformación lineal de R 3 en R 4 definida por
f((a, b, c)) = (a + 3b ± c, 2a + b + 3c, -3a - 14b + 8c, 3a + 4b + 2c)
Obtenga >f@S en las bases canónicas.
SO L U C I O N
Tómense las bases canónicas de R 3 y R 4:
S1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
y
S2 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
A continuación, obtenemos las imágenes correspondientes
f((1, 0, 0)) = (1, 2, -3, 3), f((0, 1, 0)) = (3, 1, -14, 4), f((0, 0, 1)) = (-1, 3, 8, 2)
obtenemos la matriz
§ 1 3 1 ·
¨ ¸
2 1 3
> f @ SS12 ¨¨ 3 14 8 ¸¸ .
¨ ¸
© 3 4 2¹
EJ E M P L O 7.2.5
Encuentre la matriz de la transformación lineal D definida en el conjunto de
polinomios en t sobre R de grado a lo sumo igual a 2 mediante D(p(t)) = p´(t), en
relación con la base.
a.- S1 = {1 + t, t, 1 + 2t + t2}; b.- S2 = {1/2(1 - t), 1/2(1 + t), t2}.
SO L U C I O N
a.- D(1 + t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(1 + 2t + t2) = 2 + 2t = 2(1 + t) + 0t + 0(1 + 2t + t2)

§ 1 1 2·
¨ ¸
D ¨ 1 1 0 ¸ .
¨ 0 0 0¸
© ¹
b.- D(1/2(1 - t)) = - 1/2 = (-1/2)1/2(1 - t) + (-1/2)1/2(1 + t) + 0t2
D(1/2(1 + t)) = 1/2 = 1/21/2(1 - t) + 1/21/2(1 + t) + 0.t2
D(t2) = 2t = (-2)1/2(1 - t) + 21/2(1 + t) + 0t2
§ 1/ 2 1/ 2 2 ·
¨ ¸
D ¨ 1/ 2 1/ 2 2 ¸ .
¨ 0 0 0 ¸¹
©
EJ E M P L O 7.2.6
Sea V el espacio de todas las funciones de la forma ae t + be2t + ce 3t. Si se define
D : V o V mediante D(f(t)) = f ´(t), obtenga:
a.- La matriz de D con respecto a la base S1 = {et, e2t, e3t};
b.- La matriz de D con respecto a la base S2 = {et + e2t, e2t + e3t, et + e3t}.
SO L U C I O N
a.- D(et) = et = 1et + 0e2t + 0e3t ; D(e2t) = 2e2t = 0et + 2e2t + 0e3t
3t 3t t 2t 3t
D(e ) = 3e = 0e + 0e + 3e
§1 0 0·
¨ ¸
D ¨0 2 0¸
¨ 0 0 3¸
© ¹
b.- D(et + e2t) = et + 2e2t = 3/2(et + e2t) + 1/2(e2t + e3t) + (-1/2)(et + e3t)
D(e2t + e3t) = 2e2t + 3e3t = (-1/2)(et + e2t) + 5/2(e2t + e3t) + 1/2(et + e3t)
D(et + e3t) = et + 3e3t = (-1)(et + e2t) + 1(e2t + e3t) + 2(et + e3t)
§ 3 1 ·
¨ 2 2 1 ¸
¨ ¸
¨ 1 5
D ¨ 1 ¸¸ .
2 2
¨ ¸
¨ 1 1
2 ¸
¨ ¸
© 2 2 ¹
EJ E M P L O 7.2.7
Se examina el espacio vectorial de los vectores u = ae1 + be2 + ce3 + de4, donde a, b,
c, d son escalares reales. Demostrar que la transformación f definida por f(u) = be1 +
ce2 + de3 + ae4 es lineal, y hallar su representación matricial.
SO L U C I O N
Sabemos que f(u) = f((a, b, c, d)) = (b, c, d, a). Encontramos las imágenes con
respecto de la base canónica de R 4:
f((1, 0, 0, 0)) = (0, 0, 0, 1); f((0, 1, 0, 0)) = (1, 0, 0, 0);
f((0, 0, 1, 0)) = (0, 1, 0, 0); f((0, 0, 0, 1)) = (0, 0, 1, 0)
Por tanto la matriz de la transformación lineal tiene la siguiente forma:
§0 1 0 0·
¨ ¸
0 0 1 0¸
Af ¨ .
¨0 0 0 1¸
¨ ¸
©1 0 0 0¹
EJ E M P L O 7.2.8
Sea V = P4 el espacio de todos los polinomios de grado menor o igual a 4, en la
indeterminada t y defínase f de P4 en P4 por f ( p(t )) p´´(t ) 2 p´(t ) p(t ) .
Representar a f mediante una matriz respecto a la base canónica de P4.

SO L U C I O N
Sabemos que
p(t) = a + bt + ct2 + dt3 + et4,
p´(t) = b + 2ct + 3dt2 + 4et3,
p´´(t) = 2c + 6dt + 12et2.
De donde:
f(a + bt + ct2 + dt3 + et4) = (a + 2b + 2c) + (b + 4c + 6d)t + (c + 6d + 12e)t2 +
+ (d + 8e)t3 + et4.
Encontramos las imágenes con respecto de la base canónica de P4:
f(1) = 1 + 0t + 0t2 + 0t3 + 0t4; f(t) = 2 + t + 0t2 + 0t3 + 0t4;
f(t2) = 2 + 4t + t2 + 0t3 + 0t4; f(t3) = 0 + 6t + 6t2 + t3 + 0t4;
f(t4) = 0 + 0t + 12t2 + 8t3 + t4.
§1 2 2 0 0 ·
¨ ¸
¨0 1 4 6 0 ¸
A f ¨ 0 0 1 6 12 ¸ .
¨ ¸
¨0 0 0 1 8 ¸
¨0 0 0 0 1 ¸
© ¹
EJ E M P L O 7.2.9
Considérese la transformación lineal f : P3 o P2 definida por
f( at3 + bt2 + ct + d) = ( a + b + c)t2 + (2b ± c + 4d).
Determine la matriz de f en las bases canónicas.
SO L U C I O N
Encontramos las imágenes con respecto de la base canónica de P3 y luego cada una
de éstas, las expresamos como combinación lineal de la base canónica de P2:
f(t3) = t2 + 0t + 0; f(t2) = t2 + 0t + 2; f(t) = t2 + 0t ± 1; f(1) = 0t2 + 0t + 4.
§1 1 1 0·
¨ ¸
A f ¨0 0 0 0¸ .
¨ 0 2 1 4 ¸
© ¹
EJ E M P L O 7.2.10
Considérese la transformación lineal f : C 2 o C 2 definida por f((a, b)) = (a + b, ib).
Determine la matriz de f en las bases canónicas.
SO L U C I O N
Encontramos las imágenes con respecto de la base canónica de C 2 y luego cada una
de éstas, las expresamos como combinación lineal de la base canónica de C 2:
f((1, 0)) = (1, 0), f((0, i)) = (i, -1).
§1 i ·
Af ¨ ¸.
© 0 1¹
PR O B L E M AS
7.2.1 La transformación lineal definida en el ejemplo 7.2.2 Encuentre la representación matricial A de la

anterior es uno a uno, es decir, f no aplica a dos vectores transformación lineal f, use A para encontrar la imagen
diferentes sobre el mismo vector. Por tanto, existe una del vector v y trace la gráfica de v y su imagen:
transformación lineal que aplica a (3, -1) sobre (1, 0) y a a.- f es la reflexión a través del origen en R 2:
(-1, 2) sobre (0, 1). Esta transformación lineal invierte la f((x, y)) = (-x, -y), v = (3, 4).
aplicación dada por f. Determine la matriz que la b.- f es la reflexión en la recta y = x en R 2:
representa con respecto a las bases canónicas. f((x, y)) = (y, x), v = (3, 4).
c.- f es la rotación de 135° en sentido antihorario en R 2, 7.2.9 Decimos que una recta se aplica sobre sí misma,
v = (4, 4). si cada punto de la recta se aplica sobre un punto de la
d.- f es la rotación de 60° en sentido horario en R 2, recta, pero no todos sobre el mismo punto, aún
v = (1, 2). considerando que los puntos en la recta se pueden
e.- f es la reflexión a través del plano de coordenadas mover de un lado a otro:
XY en R 3: f((x, y, z)) = (x, y, -z), v = (3, 2, 2). a.- Una transformación lineal aplica a (1, 0) sobre
f.- f es la reflexión a través del plano de coordenadas YZ (-1, 0) y a (0, 1) sobre (0, -1). Demuestre que cada recta
en R 3: que pasa por el origen se aplica sobre sí misma.
f((x, y, z)) = (-x, y, z), v = (2, 3, 4). Demuestre que cada una de esas rectas se aplica sobre sí
g.- f es la rotación de 180° en sentido antihorario en R 2, misma con el sentido de la dirección invertido. Esta
v = (1, 2). transformación lineal se llama inversión con respecto al
h.- f es la rotación de 45° en sentido antihorario en R 2, origen. Encuentre la matriz que representa a esta
v = (2, 2). transformación lineal con respecto a la base canónica de
i.- f es la proyección sobre el vector w = (3, 1) en R 2: R 2.
f (v) proywv , v = (1, 4). b.- Una transformación lineal aplica a (1, 1) sobre
j.- f es la proyección sobre el vector w = (-1, 5) en R 2: (-1, -1) y deja fijo a (1, -1). Demuestre que toda recta
f (u) proywu , u = (2, -3). perpendicular a la recta x1 + x2 = 0 se aplica sobre sí
misma, con el sentido de la dirección invertido.
k.- f es la reflexión con respecto al vector w = (3, 1) en Pruebe que cada punto sobre la recta x1 + x2 = 0 se deja
R 2, v = (1, 4). (La reflexión de un vector v a través de w fijo. ¿Cuáles rectas de las que pasan por el origen se
está definida por f (v) 2proywv v ). aplican sobre sí mismas?. Esta transformación lineal se
llama reflexión alrededor de la línea x1 + x2 = 0.
7.2.3 Rote 90° alrededor del punto (5, 3) en sentido Encuentre la matriz que representa a esta transformación
antihorario el triángulo cuyos vértices son (3, 5), (5, 3) y lineal con respecto a la base canónica en R 2. Encuentre
(3, 0). Graficar los triángulos. la matriz que representa a esta transformación lineal con
Encuentre las matrices que representan a esta respecto a la base {(1, 1), (1, -1)}.
transformación lineal con respecto a las bases canónicas c.- Una transformación lineal aplica a (1, 1) sobre
de R 2 y {(1, 1), (1, -2)}. (2, 2) y a (1, -1) sobre (3, -3). Demuestre que las rectas
que pasan por el origen y por los puntos (1, 1) y (1, -1)
7.2.4 Sea la transformación lineal f : R 2 o R 3 que se aplican sobre sí mismas y que ningunas otras rectas
aplica a (1, 1) sobre (0, 1, 2) y a (-1, 1) sobre (2, 1, 0). se aplican sobre sí mismas. Encuentre las matrices que
Determine la matriz que representa a f con respecto a las representan a esta transformación lineal con respecto a
bases S1 = {(1, 0), (0, 1)} en R 2 y S2 = {(1, 0, 0), las bases, canónicas en R 2 y {(1, 1), (1, -1)}.
(0, 1, 0), (0, 0, 1)} en R 3. d.- Una transformación lineal deja fijo a (1, 0) y aplica
(0, 1) sobre (1, 1). Demuestre que cada recta de la forma
§ 1 0 · x2 = c se aplica sobre sí misma y se traslada dentro de sí
7.2.5 Sea A ¨ ¸ , u = (5, 2) y v = (3, -1). Sea misma una distancia igual a c. Esta transformación
© 0 1¹ lineal se llama deslizamiento. ¿Cuáles rectas que pasan
f(w) = Aw para w en R 2: por el origen se aplican sobre sí mismas? Encuentre la
a.- En un sistema de coordenadas rectangulares, grafique matriz que representa a esta transformación lineal con
los vectores u, v, f(u) y f(v). respecto a la base canónica de R 2.
b.- Dé una interpretación geométrica de lo que f hace a un e.- Una transformación lineal aplica a (1, 0) sobre
vector w en R 2. (5/13, 12/13) y a (0, 1) sobre (-12/13, 5/13). Demuestre
que toda recta que pasa por el origen se hace girar en un
7.2.6 Sea f una transformación lineal tal que f(u) = Du ángulo T = ArcCos(5/13), en sentido antihorario. Esta
para u en R n. Encuentre la matriz A para f. transformación lineal se llama rotación. Encuentre la
matriz que representa a esta transformación lineal con
7.2.7 Sea f una transformación lineal de R 2 hacia sí respecto a la base canónica de R 2.
mismo que aplica a (1, 1) sobre (2, -3) y a (1, -1) sobre f.- Una transformación lineal aplica a (1, 0) sobre
(4, -7). Determine la matriz que representa a f con (2/3, 2/3) y a (0, 1) sobre (1/3, 1/3). Demuestre que cada
respecto a las bases canónicas. punto sobre la recta 2x1 + x2 = 3c se aplica sobre el
único punto ( c, c). La recta x1 ± x2 = 0 se deja fija. La
7.2.8 Una transformación afín f : R n o R m tiene la única otra recta que pasa por el origen y se aplica sobre
forma f(u) = Au + b, siendo A una matriz de m x n y con sí misma, es la recta 2x1 + x2 = 0. Esta transformación
b en R m. Demuestre que f no es una transformación lineal lineal se llama proyección sobre la recta x1 ± x2 = 0
cuando b z . paralela a la recta 2x1 + x2 = 0.

2 3
7.2.10 Sea S = {1, x, x , x } una base de P 3 y sea 7.2.18 Sea u = (x, y), v = (-7, 4) y w = (3, -8), y sea
f : P3 o P4 la transformación lineal definida por f : R 2 o R 2 una transformación que transforma u en
x k Dv + E w. Encuentre una matriz tal que f(u) sea Au para
f (xk ) ³0 t dt :
cada u.
a.- Encuentre la matriz A para f con respecto a S y a la
base canónica de P 4. 7.2.19 La transformación lineal definida por una matriz
b.- Use A para integrar p(x) = 15 + 6x ± 2x2 + 5x3. diagonal cuyos elementos en la diagonal principal son
positivos se denomina amplificación. Encontrar las
7.2.11 Use la matriz de rotación en R 2 en sentido imágenes de (1, 0), (0, 1) y (2, 2) bajo la transformación
antihorario para rotar 90° alrededor del origen el § 2 0·
triángulo cuyos vértices son (3, 5), (5, 3) y (3, 0). definida por A ¨ ¸ e interpretar gráficamente los
Grafique los triángulos. © 0 3¹
resultados.
7.2.12 Sean
S1 = {(1, 3), (-2, -2)} y S2 = {(-12, 0), (-4, 4)} 7.2.20 Considere los números complejos de la forma
x + iy y represente tales números complejos por las
§ 3 2·
bases de R 2, y sea A ¨ 2
¸ la matriz de f : R o R
2
diadas (x, y) en R 2. Sea a + ib un número complejo fijo.
© 0 4¹ Considere la función f definida por la regla
con respecto a S1: f(x + iy) = ( a + ib)(x + iy) = u + iv:
a.- Determine la matriz de transición P de S2 a S1. a.- Demuestre que esta función es una transformación
b.- Aplique las matrices A y P para encontrar [v]S1 y lineal de R 2 hacia sí mismo que aplica a (x, y) sobre
(u, v).
§ 1· b.- Encuentre la matriz que representa a esta
[ f (v)]S1 , donde [v]S2
¨ ¸.
©2¹ transformación lineal con respecto a la base canónica.
c.- Determine B , la matriz de f con respecto a S2, y P -1. c.- Encuentre la matriz que representa a la
d.- Encuentre [ f (v)]S2 de dos formas: primero como transformación lineal que se obtiene usando c + id en
lugar de a + ib. Calcule el producto de estas dos
P1[ f (v)]S1 y luego como B[v]S2 . matrices. ¿Se pueden conmutar?
d.- Determine el número complejo que se pueda usar en
7.2.13 En R 3 sean S1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y lugar de a + ib para obtener una transformación
S2 = {(0, 1, 1), (1, 0, 1), (1, 1, 0)}. Encuentre la matriz de representada por este producto de matrices. ¿Cómo está
transición P de S1 hacia S2 y la matriz de transición P -1 relacionado este número complejo con a + ib y c + id?
de S2 hacia S1.
7.2.21 En el espacio C>0; 1@, definamos T( f) como Mf,
7.2.14 Sea S1, S2 y S3 tres base de V. Sea P la matriz de donde Mf es la función de x definida de la manera
transición de S1 hacia S2 y Q la matriz de transición de S2 siguiente, Mf(x) = máximo de f en >0; x@, 0 d x d 1. De
hacia S3. ¿Es PQ o QP la matriz de transición de S1 hacia esto tenemos un ejemplo en un termómetro que registra
S3? Compare el orden de multiplicación de las matrices la temperatura máxima. Se puede demostrar que M f(x)
de transición y de las matrices que representan es función continua en >0; 1@ cuando f también lo es:
transformaciones lineales. a.- Encuéntrese T(f) en
f(x) = x ± x2, f(x) = e-x, f(x) = Sen3x, f(x) = x2 ± x.
7.2.15 Sea f una transformación lineal de R 2 hacía si b.- ¿Es T transformación lineal?
mismo que aplica a (1, 0) sobre (3, -1) y a (0, 1) sobre (- c.- Descríbanse las funciones f para las cuales T( f) es la
1, 2). Determine la matriz que representa a f con respecto función cero.
a las bases canónicas. d.- Descríbanse las funciones f para las cuales T(f) = f.
7.2.16 Sea S = {1, x, ex, xex} una base de un subespacio 7.2.22 Sea f : R 3 o R 3 la transformación lineal
U del espacio de funciones continuas y sea D x el determinada por la matriz
operador diferencial sobre U. Encuentre la matriz para D x § a 0 0·
con respecto a la base S. ¨ ¸
A ¨ 0 b 0¸
¨0 0 ç
7.2.17 Sea S = {e2x, xe2x, x2e2x} una base de un © ¹
subespacio U del espacio de funciones continuas y sea D x donde a , b y c son números positivos. Sea S la esfera
el operador diferencial sobre U. Encuentre la matriz para unitaria, cuya superficie limitante tiene la ecuación
D x con respecto a la base S. x12 x22 x32 1 :

a.- Demuestre que f(S) está delimitada por el elipsoide b.- Utilice el hecho de que el volumen de la esfera
x12 x22 x32 unitaria es 4S/3 para determinar el volumen de la región
que tiene la ecuación 2
2
2
1. acotada por el elipsoide de a).
a b c
7.3 A L G E B R A D E T R A NSF O R M A C I O N ES L I N E A L ES
En esta sección se analizarán las operaciones que se pueden realizar entre transformaciones lineales.
Enunciaremos sus propiedades más importantes.
Comenzamos el estudio sistemático de las transformaciones lineales con la

descripción de varias maneras en que pueden formarse nuevas transformaciones
partiendo de otras. De entre ellas la más simple es la adición de dos
transformaciones lineales, cada una de las cuales aplica un espacio vectorial dado
U en el espacio V.
Sean U y V espacios vectoriales, ambos sobre el mismo cuerpo K . La suma
f + g de las transformaciones lineales f de U en V y g de U en V está dada
por (f + g)(u) = f(u) + g(u) para cada vector u de U.
Ciertamente f + g es función de U en V. No obstante, es natural preguntarse si f + g

es una transformación lineal.
T E O R E M A 7.3.1
La suma f + g de las transformaciones lineales f de U en V y g de U en V,
es una transformación lineal.
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios de K. Para
demostrar que f + g sea una transformación lineal, debemos probar que
(f + g)(au + bv) = a(f + g)(u) + b(f + g)(v).
Es decir
(f + g)(au + bv) = f(au + bv) + g(au + vb)
= [af(u) + bf(v)) + (ag(u) + bg(v))]
= [af(u) + ag(u)) + (bf(v) + bg(v))]
= a[f(u) + g(u)] + b[f(v) + g(v)]
= a(f + g)(u) + b(f + g)(v).
La adición de transformaciones lineales tiene un gran número de propiedades

familiares y sugerentes. En primer lugar f + (g + h) = (f + g) + h y f + g = g + f,
siempre que f, g y h sean transformaciones lineales de U en V. En segundo lugar, la
transformación cero de U en V actúa como un cero para esta adición, ya que f + =
+ f = f para toda f de U en V. Finalmente, si f es cualquier transformación lineal de
U en V y si definimos ±f por la ecuación (-f)(u) = - f(u), para toda u de U, obtenemos
una transformación lineal de U en V con la propiedad de que f + (-f) = (-f) + f = .
A continuación detallaremos la matriz asociada a la transformación lineal f + g. Sean

S1 = {u1, u2, ..., un} y S2 = {v1, v2, ..., vm} bases de los espacios vectoriales U y V
respectivamente, y sean
§ a11 a21 ... an1 · § b11 b21 ... bn1 ·
¨ ¸ ¨ ¸
a a ... a b b22 ... bn 2 ¸
A f ¨ 12 22 n2 ¸
y B g ¨ 12
¨ ... ... ... ¸ ¨ ... ... .. ¸
¨¨ ¸¸ ¨¨ ¸¸
© a1m a2 m ... anm ¹ © b1m b2 m ... bnm ¹
las matrices asociadas a las transformaciones lineales f y g respecto de las bases
consideradas anteriormente. Calculamos los transformados de los elementos de la

base S1, para determinar la matriz asociada a la transformación f + g:
(f + g)(u1) = f(u1) + g(u1)
= (a11v1 + a12v2 + ... + a1mvm) + (b11v1 + b12v2 + ... + b1mvm)
= (a11 + b11)v1 + (a12 + b12)v2 «+ (a1m + b1m)vm
(f + g)(u2) = f(u2) + g(u2)
= (a21v1 + a22v2 + ... + a2mvm) + (b21v1 + b22v2 + ... + b2mvm)
= (a21 + b21)v1 + (a22 + b22)v2 «a2m + b2m)vm
...
(f + g)(un) = f(un) + g(un)
= (an1v1 + an2v2 + ... + anmvm) + (bn1v1 + bn2v2 + ... + bnmvm)
= (an1 + bn1)v1 + (an2 + bn2)v2 «+ (anm + bnm)vm
Por tanto, la matriz asociada en las bases consideradas vendrá dada por
§ a11 b11 a21 b21 ... an1 bn1 ·
¨ ¸
a b a22 b22 ... an 2 bn 2 ¸
A f B g ¨ 12 12
¨ ... ... ... ¸
¨¨ ¸¸
© a1m b1m a2 m b2 m ... anm bnm ¹
es decir, la matriz asociada a la transformación lineal f + g se obtiene sumando
término a término los elementos de las matrices asociadas a la transformaciones
lineales f y g.
EJ E M P L O 7.3.1
La transformación lineal f consiste en que cada vector del plano está vuelto en el
ángulo T = S/4. Hallar en la forma de coordenada la transformación lineal f + i.
SO L U C I O N
Tenemos que
S S 2 2 3S 3S 2 2
f (i ) iCos jSen i j ; f ( j ) iCos jSen i j
4 4 2 2 4 4 2 2
Por consiguiente
§ 2 2·
¨ ¸
Af ¨ 2 2 ¸
.
¨ 2 2 ¸
¨ ¸
© 2 2 ¹
Como Ii es la matriz identidad de 2 x 2, entonces
§ 2 2· § 2 2 ·
¨ ¸ 1 0 ¨ 1 ¸
A f Ii ¨ 2 2 ¸§ · ¨ 2 2 ¸
¨ ¸ .
¨ 2 2 ¸ ©0 1¹ ¨ 2 2 ¸
¨ ¸ ¨ 1¸
© 2 2 ¹ © 2 2 ¹
La transformación lineal Af + Ii se puede escribir como
§§ 2 · 2 2 § 2 · ·
( f i )(( a , b)) ¨ ¨¨ 1¸¸ a b, a ¨¨ 1¸¸ b ¸ .
¨ 2 2 2 ¸
©© ¹ © 2 ¹ ¹
EJ E M P L O 7.3.2
Se dan dos transformaciones lineales
f((a, b, c)) = (a + 2b + 3c, 4a + 5b + 6c, 7a + 8b)
g((a, b, c)) = (a + 3b + c, a ± 3b + 2c, a + c).
Hallar 3f ± 2g.
SO L U C I O N
Como 3f ± 2g : R 3 o R 3, entonces:
3f((a, b, c)) ± 2g((a, b, c)) = 3(a + 2b + 3c, 4a + 5b + 6c, 7a + 8b) - 2(a + 3b + c,
a ± 3b + 2c, a + c)
= (3a + 6b + 9c, 12a + 15b + 18c, 21a + 24b) - (2a + 6b + 2c, 2a ± 6b + 4c, 2a + 2c)
= (a + 7c, 10a + 21b + 14c, 19a + 24b ± 2c).
Para completar lo que ahora debe ser una sucesión obvia de ideas, presentamos
una multiplicación escalar en el conjunto de las transformaciones lineales de U en
V.
El producto escalar af de un escalar a de K y una transformación lineal f
de U en V está dada por ( af)(u) = af(u) para todo vector u de U.
En otras palabras, af es la función cuyo valor en u se calcula formando el producto

escalar de a y el vector f(u).
T E O R E M A 7.3.2
El producto escalar af de un escalar a de K y una transformación lineal f de
U en V, es una transformación lineal.
Sean u y v vectores arbitrarios de U, y sean k y r, escalares arbitrarios. Para
demostrar que af es una transformación lineal, debemos probar que
(af)(ku + rv) = k[(af)(u)] + r[(af)(v)].
Es decir
(af)(ku + rv) = a[f(ku + rv)]
= a[kf(u) + rf(v)]
= (ak)f(u) + (ar)f(v)
= k[af(u)] + r[af(v)]
= k[(af)(u)] + r[(af)(v)].
Sean S1 = {u1, u2, ..., un} y S2 = {v1, v2, ..., vm} bases de los espacios vectoriales U y
V respectivamente, y sea
§ a11 a21 ... an1 ·
¨ ¸
a a22 ... an 2 ¸
A f ¨ 12
¨ ... ... ... ¸
¨¨ ¸¸
© a1m a2 m ... anm ¹
la matriz asociada a la transformación lineal f en las bases consideradas
anteriormente.
Calculamos los transformados de los elementos de la base S1, para determinar la

matriz asociada a la transformación af:
(af)(u1) = af(u1) = a(a11v1 + a12v2 + ... + a1mvm)
= aa11v1 + aa12v2 + ... + aa1mvm
(af)(u2) = af(u2) = a(a21v1 + a22v2 + ... + a2mvm)
= aa21v1 + aa22v2 + ... + aa2mvm
...
(af)(un) = af(un) = a(an1v1 + an2v2 + ... + anmvm)
= aan1v1 + aan2v2 + ... + aanmvm
por tanto, la matriz asociada en las bases consideradas vendrá dada por
§ aa11 aa21 ... aan1 ·
¨ ¸
aa aa22 ... aan 2 ¸
aA f ¨ 12
¨ ... ... ... ¸
¨¨ aa ¸¸
© 1m aa2 m ... aanm ¹
es decir, la matriz asociada a la transformación lineal af se obtiene multiplicando el
escalar a por todos los elementos de la matriz asociada a la transformación lineal f.

Al conjunto de transformaciones lineales f de U en V, se designa por L(U, V). Si

U y V son ambos de dimensión finita, entonces L(U, V) es de dimensión finita, y de
hecho dimL(U, V) = dimUdimV.
T E O R E M A 7.3.3
Con la adición y la multiplicación escalar como se definieron antes,
L(U, V) es un espacio vectorial sobre K .
Es necesario verificar, uno por uno, que los axiomas de la definición de espacio
vectorial son satisfechos. Para comprobar el primer axioma, debemos demostrar que
la suma f + g de las transformaciones lineales es una transformación lineal. Esto ya
se demostró antes. Para comprobar el axioma 6 se debe demostrar que el producto af
del escalar a y la transformación lineal f es una transformación lineal. Esto también
lo hicimos antes. La demostración se termina ahora con el siguiente razonamiento:
L(U, V) es un subconjunto de V(U), y las operaciones de adición y multiplicación
por escalares en L(U, V) y V(U), son las mismas. Como L(U, V) no es vacío y
satisface los dos axiomas 1 y 6, se desprende que L(U, V) es un espacio vectorial. El
espacio L(U, V) es un subespacio de V(U).
Para definir esta multiplicación, sean U, V y W espacios vectoriales, y

consideremos un par de transformaciones lineales f : U o V y g : V o W.
Entonces, para todo u de U, f(u) es un vector en V, y tiene por ello sentido hablar
de aplicar g a f(u) para obtener el vector g(f(u)) de W. Así, f y g pueden
combinarse, o multiplicarse, para producir una transformación de U en W, la que
denotaremos por gf, y llamaremos el producto de f y g en ese orden, es decir, primero
f, luego g.
El producto, gf de las transformaciones lineales f de U en V y g de V en W
se define por (gf)(u) = g(f(u)) para todo vector u de U.
T E O R E M A 7.3.4
El producto gf de las transformaciones lineales f de U en V y g de V en
W es una transformación lineal.
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios. Para
demostrar que gf es una transformación lineal, debemos probar que
(gf)(au + bv) = a[(gf)(u)] + b[(gf)(v)].
Es decir
(gf)(au + bv) = g[f(au + bv)]
= g[af(u) + bf(v)]
= ag[f(u)] + bg[f(v)]
= a[(gf)(u)] + b[(gf)(v)].
Antes de proseguir, es conveniente un comentario sobre la notación. A primera vista

parecería más razonable denotar la composición de f y g por fg en lugar de gf como
arriba aparece. La explicación de no adoptar esta notación es muy simple. Si se usara
gf tendría que cambiarse para que tuviéramos fg(u) = g(f(u)), y la escritura de
ecuaciones se convertiría en una clara invitación al error. Una vez que se ha
establecido la convención de que el símbolo gf es el que se emplea para la
composición de f y g, en ese orden, observamos que esta composición está definida
solamente cuando la imagen de f está contenida en el dominio de g. Así pues, una de
las composiciones fg ó gf puede existir y el otro no. Pero incluso cuando tanto f como
g transformen un espacio vectorial dado en sí mismo, en cuyo caso fg y gf son
transformaciones lineales en el mismo espacio, no es cierto en forma alguna que

deban ser iguales. En resumen la composición de transformaciones lineales es

anticonmutativa.
A continuación damos la representación matricial de la transformación lineal gf.

Sean S1 = {u1, u2, ..., un}, S2 = {v1, v2, ..., vr} y S3 = {w1, w2, ..., wm} bases de los
espacios vectoriales U, V y W respectivamente, y sean
§ a11 a21 ... an1 · § b11 b21 ... br1 ·
¨ ¸ ¨ ¸
a a22 ... an 2 ¸ b b22 ... br 2 ¸
A f ¨ 12 y B g ¨ 12
¨ ... ... ... ¸ ¨ ... ... ... ¸
¨¨ a ¸
¸ ¨
¨ ¸¸
© 1r a2 r ... anr ¹ © b1m b2 m ... brm ¹
las matrices asociadas a las transformaciones lineales f y g respecto de las bases
consideradas anteriormente. Calculamos los transformados de los elementos de la
base S1, para determinar la matriz asociada a la transformación gf:
(gf)(u1) = g(f(u1))
= g(a11v1 + a12v2 + ... + a1rvr)
= a11g(v1) + a12g(v2«a1rg(vr)
= a11(b11w1 + b12w2 + ... + b1mwm) + a12(b21w1 + b22w2 + ... + b2mwm«
a1r(br1w1 + br2w2 + ... + br mwm)
= c11w1 + c12w2 + ... + c1mwm
(gf)(u2) = g(f(u2))
= g(a21v1 + a22v2 + ... + a2rvr)
= a21g(v1) + a22g(v2«a2rg(vr)
= a21(b11w1 + b12w2 + ... + b1mwm) + a22(b21w1 + b22w2 + ... + b2mwm«
a2r(br1w1 + br2w2 + ... + br mwm)
= c21w1 + c22w2 + ... + c2mwm
...
(gf)(un) = g(f(un))
= g(an1v1 + an2v2 + ... + anrvr)
= an1g(v1) + an2g(v2«anrg(vr)
= an1(b11w1 + b12w2 + ... + b1mwm) + an2(b21w1 + b22w2 + ... + b2mwm«
anr(br1w1 + br2w2 + ... + br mwm)
= cn1w1 + cn2w2 + ... + cnmwm
donde
c11 = a11b11 + a12b21 + ... + a1rbr1
c21 = a11b12 + a12b22 + ... + a1rbr2
...
cij = ai1b1j + a i2b2j + ... + a irbrj
...
cnm = an1b1m + an2b2m + ... + an rbr m
y la matriz asociada a la transformación lineal gf respecto de las bases consideradas,
será:
§ c11 c21 ... cn1 ·
¨ ¸
c c22 ... cn 2 ¸
B g A f ¨ 12
¨ ... ... ... ¸
¨¨ ¸¸
© c1m c2 m ... cnm ¹
esto es, los elementos c ij de la matriz asociada a la transformación lineal gf se
obtienen sumando los productos que resultan de multiplicar los elementos de la fila
que ocupa el lugar j en la matriz Bg por los elementos de la columna que ocupa el
lugar i de la matriz A.
Relacionando las operaciones de adición y multiplicación de transformaciones

lineales, tenemos dos leyes distributivas.

T E O R E M A 7.3.5
Sean f y g transformaciones lineales de U en V y h y t transformaciones
lineales de V en W. Entonces tenemos:
a.- h(f + g) = hf + hg;
b.- (h + t)f = hf + tf.
a.- Como f + g va de U en V y h va de V en W, entonces h(f + g) es una función de
U en W. Análogamente, hf va de U en W y hg va de U en W y así hf + hg es una
función de U en W. Por tanto, para demostrar que h(f + g) = hf + hg, debemos
evaluar cada miembro en un vector arbitrario u de U y comprobar que los dos
resultados son siempre iguales. Es decir
[h(f + g)](u) = h[(f + g)(u)]
= h[f(u) + g(u)]
= h[f(u)] + h[g(u)]
= (hf)(u) + (hg)(u)
= (hf + hg)(u)
b.- Como h + t va de V en W y f va de U en V, entonces (h + t)f es una función de
U en W. Análogamente, hf va de U en W y tf va de U en W y así hf + tf es una
función de U en W. Por tanto, para demostrar que (h + t)f = hf + tf, debemos evaluar
cada miembro en un vector arbitrario u de U y comprobar que los dos resultados son
siempre iguales. Es decir
[(h + t)f](u) = (h + t)[f(u)] = h[f(u)] + t[f(u)] = (hf)(u) + (tf)(u) = (hf + tf)(u).
Obsérvese que en el primer producto, h aparece a la izquierda, mientras que en el

segundo producto, f aparece a la derecha. Debido a que la multiplicación de las
transformaciones lineales no es conmutativa, las dos fórmulas no pueden
comprimirse en una sola ley distributiva. La primera fórmula se llama ley
distributiva a la izquierda y, la segunda fórmula, ley distributiva a la derecha. Sean
las transformaciones lineales f de U en V y g de V en W, y a un escalar arbitrario.
Entonces
a(gf) = (ag)f = g(af).
Hemos presentado los resultados básicos referentes a las sumas, a los productos
escalares y a los productos de transformaciones lineales.
Consideremos ahora el caso especial de las transformaciones lineales de V en V; esto

es, estudiaremos ahora L(V, V).
T E O R E M A 7.3.6
Sea V un espacio vectorial sobre un cuerpo K. Entonces L(V, V) cumple lo
siguiente:
a.- L(V, V) es un espacio vectorial sobre K ;
b.- L(V, V) es cerrado bajo la multiplicación;
c.- f(gh) = (fg)h para toda f, g y h de L(V, V);
d.- Para cualesquiera f, g y h de L(V, V) tenemos
f(g + h) = fg + fh y (g + h)f = gf + hf;
e.- Para un escalar a de K y cualesquiera f y g de L(V, V), tenemos que

a(fg) = (af)g = f(ag);

f.- i(f) = f para toda f de L(V, V).
EJ E M P L O 7.3.3
Se dan dos transformaciones lineales:
f((a, b, c)) = (a + b, b + c, c + a) y g((a, b, c)) = (b + c, a + c, a + b).
Hallar las transformaciones fg y gf.
SO L U C I O N
Las matrices de las transformaciones dadas tienen la forma
§1 1 0· §0 1 1·
¨ ¸ ¨ ¸
A f ¨ 0 1 1 ¸ , Bg ¨ 1 0 1 ¸ .
¨1 0 1¸ ¨1 1 0¸
© ¹ © ¹
Hallamos los productos de estas matrices:
§ 1 1 0 ·§ 0 1 1 · § 1 1 2 ·
¨ ¸¨ ¸ ¨ ¸
A f Bg ¨ 0 1 1 ¸¨ 1 0 1 ¸ ¨ 2 1 1 ¸ ,
¨ 1 0 1 ¸¨ 1 1 0 ¸ ¨ 1 2 1 ¸
© ¹© ¹ © ¹
§ 0 1 1 ·§ 1 1 0 · § 1 1 2 ·
¨ ¸¨ ¸ ¨ ¸
Bg A f ¨ 1 0 1 ¸¨ 0 1 1 ¸ ¨ 2 1 1 ¸ .
¨ 1 1 0 ¸¨ 1 0 1 ¸ ¨ 1 2 1 ¸
© ¹© ¹ © ¹
En este caso AfBg = BgAf, por eso las transformaciones fg y gf coinciden. La forma
de coordenadas de la transformación fg se escribe de la forma siguiente:
gf((a, b, c)) = fg((a, b, c) = (a + b + 2c, 2a + b + c, a + 2b + c).
EJ E M P L O 7.3.4
Demuestre que si f : U o V, g : V o W y h : W o X son tres transformaciones,
tenemos entonces que h(gf) = (hg)f.
SO L U C I O N
Las transformaciones h(gf) y (hg)f tienen ambas dominio U y valores en X. Para cada
u de V, tenemos
(h(gf))(u) = h((gf)(u)) = h(g(f(u))) y ((hg)f)(u) = (hg)(f(u)) = h(g(f(u)))
lo que demuestra que h(gf) y (hg)f.
EJ E M P L O 7.3.5
Sea V = R 2. Sea S = {e1, e2} la base canónica de R 2. Defínanse f y g en L(V, V) tales
que cumplan f(e1) = e2, f(e2) = , g(e1) = e1 + e2, g(e2) = . Demuestre que aunque
fg y gf están ambas en L(V, V), fg z gf.
SO L U C I O N
Hacemos la combinación lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) ® .
¯E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(0, 1) + b(0, 0) = (0, a)
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) ® .
¯E b
g((a, b)) = ag((1, 0)) + bg((0, 1)) = a(1, 1) + b(0, 0) = (a, a)
(fg)(a, b) = (0, a), (gf)(a, b) = (0, 0) fg z gf.
Otra forma de resolver este problema, es el siguiente: Sabemos que S = {(1, 0),
(0,1)}, entonces:
§0 0·
f((1, 0)) = (0, 1), f((0, 1)) = (0, 0) A f ¨ ¸;
©1 0¹

§1 0 ·
g((1, 0)) = (1, 1), g((0, 1)) = (0, 0) A g ¨ ¸.
©1 0 ¹
§ 0 0 ·§1 0· § 0 0· §1 0 ·§ 0 0 · § 0 0 ·
A f Ag ¨ ¸¨ ¸ ¨ ¸ , Ag A f ¨ ¸¨ ¸ ¨ ¸
© 1 0 ¹©1 0¹ ©1 0¹ ©1 0 ¹© 1 0 ¹ © 0 0 ¹
Por tanto f g z g f .
EJ E M P L O 7.3.6
Sea V un espacio vectorial. Sean f, g de L(V, V). Demuestre que
(f + g)2 = f2 + 2fg + g2
si y sólo si fg = gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definición
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2.
Como fg = gf, entonces
(f + g)2 = f2 + 2fg + g2.
EJ E M P L O 7.3.7
Sea V un espacio vectorial. Sea f de L(V, V). ¿Implica siempre f2 = , que f = ?
¿Por qué?
SO L U C I O N
Como f : V o V, entonces f2 : V o V. Por lo tanto f2 = ff es la composición de f
consigo mismo, entonces la transformación lineal f es nula, para que f2 = .
EJ E M P L O 7.3.8
Sean f : V o V y g : V o V transformaciones lineales. Si f y g conmutan, demostrar
que (fg)n = fngn, para todo n t 0.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definición fg : V o V y (fg)n : V o V.
Por lo tanto
( fg )n ( fg )( fg ) ( fg )
n veces
Como por hipótesis tenemos que fg = gf, entonces (fg)n = fngn.
EJ E M P L O 7.3.9
Sea V un espacio vectorial. Si f y g conmutan, demostrar que
(f + g)2 = f2 + 2fg + g2 y (f + g)3 = f3 + 3f2g + 3fg2 + g3.
Indicar cómo deben modificarse esas fórmulas si fg z gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definición
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2,
(f + g)3 = (f + g)2(f + g)
= (f2 + fg + gf + g2)(f + g)
= f3 + f2g + fgf + fg2 + gf2 + gfg + g2f + g3.
Como por hipótesis tenemos fg = gf, entonces
(f + g)2 = (f + g)(f + g) = f2 + 2fg + g2,
(f + g) = (f + g) (f + g) = (f2 + fg + gf + g2)(f + g) = f3 + 3f2g + 3fg2 + g3.
3 2
Si fg z gf, es decir las transformaciones lineales f y g no son conmutativas, entonces

(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2,
(f + g)3 = (f + g)2(f + g) = (f2 + fg + gf + g2)(f + g)

= f3 + f2g + fgf + fg2 + gf2 + gfg + g2f + g3.
EJ E M P L O 7.3.10
Dadas las transformaciones lineales f : R 3 o R 3 y g : R 3 o R 3, definidas por
f((a, b, c)) = (a + b, b ± c, 2c) y g((a, b, c)) = (a, 2a + 3b, 4a + c),
describir las transformaciones lineales indicadas a continuación:
a.- 2f - g; b.- f2 + g2; c.- 3f + 5g; d.- fg - gf; e.- f2 + 2f + g.
SO L U C I O N
a.- Como 2f ± g : R 3 o R 3, entonces:
2f((a, b, c)) ± g((a, b, c)) = 2(a + b, b ± c, 2c) ± (a, 2a + 3b, 4a + c)
= (a + 2b, - 2a ± b ± 2c, - 4a + 3c);
b.- Como f2 + g2 : R 3 o R 3, entonces:
f2((a, b, c)) ± g2((a, b, c)) = (a + 2b ± c, b ± 3c, 4c) - (a, 8a + 9b, 8a + c)
= (2b ± c, - 8a ± 8b ± 3c, - 8a + 3c);
c.- Como 3f + 5g : R 3 o R 3, entonces:
3f((a, b, c)) + 5g((a, b, c)) = 3(a + b, b ± c, 2c) + 5(a, 2a + 3b, 4a + c)
= (8a + 3b, 10a + 18b ± 3c, 20a + 11c);
3 3
d.- Como fg ± gf : R o R , entonces:
fg((a, b, c)) ± gf((a, b, c)) = (3a + 3b, - 2a + 3b ± c, 8a + 2c) ± (a + b, 2a + 5b ± 3c,
4a + 4b + 2c)
= (2a + 2b, - 4a ± 2b + 2c, 4a ± 4b)
e.- Como f2 + 2f + g : R 3 o R 3, entonces:
f2((a, b, c)) + 2f((a, b, c)) + g((a, b, c)) = (a + 2b ± c, b ± 3c, 4c) + 2(a + b, b ± c, 2c)
+ (a, 2a + 3b, 4a + c)
= (4a + 4b ± c, 2a + 6b ± 5c, 4a + 9c).
PR O B L E M AS
7.3.1 Si P es el conjunto de los polinomios en x sobre R, c.- Resolver la parte b) si la base canónica se reemplaza
sean f : P o P, definida por f(p(x)) = p´(x) y g : P o P, por {2 e1 ± e2, e1 + 4e2}.
x
definida por g ( p( x)) ³0 p(t )dt . Pruebe lo siguiente:
7.3.5 Una transformación lineal f : R 2 o R 2 se define
a.- fg = i; b.- gf z i. de la siguiente manera: cada vector u R 2 se
transforma en su simétrico respecto al eje Y y luego se
7.3.2 En el espacio vectorial de todas las funciones duplica su longitud para obtener f(u). Determine la
reales, cada uno de los siguientes conjuntos es matriz de f y la de f2.
independiente y genera un subespacio V de dimensión
finita. Utilizar el conjunto dado como base para V y sea 7.3.6 Encontrar la potencia indicada de A, la matriz de
D : V o V el operador derivación. En cada caso, hallar la transformación lineal f:
la matriz D y la de D 2 relativa a la base que se elige: a.- f : R 3 o R 3, reflexión en el plano XY. Encontrar A 2.
a.- {Senx, Cosx}; b.- {x, x + e x, x + ex + xex}; b.- f : R 3 o R 3, proyección sobre el plano XY.
x 2 x
c.- {x, xe , x e }; d.- {e2xSen3x, e2x Cos3x}; Encuentre A 2.
x x 2 x
e.- {e , xe , x e }; f.- {exSenx, ex Cosx}. c.- f : R 2 o R 2, rotación de un ángulo T en sentido
antihorario. Encontrar A 3.
7.3.3 Encuéntrense ejemplos de transformaciones d.- f : P 3 o P 3, operador diferencial. Encontrar A 2.
lineales S, T tales que TS está definido, T z O, S z O y
TS = O. 7.3.7 Sea f : R 3 o R 3 la proyección ortogonal de R 3
sobre el plano XY. Demuestre que f f = f.
7.3.4 Una transformación lineal f : R 2 o R 2 aplica los
vectores base e1 y e2 como sigue: 7.3.8 Sean f : R n o R m, g : R m o R s, h : R m o R s
f(e1) = 3e1 + 5e2 y f(e2) = 2 e1 ± 3e2: transformaciones lineales. Demuestre la propiedad
a.- Calcular f(9e1 ± 7e2) y f2(9e1 ± 7e2) en función de e1 y distributiva de la composición respecto de la suma:
e2. f (g + h) = f g + f h.
b.- Determinar la matriz de f y de f2. ¿Es esta propiedad válida para funciones en general?
7.3.9 Sea f : R n o R m, g : R m o R s, h : R s o R t a.- Una rotación de 90º en sentido antihorario

transformaciones lineales. Demuestre la propiedad b.- Una proyección ortogonal sobre el eje Y, seguida de
asociativa de su composición. Es decir, demuestre que una contracción con factor k = ½;
las transformaciones lineales h (g f), (h g) f son c.- Una reflexión con respecto al eje X, seguida de una
iguales. ¿Es esta propiedad válida para funciones en dilatación con factor k = 3.
general?
7.3.18 Sea T una transformación lineal de R 2 con la
7.3.10 Sea f : R o R definida por f (v) proyu v , en propiedad de que T(e1) = (1, 1), T(e2) = (0, 1), de
manera que T(x, y) = (x, x + y):
donde u = (4, 3):
a.- Encuéntrense T 2(e1) y T 2(e2) y, en consecuencia,
a.- Determinar A, y demuestre que A 2 = A.
obténgase T 2(x, y). A continuación, demuéstrese que
b.- Demuestre que (I ± A)2 = I ± A.
c.- Encuentre A v y (I ± A)v para v = (5, 0). T 2 - 2T + I = O y que (T ± I)2 = O, aunque T ± I z O.
d.- Trazar la gráfica de u, v, A v y (I ± A)v. b.- A partir de los resultados de a), verifíquese que
(T ± I)4 = O y que T 4 = 4T 2 - 4T + I.
7.3.11 Considere las transformaciones lineales c.- A partir de los resultados de las partes a) y b),
dedúzcase que T 4 = 4T - 3I y encuéntrense T 4(4, -2) y
f : R 3 o R 2, f(( a , b, c)) = ( a - b, a + b),
T 4(1, 4).
g : R 2 o R 3, g((a , b)) = (b, a , a ± b).
d.- De los resultados anteriores, demuéstrese que
Determine expresiones explícitas para las
T 3 = 3T - 2I y evalúense T 3(5, 7) y T 3(1, 4).
transformaciones lineales f g : R 2 o R 2 y g f : R 3 o R 3.
Verifique en cada caso que la matriz que representa a la
7.3.19 Sean f : U o V y g : U o V transformaciones
composición de transformaciones es el producto de las
matrices que representan a cada una de las lineales. Las funciones (f + g) : U o V y (f - g) : U o V
se definen como
transformaciones lineales que se componen.
(f + g)(u) = f(u) + g(u) y (f - g)(u) = f(u) - g(u).
Demuestre que f + g y f ± g son transformaciones lineales.
7.3.12 Usando multiplicación matricial encuentre la
Encontrar
imagen del vector (3, -1, 2) cuando se hace girar:
(f + g)(a, b) y (f ± g)(a, b)
a.- 30º en sentido antihorario con respecto al eje X;
b.- 45º en sentido antihorario con respecto al eje Y; si f : R 2 o R 2 y g : R 2 o R 2 están definidas por las
c.- 90º en sentido antihorario con respecto al eje Z. fórmulas
f(a, b) = (-5b, 2a) y g(a, b) = (2b, 3a).
7.3.13 Usando multiplicación matricial encuentre la a.- Una reflexión respecto al plano YZ, seguida de una
proyección ortogonal de (3, -4) sobre: proyección ortogonal sobre el plano XZ;
a.- El eje X; b.- El eje Y. b.- Una rotación de 45º en sentido antihorario respecto al
eje Y, seguida de una dilatación con factor k = 3/2;
7.3.14 Usando multiplicación matricial encuentre la c.- Una proyección ortogonal sobre el plano XY, seguida
proyección ortogonal de (-1, 3, -2) sobre: de una reflexión con respecto al plano YZ.
a.- El plano XY; b.- El plano XZ; c.- El plano YZ.
7.3.20 Sea U un espacio vectorial complejo y
7.3.15 Usando multiplicación matricial encuentre la unidimensional, de manera que se pueden representar
imagen del vector (-1, 4, 7) cuando se hace girar: los vectores de U como números complejos z, Sean S, T
a.- -30º en sentido horario con respecto al eje X; transformaciones lineales de U, definidas por
iS
b.- -45º en sentido horario con respecto al eje Y;
c.- -90º en sentido horario con respecto al eje Z. S( z ) e 4 z , T(z) = iz. Demuéstrese que:
a.- T 2 = -I; b.- T 4 = I; c.- S2 = T; d.- S4 = -I;
7.3.16 Determine si f g = g f: e.- STST = -T; f.- S8 = I; g.- ST = TS = S3.
a.- f : R 2 o R 2 es la proyección ortogonal sobre el eje X y d.- f : R 2 o R 2 es la proyección ortogonal sobre el eje X
g : R 2 o R 2 es la proyección ortogonal sobre el eje Y. y g : R 2 o R 2 es la rotación en sentido antihorario hasta
b.- f : R 2 o R 2 es la rotación en sentido antihorario hasta describir un ángulo T.
describir un ángulo T1 y g : R 2 o R 2 es la rotación en
sentido antihorario hasta describir un ángulo T2. 7.3.21 Sean f : U o V una transformación lineal y O un
c.- f : R 2 o R 2 es la reflexión respecto al eje X y g : R 2 o escalar. La función Of : U o V se define como seguida
R 2 es la reflexión respecto al eje Y; de una reflexión con respecto a la recta y = x; (Of)(u) =
O(f(u)). Demuestre que Of es una transformación lineal.
7.3.17 Encuentre la matriz estándar para la composición Encontrar (5f)(a, b) si f : R 2 o R 2 está expresada por la
de operadores lineales sobre R 2 que se indica: fórmula f(a, b) = (3a - b, 2b + a).

7.3.22 Encuentre la matriz estándar para la composición 7.3.25 Usando multiplicación matricial encuentre la
de operadores lineales sobre R 3 que se indica: imagen del vector (5, -2) cuando se hace girar un ángulo
a.- f : R 3 o R 3 es una dilatación con factor k y g : R 3 o de:
R 3 es la rotación en sentido antihorario con respecto al eje a.- T = 30º; b.- T = -60º; c.- T = 45º; d.- T = 90º.
Z hasta describir un ángulo T;
b.- f : R 3 o R 3 es la rotación con respecto al eje X hasta 7.3.26 Encuentre la matriz estándar para la composición
describir un ángulo T1 y g : R 3 o R 3 es la rotación con de operadores lineales sobre R 2 que se indica:
respecto al eje Z hasta describir un ángulo T2. a.- Una rotación de 60º en sentido antihorario seguida de
una proyección ortogonal sobre el eje X, seguida de una
7.3.23 Determínese si las transformaciones lineales reflexión con respecto a la recta y = x;
siguientes son nilpotentes, idempotentes o ninguna de las b.- Una dilatación con factor k = 2, seguida de una
dos cosas: rotación de 45º en sentido antihorario, seguida de una
a.- T(x, y) = (-x, -y); b.- T(x, y, z) = (y + z, z, 0); reflexión con respecto al eje Y;
c.- T(x, y) = (0, x); d.- T(x, y, z) = (z, x, y); c.- Una rotación de 15º en sentido antihorario, seguida de
e.- T(x, y) = (x, 0); f.- T(x, y, z) = (x, 0, z). una rotación de 105º en sentido antihorario, seguida de
una rotación de 60º en sentido antihorario.
7.3.24 Sea T una transformación lineal de R 2 con la
propiedad de que T( e1) = (1, 2), T( e2) = (3, 1), de manera 7.3.27 Encuentre la matriz estándar para la composición
que T(x, y) = (x + 3y, 2x + y): de operadores lineales sobre R 3 que se indica:
a.- Encuéntrense T2(e1) y T2(e2) y, en consecuencia, a.- Una reflexión respecto al plano XY, seguida de una
obténgase T2(x, y); entonces, demuéstrese que T2 = 2T + reflexión respecto al plano XZ, seguida de una proyección
5I. ortogonal sobre el plano YZ;
b.- A partir del resultado de a), verifíquese que T 4 = 4T2 b.- Una rotación de 30º en sentido antihorario respecto al
+ 20T + 25I. eje X, seguida de una rotación de 30º en sentido
c.- De los resultados de las partes a) y b), dedúzcase que antihorario respecto al eje Z, seguida por una contracción
T4 = 28T + 45I y, en consecuencia, encuéntrense con factor k = ½;
T4(3, 2) y T4(-1, 7). c.- Una rotación de 270º en sentido antihorario respecto
d.- A partir de los resultados anteriores, demuéstrese al eje X, seguida de una rotación de 90º en sentido
que T3 = 9T + 10I y, en consecuencia, encuéntrense antihorario respecto al eje Y, seguida de una rotación de
T3(5, 1) y T3(0, 6). 180º respecto al eje Z.
7.4 NU C L E O E I M A G E N D E UN A T R A NSF O R M A C I O N L I N E A L
En esta sección se estudiarán el núcleo e imagen de una transformación lineal. Se enunciaran las propiedades más
importantes.
Desde el punto de vista de las transformaciones matriciales, el espacio nulo de A

consta de todos los vectores u en R n que la multiplicación por A aplica o transforma
en 0, y el espacio columna consta de todos los vectores en R m que son imágenes de
por lo menos un vector en R n bajo la multiplicación por A.
Sea f una transformación de U en V. El núcleo de la transformación lineal f,
es el conjunto de todos los vectores u de U tales que f(u) = , es decir:
Nuc(f) = {u / u U y f(u) = , V}
Entonces como ya hemos hecho notar, Nuc(f) siempre contiene al vector cero de U.
De hecho, podemos decir mucho más que esto, pues si f(u) = f(v) = , entonces:
f(au + bv) = af(u) + bf(v) = , para todo a, b K , y de ello se sigue que Nuc(f) es un
subespacio de U. A este subespacio le llamamos el espacio nulo o núcleo de f, y es
de fundamental importancia en el estudio del comportamiento de f en U.
T E O R E M A 7.4.1
Sea f una transformación lineal de U en V. El núcleo o espacio nulo de
una transformación lineal f es un subespacio del dominio U.
Observe que f() = . Puesto que
f() = f( + ) = f() + f().
Sumando ±f() a cada miembro, obtenemos = f(). Por tanto, siempre hay un
vector, es decir, el vector cero de U en el núcleo de f. Para demostrar que el núcleo
de f es un subespacio, admitamos que los vectores u y v de U están en el núcleo de f
y sean a y b escalares arbitrarios. Entonces f(u) = y f(v) = . Por tanto,
f(au + bv) = af(u) + bf(v) = a + b = .
Por consiguiente, au + bv está en el núcleo de f. En consecuencia, el núcleo de f es un
subespacio de U.
EJ E M P L O 7.4.1
Sea f : R 2 o R 2 una transformación lineal tal que f((3, 2)) = (0, 0) y f((1, 3)) = u z ,
demuestre que el núcleo de f es una recta en el plano XY que pasa por el origen.
Encuentre su ecuación.
SO L U C I O N
Hacemos la combinación lineal con un vector (a, b):
1
3D E a °° D 7 (3a b)
(a, b) = D(3, 2) + E(1, 3) ® ®
¯2D 3E b °E 1 (2 a 3b)
°̄ 7
De donde
1 1
f (( a, b)) Df ((3, 2)) Ef ((1, 3)) (3a b)(0, 0) (2 a 3b)( x, y)
7 7
1
(2 xa 3xb, 2 ya 3 yb) .
7
Por tanto encontramos el núcleo de la siguiente manera:
2 xa 3xb 0 2 a 3b 0
® ® 2a ± 3b = 0
¯ 2 ya 3 yb 0 ¯2 a 3b 0
En este caso podemos darnos cuenta que el núcleo de f es una recta en el plano XY
que además pasa por el origen.
EJ E M P L O 7.4.2
§ 1 1 ·
Sea :(2, 2) el espacio vectorial de matrices 2 x 2 sobre R y M ¨ ¸ . Sea
© 2 2 ¹
f : :(2, 2) o :(2, 2) la transformación lineal definida por f(A) = M A. Hallar una
base y la dimensión del Nuc(f).
SO L U C I O N
Aplicando la definición de núcleo, tenemos que
Nuc(f) = {A :(2, 2) / f(A) = , :(2, 2)}
§ a b · § 1 1 ·§ a b · § 0 0 · °
° ½
®¨ ¸ ¨ ¸¨ ¸ ¨ ¸¾ .
°©
¯ c d ¹ © 2 2 ¹© c d ¹ © 0 0 ¹¿
°
Resolviendo el sistema de ecuaciones, obtenemos
°§ a b · a c ½
°
°§1 0 · § 0 1· ½ °
Nuc( f ) ®¨ ¸ ¾ BaseNuc( f ) ®¨ ¸, ¨ ¸¾
°
¯© c d ¹ b d °
¿ °
¯© 1 0 ¹ © 0 1 ¹ °
¿
por lo tanto Dim Nuc(f) = 2.
EJ E M P L O 7.4.3
Encuentre una transformación lineal f de R 2 en R 2 cuyo núcleo sea la recta
2x + 5y = 0.

SO L U C I O N
Sabemos que Nuc(f) = {(x , y) / 2x + 5y = 0}, entonces la transformación lineal
f : R 2 o R 2 puede ser:
f((x, y)) = (2x + 5y, 2kx + 5ky), k z 0.
De igual importancia que el espacio nulo de f es su imagen, Img(f), la cual definimos

a continuación.
Sea f una transformación lineal de U en V. La imagen de U bajo f, es el
conjunto de todos los vectores v de V tales que v = f(u) para cierto u de U.
Es decir:
Img(f) = {v V / u U y v = f(u)}.
La imagen de f no es solamente el conjunto f(u), sino que a él se le considera con la

estructura de espacio vectorial, subespacio de V, ya que si v1 y v2 pertenecen a la
Img(f) con v1 = f(u1) y v2 = f(u2), entonces:
f( au1 + bu2) = af(u1) + bf(u2) = av1 + bv2
de donde av1 + bv2 está también en la imagen de f.
T E O R E M A 7.4.2
Sea f una transformación lineal de U en V. El conjunto imagen de f es un
subespacio de V.
Considere que los vectores v y w de V están en el conjunto imagen de f. Entonces
v = f(u1) y w = f(u2) para ciertos vectores u1 y u2 de U. Sean a y b escalares
arbitrarios. Entonces
av + bw = af(u1) + bf(u2) = f(au1 + bu2).
Por tanto, av + bw es un valor funcional bajo la función f y, en consecuencia, av + bw
está en el conjunto imagen de f. En consecuencia el conjunto imagen de f es un
subespacio de V.
T E O R E M A 7.4.3
Sea f una transformación lineal de U en V. Entonces
Dim Img(f) + Dim Nuc(f) = DimU.
Como la imagen de f es un subespacio del espacio V de dimensión finita, la imagen
de f es también de dimensión finita. Por esta razón, podemos hallar una base para la
imagen de f. Sea esta base S1 = {v1, v2, ..., vm} donde m = Dim Img(f). Como los
elementos de S1 están todos en la imagen de f hay vectores S = {u1, u2, ..., um} de U
tales que f(u1) = v1, f(u2) = v2, ..., f(um) = vm. Afirmamos que los elementos de S son
vectores linealmente independientes de U. Pues sean a1, a2, ..., am escalares
arbitrarios y consideremos que la ecuación a1u1 + a2u2 + ... + amum = . Aplicando la
transformación f a cada miembro y utilizando f(u1) = v1, f(u2) = v2, ..., f(um) = vm,
obtenemos a1v1 + a2v2 + ... + amvm = . Como los elementos de S1 son vectores
linealmente independientes de V, tenemos que a1 = a2 = ... = am = 0. Por tanto, en la
ecuación, todos los escalares a1, a2, ..., am deben ser cero. En consecuencia, los
elementos de S son linealmente independientes. Como el núcleo de f es un
subespacio de U, podemos hallar una base S2 = {w1, w2, ..., wk} del núcleo de f. Aquí,
k = DimNuc(f). Afirmamos que S3 = {w1, w2, ..., wk, u1, u2, ..., um} es una base de U.
Demostremos que los elementos de S3 generan U. Sea u de U. Entonces f(u) está en
la imagen de f, y así f(u) = b1v1 + b2v2 + ... + bmvm para ciertos escalares arbitrarios b1,
b2, ..., bm. Entonces
f(u ± b1u1 - b2u2 - ... - bmum) = f(u) ± b1v1 - b2v2 - ... - bmvm = .
Por tanto, u = b1u1 + b2u2 + ... + bmum está en el núcleo de f y, en consecuencia, es
igual a la combinación lineal c1w1 + c2w2 + ... + ckwk de los vectores de la base S2 del
núcleo de f. De manera que

u = b1u1 + b2u2 + ... + bmum + c1w1 + c2w2 + ... + ckwk.
Consiguientemente, los elementos de S1 generan U. Demostremos a continuación
estos generadores para la independencia lineal. Escribimos la ecuación
b1u1 + b2u2 + ... + bmum + c1w1 + c2w2 + ... + ckwk =
donde b1, b2, ..., bm, c1, c2, ..., ck son escalares. Aplicando la transformación f a cada
miembro de esta ecuación, y utilizando f(w1) = f(w2) = ... = f(wk) = , obtenemos
b1v1 + b2v2 + ... + bmvm = . En vista de la independencia lineal de S1, podemos ver
ahora que b1 = b2 = ... = bm = 0. Por tanto la ecuación se reduce a c1w1 + c2w2 + ... +
ckwk = y, debido a la independencia lineal de S2, tenemos c1 = c2 = ... = ck = 0. Por
consiguiente, vemos que todos los escalares son cero. De esta manera, hemos
demostrado que S3 es base de U. En consecuencia
DimU = m + k = DimImg(f) + DimNuc(f).
Sea f una transformación lineal de U en V. La dimensión del núcleo de f se llama

nulidad de f. La dimensión de la imagen de f se llama rango de f. Para expresarlo
más detalladamente, a continuación damos las definiciones.
Dada una transformación lineal f de U en V, donde U es un espacio
vectorial de tipo finito, se denomina rango de f, y se representa por
Rang(f) a la dimensión del subespacio vectorial imagen. La nulidad de
una transformación lineal f es la dimensión del núcleo de dicha
transformación, en el caso de que sea finita dicha dimensión.
Según la definición, el rango de la transformación lineal f no puede exceder a la

dimensión de U, es decir: Rang(f) d DimU, es también evidente que si V es de tipo
finito, también se satisface la desigualdad Rang(f) d DimV. El resultado anterior, con
la definición de rango de una transformación lineal, puede expresarse en los términos
siguientes: Rang(f) = DimU ± Dim Nuc(f).
EJ E M P L O 7.4.4
Sea f : R 2 o R 3 tal que f(u1) = 2v1 + v2 ± v3, f(u2) = - v1 ± 3v2 + 2v3, donde {u1, u2}
forman una base para el conjunto R 2 y {v1, v2, v3} una base para el conjunto R 3.
Hallar la imagen del vector u = (2, 1).
SO L U C I O N
f(u) = f(2u1 + u2) = 2f(u1) + f(u2) = 2(2v1 + v2 ± v3) + (- v1 ± 3v2 + 2v3) = 3v1 ± v2.
La imagen del vector u es el vector f(u) de coordenadas (3, -1, 0).
EJ E M P L O 7.4.5
Demuestre que si f y g son transformaciones lineales de U hacia V (DimU = n y
DimV = m), entonces Rang(f + g) d mín{m, n, Rang(f) + Rang(g)}.
SO L U C I O N
Si f y g son transformaciones lineales de U hacia V, entonces:
Rang(f + g) = Dim(f + g)(U) d Dim{f(U) + g(U)}
= Dimf(U) + Dimg(U) ± Dim{f(U) g(U)}
d Rang(f) + Rang(g).
EJ E M P L O 7.4.6
Demuestre que ~Rang(f) ± Rang(g)~ d Rang(f + g).
SO L U C I O N
Como Rang(g) = Rang(-g), el ejemplo anterior también dice que
Rang(f ± g) d Rang(f) + Rang(g).
Entonces
Rang(f) = Rang(g ± (f + g)) d Rang(g) + Ran(f + g).

Por simetría, Rang(g) d Rang(f) + Rang(f + g).
EJ E M P L O 7.4.7
Si U = R 2, V = R 2 y f(u) es el complemento ortogonal de u respecto a la recta
y = x, es decir, si w es un vector unitario sobre la recta dada, entonces ¢u w²w es
la proyección sobre la recta y u - ¢u w²w es el complemento ortogonal, mostrar
que f es una transformación lineal. Encontrar núcleo y la imagen de f.
SO L U C I O N
Sabemos que f(u) = u - ¢u w²w, escogemos un vector unitario que está en la recta
1
dada y = x, w (1,1) . Reemplazando este vector en la definición, obtenemos
2
1 1
f (u ) u u (1,1) . Para demostrar que f(u) es una transformación
(1,1)
2 2
lineal, aplicamos la definición general:
1 1
f (Du Ev) (Du Ev) (Du Ev) (1,1) (1,1)
2 2
1 1 1 1
Du Ev D u (1,1) (1,1) E v (1,1) (1,1)
2 2 2 2
ª 1 1 º ª 1 1 º
D «u u (1,1) (1,1) » E «v u (1,1) (1,1) »
¬ 2 2 ¼ ¬ 2 2 ¼
Df (u) Ef (v)
Por tanto f(u) es transformación lineal.
Siendo u = ( a , b), entonces
1 1 § a b b a ·
f (( a, b)) ( a, b) ( a, b) (1,1) (1,1) ¨ , ¸.
2 2 © 2 2 ¹
Para calcular el núcleo y la imagen, hacemos uso de la definición
correspondiente:
a b
°° 2 0
a b 0 a 0
® ® ® .
°b a 0 ¯b a 0 ¯b 0
°̄ 2
Por tanto el núcleo de f es: Nuc(f) = {( a , b) / a = b = 0}
a b
°° 2 r
a b 2r
® ® .
° b a
s ¯b a 2s
°̄ 2
Por tanto la imagen de f es: Img(f) = {( r, s) / a ± b = 2 r, b ± a = 2s}.
EJ E M P L O 7.4.8
Sea f : R 2 o R 2 una transformación lineal tal que f((1, 1)) = (0, 0) y f((0, 1)) = (1, 1),
demuestre que tanto el núcleo como la imagen de f son rectas en el plano XY que
pasan por el origen. Encuentre las ecuaciones de estas rectas.
SO L U C I O N
D a
(a, b) = D(1, 1) + E(0, 1) ®
¯E b 1
De donde
f((a, b)) = Df((1, 1)) + Ef((0, 1))
f((a, b)) = a(0, 0) + (b ± a)(1, 1) = (b ± a, b ± a).


b a 0
® a±b=0
¯b a 0
Para encontrar la imagen de f, lo hacemos como sigue:
b a r
® r±s=0
¯b a s
En ambos casos podemos darnos cuenta que el núcleo y la imagen de f son rectas en
el plano XY que además pasan por el origen.
EJ E M P L O 7.4.9
Una transformación lineal f : R 2 o R 3 aplica los vectores base de la siguiente
manera:
f(i) = (1, 0, 1), f(j) = (-1, 0, 1).
a.- Calcular f(2i - 3j) y determinar la dimensión del núcleo e imagen de f;
b.- Determinar la matriz de f.
SO L U C I O N
a.- Hacemos la combinación lineal con un vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) ®
¯E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(1, 0, 1) + b(-1, 0, 1) = (a - b, 0, a + b).
a b 0
°
® 0 0 a = b = 0 Nuc(f) = {(a, b) / a = b = 0}
°a b 0
¯
BaseNuc(f) = {} DimNuc(f) = 0.
Para encontrar la imagen de f, lo hacemos como sigue:
a b r
°
® 0 s Img(f) = {(r, s, t) / r = a ± b, s = 0, t = a + b}
°a b t
¯
BaseImg(f) = {(1, 0, 1), (-1, 0, 1)} DimImg(f) = 2.
b.- Calculamos la imagen de cada uno de los elementos de la base canónica de R 2:
f((1, 0)) = (1, 0, 1) y f((0, 1)) = (-1, 0, 1)
Por tanto la matriz de f es:
§ 1 1·
¨ ¸
A f ¨0 0 ¸ .
¨1 1 ¸
© ¹
EJ E M P L O 7.4.10
Defínase f : :(3, 3) o :(3, 3) mediante f(A) = A - AT. Muéstrese que f es lineal.
Descríbase el núcleo e imagen de f.
SO L U C I O N
Para demostrar que f es una transformación lineal, aplicamos la definición general:
f(DA + EB) = (DA + EB) ± (DA + EB)T
= DA + EB ± DAT - EBT
= (DA ± DAT) + (EB ± EBT)
= D(A ± AT) + E(B ± BT)
= Df(A) + Ef(B).
Por tanto f(A) es transformación lineal.
Para determinar el núcleo y la imagen de f, aplicamos la definición correspondiente:
A ± AT = O A = AT Nuc(f) = {A :(3 x 3) / A = AT}.
A ± AT = B Img(f) = {B :(3 x 3) / A - AT = B}.
EJ E M P L O 7.4.11
Sea V el espacio vectorial real de las funciones reales de una variable real, con las
operaciones usuales. Si f : R 3 o V es la transformación que a cada terna de R 3 le
asocia la función u o aSen2u + bCos2u + c. Es decir,
f((a, b, c)) = aSen2u + bCos2u + c.
a.- Pruébese que f es lineal; b.- Hállese el núcleo y la imagen de f.
SO L U C I O N
a.- Para demostrar que f es una transformación lineal, aplicamos la definición
general:
f((Da + Ed, Db + Ee, Dc + Ef)) = (Da + Ed)Sen2u + (Db + Ee) Cos2u + (Dc + Ef)
= (DaSen2u + DbCos2u + Dc) + (EdSen2u + EeCos2u + Ef)
= D(aSen2u + bCos2u + c) + E(dSen2u + eCos2u + f)
= Df(A) + Ef(B).
Por tanto f(A) es transformación lineal.
b.- Para determinar el núcleo y la imagen de f, aplicamos la definición
correspondiente:
aSen2u + bCos2u + c = 0 Nuc(f) = {(a, b, c) R 3 / aSen2u + bCos2u + c = 0}.
aSen2u + bCos2u + c = r Img(f) = {r V / aSen2u + bCos2u + c = r}.
EJ E M P L O 7.4.12
Sea f : R 3 o R 3 una transformación lineal tal que
f(k) = 2i + 3j + 5k, f(j + k) = i, f(i + j + k) = j - k.
a.- Calcular f(i + 2j + 3k) y determinar la dimensión del núcleo y el rango de f;
b.- Determinar la matriz de f.
SO L U C I O N
a.- Hacemos la combinación lineal con un vector (a, b, c):
G a D b c
° °
(a, b, c) = D(0, 0, 1) + E(0, 1, 1) + G(1, 1, 1) ® E G b ®E a b
°D E G c ° G a
¯ ¯
De donde
f((a, b, c)) = Df((0, 0, 1)) + Ef((0, 1, 1)) + Gf((1, 1, 1))
= - (b - c)(2, 3, 5) ± (a ± b)(1, 0, 0) + a(0, 1, -1)
= (- a ± b + 2c, a ± 3b + 3c, - a ± 5b + 5c)
Por tanto f(i + 2j + 3k) es:
f((1, 2, 3)) = (3, 4, 4).
f((1, 0, 0)) = (-1, 0, 0), f((0, 1, 0)) = (-1, -3, -5) y f((0, 0, 1)) = (2, 3, 5).
§ 1 1 2 ·
¨ ¸
A f ¨ 0 3 3 ¸ .
¨ 0 5 5 ¸
© ¹
EJ E M P L O 7.4.13
Sean A y B vectores no nulos en el plano tales que no existe constante alguna k z 0
tal que B = kA. Sea f una transformación lineal del plano en sí misma de tal manera
que f(e1) = A y f(e2) = B. Describir la imagen bajo f del rectángulo cuyos vértices son
(0, 1), (3, 0), (0, 0), (3, 1).
SO L U C I O N
D a
(a, b) = D(1, 0) + E(0, 1) ®
¯E b

De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = aA + bkA = (a + bk)A.
Por tanto:
f((0, 1) = kA, f((3, 0)) = 3A, f((0, 0)) = y f((3, 1)) = (3 + k)A.
EJ E M P L O 7.4.14
Una transformación lineal f : R 3 o R 2 aplica los vectores base como sigue:
f(i) = (0, 0), f(j) = (1, 1), f(k) = (1, -1).
a.- Calcular f(4i - j + k) y determinar la dimensión del núcleo y el rango de f:
b.- Determinar la matriz de f;
c.- Utilizando la base estándar en R 3 y la base {(1, 1), (1, 2)} en R 2, determinar la
matriz de f relativa a esas bases.
SO L U C I O N
a.- Hacemos la combinación lineal con un vector (a, b, c):
D a
°
(a, b, c) = D(1, 0, 0) + E(0, 1, 0) + G(0, 0, 1) ® E b
°G c
¯
De donde
f((a, b, c)) = Df((1, 0, 0)) + Ef((0, 1, 0)) + Gf((0, 0, 1))
= a(0, 0) + b(1, 1) + c(1, -1) = (b + c, b ± c).
Por tanto f(4i - j + k) es:
f((4, -1, 1)) = (0, -2).
f((1, 0, 0)) = (0, 0), f((0, 1, 0)) = (1, 1) y f((0, 0, 1)) = (1, -1).
§0 1 1 ·
Af ¨ ¸.
© 0 1 1¹
c.- Calculamos la imagen de cada uno de los elementos de la base canónica de R 3, y
luego éste elemento lo expresamos como combinación lineal de los elementos de la
base de llegada:
D D2 0
f((1, 0, 0)) = (0, 0) = D1(1, 1) + D2(1, 2) ® 1 ,
¯D1 2D 2 0
E1 E2 1
f((0, 1, 0)) = (1, 1) = E1(1, 1) + E2(1, 2) ® ,
¯E1 2E2 1
G1 G2 0
f((0, 0, 1)) = (1, -1) = G1(1, 1) + G2(1, 2) ® .
¯G1 2G2 0
Resolvemos estos tres sistemas de ecuaciones y obtenemos la matriz de f:
§1 1 0 1 1 · § 1 1 0 1 1 · § 1 0 0 1 3 · §0 1 3 ·
¨ ¸ |¨ ¸|¨ ¸ Af ¨ ¸.
©1 2 0 1 1¹ © 0 1 0 0 2 ¹ © 0 1 0 0 2 ¹ © 0 0 2 ¹
EJ E M P L O 7.4.15
Sea f una transformación lineal de R 2 en sí misma, tal que
f(e1) = (1, 1) y f(e2) = (-1, 2).
Sea S el cuadrado cuyos vértices están en (0, 0), (1, 0), (1, 1), (0, 1). Demostrar que
la imagen bajo f de este cuadrado es un paralelogramo.
SO L U C I O N
La representación matricial de la transformación lineal f en la base canónica de R 2 es
§1 1·
Af ¨ ¸ . Encontramos las imágenes de cada uno de los puntos del cuadrado:
©1 2 ¹

§1 1·§ 0 · § 0 ·
f ((0, 0)) ¨ ¸¨ ¸ ¨ ¸ ,
©1 2 ¹© 0 ¹ © 0 ¹
§1 1·§ 1 · §1·
f ((1, 0)) ¨ ¸¨ ¸ ¨ ¸ ,
©1 2 ¹© 0 ¹ ©1¹
§1 1·§1· § 0 · §1 1·§ 0 · § 1·
f ((1,1)) ¨ ¸¨ ¸ ¨ ¸ , f ((0,1)) ¨ ¸¨ ¸ ¨ ¸ .
©1 2 ¹©1¹ © 3 ¹ ©1 2 ¹© 1 ¹ © 2 ¹
Graficando ambas figuras, demostramos que la imagen bajo f de este cuadrado, es un
paralelogramo.
EJ E M P L O 7.4.16
Sea :(n, n) el espacio de todas las matrices de n x n. Sea la transformación lineal
f(A) = ½(A - AT). Describir el núcleo e imagen de f y determine sus correspondientes
dimensiones.
SO L U C I O N
1
Como f (A) (A - AT ) , entonces:
2
1 ½
Nuc( f ) ®A / (A - AT ) = O ¾ {A / A = AT } .
¯ 2 ¿
Para encontrar la dimensión del núcleo de f, hacemos lo siguiente:
n = 1 DimNuc(f) = 1
n = 2 DimNuc(f) = 3
n = 3 DimNuc(f) = 6
n = 4 DimNuc(f) = 10
...
k
n = k DimNuc( f ) ( k 1) .
2
La imagen de f es:
1 ½
Img( f ) ®B / (A - A T ) = B¾ = {B / A - A T = 2B} .
¯ 2 ¿
La dimensión de la imagen de f, la calculamos de la siguiente manera:
n
DimU = DimNuc(f) + DimImg(f) n2 (n 1) DimImg( f )
2
n n
Dim Im g ( f ) n2 (n 1) (n 1) .
2 2
EJ E M P L O 7.4.17
Considérense los números complejos C como un espacio vectorial sobre R. Defínase
la función f ( z ) z , donde z es el complejo conjugado del número complejo z.
Demuestre que f es una transformación lineal. Hállese una base para el núcleo de f y
una base para la imagen de f.
SO L U C I O N
Si z = x + iy, entonces la transformación tiene la forma: f(x + iy) = x ± iy. A
continuación demostramos
que f es lineal:
f((Da + Ec) + i(Db + Ed)) = (Da + Ec) - i(Db + Ed) = (Da - iDb) + (Ec - iEd)
= D(a - ib) + E(c - id) = Df(z1) + Ef(z2)
Lo cual queda demostrado.
El núcleo de f es:
Nuc(f) = {x + iy / x ± iy = 0 + i0} Nuc(f) = {x + iy / x = y = 0}
BaseNuc(f) = {0 + i0} DimNuc(f) = 0.
La imagen de f es:
Img(f) = {r + is / x ± iy = r + is} Img(f) = {r + is / r = x, s = -y}
BaseImg(f) = {(1, 0), (0, i)} DimImg(f) = 2.
PR O B L E M AS
7.4.1 Sea f : R n o R m una transformación lineal. 7.4.8 Si f no es la transformación cero, entonces

Demuestre que si f transforma dos vectores linealmente Rang(f) = 1 si, y sólo si, existen números reales, t, que
independientes sobre un conjunto linealmente dependiente, no son ambos cero, tales que sa 1 ± tb1 = sa 2 ± tb2 = sa 3 ±
entonces la ecuación f(u) = tiene una solución no trivial. tb3 = 0. En este caso, Img( f) = Span(t, s) y, si además
a 1 z 0, entonces Nuc(f) = Span{( a 3, 0, -a 1), ( a 2, -a 1, 0)}.
7.4.2 Sea f : R 2 o R 2 un operador lineal cuyo núcleo es
Nuc(f) = {(x, y) / x = y}. Demuestre que f no es 7.4.9 Sea f : R 3 o R 3 la transformación lineal que
sobreyectiva. Más aún, pruebe que Img( f) es una recta proyecta u sobre v = (2, -1, 1). Determine la nulidad y el
que pasa por el origen. rango de f.
7.4.3 Sea f : R 3 o R 3 una transformación lineal tal que 7.4.10 Sea S una transformación lineal de U en V, y
f(e3) = 2e1 + 3e2 + 7e3, f(2e2 + 3e3) = 2e1, sea T una transformación lineal de V en W.
f(e1 ± e2 + e3) = 2e2 ± 3e3: Demuéstrese que:
a.- Calcular f(2e1 ± 3e2 + 5e3) y determine la dimensión a.- Si S es sobre, entonces Rang(TS) = Rang(T);
del núcleo y el rango de f. b.- Si T es uno a uno, entonces Rang(TS) = Rang(S);
b.- Determine la matriz de f. c.- Si TS es uno a uno, entonces S es uno a uno;
d.- Si TS es sobre, entonces T es sobre.
7.4.4 Sea f : R 3 o R 3 un operador lineal cuya imagen es
Img(f) = {(x, y) / x = y = z}. Demuestre que el núcleo de 7.4.11 Sea la transformación lineal f : R 3 o R 3, definida
f es un plano en R 3 que pasa por el origen. por
f((a, b, c)) = ((k ± 2)a + 2b ± c, 2a + kb + 2c, 2ka +
7.4.5 Sea V un espacio vectorial sobre R que consiste en + 2(1 + k)b + (1 + k)c)
todas las funciones f tres veces derivables que satisfacen la Hállese, según los valores de k, el núcleo y su imagen.
ecuación diferencial f ´´´ + f ´ = 0. En este espacio V,
defínase la función g : V o V por g(f) = f ´, la derivada de 7.4.12 En cada uno de los literales, se define una
f. Demuéstrese que g es una transformación lineal. Hállese transformación lineal f : V o V mediante la fórmula
una base tanto para el núcleo de g como para la imagen de dada para f((x, y)), donde (x, y) es un punto cualquiera
g. ¿Cuál es el rango y la nulidad de g? de V. Determinar en cada caso si f es lineal. Si f es
lineal, decir cuáles son el núcleo y la imagen, y calcular
7.4.6 Sea V el espacio vectorial de todos los polinomios sus correspondientes dimensiones:
reales p(x). Sean f el operador derivación y g la a.- f hace girar cualquier punto el mismo ángulo D
transformación lineal que aplica p(x) en xp´(x). alrededor del origen. Esto es, f aplica un punto de
a.- Poner p(x) = 2 + 3x - x2 ± 4x3 y determinar el núcleo e coordenadas polares ( r, T) en el punto de coordenadas
imagen de p a través de cada una de las transformaciones polares ( r, T + D), donde D es fijo. Además, f aplica
siguientes: f, g, fg, gf, fg - gf, g2f2 - f2g2; en sí mismo.
b.- Determinar los polinomios p de V para los cuales b.- f aplica cada punto en su simétrico respecto a
g(p) = p; una recta fija que pasa por el origen.
c.- Determinar los polinomios p de V para los cuales c.- f aplica cada punto de coordenadas polares ( r, T) en
(fg ± 2f)(p) = . el punto de coordenadas (2 r, T). Además, f aplica en
sí mismo.
7.4.7 Sea f : R 3 o R 3 definida por f (v) proyu v , en d.- f aplica cada punto de coordenadas polares ( r, T) en
donde u = (0, 1, 2): el punto de coordenadas ( r, 2T). Además, f aplica en
a.- Determinar A, la matriz de f. sí mismo.
b.- Sea g la transformación lineal representada por
I ± A. Demuestre que g es de la forma 7.4.13 Verifíquese que la función de V 2 en V 2 definida
g (v) proyw1 v proyw2 v , por f0(x1, x2) = (x1 ± 3x2, x2) es transformación lineal.
Determínese su rango y su nulidad. Determínese la
en donde w1 y w2 son vectores fijos en R 3.
preimagen en f0 de ( a , b).
c.- Demostrar que el núcleo de f es la imagen de g.
7.4.14 Sean u y v vectores linealmente independientes c.- f es la proyección sobre el vector v = (1, 2, 2):
en R 3 y sea S el plano a través de u, v y . La ecuación x 2 y 2z
f (( x, y, z )) (1, 2, 2).
paramétrica de S es x = su + tv. Demuestre que una 9
transformación lineal f : R 3 o R 3 transforma S sobre un d.- f es la proyección sobre el plano de coordenadas
plano que pasa por o sobre una línea que pasa por o XY:
sólo sobre el origen en R 3. ¿Qué se les tiene que pedir a f((x, y, z)) = (x, y, 0).
f(u) y f(v) para que la imagen del plano S sea un plano?
7.4.20 Sea f : :nxn o :nxn definida por f(A) = A ± AT.
7.4.15 En cada uno de los literales, la transformación f : Demuestre que el núcleo de f es el conjunto de las
V o V es la que se indica. Determinar, en cada caso, si f matrices simétricas de n x n.
es lineal. Si lo es, decir cuáles son el núcleo y la imagen
y calcular sus dimensiones cuando sean finitas: 7.4.21 Sea u = (1, -1, 7) y sea
a.- Sea V el espacio vectorial de todos los polinomios § 1 3 4 3 ·
reales p(x) de grado d n. Si p V, q = f(p) significa que ¨ ¸
A ¨ 0 1 3 2 ¸
q(x) = p(x + 1) para todo real de x. ¨ 3 7 6 5 ¸
b.- Sea V el espacio vectorial de todas las funciones © ¹
reales derivables en el intervalo abierto (-1; 1). Si f V, ¿Está u en el rango de la transformación lineal?
g = f(f) significa que g(x) = xf ´(x) para todo x (-1; 1).
c.- Sea V el espacio vectorial de todas las funciones 7.4.22 Considere la transformación lineal g f : R m o
reales derivables dos veces en un intervalo abierto ( a ; b). R s. Demuestre que
Si y V, definir f(y) = y´´ + Py´ + Qy siendo P y Q dos Nuc(f) Nuc(g f), Img(g f) = Img(g).
constantes.
7.4.23 Determinar si las transformaciones f : V o V son
7.4.16 Sea V un espacio vectorial con producto interior. lineales. Si lo son, decir cuáles son el núcleo y la imagen y
Para un vector fijo u diferente de cero en V, sea f : V o calcular sus dimensiones:
R la transformación lineal f(v) = ¢v u². Determinar el a.- Sea V el espacio vectorial de todos los polinomios
núcleo y la imagen de f. Luego determinar la nulidad y reales p(x) de grado menor o igual a n. Si p V, q = f(p)
rango de f. significa que q(x) = p(x + 1), para toda x R;
b.- Sea V el espacio vectorial de todas las funciones
7.4.17 Sea f : R 3 o R 2 una transformación lineal tal que reales derivables en el intervalo abierto (-1; 1). Si f V,
f((1, 1, 0)) = f((1, 1, 1)) = (0, 0), f((2, 3, -1)) z . g = f(f) significa que g(x) = xf '(x) para toda x (-1; 1);
Demuestre que el núcleo de f es un plano en R 3 que pasa c.- Sea V el espacio vectorial de todas las funciones reales
por el origen. Halle su ecuación. continuas en [a; b]. Si f V, g = f(f) significa que
b
7.4.18 Sea f : V o V la transformación lineal definida

g ( x) ³a f (t ) Sen( x t ) dt , para toda x [a; b].
así: Si f V, g = f(f) significa que
S 7.4.24 Sea S = {1, x, Senx, Cosx} una base de un
g ( x) ³S [1 Cos( x t )] f (t )dt : subespacio W del espacio de funciones continuas, y sea
a.- Demuestre que f(V), la imagen de f, es de dimensión D x el operador diferencial sobre W. Encuentre la matriz
finita y hallar una base para f(V). de D x con respecto a la base S. Encuentre el núcleo e
b.- Determinar el núcleo de f. imagen de D x.
c.- Hallar todos los números reales c z 0 y todas las
funciones f no nulas de V tales que f(f) = cf. 7.4.25 Sea u = (9, 5, 0, -9) y sea
§ 1 2 7 5·
7.4.19 Sea f : R o R una transformación lineal. Hallar ¨ ¸
0 1 4 0¸
la nulidad y el rango de f y dé una descripción A ¨
¨1 0 1 6¸
geométrica del núcleo e imagen de f: ¨ ¸
a.- f es la rotación de 45° en sentido antihorario con © 2 1 6 8¹
respecto al eje Z: ¿Está u en el rango de la transformación lineal?
§ 2 2 2 2 ·
f (( x, y, z )) ¨¨ x y, x y, z ¸¸ . 7.4.26 Si U = R 3, V = R 3 y f(u) es el complemento
© 2 2 2 2 ¹ ortogonal de u respecto del plano representado
b.- f es la reflexión con respecto al plano de coordenadas implícitamente por u + v + w = 0, mostrar que f es una
YZ: transformación lineal. Encontrar el núcleo y la imagen de
f((x, y, z)) = (-x, y, z). f.
7.4.27 Sea f : R n o R m una transformación lineal. 7.4.34 Sean U y V dos espacios vectoriales, ambos de
Demuestre que si n < m, f no puede ser sobreyectiva. dimensión 2 y con la misma base {u, v}. Sea f : U o V
¿Puede ser inyectiva? una transformación lineal tal que
f(2u ± v) = 2u + v y f(2u + 5v) = 2u ± 3v:
7.4.28 Una transformación lineal f : R 3 o R 2 aplica los a.- Calcular f(u ± v) y determinar la dimensión del
vectores base de la siguiente manera: f(e1) = , f(e2) = núcleo y el rango de f.
(1, -1), f(e3) = (-1,1): b.- Determine la matriz de f relativa a la base dada.
a.- Calcular f(2e1 ± 5e2 + 3e3) y determinar la dimensión c.- Utilizar para V la base {u, v} y hallar una nueva
del núcleo y el rango de f. base de la forma {2u + Dv, 3u + Ev} para V, para la cual
b.- Determine la matriz de f. la matriz de f tenga la forma diagonal.
c.- Utilizando la base canónica de R 3 y la base {(1, -1),
(-1, -1)} en R 2, determine la matriz de f relativa a esas 7.4.35 Una transformación lineal f : R 2 o R 3 aplica los
bases. vectores base de la siguiente forma: f(e1) = (-1, 2, 1),
d.- Hallar las bases {u1, u2, u3} para R 3 y {v1, v2} para f(e2) = (1, -1, -1):
R 2 para las cuales la matriz de f tenga la forma diagonal. a.- Calcular f(5e1±2e2) y determinar la dimensión del
núcleo y el rango de f.
7.4.29 Demuéstrese que la derivada es una b.- Determinar la matriz de f.
transformación lineal de P en sí mismo, que no es uno a c.- Hallar bases {u1, u2} para R 2 y {v1, v2, v3} para R 3,
uno, aunque sí es sobre. para las cuales la matriz de f tiene forma diagonal.
7.4.30 Sean S, T transformaciones lineales de U en V: 7.4.36 Demuéstrese que, si f es transformación lineal

a.- Verifíquese que uno a uno de U en W y si û1 « un` es base de U,
Nuc(S + T) Nuc(S) Nuc(T). entonces ^f(u1«f(un)` es base de Img( f).
b.- Póngase un ejemplo en el cual
Nuc(S + T) = Nuc(S)Nuc(T). 7.4.37 Sea f la transformación lineal de R 4 en R 3 con la
c.- Póngase un ejemplo en el cual no se verifique la propiedad de que
igualdad de la relación de la parte b). f(1, 0, 0, 0) = (2, 3, 6), f(0, 1, 0, 0) = (1, 2, 0),
d.- Verifíquese que existen S, T, con f(0, 0, 1, 0) = (-1, 2, -3), f(0, 0, 0, 1) = (0, 2, -1).
Rang(S) = Rang(T) = mín(DimU, DimV), a.- Encuéntrese la matriz que corresponde a f si S1 es la
tales que Rang(S + T) puede tener cualquier valor desde base canónica de R 4 y si S2 es la base canónica de R 3.
0 hasta mín(DimU, DimV). b.- Encuéntrese la matriz que corresponde a f si
S1 = ^(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1), (1, 0, 0, 1)`
7.4.31 Sean S, T, M, N transformaciones lineales de R 3 es la base R 4 y si S2 es la base canónica de R 3.
en R 4 que se describen en la tabla siguiente: c.- Encuéntrese la matriz que corresponde a f si
e1 e2 e3 S1 = ^(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1), (1, 0, 0, 1)`
S e1 ± e2 e2 - 5e3 e1±e2+e3 es la base de R 4 y si S2 = ^(1, 1, 0), (0, 1, 1), (1, 0, 1)`
T 4e1±2e2+e3 e1±2e2+5e3 3e1 - 4e3 es la base de R 3.
M e2 + e 3 3e3 0 d.- Encuéntrese el núcleo e imagen de f.
N e1+e2+3e3 ± 2e2 + 6e3 4e3 e.- Sea û1, u2, u3` una base del núcleo de f y extiéndase
a.- Determínese el rango y núcleo de S, T, M y N. esta base a una base de R 4.
b.- Descríbanse las transformaciones lineales S + T, S +
M, S + N, T + M, M + T + S y N - S al dar sus valores en 7.4.38 Sean f : V o U y g : U o W transformaciones
una base de R 3. Además, determínense el rango y núcleo lineales:
de cada uno. a.- Demostrar que si ambas g y f son uno a uno,
c.- Encuéntrense transformaciones lineales A y B de entonces también lo es gqf .
rango 3 de R 3 en R 3 tales que Rang(A + B) = 2. b.- Demostrar que el núcleo de f está contenido en el
d.- Encuéntrense transformaciones lineales A y B de núcleo de gqf .
rango 3 de R 3 en R 3 tales que Rang(A + B) = 1. c.- Demostrar que si gqf es sobreyectiva, entonces
también lo es g.
7.4.32 Sea f : R n o R m una transformación lineal.
Demuestre que si n > m, f no puede ser inyectiva. ¿Puede 7.4.39 En cada una de las transformaciones lineales de
ser sobreyectiva? V n en V 2, determínense la imagen, el núcleo y la
preimagen de (0, 1); además, determínese si la
7.4.33 Demuéstrese que la derivada es una transformación lineal es uno a uno y si es sobre:
transformación lineal de P m en sí mismo, que no es uno a a.- f(x1, x2, x3) = (x1 ± x2, x2 + x3);
uno ni es sobre.
b.- f(x1, x2, x3) = (x1, x2 - x3); 7.4.40 Sean f : R n o R s y g : R n o R s dos operadores
c.- f(x1, x2) = (x1 ± x2, x1 + x2); lineales. Demuestre que si g es inyectiva, entonces
d.- f(x1, x2, x3, x4) = (x1 + x4, x2 + x3). Nuc(f) = Nuc(g f), y si f es inyectiva, entonces Img(g) =
Img(g f).
7.5 T R A NSF O R M A C I O N ES L I N E A L ES I N V E RSIB L ES
En esta sección se analizarán las transformaciones lineales uno a uno y sobreyectivas. Demostraremos que una
transformación lineal inversible es también una transformación lineal. Enunciaremos y demostraremos sus
propiedades más importantes.
Ahora que hemos presentado el espacio nulo y la imagen de una transformación

lineal nos proponemos examinar más de cerca aquellas transformaciones lineales
f : U o V para las cuales Nuc(f) = {} o Img(f) = V, o ambas. La segunda de estas
ecuaciones nos dice que f aplica U sobre V, e implica que para cada v V existe al
menos un u U tal que v = f(u). La primera, dice que el espacio nulo de f contiene
solamente al vector nulo, resulta ser equivalente a la afirmación de que f es inyectiva
en el sentido de la siguiente definición.
Una transformación lineal f de U en V se dice que es inyectiva, si y sólo
si f(u) = f(v) donde u = v.
En otras palabras, f es inyectiva si, y sólo si f aplica vectores distintos en U sobre

vectores distintos en V; de aquí el nombre.
Se dice que una transformación lineal f de U en V, es un isomorfismo si es
inyectiva. Se dice entonces que los espacios vectoriales U y V son
isomorfos si existe un isomorfismo de U sobre V.
T E O R E M A 7.5.1
Sea f una transformación lineal de U en V. Entonces f es inyectiva, si y
solamente si, Nuc(f) = .
Primero considere que Nuc(f) = . Suponga que f(u) = f(v). Debemos demostrar que
u = v. De f(u) = f(v), obtenemos f(u ± v) = . Por tanto, u ± v está en Nuc(f) y, en
consecuencia tenemos que u ± v = . Por consiguiente, u = v. Ahora considere que f
es inyectiva. Suponga que el vector u está en Nuc(f). En consecuencia, f(u) = y,
por supuesto, f() = . Debido a que f es inyectiva, debemos tener u = . Por
consiguiente, f() = .
Sea f una transformación lineal de U en V. Diremos que f es sobreyectiva
si la imagen de la transformación f es todo U.
T E O R E M A 7.5.2
Sea f una transformación lineal de U en V. Si U es un espacio vectorial
de tipo finito, una transformación lineal f es sobreyectiva si, y sólo si,
Img(f) = U.
Esta afirmación, no es más que la definición de sobreyectividad, puesto que Img(f) es
el valor de los valores funcionales bajo f, y f es sobreyectiva, si y sólo si este
conjunto de valores funcionales coincide con U. Es decir:

a.- En el supuesto de ser f una transformación lineal inyectiva, todo sistema

independiente de V se transforma en sistema independiente de f(U); por tanto, una
base de U se transforma en un sistema generador e independiente de f(U), es decir,
en una base del espacio imagen; en consecuencia, las bases de U e Img(f) tienen
igual número de elementos, luego,
Dim(U) = DimImg(f).
b.- Suponiendo ahora que Dim(U) = DimImg(f), hay que demostrar que f es
inyectiva, es decir, que Nuc(f) ={}. Si no fuese así, al Nuc(f) pertenecería al menos
un vector u1 z ; en este supuesto {u1} es sistema independiente, que puede ser
ampliado adecuadamente con unos vectores u2, u3, ..., un hasta construir una base de
U y, entonces, {f(u2), f(u3), ..., f(un)}, que es un sistema generador de f(U), sería tal
que f(u1) = y, por tanto, sistema dependiente de generadores de Img(f), lo que trae
consigo que
DimImg(f) < n = Dim(U),
contra la hipótesis.
T E O R E M A 7.5.3
Sea f una transformación lineal de U en V y sea DimU = DimV.
Entonces f es biyectiva si y sólo si f es sobreyectiva.
Tenemos que DimImg(f) = DimU ± DimNuc(f). Supóngase que f es inyectiva.
Entonces tenemos que Nuc(f) = y, por tanto, DimNuc(f) = 0. Por consiguiente,
DimImg(f) = DimU y vemos que, DimImg(f) = DimV, puesto que DimU = DimV.
Pero la imagen de f es un subespacio de V, de manera que DimImg(f) = DimV obliga
a que Img(f) = V. Así pues, como f es sobreyectiva, además de ser inyectiva, f es
biyectiva. Suponga ahora que f es sobreyectiva. Entonces Img(f) = V. Por tanto,
DimImg(f) = DimV, y DimImg(f) = DimU. Pero DimU = DimImg(f) + DimNuc(f) y,
por consiguiente, DimNuc(f) = 0. El único subespacio de U con dimensión cero es el
subespacio cero. En consecuencia, Nuc(f) = , y así, f es inyectiva. De manera que f
es inyectiva y también es sobreyectiva. Consecuentemente, f es biyectiva.
Las transformaciones lineales que son a la vez inyectivas y sobreyectivas,
se llaman isomorfismos, y se dice que son inversibles.
Empleamos f -1 para designar la inversa de una transformación lineal. Así pues, si f

tiene una inversa, decimos que f es inversible. En este caso, si f se define sobre U y
toma valores en V, entonces f -1 se define en V y toma valores en U.
T E O R E M A 7.5.4
Sea f una transformación lineal de U en V, y supóngase que esta
transformación tiene una transformación inversa f -1 de V en U. Entonces,
f -1 es una transformación lineal.
Sean v1, v2 V. Debemos demostrar primero que f -1(v1 + v2) = f -1(v1) + f -1(v2). Sean
v1 = f(u1) y v2 = f(u2), entonces
f(au + bv) = af(u) + bf(v) = av1 + bv2.
Si u = f -1(v), donde f(u) = v, implica que
f -1(av1 + bv2) = au1 + bu2 = af -1(v1) + bf -1(v2)
con lo que concluimos que f -1 es una transformación lineal.
Es evidente que recurriendo al rango de una transformación lineal, los

homomorfismos inyectivos y sobreyectivos, f : U o V, entre espacios de tipo finito,
pueden caracterizarse de la manera siguiente: f es inyectiva si, y sólo si Rang(f) =
DimU y f es sobreyectiva si, y sólo si Rang(f) = DimV.

T E O R E M A 7.5.5
Sean U y V espacios vectoriales de dimensión finita con DimU = DimV y
sea f una transformación lineal de U en V. Entonces:
a.- Cualquier inversa a la izquierda de f es una inversa bilateral;
b.- Cualquier inversa a la derecha de f es una inversa bilateral.
Si f : U o V tiene una inversa a la izquierda f -1 : V o U, entonces, sabemos que f es
inyectiva y f también es sobreyectiva. Por tanto, f es biyectiva y, en consecuencia, f
tiene una inversa bilateral que es igual a f -1. Esto demuestra la primera parte. Si
ahora f -1 : V o U es una inversa a la derecha de f, entonces f es sobreyectiva. Por
consiguiente, f es biyectiva y, en consecuencia f tiene una inversa bilateral que es
igual a f -1. Hemos completado la demostración de la segunda parte.
EJ E M P L O 7.5.1
Determine todos los valores del número real k tales que la transformación lineal
f : R 2 o R 2, definida por f(e1) = e1 + ke2, f(e2) = e1 ± ke2, no sea inversible. Aquí
S = {e1, e2} es la base canónica de R 2. Cuando f sea inversible, hállese f -1(e1) y
f -1(e2). Cuando f no sea inversible, hállense la nulidad de f y el rango de f.
SO L U C I O N
Hacemos la combinación lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) ® .
¯E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(1, k) + b(1, -k) = (a + b, ka - kb).
Esta transformación lineal, tiene como representación matricial la matriz:
§1 1 ·
¨ ¸
© k k ¹
Para que esta transformación lineal no sea inversible, entonces el determinante de la
representación matricial debe ser cero. Es decir:
1 1
0 k = 0.
k k
Para encontrar la transformación lineal inversa, hacemos f((a, b)) = (r, s) y luego
resolvemos el sistema que genera:
a b r §1 1 r · §1 1 r · § 2 k 0 kr s ·
® ¨ ¸ |¨ ¸ |¨ ¸
¯ ka kb s © k k s ¹ © 0 2 k kr s ¹ © 0 2 k kr s ¹
Y obtenemos
kr s
°° a 2k § kr s kr s ·
® f 1 (( r , s)) ¨ , ¸,
°b kr s © 2k 2k ¹
°̄ 2k
§1 1· § 1 1 ·
f 1 ((1, 0)) ¨ , ¸ , f 1 ((0,1)) ¨ , ¸ , k z 0.
©2 2¹ © 2k 2k ¹
Si f no es inversible, entonces k = 0 y f((a, b)) = (a + b, 0), entonces:
a + b = 0 a = -b Nuc(f) = {(a, b) / a = -b};
BaseNuc(f) = {(-1, 1)} Nul(f) = 1.
a b r
® Img(f) = {(r, s) / r = a + b, s = 0};
¯ 0 s
BaseImg(f) = {(1, 0)} Rang(f) = 1.
Por supuesto, con las transformaciones lineales f de U en V, donde DimU = DimV y

no infinita, no tenemos que preocuparnos acerca de las inversas a la izquierda o a la
derecha, puesto que hemos demostrado que una inversa a la izquierda o a la derecha
es siempre una inversa bilateral. Además, sabemos que dicha inversa es siempre una
transformación lineal.
T E O R E M A 7.5.6
Sean U, V y W espacios vectoriales sobre K de dimensión finita con
DimU = DimV = DimW. Sean las transformaciones lineales f de U en V
y g de V en W. Entonces:
a.- gf es inversible si y sólo si tanto f como g son inversibles;
b.- Si f y g son inversibles, tenemos que (gf)-1 = f -1g ±1;
c.- Si f es inversible, entonces también lo es f -1 y (f -1)-1 = f.
Suponga que gf es inversible. Sea h de W en U la inversa de gf. Entonces
h(gf) = i(U) y (gf)h = i(W). Por tanto, (hg)f = i(U) lo que implica que f tiene una
inversa a la izquierda hg. Además, g(fh) = i(W) lo que implica que g tiene una
inversa a la derecha fh. Por consiguiente, si gf tiene una inversa, entonces tanto g
como f tienen inversas. Suponga ahora que g y f tienen inversas. Entonces g y f
son biyectivas, de modo que gf es biyectiva y, en consecuencia, tiene una inversa;
además, (gf)-1 = f -1g -1. Si f tiene inversa entonces f es biyectiva, como
demostramos anteriormente f -1 es una transformación lineal de V en U y si f -1 es
biyectiva, entonces (f -1)-1 también es una transformación lineal y ( f -1)-1 = f, que es
la transformación lineal original.
EJ E M P L O 7.5.2
Verificar que la transformación lineal f : R 3 o R 3 definida por
f((a, b, c)) = (2a + c, 2c + a, 2a + b)
es inyectiva.
SO L U C I O N
Nuc(f) = {u R 3 / f(u) = , R 3}
= {(a, b, c) / (2a + c, 2c + a, 2a + b) = (0, 0, 0)}
Resolviendo el sistema de ecuaciones
2a c 0
°
® a 2c 0
°2 a b 0
¯
obtenemos
Nuc(f) = {(a, b, c) / a = b = c = 0} Dim Nuc(f) = 0.
Por lo tanto f es inyectiva.
EJ E M P L O 7.5.3
En un espacio vectorial con base {e1, e2} se da la transformación lineal f. Hallar la
matriz de la transformación inversa si f(e1) = e2, f(e2) = e1.
SO L U C I O N
D a
(a, b) = D(1, 0) + E(0, 1) ®
¯E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(0, 1) + b(1, 0) = (b, a).
Por tanto:
§0 1·
f -1((r, s) = (s, r) A f 1 ¨ ¸.
©1 0¹
EJ E M P L O 7.5.4
Encuentre la transformación lineal f ±1 de la transformación f : R 3 o R 3 definida
por f((a, b, c)) = (2b + c, 2c + a, 2a + b).

SO L U C I O N
Por definición, tenemos que
2b c r
°
® a 2c s
° 2a b t
¯
Resolvemos este sistema de ecuaciones
§0 2 1 r · §0 2 1 r · §0 2 1 r ·
¨ ¸ ¨ ¸ ¨ ¸
¨1 0 2 s ¸ | ¨1 0 2 s ¸ | ¨1 0 2 s ¸
¨ 2 1 0 t ¸ ¨ 0 1 4 2s t ¸ ¨ 0 0 9 r 4s 2t ¸
© ¹ © ¹ © ¹
§ 0 9 0 4 r 2s t ·
¨ ¸
¨ 9 0 0 2 r s 4t ¸
¨ 0 0 9 r 4 s 2t ¸
© ¹
La solución del sistema es
2 r s 4t
°a 9
°
° 4 r 2s t
®b
° 9
° r 4 s 2t
°c 9
¯
La transformación lineal inversa es
§ 2 r s 4t 4 r 2s t r 4s 2t ·
f 1 (( r , s, t )) ¨ , , ¸.
© 9 9 9 ¹
EJ E M P L O 7.5.5
La transformación lineal f consiste en girar cada vector del plano X0Y un ángulo S/4.
Hallar la matriz de g = f + f -1.
SO L U C I O N
La transformación lineal f está dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2 2 §1 1·
f (( a , b)) ( a b, a b) A f ¨ ¸
2 2 ©1 1 ¹
Por consiguiente, la transformación lineal inversa es:
1 1 § 1 1·
f 1 (( r , s)) ( r s, r s) A f 1 ¨ ¸
2 2 © 1 1¹
La matriz de la transformación lineal g = f + f ±1, está dada por:
2 §1 1· 1 § 1 1· § 2 0 ·
A g A f A f 1 ¨ ¸ ¨ ¸ ¨ ¸.
2 ©1 1 ¹ 2 © 1 1¹ ¨© 0 2 ¸¹
EJ E M P L O 7.5.6
La transformación lineal f consiste en girar cada vector del plano X0Y en el ángulo
S/4. Hallar la representación matricial f -2.
SO L U C I O N
La transformación lineal f está dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2
f (( a , b)) ( a b, a b)
2

Por consiguiente, la transformación lineal inversa es:

1 1 § 1 1·
f 1 (( r , s)) ( r s, r s) A f 1 ¨ ¸
2 2 © 1 1¹
La matriz de la transformación lineal f ±2, está dada por:
§ 1 1 ·§ 1 1 ·
¨ ¸¨ ¸ § 0 1·
2 2 ¸¨ 2 2¸
A f 2 A f 1 A f 1 ¨ ¨ ¸.
¨ 1 1 ¸¨ 1 1 ¸ © 1 0 ¹
¨ ¸¨ ¸
© 2 2 ¹© 2 2¹
PR O B L E M AS
7.5.1 Sea V un espacio vectorial. Sea f de L(V, V). b.- Determínese la inversa de D.
Demuestre que si f es inversible, entonces f2 = f implica c.- Verifíquese que I + D, I ± D e I ± D2 son
siempre que f = i. ¿Es esto necesariamente cierto para f no transformaciones lineales no singulares de U.
inversible? d.- Demuéstrese que I + D2 es transformación lineal
singular de U.
7.5.2 Demuéstrese que cada uno de las transformaciones e.- Examínese la singularidad o no singularidad de
lineales siguientes es no singular, y encuéntrese la I + a D, donde a es entero.
transformación lineal inversa que le corresponde: f.- Examínese la singularidad o no singularidad de
a.- f(x, y) = (x, 2y); I + a D2, donde a es entero.
b.- f(x, y) = (3x + y, 5x + 2y);
c.- f(x, y, z) = (x + y, y + z, z); 7.5.7 Sea V el espacio vectorial de todos los polinomios
d.- f(x, y, z) = (x, x ± y, y ± z); p(x). Sean f, g y h funciones que aplican un polinomio
e.- f(x, y, z) = (y, x + z, y ± z); cualquiera p(x) = a 0 + a 1x + a 2x2 + ... + a nxn de V en los
f.- f(x, y, z) = (x + y, y + 2z, x + y + z). polinomios r(x), s(x) y t(x) respectivamente, siendo
r(x) = p(0),
7.5.3 Sea B una matriz no singular de n x n. Demuestre n n
que la transformación lineal f : : o : definida por s( x) ¦ ak x k 1 , t ( x) ¦ ak x k 1
k 1 k 0
f(A) = AB es un isomorfismo.
a.- Poner p(x) = 2 + 3x ± x2 + x3 y determinar la imagen
7.5.4 Sean a , b, c, d números dados y considere la de p a través de cada una de las transformaciones
siguientes: f, g, h, gh, hg, (hg)2, h2g2, g2h2, hfg, fgh.
ax b
función f ( x) . Sea g otra función de la misma b.- Demuestre que f, g y h son lineales y determinar el
cx d núcleo y la imagen de cada una.
forma. Demuestre que gqf donde gf(x) = g(f(x)) es una c.- Demuestre que f es uno a uno en V y determine su
función que también se puede escribir en la misma inversa.
forma. Demuestre que cada una de estas funciones se d.- Si n t 1, expresar (hg)n y gnhn en función de I y f.
puede representar por una matriz, de tal modo que la
matriz que representa a gqf es el producto de las matrices 7.5.8 Sea
que representan a g y f. Demuestre que la función inversa f(x, y, z, u) = (0, x, y + 2x, z + 2y + 3x).
existe sí y sólo si ad - bc z 0. ¿A qué se reduce la Demuéstrese que:
función si ad ± bc = 0? a.- f4 = O;
b.- I ± f es no singular;
7.5.5 Una transformación lineal f de V en V es nilpotente c.- I + f + f2 + f3 = (I ± f)-1;
si para algún entero positivo k, fk = . Demuestre: d.- I + f es no singular;
a.- Si f es inversible, entonces f no es nilpotente. ¿Es cierta e.- I + 2f es no singular;
la recíproca de esta afirmación? f.- Si a es no negativo, I ± af es no singular.
b.- Si f es nilpotente, entonces i + f es inversible.
Demuestre que (i + f)-1 = i ± f + f2 ± f3 + ... + (-1)k-1fk-1. 7.5.9 Suponga que U = Spanêx, e2x « enx «`.
Demuéstrese la validez de los enunciados siguientes:
7.5.6 Suponga que U = Span^Senx, Cosx, Sen2x, Cos2x, a.- La derivada D es transformación lineal no singular
«`: x
a.- Verifíquese que D es transformación lineal no de U y su inversa es la integral ³f f (t )dt .
singular de U. b.- I + D es transformación lineal no singular de U;
c.- I ± D es transformación lineal singular en U. 7.5.14 Sean f : R n o R m, g : R m o R n transformaciones

d.- Si a es un entero no negativo, a I ± D es singular. lineales. Demuestre que si n > m, el operador lineal
e.- Si a es entero no negativo mayor que 1, I ± a D es no g f : R n o R n no puede ser inversible. ¿Puede ser
singular. inversible el operador f g : R m o R m? Explique.
7.5.10 Sea V un espacio vectorial. Sea f de L(V, V). 7.5.15 Sea f una transformación lineal de R 3 con la
Suponga que para algunos escalares a1, a2, ..., an de K, y propiedad de que f(e1) = e2, f(e2) = e3, f(e3) = e1:
algún entero positivo n, tenemos que fn + a1fn-1 + a2fn-2 + ... a.- Encuéntrense f2(e i) y f3(e i) para i = 1, 2, 3, y, en
+ an-1f + ani = . Demuestre que si an z 0, entonces f es consecuencia, verifíquese que f3 = I .
inversible. Hállese f -1 en función de f en este caso. b.- Verifíquese que f -1 = f2.
c.- Dé una interpretación geométrica de f.
7.5.11 Sea f : :2x3 o :3x2 definida por f(A) = AT.
Demuestre que f es un isomorfismo y determine la matriz 7.5.16 Sea V = {0, 1}. Describir todas las funciones
para la inversa de f. f : V o V. En total son cuatro. Desígnense con g, h, r, s
y construir una tabla de multiplicación que muestre la
7.5.12 Demuestre que una transformación lineal composición de cada par. Indicar cuáles son uno a uno
f : R n o R m con n z m, no puede ser inversible. en V y dar sus inversas.
7.5.13 Sea f una transformación lineal de R 3 con la 7.5.17 Sea V = {0, 1, 2}. Describir todas las funciones
propiedad de que f : V o V para las cuales f(V) = V. En total son seis.
f(e1) = e2 + e3, f(e2) = e3 + e1, f(e3) = e1 + e2: Desígnense con f1, f2, f3, f4, f5, f6 y construir una tabla de
a.- Encuéntrense f2(e i) y f3( e i) para i = 1, 2, 3, y, en multiplicación que muestre la composición de cada par.
consecuencia, verifíquese que f3 = 3f + 2 I . Indicar cuáles son uno a uno en V, y dar sus inversas.
1 2
b.- Verifíquese que f 1 ( f 3I ) .
2
7.6 T R A NSF O R M A C I O N ES G R A F I C AS E N R 2
Es fundamental para todos los sistemas de gráficas por computadora la capacidad de simular tanto el movimiento
como el manejo de objetos. Estos procesos se describen en términos de traslaciones, rotaciones, puestas en escala
y reflexiones. El objetivo aquí es explicar estas operaciones en una forma matemática adecuada para su
procesamiento por computadora, y mostrar la forma en que se emplean para lograr los fines del manejo y
movimiento de objetos.
Existen dos puntos de vista complementarios para describir el movimiento de

objetos. El primero es que el objeto mismo se mueve en relación con un sistema
coordenado estacionario o fondo. El planteamiento matemático de tal punto de vista
se explica mediante transformaciones geométricas aplicadas a cada punto del objeto.
El segundo punto de vista sostiene que el objeto se mantiene estacionario mientras
que el sistema coordenado se mueve con relación a dicho objeto. Este efecto se
obtiene a través de la aplicación de transformación de coordenadas. Un ejemplo

incluye el movimiento de un automóvil relacionado con un fondo escénico. Es

posible simular esto trasladando el automóvil mientras se mantiene el fondo fijo

(transformación geométrica). También se puede conservar fijo el automóvil mientras
se mueve el escenario del fondo (transformación de coordenadas). En algunas
situaciones, se emplean ambos métodos.

T R A NSF O R M A C I O N ES G E O M E T RI C AS

Considérese un sistema coordenado sobre un plano. Un objeto : en el plano puede
considerarse como un conjunto de puntos. Cada punto objeto P tiene coordenadas
(x, y), de manera que el objeto es la suma total de todos sus puntos coordenados.

Si el objeto se traslada a una nueva posición, puede considerarse como un nuevo
objeto :´, cuyos puntos coordenados P´ pueden obtenerse a partir de los puntos
originales P mediante la aplicación de una transformación geométrica.

En la traslación, un objeto se desplaza una distancia y dirección determinadas a
partir de su posición original. Si el desplazamiento está dado por el vector
v = txi + tyj, el nuevo punto objeto P´(x´, y´) puede obtenerse al aplicar la
transformación Tv a P(x, y)
P´ = Tv(P)
donde x´ = x + tx y y´ = y + ty.

En la rotación, el objeto se rota Tº con respecto al origen. La convención es que la
dirección de rotación es antihoraria si T es un ángulo positivo, y en el sentido
horario si T es un ángulo negativo. La transformación de rotación RT es
P´ = RT(P)
donde x´ = xCosT - ySenT y y´ = xSenT + yCosT.

La puesta en escala, es el proceso de expandir o comprimir las dimensiones de un
objeto. Se utilizan constantes positivas de puesta en escala sx y sy para describir
los cambios en longitud con respecto a las direcciones x y y, respectivamente.
Una constante de prueba en escala mayor de uno indica una expansión de
longitud, y menos de uno, compresión de longitud. La transformación de escala
Ss x ,s y está dada por
P´ Ss x ,s y (P)
en donde x´ = sxx y y´ = syy.
Obsérvese que después de efectuar una transformación de escala, el nuevo

objeto está localizado en una posición diferente con relación al origen. En
realidad, en una transformación de escala el único punto que permanece fijo es el
origen.
Si ambas constantes de puesta en escala tienen el mismo valor S, la

transformación de escala se dice que es homogénea. Además, si s > 1, es una
amplificación y para s < 1, una reducción.

Si el eje X o Y se considera como un objeto, el objeto tiene una imagen de espejo

o reflexión. Ya que la reflexión P´ de un punto objeto P está localizada a la misma

distancia del espejo que P. La transformación de reflejo de espejo M x con
respecto al eje x está dada por

P´ = Mx(P)
donde x´ = x y y´ = -y.
De manera semejante, la reflexión de espejo en relación con el eje Y es
P´ = My(P)
donde x´ = -x y y´ = y.

Toda transformación geométrica tiene una inversa, descrita con la operación

contraria efectuada por la transformación:

Traslación: Tv1 Tv , o traslación en la dirección opuesta.
Rotación: R T1 R T , o rotación en la dirección opuesta.

Puesta en escala: Ssx1,s y S1 1
,
sx s y

Reflexión de espejo: Mx 1 M x y My1 My

T R A NSF O R M A C I O N D E C O O R D E N A D AS

Supóngase que se tienen dos sistemas coordenados en el plano. El primer sistema
está localizado en un origen O y tiene ejes coordenados XY. El segundo sistema
coordenado se ubica en el origen O´ y tiene ejes coordenados XÝ´. Ahora cada
punto del plano tiene dos descripciones coordenadas: ( x, y) o (x´, y´), dependiendo
del sistema coordenado empleado. Si se considera que el segundo sistema XÝ´
surge de una transformación aplicada al primer sistema XY, se dice que se ha
aplicado una transformación de coordenadas. Es posible describir esta
transformación determinando cómo están relacionadas las coordenadas ( x´, y´) de

un punto P con las coordenadas (x, y) del mismo punto.

Si el sistema coordenado XY se desplaza a una nueva posición en donde la
dirección y distancia del desplazamiento están dadas por el vector v = txi + tyj, las
coordenadas de un punto en ambos sistemas están relacionados por la

transformación de traslación T v :

( x´, y´) Tv ( x, y)
donde x´ = x ± tx y y´ = y ± ty.

El sistema XY se rota Tº con respecto al origen. Entonces, las coordenadas de un
punto en ambos sistemas están relacionadas por la transformación de rotación
RT :

( x´, y´) R T ( x, y)

donde
x´ = xCosT + ySenT y y´ = -xSenT + yCosT.

Supóngase que se forma un nuevo sistema coordenado sin modificar el origen, ni
los ejes coordenados, pero introduciendo distintas unidades de medición a lo largo
de los ejes X y Y. Si se obtienen nuevas unidades a partir de las unidades
anteriores con una escala de sx unidades a lo largo del eje X y sy unidades a lo
largo del eje Y, las coordenadas en el nuevo sistema están relacionadas con las
coordenadas en el sistema anterior a través de la transformación de escala Ss x ,s y :
( x´, y´) Ss x ,s y ( x, y)
1 1
donde x´ x y y´ y
sx sy
Si en el nuevo sistema coordenado se obtiene por reflexión del sistema anterior
con respecto al eje X o eje Y, la relación entre coordenadas está dada por las
transformaciones coordenadas M x y M y :

( x´, y´) M x ( x, y)
donde x´ = x y y´ = -y.

Para la reflexión con respecto al eje Y
( x´, y´) M y ( x, y)
donde x´ = -x y y´ = y.

Cada transformación de coordenadas tiene una inversa, que puede obtenerse al
aplicar la transformación opuesta:
1
Traslación: Tv T v , o traslación en la dirección opuesta.
1
Rotación: RT R T , o rotación en la dirección opuesta.
1
Puesta en escala: Ss x ,s y S1, 1
sx s y

1 1
Reflexión de espejo: Mx Mx y M y My

T R A NSF O R M A C I O N ES C O M PU EST AS

Es posible construir transformaciones geométricas y de coordenadas más
complejas a partir de las transformaciones básicas descritas cuando se estudió el
proceso de composición de funciones. Operaciones tales como la rotación con
respecto a un punto distinto del origen o la reflexión con relación a líneas que no
sean los ejes pueden construirse a partir de las transformaciones básicas.

D ESC R IP C I O N M A T R I C I A L D E L AS T R A NSF O R M A C I O N ES B ASI C AS

Las transformaciones de rotación, puesta en escala y reflexión, pueden
representarse como funciones matriciales:

Transformaciones geométricas Transformaciones de coordenadas

§ CosT SenT · § CosT SenT ·
RT ¨ ¸ RT ¨ ¸
© SenT CosT ¹ © SenT CosT ¹
§ sx 0· §1 ·
Ss x ,s y ¨ ¸ ¨s 0 ¸
©0 sy ¹
Ss x ,s y ¨ x ¸
¨ 1 ¸
¨¨ 0 ¸
© s y ¸¹

§1 0 · §1 0 ·
Mx ¨ ¸ Mx ¨ ¸
© 0 1¹ © 0 1¹

§ 1 0 · § 1 0 ·
My ¨ ¸ My ¨ ¸
© 1 1¹ © 0 1¹

La transformación de traslación no puede expresarse como una función matricial
de 2 x 2. Sin embargo, cierto artificio permite introducir una función matricial de
3 x 3 que efectúa la transformación de traslación. Se representa el par ordenado
(x, y) de un punto P por medio de la tríada (x, y, 1). Esta es simplemente la
representación homogénea de P. Entonces, la traslación en la dirección v = txi +
tyj puede expresarse por medio de la función matricial
§ 1 0 tx ·
¨ ¸
Tv ¨ 0 1 t y ¸
¨0 0 1 ¸
© ¹
Entonces
§ 1 0 tx · § x · § x tx ·
¨ ¸¨ ¸ ¨ ¸
¨0 1 ty ¸¨ y ¸ ¨ y ty ¸
¨0 0 1 ¸¨ 1 ¸ ¨ 1 ¸
© ¹© ¹ © ¹
A partir de esto se extrae el par coordenado(x + tx, y + ty).

La ventaja de introducir una forma matricial para la traslación es que ahora es
posible construir transformaciones complejas al multiplicar las transformaciones
matriciales básicas. En ocasiones, este proceso recibe el nombre de concatenación

de matrices. Aquí se está empleando el hecho de que la composición de funciones

matriciales es equivalente a la multiplicación de matrices. Debe ser posible
representar las transformaciones básicas como matrices coordenadas homogéneas
de 3 x 3 para que sean compatibles (desde el punto de vista de multiplicación
matricial) con la matriz de traslación. Esto se logra aumentando las matrices de
2 x 2 con una tercera columna y una tercera fila. Esto es
§ a b 0·
¨ ¸
¨ c d 0¸ .
¨ 0 0 1¸
© ¹

E J E M P L O 7.6.1
Encuentre la transformación que gira un punto objeto T con respecto al origen.
Escríbase la representación matricial para esta rotación.
SO L U C I O N
La definición de las funciones trigonométricas nos da
x´ rCos(T I) x rCosI
® y ®
¯ y´ r S en ( T I) ¯ y rSenI
Mediante identidades trigonométricas, se obtiene
rCos(T I) r ( CosT CosI SenTSenI) xCosT ySenT
®
¯ rSen(T I) r ( SenT CosI CosTSenI) xSenT yCosT
ó
x´ xCosT ySenT
®
¯ y´ xSenT yCosT
§ x´ · § x· § CosT SenT ·
Escribiendo P´ ¨ ¸ , P ¨ ¸ , y R T ¨ ¸

y
© ¹´ © y¹ © SenT CosT ¹

ahora puede escribirse P´ R T P .

E J E M P L O 7.6.2
Encuentre la matriz que representa la rotación de un objeto 30º con respecto al
origen. ¿Cuáles son las nuevas coordenadas del punto P(3, -5) después de la
rotación?
SO L U C I O N
Tomando la matriz del ejemplo anterior, tenemos que
§ 3 1·
¨ ¸
§ Cos30º Sen30º · ¨ 2 2¸
R 30º ¨ ¸ ¨
© S en30º Cos 30º ¹ 1 3¸
¨ ¸
© 2 2 ¹
Las nuevas coordenadas pueden obtenerse al multiplicar
§ 3 1· §53 3 ·
¨ ¸ ¨ ¸
2 ¸§ · ¨ 2 ¸
3
¨ 2 ¨ ¸ .
¨ 1 3 ¸ © 5 ¹ ¨ 3 5 3 ¸
¨ ¸ ¨ ¸
© 2 2 ¹ © 2 ¹

E J E M P L O 7.6.3
Describa la transformación que gira un punto objeto Q( x, y), T grados con
respecto a un centro fijo de rotación P(h, k).
SO L U C I O N
Se determina la transformación RT,P en tres pasos:
1. Trasladar de manera que el centro de rotación P se encuentre en el origen.
2. Efectuar una rotación de T grados con respecto al origen.
3. Trasladar de nuevo el origen a P.
Utilizando v = -hi ± kj como vector de traslación, se construye RT,P por la
composición de transformaciones R T,O´ Tv R T Tv .

E J E M P L O 7.6.4
Descríbase la forma general de la matriz para la rotación con respecto a un punto

P(h, k).

SO L U C I O N

Por el ejemplo anterior tenemos R T,P´ Tv R T Tv , donde v = -hi ± kj. Mediante

la forma coordenada homogénea de 3 x 3 para las matrices de rotación y
traslación, se tiene
§ 1 0 h ·§ CosT SenT 0 ·§ 1 0 h ·
¨ ¸¨ ¸¨ ¸
R T, P ¨ 0 1 k ¸¨ SenT CosT 0 ¸¨ 0 1 k ¸
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ ¸
© ¹© ¹© 0 0 1 ¹

§ CosT SenT hCosT kSenT h ·
¨ ¸
¨ SenT CosT hSenT kCosT k ¸ .
¨ 0 0 1 ¸
© ¹

E J E M P L O 7.6.5
Efectúe una rotación de 45º del triángulo con vértices en los puntos A(0, 0),
B(1, 1), C(5, 2):
a.- Con respecto al origen;
b.- Con respecto al punto P(-1, -1).
SO L U C I O N
Se representa el triángulo por medio de una matriz formada a partir de las
coordenadas homogéneas de los vértices
A B C
§0 1 5·
¨ ¸
¨0 1 2¸
¨1 1 1¸
© ¹
a.- La matriz de rotación es
§ 2 2 ·
¨ 0¸
2 2
§ Cos 45º Sen 45º 0 · ¨ ¸
¨ ¸ ¨ 2 2 ¸
R 45º ¨ Sen 45º Cos 45º 0 ¸ ¨ 0¸
2 2
¨ 0
© 0 1 ¸¹ ¨¨ ¸
0 0 1¸
¨ ¸
¨ ¸
© ¹
De manera que las coordenadas A´BĆ´ del triángulo girado ABC se obtienen
como
§ 2 · §
2 3 2·
¨ 0¸ ¨0 0 ¸
¨ 2 2 ¸§0 1 5· ¨ 2 ¸
¨ 2 2 ¸¨ ¸ ¨ 7 2¸
> A´BĆ´@ R 45º > ABC@ ¨ 0¸¨0 1 2¸ ¨0 2 ¸
¨ 2 2 ¸¨1 1 1¸ ¨ 2 ¸
¨ 0 0 1¸© ¹ ¨1 1 1 ¸
¨ ¸ ¨ ¸
¨ ¸ ¨ ¸
© ¹ © ¹

De esta manera, obtenemos los nuevos vértices del triángulo rotado:

§3 2 7 2 ·
A´(0, 0), B´(0, 2), C´¨¨ , ¸.
© 2 2 ¸¹
b.- La matriz de rotación está dada por R 45º,P´ Tv R 45º Tv , en donde v = i +

j. De modo que

§ 2 2 · § 2 2 ·
¨ 0¸ ¨ 1 ¸
2 2 ¸ § 1 0 1· ¨ 2 2
§ 1 0 1· ¨ ¸
¨ ¸¨ 2 2 ¸¨ ¸ ¨ 2 2 ¸
R T,P ¨ 0 1 1¸ ¨ 2 2
0 ¸ ¨ 0 1 1¸ ¨ 2 1¸
¨0 0 1 ¸¨ ¸ ¨ 0 0 1¸ ¨ 2 2 ¸
© ¹¨ 0 0 1¸© ¹ ¨ 0 0 1 ¸
¨ ¸ ¨ ¸
¨ ¸ ¨ ¸
© ¹ © ¹
Ahora
§ 2 2 ·
¨ 1 ¸
¨ 2 2 ¸§0 1 5·
¨ ¸¨
2 2 ¸
> A´BĆ´@ R 45º > ABC @ ¨ 2 1¸ ¨ 0 1 2 ¸
¨ 2 2 ¸¨1 1 1¸

¨ 0 0 1 ¸© ¹
¨ ¸
¨ ¸
© ¹

§ 1 1 3 2 1 ·
¨ ¸
¨ 9 2 2¸
¨ 2 1 2 2 1 2 ¸¸
¨
¨ 1 1 1 ¸
© ¹
De esta manera, obtenemos los nuevos vértices del triángulo rotado:
§3 2 7 2 ·
A´(1, 2 1) , B´(1, 2 2 1) , C´¨¨ , ¸.

© 2 2 ¸¹

E J E M P L O 7.6.6
Determine la transformación que pone en escala (respecto al origen) en:
a.- a unidades en la dirección X;
b.- b unidades en la dirección Y;
c.- en forma simultánea a unidades en dirección X y b unidades en dirección Y.
SO L U C I O N
a.- La transformación de escala aplicada a un punto P(x, y) produce el punto
( ax, y). Esto puede escribirse en forma matricial como

§ a 0 ·§ x · § ax ·
Sa ,1 P ó ¨ ¸¨ ¸ ¨ ¸
© 0 1 ¹© y ¹ © y ¹
b.- Como en el literal anterior, la transformación requerida puede escribirse en
forma matricial como
§ 1 0 ·§ x · § x ·
S1,b P ó ¨ ¸¨ ¸ ¨ ¸
© 0 b ¹© y ¹ © by ¹

c.- La puesta en escala en ambas direcciones está descrita por la transformación

x´ = ax y y´ = by. Al escribir esto en forma matricial como

§ a 0 ·§ x · § ax ·
Sa , b P ó ¨ ¸¨ ¸ ¨ ¸ .
© 0 b ¹© y ¹ © by ¹

E J E M P L O 7.6.7
Escriba la forma general de una matriz de puesta en escala con respecto a un
punto fijo P(h, k).
SO L U C I O N
Siguiendo el mismo procedimiento general, se escribe la transformación requerida
con v = -hi ± kj como
§ 1 0 h ·§ a 0 0 ·§ 1 0 h · § a 0 ah h ·
¨ ¸¨ ¸¨ ¸ ¨ ¸
Sa ,b,P Tv Sa ,b Tv ¨ 0 1 k ¸¨ 0 b 0 ¸¨ 0 1 k ¸ ¨ 0 b bk k ¸ .
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸ ¨ 0 0 1 ¸¹
© ¹© ¹© ¹ ©

E J E M P L O 7.6.8
Amplifíquese el triángulo con vértices A(0, 0), B(1, 1) y C(5, 2) al doble de su
tamaño manteniendo fijo el vértice C(5, 2).
SO L U C I O N
Es posible escribir la transformación requerida con v = -5 i ± 2 j como
§ 1 0 5 ·§ 2 0 0 ·§ 1 0 5 · § 2 0 5 ·
¨ ¸¨ ¸¨ ¸ ¨ ¸
S2,2,C Tv S2,2 Tv ¨ 0 1 2 ¸¨ 0 2 0 ¸¨ 0 1 2 ¸ ¨ 0 2 2 ¸
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸ ¨ 0 0 1 ¸
© ¹© ¹© ¹ © ¹
Representando un punto P con coordenadas (x, y) por medio del vector columna
§ x·
¨ ¸
¨ y ¸ , se tiene
¨1¸
© ¹

§ 2 0 5 ·§ 0 · § 5 · § 2 0 5 ·§1· § 3 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸¨ ¸ ¨ ¸
S2,2,C A ¨ 0 2 2 ¸¨ 0 ¸ ¨ 2 ¸ ; S2,2,C B ¨ 0 2 2 ¸¨1¸ ¨ 0 ¸ ;

¨ 0 0 1 ¸¨ 1 ¸ ¨ 1 ¸ ¨ 0 0 1 ¸¨1¸ ¨ 1 ¸
© ¹© ¹ © ¹ © ¹© ¹ © ¹
§ 2 0 5 ·§ 5 · § 5 ·
¨ ¸¨ ¸ ¨ ¸
S2,2,C C ¨ 0 2 2 ¸¨ 2 ¸ ¨ 2 ¸
¨ 0 0 1 ¸¨ 1 ¸ ¨ 1 ¸
© ¹© ¹ © ¹
De manera que A´(-5, -2), B´(-3, 0) y C´(5, 2). Obsérvese que ya que el triángulo
ABC está completamente determinado por sus vértices, podría haberse ahorrado
mucha escritura al representar los vértices con una matriz de 3 x 3
§0 1 5·
> ABC @ ¨¨ 0 1 2 ¸¸
¨1 1 1¸
© ¹
y aplicando S2,2,C a esto. Entonces
§ 2 0 5 ·§ 0 1 5 · § 5 3 5 ·
¨ ¸¨ ¸ ¨ ¸
S2,2,C > ABC@ ¨ 0 2 2 ¸¨ 0 1 2 ¸ ¨ 2 0 2 ¸ >A´BĆ´@ .
¨ 0 0 1 ¸¨ 1 1 1 ¸ ¨ 1 1 1 ¸
© ¹© ¹ © ¹

E J E M P L O 7.6.9
Descríbase la transformación ML que refleja un objeto con respecto a una recta L.

SO L U C I O N

Considere que la línea L de la figura tiene una intersección con el eje Y en (0, b)

y un ángulo de inclinación de T grados (respecto al eje X). Se reduce la
descripción a transformaciones conocidas:
1. Trasladar (0, b) al origen.
2. Rotar -T grados de manera que la recta L se alinee con el eje X.
3. Efectuar una reflexión de espejo con respecto al eje X.
4. Girar de nuevo T grados.
5. Trasladar el origen de nuevo al punto (0, b).
En notación de transformación, se tiene
ML Tv R ș M x R ș Tv

en donde v = -bj.

E J E M P L O 7.6.10
Obténgase la forma de la matriz para realizar reflexión con respecto a una recta L
de pendiente m e intersección con el eje Y en el punto (0, b).
SO L U C I O N
Aplicando el hecho de que el ángulo de inclinación de una recta está relacionado
con su pendiente m por la ecuación TanT = m, se tiene con v = -bj
§ 1 0 0 ·§ CosT SenT 0 ·§ 1 0 0 ·§ CosT SenT 0 ·§ 1 0 0 ·
¨ ¸¨ ¸¨ ¸¨ ¸¨ ¸
¨ 0 1 b ¸¨ SenT CosT 0 ¸¨ 0 1 0 ¸¨ SenT CosT 0 ¸¨ 0 1 b ¸ .
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ ¸¨ 1 ¸¨ ¸
© ¹© ¹© 0 0 1 ¹© 0 0 ¹© 0 0 1 ¹
Ahora, si TanT = m, la trigonometría elemental da
m
° SenT
° m2 1
®
° CosT 1
° m2 1
¯
Sustituyendo estos valores en vez de SenT y CosT después de la multiplicación de
matrices, se tiene
§ 1 m2 2m 2bm ·
¨ 2 2 2 ¸
¨ m 1 m 1 m 1¸
¨ 2m m2 1 2b ¸
ML ¨ 2 ¸.
¨ m 1 m2 1 m2 1 ¸
¨ 0 0 1 ¸
¨ ¸
¨ ¸
© ¹


E J E M P L O 7.6.11
Realice la reflexión del polígono en forma de diamante cuyos vértices están en
A(-1, 0), B(0, -2), C(1, 0) y D(0, 2) con respecto:
a.- La recta horizontal y = 1;
b.- La recta vertical x = 2;
c.- La recta y = x + 2.
SO L U C I O N
Se representan los vértices del polígono por medio de la matriz coordenada

homogénea

§ 1 0 1 0 ·
¨ ¸
V ¨ 0 2 0 2 ¸
¨ 1 1 1 1¸
© ¹
La matriz de reflexión puede escribirse como
a.- La recta y = 2 tiene intersección con el eje Y en el punto (0, 2) y forma un
ángulo de 0º con el eje X. De manera que con T = 0 y v = -2 j, la matriz de
transformación es
§ 1 0 0 ·§ 1 0 0 ·§ 1 0 0 ·§ 1 0 0 ·§ 1 0 0 · § 1 0 0 ·
¨ ¸¨ ¸¨ ¸¨ ¸¨ ¸ ¨ ¸
M L ¨ 0 1 2 ¸¨ 0 1 0 ¸¨ 0 1 0 ¸¨ 0 1 0 ¸¨ 0 1 2 ¸ ¨ 0 1 4 ¸

¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸ ¨ 0 0 1 ¸
© ¹© ¹© ¹© ¹© ¹ © ¹
Esta misma matriz podría haberse obtenido directamente utilizando los resultados
del ejemplo anterior con pendiente m = 0 e intersección con el eje Y en b = 0.
Para reflejar el polígono, se iguala
§ 1 0 0 ·§ 1 0 1 0 · § 1 0 1 0 ·
¨ ¸¨ ¸ ¨ ¸
M L V ¨ 0 1 4 ¸¨ 0 2 0 2 ¸ ¨ 4 6 4 2 ¸
¨ 0 0 1 ¸¨ 1 1 1 1 ¸ ¨ 1 1 1 1 ¸
© ¹© ¹ © ¹

Convirtiendo de coordenadas homogéneas A´(-1, 4), B´(0, 6), C´(1, 4), D´(0, 2).
b.- La recta vertical x = 2 carece de intersección con el eje Y y tiene pendiente
infinita. Puede utilizarse My, reflexión con respecto al eje Y, para escribir la
reflexión deseada:
1. Trasladando la recta dada dos unidades hacia arriba al eje Y;
2. Realizando reflexión con respecto al eje Y;
3. Trasladando hacia atrás dos unidades.
De manera que con v = -2 i
§ 1 0 2 ·§ 1 0 0 ·§ 1 0 2 · § 1 0 4 ·
¨ ¸¨ ¸¨ ¸ ¨ ¸
M L Tv M y Tv ¨ 0 1 0 ¸¨ 0 1 0 ¸¨ 0 1 0 ¸ ¨ 0 1 0 ¸
¨ 0 0 1 ¸¨ 0 0 1 ¸¨ 0 0 1 ¸ ¨ 0 0 1 ¸
© ¹© ¹© ¹ © ¹
Por último
§ 1 0 4 ·§ 1 0 1 0 · § 5 4 3 4 ·
¨ ¸¨ ¸ ¨ ¸
M L V ¨ 0 1 0 ¸¨ 0 2 0 2 ¸ ¨ 0 2 0 2 ¸
¨ 0 0 1 ¸¨ 1 1 1 1 ¸ ¨ 1 1 1 1 ¸
© ¹© ¹ © ¹
Convirtiendo de coordenadas homogéneas A´(5, 0), B´(4, -2), C´(3, 0), D´(4, 2).
c.- La recta y = x + 2 tiene pendiente 1 e intersección con el eje Y en el punto
(0, 2). A partir del ejemplo anterior, con m = 1 y b = 2, se tiene
§ 0 1 2 ·
¨ ¸
ML ¨ 1 0 2 ¸

¨0 0 1 ¸
© ¹
Ahora es posible determinar las coordenadas necesarias A´, B´, C´ y D´


§ 0 1 2 ·§ 1 0 1 0 · § 2 4 2 0 ·
¨ ¸¨ ¸ ¨ ¸
M L V ¨ 1 0 2 ¸¨ 0 2 0 2 ¸ ¨ 1 2 3 2 ¸
¨ 0 0 1 ¸¨ 1 1 1 1 ¸ ¨ 1 1 1 1 ¸
© ¹© ¹ © ¹
De manera que A´(-2, 1), B´(-4, 2), C´(-2, 3) y D´(0, 2).

E J E M P L O 7.6.12
Un observador que se encuentra en el origen ve un punto P(1, 1). Si el punto se

traslada una unidad en la dirección v = i, su nueva posición coordenada es
P´(2, 1). Supóngase que, en vez de esto, el observador retrocede una unidad sobre
el eje X. ¿Cuáles serían las coordenadas aparentes de P con respecto al
observador?
SO L U C I O N
El problema puede plantearse como una transformación de sistemas coordenadas.
Si se traslada el origen O en la dirección v = -i (a una nueva posición en O´), las
coordenadas P en este sistema pueden obtenerse por medio de la traslación T v :

§ 1 0 1 ·§1· § 2 ·
¨ ¸¨ ¸ ¨ ¸
T v P ¨ 0 1 0 ¸¨1¸ ¨ 1 ¸
¨ 0 0 1 ¸¨1¸ ¨ 1 ¸
© ¹© ¹ © ¹
De manera que las nuevas coordenadas son (2, 1)´. Esto tiene la interpretación
que sigue: un desplazamiento de una unidad en una dirección dada puede lograrse
ya sea trasladando el objeto hacia delante o alejándose de él.

E J E M P L O 7.6.13
Un objeto está definido con respecto a un sistema coordenado cuyas unidades
están mediadas en pies. Si el sistema coordenado de un observador utiliza
pulgadas como unidad básica, ¿cuál es la transformación de coordenadas
empleada para describir las coordenadas del objeto en el sistema coordenado del
observador?
SO L U C I O N

Ya que hay 12 pulgadas en un pie, la transformación requerida puede describirse

1
por medio de una transformación de escala coordenada con s o
2
§ 1 ·
¨ 1/12 0 ¸
§12 0 ·
S1/12 ¨ ¸ ¨ ¸
¨ 0 1 ¸ © 0 12 ¹
¨ ¸
© 1/12 ¹
y así
§ x · §12 0 ·§ x · § 12 x ·
S1/12 ¨ ¸ ¨ ¸¨ ¸ ¨ ¸.
© y ¹ © 0 12 ¹© y ¹ ©12 y ¹

E J E M P L O 7.6.14

Obténgase la ecuación del círculo (x´)2 + (y´)2 = 1 en términos de coordenadas

XY, considerando que el sistema coordenado XÝ´ es el resultado de una puesta
en escala a unidades en la dirección X y b unidades en la dirección Y.
SO L U C I O N
A partir de las ecuaciones para una transformación de escala coordenada, se
obtiene
1 1
x´ x y y´ y
a b
Sustituyendo, se tiene


§ x· § y·
2 2
¨ ¸ ¨ ¸ 1
©a¹ ©b¹

Obsérvese que, como resultado de la puesta en escala, la ecuación del círculo se

transforma en la ecuación de una elipse en el sistema coordenado XY.

E J E M P L O 7.6.15
Obténgase la ecuación de la recta y´ = mx´ + b en las coordenadas XY si el
sistema coordenado XÝ´ es el resultado de una rotación de 90º del sistema
coordenado XY.
SO L U C I O N
Las ecuaciones de transformación de coordenadas de una rotación pueden
escribirse como
x´ xCos90º ySen90º y
®
¯ y´ xSen90º yCos90º x
Sustituyendo, se tiene ±x = my + b. Resolviendo para y, se tiene
1 b
y x .
m m

A continuación y de forma general, enumeramos los operadores en R 2 que
transforman cada vector en su imagen simétrica con respecto a alguna recta y se
denominan operadores reflexión. Así mismo, encontramos los operadores

proyección ortogonal y rotación:

Reflexión respecto al eje Y:

x´ x § 1 0 ·
® ¨ ¸
¯ y´ y © 0 1¹

Reflexión respecto al eje X:

x´ x §1 0 ·
® ¨ ¸
¯ y´ y © 0 1¹

Reflexión respecto a la recta y = x:

x´ y §0 1·
® ¨ ¸
¯ y´ x ©1 0¹

Proyección ortogonal sobre el eje X:

x´ x §1 0·
® ¨ ¸
¯ y´ 0 © 0 0¹


Proyección ortogonal sobre el eje Y:

x´ 0 § 0 0·
® ¨ ¸
¯ y´ y ©0 1¹

Rotación a través de un ángulo T:

x´ xCosT ySenT § CosT SenT ·
® ¨ ¸
¯ y´ xSenT yCosT © SenT CosT ¹

7.7 T R A NSF O R M A C I O N ES G R A F I C AS E N R 3
El manejo, visión y construcción de imágenes gráficas tridimensionales requiere el empleo de geometría y

transformaciones coordenadas tridimensionales. Estas transformaciones están constituidas por la
composición de las transform aciones básicas de traslación, puesta en escala y rotación. Cada una de estas
transformaciones puede representarse como una transformación matricial. Lo cual permite construir
transformaciones más complejas al utilizar multiplicación o concatenación matriciales.
Como en las transformaciones bidimensionales, se adoptan dos puntos de vista

complementarios: el objeto o imagen se maneja directamente mediante el uso de
transformaciones geométricas, o el objeto permanece estacionario y el sistema
coordenado del observador se modifica al utilizar transformaciones coordenadas.
Además, la construcción de objetos e imágenes complejas se facilita al emplear
transformaciones de instancia, que combinan ambos puntos de vista. Las
transformaciones y los conceptos aquí presentados son generalizaciones directas
de as demostradas para transformaciones bidimensionales.

T R A NSF O R M A C I O N ES G E O M E T R I C AS

Con respecto a algunos sistemas coordenados tridimensionales, un objeto : se
considera como un conjunto de puntos : = {P(x, y, z)}.

Si el objeto se traslada a una nueva posición, puede considerársele como un nuevo
objeto :´, del que todos los puntos coordenados P´(x´, y´, z´) pueden obtenerse a
partir de los puntos coordenados originales P( x, y, z) de : aplicando una
transformación geométrica.

Un objeto es desplazado ciertas distancias y dirección a partir de su posición
original. La dirección y el desplazamiento de la traslación están prescritos por un
vector v = ai + bj + ck . Las nuevas coordenadas de un punto trasladado pueden
calcularse al utilizar la transformación
x´ x a
°
Tv : ® y´ y b .
° z´ z c
¯

A fin de representar esta transformación como matricial, es necesario utilizar

coordenadas homogéneas. Entonces, la transformación matricial homogénea

requerida puede expresarse como

§ x´ · §1 0 0 a ·§ x ·
¨ ¸ ¨ ¸¨ ¸
¨ y´ ¸ ¨0 1 0 b ¸¨ y ¸
¨ z´ ¸ ¨0 0 1 c ¸¨ z ¸
¨ ¸ ¨ ¸¨ ¸
©1¹ ©0 0 0 1¹© 1 ¹

El proceso de puesta en escala modifica las dimensiones de un objeto. El factor de
escala s determina si la escala es una amplificación, s > 1, o una reducción, s < 1.
En la puesta en escala con respecto al origen, donde dicho origen permanece fijo,
se efectúa por la transformación
x´ s x x
°
Ssx , s y , sz : ® y´ s y y
°
¯ z´ s z z
En forma matricial, tenemos
§ sx 0 0 ·
¨ ¸
Ss x , s y , s z ¨ 0 s y 0 ¸
¨0 0 s ¸
© z¹

La rotación en tres dimensiones es mucho más compleja que la rotación en dos

dimensiones. En dos dimensiones, una rotación está prescrita por un ángulo de

rotación T y un centro de rotación P. Las rotaciones tridimensionales requieren la

prescripción de un ángulo de rotación y de un eje de rotación.

Las rotaciones canónicas están definidas cuando se elige uno de los ejes
coordenados positivos X, Y o Z como eje de rotación. Entonces la construcción
de la transformación de rotación procede igual que la de una rotación en dos
dimensiones, con respecto al origen.

Rotación con respecto al eje Z
x´ xCosT ySenT
°
R T, k : ® y´ xSenT yCosT
°
¯ z´ z

Rotación con respecto al eje Y
x´ xCosT zSenT
°
R T, j :® y´ y
° z´ xSenT zCosT
¯
Rotación con respecto al eje X

x´ x
°
R T,i : ® y´ yCosT zSenT
° z´ ySenT zCosT
¯

Obsérvese que la dirección de un ángulo positivo de rotación se elige de acuerdo
con la regla de la mano derecha respecto al eje de rotación. Las transformaciones
matriciales correspondientes son
§ CosT SenT 0 · § CosT 0 SenT ·
¨ ¸ ¨ ¸
R T, k ¨ SenT CosT 0 ¸ ; R T, j ¨ 0 1 0 ¸;
¨ 0 0 1 ¸¹ ¨ SenT 0 CosT ¸
© © ¹


§1 0 0 ·
¨ ¸
R T, i ¨ 0 CosT S enT ¸ .
¨ 0 SenT CosT ¸
© ¹

El caso general de rotación en relación con un eje L puede construirse a partir de

estas rotaciones canónicas mediante la multiplicación de matrices.

T R A NSF O R M A C I O N ES D E C O O R D E N A D AS

También es posible lograr los efectos de traslación, puesta en escala y rotación al
mover al observador que ve el objeto y manteniendo estacionario el objeto. Este
tipo de transformación se denomina transformación de coordenadas. Primero se
fija un sistema coordenado al observador y después se le traslada junto con el
sistema coordenado agregado. A continuación, se vuelven a calcular las
coordenadas del objeto observado respecto al nuevo sistema coordenado del
observador. Los nuevos valores coordenados serán exactamente los mismos que
si el observador hubiera permanecido estacionario y el objeto se hubiera movido,
correspondiendo a una transformación geométrica.

Si el desplazamiento del sistema coordenado del observador hacia una nueva
posición está prescrito por un vector v = ai + bj + ck , un punto P(x, y, z), en el
sistema coordenado original tiene coordenadas P(x´, y´, z´) en el nuevo sistema

coordenado, y

x´ x a
°
T v : ® y´ y b
° z´ z c
¯

La obtención de esta transformación es completamente análoga a la de la
transformación bidimensional. Obtenciones semejantes se cumplen para
transformaciones de puesta en escala de coordenadas y rotación de coordenadas.

Como en el caso bidimensional, se resumen las relaciones entre las formas
matricules de las transformaciones de coordenadas y las transformaciones
geométricas:

Transf. de coord. Transf. Geom.
Traslación Tv T v
Rotación RT R T
Puesta en escala S1
Ssx , s y , sz 1 1
, ,
sx s y sz

Las transformaciones geométricas y de coordenadas inversas se construyen al
efectuar la operación inversa. En esta forma, para transformaciones de
coordenadas (y, de manera semejante, para transformaciones geométricas):
1 1
Tv T v ; RT R T ; Ssx , s y , sz S1
1 1
, ,
sx s y sz

T R A NSF O R M A C I O N ES C O M PU EST AS Y CONCATENACION DE

M A T R I C ES

Transformaciones geométricas y coordenadas más complejas se forman a través
del proceso de composición de funciones. Sin embargo, para las funciones

matriciales el proceso de composición equivale a la multiplicación o
concatenación de matrices.
1. Av, u = alinear un vector v con un vector u.
2. RT, L = rotación respecto a un eje L. El eje se prescribe dando un vector de
dirección v y un punto P a través del cual pasa el eje.
3. Ssx , s y , sz = puesta en escala con respecto a un punto arbitrario P.

A fin de construir estas transformaciones más complejas mediante concatenación
de matrices, es necesario poder multiplicar matrices de traslación con matrices de
rotación y puesta en escala. Esto requiere el empleo de coordenadas homogéneas
y matrices de 4 x 4. Las matrices estándar de rotación y puesta en escala de 3 x 3
pueden representarse como matrices homogéneas 4 x 4 al agregar una fila y
columna extra, como sigue:
§ a b c 0·
¨ ¸
¨ d e f 0¸
¨ g h i 0¸
¨ ¸
© 0 0 0 1¹
Estas transformaciones se aplican después a los puntos P(x, y, z) que tienen la
forma homogénea:
§ x·
¨ ¸
¨ y¸ .
¨z¸
¨ ¸
©1¹

E J E M P L O 7.7.1
Se define inclinación como una rotación con respecto al eje X seguida por una

rotación con respecto al eje Y:

a.- Obténgase la matriz de inclinación;
b.- ¿Importa el orden que se efectúe la rotación?
SO L U C I O N
a.- Es posible obtener la transformación requerida T al componer (concatenar)
dos matrices de rotación:
§ CosT y 0 SenT y 0 · § 1 0 0 0·
¨ ¸¨ ¸
0 1 0 0 ¸ ¨ 0 CosT x SenT x 0 ¸
T = R T y , j R Tx ,i ¨¨
SenT y 0 CosT y 0 ¸ ¨ 0 SenT x CosT x 1 ¸
¨ ¸¨ ¸
¨ 0 0 0 1 ¸¹ © 0 0 0 1¹
©

§ CosT y SenT y SenT x SenT y CosT x 0·
¨ ¸
¨ 0 CosT x SenT x 0¸
¨ SenT CosT y SenT x CosT y CosT x 0 ¸
y
¨ ¸
¨ 0
© 0 0 1 ¸¹

b.- Se multiplican R Tx ,i R T y , j para obtener la matriz
§ CosT y 0 SenT y 0·
¨ ¸
¨ SenT x SenT y CosT x SenT x CosT y 0 ¸
¨ CosT SenT SenT x CosT x CosT y 0 ¸¸
¨ x y
¨ 0 0 0 1 ¸¹
©

Esta no es la misma matriz que en la parte a); por tanto, sí importa el orden de la

rotación.

E J E M P L O 7.7.2
Obténgase una transformación Av que alinea un vector dado v con el vector k a lo
largo del eje Z positivo.
SO L U C I O N
Según la figura a). Sea v = ai + bj + ck . Se realiza el alineamiento a través de la
secuencia siguiente de transformaciones, figura b) y c):
1. Se gira con respecto al eje X en un ángulo T1 de manera que v gira en la mitad
superior del plano XZ (como vector v1).
2. Se gira el vector v1 con respecto al eje Y en un ángulo -T2 de manera que v1
gira al eje positivo Z (como vector v2).
Al poner en práctica el paso 1 a partir de la figura b), se observa que el ángulo
requerido de rotación T1 puede obtenerse al observar la proyección de v sobre el
plano YZ. (Se considera que b y c no son ambas cero). A partir del triángulo
OP´B:
b
° SenT1
° b c2
2
®
° CosT c
1
° b c2
2
¯
La rotación requerida es
§1 0 0 0·
¨ ¸
¨0 c b
0¸
¨ b2 c 2 b2 c 2 ¸
R T1 , i ¨ ¸
¨0 b c
¨ 0 ¸¸
2 2 2 2
¨ b c b c ¸
¨0 0 0 1 ¸
© ¹
Al aplicar esta rotación a v se produce el vector v1 con componentes
( a, 0, b2 c 2 ) .
Al realizar el paso 2 partiendo de la figura c), se ve que se necesita una rotación
de -T2 y también a partir del triángulo OQQ´:
a
° Sen(T2 ) SenT2 2
° a b2 c 2
®
° Cos (T ) CosT b2 c 2
° 2 2
¯ a 2 b2 c 2
Entonces
§ b2 c 2 a ·
¨ 0 0¸
¨ a 2 b2 c 2 a 2 b2 c 2 ¸
¨ ¸
0 1 0 0¸
R T2 , j ¨¨ ¸
¨ a b2 c 2
0 0¸
¨ 2 2 2 ¸
¨ a b c a 2 b2 c 2 ¸
¨ 0 0 0 1 ¸¹
©
Ya que v a 2 b2 c 2 , introduciendo la notación O b2 c 2 , se obtiene


§ O ab · ac
¨
0¸
v O v O v
¨ ¸
¨ ¸
c b
¨0 0¸
A v R T2 , j R T1 ,i ¨ O O ¸

ä b c ¸
¨ 0¸
¨v v v ¸
¨0 0 0 1 ¸¹
©
Si tanto b como c son cero, entonces v = ai , por lo que O = 0. En este caso, sólo se
requiere una rotación de r 90º con respecto al eje Y, de manera que si O = 0, se
tiene que

§ a ·
¨ 0 0 a 0¸
¨ ¸
¨ 0 1 0 0¸
A v R T2 , j ¨ ¸
¨ a 0
0 0¸
¨ a ¸
¨ ¸
¨ 0 0 0 1 ¸¹
©
En la misma forma se calcula la transformación inversa que alinea al vector k con
el vector v.
A-1
v (R T2 , j R T1 ,i )-1

R -1 -1
T1 , i R -T2 , j

R T1 ,i R T2 , j
§ O a ·
¨ v 0 0¸
¨ v ¸

¨ ab c b ¸
¨ 0¸
¨ O v O v ¸.
¨ ac b c ¸
¨ 0¸
¨ O v O v ¸
¨ ¸
© 0 0 0 1¹

E J E M P L O 7.7.3
Sea un eje de rotación L especificado por un vector v y un punto de localización
P. Obténgase la transformación para una rotación de T con respecto a L.
SO L U C I O N
Es posible obtener la transformación requerida siguiendo los siguientes pasos:
1. Trasladar P al origen.
2. Alinear v con el vector k.
3. Girar T con respecto a k.
4. Invertir los pasos 2 y 1.
De manera que
R ș/ T31 Av1 R T k Av T3
En este caso, Av es la transformación descrita en el ejemplo anterior.

E J E M P L O 7.7.4
La pirámide definida por las coordenadas
A(0, 0, 0), B(1, 0, 0), C(0, 1, 0), D(0, 0, 1)
se gira 45º respecto a la recta L que tiene la dirección v = j + k y pasa a través del
punto C(0, 1, 0). Obtenga las coordenadas de la figura girada.

SO L U C I O N
Tomando de referencia el ejemplo anterior, la matriz de rotación R T,L puede

encontrarse al concatenar las matrices
R ș/ T31 Av1 R T k Av T3
Con P(0, 1, 0) entonces

0 0· §1 0
¸ ¨
0 1¸ ¨0 1
T P
1 0¸ ¨0 0
¸ ¨
0 1¹ ©0 0
Ahora v = j + k. Así que a partir del segundo ejemplo, con a = 0, b = 1, c = 1, se
obtienen O 2, v 2,y
§1 0 0 0· §1 0 0 0·
¨ ¸ ¨ ¸
¨0 1 1 1 1
0¸ ¨0 0¸
¨ 2 2 ¸ -1 ¨ 2 2 ¸
Av ¨ ¸ y Av ¨ ¸
¨0 1 1 ¸ ¨0 1 1
0 0¸
¨ 2 2 ¸ ¨ 2 2 ¸
¨ ¸ ¨ ¸
©0 0 0 1¹ ©0 0 0 1¹
También
§ 1 1 ·
¨ 0 0¸
2 2 §1 0 0 0·
¨ ¸ ¨ ¸
¨ ¸
R 45º, k
1 1
0 0 ¸ y T--1P ¨0 1 0 1¸
¨ ¨0
¨ 2 2 ¸ 0 1 0¸
¨ ¸
¨ 0 0 1 0¸ ©0 0 0 1¹
¨ ¸
© 0 0 0 1¹
Entonces
§ 2 1 1 1 ·
¨ ¸
¨ 2 2 2 2 ¸
¨ 1 2 2 2 2 2 2 ¸
¨ ¸
R T,L ¨ 2 4 4 4 ¸
¨ 1 2 2 2 2 2 2¸
¨ ¸
¨ 2 4 4 4 ¸
¨ 0 0 0 1 ¸¹
©
Para obtener las coordenadas de la figura girada, se aplica la matriz de rotación
RT,L a la matriz de coordenadas homogéneas de los vértices A, B, C y D.
§0 1 0 0·
¨ ¸
0 0 1 0¸
C (ABCD) ¨
¨0 0 0 1¸
¨ ¸
©1 1 1 1¹
De manera que
§ 1 ·
1 2
¨ 0 1 ¸
¨ 2 2 ¸
¨ 2 2 4 2 2 2 ¸
¨ 1 ¸
R T,L C ¨ 4 4 2 ¸
¨ 2 2 2 4 2 ¸
¨ 0 ¸
¨ 4 4 2 ¸
¨ 1 1 1 1 ¸¹
©

Las coordenadas giradas son
§1 2 2 2 2· §1 2 4 2 2 4 ·
A´ ¨¨ , , ¸¸ , B´ ¨¨ , , ¸ , C´ = (0, 1, 0),
©2 4 4 ¹ © 2 4 4 ¸¹

§ 2 2 2 ·
D´ ¨¨1, , ¸.
© 2 2 ¸¹

E J E M P L O 7.7.5
Obtenga la transformación para reflejo de espejo con relación a un plano dado.
SO L U C I O N
Sea el plano de reflexión especificado por un vector normal N y un punto de
referencia P0(x0, y0, z0), para reducir la reflexión a una reflexión de espejo con
respecto al plano XY:
1. Se traslada P0 al origen.
2. Se alinea el vector normal N con el vector k normal al plano XY.
3. Se efectúa la reflexión de espejo en el plano XY.
4. Se invierten los pasos 1 y 2.
De manera que, con el vector de traslación v = -x0i ± y0j ± z0k
M N,P0 Tv1 AN1 M A N Tv
Aquí, AN es la matriz de alineamiento definida en el segundo ejemplo. Por tanto,
si el vector N = n1i + n2j + n3k, entonces a partir del segundo ejemplo, con

N n12 n22 n32 y O n22 n32 , se obtiene

§ O n1n2 n1n3 · § O n1 ·
¨ 0¸ ¨ N 0 0¸
N O N O N N
¨ ¸ ¨ ¸
¨ n1n2 ¸
¨ n3 n2 ¸ n3 n2
¨ 0 0¸ ¨ 0¸
AN ¨ O O ¸ y A -1
N ¨ O N O N ¸
¨ n1 n2 n3 ¸ ¨ nn n2 n3 ¸
¨ 1 3
¨ 0¸ 0¸
¨ N N N ¸ ¨ O N O N ¸
¨ 0 0 0 1 ¸¹ ¨ ¸
© © 0 0 0 1¹

Además
§10 x0 ·
0 §1 0 0 x0 ·
¨ ¸ ¨ ¸
¨00 y0 ¸
1 0 1 0 y0 ¸
Tv y Tv-1 ¨
¨01 z0 ¸
0 ¨0 0 1 z0 ¸
¨ ¸ ¨ ¸
©00 1 ¹0 ©0 0 0 1¹

Por último, la forma homogénea de M es

§1 0 0 0·
¨ ¸
0 1 0 0¸
M ¨ .
¨ 0 0 1 0 ¸
¨ ¸
©0 0 0 1¹

E J E M P L O 7.7.6

Obténgase la matriz para la reflexión de espejo respecto al plano que pasa a través
del origen y tiene un vector normal cuya dirección es N = i + j + k .
SO L U C I O N
Basándose en el ejemplo anterior, con P 0(0, 0, 0) y N = i + j + k , se obtienen

N 3 y O 2 . Entonces


§1 0 0 0· §1 0 0 0·
¨ ¸ ¨ ¸
Tv ¨0 1 0 0¸
y Tv-1 ¨0 1 0 0¸
¨0 0 1 0¸ ¨0 0 1 0¸
¨ ¸ ¨ ¸
©0 0 0 1¹ ©0 0 0 1¹
§ 2 1 1 · § 2 1 ·
¨ 0¸ ¨ 0 0¸
¨ 3 2 3 2 3 ¸ ¨ 3 3 ¸
¨ ¸ ¨ ¸
1 1 1 1 1
¨ 0 0¸ -1 ¨ 0¸
AN ¨ 2 2 ¸ , AN ¨ 2 3 2 3 ¸,
¨ 1 1 1 ¸ ¨ 1 1 1 ¸
¨ 0¸ ¨ 0¸
¨ 3 3 3 ¸ ¨ 2 3 2 3 ¸
¨ 0 0 0 1 ¸¹ ¨ 0 0 0 1 ¸¹
© ©
§1 0 0 0·
¨ ¸
0 1 0 0¸
M ¨
¨ 0 0 1 0¸
¨ ¸
©0 0 0 1¹
La matriz de reflexión es
§ 1 2 2 ·
¨ 3 0¸
¨ 3 3 ¸
¨ 2 1

2
0 ¸¸
M N,O Tv1 A N1 M A N Tv ¨ 3 3 3 .
¨ ¸
¨ 2
2 1
0¸
¨ 3 3 3 ¸
¨ ¸
© 0 0 0 1¹

A continuación y de forma general, enumeramos los operadores en R 3 que
transforman cada vector en su imagen simétrica con respecto a alguna recta y se
denominan operadores reflexión. Así mismo, encontramos los operadores
proyección ortogonal y rotación:

Reflexión respecto al plano XY:

x´ x §1 0 0 ·
° ¨ ¸
® y´ y ¨0 1 0 ¸
° z´ z ¨ 0 0 1¸
¯ © ¹

Reflexión respecto al plano XZ:
x´ x §1 0 0·
° ¨ ¸
® y´ y ¨ 0 1 0 ¸
° z´ z ¨0 0 1¸
¯ © ¹

Reflexión respecto al plano YZ:
x´ x § 1 0 0 ·
° ¨ ¸
® y´ y ¨ 0 1 0¸
° z´ z ¨ 0 0 1¸
¯ © ¹

Proyección ortogonal sobre el plano XY:

x´ x §1 0 0·
° ¨ ¸
® y´ y ¨0 1 0¸
° z´ 0 ¨0 0 0¸
¯ © ¹

Proyección ortogonal sobre el plano XZ:

x´ x §1 0 0·
° ¨ ¸
® y´ 0 ¨ 0 0 0 ¸
° z´ z ¨0 0 1¸
¯ © ¹
Rotación ortogonal sobre el plano YZ:
x´ 0 §0 0 0·
° ¨ ¸
® y´ y ¨0 1 0¸
° z´ z ¨0 0 1¸
¯ © ¹
Rotación en sentido antihorario a través de un ángulo respecto al eje X positivo:

x´ x §1 0 0 ·
° ¨ ¸
® y´ yCosT zS enT ¨ 0 CosT S enT ¸
° z´ ySenT zCosT ¨ 0 SenT CosT ¸
¯ © ¹


Rotación en sentido antihorario a través de un ángulo respecto al eje Y positivo:

x´ xCosT zSenT § CosT 0 SenT ·
° ¨ ¸
® y´ y ¨ 0 1 0 ¸
° z´ xSenT zCosT ¨ SenT 0 CosT ¸
¯ © ¹

Rotación en sentido antihorario a través de un ángulo respecto al eje Z positivo:

x´ xCosT ySenT § CosT SenT 0 ·
° ¨ ¸
® y´ xSenT yCosT ¨ SenT CosT 0 ¸
° z´ z ¨ 0 0 1 ¸¹
¯ ©

Por completitud, se puede ver que la matriz estándar para una rotación en sentido
horario alrededor de un eje en R 3 (determinado por un vector unitario arbitrario
u = ( a , b, c) cuyo punto inicial está en el origen) por un ángulo T, es
§ a 2 (1 CosT) CosT ab(1 CosT) cSenT ac (1 CosT) bSenT ·
¨ ¸
¨ ab(1 CosT) cSenT b2 (1 CosT) CosT bc (1 CosT) aSenT ¸ .
¨ ¸
¨ ac (1 CosT) bSenT bc (1 CosT) aSenT c 2 (1 CosT) CosT ¸
© ¹
7.8 F O R M AS L I N E A L ES. ESPA C I O DU A L
En esta sección estudiaremos las transformaciones lineales que van de un espacio vectorial U en un espacio
unidimensional. Enunciaremos y demostraremos sus propiedades.
Las formas lineales son transformaciones lineales de un espacio vectorial en un

espacio vectorial de dimensión 1. Como tales, no son nuevas para nosotros. Pero,
debido a su gran importancia, han sido objeto de mucha investigación y se les ha
acumulado una gran cantidad de terminología especial.
Dado un espacio vectorial V, sobre un cuerpo K , una forma lineal en V es
toda transformación f : V o K , que satisfaga el axioma siguiente:
u, v V y a, b K, entonces f(au + bv) = af(u) + bf(v).
Cualquier cuerpo se puede considerar como un espacio vectorial de dimensión 1

sobre sí mismo. Por tanto, el concepto de forma lineal en realidad no es algo
nuevo. Es la conocida transformación lineal, restringida a un caso especial.
Las operaciones que figuran en el primer miembro son las del espacio vectorial V
y las del segundo miembro son la adición y producto del cuerpo K . Considerando,
entonces, el cuerpo K como espacio vectorial sobre sí mismo, puede decirse que
las formas lineales en el espacio vectorial V son las transformaciones lineales de
V en su cuerpo base K , es decir; f : V o K . Como las funciones lineales son un
caso especial de las transformaciones lineales, los conceptos y resultados
obtenidos anteriormente permanecen válidos y pueden aplicarse a las funciones
lineales.

T E O R E M A 7.8.1
Si V es un espacio vectorial sobre K, de dimensión n, el conjunto de todas
las formas lineales sobre V es un espacio vectorial de dimensión n.
Para demostrar este teorema, probaremos en primer lugar que toda transformación
lineal f : V o k V es una transformación lineal a la cual designaremos por kf. En
efecto, como
(kf)(au) = f(kau) = af(ku) = a(kf)(u), para todo k K.
(af)(u + v) = f(a(u + v)) = f(au) + f(av) = (af)(u) + (af)(v), para todo u, v V y a K .
En segundo lugar, también debemos probar que la transformación f de V en la suma
de las dos formas lineales g(u) + h(u) es también otra forma lineal, que designaremos
por (g + h)(u). En efecto, como
f(u) = g(u) + h(u) = (g + h)(u).
f(u) K , ya que g(u), h(u) K y, además, se cumplen las condiciones siguientes:
a.- f(u + v) = g(u + v) + h(u + v)
= g(u) + g(v) + h(u) + h(v)
= g(u) + h(u) + g(v) + h(v)
= (g + h)(u) + (g + h)(v)
= f(u) + f(v)
b.- f(ku) = g(ku) + h(ku)
= kf(u) + kh(u)
= k(g(u) + h(u))
= k(g + h)(u)
= kf(u)
Por tanto, el conjunto de las formas lineales cumple las condiciones necesarias y
suficientes para ser un espacio vectorial.
Por ser las formas lineales, en un espacio vectorial, unos homomorfismos especiales
entre espacios vectoriales, son válidas para ellas todos los resultados obtenidos para
éstos. En particular, dado un espacio vectorial V, la adición de dos formas lineales en
V es también una forma lineal en V, al multiplicar por un escalar una forma lineal en
V, se obtiene una nueva forma lineal en V; es también, entonces cierto que el
conjunto L(V, K), de las formas lineales en V, tiene, respecto de las mencionadas
operaciones, estructura de espacio vectorial. A este espacio vectorial, de las formas
lineales en V, se le da el nombre de espacio dual de V y se le representa por V*.
Siendo V un espacio vectorial sobre un cuerpo conmutativo K , se llama
dual de V al espacio vectorial sobre K de todas las formas lineales sobre V.
La base del espacio dual V* de V guarda una relación especial con la base de V. Sea
S = {u1, u2, ..., un} la base de V. Se define el funcional lineal fi(u) por u = a1u1 + a2u2
+ ... + anun, donde fi(u) = a i K . A fi se le llamara la función coordenada i-ésima. Se
puede demostrar que fi es un funcional lineal.
T E O R E M A 7.8.2
Si V es un espacio vectorial de dimensión n sobre un cuerpo K, V * es
también de dimensión n.
Sea S = {u1, u2, ..., un} una base de V; si u V, tenemos, de modo único
u = a1u1 + a2u2 + ... + anun.
Sea fi la forma lineal sobre V definida por fi : V o a i. Esta transformación fi es una
forma lineal, pues
fi(u + v) = a i + bi = fi(u) + fi(v); fi(ku) = ka i = kfi(u).
Si f es una forma lineal cualquiera sobre V, es decir un elemento de V*,
f(u) = a1f(u1) + a2f(u2) + ... + anf(un)
por tanto, f está determinada por los valores c i = fi(u) que toma para los elementos de
la base de V. Como el cuerpo es conmutativo
f(u) = a1f1(u) + a2f2(u) + ... + anfn(u)
es decir
f = a1f1 + a2f2 + ... + anfn
Ahora bien, en V* las formas fi son linealmente independientes, pues si se pudiera
escribir
d1f1(u) + d2f2(u) + ... + dnfn(u) = V*
para valores di K no todos iguales a cero, tendríamos para todo u V
d1f1(u) + d2f2(u) + ... + dnfn(u) = 0 K
es decir
d1a1 + d2a2 + ... + dnan = 0.
Ahora bien, esto es imposible, pues si, por ejemplo, dn z 0, basta tomar a1 = a2 = ... =
an-1 = 0 y an z 0 K . Por tanto, toda forma f puede escribirse como f = a1f1 + a2f2 +
... + anfn y los fi son linealmente independientes. Esto significa que {f1, f2, ..., fn} es
base de V* y que V* es, por tanto, de dimensión n.
7.9.1 Las matrices de una misma transformación lineal en 7.9.9 El giro de un espacio tridimensional en un ángulo
dos bases coinciden cuando, y sólo cuando, la matriz del 2S/3 alrededor de una recta, prefijada en un sistema
cambio de una de esas bases por otra es conmutativa con la rectangular de coordenadas mediante las ecuaciones
matriz de dicha transformación lineal en una de las bases x1 = x2 = x3, es una transformación lineal.
dadas.
7.9.10 El giro del plano en un ángulo T alrededor del
7.9.2 La proyección de un espacio tridimensional sobre el origen de coordenadas es una transformación lineal.
eje de coordenadas del vector e1 paralelamente al plano de
coordenadas de los vectores e2 y e3 no es una 7.9.11 Si f es una transformación lineal inyectiva de U
transformación lineal. en U, y U es n-dimensional, entonces f es biyectiva.
7.9.3 Las transformaciones lineales de un espacio n- 7.9.12 Sea U un espacio vectorial de dimensión finita y
dimensional con respecto a la adición y multiplicación por sea f una transformación lineal sobre U. Supóngase que el
un número forman de por sí un espacio vectorial. rango de f 2 es igual al rango de f. Entonces la imagen y el
núcleo de f son disjuntos.
7.9.4 Cualquier transformación lineal f de un espacio
unidimensional se reduce a la multiplicación de todos los 7.9.13 Una matriz B de orden n es semejante a una
vectores por un mismo número. matriz A de orden n si y sólo si existe una matriz C
singular tal que B = C -1 A C.
7.9.5 Si f es una transformación lineal del espacio de
dimensión finita U a W, entonces la dimensión de W es 7.9.14 Si f es una transformación lineal de U en U y si A
igual a la suma de la nulidad y el rango. y B son representaciones matriciales de f pero respecto
posiblemente a bases distintas, entonces B es semejante a
7.9.6 Si f es una transformación lineal de U en W, siendo A.
ambos de dimensión k, entonces el núcleo de f es igual a
^` si y sólo si la imagen de f es igual a U. 7.9.15 Sean U y W dos espacios vectoriales y sea f una
transformación lineal de U en W. Si f es singular,
7.9.7 Si f es una transformación lineal de U en W, siendo entonces f -1 es una transformación lineal de U en W.
ambos de dimensión k, entonces f -1 existe si y sólo si el
núcleo de f es igual a W. 7.9.16 Si f es una transformación lineal de U en W.
Entonces f es no singular si, y sólo si, f aplica cada
7.9.8 Si f es una transformación lineal sobreyectiva de U subconjunto linealmente independiente de U sobre un
en U, y U es n-dimensional, entonces f es inyectiva. subconjunto linealmente independiente de W.
7.9.17 Sea f una transformación lineal de U en W y sea 7.9.19 Si U un espacio vectorial de dimensión finita n, f
W n-dimensional. Entonces f es inyectiva si y sólo si el una transformación lineal de U en W. Entonces f es no
rango de f es n. singular si y sólo si es inyectiva.
7.9.18 Sea f una transformación lineal de R 3 en R 2 y sea g 7.9.20 Si U y W son espacios de dimensión finita.
una transformación lineal de R 2 en R 3. Entonces que la Entonces U es isomorfo a W si y sólo si la dimensión de
transformación lineal gf es no singular. U es igual a la dimensión de W.

O BJ E T I V O
Resolver problemas relacionados con valores y vectores característicos, mediante la interpretación y

representación en términos de vectores, matrices y sistem as de ecuaciones lineales, en situaciones reales,
propias de la ingeniería.
C O NT ENID O:
8.1 DEFINICIONES Y PROPIEDADES

8.2 ECUACION CARACTERISTICA. SUBESPACIOS PROPIOS
8.3 SEMEJANZA DE MATRICES
8.4 MATRICES DIAGONALIZABLES
8.5 DIAGONALIZACION DE MATRICES SIMETRICAS Y HERMITICAS
8.6 POLINOMIO MINIMO DE UNA MATRIZ
8.7 CUESTIONARIO
8.1 D E F I N I C I O N ES Y PR O PI E D A D ES
Por lo general no hay ninguna relación entre el vector u y el vector Au. S in embargo, se tiene casos
particulares en que existen ciertos vectores u no nulos tales que u y Au sean colineales. En esta sección
estudiaremos cómo encontrar estos vectores.
Este capítulo lo dedicaremos al estudio de las matrices que representan

transformaciones lineales de un espacio vectorial V hacia si mismo.
En infinidad de ocasiones se presentan problemas con la siguiente característica:

para una transformación lineal de un espacio vectorial en sí mismo, f : V o V, se
desean conocer aquellos vectores tales que tienen la misma dirección que su
transformado por f; es decir, se buscan vectores u tales que u y f(u) tengan la
misma dirección, o lo que es lo mismo, que para un cierto escalar O se verifique
f(u) = Ou. Es evidente que el vector nulo satisface siempre a dicha exigencia, pero
esta solución trivial no suele ser de interés.
A los vectores no nulos para los que exista un escalar O que haga cierta la
igualdad f(u) = Ou se los llamará vectores característicos de la
transformación f, y a los escalares O se les da el nombre de valores
característicos de la transformación lineal f.
Dada f : V o V una transformación lineal de V en si mismo, buscamos una base

para la cual la matriz que representa a f sea particularmente sencilla. En la
390 VALORES Y VECTORES CARACTERISTICOS
práctica, f sólo está dada implícitamente, dando una matriz A que la representa.
La matriz que representa a f tiene su forma más sencilla siempre que f aplica a
cada vector base sobre un múltiplo de sí mismo; esto es, siempre que cada vector
base u exista un escalar O tal que f(u) = Ou. No siempre es posible encontrar tal
base, pero existen algunas condiciones un tanto generales bajo las cuales es
posible.
La multiplicación por A transforma cada vector característico u de A sobre la

misma recta que pasa por el origen de u. Dependiendo del signo y la magnitud del
valor característico O correspondiente a u, la transformación f(u) = Ou hace que u
se comprima o alargue por un factor O, con un cambio de dirección en caso de
que sea O negativo.
El problema de encontrar u diferente de cero tal que f(u) = Ou es equivalente al

problema de encontrar vectores diferentes de cero en el núcleo de f - O. Este es un
problema lineal y se han dado métodos prácticos para resolverlo.
Pero no existe solución diferente de cero para este problema, a menos que f - O
sea singular. Por lo tanto, estamos ante el problema de encontrar esos O para los
cuales f - O sea singular.
Sea V un espacio vectorial de dimensión n sobre un cuerpo K , y sea f un
endomorfismo, es decir una transformación lineal de V en sí mismo.
Decimos que el escalar O es un valor característico de f si existe un
vector u tal que f(u) = Au = Ou, donde A es la matriz del endomorfismo f
y u distinto del vector nulo.
Esta definición no garantiza la existencia de valores característicos. Más adelante

se estudiarán algunas propiedades que, bajo ciertas hipótesis, garantizan la
existencia de valor característico; no obstante, conviene notar que, en ocasiones,
pueden no existir los valores característicos de un endomorfismo f.
E J E M P L O 8.1.1
Sea la representación matricial del endomorfismo f : R 2 o R 2, dada por la matriz
§ 2 1·
A ¨ ¸.
©3 2 ¹
SO L U C I O N
Se tiene que a cada vector u le asocia el vector f(u), no existen valores
característicos, ya que f(u) = Ou equivale a las dos ecuaciones b = (2 - O) a y 3 a =
(O - 2)b, de las cuales se deduce que para que O sea valor característico de f ha de
satisfacer a (O - 2)2 = -3, ecuación ésta que no tiene solución en el cuerpo R de
escalares y, por tanto, f no tiene ningún valor característico.
En este ejemplo, la carencia de soluciones proviene de que en el conjunto de

VALORES Y VECTORES CARACTERISTICOS 391
escalares R hay ecuaciones algebraicas sin solución en él; si el endomorfismo f

hubiera sido de C 2 en C 2, la anterior dificultad habría desaparecido, y ello es
debido a que toda ecuación algebraica
a 0 + a 1z + a 2z2 + ... + a n-1zn-1 + a nzn = 0
de coeficientes complejos tiene, al menos una raíz compleja. Cuando se quieren
evitar situaciones como las de este ejemplo, para las que no hay valores
característicos por carecer de soluciones una ecuación algebraica, se considerarán
espacios vectoriales complejos o, en general, espacios vectoriales cuyo cuerpo
base sea un cuerpo algebraicamente cerrado, designando por tal a un cuerpo K
para el que toda ecuación algebraica
a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn = 0
con a 0, a 1, a 2, ..., a n K , tiene al menos una raíz en K . Las consideraciones que
se hagan acerca de valores característicos de endomorfismos en espacios
vectoriales complejos son fácilmente generalizables al caso de espacios
vectoriales sobre cuerpos algebraicamente cerrados.
El vector distinto de cero de f(u) = Ou se dice que es un vector característico de f

correspondiente al valor característico O.
Al conjunto de valores característicos de f, se le denomina espectro de f y
se representa por )(f) es decir:
)(f) = Ô K / O es valor característico de f`.
T E O R E M A 8.1.1
Sea V un espacio vectorial n-dimensional, y sea f : V o V un
endomorfismo. El conjunto de los vectores característicos
correspondientes a un valor característico de f constituyen, junto con el
vector cero, un subespacio vectorial de V, llamado subespacio propio
correspondiente a O. Es decir:
O )(f) V(O) = û V / f(u) = Ou` V.
Hay que cerciorarse de que, para cualesquiera que sean los vectores u, v V(O) y
para todo par de escalares a, b K , se verifica que el vector au + bv es también
de V(O). Es efecto, ya que por ser f transformación lineal, se cumple
f( au + bv) = af(u) + bf(v) = a Ou + bOv = O( au + bv).
Por lo tanto, au + bv V(O) y V(O) es un subespacio de V.
Llamaremos a V(O) el espacio propio de f correspondiente a O, y a cualquier

subespacio de V(O) se le da el nombre de espacio propio de f.
E J E M P L O 8.1.2
Sea A una matriz de n x n. Si O es un valor característico de A, entonces el
conjunto V(O), que consta del vector cero junto con todos los vectores
característicos de A para este valor característico O, es un subespacio de R n, el
espacio propio de O.
SO L U C I O N
El vector cero está en V(O), de modo que V(O) es no vacío. Sean u y v en V(O).
Entonces,
A(u + v) = Au + Av = Ou + Ov = O(u + v)
De modo que u + v está en V(O). Para cualquier escalar k, tenemos
A(ku) = k(Au) = k(Ou) = O(ku)
de modo que ku está en V(O). Así, V(O) es no vacío y cerrado bajo la suma y la
multiplicación por un escalar, de modo que es un subespacio de R n.

T E O R E M A 8.1.2
Dos valores característicos distintos del endomorfismo f no tienen
ningún vector característico común; es decir:
O1, O2 )(f) y O1 z O2, entonces V(O1) V(O2) = {}.
Debemos comprobar que, si u V(O1) y u V(O2), entonces u ha de ser el vector
nulo . Sea f(u) = O1u y f(u) = O2u, entonces:
O1u = O2u (O1 - O2)u =
de donde, al ser O1 z O2, se infiere que u = .
T E O R E M A 8.1.3
Si los valores característicos O1, O2, ..., On son todos distintos y V(O) es
un conjunto de vectores característicos, ui correspondiente a Oi, entonces
V(O) es linealmente independiente.
Los vectores característicos son no nulos por definición, razón por la cual el
teorema es justo, a ciencia cierta, para n = 1. Supongamos que es válido para
cualquier sistema de n ± 1 vectores característicos y no es válido para los vectores
u1, u2, ..., un. En este caso el sistema formado por dichos vectores será linealmente
independiente, es decir, para ciertos números a 1, a 2, ..., a n, no iguales a cero
simultáneamente, se verifica la igualdad
a 1u1 + a 2u2 + ... + a nun = (1)
Supóngase que O1 z 0. Aplicando f a la ecuación (1), obtenemos
f( a 1u1 + a 2u2 + ... + a nun) = f()
a 1f(u1) + a 2f(u2) + ... + a nf(un) = f()
a 1O1u1 + a 2O2u2 + ... + a nOnun = (2)
Al multiplicar a la ecuación (1) por On y al restarla de (2), obtenemos
a 1(O1 - On)u1 + a 2(O2 - On)u2 + ... + a n-1(On-1 ± On)un = .
Conforme a la suposición inductiva, de aquí se deduce que todos los coeficientes
de los vectores u1, u2, ..., un-1 son nulos. En particular, a 1(O1 - On) z 0, lo que
contradice la condición O1 z On y la suposición a 1 z 0. Por consiguiente, el
sistema de vectores u1, u2, ..., un es linealmente independiente.
T E O R E M A 8.1.4
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo F,
y si I representa la transformación identidad, se verifica que: O = 0 es
valor propio de f, si y sólo si f no es inyectiva.
La transformación lineal f no es inyectiva cuando, y sólo cuando, su núcleo tiene
algún vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto último es tanto como decir que O = 0 es un valor característico de f, siendo u
un vector característico.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformación identidad, se verifica que: O es valor
característico de f, si y sólo si a K , O - a es valor característico de f -
a I.
Afirmar que el escalar O es valor característico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) ± au = Ou ± au, para un
vector u z , que puede expresarse en la forma ( f ± a I)u = (O - a )u, lo cual ocurre
si, y sólo si, el escalar O - a es un valor característico del endomorfismo f ± a I.

E J E M P L O 8.1.3
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores característicos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor característico de A con u como vector característico
correspondiente, entonces O + k es un valor característico A + kI con u como
vector característico correspondiente. Esto es, los propios valores de A + kI son
aquellos de A incrementados en k, mientras que los vectores característicos
correspondientes permanecen iguales.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformación identidad, se verifica que: O es valor
característico de f, si y sólo si f - OI no es inyectiva.
Este teorema es consecuencia inmediata de los teoremas anteriores, ya que O es
valor característico del endomorfismo f si, y sólo si, 0 es valor característico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
Se denomina radio espectral de una matriz A, y se designa por R(A), a
R(A) máx Oi , donde Oi son los valores característicos de A.
Nótese que están incluidos los valores característicos complejos, indicándose su

valor por su módulo.
Una vez conocido el radio espectral, se define su norma de la siguiente manera:

A 2 R(AT A) .
PROGRAMA EN MATLAB PARA CALCULAR LOS VALORES CARACTERISTICOS

% CALCULO DE LOS VALORES CARACTERISTICOS
clc;; clear;;
fprintf('\n VALORES CARACTERISTICOS \n');;
filcol=input('Ingrese el orden de la matriz A: ');;
for f=1:filcol
for c=1:filcol
end
end
fprintf('\n LA MATRIZ ES:')
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n')
p=poly(A);;
p
end
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n')
ESPECTRO=eig(A);;
[vector,vectorres1] = eig(A);;
ESPECTRO
end
E J E M P L O 8.1.4
Sea A matriz de n x n. Si O es un valor característico de A con u como vector
característico correspondiente, entonces Ok es un valor característico de Ak, de
nuevo con u como vector característico correspondiente, para cualquier entero

positivo k.
SO L U C I O N
La afirmación es verdadera para k = 1. Supóngase que es verdadera para k ± 1.
Entonces
Aku = Ak-1( Au) = Ak-1(Ou) =O(Ak-1u) = O(Ok-1u) = Oku
de modo que la afirmación es verdadera para k. Así, por inducción, Aku = Oku
para toda k.
E J E M P L O 8.1.5
Demuestre que una matriz triangular es singular sí y sólo si sus valores
característicos son reales y diferentes de cero.
SO L U C I O N
Suponga que A es una matriz triangular real cuyos elementos en la diagonal
principal son O1, O2 « On. Así, A tiene valores característicos reales. Además,
debido a que el determinante de A es Det(A) = O1O2 «On, se concluye que A es
no singular sí y sólo si cada O es diferente de cero.
E J E M P L O 8.1.6
Para una matriz no singular A, verifique que A y A-1 tienen los mismos vectores
característicos. ¿Cómo se relacionan los valores característicos de A con los
valores característicos de A-1?
SO L U C I O N
Suponga que O es un valor característico de A, con vector característico
correspondiente u. Debido a que A es no singular, se sabe que O z 0. Así, Au =Ou
implica que u = A-1Au = A-1Ou = OA-1u. Lo cual a su vez implica que (1/O)u =
A-1u. Por tanto, u es un vector característico de A-1 y su valor característico
correspondiente es 1/O.
E J E M P L O 8.1.7
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f, y si I
representa la transformación identidad, se verifica que O = 0 es valor
característico de f, si y sólo si f no es inyectiva.
SO L U C I O N
La transformación lineal f no es inyectiva cuando, y sólo cuando, su núcleo tiene
algún vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto último es tanto como decir que O = 0 es un valor característico de f, siendo u
un vector característico.
E J E M P L O 8.1.8
representa la transformación identidad, se verifica que: O es valor característico de
f, si y sólo si a K , O - a es valor característico de f - aI.
SO L U C I O N
Afirmar que el escalar O es valor característico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) ± au = Ou ± au, para un
vector u z , que puede expresarse en la forma ( f ± a I)u = (O - a )u, lo cual ocurre
si, y sólo si, el escalar O - a es un valor característico del endomorfismo f ± a I.
E J E M P L O 8.1.9
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores característicos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor característico de A con u como vector característico
correspondiente, entonces O + k es un valor característico A + kI con u como

vector característico correspondiente. Esto es, los propios valores de A + kI son
aquellos de A incrementados en k, mientras que los vectores característicos
correspondientes permanecen iguales.
E J E M P L O 8.1.10
representa la transformación identidad, se verifica que: O es valor característico de
f, si y sólo si f - OI no es inyectiva.
SO L U C I O N
Este ejemplo es consecuencia inmediata de los ejemplos anteriores, ya que O es
valor característico del endomorfismo f si, y sólo si, 0 es valor característico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
E J E M P L O 8.1.11
Conociendo los valores característicos de la matriz A, hallar los valores
característicos de la matriz A2.
SO L U C I O N
Los valores característicos de la matriz A2 son iguales a los cuadrados de los
valores característicos de A. En efecto, sea
Det(A - OI) = (O1 - O)(O2 - O«(On - O)
y
Det(A + OI) = (O1 + O)(O2 + O«On + O)
Multiplicando estas igualdades y sustituyendo O2 por O, obtenemos
Det(A2 - Ȝ, O12 OO22 OO2n O .
E J E M P L O 8.1.12
Conociendo los valores característicos de la matriz A, hallar los valores
característicos de la matriz f(A).
SO L U C I O N
Sea u un vector característico de la matriz A, correspondiente al valor
característico O. Entonces
Iu = u,
Au = Ou,
A2u = O2u,
...
Amu = Omu.
Multiplicando estas igualdades vectoriales por coeficientes arbitrarios y
sumándolas, obtenemos para cualquier polinomio f que f(A)u = f(O)u, es decir, u
es un vector característico de f(A), correspondiente al valor característico f(O).
E J E M P L O 8.1.13
Verifique que los valores característicos de una matriz triangular son los
elementos diagonales de la matriz.
SO L U C I O N
Como una matriz triangular superior tiene la forma siguiente
§ a11 a12 ... a1n ·
¨ ¸
0 a22 ... a2 n ¸
A ¨
¨ ... ... ... ¸
¨¨ 0 0 ... ann ¸¹
¸
©
y para encontrar los valores característicos tenemos que construir el polinomio
característico, tenemos:

§ a11 a12 ... a1n · § O 0 ... 0 ·

¨ ¸
¨ 0 a22 ... a2 n ¸ ¨¨ 0 O ... 0 ¸
¸
A - Ȝ,
¨ ... ... ... ¸ ¨ ... ... ... ¸
¨¨ ¸ ¨ ¸
© 0 0 ... ann ¸¹ © 0 0 ... O ¹
§ a11 O a12 ... a1n ·
¨ ¸
¨ 0 a22 O ... a2 n ¸
0.
¨ ... ... ... ¸
¨¨ ¸
© 0 0 ... ann O ¸¹
Por tanto p(O) = ( a 11 - O)( a 22 - O) ... ( a nn - O) y los valores característicos serán:
O1 = a 11, O2 = a 22, ... , On = a nn.
E J E M P L O 8.1.14
Sea A una matriz de orden n, demuestre que A y AT tienen el mismo polinomio
característico y por lo tanto tienen los mismos valores característicos.
SO L U C I O N
Para demostrar que la matriz A y AT tienen el mismo polinomio característico,
debemos probar que Det(A - OI) = Det(AT - OI). Es decir:
Det(AT - OI) = Det(A - OIT)T = Det(A - OIT) = Det(A - OI).
Con lo cual se puede asegurar que tienen los mismos valores característicos.
E J E M P L O 8.1.15
Sea A una matriz de orden n y sea c un número real. Si O es un valor
característico de A, demuestre entonces que cO es un valor característico de cA.
SO L U C I O N
Sabemos que para que O sea valor característico de la matriz A, debe cumplirse
que Au = Ou. Entonces debemos demostrar que ( cA)u = (cO)u. Es decir:
(cA)u = c(Au) = c(Ou) = (cO)u.
Con esto queda demostrado que cO es un valor característico de la matriz c A.
E J E M P L O 8.1.16
Demuestre que si 0 < T < S, entonces la transformación de una rotación de un
ángulo T en sentido antihorario no tiene valores característicos reales.
SO L U C I O N
§ CosT SenT · 2
La ecuación característica de A ¨ ¸ es O - (2 CosT)O + 1 = 0. Las
© SenT CosT ¹
raíces de esta ecuación son O CosT r Cos 2 T 1 . Si 0 < T < S, entonces ± 1 <
CosT < 1, lo cual implica que Cos 2 T 1 es imaginario.
E J E M P L O 8.1.17
Sea A una matriz de n x n:
a.- Demuestre o refute que un vector característico de A es también un vector
característico de A2;
b.- Demuestre o refute que un vector característico de A2 es también un vector
característico de A.
SO L U C I O N
a.- Verdadero: Si Au = Ou, entonces A2u = A(Au) = A(Ou) = OAu = O(Ou) = O2u,
lo cual implica que u es un vector característico de A2.
§0 1· 2
b.- Falso: Sea A ¨ ¸ . Entonces u = (1, 0) es un vector característico de A ,
© 1 0 ¹
pero no lo es de A.

E J E M P L O 8.1.18
Suponga que O es un valor característico de la matriz A y E es un valor
característico de la matriz B. ¿Es O + E un valor característico de A + B?
SO L U C I O N
Sabemos que para que O sea valor característico de A debe cumplirse que
Au = Ou, análogamente para el valor característico E, Bv = E v. Entonces si
sumamos estas dos ecuaciones, obtenemos:
Au + Bv = Ou + Ev
Lo que nos indica que O + E no es valor característico de A + B. La única
condición para que esto se cumpla es que A y B tengan los mismos vectores
característicos, es decir u = v.
E J E M P L O 8.1.19
Demostrar que una matriz nilpotente no posee valores característicos diferentes de
cero.
SO L U C I O N
Sea O valor característico de la matriz nilpotente de n x n. Puesto que Ok es valor
característico de Ak y como los valores característicos de una matriz son las raíces
de su polinomio característico p(O), entonces:
p(O) = Det(Ak - Ok I ) = Det(O - OkI) = Det(-OkI) = (-1)nDet(OkI) = (-1)nOk = 0.
Por consiguiente Ok = 0 y O = 0. De esta manera hemos demostrado que una
matriz nilpotente posee únicamente valores característicos iguales a cero.
E J E M P L O 8.1.20
Sea A una matriz cuadrada de orden 2. Demuestre que el polinomio característico
de A es
p(O) = O2 - OTr(A) + Det(A).
SO L U C I O N
§a b·
La matriz de orden 2 tiene la forma A ¨ ¸ . Por lo tanto su polinomio
©c d¹
característico es:
§a b· §1 0· §a O b ·
p (O ) ¨ ¸ O¨ ¸ ¨ ¸ ( a O)(d O) bc .
© c d ¹ © 0 1 ¹ © c d O¹
p(O) = O2 - ( a + d)O + (ad ± bc) = O2 - OTr(A) + Det(A).
E J E M P L O 8.1.21
Demuestre que los polinomios característicos de las matrices AB y BA coinciden
para cualesquiera matrices cuadradas A y B.
SO L U C I O N
Si A es una matriz no singular, se tiene
Det(BA - OI) = Det(A-1(AB - OI)A) = Det(A-1)Det(AB - OI)Det(A) = Det(AB -
OI).
Para librarse de la suposición de que A sea no singular, hay que pasar a límites de
los polinomios de varias variables. También se pueden calcular directamente los
coeficientes de los polinomios Det(AB - OI) y Det(BA - OI), empleando para ello
la propiedad del producto de las matrices rectangulares, y convencerse luego de
su igualdad.
E J E M P L O 8.1.22
Demuestre que los polinomios característicos de las matrices AB y BA sólo se
diferencian en el factor (-O)n-m. Aquí A es una matriz rectangular que tiene m filas
y n columnas, B tiene n filas y m columnas, n > m.

SO L U C I O N
Completemos las matrices A y B hasta que resulten unas matrices cuadradas A´ y
B´ de n x n, añadiendo a A n ± m filas y a B n ± m columnas formadas por ceros.
Entonces BA = BÁ´, y A´B´ se obtiene de AB orlando con ceros. La aplicación
del resultado del problema precedente da lo que se quería demostrar.
PR O B L E M AS
8.1.1 Demuestre que O = 0 es un valor característico de §a b·

la matriz A sí y sólo si A es singular. 8.1.11 Dada la matriz A ¨ ¸ , demuestre:
©c d¹
8.1.2 Sean A y B matrices rectangulares de m x n y n x a.- Tiene dos valores característicos reales distintos si
m, respectivamente. Demuestre que los polinomios ( a ± d)2 + 4bc > 0.
característicos de las matrices AB y BA cumplen la b.- Tiene un valor característico real si ( a ± d)2 + 4bc =
relación 0.
c.- No tiene valores característicos reales si ( a ± d)2 +
On Det (OIm AB) Om Det (OIn BA) . 4bc < 0.
8.1.3 Demuestre que A y su transpuesta tienen los 8.1.12 Demuestre que el polinomio característico de la
mismos valores característicos. § B -C ·
matriz real D de orden 2n, D = ¨ ¸ es igual al
8.2.4 Sea f : R 2 o R 2 definida por f (v) proyu v , ©C B ¹
producto de los polinomios característicos de las
donde u es un vector fijo en R 2. Demuestre que los
valores característicos de A son 0 y 1. matrices complejas de n x n, A = B + iC y A = B - iC .
8.1.5 Demuestre que si A2 = O, entonces el único valor 8.1.13 Suponga que una matriz A de n x n es no
característico de A es cero. singular. Demuestre que los polinomios característicos
f(O) de A y h(O) de A-1 están ligados por la relación
§a b· 1 §1·
8.1.6 Dada la matriz A ¨ ¸ y si a , b, c, d son h(O) (O)n f ¨ ¸.
©c d¹ Det(A) © O ¹
números entero tales que a + b = c + d, entonces tiene
valores característicos enteros, O1 = a + b y O2 = a ± c. 8.1.14 Si los valores característicos de la matriz
§a b·
8.1.7
A ¨ ¸ son O1 = 0 y O2 = 1, ¿cuáles son los valores
Demuestre que el polinomio característico de la ©0 d ¹
§A B· posibles de a y d?
matriz M = ¨ ¸ donde A y B son matrices
© B A¹
cuadradas de un mismo orden, es igual al producto de los 8.1.15 Dadas las matrices A y B simétricas y reales.
polinomios característicos de las matrices A + B y A ± B. Demuestre que si los valores característicos de la matriz
A yacen en el segmento [ a ; b] y los de la matriz B, en el
8.1.8 Generalice el resultado del problema anterior, al segmento [ c; d], los valores característicos de la matriz
demostrar que si A es una matriz simétrica de n x n con A + B están en el segmento [ a + c; b + d]:
valores propios positivos, entonces existe una matriz § 1 2 1· §2 0 1 ·
simétrica B tal que B2 = A. ¨ ¸ ¨ ¸
A ¨ 2 4 1 ¸ y B ¨ 0 3 1¸ .
¨ 1 1 3 ¸ ¨ 1 1 4 ¸
© ¹ © ¹
8.1.9 Si V es un espacio vectorial euclídeo de dimensión
finita, pruébese que el conjunto de todas las
transformaciones simétricas de V constituyen un 8.1.16 Demostrar que el polinomio característico de la
subespacio del espacio vectorial de los endomorfismos matriz
en V. §A B·
M=¨ ¸
© B A¹
8.1.10 Sea B una matriz de orden n dada, considere la donde A y B son matrices cuadradas de un mismo
transformación lineal f : :nxn o :nxn. f(A) = BA. ¿Cómo orden, es igual al producto de los polinomios
son los valores característicos de f respecto a los valores característicos de las matrices A + B y A - B.
característicos de B?
8.1.17 Sea f : C´[0; 1] o C[0; 1] definida por f(f) = f ´. 8.1.19 Se conocen n valores característicos O1, O2, },
Demuestre que O = 1 es un valor característico de On de una matriz A de orden n + 1. ¿De qué modo
f(x) = ex. podemos hallar un valor característico On+1 más?
8.1.18 Sea A una matriz de orden n, n impar.

Compruebe que A posee al menos un valor característico
real.
8.2 E C U A C I O N C A R A C T E R IST I C A. SU B ESP A C I OS PR O PI OS
En esta sección se verá cómo encontrar una base para un espacio vectorial V integrada por vectores
característicos de una matriz de un endomorfismo f. Analizaremos ta mbién las multiplicidades aritmética y
geométrica.
Cuando se estudian problemas relativos a valores propios de un endomorfismo f

de un espacio vectorial V de dimensión n, sobre un cuerpo K , se presentan
situaciones especiales y se dispone de un procedimiento de búsqueda de valores
característicos que se analiza a continuación.
En el supuesto de que V es un espacio vectorial de dimensión n, se va a proceder

a la búsqueda de los valores característicos del endomorfismo f : V o V;
tomando para ello una base cualquiera S de V, en dicha base, las ecuaciones del
endomorfismo f son
v1 a11u1 a12 u2 ... a1n un
°v a u a u ... a u
° 2 21 1 22 2 2n n
®
° ...
°¯ vn an1u1 an 2 u2 ... ann un
o en forma matricial
§ v1 · § a11 a12 ... a1n · § u1 ·
¨ ¸ ¨ ¸¨ ¸
¨ v2 ¸ ¨ a21 a22 ... a2 n ¸ ¨ u2 ¸
¨ ... ¸ ¨ ... ... ... ¸ ¨ ... ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
© vn ¹ © an1 an 2 ... ann ¹ © un ¹
de una manera mas compacta, podemos expresarla como Y = AX. En donde
a ij K , A = ( a ij) :(n, n) es la matriz asociada, en la base S, al endomorfismo f,
(u1, u2, ..., un)T R n es sistema de coordenadas de un vector u, (v1, v2, ..., vn)T
R n es el sistema de coordenadas del vector v = f(u) imagen de u, y X, Y :(n, 1)
son las matrices columna de las coordenadas de u y v, respectivamente.
Un escalar O K es un valor característico de f si, y sólo si, f - OI no es inyectiva,

como en la base adoptada, la transformación f - OI tiene por matriz asociada la
matriz A - OI, donde I es la matriz identidad, resulta que O es valor característico
de f si, y sólo si, la matriz A - OI es singular, es decir, los valores característicos
de f son los escalares O para los cuales se verifica Det(A - OI) = 0; por
consiguiente, el espectro de f es el conjunto de las soluciones de esta ecuación, la
cual, expresada de manera explícita, es
a11 O a12 ... a1n
a21 a22 O ... a2 n
Det(A - Ȝ, .
... ... ...
an1 an 2 ... ann O
Esta ecuación indica que el sistema Au = Ou tendrá una solución u z si y sólo si

la matriz de coeficientes del sistema (A - OI)u = tiene rango estrictamente

menor que n, lo cual implica que Det(A - OI) = 0.
La transformación p : K o K , definida por p(O) = Det(A - OI), para todo
O K, es evidentemente un polinomio de grado n que se denomina
polinomio característico.
El coeficiente en On de este polinomio es (-1)n y su término independiente es

Det(A). Se pretende obtener, como consecuencia del conocimiento de la matriz A,
todos los coeficientes del polinomio p(O). Para ello, expresando cada una de las
filas de A - OI como suma de la fila del mismo lugar de la matriz A mas la
correspondiente fila de -OI, resulta que Det(A - OI) es igual a la suma de los 2n
determinantes siguientes: en el determinante de A, los determinantes de las n
matrices que se obtienen al sustituir, en A, una de sus filas por la correspondiente
§n· n!
fila de -OI, ..., los determinantes de las ¨ ¸ matrices que se obtienen
k
© ¹ k !( n k )!
al sustituir, en A, k de sus filas por las correspondientes filas de -OI, ..., el
determinante de -OI. Para k = 1, 2, ..., n ± 1, el determinante de la matriz cuyas
filas f1, f2, ..., f k son las correspondientes filas de -OI y cuyas filas f k+1, f k+2, ..., fn
son las correspondientes filas de A, al desarrollarlo por menores de las filas f1, f2,
..., f k, resulta ser igual al producto de (-O)k por el menor complementario, en la
matriz A, del menor obtenido con las filas f1, f2, ..., f k y las columnas c1, c2, ..., c k,
esto es, el menor de A obtenido con las filas f k+1, f k+2, ..., fn y las columnas c k+1,
c k+2, ..., cn.
Los menores de A obtenidos de filas y columnas de iguales índices, esto es, los
determinantes de las submatrices de A ubicadas simétricamente respecto de su
diagonal principal, se llaman menores diagonales de A; un menor diagonal de A
obtenido con k filas y k columnas, se dirá que es un menor diagonal de orden k.
Resulta de todo ello que para el polinomio p(O), será:
p(O) = a 0 + a 1O + a 2O2 + ... + an-1On-1 + a nOn
siendo sus coeficientes
a 0 = Det(A)
a 1 = (-1)(d11 + d22 «dnn)
...
§ §n· ·
a k = (-1)k ¨ suma de los ¨ ¸ menores diagonales de n k de la matriz A ¸
© ©k ¹ ¹
...
a n-1 = (-1)n-1( a 11 + a 22 + ... + a nn)
a n = (-1)n.
De una manera mas simplificada, podemos decir que al tomar en consideración la

expresión del determinante de la matriz en términos de los elementos de ésta, es
fácil entender que el primer miembro de Det(A - OI) = 0 puede ser representado
en la forma
Det(A - OI) = a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn.
Los coeficientes a 0, a 1, a 2, ..., a n-1, a n se calculan de tal o cual manera según los
elementos de la matriz A y no dependen de O. La potencia máxima de O sólo
figura en el producto de los elementos diagonales de la matriz A - OI y, por ello,
a n = 1. He aquí la expresión explícita para dos coeficientes. A saber,
a 0 = (-1)nDet(A) y a n-1 = -Tr(A).

Se puede suponer, en general, que al representar Det(A - OI) en potencias de O,

empleando para ello diferentes métodos, obtendremos las expresiones de un tipo
análogo a a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn, mas con distintos coeficientes a i.
Sin embargo, en lo que sigue se mostrará que la suposición citada no tiene lugar.
Los coeficientes en a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn no dependen de cómo se
realiza el cálculo.
Teniendo en cuenta que el determinante Det(A - OI) no depende de la base,

llegaremos a que todos los coeficientes a 0, a 1, a 2, ..., a n-1, an son, en realidad, las
características de la matriz A. La función p(O) = a 0 + a 1O + a 2O2 + ... + a n-1On-1 +
a nOn se denomina polinomio característico de la matriz A. Para que el escalar
O K sea el valor característico de la matriz A, es necesario y suficiente que
satisfaga la ecuación a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn = 0 es decir, que sea
una raíz del polinomio característico.
T E O R E M A 8.2.1
Un escalar O es un valor característico de f si y sólo si es una raíz del
polinomio característico de una matriz que represente a f.
La ecuación característica de valores característicos se puede escribir en la forma
(f - OI)u = . Sabemos que existe un vector diferente de cero u que satisface esta
condición si y sólo si f - OI es singular. Sea S una base cualquiera de V y sea
A = ( a ij) la matriz que representa f con respecto a esta base. Entonces A - OI es la
matriz que representa a f - OI. Ya que A - OI es singular si y sólo si
Det(A - OI) = 0.
E J E M P L O 8.2.1
Demuestre que una matriz triangular es singular si y sólo si sus valores
característicos son reales y deferentes de cero.
SO L U C I O N
principal son O1, O2, ..., On. Se sabe que los valores característicos de A son O1, O2,
..., On. Así, A tiene valores característicos reales. Además, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
sólo si cada Oi es diferente de cero.
Este teorema sólo se aplica a escalares. En particular, una solución de la ecuación

característica que no es un escalar, no es un valor característico. Por ejemplo, si el
cuerpo de escalares es el cuerpo de los números reales, entonces las soluciones
complejas, no reales del polinomio característico no son valores característicos.
Por tanto, un valor característico es un valor característico si y sólo si también
está en el cuerpo de escalares dado.
Los valores característicos del endomorfismo f, son las raíces del polinomio
característico de f, algebraicamente de grado n con coeficientes en K .
La transformación p : K o K , definida por p(O) = Det( A - O I ), para todo
O K , es evidentemente un polinomio de grado n que se denomina
polinomio característico.
Si O0 es raíz de orden de multiplicidad k del polinomio característico de A, se dirá

que se trata de un valor característico de orden k de A. Si el cuerpo K es
algebraicamente cerrado, en particular si K = C, el polinomio característico es
factorable y la ecuación característica se puede expresar en la forma
Det(A - Ȝ, n O O1 k1 O O2 k2 O O r k r
con k1 + k2 + ... + k r = n, en la que O1, O2, ..., Or son los valores característicos de
A, de órdenes respectivos k1, k2, ..., k r. Cuando K es algebraicamente cerrado,
toda matriz A tiene siempre un valor característico, al menos pudiendo tener hasta
n valores característicos distintos; si cada valor característico se cuenta un número
de veces igual a su orden, se verifica que la matriz A, tiene exactamente n valores
característicos.
Dado un endomorfismo, para cada valor característico O de f, es decir, para cada

raíz de su ecuación característica, los vectores característicos de f
correspondientes a O, junto con el vector nulo, constituyen el subespacio propio
V(O) que, no es más que el núcleo de f - O I , es decir, el conjunto de los vectores
u V tales que (f - O I )u = .
Elegida una base S de V, y si A es la matriz asociada a f en ella, los vectores

característicos correspondientes al valor característico O son, aquellos vectores no
nulos tales que la matriz columna de sus coordenadas, X :(n, 1), satisface
( a11 O )u1 a12 u2 ... a1n un 0
° a u ( a O )u ... a u 0
° 21 1 22 2 2n n
®
° ...
°¯ an1u1 an 2 u2 ... ( ann O )un 0
La dimensión del subespacio propio V(O), esto es, el número máximo de vectores
característicos correspondientes a O que son linealmente independientes, será,
pues d = dimV(O) = dim(Nuc( f - OI)) = n ± Rang(f - OI) esto es, recurriendo a la
matriz A, asociada a f en una base S de V , d = dimV(O) = n ± Rang(A - OI).
Se denomina multiplicidad geométrica de V(O) a la dimensión de O. Se
denomina multiplicidad algebraica de O, al número de veces que se repite
una raíz del polinomio característico.
T E O R E M A 8.2.2
La multiplicidad geométrica de O no excede a la multiplicidad algebraica
de O.
Ya que la multiplicidad geométrica de O se define independientemente de
cualquier matriz que represente a f y la ecuación característica es la misma para
todas las matrices que representan a f, bastará probar el teorema para cualquier
matriz particular que represente a f. Escogeremos la matriz que represente a f, de
tal manera que la aseveración del teorema sea evidente. Sea t la dimensión de
V(O) y {u1, u2, ..., ut} de V(O). Este conjunto linealmente independiente puede
extenderse hasta una base {u1, u2, ..., un} de V. Ya que f(ui) = Oui para i d t, la
matriz A que representa a f con respecto a esta base tiene la forma
§O 0 0 a1 t 1 a1n ·
¨ ¸
¨0 O 0 a2 t 1 a2 n ¸
¨ ¸
¨ ¸
A ¨0 0 O at t 1 at n ¸ .
¨ ¸
¨0 0 0 at 1 t 1 at 1 n ¸
¨ ¸
¨ ¸
¨0 0 0 a a ¸
© n t 1 n n ¹

De la forma de A es evidente que Det(A - OI) = p(O) es divisible entre (O Ot ) kt .

Por lo tanto, la multiplicidad algebraica de O es al menos t, que es la multiplicidad
geométrica.
PROGRAMA EN MATLAB PARA CALCULAR VALORES Y VECTORES CARACTERISTICOS

% CALCULO DE VALORES Y VECTORES CARACTERISTICOS
clc;; clear;;
fprintf('\n VALORES Y VECTORES CARACTERISTICOS \n');;
filcol=input('INGRESE EL ORDEN DE LA MATRIZ A: ');;
for f=1:filcol
for c=1:filcol
end
end
clc;;
fprintf('\n LA MATRIZ ES:\n');;
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n');;
POLINOMIO=poly(A);;
POLINOMIO
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n');;
ESPECTRO=eig(A);;
[vector,V] = eig(A);;
ESPECTRO
%resolucion del sistema de ecuaciones
for c=1:filcol
fprintf('\n REMPLAZAMOS EL VALOR CARACTERISTICO (%d) EN LA ECUACION
CARACTERISTICA:\n',c)
%A(f,c)=input(' :');;
I=eye(size(A));;
r=ESPECTRO(c,1)
F=A-I*r;;
vector0=zeros(filcol,1);;
fprintf('\n LA MATRIZ AUMENTADA (%d) ES: \n',c);;
B=[F,vector0];;
B
%solucion = F^(-1)*vector0;;
%solucion
fprintf('\n LA MATRIZ REDUCIDA (%d) ES: \n',c)
R=rref(B);;
R
end
fprintf('\n VECTORES CARACTERISTICOS \n')
V=vector';;
for f2=1:filcol
fprintf('\n V%d : \n',f2)
V(f2,1:filcol)
End

E J E M P L O 8.2.2
Demuestre que el término constante del polinomio característico es Det(A).
SO L U C I O N
El polinomio característico de A es p(O) = Det(A - OI). Así el término constante
de p(O) está dado por p(0) = Det(A).
E J E M P L O 8.2.3
Demuestre que una matriz cuadrada de orden n es no singular si, y sólo si O = 0
no es un valor característico de A.
SO L U C I O N
Sabemos que el término independiente del polinomio característico es igual a
Det(A), y para que una matriz sea no singular su determinante debe ser diferente
de cero. Por lo tanto si O fuese un valor característico de la matriz A, entonces
tenemos que p(0) = Det(A) z 0, lo cual contradice la hipótesis y podemos concluir
que O = 0 no es valor característico de una matriz no singular.
E J E M P L O 8.2.4
Demuestre que una matriz triangular es singular si y sólo si sus valores
característicos son reales y deferentes de cero.
SO L U C I O N
principal son O1, O2, ..., On. Se sabe que los valores característicos de A son O1, O2,
..., On. Así, A tiene valores característicos reales. Además, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
sólo si cada Oi es diferente de cero.
E J E M P L O 8.2.5
Sea la matriz
§ 0 1·
A ¨ ¸
©1 0 ¹
Se puede demostrar que si u es cualquier vector columna de R 2, entonces Au se
puede obtener geométricamente de u rotando u un ángulo de 90° en el sentido
contrario al que giran las manecillas del reloj.
a.- Probar geométricamente que A no tiene valores característicos reales.
b.- Hallar los valores y vectores característicos complejos de A.
c.- Argumentar geométricamente que A2 deberá tener valores característicos
reales.
d.- Usar el apartado b) para hallar los valores característicos de A2 y comparar el
resultado con la respuesta obtenida en la parte c). ¿Cuáles son los vectores
característicos reales y los vectores característicos complejos de A2"
e.- Hallar valores y vectores característicos para A3.
f.- Hallar valores y vectores característicos para A4.
SO L U C I O N
a.- Ningún vector distinto de cero en el plano va a un vector paralelo por
rotación de 90°.
O 1
b.- 0 O2 + 1 = 0 O1 = i y O2 = - i .
1 O
§ i 1·§ a · § 0 · § i 1 0 · § i 1 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ | ¨ ¸
© 1 i ¹© b ¹ © 0 ¹ © 1 i 0 ¹ © 0 0 0 ¹
°§ a ·
½
° °§ i · ½
°
V (O1 ) Span ®¨ ¸ / a bi ¾ Base V (O1 ) ®¨ ¸ ¾
°
¯© b ¹ °
¿ °
¯ °
© 1 ¹ ¿
§ i 1·§ a · § 0 · § i 1 0 · § i 1 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ | ¨ ¸
©1 i ¹© b ¹ © 0 ¹ ©1 i 0 ¹ © 0 0 0 ¹
§ a ·
° ½
° § i · °
° ½
V (O 2 ) Span ®¨ ¸ / a bi ¾ Base V (O 2 ) ®¨ ¸ ¾
¯ b
°© ¹ °
¿ 1
°© ¹ ¿
¯ °
c.- A2u = A(Au) corresponde a rotar u 180° en el sentido contrario al que giran
las manecillas del reloj, lo cual equivale a multiplicar u por ±1. Así, -1 es un valor
característico.
d.- A2 tiene valores característicos O1 = i2 = -1 y O2 = (-i)2 = -1. Todos los
vectores reales distintos de cero y todos los vectores complejos son vectores
característicos
§ 1 0 ·
A2 ¨ ¸.
© 0 1¹
e.- A3 no tiene valores característicos reales, sino valores característicos
complejos O1 = i3 = -i y O2 = (- i)3 = i con vectores característicos
§ i · °
° ½ § i · °
° ½
Base V (O1 ) ®¨ ¸ ¾ y Base V (O 2 ) ®¨ ¸ ¾ .
¯ 1
°© ¹ ¿ ° 1
°© ¹ ¿
¯ °
f.- A4 tiene valores característicos O1 = i4 = 1 y O2 = (-i)4 = 1 corresponde a la
rotación de 360°. Todo vector real o complejo distinto de cero es un vector
característico.
E J E M P L O 8.2.6
Demuestre que si u es vector característico tanto de f como de g, entonces u
también es un vector característico de Df y de f + g. Si O1 es el valor característico
de f y O2 el valor característico de g correspondientes a u, ¿cuáles son los valores
característicos de Df y de f + g?
SO L U C I O N
Si f(u) = O1u y g(u) = O2u, entonces
(f + g)(u) = f(u) + g(u) = O1u + O2u = (O1 + O2)u
También
(Df)(u) = Df(u) = DO1u.
E J E M P L O 8.2.7
Demuestre que si O1 y O2 z O1 son valores característicos de f1 y u1 y u2 son
vectores característicos correspondientes a O1 y O2, respectivamente, entonces
u1 + u2 no es un vector característico.
SO L U C I O N
Si u1 + u2 es un vector característico con valor característico O, entonces
O(u1 + u2) = f(u1 + u2) = O1u1 + O2u2
Ya que (O - O1)u1 + (O - O2)u2 = se tiene que O - O1 = O - O2 = 0.
E J E M P L O 8.2.8
Para cada una de las siguientes matrices, determine su polinomio característico,
sus valores y vectores característicos:
§ 5 0· § 1 1· § 3 2 ·
a.- ¨ ¸ ; b.- ¨ ¸ ; c.- ¨ ¸.
© 6 0 ¹ © 1 4 ¹ © 1 2 ¹
SO L U C I O N
a.- El polinomio característico tiene la forma siguiente:
5O 0
p (O ) O(5 O) .
6 O
Los valores característicos se obtienen igualando a cero el polinomio
característico:
O(5 - O) = 0 O = 0 y O = 5.
Los vectores característicos se encuentran reemplazando cada valor característico
en la ecuación característica, y luego se resuelve cada sistema homogéneo:
§ 5 0 ·§ x · § 0 · §5 0 0· §5 0 0·
O = 0: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸ | ¨ ¸
© 6 0 ¹© y ¹ © 0 ¹ ©6 0 0¹ ©0 0 0¹
de donde obtenemos que x = 0 e y R. Por consiguiente el subespacio propio
generado por el valor característico O = 0 tiene la forma siguiente:
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.

§ 0 0 ·§ x · § 0 · §0 0 0·
O = 5: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸
© 6 5 ¹© y ¹ © 0 ¹ © 6 5 0 ¹
de donde obtenemos que 6x ± 5y = 0. Por consiguiente el subespacio propio
generado por el valor característico O = 5 tiene la forma siguiente:
V(O) = {(x, y) / 6x ± 5y = 0} BaseV(O) = {(5, 6)} dimV(O) = 1.
b.- El polinomio característico tiene la forma siguiente:
1 O 1
p (O ) (1 O)(4 O) 1 O 2 5O 5 .
1 4 O
característico:
5 5 5 5
O2 - 5O + 5 = 0 O y O .
2 2
en la ecuación característica, y luego se resuelve cada sistema homogéneo:
§ 3 5 ·
¨ 1 ¸
x
5 5 ¨ ¸ §¨ ·¸ §¨ ·¸
2 0
O :
2 ¨ ¸ y
3 5 © ¹ © 0¹
¨ 1 ¸
© 2 ¹
§ 3 5 ·
¨ 1 0¸ § 3 5 0·
¨ 2 ¸ | ¨ 1 ¸
¨ ¨ 2 ¸
3 5 ¸ ¨ 0 0 ¸¹
¨ 1 0¸ © 0
© 2 ¹
3 5
de donde obtenemos que x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor característico O tiene la forma siguiente:
2

° 3 5 ½
°
V (O) ®( x, y) x y 0¾
°
¯ 2 °
¿
Base V (O) ^ 2, 3 5 ` dimV(O) = 1.
§ 3 5 ·
¨ 1 ¸
x
5 5 ¨ ¸ §¨ ·¸ §¨ ·¸
2 0
O :
2 ¨ 3 5 ¸© y ¹ © 0¹
¨ 1 ¸
© 2 ¹
§ 3 5 ·
¨ 1 0¸ § 3 5 0·
¨ 2 ¸ | ¨ 1 ¸
¨ ¨ 2 ¸
3 5 ¸ ¨ 0 0 ¸¹
¨ 1 0¸ © 0
© 2 ¹
3 5
de donde obtenemos que x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor característico O tiene la forma siguiente:
2

° 3 5 ½
°
V ( O ) ®( x , y ) x y 0¾
°
¯ 2 °
¿
Base V (O) ^ 2, 3 5 ` dimV(O) = 1.

c.- El polinomio característico tiene la forma siguiente: p(O) O 2 5O 4 .

característico: O2 5O 4 0 O = -1 , y O = -4.
en la ecuación característica, y luego se resuelve cada sistema de ecuaciones
homogéneo:
§ 2 2 ·§ x · § 0 · § 2 2 0 · § 0 0 0 ·
O = -1: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸ | ¨ ¸
© 1 1 y
¹© ¹ © ¹ 0 © 1 1 0 ¹ © 1 1 0 ¹
de donde obtenemos que x = y. Por consiguiente el subespacio propio generado
por el valor característico, tiene la forma siguiente:
V(O) = {(x, y) / x ± y = 0} BaseV(O) = {(1, 1)} dimV(O) = 1.
§1 2 ·§ x · § 0 · §1 2 0 · § 1 2 0 ·
O = -4: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸ | ¨ ¸
© 1 2 y
¹© ¹ © ¹ 0 ©1 2 0 ¹ © 0 0 0 ¹
de donde obtenemos que x = - 2y. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / x + 2y = 0} BaseV(O) = {(-2, 1)} dimV(O) = 1.
E J E M P L O 8.2.9
sus valores y vectores característicos:
§1 0 0· § 3 2 1 · §2 8 7·
¨ ¸ ¨ ¸ ¨ ¸
a.- ¨ 3 1 0 ¸ ; b.- ¨ 0 5 7 ¸ ; c.- ¨ 0 3 1 ¸ .
¨ 4 2 2¸ ¨0 2 4¸ ¨ 0 1 1 ¸
© ¹ © ¹ © ¹
SO L U C I O N
p(O) O3 4O2 5O 2 .
característico: O3 4O2 5O 2 0 O = 1, O = 1 y O = 2.
Donde O = 1 tiene multiplicidad algebraica 2. Los vectores característicos se
encuentran reemplazando cada valor característico en la ecuación característica, y
luego se resuelve cada sistema de ecuaciones homogéneo:
§ 0 0 0·§ x · § 0· § 0 0 0 0· §0 0 0 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 1: ¨ 3 0 0 ¸ ¨ y ¸ ¨ 0 ¸ ¨ 3 0 0 0 ¸ | ¨ 3 0 0 0 ¸
¨ 4 2 1¸¨ z ¸ ¨ 0¸ ¨ 4 2 1 0¸ ¨0 2 1 0¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que x = 0, z = -2y. Por consiguiente el subespacio propio
generado por el valor característico, tiene la forma siguiente:
V(O) = {(x, y, z) / x = 0, 2y + z = 0}
BaseV(O) = {(0, 1, -2)} dimV(O) = 1.
§ 1 0 0 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 2: ¨ 3 1 0 ¸¨ y ¸ ¨ 0 ¸
¨ 4 2 0 ¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 1 0 0 0 · § 1 0 0 0 · § 1 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 1 0 0 ¸ | ¨ 0 1 0 0 ¸ | ¨ 0 1 0 0¸
¨ 4 2 0 0¸ ¨0 2 0 0¸ ¨0 0 0 0 ¸¹
© ¹ © ¹ ©
de donde obtenemos que x = y = 0. Por consiguiente el subespacio propio
V(O) = {(x, y) / x = y = 0} BaseV(O) = {(0, 0, 1)} dimV(O) = 1.

p(O) O3 4O2 3O 18 .

característico:
O3 4O2 3O 18 0 (O 3)2 (O 2) 0 O = -3, O = 2.
Donde O = -3 tiene multiplicidad algebraica 2. Los vectores característicos se
§ 0 2 1 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = -3: ¨ 0 2 7 ¸¨ y ¸ ¨ 0 ¸
¨ 0 2 7 ¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 0 2 1 0· § 0 2 1 0· § 0 2 1 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 2 7 0 ¸ | ¨ 0 0 6 0 ¸ | ¨ 0 0 1 0 ¸
¨ 0 2 7 0 ¸ ¨ 0 0 6 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que y = z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / y = z = 0} BaseV(O) = {(1, 0, 0)} dimV(O) = 1.
§ 5 2 1 ·§ x · § 0 · § 5 2 1 0 · § 5 0 1 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 2: ¨ 0 7 7 ¸¨ y ¸ ¨ 0 ¸ ¨ 0 7 7 0 ¸ | ¨ 0 1 1 0 ¸
¨ 0 2 2 ¸¨ z ¸ ¨ 0 ¸ ¨ 0 2 2 0¸ ¨0 0 0 0¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que 5x + z = 0 e y + z = 0. Por consiguiente el subespacio
propio generado por el valor característico, tiene la forma siguiente:
V(O) = {(x, y) / 5x + z = 0, y + z = 0}
BaseV(O) = {(-1, -5, 5)} dimV(O) = 1.
c.- El polinomio característico tiene la forma siguiente:
p(O) O3 6O2 12O 8 .
característico:
O3 6O2 12O 8 0 (O 2)3 0 O = 2.
§ 0 8 7 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 2: ¨ 0 1 1 ¸¨ y ¸ ¨ 0 ¸
¨ 0 1 1¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§0 8 7 0· §0 8 7 0· §0 8 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 1 1 0 ¸ | ¨ 0 0 1 0 ¸ | ¨ 0 0 1 0 ¸
¨ 0 1 1 0 ¸ ¨ 0 0 1 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que y = z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / y = z = 0} BaseV(O) = {(1, 0, 0)} dimV(O) = 1.
E J E M P L O 8.2.10
sus valores característicos y sus vectores característicos:
§2 3 4 5· §1 0 0 0· §1 2 0 3·
¨ ¸ ¨ ¸ ¨ ¸
a.- ¨
0 2 0 0 ¸ ; b.- ¨ 0 1 0 0 ¸ ; c.- ¨ 1 2 0 3 ¸
.
¨0 0 2 0¸ ¨4 7 2 1¸ ¨0 0 2 0¸
¨ ¸ ¨ ¸ ¨ ¸
©0 4 4 2¹ © 2 3 4 2¹ ©1 2 0 3¹
SO L U C I O N
p(O) O4 8O3 24O2 32O 16 .
característico:
O4 8O3 24O2 32O 16 0 (O 2)4 0 O = 2.
§ 0 3 4 5·§ x · § 0·
¨ ¸¨ ¸ ¨ ¸
0 0 0 0¸¨ y ¸ ¨ 0¸
O = 2: ¨
¨ 0 0 0 0¸¨ z ¸ ¨ 0¸
¨ ¸¨ ¸ ¨ ¸
© 0 4 4 0¹© u ¹ © 0¹
§0 3 4 5 0· §0 3 4 5 0· §0 1 0 5 0·
¨ ¸ ¨ ¸ ¨ ¸
¨0 0 0 0 0¸ | ¨0 0 0 0 0¸ | ¨0 0 0 0 0¸
¨0 0 0 0 0¸ ¨0 0 0 0 0¸ ¨0 0 0 0 0¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
©0 4 4 0 0¹ ©0 0 1 5 0¹ ©0 0 1 5 0¹
de donde obtenemos que y + 5u = 0, z + 5u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / y + 5u = 0, z + 5u = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -5, -5, 1)} dimV(O) = 2.
p(O) O4 6O3 9O 2 4O .
característico:
O4 6O3 9O2 4O 0 O(O 4)(O 1)2 0 O = 0, O = 4, O = 1.
donde O = 1 tiene multiplicidad algebraica 2. Los vectores característicos se
§1 0 0 0·§ x · § 0·
¨ ¸¨ ¸ ¨ ¸
0 1 0 0¸¨ y ¸ ¨ 0¸
O = 0: ¨
¨ 4 7 2 1¸¨ z ¸ ¨0¸
¨ ¸¨ ¸ ¨ ¸
© 2 3 4 2¹© u ¹ © 0¹
§1 0 0 0 0· §1 0 0 0 0· §1 0 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨0 1 0 0 0¸ | ¨0 1 0 0 0¸ ¨0 1 0 0 0¸
|
¨ 4 7 2 1 0 ¸ ¨ 0 7 2 1 0 ¸ ¨ 0 0 2 1 0 ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
© 2 3 4 2 0 ¹ © 0 3 4 2 0 ¹ © 0 0 0 0 0 ¹
de donde obtenemos que x = y = 0, 2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, 2z + u = 0}
BaseV(O) = {(0, 0, 1, -2)} dimV(O) = 1.
§ 0 0 0 0·§ x · § 0·
¨ ¸¨ ¸ ¨ ¸
0 0 0 0¸¨ y ¸ ¨ 0¸
O = 1: ¨
¨ 4 7 1 1¸¨ z ¸ ¨ 0¸
¨ ¸¨ ¸ ¨ ¸
© 2 3 4 1¹© u ¹ © 0¹

§0 0 0 0 0· § 0 0 0 0 0· § 0 0 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨0 0 0 0 0¸ ¨ 0 0 0 0 0¸ ¨ 0 0 0 0 0¸
| |
¨4 7 1 1 0 ¸ ¨ 4 7 1 1 0 ¸ ¨ 2 0 25 4 0 ¸
¨¨ ¸ ¨ ¸ ¨ ¸
©2 3 4 1 0 ¸¹ ¨© 0 1 7 1 0 ¸¹ ¨© 0 1 7 1 0 ¸¹
de donde obtenemos que 2x + 25z + 4u = 0, y ± 7z ± u = 0. Por consiguiente el
subespacio propio generado por el valor característico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / 2x + 25z + 4u = 0, y ± 7z ± u = 0}
BaseV(O) = {(-25, 14, 2, 0), (-2, 1, 0, 1)} dimV(O) = 2.
§ 3 0 0 0 · § x · § 0 · § 3 0 0 0 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸
¨ 0 3 0 0 ¸ ¨ y ¸ ¨ 0 ¸ ¨ 0 3 0 0 0 ¸
O = 4:
¨ 4 7 2 1 ¸ ¨ z ¸ ¨ 0 ¸ ¨ 4 7 2 1 0 ¸
¨ ¸¨ ¸ ¨ ¸ ¨¨ ¸¸
© 2 3 4 2 ¹ © u ¹ © 0 ¹ © 2 3 4 2 0 ¹
§ 3 0 0 0 0 · § 1 0 0 0 0 · § 1 0 0 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 3 0 0 0 ¸ | ¨ 0 1 0 0 0 ¸ | ¨ 0 1 0 0 0 ¸
¨ 0 7 2 1 0 ¸ ¨ 0 0 2 1 0 ¸ ¨ 0 0 2 1 0 ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
© 0 3 4 2 0 ¹ © 0 0 2 1 0 ¹ © 0 0 0 0 0 ¹
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
c.- El polinomio característico tiene la forma siguiente:
p(O) O4 4O3 4O2 .
característico:
O4 4O3 4O2 0 O2 (O 2)2 0 O = 0, O = 2.
Donde O = 0 y O = 2 tienen multiplicidad algebraica 2. Los vectores
característicos se encuentran reemplazando cada valor característico en la
ecuación característica, y luego se resuelve cada sistema de ecuaciones
homogéneo:
§ 1 2 0 3 ·§ x · § 0· § 1 2 0 3 0· §1 2 0 3 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 1 2 0 3 ¸ ¨ y ¸ ¨ 0 ¸ ¨ 1 2 0 3 0 ¸ ¨ 0 0 0 0 0 ¸
O = 0: |
¨ 0 0 2 0 ¸¨ z ¸ ¨ 0¸ ¨ 0 0 2 0 0¸ ¨0 0 2 0 0¸
¨ ¸¨ ¸ ¨ ¸ ¨
¨ 1 2 0 3 0 ¸ ¨¨ 0 0 0 0 0 ¸¸
¸
© 1 2 0 3 ¹© u ¹ © 0¹ © ¹ © ¹
de donde obtenemos que x + 2y + 3u = 0, z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x + 2y + 3u = 0, z = 0}
BaseV(O) = {(-2, 1, 0, 0), (-3, 0, 0, 1)} dimV(O) = 2.
§ 1 2 0 3 · § x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
1 4 0 3 ¸ ¨ y ¸ ¨ 0 ¸
O = 2: ¨
¨ 0 0 0 0 ¸¨ z ¸ ¨ 0¸
¨ ¸¨ ¸ ¨ ¸
© 1 2 0 1 ¹© u ¹ © 0¹
§ 1 2 0 3 0 · § 1 2 0 3 0 · § 1 0 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 4 0 30¸ ¨ 0 1 0 1 0¸ ¨0 1 0 1 0¸
| |
¨0 0 0 0 0¸ ¨ 0 0 0 0 0¸ ¨0 0 0 0 0¸
¨¨ ¸ ¨ ¸ ¨ ¸
©1 2 0 1 0 ¸¹ ¨© 0 1 0 1 0 ¸¹ ¨© 0 0 0 0 0 ¸¹
de donde obtenemos que x ± u = 0, y + u = 0. Por consiguiente el subespacio

V(O) = {(x, y, z, u) / x - u = 0, y + u = 0}
BaseV(O) = {(1, -1, 0, 1) , (0, 0, 1, 0)} dimV(O) = 2.
E J E M P L O 8.2.11
Para cada una de las siguientes transformaciones lineales, determine sus valores y
vectores característicos:
a.- f : P 1 o P 1, f( a + bx) = a + ( a + b)x;
b.- f : R 2 o R 2, f(( a, b)) = (a + b, b);
§ § a b · · § 4 a 5b 2b ·
c.- f : :(2, 2) o :(2, 2), f ¨ ¨ ¸¸ ¨ ¸.
© © c d ¹ ¹ © 2c d c 3d ¹
SO L U C I O N
a.- La representación matricial de este endomorfismo, se expresa de la siguiente
manera:
§1 0 ·
[f] ¨ ¸.
©1 1 ¹
Para encontrar el polinomio característico, debemos resolver el siguiente
determinante:
Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores característicos son: O = 1, siendo éste de multiplicidad
algebraica 2. Los vectores característicos se encuentran reemplazando cada valor
característico en la ecuación característica, y luego se resuelve cada sistema de
§ 0 0 ·§ x · § 0 · §0 0 0·
O = 1: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸
© 1 0 ¹© y ¹ © 0 ¹ ©1 0 0¹
de donde obtenemos que x = 0. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.
b.- La representación matricial de este endomorfismo, se expresa de la siguiente
manera:
§ 1 1·
[f] ¨ ¸.
© 0 1¹
Para encontrar el polinomio característico, debemos resolver el siguiente
determinante: Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores característicos son: O = 1, siendo éste de multiplicidad
algebraica 2. Los vectores característicos se encuentran reemplazando cada valor
§ 0 1 ·§ x · § 0 · §0 1 0·
O = 1: ¨ ¸¨ ¸ ¨ ¸ ¨ ¸
© 0 0 ¹© y ¹ © 0 ¹ ©0 0 0¹
de donde obtenemos que y = 0. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / y = 0} BaseV(O) = {(1, 0)} dimV(O) = 1.
c.- La representación matricial de este endomorfismo, se expresa de la siguiente
manera:
§ 4 5 0 0·
¨ ¸
0 2 0 0¸
[f] ¨ .
¨0 0 2 1¸
¨ ¸
© 0 0 1 3¹
El polinomio característico tiene la forma siguiente:
p(O) O4 11O3 43O2 70O 40 .

característico:
§ 5 5 ·§ 5 5·
O4 11O3 43O2 70O 40 (O 2)(O 4) ¨¨ O ¸¨
¸¨ O ¸ 0
© 2 ¹© 2 ¸¹
5 5 5 5
O = 2, O = 4, O , O .
2 2
Donde todos los valores característicos tienen multiplicidad algebraica 1. Los
vectores característicos se encuentran reemplazando cada valor característico en
la ecuación característica, y luego se resuelve cada sistema de ecuaciones
homogéneo:
§ 2 5 0 0·§ x · § 0· § 2 5 0 0 0· § 2 5 0 0 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
0 0 0 0 y
¸¨ ¸ ¨ ¸ ¨0 0 0 0 0¸ | ¨0 0 0 0 0¸
0
O = 2: ¨
¨ 0 0 0 1¸¨ z ¸ ¨ 0¸ ¨0 0 0 1 0¸ ¨0 0 0 1 0¸
¨ ¸¨ ¸ ¨ ¸ ¨¨ ¸¸ ¨¨ ¸¸
© 0 0 1 1¹© u ¹ © 0¹ ©0 0 1 1 0¹ ©0 0 1 0 0¹
de donde obtenemos que 2x + 5y = 0, z = u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / 2x + 5y = 0, z = u = 0}
BaseV(O) = {(-5, 2, 0, 0)} dimV(O) = 1.
§0 5 0 0 ·§ x · §0·
¨ ¸¨ ¸ ¨ ¸
0 2 0 0 ¸ ¨ y ¸ ¨ 0 ¸
O = 4: ¨
¨ 0 0 2 1 ¸ ¨ z ¸ ¨ 0 ¸
¨ ¸¨ ¸ ¨ ¸
© 0 0 1 1¹ © u ¹ © 0 ¹
§0 5 0 0 0· §0 5 0 0 0· §0 5 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 0 2 0 0 0 ¸ | ¨ 0 0 0 0 0 ¸ | ¨ 0 0 0 0 0 ¸
¨ 0 0 2 1 0 ¸ ¨ 0 0 2 1 0 ¸ ¨ 0 0 1 0 0 ¸
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸¸
© 0 0 1 1 0 ¹ © 0 0 0 1 0 ¹ © 0 0 0 1 0 ¹
de donde obtenemos que y = z = u = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z, u) / y = z = u = 0}
BaseV(O) = {(1, 0, 0, 0)} dimV(O) = 1.
§ 3 5 ·
¨ 5 0 0 ¸
¨ 2 ¸
¨ 1 5 ¸§ x · § 0·
¨ 0 0 0 ¸¨ ¸ ¨ ¸
O
5 5
: ¨ 2 ¸¨ y ¸ ¨ 0¸
2 ¨ 1 5 ¸¨ z ¸ ¨ 0¸
¨ 0 0 1 ¸¨ ¸ ¨ ¸
¨ 2 ¸© u ¹ © 0¹
¨ 1 5 ¸
¨ 0 0 1 ¸
© 2 ¹
§ 3 5 ·
¨ 5 0 0 ¸
¨ 2 ¸
¨ 1 5 0¸
¨ 0 0 0 ¸
¨ 2 0¸
¨ 1 5 0¸
¨ 0 0 1 ¸
¨ 2 0¸
¨ 1 5 ¸
¨ 0 0 1 ¸
© 2 ¹

§ 1 5 ·
¨ 0 0 0 ¸
¨ 2 0¸
¨ 1 5 ¸
¨ 0 0 0 0¸
¨ 2
0¸
¨ 1 5 ¸
¨ 0 0 1 0¸
¨ 2 ¸
¨ 0 0 0 0 ¸¹
©
de donde obtenemos que x = y = 0, (1 5) z 2u 0 . Por consiguiente el
V(O) = {(x, y, z, u) / x = y = 0, (1 5) z 2u 0 }
BaseV(O) = {(0, 0, 5 - 1, 2)} dimV(O) = 1.
§ 3 5 ·
¨ 5 0 0 ¸
¨ 2 ¸
¨ 5 1 ¸§ x · § 0·
¨ 0 0 0 ¸¨ ¸ ¨ ¸
O
5 5
: ¨ 2 ¸¨ y¸ ¨ 0¸
2 ¨ 5 1 ¸¨ z ¸ ¨ 0¸
¨ 0 0 1 ¸¨ ¸ ¨ ¸
¨ 2 ¸©u ¹ © 0¹
¨ 1 5¸
¨ 0 0 1 ¸
© 2 ¹
§ 3 5 ·
¨ 5 0 0 ¸ §1 5 ·
¨ 2 ¸ ¨ 0 0 0 ¸
¨ 5 1 0¸ ¨ 2 0¸
¨ 0 0 0 ¸ ¨ 5 1 ¸
¨ 2 0¸ ¨ 0 0 0 0¸
| 2
¨ 5 1 0¸ ¨ 0¸
¨ 0 0 1 ¸ ¨ 5 1 ¸
¨ 2 0¸ ¨ 0 0 1 0¸
¨ ¨ 2 ¸
1 5 ¸ ¨ 0 0 ¸¹
¨ 0 0 1 ¸ © 0 0
© 2 ¹
de donde obtenemos que x = y = 0, ( 5 1) z 2u 0 . Por consiguiente el
V(O) = {(x, y, z, u) / x = y = 0, ( 5 1) z 2u 0 }
BaseV(O) = {(0, 0, 1 5 , -2)} dimV(O) = 1.
E J E M P L O 8.2.12
Demostrar que los polinomios característicos p(O) de una matriz A y q(O) de una
matriz A - O I están ligados por la relación q(O) = p(O + O0).
SO L U C I O N
Sabemos que: q(O) = Det((A - OI) - O0I) = Det(A - OI - O0I) = Det(A ± (O + O0)I).
Si M = O + O0, entonces: q(O) = Det(A - MI) = p(M). Como q(O) = p(M), pero
M = O - O0, entonces q(O) = p(O + O0).

PR O B L E M AS
8.2.1 Encuentre un ejemplo en el que los vectores 8.2.2 Evalúe ex, donde A es la matriz siguiente:
característicos de una transformación lineal f §1 0· §1 0 · §0 1·
relacionados con el valor característico nulo, y solamente a.- ¨ ¸ ; b.- ¨ ¸ ; c.- ¨ ¸.
© 0 1 ¹ © 1 0 ¹ ©1 0¹
ellos, pertenecen al núcleo de esta transformación.

§ O1 0 0 · §O 0·
¨ ¸
8.2.3 Sea B ¨ 0 O 2 0 ¸ y sean e1 = (1, 0, 0), e2 =
8.2.8 Sea B ¨ ¸ . Demuestre que, si O z P,
© 0 P¹
¨0 0 O ¸ entonces los vectores característicos asociados con O
© 3¹
(0, 1, 0), e3 = (0, 0, 1). Muestre que si O1, O2, O3 son son todos los vectores no nulos c(1, 0) y aquellos
distintos entre sí, entonces para cada Ok los vectores asociados con P son todos los vectores no nulos c(0, 1).
característicos asociados son los vectores De k para D z 0; Muestre que si O = P, entonces los vectores
muestre que si O1 = O2 z O3, entonces los vectores característicos asociados con O son todos los vectores no
característicos asociados con O1 son todos los vectores no nulos (x, y).
nulos D1e1 + D2e2 y aquellos asociados con O3, son todos
8.2.9 En cada una de las siguientes matrices,
los vectores no nulos De3; muestre que si O1 = O2 = O3,
encuéntrense los valores característicos y los
entonces los vectores característicos asociados con O1 subespacios propios:
son todos los vectores no nulos v = (x, y, z).
§1 2 3· §0 1 2·
¨ ¸ ¨ ¸
8.2.4 Sea O un valor característico de una a.- ¨ 0 1 4 ¸ ; b.- ¨ 0 0 3 ¸ ;
transformación lineal f. Sea V(O) el subespacio propio ¨0 0 2¸ ¨0 0 1¸
© ¹ © ¹
correspondiente. Demuéstrese que: § 0 0 1 · § 1 1 3·
a.- Si u está en V(O), y si v = (f - OI)u z O, entonces û, ¨ ¸ ¨ ¸
c.- ¨ 0 0 2 ¸ ; d.- ¨ 0 2 6 ¸ ;
v` es conjunto linealmente independiente. ¨0 0 0¸ ¨0 0 2 ¸
b.- Si u está en V(O) y si (f - OI)2u z O, entonces û, (f - © ¹ © ¹
OI)u, (f - OI)2u` es conjunto linealmente independiente. § 0 1 0 · §1 2 0·
¨ ¸ ¨ ¸
e.- ¨ 0 1 1 ¸ ; f.- ¨ 0 1 2 ¸ .
8.2.5 Demuestre con un ejemplo que si una ¨ 0 1 1 ¸ ¨2 0 1¸
transformación lineal f es no singular, entonces los © ¹ © ¹
vectores característicos de f y de f -1 son los mismos.
Hallar la relación entre los valores característicos de 8.2.10 Demuestre que si u es un vector característico de
estas transformaciones. f, entonces u también es un vector característico de p(f),
donde p(x) es un polinomio con coeficientes en K . Si O
8.2.6 Dé un ejemplo en el que los vectores es un valor característico de f correspondiente a u, ¿cuál
característicos relativos a los valores característicos no es el valor característico de p(f) correspondiente a u?
nulos pertenecen a la imagen de esta transformación.
8.2.11 Sea A una matriz de n x n. Demuestre que si
8.2.7 Si x es un número real, entonces ex puede definirse Au = Ou, entonces u es un vector característico de
mediante la serie (A ± cI). ¿Cuál es el valor característico
1 1 1 correspondiente?
eA = I + A + A 2 + A3 + A 4 + ...
2! 3! 4!
8.3 SE M E J A N Z A D E M A T R I C ES
En esta sección estudiaremos la matriz de un endomorfismo f de U en U que depende de la base elegida para U.
Uno de los problemas fundamentales del álgebra lineal es elegir una base para U que simplifique la matriz para f.
Enunciaremos y demostraremos sus propiedades más importantes.
A continuación consideraremos la cuestión de determinar cuándo dos matrices A y B

de orden n x m, son matrices del mismo endomorfismo f : U o V relativa a
diferentes bases para U y V.
Las matrices A y B se dicen son equivalentes si y sólo si, existen matrices
no singulares P (n x n) y Q (m x m) tales que B = PAQ.
Explicaremos aquí un punto de confusión que surge en la definición de equivalencia

de matrices. La palabra equivalencia tiene dos significados bastante distintos en
matemáticas, los cuales tienen lugar en la explicación siguiente. Sería desafortunado
que dicha confusión pudiera darse, pero como estos dos usos de la palabra
equivalencia están bien establecidos, el lector deberá aprender a distinguirlos. En
primer lugar, dado un conjunto S y una relación sobre S.
T E O R E M A 8.3.1
La relación sobre un conjunto de matrices de orden n x m, llamada
equivalencia, es una relación de equivalencia. Además, dos matrices A, B
(n x m), son equivalentes si y sólo si, el rango de la matriz A es igual al
rango de la matriz B.
Es claro que A | A puesto que A = IAI. De A | B obtenemos B = PAQ. Por tanto,
A = P-1BQ-1. Así, B | A. Si A | B (B = PAQ) y B | C (C = P1BQ1). Entonces
C = (P1P)A(QQ1)
Como P1P es no singular si tanto P como P1 son no singulares y QQ1 es no singular si
tanto Q como Q1 son no singulares, vemos que A | C. Así, la equivalencia es una
relación de equivalencia. Si A | B, entonces PAQ = B para P y Q no singulares.
Como
Rang(A) = Rang(PA) = Rang((PA)Q) = Rang(B)
obtenemos que Rang(A) = Rang(B). Supóngase, recíprocamente que Rang(A) =
Rang(B). Deseamos demostrar que A | B. Sea r = Rang(A) = Rang(B). Entonces
§ I O·
PAQ = ¨ ¸ = P1BQ1
©O O¹
para ciertas matrices no singulares P, P1, Q, Q1. Por tanto,
B = (P-1P1)-1A(Q1Q-1)-1.
En consecuencia, A | B.
Sean A, B (n x n). Entonces B es semejante a A sobre K si existe una
matriz no singular P (n x n) tal que B = P-1AP.
T E O R E M A 8.3.2
En el conjunto de matrices de n x n, la semejanza sobre K es una
relación de equivalencia.
a.- A es semejante a A sobre K puesto que A = I-1AI.
b.- Si B es semejante a A sobre K de modo que B = P-1AP, entonces A = (P-1)-1BP-1,
y por tanto, A es semejante a B sobre K .
c.- Si B es semejante a A sobre K y C es semejante a B sobre K , de manera que
B = P-1AP y C = Q-1BQ, entonces C = (PQ)-1A(PQ) y, por consiguiente, C es
semejante a A sobre K.
Como la semejanza es una relación de equivalencia, sabemos ahora que el

conjunto de matrices n x n se descompone en subconjuntos que no se traslapan.
Estos subconjuntos no traslapados de n x n se llaman clases de semejanza. Una de
las metas de la teoría de semejanza es hallar un método para determinar cuando
dos matrices A y B están en la misma clase de semejanza. Resulta entonces que
dos matrices cuadradas son semejantes si, y sólo si, son matrices asociadas a un
mismo endomorfismo en bases diferentes.
A continuación se pretende poner de manifiesto que dos matrices semejantes

tienen iguales valores característicos, y éstos con igual orden; se probará que, sin
embargo, no se verifica la implicación recíproca, esto es, dos matrices cuadradas
con iguales valores característicos y éstos con iguales órdenes, pueden no ser
semejantes. También se probará que la semejanza conserva las dimensiones de los
subespacios propios.
Si las matrices A, B :(n, n) son semejantes, entonces tienen el mismo

polinomio característico y, por tanto, la misma ecuación característica;
consecuentemente, posee los mismos valores característicos y éstos con iguales
órdenes.
T E O R E M A 8.3.3
Si A, B :n(K) son matrices semejantes, esto es, si existe una matriz no
singular de orden n, P, tal que A = P -1BP, entonces se verifica que:
Det(A - OI) = Det(B - OI) , para todo O K .
Si A y B son matrices semejantes, entonces existe una matriz no singular P tal que
A = P-1BP. En tal caso
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(B - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(P-1P)Det(B - OI)
= Det(B - OI).
Entonces, el polinomio característico de A y el polinomio característico de B
coinciden.
No obstante los resultados recién obtenidos, conviene hacer notar que, en general,
del sólo hecho de tener dos matrices los mismos valores característicos y éstos
con igual orden, no se puede asegurar que dichas matrices sean semejantes.
Conviene hacer notar que, en general, del sólo hecho de tener dos matrices los
mismos valores característicos y éstos con igual orden, no se puede asegurar que
dichas matrices sean semejantes.
Recuérdese que dos matrices A, B :(n, n), son semejantes si, y sólo si, son
matrices asociadas a un mismo endomorfismo, respecto de diferentes bases.
Téngase también presente que los valores característicos de una matriz A son los
mismos que los de un endomorfismo asociado a ella; los vectores característicos
de A son las matrices columna de n x 1, cuyos elementos son las coordenadas de
los vectores característicos del endomorfismo que, en la base que se considera en
V, tenga por matriz asociada a A.
Si A y B son matrices semejantes, para cualquiera que sea su valor característico

O, los subespacios propios de una y otra matriz, que serán diferentes subespacios,
son las expresiones en coordenadas, en diferentes bases, del subespacio propio del
endomorfismo asociado a ambas matrices correspondientes al valor característico
O; como la dimensión de un subespacio no varía por el hecho de expresar éste en
una u otra base, los subespacios propios de A y B, correspondientes a O, tienen
igual dimensión, la del subespacio propio, correspondiente a O, de dicho
endomorfismo.
Ya sea en el caso de una matriz A :(n, n), ya en el caso de un endomorfismo f

en un espacio vectorial V de dimensión finita n, para todo valor característico
O K se han definido ya dos números naturales asociados a él:
1.- Orden del valor característico O es el orden de multiplicidad de la raíz O de la

ecuación característica. El orden k de O es, un número natural comprendido entre
uno, si la raíz es simple, y n, en cuyo caso no habría ningún otro valor
característico, es decir 1 d k d n.

2.- Dimensión del subespacio propio V(O), correspondiente al valor característico

O. Recuérdese que V(O) es:
a.- Para el caso de la transformación lineal f, el conjunto de vectores u de V tales
que (f - OI)u = , es decir, V(O) = Nuc(f - OI);
b.- Para el caso de la matriz A , el conjunto de las matrices columna u de :(n, 1)
tales que satisfacen a (A - OI)u = .
Por tanto la dimensión q del subespacio propio V(O) es:
i.- Para el endomorfismo f, q = dim(Nuc( f - OI)) = n ± Rang(f - OI).
ii.- Para la matriz A, q = n ± Rang(f - OI).
Se sabe también que, si O1, O2, ..., Or son todos los valores característicos de f o de
A, y si son k1, k2, ..., k r sus órdenes y q1, q2, ..., qr las dimensiones de sus
subespacios propios, se ha de verificar que r d q1 + q2 + ... + qr d n y que, si K es
algebraicamente cerrado, k1 + k2 + ... + k r = n.
T E O R E M A 8.3.4
Dado un endomorfismo f, en un espacio vectorial de dimensión n sobre
un cuerpo K , para cualquiera que sea el valor característico O0 de f, si k
es su orden y q la dimensión del correspondiente subespacio propio, se
verifica que 1 d q d k.
Si O0 es valor característico de A, el subespacio propio V(O0) ha de ser diferente
del subespacio nulo y, por tanto, su dimensión es q t 1. La dificultad está, en
probar que es q d k. El subespacio propio V(O0) está definido por las matrices
X :(n, 1) tales que (A - O0I) = , es decir, V(O0) es el núcleo del
endomorfismo g, asociado, en base canónica, a la matriz B = A - O0I; q es la
dimensión del referido núcleo. Sea {u1, u2, ..., uq} una base del núcleo y
complétese, con ciertos vectores uq+1, uq+2, ..., un, hasta obtener una base; la matriz
C :(n, n), semejante a B, asociada al endomorfismo g en la nueva base, ha de
ser de la forma
§0 0 0 c1 q 1 c1n ·
¨ ¸
¨0 0 0 c2 q 1 c2 n ¸
C ¨ ¸
¨ ¸
¨0 0 0 cn q 1 cn n ¸¹
©
ya que g ha de transformar los vectores u1, u2, ..., uq en el vector . El polinomio
característico de B, que es igual al de C, pues B y C están asociados al mismo
endomorfismo g en diferentes bases, tiene nulos los q primeros coeficientes, ya
que los menores principales de orden mayor que n ± q de C son todos nulos; por
tanto, M = 0 es raíz de orden mayor o igual que q de la ecuación Det(B - MI) = 0,
es decir, M = 0 es raíz de orden mayor o igual que q, de la ecuación
Det(A - O0I - MI) { Det(A ± (O0 + M)I) = 0,
o lo que es igual, O = O0 es raíz de orden mayor o igual que q, de la ecuación
Det(A - OI) = 0; como el orden de O0 en esta ecuación es k, se obtiene finalmente
que q d k.
Sea dado un endomorfismo f, en un espacio vectorial V de dimensión n sobre un

cuerpo K , se designan por O1, O2, ..., Or K sus valores característicos, por k1, k2,
..., k r los órdenes de dichos valores característicos y q1, q2, ..., qr las dimensiones
de los subespacios propios, V(O1), V(O2), ..., V(Or). Puesto que, según se acaba de
demostrar, es 1 d qi d ki, y dado que subespacios propios correspondientes a
valores característicos diferentes tienen intersección nula, se pueden obtener las
siguientes conclusiones:

1.- El número máximo de vectores característicos linealmente independientes es

q1 + q2 + ... + qr, número éste que está comprendido entre r y n. El subespacio
vectorial de V engendrado por los vectores característicos de f es,
V(O1) V(O2) ... V(Or).
2.- Para que los vectores característicos de f engendren todo el espacio V, es

decir, para que exista una base de él formada por vectores característicos, se
precisa que q1 + q2 + ... + qr = n; en consecuencia, habrá una tal base si:
a.- k1 + k2 + ... + k r = n, esto es, si la ecuación característica tiene, si se cuenta
cada una de sus raíces tantas veces como indica su orden de multiplicidad,
exactamente n raíces;
b.- Para todos y cada uno de los valores característicos, la dimensión de su
subespacio propio ha de ser igual a su orden, esto es, k i = qi.
3.- Si el cuerpo K es algebraicamente cerrado, como en tal caso es k1 + k2 + ... +

k r = n, es condición necesaria y suficiente para que V admita una base formada
por vectores característicos de f que k1 = q1, k2 = q2, ..., k r = qr; cuando así ocurra,
en una tal base hay k i vectores característicos correspondientes al valor
característico Oi, y se verifica que
V(O1) V(O2) ... V(Or) = V.
4.- Si f tiene n valores característicos diferentes todos ellos, por tanto, de orden
uno, esto es, si su ecuación característica tiene n raíces diferentes, entonces hay
en V n vectores característicos linealmente independientes, es decir, existe una
base formada por vectores característicos. En este supuesto, hay n subespacios
propios de dimensión uno independientes, verificándose que
V(O1) V(O2) ... V(Or) = V.
E J E M P L O 8.3.1
Demuestre que si A y B son semejantes, entonces existe una matriz P no singular
tal que Bk = P-1AkP.
SO L U C I O N
Suponga que A y B son semejantes. Entonces, existe una matriz P tal que
B = P-1AP. Esto implica que
Bk = B B ... B
k veces
= (P-1AP)(P-1AP) ... (P-1AP)
= P-1A(PP-1)A(PP-1)AP ... P-1AP
= P-1A2AP ... P-1AP
= P-1AkP.
E J E M P L O 8.3.2
Demuestre que si A y B son semejantes, entonces Det(A) = Det(B).
SO L U C I O N
Suponga que A y B son semejantes. Entonces,
Det(B) = Det(P-1AP)
= Det(P-1 )Det(A)Det(P)
1
= Det(A)Det(P)
Det(P)
= Det(A) .
E J E M P L O 8.3.3
Sea A una matriz de n x n tal que A2 = O. Demuestre que si B es semejante a A,
entonces B2 = O.

SO L U C I O N
Suponga que A2 = O y que B = P-1AP. Entonces
B2 = P-1APP-1AP = P-1A2P = P-1OP = O.
E J E M P L O 8.3.4
Demuestre que si A y B son semejantes, entonces A2 es semejante a B2.
SO L U C I O N
Suponga que A y B son semejantes, entonces B = P -1AP. De donde
B2 = BB = (P-1AP)(P-1AP) = P-1A(PP-1)AP = P-1AIAP = P-1A2P
lo cual implica que A2 es semejante a B2.
E J E M P L O 8.3.5
Sea A = CD, donde C es una matriz no singular n x n. Demuestre que la matriz
DC es semejante a A.
SO L U C I O N
Suponga que A = CD, donde C es no singular. Entonces C-1A = D y se tiene
DC = C-1AC, lo cual implica que DC es semejante a A.
E J E M P L O 8.3.6
Sean A y B matrices de n x n. Demuestre que si A es no singular, entonces AB es
semejante a BA.
SO L U C I O N
Suponga que A y B son matrices de n x n con A no singular. Entonces,
BA = IBA = A-1ABA = A-1(AB)A
lo cual implica que AB es semejante a BA.
E J E M P L O 8.3.7
Sean A y B dos matrices de orden n.
a.- Demuestre que si I - AB es no singular, entonces I - BA también lo es y
(I - BA)-1 = I + B(I - AB)-1A
b.- Use el inciso a) para demostrar que las matrices AB y BA tienen los mismos
valores característicos.
SO L U C I O N
a.- Para probar que I ± BA es no singular, basta demostrar lo siguiente:
(I - BA)(I - BA)-1 = (I - BA)(I + B(I - AB) -1 A) = I
°
® .
-1 -1
°̄(I - BA) (I - BA) = (I + B(I - AB) A)(I - BA) = I
Es decir:
(I ± BA)(I + B(I ± AB)-1A) = I ± BA + (I ± BA)B(I ± AB)-1A
= I ± BA + (B ± BAB)(I ± AB)-1A
= I ± BA + B(I ± AB)(I ± AB)-1A
= I ± BA + BIA
= I ± BA + BA = I
(I + B(I ± AB)-1A)(I ± BA) = I ± BA + B(I ± AB)-1A(I ± BA)
= I ± BA + B(I ± AB)-1(A ± ABA)
= I ± BA + B(I ± AB)-1(I ± AB)A
= I ± BA + BIA
= I ± BA + BA = I.
b.- Si AB y BA tienen los mismos valores característicos, entonces son
equivalentes y AB = P-1BAP, entonces debemos probar que
Det(AB - OI) = Det(BA - OI).
Es decir:
Det(AB - OI) = Det(P-1BAP - OI)
= Det(P-1BAP - OP-1P)
= Det(P-1(BA - OI)P)
= Det(P-1)Det(BA - OI)Det(P)
= Det(BA - OI).
Con lo cual queda probado el inciso b).
E J E M P L O 8.3.8
Mostrar que la matriz A es semejante a la matriz B, obtenida mediante la
reflexión especular en su centro.
SO L U C I O N
La reflexión especular de una matriz A respecto de su centro, es una matriz B
igual a la transpuesta de A. Es decir B = AT. Si A y B son matrices semejantes,
entonces A = P-1BP = P-1ATP. Es decir, tendríamos que probar que
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(BP - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(B - OI)
= Det(AT - OI).
E J E M P L O 8.3.9
Demostrar que cualquier matriz cuadrada A es semejante a su matriz transpuesta
AT.
SO L U C I O N
Para demostrar que A y AT son semejantes, hay que probar que A = P -1ATP y que
además tienen el mismo polinomio característico. Es decir:
Det(A - OI) = Det(P-1ATP - OI)
= Det(P-1ATP - OP-1P)
= Det(P-1)Det(AT - OI)Det(P)
= Det(AT - OI).
E J E M P L O 8.3.10
Aclarar si son semejantes entre sí las siguientes matrices:
§ 3 2 5 · § 6 20 34 ·
¨ ¸ ¨ ¸
A ¨ 2 6 10 ¸ , B ¨ 6 32 51 ¸ .
¨ 1 2 3 ¸ ¨ 4 20 32 ¸
© ¹ © ¹
SO L U C I O N
Para comprobar que las matrices A y B son semejantes entre sí, entonces éstas
deben tener el mismo polinomio característico:
3O 2 5
Det(A - Ȝ, O O3 O 2 O ,
1 2 3 O
6-Ȝ
Det(B - Ȝ, Ȝ Ȝ3 Ȝ 2 Ȝ .
1 2 -3 - Ȝ
De esta manera queda comprobado que las matrices A y B no son semejantes
entre sí.
E J E M P L O 8.3.11
Aclarar si son semejantes entre sí las siguientes matrices:
§ 4 6 15 · § 1 3 3 · § 13 70 119 ·
¨ ¸ ¨ ¸ ¨ ¸
A ¨ 1 3 5 ¸ , B ¨ 2 6 13 ¸ , C ¨ 4 19 34 ¸ .
¨ 1 2 4 ¸ ¨ 1 4 8 ¸ ¨ 4 20 35 ¸
© ¹ © ¹ © ¹
SO L U C I O N
Para comprobar que las matrices A, B y C son semejantes entre sí, entonces éstas
deben tener el mismo polinomio característico:

4-Ȝ
Det(A - Ȝ, Ȝ Ȝ 3 Ȝ 2 Ȝ ,
1 2 -4 - Ȝ
1- Ȝ
Det(B - Ȝ, Ȝ Ȝ 3 Ȝ 2 Ȝ ,
-1 -4 8 - Ȝ
-13 - Ȝ
Det(C - Ȝ, Ȝ Ȝ3 Ȝ 2 Ȝ .
-4 -20 35 - Ȝ
De esta manera queda comprobado que las matrices A, B y C son semejantes
entre sí.
PR O B L E M AS
8.3.1 Demuestre que las matrices semejantes A y B 8.3.5 Compruebe que si dos matrices simétricas del
tienen la misma traza y el mismo determinante. mismo orden tienen el mismo polinomio característico,
entonces son semejantes. Por medio de un ejemplo
8.3.2 Dar un ejemplo de matrices singulares A y B de concreto, muestre que esta afirmación es falsa si las
3 x 3, para las cuales AB y BA no sean semejantes. matrices no son simétricas.
8.3.3 Suponga que A y B son matrices semejantes y que 8.3.6 Sean A y B matrices semejantes. Demuéstrese
A es no singular: que:
a.- Demuestre que B es no singular. a.- Para cada entero k t 0, Ak y Bk son semejantes.
b.- Demuestre que A-1 y B-1 son semejantes. b.- Para cada escalar c, cA y cB son semejantes.
c.- Si p(x) es un polinomio, entonces p(A) y p(B) son
8.3.4 Encuentre la matriz B para f con respecto a la base semejantes.
S y demuestre que B es semejante a A, la matriz de f:
a.- f : R 2 o R 2, f((x, y)) = (2x ± y, y ± x), 8.3.7 Sean A y B matrices semejantes. Demuéstrese
S = {(1, -2), (0, 3)}. que:
b.- f : R 2 o R 2, f((x, y)) = (x + y, 4y), a.- Para cada escalar c, cA y cB son semejantes.
S = {(-4, 1), (1, -1)}. b.- Si p(x) es un polinomio, entonces p(A) y p(B) son
c.- f : R 2 o R 2, f((x, y)) = (y, x), semejantes.
S = {(1, -1), (1, 1)}. c.- Si B es no singular, entonces A es no singular, y
d.- f : R 2 o R 2, f((x, y)) = (x + y, x ± y), A-1, B-1 son semejantes.
S = {(0, 1), (1, 0)}.
e.- f : R 3 o R 3, f((x, y, z)) = (x, y, z), 8.3.8 ¿Puede una matriz ser semejante a dos matrices
S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}. diagonales distintas? Explique su respuesta.
f.- f : R 3 o R 3,
f((x, y, z)) = (x ± y + 2z, 2x + y ± z, x + 2y + z), 8.3.9 Hallar todas las matrices, cada una de las cuales
S = {(1, 0, 1), (0, 2, 2), (1, 2, 0)}. es semejante a sí misma.
8.4 M A T R I C ES D I A G O N A L I Z A B L ES
En esta sección se verá cómo diagonalizar una matriz de un endomorfismo f, encontrando una base para un
espacio vectorial V integrada por vectores característicos.
Dado un endomorfismo f : V o V, siendo V un espacio vectorial de dimensión n

sobre un cuerpo K , se plantea aquí la siguiente cuestión: ¿existirá alguna base de
V en la que la matriz asociada a f sea una matriz diagonal?; cuando la respuesta
sea afirmativa, se buscará dicha base, así como la correspondiente matriz
diagonal.
En los casos en que esto sea posible, se dirá que f es un endomorfismo

diagonalizable. Diagonalizar f es encontrar una base de V respecto de la cual la
matriz asociada a f que sea diagonal, determinando también dicha matriz. La
importancia que tiene la consecución de este problema, cuando tenga solución,
estriba en la gran simplicidad de las ecuaciones de f en la base que se busca.
Como quiera que las matrices asociadas a un mismo endomorfismo f, en las

distintas bases de V, son semejantes entre sí, utilizando el lenguaje de las
matrices, el problema planteado se puede enunciar en los siguientes términos:
Dada una matriz A de n x n, se pretende encontrar una condición necesaria y
suficiente para que exista una matriz semejante a ella que sea diagonal y, cuando
la haya, localizar dicha matriz. Esto es, se desea averiguar si existirá una matriz
no singular P de n x n tal que la matriz D = P-1AP, transformada por semejanza de
A mediante P, sea diagonal, determinado, en caso afirmativo, las matrices P y D.
Para abordar el problema planteado, se comenzará analizando cómo se comportan
las matrices diagonales en lo referente a valores y vectores característicos.
T E O R E M A 8.4.1
Una matriz D :(n, n) es diagonal si, y sólo si, admite por vectores
característicos a las n matrices, E1, E2, ..., En :(n, 1). Además, el valor
característico correspondiente al vector característico E i, es el elemento
de la diagonal principal de D que ocupa el lugar ( i, i); el orden de cada
valor característico es el número de veces que él figura repetido en la
diagonal principal.
En el supuesto de que D sea diagonal, esto es, si
§ d11 0 0 0 ·
¨ ¸
¨ 0 d 22 0 0 ¸
D ¨ 0 0 d33 0 ¸
¨ ¸
¨ ¸
¨ 0 0 0 d ¸
© n n ¹
su ecuación característica es
Det(D - OI) { (-1)n(O - d11)(O - d22)(O - dnn) = 0
Por tanto, sus valores característicos son los elementos de la diagonal principal.
Además, como (D ± diiO)Ei = , se verifica que E1, E2, ..., En son vectores
característicos de D correspondientes, respectivamente, a los vectores
característicos d11, d22, ..., dnn.
Recíprocamente, si E1, E2, ..., En son vectores característicos de D, llamando
Oi al valor característico correspondiente al vector característico E i, ha de ser
DEi = OiEi; ahora bien, como DE i es la matriz columna de lugar i de la matriz D,
resulta que la columna de lugar i tiene el elemento ( i, i) valiendo Oi y el resto de
sus elementos son nulos.
En consecuencia, D es diagonal y sus valores característicos son los elementos de
la diagonal principal.
Una matriz A de n x n se dice diagonalizable si existe P de n x n tal que
D = P-1AP es una matriz diagonal; cuando así ocurra, a D se la llamará
forma diagonal de A y P será la matriz no singular que transforma la
matriz A en matriz diagonal.
Si A fuese diagonalizable, y si su forma diagonal es la matriz D cuyos elementos

de la diagonal principal son d11, d22, ..., dnn, como quiera que dos matrices
semejantes tienen los mismos valores característicos y éstos con iguales órdenes,
del precedente análisis de las matrices diagonales se deduce que O1 = d11, O2 = d22,
..., On = dnn habrían de ser valores característicos de A, siendo el orden de cada
uno de ellos igual al número de veces que aparece repetido en la diagonal
principal de D. Por tanto, para que A sea diagonalizable es necesario que admita,
si cada uno se cuenta tantas veces como indica su orden de multiplicidad,
exactamente n valores característicos; además, y en el supuesto de ser A
diagonalizable, su forma diagonal tendría su diagonal principal constituida por los
valores característicos de A.
Aun en el supuesto de que A tenga n valores característicos, contando cada uno

un número de veces igual a su orden, todavía no se sabe cuándo será
diagonalizable; si lo fuese, su forma diagonal sería la matriz D. Para analizar si A
es una matriz diagonalizable, puede razonarse de la siguiente manera:
a.- Supóngase que A de n x n admite n vectores característicos independientes,
esto es, que existe una base de n x 1 formada por vectores característicos de A, a
los que se llamará v1 = (p11, p21, ..., pn1)T, v2 = (p12, p22, ..., pn2)T, ..., vn = (p1n, p2n,
..., pnn)T, correspondientes, respectivamente, a los valores característicos O1, O2, ...,
On, algunos de ellos pudiendo estar repetidos. Llamando P a la matriz
§ p11 p12 ... p1n ·
¨ ¸
¨ p21 p22 ... p2 n ¸
P
¨ ... ... ... ¸
¨¨ ¸¸
© pn1 pn 2 ... pn n ¹
que es no singular, pues las matrices v1, v2, ..., vn son linealmente independientes,
esto es, resulta que la matriz P-1AP admite por vectores característicos a los E1,
E2, ..., En, ya que
(P-1AP)Ei = (P-1A)(PEi) = (P-1A)vi = P-1(Avi) = P-1(Oivi) = OiEi.
Por tanto, D = P-1AP es una matriz diagonal, cuya diagonal principal está formada
por los valores característicos de A; resultado éste que equivale a decir que A es
diagonalizable.
b.- Por el contrario, si A no admite n vectores característicos linealmente
independientes, entonces no es diagonalizable. En efecto; si lo fuese, su forma
diagonal admitiría n vectores característicos linealmente independientes y,
también los admitiría A, en contra de lo supuesto.
T E O R E M A 8.4.2
Una matriz A es diagonalizable si, y sólo si, admite n vectores
característicos linealmente independientes. Se verifica, por tanto, que
para que A sea diagonalizable es necesario y suficiente que se verifiquen
los dos requisitos siguientes:
a.- La matriz A admite, si se cuenta cada uno un número de veces igual
a su orden de multiplicidad, exactamente n valores característicos.
Cuando el cuerpo K es algebraicamente cerrado, y en particular si es K =
C, esta condición se satisface para toda matriz A.
b.- El orden de cada uno de los valores característicos de A es igual a la
dimensión de su subespacio propio.
T E O R E M A 8.4.3
Si una matriz A admite n valores característicos diferentes, entonces es
diagonalizable.
Si A admite valores característicos O1, O2, ..., On diferentes, como sus órdenes son
k i = 1, y dado que las dimensiones de los subespacios propios, qi, satisfacen

siempre a 1 d qi d k i, habrá de ser qi = 1 y, en consecuencia, q1 + q2 + ... + qn = n,

que autoriza a afirmar que A es diagonalizable.
Un endomorfismo f : V o V, donde V es un espacio vectorial de
dimensión finita n sobre un cuerpo K , se dice diagonalizable si existe
una base de V en la que la matriz asociada a f es una matriz diagonal.
Diagonalizar f es determinar una base, en caso de que la haya, en la que su matriz

asociada es diagonal y localizar dicha matriz diagonal.
Si A es una matriz de n x n y P es una matriz no singular, entonces

D = P-1AP A = PDP-1
De donde
A2 = (PDP-1)(PDP-1) = PD2P-1
A = A2A = (PD2P-1)(PDP-1) = PD3P-1
3
De manera más general

Ak = PDkP-1
Esta ecuación expresa la k -ésima potencia de A en términos de la k -ésima

potencia de la matriz diagonal D. Para calcular la k-ésima potencia de la matriz
diagonal D, debemos elevar a la k-ésima potencia cada elemento de la diagonal
principal de la matriz.

PROGRAMA EN MATLAB PARA DIAGONALIZAR UNA MATRIZ

% DIAGONALIZACION DE UNA MATRIZ
clc;; clear;;
fprintf('\n VALORES Y VECTORES CARACTERISTICOS \n');;
filcol=input('INGRESE EL ORDEN DE LA MATRIZ A: ');;
for f=1:filcol
for c=1:filcol
end
end
clc;;
fprintf('\n LA MATRIZ ES:\n');;
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n');;
POLINOMIO=poly(A);;
POLINOMIO
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n');;
ESPECTRO=eig(A);;
[vector,V] = eig(A);;
ESPECTRO
%resolucion del sistema de ecuaciones
for c=1:filcol
fprintf('\n REMPLAZAMOS EL VALOR CARACTERISTICO (%d) EN LA ECUACIÓN
CARACTERISTICA:\n',c)
%A(f,c)=input(' :');;
I=eye(size(A));;
r=ESPECTRO(c,1)
resta1=A-I*r;;
vector0=zeros(filcol,1);;
fprintf('\n LA MATRIZ AUMENTADA (%d) ES: \n',c);;
B=[resta1,vector0];;
B
%solucion
fprintf('\n LA MATRIZ REDUCIDA (%d) ES: \n',c)
R=rref(B);;
R
end
fprintf('\n VECTORES CARACTERISTICOS \n')
V=vector';;
for f2=1:filcol
fprintf('\n V%d : \n',f2)
V(f2,1:filcol)
end
P=vector;;
fprintf('\n CONSTRUIMOS LA MATRIZ P:\n')
P
fprintf('\n ENCONTRAMOS LA INVERSA DE P:\n')
Q=inv(P);;
Q
fprintf('\n DIAGONALIZAMOS D=Q*A*P:\n')
D=Q*A*P;;
D

E J E M P L O 8.4.1
Sea f : R 3 o R 3 el endomorfismo que admite los valores característicos O1 = 1,
O2 = 2, O3 = -1 y que tiene por vectores característicos correspondientes a dichos
valores característicos a los vectores (1, 1, 1), (0, 1, 2) y (1, 2, 1),
respectivamente. Obténgase la matriz asociada a f respecto de la base canónica de
R 3. Determine Ak.
SO L U C I O N
Sabemos que una matriz A es diagonalizable si existe una matriz P no singular,
tal que D = P-1AP, entonces A = PDP-1. Es decir:
§ 3 1 ·
¨ 2 1 2 ¸ § 2 2 1 ·
§1 0 1 · § 1 0 0 · ¨ ¸ ¨ ¸
¨ ¸¨ ¸ 1 1 ¸ ¨3 5¸
A ¨1 1 2 ¸ ¨ 0 2 0 ¸ ¨¨ 0 3
¨1 2 1 ¸ ¨ 0 0 1¸ ¨ 2 2 ¸ ¨2 2¸
© ¹© ¹ 1 ¸ ¨ ¸
¨ 1 0 2 3
¨ 1 ¸¸ © ¹
© 2 2¹
Para encontrar la matriz A , debemos aplicar Ak = PDkP-1:
§ 3 1 ·
1
k ¨ 2 2 ¸¸
§1 0 1 · § 1 0 0 · ¨
¨ ¸¨ ¸ 1 1 ¸
A k ¨1 1 2 ¸ ¨ 0 2 0 ¸ ¨¨ 0
¨1 2 1 ¸ ¨ 0 0 1¸ ¨ 2 2 ¸
© ¹© ¹ ¸
¨ 1 1 1 ¸
¨ ¸
© 2 2¹
§ 3 1 ·
¨ 1
§1 0 1 · §¨1
k
0 0 ·¨ 2 2 ¸¸
¨ ¸ ¸ 1 1 ¸
¨1 1 2 ¸ ¨ 0 2
k
0 ¸ ¨¨ 0
¨1 2 1 ¸ ¨¨ ¸ 2 2 ¸
© ¹ © 0 0 (1) k ¸¹ ¨ 1 1¸
¸
¨ 1
¨ ¸
© 2 2¹
Si k es par, tenemos

§ 3 1 ·
¨ 1
§1 0 1 · §¨1
k
0 ·
0 ¨ 2 2 ¸¸ § 1 0 0·
¸ 1 ¨ k k ¸
Ak
¨ ¸
2k 0 ¸ ¨¨
1 ¸ ¨1 2 2 1 ¸
¨1 1 2 ¸ ¨ 0 0
2 ¸ ¨ 2
1
2 ¸
¨1 2 1 ¸ ¨¨ ¸ 2
© ¹© 0 0 1k ¸¹ ¨ 1 ¸ ¨
¨ 1 2k
¸
¨ 1
1¸
¸ © 0 2 k ¸¹
¨
© 2 2¹
Si k es impar
§ 3 1 ·
¨ 1
§1 0 1 · §¨1
k
0 0 ·¨ 2 2 ¸¸
¨ ¸ ¸ 1 1 ¸
A k
¨1 1 2 ¸ ¨ 0 2k 0 ¸ ¨¨ 0
¨1 2 1 ¸ ¨¨ ¸ 2 2 ¸
© ¹© 0 0 (1) k ¸¹ ¨ 1 1
¸
¨ 1 ¸¸
¨
© 2 2¹
§ 3 (1) k 1 (1) k ·
¨ (1) k 1 ¸
¨ 2 2 ¸
¨ 2 k (1) k 3 k 2 k 2(1) k 1 ¸
¨ 2(1) 1 ¸.
¨ 2 2 ¸
¨ 2 k 1 (1) k 3 2 k 1 (1) k 1 ¸
k
¨ (1) 1 ¸
¨ 2 2 ¸
© ¹
E J E M P L O 8.4.2
Diagonalizar la matriz
§ 1 1 4 ·
¨ ¸
A ¨ 3 2 1¸
¨ 2 1 1¸
© ¹
SO L U C I O N
Para diagonalizar la matriz A, debemos encontrar los valores y vectores
característicos. Es decir:
1 O 1 4
3 2O 1 = (1 - O)(O - 3)(O + 2) = 0
2 1 1 O
O1 = -2, O2 = 1, O3 = 3.
§ 3 1 4 0· § 3 1 4 0 · § 1 0 1 0·
¨ ¸ ¨ ¸ ¨ ¸
O1 = -2: ¨ 3 4 1 0¸ | ¨ 0 1 1 0 ¸ | ¨ 0 1 1 0¸
¨2 1 1 0 ¸¹ ¨ 0 1 1 0 ¸¹ ¨© 0 0 0 0 ¸¹
© ©
SpanV(-2) = {( a , b, c) / a = - c, b = c}
BaseV(-2) = {(-1, 1, 1)} dimV(-2) = 1.
§ 0 1 4 0 · § 3 1 1 0 · § 1 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O2 = 1: ¨ 3 1 1 0 ¸ | ¨ 0 1 4 0 ¸ | ¨ 0 1 4 0 ¸
¨ 2 1 2 0 ¸ ¨ 0 1 4 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
SpanV(1) = {( a , b, c) / a = - c, b = - 4c}
BaseV(1) = {(-1, 4, 1)} dimV(1) = 1.
§ 2 1 4 0 · § 2 1 4 0 · § 1 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O3 = 3: ¨ 3 1 1 0 ¸ | ¨ 0 1 2 0 ¸ | ¨ 0 1 2 0 ¸
¨ 2 1 4 0 ¸ ¨ 0 0 0 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
SpanV(3) = {( a , b, c) / a = c, b = 2c}
BaseV(3) = {(1, 2, 1)} dimV(3) = 1.
BaseV(O) = {(-1, 1, 1), (-1, 4, 1), (1, 2, 1)}

Con los elementos de la base de V, construimos las columnas de la matriz P :
§ 1 1 1 · § 2 2 6 ·
¨ ¸ 1¨ ¸
P ¨ 1 4 2 ¸ P 1 ¨ 1 2 3 ¸
¨ 1 1 1¸ 6 ¨ 3 0 3 ¸
© ¹ © ¹
§ 2 2 6 ·§ 1 1 4 ·§ 1 1 1 · § 2 0 0 ·
1¨ ¸¨ ¸¨ ¸ ¨ ¸
D ¨ 1 2 3 ¸¨ 3 2 1¸¨ 1 4 2 ¸ ¨ 0 1 0 ¸ .
6¨ ¸¨ ¸¨ ¸ ¨ ¸
© 3 0 3 ¹© 2 1 1¹© 1 1 1 ¹ © 0 0 3 ¹
E J E M P L O 8.4.3
Demuestre que si la matriz A es diagonalizable, entonces su transpuesta también
lo es.
SO L U C I O N
Suponga que la matriz A es diagonalizable. Entonces P-1AP = D es diagonal y
DT = (P-1AP)T = PTAT(P-1)T = PTAT(PT)-1
es diagonal. Por consiguiente, AT es diagonalizable.
E J E M P L O 8.4.4
Demuestre que si A es diagonalizable con n valores característicos reales O1, O2,
«On, entonces Det(A) = O1O2 «On
SO L U C I O N
Suponga que A es diagonalizable con valores característicos reales O1, O2«On.
Entonces
O1 0 0
0 O2 0
Det(A) = Det(P -1AP) O1 O 2 O n .
0 0 On
E J E M P L O 8.4.5
Determínese, según los diferentes valores de a , b R, los subespacios propios del
endomorfismo f : R 3 o R 3 que, respecto de la base canónica tiene asociada la
matriz:
§ a b 0·
¨ ¸
¨ 0 1 0 ¸
¨ 0 0 1¸
© ¹
Analícese en qué casos es f diagonalizable.
SO L U C I O N
p(O) O3 aO2 O a .
característico:
O3 aO2 O a 0
(O a )(O 1)(O 1) 0
O = a , O = 1 y O = -1.
Donde O = a , O = 1 y O = -1 tienen multiplicidad algebraica 1. Los subespacios
propios se encuentran reemplazando cada valor característico en la ecuación
característica, y luego se resuelve cada sistema de ecuaciones homogéneo:
§0 b 0 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = a : ¨ 0 1 a 0 ¸¨ y ¸ ¨ 0 ¸
¨0 1 a ¸¨ ¸ ¨ ¸
© 0 ¹© z ¹ © 0 ¹
§0 b 0 0· §0 b 0 0·
¨ ¸ ¨ ¸
¨ 0 1 a 0 0¸ | ¨0 0 0 0¸
¨0 0 1 a 0 ¸¹ ¨© 0 0 1 a 0 ¸¹
©
de donde obtenemos que by = 0, (1 - a )z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / y = z = 0; b z 0, a z 1}.
§ a 1 b 0 ·§ x · § 0 · § a 1 b 0 0 · § 2a 2 0 0 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 1: ¨ 0 2 0 ¸¨ y ¸ ¨ 0 ¸ ¨ 0 2 0 0 ¸ | ¨ 0 2 0 0 ¸
¨ 0 0 0 ¸¨ ¸ ¨ ¸ ¨ 0 0 0 0 ¸¹ ¨© 0 0 0 0 ¸¹
© ¹© z ¹ © 0 ¹ ©
de donde obtenemos que 2( a ± 1)x = 0, y = 0. Por consiguiente el subespacio
V(O) = {(x, y) / x = y = 0; a z 1}.
§ a 1 b 0 ·§ x · § 0 · § a 1 b 0 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸
O = -1: ¨ 0 0 0 ¸¨ y ¸ ¨ 0 ¸ ¨ 0 0 0 0¸
¨ 0 0 2 ¸¨ ¸ ¨ ¸ ¨ 0 0 2 0 ¸¹
© ¹© z ¹ © 0 ¹ ©
de donde obtenemos que ( a + 1)x + by = 0, z = 0. Por consiguiente el subespacio
V(O) = {(x, y) / ( a + 1)x + by = 0, z = 0; a z -1 b z 0}.
La matriz dada es diagonalizable para todos los valores de a y b, excepto a = r 1.
E J E M P L O 8.4.6
Estúdiese, según los valores reales de a , la diagonalizabilidad de las matrices:
§ 1 2 2 a · § 1 a a a ·
¨
A ¨0 1 a ¸ y B ¨ a 2 a a 1¸¸
¸ ¨
¨0 0 1 ¸¹ ¨ 2 1 0 ¸¹
© ©
Para los valores de a que las hacen diagonalizables, hállese su forma diagonal D y
una matriz no singular P tal que D = P-1AP y D = P-1BP, respectivamente.
SO L U C I O N
Para la matriz A, el polinomio característico tiene la forma siguiente:
p(O) O3 3O2 3O 1 .
característico:
O3 3O2 3O 1 0 (O 1)3 0 O = 1.
Donde O = 1 tiene multiplicidad algebraica 3. Los subespacios propios se
§ 0 2 2 a ·§ x · § 0 · § 0 2 2 a 0 · § 0 2 a 0 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 1: ¨ 0 0 a ¸¨ y ¸ ¨ 0 ¸ ¨ 0 0 a 0¸ | ¨0 0 a 0¸
¨0 0 0 ¸¨ ¸ ¨ ¸ ¨0 0 0 ¸¹ ¨© 0 0 0 0 ¸¹
© ¹© z ¹ © 0 ¹ © 0
de donde obtenemos que 2 ay = 0, az = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / y = z = 0; a z 0}.
Podemos darnos cuenta que cuando O = 1, la multiplicidad algebraica es 3, éste
valor característico genera un subespacio propio cuya multiplicidad geométrica es
1. Como la multiplicidad geométrica es diferente a la multiplicidad algebraica,
entonces no existe ningún valor para a , de tal forma que la matriz A sea
diagonalizable.
Para la matriz B , el polinomio característico tiene la forma siguiente:
p(O) O3 O 2 O 1 .


característico:
O3 O2 O 1 0 (O 1)(O 1)2 0 O = 1 y O = -1.
Donde O = 1 tiene multiplicidad algebraica 2 y O = -1 tiene multiplicidad
algebraica 1. Los subespacios propios se encuentran reemplazando cada valor
§ a a a ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 1: ¨ a 2 a 1 a 1¸¨ y ¸ ¨ 0 ¸
¨ 2 1 ¸¨ ¸ ¨ ¸
© 1 ¹© z ¹ © 0 ¹
§ a a a 0 · § a 0 2 a 0 ·
¨ ¸ ¨ ¸
¨ a 2 a 1 a 1 0 ¸ | ¨ 0 a 3a 0 ¸
¨ 2 1 1 0 ¸¹ ¨© 0 0 0 0 ¸¹
©
de donde obtenemos que ax ± 2 az = 0, ay ± 3 az = 0. Por consiguiente el
V(O) = {(x, y, z) / x ± 2z = 0, y ± 3z = 0, a z 0}.
Podemos darnos cuenta que cuando O = 1, la multiplicidad algebraica es 2, éste
valor característico genera un subespacio propio cuya multiplicidad geométrica es
1. Como la multiplicidad geométrica es diferente a la multiplicidad algebraica,
entonces no existe ningún valor para a , de tal forma que la matriz B sea
diagonalizable.
E J E M P L O 8.4.7
Sabiendo que f : R 3 o R 3 es un endomorfismo diagonalizable que admite por
vectores característicos a los vectores (-1, 2, 2), (2, 2, -1), (2, -1, 2) y que
f((5, 2, 5)) = (0, 0, 7), hállense los valores característicos de f y su ecuación en
base canónica.
SO L U C I O N
Sabemos que f(u) = Ou, entonces:
(0, 0, 7) = O(5, 2, 5) = (5O, 2O, 5O) O = 0 y O = 7/5.
Donde O = 0 tiene multiplicidad algebraica 2 y O = 7/5 tiene multiplicidad
algebraica 1. Como D = P-1AP, entonces A = PDP-1. Es decir:
§ 1 2 2 · § 28 14 28 ·
§ ·¨ ¸ ¨
§ 1 2 2 · ¨ 0 0 0 ¸ ¨ 9 9 9 ¸ ¨ 45 45 45 ¸¸
¨ ¸¨ ¸ 2 2 1 14 7 14
A ¨ 2 2 1¸ ¨ 0 0 0 ¸ ¨¨ ¸¸ ¨¨ ¸¸ .
¨ 2 1 2 ¸ ¨ ¸ 9 9 9 45 45 45
© ¹¨0 0 7 ¸¨ 2 ¸ ¨
1 2 ¸ ¨ 28 14 28 ¸
¸
¨
© 5 ¹¨ ¸ ¨ ¸
© 9 9 9 ¹ © 45 45 45 ¹
De donde la transformación lineal es:
1
f (( a, b, c )) (28a 14b 28c, 14 a 7b 14c, 28a 14b 28c ) .
45
E J E M P L O 8.4.8
Dada la matriz:
§ 2 2 6 ·
¨ ¸
A ¨0 a 4 a¸
¨0 a a ¸¹
©
a.- Pruébese que para todo a C \ ^0, 1`, la matriz A :(3, 3) es
diagonalizable; pruébese que también lo es para a = 1 y que no lo es para a = 0.
b.- Diagonalizar el endomorfismo f : R 3 o R 3 que tiene asociada en base
canónica a la matriz A para a = 1, localizando la base en la que f toma forma
diagonal.
SO L U C I O N
p(O) O3 2O2 4aO 8a .
característico:
O3 2O2 4aO 8a 0
(O 2)(O2 4a ) 0
O = 2, O 2 a , O 2 a .
a.- Para que la matriz A sea diagonalizable, los valores característicos deben
tener multiplicidad algebraica 1 (todos los valores característicos deben ser
diferentes). Para conseguir esto, a z 0. Si a = 0, obtenemos un valor característico
de multiplicidad algebraica 2 y un subespacio propio de multiplicidad geométrica
1, lo cual no permite diagonalizar la matriz A .
b.- Si a = 1, entonces O = 2 y O = -2, donde O = 2 tiene multiplicidad algebraica
2 y O = -2 tiene multiplicidad algebraica 1. Los subespacios propios se encuentran
reemplazando cada valor característico en la ecuación característica, y luego se
resuelve cada sistema de ecuaciones homogéneo:
§ 0 2 6 ·§ x · § 0 · § 0 2 6 0 · § 0 0 0 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 2: ¨ 0 1 3 ¸¨ y ¸ ¨ 0 ¸ ¨ 0 1 3 0 ¸ | ¨ 0 0 0 0 ¸
¨ 0 1 3 ¸¨ z ¸ ¨ 0 ¸ ¨ 0 1 3 0 ¸ ¨ 0 1 3 0 ¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que y ± 3z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / y ± 3z = 0}
BaseV(O) = {(1, 0, 0), (0, -3, 1)} dimV(O) = 2.
Como O = 2 tiene multiplicidad algebraica 2 y multiplicidad geométrica 2,
entonces la matriz es diagonalizable.
§ 4 2 6 ·§ x · § 0 · § 4 2 6 0 · § 1 0 2 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = -2: ¨ 0 3 3 ¸¨ y ¸ ¨ 0 ¸ ¨ 0 3 3 0 ¸ | ¨ 0 1 1 0 ¸
¨ 0 1 1 ¸¨ z ¸ ¨ 0 ¸ ¨ 0 1 1 0¸ ¨ 0 0 0 0¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que x + 2z = 0, y + z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / x + 2z = 0, y + z = 0}
BaseV(O) = {(-2, -1, 1)} dimV(O) = 1.
Por lo tanto la base para diagonalizar la matriz A es:
{(1, 0, 0), (0, -3, 1), (-2, -1, 1)}.
E J E M P L O 8.4.9
Si A :(n, n) es una matriz triangular cuyos elementos de la diagonal principal
son todos diferentes. Pruébese que A es semejante a una matriz diagonal.
SO L U C I O N
Sabemos, que una matriz triangular con elementos diferentes en su diagonal
principal, tiene valores característicos, iguales a los elementos de su diagonal
principal. Por lo tanto, dicha matriz es diagonalizable por tener cada valor
característico multiplicidad algebraica 1. Entonces, la matriz A es semejante a una
matriz diagonal, cuyos elementos de la diagonal son los valores característicos de
la matriz A.
E J E M P L O 8.4.10
Sea A :(n, n) y AT su transpuesta. Pruébese que una es diagonalizable si, y
sólo si, lo es la otra.

SO L U C I O N
Para que la matriz A sea diagonalizable, sus valores característicos deben ser
diferentes (tener multiplicidad algebraica 1). Entonces, para que su transpuesta
sea también diagonalizable, ambas deben tener el mismo polinomio característico.
Es decir, debemos probar que Det(A - OI) = Det(AT - OI):
Det(A - OI) = Det(A - OI)T = Det(AT - OIT) = Det(AT - OI).
Con esto hemos demostrado que A y AT son diagonalizables.
E J E M P L O 8.4.11
Dada una matriz A :(n, n):
a.- Pruébese que si A es diagonalizable, entonces también lo es A2.
b.- Sabiendo que u :(n, 1) es un vector característico de A2, que no es vector
característico de A, encuéntrese otro vector característico de A2 independiente de
u y correspondiente al mismo valor característico que u.
SO L U C I O N
a.- Para que la matriz A sea diagonalizable, debe existir una matriz P no singular
tal que D = P-1AP. Para que A2 sea diagonalizable, debemos probar que
D2 = P-1A2P:
D2 = DD = (P-1AP)(P-1AP) = P-1APP-1AP = P-1AIAP = P-1AAP = P-1A2P.
De esta manera se demuestra que si A es diagonalizable, A2 también lo es.
b.- Sea u un vector característico, correspondiente al valor característico O de la
matriz A2 (este vector se obtiene de resolver el sistema (A2 - OI)u = ). Para
encontrar otro vector característico de A2, independiente de u y que corresponda
al valor característico O, debemos resolver el siguiente sistema:
(A2 - OI)v = u
donde v es el vector característico solicitado. Aquí: tanto u como v, no son
vectores característicos de la matriz A.
E J E M P L O 8.4.12
Demuestre que la matriz:
§ 2 1 3·
¨ ¸
A ¨1 1 4¸
¨ 3 4 2¸
© ¹
es diagonalizable, mostrando que su polinomio característico posee tres raíces
reales diferentes.
SO L U C I O N
p(O) = - O3 + 5O2 + 18O - 15.
característico:
O3 - 5O2 - 18O + 15 = 0 O | 0.71, O | 7.201 y O | -2.92.
Todos los valores característicos son diferentes, entonces la matriz A es
diagonalizable.
E J E M P L O 8.4.13
Demuéstrese que los siguientes endomorfismos f : R 3 o R 3 son diagonalizables.
En cada caso encuentre una base S de R 3 respecto de la cual la matriz que
representa a f es una matriz diagonal.
a.- f(( a , b, c)) = (2a , 3a + 2b + c , 4 a + b + 2c);
b.- f(( a , b, c)) = (5 a - 3b + 2c, 6 a - 4b + 4c, 4 a - 4b + 5c);
c.- f((a , b, c)) = (7 a - 12b + 6c, 10 a - 19b + 10c, 12 a - 24b + 13c).
SO L U C I O N
a.- La matriz del endomorfismo es:

§2 0 0·
¨ ¸
[ f ] ¨3 2 1¸.
¨ 4 1 2¸
© ¹
El polinomio característico tiene la forma siguiente: p(O) = - O3 + 6O2 - 11O + 6.
característico:
O3 - 6O2 +11O -6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
Como los valores característicos de la matriz son diferentes, entonces ésta es
diagonalizable. Los vectores característicos se encuentran reemplazando cada
valor característico en la ecuación característica, y luego se resuelve cada sistema
§ 1 0 0·§ x · § 0·
¨ ¸¨ ¸ ¨ ¸
O = 1: ¨ 3 1 1 ¸ ¨ y ¸ ¨ 0 ¸
¨ 4 1 1¸¨ z ¸ ¨ 0¸
© ¹© ¹ © ¹
§1 0 0 0· §1 0 0 0· §1 0 0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 1 1 0 ¸ | ¨ 0 1 1 0 ¸ | ¨ 0 1 1 0 ¸
¨ 4 1 1 0 ¸ ¨ 0 1 1 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que x = 0, y + z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / x = 0, y + z = 0}
BaseV(O) = {(0, -1, 1)} dimV(O) = 1.
§ 0 0 0·§ x · § 0· § 0 0 0 0· §0 0 0 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 2: ¨ 3 0 1 ¸ ¨ y ¸ ¨ 0 ¸ ¨ 3 0 1 0 ¸ | ¨ 3 0 1 0 ¸
¨ 4 1 0¸¨ z ¸ ¨ 0¸ ¨ 4 1 0 0 ¸ ¨ 0 1 0 0 ¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que 3x + z = 0, y = 0. Por consiguiente el subespacio propio
V(O) = {(x, y) / 3x + z = 0, y = 0}
BaseV(O) = {(1, 0, -3)} dimV(O) = 1.
§ 1 0 0 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 3: ¨ 3 1 1 ¸¨ y ¸ ¨ 0 ¸
¨ 4 1 1¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 1 0 0 0 · § 1 0 0 0 · § 1 0 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 3 1 1 0 ¸ | ¨ 0 1 1 0 ¸ | ¨ 0 1 1 0 ¸
¨ 4 1 1 0 ¸ ¨ 0 1 1 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que x = 0, y ± z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y) / x = 0, y ± z = 0}
BaseV(O) = {(0, 1, 1)} dimV(O) = 1.
La base S de R 3 tiene la siguiente forma:
{(0, -1, 1), (1, 0, -3), (0, 1, 1)}.
b.- La matriz del endomorfismo es:
§ 5 3 2 ·
¨ ¸
[ f ] ¨ 6 4 4 ¸ .
¨ 4 4 5 ¸
© ¹
p(O) = - O3 + 6O2 - 11O + 6.
característico:
O3 - 6O2 + 11O - 6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
Como los valores característicos de la matriz son diferentes, entonces ésta es

diagonalizable. Los vectores característicos se encuentran reemplazando cada
valor característico en la ecuación característica, y luego se resuelve cada sistema
§ 4 3 2 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 1: ¨ 6 5 4 ¸¨ y ¸ ¨ 0 ¸
¨ 4 4 4 ¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 4 3 2 0 · § 4 3 2 0 · § 1 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 6 5 4 0 ¸ | ¨ 0 1 2 0 ¸ | ¨ 0 1 2 0 ¸
¨ 4 4 4 0 ¸ ¨ 0 1 2 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que x - z = 0, y - 2z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / x - z = 0, y - 2z = 0}
BaseV(O) = {(1, 2, 1)} dimV(O) = 1.
§ 3 3 2 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 2: ¨ 6 6 4 ¸¨ y ¸ ¨ 0 ¸
¨ 4 4 3 ¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 3 3 2 0 · § 3 3 2 0 · § 1 1 0 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 6 6 4 0 ¸ | ¨ 0 0 0 0 ¸ | ¨ 0 0 0 0 ¸
¨ 4 4 3 0 ¸ ¨ 0 0 1 0 ¸ ¨ 0 0 1 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que x - y = 0, z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y) / x - y = 0, z = 0}
BaseV(O) = {(1, 1, 0)} dimV(O) = 1.
§ 2 3 2 ·§ x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
O = 3: ¨ 6 7 4 ¸¨ y ¸ ¨ 0 ¸
¨ 4 4 2 ¸¨ z ¸ ¨ 0 ¸
© ¹© ¹ © ¹
§ 2 3 2 0 · § 2 3 2 0 · § 2 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 6 7 4 0 ¸ | ¨ 0 2 2 0 ¸ | ¨ 0 1 1 0 ¸
¨ 4 4 2 0 ¸ ¨ 0 2 2 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
de donde obtenemos que 2x ± z = 0, y ± z = 0. Por consiguiente el subespacio
V(O) = {(x, y) / 2x ± z = 0, y ± z = 0}
BaseV(O) = {(1, 2, 2)} dimV(O) = 1.
{(1, 2, 1), (1, 1, 0), (1, 2, 2)}.
c.- La matriz del endomorfismo es:
§ 7 12 6 ·
¨ ¸
[ f ] ¨10 19 10 ¸ .
¨12 24 13 ¸
© ¹
p(O) = - O3 + O2 + O - 1.
característico:
O3 - O2 - O + 1 = 0 (O + 1)(O - 1)2 = 0 O = -1 y O = 1.
El valor característico O = -1, tiene multiplicidad algebraica 1 y O = 1, tiene
multiplicidad algebraica 2. Los vectores característicos se encuentran
§ 8 12 6 ·§ x ·
§0·
¨ ¸¨ ¸¨ ¸
O = -1: ¨10 18 10 ¸¨ y ¸
¨ 0¸
¨12 24 14 ¸¨ ¸
¨ 0¸
© ¹© z ¹
© ¹
§8 12 6 0 · § 4 6 3 0 · § 2 0 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨10 18 10 0 ¸ | ¨ 0 6 5 0 ¸ | ¨ 0 6 5 0 ¸
¨12 24 14 0 ¸¹ ¨ 0 6 5 0 ¸ ¨ 0 0 0 0 ¸
© © ¹ © ¹
de donde obtenemos que 2x - z = 0, 6y - 5z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / 2x - z = 0, 6y - 5z = 0}
BaseV(O) = {(3, 5, 6)} dimV(O) = 1.
§ 6 12 6 ·§ x · § 0 · §1 2 1 0 · § 1 2 1 0 ·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
O = 1: ¨10 20 10 ¸¨ y ¸ ¨ 0 ¸ ¨1 2 1 0 ¸ | ¨ 0 0 0 0 ¸
¨12 24 12 ¸¨ z ¸ ¨ 0 ¸ ¨1 2 1 0 ¸ ¨ 0 0 0 0 ¸
© ¹© ¹ © ¹ © ¹ © ¹
de donde obtenemos que x - 2y + z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y) / x - 2y + z = 0}
BaseV(O) = {(2, 1, 0), (-1, 0, 1)} dimV(O) = 2.
{(3, 5, 6), (2, 1, 0), (-1, 0, 1)}.
E J E M P L O 8.4.14
Pruebe que los siguientes operadores f : :(2, 2) o :(2, 2) son diagonalizables.
En cada caso, encuentre una base S de :(2, 2) respecto de la cual la matriz que
representa a f es una matriz diagonal. Determine la matriz A k:
§ § a b · · § 2 a 2b a 5b ·
a.- f ¨ ¨ ¸¸ ¨ ¸;
© © c d ¹ ¹ © 2 a c 4 a 8c 3d ¹
§ § a b · · § a 6b 12c 4b 6c ·
b.- f ¨¨ ¸¸ ¨ ¸.
©© c d ¹¹ © 3 b 5c 3b 6c d ¹
SO L U C I O N
a.- La matriz del endomorfismo es:
§ 2 2 0 0·
¨ ¸
1 5 0 0 ¸
[f] ¨ .
¨ 2 0 1 0 ¸
¨ ¸
© 4 0 8 3 ¹
p(O) = O4 - 9O3 + 23O2 - 3O - 36.
característico:
O4 - 9O3 + 23O2 - 3O - 36 = 0
(O + 1)(O - 3)2(O - 4) = 0
O = -1, O = 3 y O = 4.
El valor característico O = -1 tiene multiplicidad algebraica 1, O = 3 tiene
multiplicidad algebraica 2 y O = 4, tiene multiplicidad algebraica 1. Los vectores
característicos se encuentran reemplazando cada valor característico en la
ecuación característica, y luego se resuelve cada sistema de ecuaciones
homogéneo:

§3 2 0 0·§ x · § 0·
¨ ¸¨ ¸ ¨ ¸
1 6 0 0¸¨ y¸ ¨0¸
O = -1: ¨
¨2 0 0 0¸¨ z ¸ ¨ 0¸
¨ ¸¨ ¸ ¨ ¸
©4 0 8 4¹© u ¹ © 0¹
§3 2 0 0· § 3 2 0 0 0· § 3 0 0 0 0·
0
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 6 0 0
0¸ ¨0 1 0 0 0¸ ¨0 1 0 0 0¸
| |
¨1 0 0 0¸ ¨0 1 0 0 0¸ ¨0 0 0 0 0¸
0
¨¨ ¸¸ ¨¨ ¸¸ ¨¨ ¸
©1 0 2 0 ¹ © 0 2 6 3 0 ¹ © 0 0 2 1 0 ¸¹
1
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
§ 1 2 0 0 · § x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
1 2 0 0 ¸ ¨ y ¸ ¨ 0 ¸
O = 3: ¨
¨ 2 0 4 0 ¸ ¨ z ¸ ¨ 0 ¸
¨ ¸¨ ¸ ¨ ¸
© 4 0 8 0 ¹ © u ¹ © 0 ¹
§ 1 2 0 0 · § 1 2 0 0 0 · § 1 0 2 0
0 0·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 2 0 0
0¸ ¨ 0 0 0 0 0¸ ¨ 0 0 0 0
| |
0¸
¨1 0 2 0 ¸ ¨ 0 1 1 0 0 ¸ ¨ 0 1 1 0
0 0¸
¨¨ ¸ ¨ ¸ ¨ ¸
©1 0 2 0 ¸¹ ¨© 0 1 1 0 0 ¸¹ ¨© 0 0 0 0
0 0 ¸¹
de donde obtenemos que x ± 2z = 0, y - z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x ± 2z = 0, y - z = 0}
BaseV(O) = {(2, 1, 1, 0), (0, 0, 0, 1)} dimV(O) = 2.
§ 2 2 0 0 · § x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
1 1 0 0 ¸ ¨ y ¸ ¨ 0 ¸
O = 4: ¨
¨ 2 0 5 0 ¸ ¨ z ¸ ¨ 0 ¸
¨ ¸¨ ¸ ¨ ¸
© 4 0 8 1¹ © u ¹ © 0 ¹
§ 1 1 0 0 0 · § 1 1 0 0 0 · § 4 0 0 5 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 1 1 0 0 0¸ ¨ 0 0 0 0 0¸ ¨ 0 0 0 0 0¸
| |
¨2 0 5 0 0 ¸ ¨ 0 2 5 0 0 ¸ ¨ 0 4 0 5 0 ¸
¨¨ ¸ ¨ ¸ ¨ ¸
©4 0 8 1 0 ¸¹ ¨© 0 4 8 1 0 ¸¹ ¨© 0 0 2 1 0 ¸¹
de donde obtenemos que 4x ± 5u = 0, 4y ± 5u = 0, 2z ± u = 0. Por consiguiente el
V(O) = {(x, y, z, u) / 4x ± 5u = 0, 4y ± 5u = 0, 2z ± u = 0}
BaseV(O) = {(5, 5, 2, 4)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:
{(0, 0, 1, 2), (2, 1, 1, 0), (0, 0, 0, 1), (5, 5, 2, 4)}.
La matriz Ak esta dada de la siguiente manera:
§ 3 1 ·
k 1 0¸
§ 0 2 0 5 · § 1 0 0 0 · ¨ 5 5
¨ ¸¨ ¸ ¨ ¸
k ¨ 0 1 0 5 ¸ ¨ 0 3 0 0 ¸ ¨ 1 1 0 0 ¸
A
¨ 1 1 0 2 ¸ ¨ 0 0 3 0 ¸ ¨ 2 2 2 1 ¸
¨ ¸¨ ¸ ¨ ¸
© 2 0 1 4¹© 0 0 0 4¹ ¨ 1 2 0 0¸
¨ ¸
© 5 5 ¹

§ 3 1 ·
§0 2 0 5 · § (1)
k
0 0 0 ·¨ 5 5 1 0¸
¨ ¸ ¨ ¸¨ ¸
¨0 1 0 5¸¨ 0 3k 0 0 ¸ ¨ 1 1 0 0¸
¨ ¸¨
¨1 1 0 2¸¨ 0 0 3k 0 ¸ ¨ 2 2 2 1¸
¨ ¸ ¸
©2 0 1 4¹¨ 0 0 0
¸
4 k ¹ ¨¨ 1 2 0 ¸
© 0¸
© 5 5 ¹
§ 2 3k 2 2 k 22 k 1 2 3k 0 0·
¨ ¸
k 2k 2 k 1 k
¨ 3 2 2 3 0 0¸
¨ k ¸
¨ k 22 k 1 3(1) k k 22( k 1) ( 1) k ¸
¨ 3 5
3
5
(1) 0¸
¨ ¸
¨ k 22( k 1) 6(1) k k 22 k 3 2(1) k k k k ¸
¨23 2 3 2(1) 2 3 3 ¸
© 5 5 ¹
b.- La matriz del endomorfismo es:
§ 1 6 12 0 ·
¨ ¸
0 4 6 0¸
[f] ¨ .
¨ 0 3 5 0 ¸
¨ ¸
© 0 3 6 1 ¹
p(O) = O4 - O3 - 3O2 + 5O - 2.
característico:
O4 - O3 - 3O2 + 5O - 2 = 0 (O - 1)3(O + 2) = 0 O = 1 y O = -2.
El valor característico O = 1 tiene multiplicidad algebraica 3, y O = -2
multiplicidad algebraica 1. Los vectores característicos se encuentran
§ 0 1 2 0·§ x · § 0· §0 1 2 0 0· §0 1 2 0 0·
¨ ¸¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
0 1 2 0 y
¸¨ ¸ ¨ ¸ ¨0 1 2 0 0¸ | ¨0 0 0 0 0¸
0
O = 1: ¨
¨ 0 1 2 0¸¨ z ¸ ¨ 0¸ ¨0 1 2 0 0¸ ¨0 0 0 0 0¸
¨ ¸¨ ¸ ¨ ¸ ¨¨ ¸¸ ¨¨ ¸¸
© 0 1 2 0¹© u ¹ © 0¹ ©0 1 2 0 0¹ ©0 0 0 0 0¹
de donde obtenemos que y + 2z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z, u) / y + 2z = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1)} dimV(O) = 3.
§ 1 2 4 0 · § x · § 0 ·
¨ ¸¨ ¸ ¨ ¸
0 1 1 0 ¸¨ y ¸ ¨ 0¸
O = -2: ¨
¨ 0 1 1 0 ¸¨ z ¸ ¨ 0¸
¨ ¸¨ ¸ ¨ ¸
© 0 1 2 1¹ © u ¹ © 0 ¹
§1 2 4 0 0 · § 1 0 6 0 0 · § 1 0 0 6 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨0 1 1 0 0 ¸ ¨ 0 1 1 0 0 ¸ ¨ 0 1 0 1 0 ¸
| |
¨0 1 1 0 0¸ ¨0 0 0 0 0¸ ¨0 0 0 0 0¸
¨¨ ¸ ¨ ¸ ¨ ¸
©0 1 2 1 0 ¸¹ ¨© 0 0 1 1 0 ¸¹ ¨© 0 0 1 1 0 ¸¹
de donde obtenemos que x + 6u = 0, y ± u = 0, z + u = 0. Por consiguiente el
V(O) = {(x, y, z, u) / x + 6u = 0, y ± u = 0, z + u = 0}
BaseV(O) = {(-6, 1, -1, 1)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:

{(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1), (-6, 1, -1, 1)}.
La matriz A k esta dada de la siguiente manera:
k 1
§1 0 0 6 ·§ 1 0 0 0 · §1 0 0 6 ·
¨ ¸¨ ¸ ¨ ¸
Ak ¨ 0 2 0 1 ¸¨ 0 1 0 0 ¸ ¨ 0 2 0 1¸
¨0 1 0 1 ¸¨ 0 0 1 0 ¸ ¨0 1 0 1 ¸
¨ ¸¨ ¸ ¨ ¸
©0 0 1 1 ¹© 0 0 0 2 ¹ ©0 0 1 1¹
k
§1 0 0 6 · §1 0 0 0 · § 1 6 12 0·
¨ ¸ ¨ ¸¨ ¸
¨ 0 2 0 1 ¸ ¨ 0 1k 0 0 ¸ ¨ 0 1 1 0¸
¨0 1 ¨ ¸
0 1 ¸ ¨ 0 0 1k 0 ¸¨0 1 2 1¸
¨ ¸ ¨ ¸
©0 0 1 1 ¹¨ 0 0 0 k ¸ © 0 1
(2) ¹ 2 0¹
©
§ 1 3 2 k 1 (1) k 6 3 2 k 2 (1) k 12 0·
¨ ¸
¨0 2 2 k (1) k 2 2 k 1 (1) k 0¸
¨ ¸.
¨0 2 k (1) k 1 2 k 1 ( 1) k 1 0¸
¨ ¸
©0 1 2 k (1) k 2 2 k 1 (1) k 1¹
PR O B L E M AS
§a b· 8.4.5 Si A de n x n es una matriz diagonalizable con

8.4.1 Demuestre que la matriz
A ¨ ¸ es todos sus valores característicos diferentes. Pruébese
©c d¹ que las matrices que conmutan con A son las que tienen
diagonalizable si ±4bc < ( a ± d)2 y no diagonalizable si sus mismos vectores característicos, y sólo ellas.
±4bc > ( a ± d)2.
8.4.6 Demuestre que las siguientes matrices no son
8.4.2 Demuestre que si A es no singular y diagonalizables:
diagonalizable, entonces A-1 es diagonalizable y una
§1 8 7·
matriz P que diagonalice a A también diagonaliza a A-1. § 1 4 · § 2 2· ¨ ¸
a.- ¨ ¸ ; b.- ¨ ¸ ; c.- ¨0 1 4¸ ;
© 2 1 ¹ © 5 1 ¹ ¨ 0 5 2 ¸
8.4.3 De ser posible, diagonalizar las siguientes © ¹
matrices:
§1 0 0 0·
§2 1· §3 4· § 0 a· ¨ ¸
a.- ¨ ¸ ; b.- ¨ ¸ ; c.- ¨ ¸; 0 1 0 0¸
©1 2¹ ©5 2¹ © a 0 ¹ d.- ¨ .
¨0 0 2 7¸
§ 5 6 3 · § 2 5 6 · ¨ ¸
©0 0 3 1¹
¨ ¸ ¨ ¸
d.- ¨ 1 0 1 ¸ ; e.- ¨ 4 6 9 ¸ ;
¨ 1 2 1 ¸ ¨ 3 6 8 ¸
© ¹ © ¹ 8.4.7 Demuestre que la matriz:
§2 1 2 · § 3 1 0· §1 2 3 4·
¨ ¸ ¨ ¸ ¨ ¸
f.- ¨ 5 3 3 ¸ ; g.- ¨ 4 1 0 ¸ ; 0 2 3 4¸
¨ 1 ¨ 4 8 2 ¸ A ¨
© 0 2 ¸¹ © ¹ ¨0 0 3 4¸
¨ ¸
§ 0 2 1· ©0 0 0 4¹
¨ ¸ es diagonalizable. Encuentre una matriz no singular P
h.- ¨ 2 0 3¸ .
¨ 1 3 0 ¸¹ tal que P-1AP sea una matriz diagonal.
©
8.4.8 Para cada una de las siguientes matrices,
8.4.4 Para cada una de las siguientes matrices, determine determine la expresión general de su n-ésima potencia:
la expresión general de su n-ésima potencia:
§ 7 12 2 · § 2 8 6 ·
§ 2 1 · § 4 3· § 3 4 · ¨ ¸ ¨ ¸
a.- ¨ ¸ ; b.- ¨ ¸ ; c.- ¨ ¸. a.- ¨ 3 4 0 ¸ ; b.- ¨ 4 10 6 ¸ .
© 3 2 ¹ © 2 1¹ © 1 2 ¹ ¨ 2 0 2 ¸ ¨ 4 8 4 ¸
© ¹ © ¹

8.4.9 Suponga que los polinomios de grado 5 mostrados 8.4.10 Sea A de n x n una matriz idempotente de rango
a continuación son polinomios característicos de alguna r:
matriz A de orden 5. En cada caso, diga si la matriz A es a.- Pruébese que sus únicos valores característicos son 0
diagonalizable, si no es diagonalizable, o si posiblemente y 1.
sea diagonalizable. En el último caso, diga qué b.- Pruébese que el subespacio propio V(O),
condiciones adicionales se deben cumplir para que la correspondiente al valor característico O = 0, tiene
matriz A sea diagonalizable: dimensión r y que el subespacio propio V(O),
a.- p(O) = (1 - O)(2 - O)(3 - O)(4 - O)(5 - O); correspondiente al valor característico O = 1 tiene
b.- p(O) = (1 - O)2(3 - O)(-1 - O)2; dimensión n - r; dedúzcase de ello que A es
c.- p(O) = (-1 - O)(-3 + 2O + O2)(6 - 5O + O2); diagonalizable y hállese su forma diagonal.
d.- p(O) = (2 - O)(O2 + 2O + 6)(O2 - 3O + 2);
e.- p(O) = (O3 - 5O2 + 6O)(-20 + 9O - O2);
f.- p(O) = (1 - O)3(1 + O2).
8.5 D I A G O N A L I Z A C I O N D E M A T R I C ES SI M E T R I C AS Y H E R M I T I C AS
En esta sección se abordará el problema de determinar una base ortonormal para el espacio vectorial V,
integrada por vectores característicos de un endomorfismo simétrico f.
En la sección anterior se puso de manifiesto que no todas las matrices cuadradas,

de un cierto orden, de elementos complejos son diagonalizables y se ha obtenido
una condición necesaria y suficiente para que lo sean; cuando los elementos de
una matriz son todos reales, se obtiene un caso particular del anterior para el que
son válidas las consecuencias obtenidas para aquél. Obsérvese entonces que no
toda matriz real será diagonalizable; caso de serlo, su forma diagonal será, en
general, una matriz compleja, pues sus valores característicos no han de ser
necesariamente reales, sino que pueden muy bien ser números complejos, ya que
la ecuación característica, ecuación algebraica de grado n con coeficientes reales,
tiene n raíces en C, las cuales sólo en casos especiales serán todas ellas reales.
Cuando se considere una matriz cuadrada real que además sea simétrica, caso este
muy frecuente en los problemas de la física, la simetría de la matriz trae consigo
grandes simplificaciones que permiten llegar a conclusiones francamente
interesantes. La situación para las matrices reales simétricas, es aún más rica en
resultados: si al espacio vectorial R n se lo considera con su estructura ordinaria de
espacio euclídeo, entonces, además de ocurrir que hay n vectores característicos
independientes, ocurre que es siempre posible elegir n vectores característico
formando un sistema ortonormal; dicho de otra forma, existe siempre una base
ortonormal de R n constituida por vectores propios de una matriz real y simétrica
de orden n. Así las cosas, si es A una matriz real simétrica y D su forma diagonal:
D = P-1AP, la matriz P cuyos vectores columna son vectores característicos, de A,
linealmente independientes, puede elegirse de manera que sea ortogonal; en
consecuencia, las cosas ocurren de modo que una matriz real simétrica es
semejante a una matriz diagonal, pero con la particularidad de que la matriz de
cambio es ortogonal, y se dice entonces que A es ortogonalmente semejante a una
matriz diagonal, o que A es ortogonalmente diagonalizable.
El procedimiento que se sigue en esta sección, para llegar a los resultados que se
acaban de enunciar, va encaminado a probar la existencia de n vectores
característicos ortonormales de una matriz real simétrica, conseguido lo cual, el
resto de las cuestiones a demostrar resultan simples. Una matriz cuadrada A de
n x n real, considerada como un caso particular de las matrices complejas, tiene n
valores característicos que son las raíces de la ecuación, en O: Det(A - OI) = 0,
esta ecuación, algebraica de grado n de coeficientes reales, tiene n raíces en C
contando cada una tantas veces como indica su orden de multiplicidad. Por tanto,
los valores característicos de A pueden ser números complejos, aun cuando A sea
real; lo que sí se sabe es que, por ser reales los coeficientes de la ecuación, si una
matriz real tiene valor característico complejo, tiene también por valor
característico el complejo conjugado y con igual orden que aquél. Para cada valor
característico O de A, los vectores característicos correspondientes a O son los
vectores no nulos u C tales que Au = Ou; en general, estos vectores
característicos son complejos; pero, si O es real, la ecuación (A - OI) = que da
los vectores característicos proporciona soluciones reales.
El problema que ahora se considera es aquel en el que la matriz cuadrada real A

de orden n es además una matriz simétrica y, en tal hipótesis, se pretende
demostrar que todos los valores característicos de A son números reales.
T E O R E M A 8.5.1
Si A es una matriz simétrica, O1 y O2 son dos valores característicos de A
y u1 es un vector propio correspondiente a O1 y u2 lo es a O2, entonces se
verifica
¢(O1 - O2)uT2 u1² = 0.
De acuerdo con la hipótesis, se verifica Au1 = O1u1 y Au2 = O2u2; multiplicando
por la izquierda la primera igualdad por uT2 y la segunda igualdad por uT1, se
obtiene:
uT2Au1 = O1uT2u1 y uT1Au2 = O2uT1u2
de la segunda de estas igualdades, y dado que A es simétrica, al trasponer será
uT2Au1 = O2uT2u1
que comparada con la primera permite escribir
O1uT2u1 = O2uT2u1
de donde
¢(O1 - O2)uT2 u1² = 0.
T E O R E M A 8.5.2
Todos los valores característicos de una matriz real y simétrica son
números reales.
Todo valor característico O de la matriz real simétrica A es un número complejo,
y se pretende demostrar que tiene nula su parte imaginaria o, lo que es igual, que
coincide con su conjugado, es decir, O = O . Supóngase que así no ocurre y que,
en consecuencia, fuese O z O ; de esta hipótesis se pretende llegar a una
contradicción que obliga a rechazarla. Si O fuese, un valor característico de A,
complejo pero no real, y u z un vector característico correspondiente a O, es
decir, Au = Ou, donde u es la matriz columna de las coordenadas de u, entonces el
número complejo O, O z O , también sería valor característico de A, ya que, por
ser A real, todos los coeficientes de la ecuación característica son reales y ésta, al
admitir una raíz compleja, admite también como raíz a su conjugada; por otra
parte, dado que A es real, tomando conjugados en Au = Ou, se obtiene Au Ou ,
de donde se infiere que el vector u , conjugado del vector u, es un vector
característico correspondiente a O . Aplicando la proposición anterior a los
valores característicos O y O y sus vectores característicos u y u , se obtiene
¢(O - O ) u T u² = 0, pero como se ha supuesto que O z O , habrá entonces de
satisfacerse ¢ u T u² = 0, es decir
a1a1 a2 a2 ... an an | a1 |2 | a2 |2 ... | an |2 0
de donde se deduce que ha de verificarse a 1 = 0, a 2 = 0, ..., an = 0, es decir, u = ,
lo cual va contra la hipótesis de ser u un vector característico y, por tanto, no

nulo. Esta contradicción lleva a desechar la posibilidad de que una matriz real
simétrica tuviese algún valor característico no real.
Los vectores característicos de una matriz real simétrica pueden elegirse de

manera que tengan sus componentes reales. Más exactamente: de cada dirección
de vectores característicos puede seleccionarse uno, y, por tanto, infinitos, que
tenga todas sus componentes reales. Esto es evidente, dado que, por ser reales
todos los valores característicos y serlo también la matriz A, las ecuaciones
(A - OI)u = , que proporcionan los vectores característicos, son sistemas de
ecuaciones lineales en el cuerpo R. Obsérvese que, si u es un vector característico
real de A, también es vector característico de A el vector ku y si para k se toma un
número complejo se obtiene un vector característico complejo. De ahora en
adelante, y puesto que es posible hacerlo, se considerarán únicamente como
vectores característicos de una matriz real simétrica aquellos que sean de
componentes reales, es decir, pertenecientes a R n.
Según ya es sabido, dos matrices A, B de n x n reales, se dicen semejantes cuando

existe una matriz no singular P tal que A = P -1BP; en tal caso, las matrices A y B
están asociadas, pero distintas, a una misma transformación lineal f : R n o R n y
es P la matriz del cambio de bases; es decir, la ecuación matricial del cambio, de
las coordenadas para las que f se le asocia B, es u = Pv. Supóngase que a R n se le
considera no sólo como espacio vectorial, sino que también se tiene en cuenta su
estructura de espacio vectorial euclídeo, y que, por tanto, tiene perfecto sentido
considerar bases ortogonales en R n; los cambios de bases tales que tanto la base
de partida como la base de llegada son ortogonales vienen dados por matrices P
de cambio que son ortogonales, es decir, tales que P T = P-1.
Dos matrices A, B de n x n reales, se dicen ortogonalmente semejantes
cuando existe una matriz ortogonal P tal que A = P-1BP.
Según esta definición, las matrices A y B son ortogonalmente semejantes cuando,

siendo semejantes, la matriz de cambio es ortogonal. Si es f la transformación
asociada a la matriz A en la base canónica de R n, las matrices ortogonalmente
semejantes a A son las asociadas a f en las diferentes bases ortonormales de R n.
La existencia de semejanza ortogonal es, más fuerte que la de semejanza; de
forma que el hecho de ser dos matrices ortogonalmente semejantes implica
evidentemente que dichas matrices sean semejantes.
Aun cuando de momento no será utilizado, conviene hacer notar que si dos
matrices A y B son ortogonalmente semejantes, son, como consecuencia,
congruentes; en efecto, si A = P-1BP, siendo P ortogonal, es evidente que
A = PTBP, es decir, A y B son congruentes siendo ortogonal la matriz de
transformación, es decir, ortogonalmente congruentes. Se tiene entonces que, para
toda matriz real cuadrada A, su transformada por semejanza mediante una matriz
ortogonal y su transformada por congruencia mediante la misma matriz son
iguales; es decir, si sólo se considerasen matrices de cambio ortogonales, la
semejanza y la congruencia serían una misma cosa; dicho de otra forma, la
semejanza ortogonal y la congruencia ortogonal son conceptos equivalentes.
Para cualquiera que sea la matriz A de n x n, real y simétrica, la
transformación lineal f : R n o R n asociada a A respecto de la base
canónica de R n se dice que es una transformación simétrica.

Si f es una transformación simétrica ocurre entonces que, respecto de cualquier

base ortonormal de R n, su matriz asociada es simétrica; en efecto: la matriz A,
asociada a f en la base canónica, es simétrica; el cambio a otra base ortonormal
viene dado por una matriz P ortogonal y, en consecuencia, la matriz B asociada a
f en la nueva base ortonormal es A = P -1BP = PTBP, que evidentemente es
simétrica, ya que
AT = (PTBP)T = PTBT(PT)T = PTBP = A.
Resulta entonces que una transformación f : R n o R n es simétrica cuando, en
cualquier base ortonormal, su matriz asociada es simétrica. Obsérvese que la
matriz asociada a una transformación simétrica en una base no ortonormal no
tiene que ser forzosamente una matriz simétrica, aún cuando pueda serlo en casos
especiales.
T E O R E M A 8.5.3
Para una matriz real simétrica, los subespacios propios correspondientes
a valores característicos diferentes son ortogonales.
Hay que demostrar que cualquier vector característico u correspondiente al valor
característico O, es decir, u V(O), es ortogonal a todo vector característico v
V(M), correspondiente al valor característico M; se verifica ¢(O - M)vT u² = 0 o, lo
que es igual, a 1b1 + a 2b2 + ... + a nbn = ¢u v² = 0 y, por tanto u y v son
efectivamente ortogonales.
T E O R E M A 8.5.4
Si una matriz simétrica real es diagonalizable, entonces es
ortogonalmente diagonalizable.
Una matriz cuadrada es diagonalizable si, y sólo si, la suma de las dimensiones de
sus subespacios propios, q1 + q2 + ... + qr, es igual al orden n de la matriz; como
los subespacios propios de una matriz real simétrica, además de ser disjuntos, son
ortogonales dos a dos, tomando bases ortonormales en cada uno de ellos, el
conjunto formado por los q1 + q2 + ... + qr vectores de las diferentes bases es un
sistema ortonormal de vectores característicos de la matriz que, si ésta es
diagonalizable, se trata, de una base ortonormal de R n de vectores característicos
de la matriz A; respecto de dicha base, la matriz D, semejante a A, es diagonal y
esta diagonalización se ha realizado, entonces, mediante una matriz de
transformación P ortogonal, ya que es aquella cuyos vectores columna son los de
la mencionada base ortonormal de R n y, en consecuencia, A es ortogonalmente
diagonalizable.
El problema de demostrar que una matriz A real y simétrica, es ortogonalmente

diagonalizable, es decir, existe P ortogonal tal que D = P -1AP es una matriz
diagonal, no es otro que el de demostrar la existencia de una base ortonormal de
R n constituida por vectores característicos de A, los cuales serán los vectores
columna de la matriz P.
T E O R E M A 8.5.5
Si f : R n o R n es una transformación lineal simétrica y V es un
subespacio de R n tal que f(V) V, entonces V tiene, al menos, una base
ortonormal constituida por vectores característicos de f.
Se procederá por inducción sobre la dimensión de V, es decir, probando que es
verdadera si Dim(V) = 1 y demostrando que, caso de ser verdadera cuando
Dim(V) = q ± 1, también lo es si Dim( V) = q. La comprobación de la veracidad
de la proposición cuando V tiene dimensión 1 es inmediata: como existe un

u
vector no nulo u de V, el sistema constituido por el único vector v es una
|| u ||
base ortonormal de V y además v es vector característico de f, ya que f(v) es un
vector de V, pues f(V) V, y, por tanto, para un cierto número real O, es
f(v) = Ov, lo que confirma la veracidad. Queda por cerciorarse de que la propiedad
es verdadera para cualquiera que sea la dimensión q de V, en el supuesto de que
lo sea para los espacios de dimensiones q ± 1; en efecto, {u1, u2, ..., uq} una base
ortonormal de V, la cual puede completarse con n ± q vectores hasta constituir
una base ortonormal {u1, u2, ..., uq, uq+1, uq+2, ..., un} de R n; como f es una
transformación simétrica, la ecuación de f en esta última base viene dada por una
matriz A simétrica, v = Au; por otra parte, como f(V) V, si u V, entonces
v = f(u) V, es decir, si las componentes de lugares q + 1, q + 2, ..., n de u son
nulas también lo son las de v = f(u) y, por tanto, A de ser tal que, para todo
u R q, satisfaga a:
§ b1 · § a11 a1q a1n · § a1 ·
¨ ¸ ¨ ¸¨ ¸
¨ ¸ ¨ ¸¨ ¸
¨ bq ¸ ¨ aq1 aqq aqn ¸ ¨ aq ¸
¨ ¸ ¨ ¸¨ ¸
¨0¸ ¨ ¸¨ 0 ¸
¨ ¸ ¨ ¸¨ ¸
¨ ¸ ¨ ¸¨ ¸
¨ 0 ¸ ä anq an n ¸¹ ¨© 0 ¸¹
© ¹ © n1
en consecuencia, respecto de la base {u1, u2, ..., uq} de V, la restricción
f | V : V o V, de f a V, tiene ecuación matricial v1 = A1u1, es decir:
§ b1 · § a11 a12 a1q · § a1 ·
¨ ¸ ¨ ¸¨ ¸
¨ b2 ¸ ¨ a21 a22 a2q ¸ ¨ a2 ¸
¨ ¸ ¨ ¸¨ ¸ .
¨¨ ¸¸ ¨ ¸¨ ¸
© bq ¹ ¨© aq1 aq 2 aqq ¸¹ ¨© aq ¸¹
Por ser A1 real y simétrica sus valores característicos son reales y hay al menos un
vector característico real, u z , para el que es f | V (u) = Ou, siendo O el valor
característico que admite a u por vector característico; por tanto, f(u) = Ou, es
u
decir, u es vector característico de f y, en consecuencia, v V es vector
|| u ||
característico de f. Considérese ahora el subespacio vectorial U, de V, ortogonal a
v, es decir, el constituido por todos los vectores de V ortogonales a v, el cual es de
dimensión q ± 1; para cualquiera que sea w U, es decir, w V y w A v, será
f(w) V y ¢w v² = 0, y en consecuencia:
¢ f(w) v² = (Aw)Tv = wTATv
= wTAv = wT(Av)
= ¢w f(v)²
= ¢w Ov²
= O¢w v² = 0
por consiguiente, si w U, entonces f(w) V y f(w) A v, es decir, f(w) U,
resultando entonces que U es un subespacio de R n de dimensión q ± 1 tal que f le
transforma en sí mismo; por tanto, según lo supuesto, la proposición es verdadera
para U, es decir, U posee una base ortonormal de vectores característicos de f; en
consecuencia, al añadir a esta base el vector v, se obtiene una base ortonormal de
V formada por vectores característicos de f.
T E O R E M A 8.5.6
Toda matriz real y simétrica es ortogonalmente diagonalizable.

La demostración de este teorema resulta ya evidente: sea f : R n o R n la
transformación lineal asociada a la matriz A en la base canónica de R n; f es,
entonces, una transformación lineal simétrica y, por tanto, según la consecuencia
anterior, existe una base ortonormal de R n formada por vectores característicos de
f, los cuales lo son de A. La matriz P que se busca es, aquella cuyos vectores
columna son los vectores de dicha base ortonormal.
E J E M P L O 8.5.1
Demostrar que los módulos de todos los valores característicos de una matriz
ortogonal son iguales a 1.
SO L U C I O N
Sea A una matriz ortogonal. Entonces
¢ Au Av² ¢u AAv² ¢u v²
para cualesquiera vectores reales u y v. Supongamos que O = a + bi es un valor
característico de la matriz A y que w = u + vi es su vector característico
correspondiente. Entonces
Au = au ± bv, Av = av + bu,
de donde
2 2 2
v ¢v v² ¢ Av Av² a2 v b2 u 2ab¢u v² ,
2 2 2 2 2
v ¢v v² ¢ Av Av² a v b u 2ab¢u v² .
Sumando estas igualdades, obtenemos a 2 + b2 = 1.
E J E M P L O 8.5.2
Demostrar que los vectores característicos de una matriz ortogonal, pertenecientes
a un valor característico imaginario, tienen la forma u + iv, donde u, v son
vectores reales, iguales de longitud y ortogonales.
SO L U C I O N
Para b GHODV~OWLPDVLJXDOGDGHVGHOSUREOHPDDQWHULRUREWHQHPRV
2 2
b( u v ) 2a ¢u v² 0 .
Por otra parte,
¢u v² ¢ Au Av² ( a 2 b2 )¢u v² ab u 2
v
2

de donde
2 2
a( u v ) 2b¢u v² 0 .
Por consiguiente
2 2
¢u v² u v 0.
E J E M P L O 8.5.3
Demuestre que una matriz P de n x n es ortogonal sí y sólo si sus vectores
columna forman un conjunto ortonormal.
SO L U C I O N
Suponga que los vectores columna de la matriz P forman un conjunto ortonormal:
§ p11 p12 ... p1n ·
¨ ¸
p p22 ... p2 n ¸
P ( p1 : p2 :...: pn ) ¨ 21 .
¨ ¸
¨¨ ¸¸
© pn1 pn 2 ... pnn ¹
Entonces el producto PTP es de la forma

§ p11 p21 ... pn1 ·§ p11 p12 ... p1n ·

¨ ¸¨ ¸
p p22 ... p22 ¸¨ p21 p22 ... p2 n ¸
P T P ¨ 12
¨ ¸¨ ¸
¨¨ ¸¨
¸¨ ¸¸
© p1n p2 n ... pnn ¹© pn1 pn 2 ... pnn ¹
§ ¢ p1 p1 ² ¢ p1 p2 ² ... ¢ p1 pn ² ·
¨ ¸
¨ ¢ p2 p1 ² ¢ p2 p2 ² ... ¢ p2 pn ² ¸
¨ ¸
¨¨ ¢ p p ² ¢ p p ² ... ¢ p p ² ¸¸
© n 1 n 2 n n ¹
dado que el conjunto {p1, p2, ..., pn} es ortonormal, se tiene que ¢ pi p j ² 0 , i z j
2
y ¢ pi pi ² pi 1 . Por tanto, la matriz compuesta de productos interiores es
de la forma
§ « ·
¨ ¸
« ¸
PT P = ¨ =I.
¨M M M¸
¨ ¸
© « ¹
T -1
Lo anterior implica que P = P y se concluye que P es ortogonal.
E J E M P L O 8.5.4
Diagonalizar ortogonalmente las siguientes matrices:
§ 1 4 2 · § 4 2 2· § 2 0 36 ·
¨ ¸ ¨ ¸ ¨ ¸
a.- ¨ 4 1 2 ¸ ; b.- ¨ 2 4 2 ¸ ; c.- ¨ 0 3 0 ¸ .
¨ 2 2 2 ¸ ¨ 2 2 4¸ ¨ 36 0 23 ¸
© ¹ © ¹ © ¹
SO L U C I O N
a.- Para diagonalizar la matriz A, debemos encontrar los valores y vectores
1 O 4 2
4 1 O 2 = (6 - O)(O + 3)2 = 0 O1 = -3, O2 = 6.
2 2 2 O
§ 4 4 2 0 · § 4 4 2 0 ·
¨ ¸ ¨ ¸
O1 = -3: ¨ 4 4 2 0¸ | ¨ 0 0 0 0¸
¨ 2 2 1 0 ¸¹ ¨© 0 0 0 0 ¸¹
©
SpanV(-3) = {( a , b, c) / 2 a ± 2b + c = 0}
BaseV(-3) = {(1, 0, -2), (0, 1, 2)} dimV(-3) = 2.
§ 5 4 2 0 · § 5 4 2 0 · § 1 0 2 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O2 = 6: ¨ 4 5 2 0 ¸ | ¨ 0 1 2 0 ¸ | ¨ 0 1 2 0 ¸
¨ 2 2 8 0 ¸ ¨ 0 1 2 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
SpanV(6) = {( a , b, c) / a = 2c, b = - 2c}
BaseV(6) = {(2, -2, 1)} dimV(6) = 1.
Base V(O) = {(1, 0, -2), (0, 1, 2), (2, -2, 1)}
§4 2· ½
Base ortogonal V(O) = ®(1, 0, 2), ¨ ,1, ¸ , (2, 2,1) ¾
¯ © 5 5 ¹ ¿

° 1 5 §4 2· 1 ½
°
Base ortonormal V(O) = ® (1, 0, 2), ¨ ,1, ¸ , (2, 2,1) ¾
° 5
¯ 3 © 5 5 ¹ 3 °
¿

§ 1 4 2 ·
¨ ¸
¨ 5 3 5 3 ¸
¨ 5 2¸
P ¨ 0 ¸
¨ 3 5 3¸
¨ 2 2 1 ¸
¨ ¸
© 5 3 5 3 ¹
T
§ 1 4 2 · § 1 4 2 ·
¨ ¸ ¨ ¸
¨ 5 3 5 3 ¸ 5 3 5 3 ¸
§ 1 4 2 · ¨
¨ 5 2¸ ¨ ¸¨ 5 2¸
D = P T AP ¨ 0 ¸ ¨ 4 1 2 ¸ ¨ 0 ¸
3 5 3¸ ¨ 3 5 3¸
¨ 2 2 2 ¸¹ ¨
¨ 2 2 1 ¸ © ¨ 2 2 1 ¸
¨ ¸ ¨ ¸
© 5 3 5 3 ¹ © 5 3 5 3 ¹
§ 3 0 0 ·
¨ ¸
¨ 0 3 0 ¸
¨ 0 0 6¸
© ¹
b.- Para diagonalizar la matriz A , debemos encontrar los valores y vectores
4O 2 2
2 4O 2 = (8 - O)(O - 2)2 = 0 O1 = 2, O2 = 8.
2 2 4O
§2 2 2 0· § 2 2 2 0·
¨ ¸ ¨ ¸
O1 = 2: ¨ 2 2 2 0¸ | ¨ 0 0 0 0¸
¨2 2 2 0 ¸¹ ¨© 0 0 0 0 ¸¹
©
SpanV(2) = {( a , b, c) / a + b + c = 0}
BaseV(2) = {(-1, 1, 0), (-1, 0, 1)} dimV(2) = 2.
§ 4 2 2 0 · § 2 1 1 0 · § 2 1 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O2 = 8: ¨ 2 4 2 0 ¸ | ¨ 1 2 1 0 ¸ | ¨ 0 1 1 0 ¸
¨ 2 2 4 0 ¸ ¨ 1 1 2 0 ¸ ¨ 0 1 1 0 ¸
© ¹ © ¹ © ¹
§ 1 0 1 0 ·
¨ ¸
¨ 0 1 1 0 ¸
¨ 0 0 0 0¸
© ¹
SpanV(8) = {( a , b, c) / a = c, b = c}
BaseV(8) = {(1, 1, 1)} dimV(8) = 1.
Base V(O) = {(-1, 1, 0), (-1, 0, 1), (1, 1, 1)}
§ 1 1 · ½
Base ortogonal V(O) = ®(1,1, 0), ¨ , ,1¸ , (1,1,1) ¾
¯ © 2 2 ¹ ¿

° 1 2§ 1 1 · 1 ½
°
Base ortonormal V(O) = ® (1,1, 0), ¨ , ,1¸ , (1,1,1) ¾
°
¯ 2 3 © 2 2 ¹ 3 °
¿
§ 1 1 1 ·
¨ ¸
¨ 2 6 3¸
¨ 1 1 1 ¸
P ¨ ¸
¨ 2 6 3¸
¨ 2 1 ¸
¨ 0 ¸
© 6 3¹

T
§ 1 1 1 · § 1 1 1 ·
¨- - ¸ ¨- - ¸
¨ 2 6 3 ¸ § 4 2 2·¨ 2 6 3¸ 2
§ 0 0·
¨ 1 1 1 ¸ ¨ ¸¨ 1 1 1 ¸ ¨ ¸
D = P T AP = ¨ - ¸ 2 4 2 ¸¨ 2 - ¸ 0 2 0¸
¨ 2 6 3 ¸ ¨¨ ¸ 6 3 ¸ ¨¨
2 2 4¹ ¨ 0 0 8 ¸¹
¨ 2 1 ¸ © ¨ 2 1 ¸ ©
¨ 0 ¸ ¨ 0 ¸
© 6 3¹ © 6 3¹
c.- Para diagonalizar la matriz A, debemos encontrar los valores y vectores
2 O 0 36
0 3 O 0 = (O + 3)(25 ± O)(O + 50) = 0
36 0 23 O
O1 = -50, O2 = -3, O3 = 25.
§ 48 0 36 0 · § 4 0 3 0 · § 4 0 3 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O1 = -50: ¨ 0 47 0 0¸ | ¨ 0 1 0 0¸ | ¨ 0 1 0 0¸
¨ 36 0 27 0 ¸ ¨ 4 0 3 0 ¸ ¨ 0 0 0 0 ¸
© ¹ © ¹ © ¹
SpanV(-50) = {( a , b, c) / 4a - 3c = 0, b = 0}
BaseV(-50) = {(3, 0, 4)} dimV(-50) = 1.
§ 1 0 36 0 · § 1 0 36 0 · § 1 0 36 0 ·
¨ ¸ ¨ ¸ ¨ ¸
O2 = -3: ¨ 0 0 0 0¸ | ¨0 0 0 0¸ | ¨0 0 0 0¸
¨ 36 0 20 0 ¸ ¨ 9 0 5 0 ¸¹ ¨© 0 0 324 0 ¸¹
© ¹ ©
§1 0 0 0·
¨ ¸
¨0 0 0 0¸
¨0 0 1 0¸
© ¹
SpanV(-3) = {( a , b, c) / a = c = 0}
BaseV(-3) = {(0, 1, 0)} dimV(-3) = 1.
§ 27 0 36 0 · § 3 0 4 0 · § 3 0 4 0·
¨ ¸ ¨ ¸ ¨ ¸
O3 = 25: ¨ 0 28 0 0¸ | ¨0 1 0 0¸ | ¨0 1 0 0¸
¨ 36 0 48 0 ¸ ¨ 3 0 4 0 ¸ ¨ 0 0 0 0 ¸¹
© ¹ © ¹ ©
SpanV(25) = {( a , b, c) / 3 a ± 4c = 0, b = 0}
BaseV(25) = {(-4, 0, 3)} dimV(25) = 1.
Base V(O) = {(3, 0, 4), (0, 1, 0), (-4, 0, 3)}
§3 4·
¨5 0 5¸
1 1 ½ ¨ ¸
Base ortonormal V(O) = ® (3, 0, 4), (0,1, 0), (4, 0, 3) ¾ P ¨ 0 1 0 ¸
¯5 5 ¿ ¨4 3 ¸
¨ 0 ¸
©5 5 ¹
T
§3 4· §3 4·
¨ 5 0 - 5 ¸ § -2 0 -36 · ¨ 5 0 - 5 ¸
¨ ¸ ¨ ¸¨ ¸
D = P T AP = ¨ 0 1 0 ¸ ¨ 0 -3 0 ¸ ¨ 0 1 0 ¸
¨4 3 ¸ ¨© -36 0 -23 ¸¹ ¨ 4 3 ¸
¨ 0 ¸ ¨ 0 ¸
©5 5 ¹ ©5 5 ¹
§ -50 0 0 ·
¨ ¸
= ¨ 0 -3 0 ¸ .
¨ 0 0 25 ¸
© ¹

PR O B L E M AS
8.5.1 Demuestre que si una matriz simétrica A 8.5.7 Si A de n x n es una matriz diagonal con todos
solamente tiene un valor característico O, entonces los elementos de su diagonal principal diferentes.
A = OI. Pruébese que las matrices que conmutan con A son las
matrices diagonales, y sólo ellas.
8.5.2 Obtener una matriz simétrica B de 2 x 2 tal que
B2 = A para la matriz 8.5.8 Diagonalizar ortogonalmente las matrices
§2 1· simétricas:
A ¨ ¸. § 3 1 0 · § 17 8 4 ·
©1 2¹ ¨ ¸ ¨ ¸
a.- ¨ 1 3 0 ¸ ; b.- ¨ 8 17 4 ¸ ;
¨ 0 0 2¸ ¨ 4 4 11 ¸
8.5.3 Determine una matriz ortogonal P tal que P -1AP © ¹ © ¹
sea diagonal para la matriz § 5 10 8 · § 2 2 2 ·
§a b· ¨ ¸ ¨ ¸
c.- ¨ 10 2 2 ¸ ; d.- ¨ 2 5 4 ¸ ;
A ¨ ¸.
©b a¹ ¨ 8
© 2 11¸¹ ¨ 2 4 5 ¸
© ¹
§ 6 2 2 · § 11 2 8 ·
8.5.4 Diagonalizar ortogonalmente las siguientes ¨ ¸ ¨ ¸
matrices: e.- ¨ 2 5 0 ¸ ; f.- ¨ 2 2 10 ¸ ;
¨ 2 0 7¸ ¨ 8 10 5 ¸
§ 1 2 1· §0 2 3 · © ¹ © ¹
¨ ¸ ¨ ¸
a.- ¨ 2 3 0 ¸ ; b.- ¨ 2 4 1¸ ; § 4 3i 4i 6 2i ·
¨ 1 0 1 ¸ ¨ 3 1 5 ¸ ¨ ¸
© ¹ © ¹ g.- ¨ 4i 4 3i 2 6i ¸ .
¨ 6 2i 2 6i 1 ¸¹
§ 1 1 1 · § 4 2 3 · ©
¨ ¸ ¨ ¸
c.- ¨ 1 1 1 ¸ ; d.- ¨ 2 2 1 ¸ ;
¨ 1 1 0¸ ¨ 3 1 2 ¸ 8.5.9 Sea A una matriz simétrica de orden n. Suponga
© ¹ © ¹ que todos los valores característicos de A son cero.
§6 3 2· Muestre que en tal caso, A es la matriz cero. Por medio
¨ ¸ de un ejemplo concreto, muestre que esta afirmación es
e.- ¨ 3 7 4 ¸ .
¨2 4 8¸ falsa si A no es simétrica.
© ¹
8.5.10 Sea f : R 3 o R 3 el operador lineal para el cual
8.5.5 Pruébese que el endomorfismo nulo es el único
f(e1) = f(e2) = f(e3) = (1, 1, 1), en donde e1, e2, e3 son los
endomorfismo simétrico y nilpotente.
vectores de la base canónica de R 3. Encuentre una base
ortonormal de R 3 respecto de la cual la representación
8.5.6 Sea A una matriz simétrica de orden n, tal que en
matricial de f sea una matriz diagonal.
su diagonal principal aparecen sólo ceros. Demuestre que
la suma de todos sus valores característicos es igual a
cero.
8.6 P O L I N O M I O M I NI M O D E U N A M A T R I Z
En esta sección se verá cómo determinar el polinomio mínimo del endomorfismo f, utilizando el polinomio
característico.
En esta sección será de interés estudiar polinomios que son anulados por matrices.
Más concretamente, se estudiará el problema de, dada una matriz A de n x n,
encontrar un polinomio de menor grado que es anulado por la matriz A.
Tal polinomio existe. Además, su grado no excede a n2. Uno de los resultados
importantes que se verá en esta sección es el grado de tal polinomio de hecho no
excede a n.

Sea A una matriz cuadrada de orden n. Se dice que m(x) es un polinomio
mínimo de A si m(x) es un polinomio mónico y es, de entre todos los
polinomios que son anulados por A, un polinomio del menor grado
posible.
T E O R E M A 8.6.1
El polinomio mínimo de una matriz es único.
Sean m1(x) y m2(x) dos polinomios de A. Según la definición, m1(x) y m2(x) son
polinomios mónicos del mismo grado, dígase
m1(x) = a 0 + a 1x + ... + a k-1xk-1 + xk
y
m2(x) = b0 + b1x + ... + bk-1xk-1 + xk
Se quiere demostrar que a 0 = b0, a 1 = b1 « a k-1 = bk-1, es decir, que
m1(x) = m2(x). Sea p(x) = m1(x) - m2(x). Entonces
p(x) = (a 0 ± b0) + (a 1 ± b1)x + ... + ( a k-1 ± bk-1)xk-1 + xk
Supóngase, para obtener una contradicción, que existe j, 1 d j d k ± 1 tal que
a j ± bj z 0. Tómese el menor índice j con esta propiedad. Entonces
p(x) = (a 0 ± b0) + (a 1 ± b1)x + ... + ( a j ± bj)xj.
Sea
1
p( x) p( x)
a j bj
se tiene que
a.- p( x) es un polinomio mónico;
b.- p( x) es anulado por la matriz A, pues
1 1 1
p(A) p(A) (m1 (A) m2 (A)) 0 0
a j bj a j bj a j bj
Como el grado del polinomio p( x) es menor que k = grado de m1(x) = grado de
m2(x), las propiedades mostradas anteriormente contradicen que m1(x) o m2(x) es
un polinomio mínimo de A. Entonces, a j ± bj = 0. Es decir, que p(x) = 0 y por
tanto, m1(x) = m2(x).
En el siguiente teorema se establece que de hecho el polinomio mínimo de una

matriz A es la pieza con la que se construyen todos los polinomios que son
anulados por A. Más precisamente, se demostrará que si p(x) es un polinomio que
es anulado por A, entonces p(x) no es más que un múltiplo del polinomio mínimo
de A.
T E O R E M A 8.6.2
El polinomio mínimo de A, m(x), divide a todo polinomio p(x) que es
anulado por A.
Sea p(x) un polinomio tal que p(A) = 0, se debe demostrar que p(x) = q(x)m(x)
para algún polinomio q(x). Al usar el algoritmo de la división para polinomios, se
puede escribir
p(x) = q(x)m(x) + r(x)
en donde q(x) es el cociente de la división de p(x) entre m(x) y r(x) es el resto.
Recuérdese que el polinomio r (x) tiene la propiedad de que:
a.- r(x) = 0;
b.- grado r(x) < grado m(x).
Se afirma que en este caso, r(x) debe cumplir la primera de estas propiedades. En
efecto, supóngase que se cumple la segunda propiedad para r(x), esto es, grado

r(x) < grado m(x). Como r(x) = p(x) ± q(x)m(x) se tiene

r(A) = p(A) ± q(A)m(A) = 0 ± q(A) = 0.
Entonces, r(x) sería un polinomio que es anulado por A, el cual puede suponerse
mónico, de grado menor al de m(x). Esto contradice el hecho de que m(x) es el
polinomio mínimo de A. Se tiene entonces que r(x) = 0 y por tanto,
p(x) = q(x)m(x).
Dadas las matrices semejantes A y B, se sabe que ambas poseen el mismo

polinomio característico. Enseguida se mostrará que también poseen el mismo
polinomio mínimo. Esto será una consecuencia del teorema siguiente.
T E O R E M A 8.6.3
Si A y B son matrices semejantes dígase que A = C-1BC, y p(x) es
cualquier polinomio, entonces p(A) = C-1p(B)C.
Primeramente, pruébese que para cualquier n N se tiene la relación
An = C-1BnC
por inducción. Para n = 1, el resultado es obvio. Supóngase entonces válido el
resultado para n = k y demuéstrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
T E O R E M A 8.6.4
Matrices semejantes tienen el mismo polinomio mínimo.
Sean A y B dos matrices semejantes. Existe entonces C no singular tal que
A = C-1BC. Denótese por mA(x) y mB(x) a los polinomios mínimos de A y B,
respectivamente. Entonces
mB(A) = C-1m(B)C = C-10C.
Por tanto, existe q(x) tal que mB(x) = q(x)mA(x). De donde
grado mB(x) t grado mA(x).
Un argumento similar nos conduce a que
grado mA(x) t grado mB(x).
Entonces
grado mA(x) = grado mB(x)
mB(x) es, pues, un polinomio mínimo, del mismo grado que mA(x), que es anulado
por A. Por lo tanto mB(x) debe ser mA(x).
El siguiente teorema es uno de los resultados clásicos del álgebra lineal. En él se

establece que el polinomio característico de una matriz cuadrada A es un
polinomio que es anulado por A.
T E O R E M A 8.6.5
Sea A una matriz cuadrada de orden n y sea p(x) su polinomio
característico. Entonces p(A) = 0. Esto se conoce con el nombre de
teorema de Hamilton ± Cayley.
Escríbase el polinomio característico de A como
p(O) = Det(A - OI) = (-1)n( a 0 + a 1O + ... + a n-1On-1 + On).
Considérese la matriz A - OI de orden n. En el capítulo 3, establecimos la fórmula
(A - OI)Adj(A - OI) = Det(A - OI).
Recuérdese que los elementos de la matriz adjunta de A - OI son los cofactores de
los elementos de la matriz A - OI. Estos cofactores se obtienen calculando

determinantes de submatrices de A - OI de orden n ± 1. Es fácil convencerse
entonces que cada uno de los elementos de la matriz Adj(A - OI) es un polinomio
de grado a lo más n ± 1 en O, en donde
p(O) = c i j0 + c i j1O + c i j2O2 «c i jn-1On-1
Llámese B(k) a la matriz de orden n que tiene por elementos a c i jk, k = 0, 1, ...,
n - 1. Es claro entonces, que
Adj(A - OI) = B0 + B1O + B2O2 «%n-1On-1.
Se tiene entonces de la expresión (A - OI)Adj(A - OI) = Det(A - OI) que
(A - OI)(B0 + B1O + B2O2 «%n-1On-1) = (-1)n(a0 + a1O + a2O2 «+ anOn)I.
Al realizar las operaciones indicadas en esta expresión e igualar los coeficientes
de las potencias similares de O se obtiene
AB0 = (-1)na 0I
-B0 + AB1 = (-1)na 1I
...
-Bn-2 + ABn-1 = (-1)na n-1I
-Bn-1 = (-1)nI
Al premultiplicar la segunda de estas expresiones por A, la tercera por A2, ..., la
última por An, se obtiene
AB0 = (-1)na 0I
-AB0 + A2B1 = (-1)na 1A
...
-An-1Bn-2 + AnBn-1 = (-1)na n-1An-1
-AnBn-1 = (-1)nAn
Obsérvese que al sumar todas estas expresiones, todos los términos que aparecen
en el lado izquierdo de éstas, se cancelarán unos con otros. Entonces, se obtiene
(-1)n( a 0I + a 1A + ... + a n-1An-1 + An) = 0
es decir que p(A) = 0.
T E O R E M A 8.6.6
El polinomio mínimo de una matriz divide a su polinomio característico.
El siguiente teorema reduce considerablemente el trabajo de determinar el

polinomio mínimo de una matriz a partir de su polinomio característico. Con él,
se habría podido asegurar desde un principio que los polinomios m1(O), m2(O) y
m3(O) del ejemplo anterior no podrían ser los polinomios mínimos de la matriz A.
T E O R E M A 8.6.7
Sea O un valor característico de la matriz A, y sea u un vector
característico asociado al valor característico O. Si q(O) es un polinomio
cualquiera, se tiene que q(A)u = q(O)u.
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relación establece que u es un vector propio de A asociado al valor
propio O. Supóngase válida la relación para k y pruébese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = ( a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O)u.

T E O R E M A 8.6.8
Si O1, O2, ..., Ok son los valores característicos diferentes de la matriz A y
si el polinomio característico de A es
p(O) = (-1)k(O - O1)s1(O - O2)s2 ... (O - Ok)sk
entonces el polinomio mínimo de A tiene la forma
m(O) = (O - O1)r2(O - O3)r3 «O - Ok)rk
en donde 1 d r i d si, i = 1, 2, ..., k. Es decir, todo factor lineal que
aparezca en el polinomio característico de A, debe también aparecer en
su polinomio mínimo.
El último resultado que se verá en esta sección relaciona la propiedad de

diagonalización de una matriz A con la estructura de su polinomio característico.
T E O R E M A 8.6.9
Sea O1, O2, ..., Ok los valores propios diferentes de la matriz A. Esta
matriz es diagonalizable si, y sólo si su polinomio mínimo es
m(O) = (O - O1)(O - O2) ... (O - Ok).
Supóngase primeramente que A es diagonalizable. Existe entonces una matriz no
singular P tal que P-1AP = D, en donde D es una matriz diagonal. Aún más, en la
diagonal principal de D aparecen los valores propios de A. Entonces, el polinomio
característico de D es
p(O) (1) k (O O1 )s1 (O O2 )s2 ...(O O k )sk
en donde
si = DimV(Oi), i = 1, 2, ..., k y s1 + s2 «+ sk = n.
Según el teorema anterior, en el polinomio mínimo de D deben aparecer todos los
factores (O - O1)(O - O2) ... (O - Ok). Es claro que el polinomio mónico de
menor grado posible en el que aparecen todos estos factores es
m(O) = (O - O1)(O - O2) ... (O - Ok).
Se verá que de hecho éste es el polinomio mínimo de D. Basta verificar entonces
que m(D) = 0. Obsérvese que
m(D) = (D - O1I)(D - O2I) ... (D - OkI).
A partir de la estructura de la matriz D, se puede deducir que D - O1I es una
matriz diagonal con ceros en la primera DimV(O1) posiciones de la diagonal
principal, D - O2I es una matriz diagonal con ceros en las Dim V(O2) posiciones
después de las primeras Dim(O1) posiciones de la diagonal principal, etc. D - O1I
es una matriz diagonal con ceros en la última DimV(Ok) posiciones de la diagonal
principal. Por otra parte, q(D) es el producto de k matrices diagonales. Se sabe
que al multiplicar matrices diagonales se obtiene también una matriz diagonal en
cuya diagonal principal aparecen los productos de los elementos correspondientes
de las diagonales principales de cada una de las matrices en el producto. Por lo
analizado anteriormente acerca de la estructura de las matrices diagonales D - OiI,
i = 1, 2, ..., k que aparecen como vectores en q(D), se concluye que q(D) = 0.
Entonces
m(O) = (O - O1)(O - O2) ... (O - Ok)
es el polinomio mínimo de D. Es, por tanto, el polinomio mínimo de A.
Supóngase ahora que el polinomio mínimo de A es de la forma mostrada
anteriormente para m(O). Considérense los espacios vectoriales V(O1), V(O2), ...,
V(Ok) correspondientes a los valores propios O1, O2, ..., Ok, respectivamente.
Recuérdese que V(Oi) es el espacio solución del sistema homogéneo (A - OiI)u =
. De acuerdo a lo visto en secciones anteriores, la dimensión del subespacio
propio V(Oi) es DimV(Oi) = n ± Rang(A - OI).
Anteriormente, se probó que para cualesquiera dos matrices cuadradas A y B de
orden n se cumple

Rang(AB) t Rang(B) + Rang(A) ± n.

En el argumento que se presenta a continuación se hará uso repetido de las dos
fórmulas anteriores. Se tiene
Rang(A - O1I) = n ± DimV(O1)
Rang(A - O2I)(A - O1I) t Rang(A - O1I) + Rang(A - O2I) ± n
= n - DimV(O1) - DimV(O2)
Rang(A - O3I)(A - O2I)(A - O1I) t Rang(A - O2I)(A - O1I) + Rang(A - O3I) ± n
= n - DimV(O1) - DimV(O2) - DimV(O3)
Al continuar con este argumento se llega a
Rang(A - Ok,«$- O1I) t n - DimV(O1) - ... - DimV(Ok)
Pero (A - Ok,«$- O1I) = m(A) = 0 y es claro que el rango de la matriz nula es
cero. Se concluye entonces
n d DimV(O1) + ... + DimV(Ok).
Por otra parte, si si es la multiplicidad de Oi como raíz en el polinomio
característico de A, se tiene DimV(Oi) d si, i « k de donde
DimV(O1) + ... + DimV(Ok) d s1 + s2 + ... + sk = n.
En resumen se ha demostrado que n = DimV(O1) + ... + DimV(Ok) y entonces, A
es diagonalizable.
E J E M P L O 8.6.1
Si A y B son matrices semejantes dígase que A = C-1BC, y p(x) es cualquier
polinomio, entonces p(A) = C-1p(B)C.
SO L U C I O N
Primeramente, pruébese que para cualquier n N se tiene la relación
An = C-1BnC
por inducción. Para n = 1, el resultado es obvio. Supóngase entonces válido el
resultado para n = k y demuéstrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
E J E M P L O 8.6.2
Para cada una de las siguientes matrices determine su polinomio mínimo:
§ 2 0 0 · § 1 2 3· § 1 1 0 · § 0 1 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
a.- ¨ 0 2 2 ¸ ; b.- ¨ 0 2 3 ¸ ; c.- ¨ 1 2 1¸ ; d.- ¨ 0 0 1 ¸ .
¨ 0 2 1¸ ¨ 0 0 3¸ ¨ 0 1 1 ¸ ¨ 1 3 3 ¸
© ¹ © ¹ © ¹ © ¹
SO L U C I O N
a.- El polinomio característico de A es p(O) = -O3 - O2 + 8O + 12. Tal como lo
asegura el teorema de Hamilton-Cayley se tiene
p( A) A3 A2 8 A 12 I
§ 8 0 0 · § 4 0 0 · § 2 0 0 · §1 0 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 0 20 14
¸ ¨ 0 8 2 ¸ 8 ¨ 0 2 2 ¸ 12 ¨0 1 0¸ O .
¨ 0 14 1¸ ¨ 0 2 5 ¸ ¨ 0 2 1¸ ¨0 0 1¸
© ¹ © ¹ © ¹ © ¹
Para determinar el polinomio mínimo m(O) de A , debemos apoyarnos en el
teorema anterior: como m(O) debe dividir a p(O), se tienen entonces las siguientes
posibilidades:
1.- m1(O) = O - 3
2.- m2(O) = O + 2
3.- m3(O) = (O + 2)2 = O2 + 4O + 4

4.- m4(O) = (O + 2)(O - 3) = O2 - O - 6

5.- m5(O) = (O + 2)2(O - 3)
Se tiene que
m1 (A) = A - 3I z O , m2 (A) = A + 2I z O ,
m3 (A) = A + 4A + 4I z O , m4 (A) = A2 - A - 6I = O .
2
Entonces, m4(O) = O2 - O - 6 es el polinomio mónico de menor grado que es

anulado por A . Este es entonces el polinomio mínimo de A .
b.- El polinomio característico de A es p(O) = -O3 + 6O2 - 11O + 6. Tal como lo
p(A) = -A3 + 6A2 -11A + 6I
§ 1 14 75 · § 1 6 18 · § 1 2 3· §1 0 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
¨ 0 8 57 ¸ 6 ¨ 0 4 15 ¸ 11 ¨ 0 2 3 ¸ 6 ¨ 0 1 0 ¸ O .
¨ 0 0 27 ¸ ¨0 0 9 ¸ ¨ 0 0 3¸ ¨0 0 1¸
© ¹ © ¹ © ¹ © ¹
Para determinar el polinomio mínimo m(O) de A , debemos apoyarnos en el
posibilidades:
1.- m1(O) = 1- O
2.- m2(O) = O - 2
3.- m3(O) = O - 3
4.- m4(O) = (1 - O)(O - 2) = - O2 + 3O - 2
5.- m5(O) = (1 - O)(O - 3) = - O2 + 4O - 3
5.- m6(O) = (O - 2)(O - 3) = O2 - 5O + 6
Se tiene que
m1 (A) = I - A z O , m2 (A) = A - 2I z O , m3 (A) = A - 3I z O ,
m4 (A) = -A2 + 3A - 2I z O , m5 (A) = -A2 + 4A - 3I z O ,
m6 (A) = A2 - 5A + 6I z O .
Entonces, m(O) = p(O) es el polinomio mónico que es anulado por A. Este es
entonces el polinomio mínimo de A.
c.- El polinomio característico de A es p(O) = -O3 + 4O2 - 3O. Tal como lo asegura
el teorema de Hamilton-Cayley se tiene
p(A) = -A3 + 4A2 - 3A
§ 5 9 4 · § 2 3 1 · § 1 1 0 ·
¨ ¸ ¨ ¸ ¨ ¸
¨ 9 18 9 ¸ 4 ¨ 3 6 3 ¸ 3 ¨ 1 2 1¸ O .
¨ 4 9 5 ¸ ¨ 1 3 2 ¸ ¨ 0 1 1 ¸
© ¹ © ¹ © ¹
Para determinar el polinomio mínimo m(O) de A, debemos apoyarnos en el
posibilidades:
1.- m1(O) = O
2.- m2(O) = 1 - O
3.- m3(O) = O - 3
4.- m4(O) = O(1 - O) = O - O2
5.- m5(O) = O(O - 3) = O2 - 3O
5.- m6(O) = (1 - O)(O - 3) = - O2 + 4O - 3
Se tiene que
m1 (A) = A z O , m2 (A) = I - A z O , m3 (A) = A - 3I z O , m4 (A) = A - A2 z O ,
m5 (A) = A2 - 3A z O , m6 (A) = -A2 + 4A - 3I z O .
Entonces, m(O) = p(O) es el polinomio mónico que es anulado por A. Este es el
polinomio mínimo de A.
d.- El polinomio característico de A es p(O) = - O3 + 3O2 - 3O + 1. Tal como lo

p(A) = -A3 + 3A2 - 3A + I
§ 1 -3 3 · § 0 0 1· § 0 1 0· §1 0 0·
¨ ¸ ¨ ¸ ¨ ¸ ¨ ¸
= - ¨ 3 -8 6 ¸ + 3 ¨ 1 -3 3 ¸ - 3 ¨ 0 0 1 ¸ + ¨ 0 1 0 ¸ = O .
¨ 6 -15 10 ¸ ¨ 3 -8 6 ¸ ¨ 1 -3 3 ¸ ¨ 0 0 1 ¸
© ¹ © ¹ © ¹ © ¹
Para determinar el polinomio mínimo m(O) de A, debemos apoyarnos en el
posibilidades:
1.- m1(O) = 1 - O
2.- m2(O) = (1 - O)2
Se tiene que
m1 (A) = I - A z O , m2 (A) = (I - A)2 z O .
Entonces, m(O) = p(O) es el polinomio mónico que es anulado por A. Este es
entonces el polinomio mínimo de A.
E J E M P L O 8.6.3
Sea O un valor característico de la matriz A, y sea u un vector característico
asociado al valor característico O. Si q(O) es un polinomio cualquiera, se tiene que
q(A)u = q(O)u.
SO L U C I O N
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relación establece que u es un vector propio de A asociado al valor
propio O. Supóngase válida la relación para k y pruébese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = (a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O).
E J E M P L O 8.6.4
Para cada una de las siguientes matrices determine su polinomio característico y
su polinomio mínimo:
§ 2 2 0 0· §2 1 0 0· §2 1 0 0·
¨ ¸ ¨ ¸ ¨ ¸
1 5 0 0 ¸ 0 2 1 0¸ 0 2 1 0¸
a.- ¨ ; b.- ¨ ; c.- ¨ .
¨ 2 0 1 0 ¸ ¨0 0 2 1¸ ¨0 0 2 0¸
¨ ¸ ¨ ¸ ¨ ¸
© 4 0 8 3 ¹ ©0 0 0 2¹ ©0 0 0 2¹
SO L U C I O N
a.- El polinomio característico de A es
p(O) = (O - 3)2(O - 4)(O + 1)
Entonces, el polinomio mínimo de A puede ser
m(O) = (O - 3)(O - 4)(O + 1) ó m(O) = (O - 3)2(O - 4)(O + 1)
Verifique la primera alternativa
m(A) = (A ± 3I)(A ± 4I)(A + I)= O.
Entonces, efectivamente m(O) = (O - 3)(O - 4)(O + 1) es el polinomio mínimo de
A.
b.- El polinomio característico de A es
p(O) = (O - 2)4
m(O) = (O - 2)3 ó m(O) = (O - 2)4
m(A) = (A ± 2I)3 z O.
Entonces, m(O) = p(O) es el polinomio mínimo de A.
c.- El polinomio característico de A es
p(O) = (O - 2)4
m(O) = (O - 2)3 ó m(O) = (O - 2)4
m(A) = (A ± 2I)3 = O.
Entonces, efectivamente m(O) = (O - 2)3 es el polinomio mínimo de A.
E J E M P L O 8.6.5
Dada la matriz
§ 1 4 0 2 4 ·
¨ ¸
¨0 2 0 0 0 ¸
A ¨0 6 1 0 0 ¸
¨ ¸
¨0 3 2 1 0 ¸
¨ 0 1 1 3 1 ¸
© ¹
Determine si la matriz es diagonalizable.
SO L U C I O N
Esta matriz tiene por polinomio característico a p(O) = (1 - O)4(2 - O). Para que A
sea diagonalizable, su polinomio mínimo tendría que ser: m(O) = (O - 1)(O - 2),
pero
§ 0 4 0 2 4 ·§ 1 4 0 2 4 ·
¨ ¸¨ ¸
¨ 0 1 0 0 0 ¸¨ 0 0 0 0 0 ¸
m(A) = (A - I)(A - 2I) ¨ 0 6 0 0 0 ¸¨ 0 6 1 0 0 ¸
¨ ¸¨ ¸
¨ 0 3 2 0 0 ¸¨ 0 3 2 1 0 ¸
¨ 0 1 1 3 0 ¸¨ 0 1 1 3 1 ¸
© ¹© ¹
§ 0 10 0 14 4 ·
¨ ¸
¨0 0 0 0 0¸
¨0 0 0 0 0¸ .
¨ ¸
¨ 0 12 2 0 0 ¸
¨ 0 15 5 3 0 ¸
© ¹
Se concluye entonces que la matriz A no es diagonalizable.
E J E M P L O 8.6.6
Determine el polinomio mínimo de la matriz identidad de orden n, así como el de
la matriz cero de orden n.
SO L U C I O N
Sea I la matriz identidad de n x n. Para encontrar el polinomio característico de
esta matriz, es necesario resolver el siguiente determinante:
Det(I - OI) = Det((1 - O)I) = (1 - O)nDetI = (1 - O)n = 0.
Por lo tanto el polinomio característico es:
p(O) = (1 - O)n
Como el polinomio mínimo divide al polinomio característico, entonces éste
tendría que ser:
m(O) = 1 - O
Sea O la matriz cero de n x n. Para encontrar el polinomio característico de esta
matriz, es necesario resolver el siguiente determinante:
Det(O - OI) = Det(-OI) = (-O)nDetI = (-O)n = 0.
p(O) = (-O)n

tendría que ser:
m(O) = O.
E J E M P L O 8.6.7
Sea c un número real no nulo, considere la matriz de orden n, A = cI. Determine
el polinomio característico de A así como su polinomio mínimo.
SO L U C I O N
Sea A = cI la matriz dada de n x n. Para encontrar el polinomio característico de
Det(A - OI) = Det( cI - OI) = Det(( c - O)I) = ( c - O)nDetI = (c - O)n = 0.
p(O) = (c - O)n
tendría que ser:
m(O) = c - O.
E J E M P L O 8.6.8
Sean a , b y c tres números reales, considere la matriz
§ 0 1 0·
¨ ¸
A ¨0 0 1¸
ä b ç
© ¹
demuestre que el polinomio característico de A es p(O) = -O3 + cO2 + bO + a .
¿Cuál es el polinomio mínimo de A?
SO L U C I O N
Sea A la matriz dada de n x n. Para encontrar el polinomio característico de esta
matriz, es necesario resolver el siguiente determinante:
O 1 0
Det( a OI) 0 O 1 ( c O)O 2 a bO O 3 cO 2 bO a
a b c O
p(O) = -O3 + cO2 + bO + a
tendría que ser:
m(O) = p(O).
E J E M P L O 8.6.9
Sea A una matriz de orden 3, demuestre que m(O) = O2 + 1 no puede ser el
polinomio mínimo de A.
SO L U C I O N
Como el polinomio mínimo de una matriz A divide al polinomio característico y
además contiene a todos los factores de éste, entonces m(O) = O2 + 1 no puede ser
polinomio mínimo, porque m(A) = A2 + I z O.
E J E M P L O 8.6.10
Sea A una matriz de orden n, suponga que A es nilpotente de índice k. ¿Cuál es el
polinomio mínimo de A?
SO L U C I O N
Sea A la matriz nilpotente de n x n. Para encontrar el polinomio característico de
Det(Ak - OI) = Det(O - OI) = Det(-OI) = (-O)nDetI = (-1)nOn = 0.
Por lo tanto el polinomio característico es: p(O) = (-O)n
tendría que ser: m(O) = O.
E J E M P L O 8.6.11
Demuestre que ninguna matriz real de 3 x 3 satisface x2 + 1 = 0. Pruebe que
existen matrices complejas de 3 x 3 que si lo hacen. Pruebe que existen matrices
reales de 2 x 2 que satisfacen la ecuación.
SO L U C I O N
Si A es una matriz real de 3 x 3 su polinomio característico f(x) es real de grado 3.
Si A satisface x2 + 1 = 0, el polinomio mínimo dividiría a x2 + 1 y podría no tener
como un factor irreducible al factor real de grado uno que debe tener f(x).
E J E M P L O 8.6.12
Determine una matriz A de orden 2 cuyo polinomio mínimo sea m(O) = O2.
SO L U C I O N
§a b·
Sea la matriz A ¨ ¸ . Sabemos que el polinomio característico de la matriz
©c d¹
A es
p(O) = O2 - (Tr A)O + Det( A).
Pero como p(O) = m(O), entonces Tr(A) = Det(A) = 0 y una de las matrices
buscada tiene la forma
§ a a ·
¨ ¸.
© a a ¹
E J E M P L O 8.6.13
Demuestre que si la matriz A satisface la ecuación x2 + x + 1 = 0, entonces A es
no singular y la inversa A-1 es expresable como una combinación lineal de A e I.
SO L U C I O N
Efectivamente, si A2 + A + I = O, entonces A(- A ± I) = I de modo que
± A ± I = A-1.
PR O B L E M AS
8.6.1 Encuentre una matriz de 2 x 2 con elementos 8.6.5 Demuestre el siguiente resultado: Sea A una
enteros que satisfaga la ecuación x3 ± 1 = 0, pero que no matriz de orden n. Sea
satisfaga la ecuación x ± 1 = 0. p(O) = (-1)nOn + a n-1On-1 + ... + a 1O + a 0
el polinomio característico de A. Si a 0 z 0, entonces la
8.6.2 Determine una matriz A de orden 3 cuyo matriz A es no singular y su inversa A-1 es
polinomio mínimo sea m(O) = O2. 1
A 1 ((1)n A n 1 an 1A n 2 ... a1I) .
a0
8.6.3 Dadas las matrices:
§ 2 0 0 0· §2 0 0 0· 8.6.6 Determinar la inversa de las siguientes matrices:
¨ ¸ ¨ ¸
1 2 0 0 ¸ y B ¨1 2 0 0¸ § 1 1·
A ¨ § 3 5·
a.- ¨
§ 1 1·
¨0 0 2 0¸ ¨0 0 2 0¸ ¸ ; b.- ¨ ¸ ; c.- ¨ ¸;
¨ ¸ ¨ ¸ ©4 7¹ ©5 3¹ © 0 1¹
© 0 0 1 2¹ ©0 0 0 2¹
§0 0 0 1·
a.- Demuestre que A y B tienen el mismo polinomio §1 2 3· ¨ ¸
¨ ¸ 0 0 1 0¸
característico. d.- ¨ 1 1 2 ¸ ; e.- ¨ .
b.- Compruebe que A y B tienen el mismo ¨0 1 0 0¸
polinomio ¨0 1 2¸ ¨ ¸
© ¹
mínimo. ©1 0 0 0¹
c.- Demuestre que A y B no son semejantes.
8.6.7 Pruebe que las matrices dadas a continuación no
8.6.4 Demuéstrese que, si c1 « c k son números son diagonalizables, demostrando que su polinomio
distintos entre sí que aparecen en la diagonal de una mínimo no puede escribirse como un producto de
matriz diagonal D, entonces el polinomio mínimo que factores lineales simples:
corresponde a D es (x ± c1)(x ± c2«x ± c k).

§ 0 1 0· §4 6 6· 8.6.10 Sean A y B matrices semejantes. Demuéstrese

¨ ¸ ¨ ¸ que:
a.- ¨ 0 0 1 ¸ ; b.- ¨ 1 3 2 ¸;
¨ 1 3 3 ¸ ¨ 1 a.- Si B es no singular, entonces A es no singular, y
© ¹ © 5 2 ¸¹ A-1, B-1 son semejantes.
§1 1 0 0· b.- DetA = DetB.
§2 1 0· ¨ ¸ c.- A y B tienen el mismo polinomio característico.
¨ ¸ 0 1 1 0¸
c.- ¨ 0 2 0 ¸ ; d.- ¨ ; d.- A y B tienen los mismos valores propios, aunque no
¨0 0 1 1¸
¨ 0 0 2¸ ¨ ¸ tienen necesariamente los mismos vectores propios.
© ¹
©0 0 0 1¹ e.- A y B tienen el mismo polinomio mínimo.
§2 0 1 3·
¨ ¸ 8.6.11 Demuéstrese que el polinomio mínimo de una
4 2 1 1¸ matriz idempotente distinta de O o de I es x2 ± x.
e.- ¨ .
¨0 0 2 5¸
¨ ¸ 8.6.12 Sea A suma directa de una matriz de m x m, B,
©0 0 0 2¹
y una matriz n x n, C. Demuéstrese que:
a.- Si p(x) es polinomio, entonces p(A) es la suma
8.6.8 Sean
directa de p(B) y p(C).
§1 1 0· §1 0 0· §1 0 0· b.- El polinomio mínimo de A es el polinomio de
¨ ¸ ¨ ¸ ¨ ¸
A ¨0 1 0¸ , B ¨0 2 1¸ , C ¨0 2 0¸ . menor grado entre los que tienen la propiedad de ser
¨0 0 2¸ ¨0 0 2¸ ¨0 0 2¸ divisibles tanto por el polinomio mínimo de B como por
© ¹ © ¹ © ¹
a.- Verifíquese que las matrices tienen los mismos el polinomio mínimo de C. En particular, el polinomio
valores característicos. mínimo de A es divisor del producto de los polinomios
b.- Hágase ver que los polinomios característicos de A y mínimos de B y C.
B son diferentes, pero que los polinomios característicos
de B y C son iguales. 8.6.13 Sea A una transformación lineal cuyo polinomio
c.- Determínese el polinomio mínimo de cada una de las mínimo es x2 ± 5x + 6. Demuéstrese que:
matrices. a.- A3 = 19A - 30I; b.- A4 = 65A - 114I.
d.- Hágase ver que ninguna pareja de esas matrices es de
matrices semejantes. 8.6.14 Sea D : P n o P n el operador lineal de derivación
e.- Hágase ver que AB y AC tienen el mismo polinomio D(p) = p´. Determine el polinomio mínimo de la matriz
característico y el mismo polinomio mínimo. que representa a D en alguna base de P n.
f.- Verifíquese que AB, AC son semejantes al encontrar
una matriz no singular M tal que MABM-1 = AC. 8.6.15 Demuéstrese que una matriz triangular de n x n
en la cual los elementos de la diagonal principal son
8.6.9 Sean A y B matrices semejantes. Demuéstrese que todos c, tiene polinomio mínimo que es divisor de
A y B tienen el mismo polinomio mínimo. (x ± c)n.
8.7 C U EST I O N A R I O
8.7.1 Para que un endomorfismo f sea no singular es 8.7.4 Para un endomorfismo arbitrario f la
necesario y suficiente que él tenga valores multiplicidad algebraica de todo valor característico O
característicos nulos. sobrepasa su multiplicidad geométrica.
8.7.2 Los vectores característicos de un endomorfismo 8.7.5 Los vectores característicos de un

f relacionados con el valor característico nulo, y endomorfismo, pertenecientes a diversos valores
solamente ellos, pertenecen a la imagen de este característicos, son linealmente independientes.
endomorfismo.
8.7.6 El polinomio mínimo m(O) del endomorfismo f
8.7.3 Al multiplicar un endomorfismo f por un número es igual al mínimo común múltiplo de los polinomios
no nulo los vectores característicos se multiplican por mínimos para los vectores de cualquier base del
este número, mientras que los valores característicos no espacio con respecto a f.
cambian.
8.7.7 Los vectores característicos de un endomorfismo 8.7.20 La cantidad de vectores característicos,

f relacionados con los valores característicos no nulos linealmente independientes, del endomorfismo f,
pertenecen al núcleo de f. pertenecientes a un valor característico O0 no supera a
la multiplicidad de O0 como raíz del polinomio
8.7.8 Si un endomorfismo f es no singular, entonces los característico del endomorfismo f.
vectores característicos de A y A-1 son los mismos.
8.7.21 Cualquier matriz cuadrada A con distintos
8.7.9 Un endomorfismo nilpotente no posee valores valores característicos, es semejante a una matriz
característicos diferentes de cero. triangular.
8.7.10 Un endomorfismo de rotación de un espacio 8.7.22 Si el endomorfismo f del espacio U tiene n

euclídeo a un ángulo T no múltiplo de S no posee diferentes valores característicos, cualquier
vectores característicos. endomorfismo g conmutativo con f, posee una base de
vectores característicos con la particularidad de que
8.7.11 Los valores propios de un endomorfismo cualquier vector característico de f será vector
diagonal coinciden con sus elementos diagonales. característico también para g.
8.7.12 Si las matrices A y B son semejantes, entonces 8.7.23 Una matriz de un endomorfismo en cierta base
todo valor característico de A es igualmente un valor es diagonal cuando, y sólo cuando, la base consta de
característico de B pero no inversamente. los vectores característicos de dicho endomorfismo.
8.7.13 La suma de los subespacios característicos de un 8.7.24 Cualesquiera dos endomorfismos conmutativos
endomorfismo f es una suma directa. de un espacio complejo tienen un vector característico
común.
8.7.14 Todos los vectores diferentes de cero de un
espacio son vectores característicos de un endomorfismo 8.7.25 Si la matriz A de un endomorfismo f es
f si, y solamente si, f es un endomorfismo escalar. diagonal en una base determinada, todos los vectores
de esta base son vectores característicos del
8.7.15 La suma de las multiplicidades geométricas de endomorfismo.
todos los valores característicos diferentes de un
endomorfismo f es inferior a la dimensión del dominio. 8.7.26 Los vectores característicos de un
endomorfismo f correspondientes a valores
8.7.16 El polinomio mínimo de una matriz transpuesta característicos, distintos dos a dos, son linealmente
AT coincide con el polinomio mínimo de la matriz A. dependientes.
8.7.17 Si cada coeficiente de una matriz compleja A se 8.7.27 Todo valor característico de un endomorfismo
reemplaza por un número conjugado, los coeficientes del f es raíz de su polinomio mínimo.
polinomio característico de la matriz se reemplazará
también por números conjugados. 8.7.28 El polinomio característico de un
endomorfismo f depende de la elección de la base.
8.7.18 Si A y B son matrices cuadradas de un mismo
orden, entonces las matrices AB y BA tienen un mismo 8.7.29 Las matrices semejantes tienen polinomio
polinomio mínimo. mínimo distintos.
8.7.19 Para que un endomorfismo f sea no singular es 8.7.30 Toda matriz cuadrada es una raíz de su
necesario y suficiente que f no tenga valores polinomio característico.
característicos nulos.

1.1 ALGEBRA DE MATRICES 001
1.2 CLASIFICACION DE LAS MATRICES CUADRADAS 029
1.3 MATRIZ TRANSPUESTA 036
1.4 MATRIZ TRANSPUESTA-CONJUGADA 043
1.5 TRAZA DE UNA MATRIZ 053
1.6 POTENCIA DE UNA MATRIZ 055
1.7 CUESTIONARIO 067
2.1 DETERMINANTES DE SEGUNDO Y TERCER ORDEN 069

2.2 CALCULO DE UN DETERMINANTE DE ORDEN SUPERIOR 080
2.3 PRODUCTO DE DETERMINANTES 096
2.4 DETERMINANTE DE VANDERMONDE 102
3.1 MATRICES EQUIVALENTES 109

3.2 RANGO DE UNA MATRIZ 115
3.3 INVERSA DE UNA MATRIZ 122
3.4 METODOS PARA OBTENER LA INVERSA DE UNA MATRIZ 130
4.1 SISTEMAS DE ECUACIONES LINEALES 139

4.2 METODOS PARA SOLUCIONAR UN SISTEMA DE ECUACIONES 143
5.1 ESPACIOS VECTORIALES 185

5.2 SUBESPACIOS VECTORIALES 299
5.3 COMBINACIONES LINEALES Y SUBESPACIOS GENERADOS 204
5.4 INTERSECCION Y SUMA DE SUBESPACIOS. SUMA DIRECTA 212
5.5 DEPENDENCIA E INDEPENDENCIA LINEAL 222
5.6 BASE Y DIMENSION 231
5.7 VECTOR DE COORDENADAS. CAMBIO DE BASE 250
6.1 ESPACIOS EUCLIDEOS 257

6.2 ESPACIOS VECTORIALES HERMITICOS 269
6.3 NORMA, DISTANCIA Y ANGULO ENTRE VECTORES 273
6.4 BASES ORTOGONALES Y ORTONORMALES 287
6.5 SUBESPACIO COMPLEMENTO ORTOGONAL, PROYECCIONES
ORTOGONALES Y DISTANCIA A UN SUBESPACIO 300
7.1 DEFINICIONES Y PROPIEDADES 313

7.2 REPRESENTACION MATRICIAL. MATRIZ DE CAMBIO DE BASE 324
7.3 ALGEBRA DE TRANSFORMACIONES LINEALES 334
7.4 NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL 344
7.5 TRANSFORMACIONES LINEAES INVERSIBLES 356
7.6 TRANSFORMACIONES GRAFICAS R2 362
7.7 TRANSFORMACIONES GRAFICAS EN R3 374
7.8 FORMAS LINEALES. ESPACIO DUAL 384
8.1 DEFINICIONES Y PROPIEDADES 389

8.2 ECUACION CARACTERISTICA. SUBESPACIOS PROPIOS 399
8.3 SEMEJANZA DE MATRICES 414
8.4 MATRICES DIAGONALIZABLES 421
8.5 DIAGONALIZACION DE MATRICES SIMETRICAS Y HERMITICAS 438
8.6 POLINOMIO MINIMO DE UNA MATRIZ 447

Algebra Lineal Joe García

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Algebra Lineal Joe García

Загружено:

Авторское право:

Доступные форматы

O BJE T I V O

1.1 ALGEBRA DE MATRICES

Una matriz con n filas y m columnas se llama matriz de n x m; la expresión n x m es

Si n = m la matriz se denomina cuadrada y se dice que tiene orden n. Si una matriz

A continuación se dan algunos tipos de matrices:

Matrices de este tipo se dan a continuación:

Este tipo de matrices tienen la siguiente forma:

La definición de operaciones entre matrices es lo que determina la utilidad de ellas

A continuación se explican algunas operaciones que se pueden realizar con matrices.

Es decir, dadas las matrices

Se definirá ahora la suma de matrices, que consiste simplemente, como esperará el

Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

La siguiente operación que se considerará es la de multiplicar una matriz por un

Es decir; formalmente se expresa esta operación de la siguiente manera:

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

Tamaño 1 Tamaño 2 Tamaño 3

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

% MULTIPLICACION DE UN ESCALAR Y UNA MATRIZ

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

La operación de restar una matriz B de una matriz A se define exactamente como

Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

A continuación, dividamos una matriz A en partes mediante un sistema de rectas

La conveniencia de la división en submatrices consiste en que las operaciones

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

§ B11 B12 B1n ·

% CALCULAR LA RESTA DE MATRICES

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

De la propia definición se deduce que, en general, no es posible multiplicar dos

Para formar los elementos de la primera fila de la matriz A B se han multiplicado

El producto de dos matrices, en términos generales, depende del orden de los

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

respectivamente, y por cada unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

De este teorema se deduce que el producto de varias matrices dispuestas en un orden

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

De las propiedades 1.1.8 y 1.1.9 se desprende directamente la siguiente regla general:

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

A continuación damos de forma general, la multiplicación de hipermatrices.

Consideremos las matrices

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

1.1.1 Multiplicar las matrices: 1.1.2 Pruebe que si A es una matriz de n x n y B = a A +

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

La producción en miles en su planta B está dada por la matriz

1.1.53 La siguiente tabla da el costo en centavos de un kilo de mariscos en tres diferentes

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

Este tipo de matrices se las puede visualizar a continuación:

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

De forma general, una matriz de este tipo se expresa como

La definición de la matriz banda forzó a estas, a concentrar todos sus elementos no

ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS

b.- Como A es de m x n, entonces D debe ser de m x m, para que D A esté

Siguiendo con las hipermatrices, en el caso de matrices cuadradas resulta

Además para poder realizar la multiplicación de una hipermatriz por sí misma es

b) Como C = A + i B con A y B matrices reales, A es antisimétrica y B es simé-

Por lo tanto, no es condición que B A = O.