ALGEBRA LINEAL (Agueda Mata y Miguel Reyes)

Agueda
Mata y Miguel Reyes, Dpto. de Matem

atica Aplicada, FI-UPM
Tema 1: Matrices y Sistemas lineales de ecuaciones

Ejercicios
1. Halla una forma escalonada, el rango, y las matrices canonica por filas y de paso
para cada una de las siguientes matrices:
1 1 0
1 1
1 1 1
2
1
(a) A = 0 2 1 ; (b) B = 2 2 ; (c) C = 3 3 8 10 3 .
1 0 1
3 3
2 2 1 3 4
1 1 1
yB=
1 0 1
k R para que rg(A + kB) < 2?
2. Siendo A =
1
2
1
, que condicion debe verificar
1 2 1
3. Calcula la inversa, si existe, de las siguientes matrices:
1 1 1
1 1 2
1 0 0
(a) A = 2 1 2 ; (b) B = 2 1 1 ; (c) C = a 1 0 ;
0 0 1
3 0 3
b c 1
1
2
(d) D =
3
4
0
1
3
4
0
0
1
4
1
0
1
0
; (e) E = 0
0
0
1
0
0
1
1
0
0
0
0
1
1
0
0
0
0
1
1
1
1
0
0
0
0
;
(f)
F
=
0
0
1
0
1
0
4. Calcula la inversa, si existe, de la matriz A =
0
0
2
1
0
0
0
3
2
1
0
0
4
3
2
1
0
5
4
3
.
2
1
a a2 a3
1 a a2
.
0 1 a
0 0 1
un los valores de n, el rango de las matrices:

5. Calcula, seg
n+1
1
1
n+1
1
n
n+1
1 ;
n + 1 1 .
(a) An = 1
(b) Bn = 1
1
1
n+1
0
0
n
Obten la matriz inversa en los casos que se pueda.
6. Resuelve, por el metodo de Gauss, los siguientes sistemas de ecuaciones lineales:
x + y + z + t = 2
x 3y + z = 2
x y z + t = 4
2x + y z = 6
;
(a)
;
(b)
x y + z + t = 6
x + 2y + 2z = 2
x+yz+t=0
3x + y z = 10
2x + 3y z = 0
x 2y z = 2
xy+z =0
.
;
(d)
(c)
x + y + z = 0
x + 9y 5z = 0
2x y 3z = 7

Agueda
7. Discute, seg
un los valores reales de los parametros, los siguientes sistemas lineales:
x 3y + 5z = 2
x + y + az = 1
x 2y + 3z = 1
2x 4y + 2z = 1 ; (b)
x + ay + z = 1 ; (c)
2x + ky + 6z = 6
(a)
;
5x 11y + 9z = k
ax + y + z = 1
x + 3y + (k 3)z = 0
y+z =2
ax + by + z = 1
ax + by + z = 1
x+y+z =a ;
ax + y + bz = 1 ;(f)
x + aby + z = b ;
(d)
(e)
x+y =2
ax + y + z = b
x + by + az = 1
ax + by + 2z = 1
ax + (2b 1)y + z = 1
(g)
.
ax + by + (b + 3)z = 2b 1
Resuelve, cuando sea posible, los que dependen de un u
nico parametro.
8. Resuelve la ecuacion matricial Ax = b donde
1 1
1
A=
y (a) b =
1 1
1
(b) b =
1
1
9. Resuelve las siguientes ecuaciones matriciales:
1 0 1
6 4 2
1 2 2
1 0 1
(a) 2 1 0 X = 7 6 5
(b) X 0 1 0 = 2 1 0
3 1 0
10 8 6
1 1 1
1 3 2
1
2 1 1
4 6
2
2
1 1 2 0
2 2 1
4
X =
(c)
1
1
1
0
0
3
0 2
0
1
1 1
2
0 1 2
10. Siendo A =
1 2
, m R, encuentra todas las matrices B M22 tales que
3 m
AB = 0.
11. Obten todas las matrices B M22 que conmutan con la matriz diagonal D =
x 0
con x, y R.
0 y
12. Encuentra todos los polinomios p(x) de grado 2, con coeficientes reales, tales que:
(a) p(1) = 2, p(1) = 4 y p(3) = 16; (b) p(1) = p(1) = 0.
13. Elimina parametros en las siguientes ecuaciones parametricas:
x=1+
x = 1 3 +
x=
y = 2 + ; (b)
y = 2
y= ;
(a)
; (c)
z = 1 3
z =2+
z=
x1 = a + b + 2c
x1 = a + 2b c
x
=
a
b
x2 = a + 2b + 3c
2
x3 = a + c
x3 = 3b
.
; (e)
(d)
x
=
0
x
=
b
+
c
4
4
x5 = a b
x5 = a b + 2c

Agueda
Soluciones
1 1 0
1 0 0
2 1 1
1. (a) Ae = 0 1 1, rg(A) = 3, Ac = 0 1 0, y E = 1 1 1;
0 0 1
0 0 1
2 1 2
1 1
1 0 0
(b) Be = Bc = 0 0 , rg(B) = 1, y E = 2 1 0;
0 0
3 0 1
1 1 1 2
1
1 1 0 0 13
8 ,
(c) Ce = 0 0 1 1 2, rg(C) = 3, Cc = 0 0 1 0
0 0 0 1 10
0 0 0 1 10
14 1 6
y E = 11 1 4.
13 1 5
2. k = 1.
1 1 3
1
0 0
1 0;
3. (a) A1 = 13 2 1 0 ; (b) No existe B 1 ; (c) C 1 = a
0 0 3
ac b c 1
1
1 1 1 1
1
0
0 0
1 1
1 1 1
2
1
0 0
1
1
1
1 1
(d) D =
; (e) E = 2 1 1 1
;
3 3 1 0
1 1 1 1
1
8 8 4 1
1 1 1 1 1
1 2 1
0
0
0 1 2 1
1
1 2 1
(f) F =
0 0
.
0 0
0
1 2
0 0
0
0
1
1 a 0
0
0 1 a 0
.
4. A1 =
0 0
1 a
0 0
0
1
n + 2 1
1
3 , si n = 0 y n = 3
1
1 n + 2 1 , si
5. (a)rg(An ) = 2 , si n = 3
; A1
= n(n+3)
n
1
1 n + 2
1 , si n = 0
n = 0 y n = 3.
3 , si n = 0 y n = 2
(b) rg(Bn ) =
;
2 , si n = 0 o n = 2
n(n + 1)
n
n2 n + 1
1
, si n = 0 y n = 2.
n
n(n + 1)
1
Bn1 = n2 (n+2)
0
0
n(n + 2)
6. (a) x = 2, y = 1, z = 1.
(b) x = 3 , y = 2, z = 1, t = ; R.

Agueda
(c) Sistema incompatible.

(d) x = 2, y = 3, z = 5; R.
7. (a) Si k = 4 el sistema es incompatible; y si k = 4 es compatible indeterminado
(x = 5/2 + 7, y = 3/2 + 4, z = ; R).
(b) Si a = 2 el sistema es incompatible; si a = 1 es compatible indeterminado
(x = 1 , y = , z = ; , R); y si a = 2 y a = 1 es compatible
1
determinado(x = y = z = a+2
).
(c) Si k = 4 el sistema es incompatible; si k = 0 es compatible indeterminado
(x = 3 3, y = 1, z = ; R); y si k = 4 y k = 0 es compatible determinado
4
1
(x = k+9
k+4 , y = k+4 , z = k+4 ).
(d) Para cualquier valor de a el sistema es compatible determinado (x = a 2,
y = 4 a, z = a 2).
(e) Si a = 0 y b = 2 el sistema es compatible indeterminado con un grado de
indeterminacion; si b = 1 es compatible indeterminado con dos grados de indeterminacion; si a = 0, b = 2 y b = 1 es incompatible; y si a = 0 y b = 1 el sistema es
compatible determinado.
(f) El sistema es incompatible si b = 0, si 0 = b = 2 y a = 2, o si 0 = b = 1
y a = 1; es compatible determinado si b = 0, a = 1 y a = 2; y es compatible
indeterminado si a = b = 2 (con un grado de indeterminacion) o a = b = 1 (con
dos grados de indeterminacion).
(g) El sistema es incompatible si b = 1 o si a = 0 y b = 1; es compatible indeterminado con un grado de indeterminacion si b = 1; y es compatible determinado si
a = 0, b = 1 y b = 1.
1
+1
, R; (b) x =
, R.
3 2 1
0 1 1
9. (a) X = 1 2 3; (b) X = 2 1 4;
3 2 1
3 1 4
2 3 1

1+

, , , , R.
(c) X =
2
1
1 2
8. (a) x =
10. Si m = 6, B = 0; y si m = 6, B =
2 2
, , R.
11. Si x = y, B es arbitraria; y si x = y, B =
a 0
0 d
con a, d R.
12. (a) p(x) = 2x2 x + 1; (b) p(x) = (x2 1), R.

x y = 1
; (b) x + 3y + 5z = 11;
3x + z = 4
(c) Al eliminar parametros no aparece ninguna condicion, pues esas ecuaciones
13. (a)

Agueda
parametricas representan a todo R3 ;
(d)
2x1 x2 x3 = 0
3x1 3x2 4x3 + 3x4 = 0
3x1 2x2 x5 = 0 .
; (e)
x1 2x3 + 3x4 x5 = 0
x4 = 0

Agueda
Matrices y Sistemas lineales de ecuaciones
Sea Mnm = Mnm (R) el espacio vectorial de las matrices reales con n filas y m columnas.
1.1
Operaciones elementales por filas
En una matriz, se consideran operaciones elementales por filas a las siguientes:

1. Intercambiar dos filas.
2. Multiplicar una fila por un n
umero real no nulo.
3. Sustituir una fila por la suma de ella misma con el producto de otra por un n
umero real.
Ejemplo
2 1 0
0 1 0
0 1 0
0 1 0
f1 f3
2f2 f2
f2 f3 f2
1 2 1
1 2 1 2 4 2 0 3 2
0 1 0
2 1 0
2 1 0
2 1 0
1.2
Matrices elementales
Se llaman matrices elementales a aquellas matrices cuadradas que resultan de aplicar una
operacion elemental a la matriz identidad.
Ejemplo
1 0 0
0
f1 f2
I = 0 1 0 E = 1
0 0 1
0
1 0
I = 0 1
0 0
1.3
1 0
1 0 0
1 0 0
2f3 f3
0 0 ; I = 0 1 0 E = 0 1 0
0 1
0 0 1
0 0 2
0
1 0 0
f3 2f2 f3
0 E = 0 1 0
1
0 2 1
Relaci
on entre operaciones y matrices elementales
El resultado de hacer una operacion elemental a una matriz A Mnm coincide con el resultado
de multiplicar la matriz elemental E Mnn , asociada a dicha operacion elemental, por A.
Ejemplo
1
1 2 1 1
f2 2f1 f2
0 0
A = 2 1 1
1
1 0
3 2
1
1 2 1 1
f1 f3
0 0
A = 2 1 1
1
1 0
3 2

1
2 1 1
5 3 2 = 2
0
0
3 2

0 0
0
3 2
5 3 2 = 0 1
1 0
2 1 1
0 0
1 0 A
0 1
1
0 A
0

Agueda
1 2 1 1
1
2 1 1
1 0 0
f3 f3
0 2 1 1 0 = 0 1 0 A
A = 2 1 1
1 0
3 2
1 0 3 2
0 0 1
1.4
Formas escalonada y can

onica de una matriz. Rango
Se llama matriz escalonada o reducida de A Mnm a cualquier matriz Ar Mnm que

se obtiene a partir de A mediante operaciones elementales, y en la que el primer elemento no
nulo de cada fila se encuentra a la derecha del primer elemento no nulo de la fila anterior. Las
filas nulas, si las hay, en una matriz escalonada deben estar al final.
Se llama rango de A al n
umero de filas no nulas de una matriz escalonada de A.
Se llama matriz can
onica por filas de A Mnm a la matriz Ac Mnm , que se obtiene
a partir de A mediante operaciones elementales, en la que el primer elemento no nulo de cada
fila es un uno, se encuentra a la derecha del primer elemento no nulo de la fila anterior, y por
encima de el todos los elementos son nulos.
Observa que si B se obtiene a partir de A Mnm despues de p operaciones elementales,
entonces
B = Ep Ep1 . . . E2 E1 A
donde Ei es la matriz elemental asociada a la operacion i-esima. Ademas, si I Mnn es la
matriz identidad de orden n, se tiene que
operaciones elementales
(A | I) (B | E)
con
B =EA
donde E = Ep Ep1 . . . E2 E1 se llama matriz de paso de A a B.
Ejemplo
Si se quiere hallar una matriz escalonada, y la matriz de paso asociada, de la matriz
1 1 0 1 1
2 1 3 1 3
A=
1 1 2 1 1
1 1 0 0 2
se hacen las operaciones elementales necesarias adosandole la matriz identidad:
f 2f f
2
1
2
1 0 0 0
1 1 0 1 1
f3 f1 f3
2 1 3 1 3
0 1 0 0
f4 f1 f4

(A | I) =
1 1 2 1 1
0 0 1 0
0 0 0 1
1 1 0 0 2
1
1 1 0 1 1
1 0 0 0
1 1 0 1 1
0 3 3 1 1
1
2 1 0 0 f2 f3 0 2 2 0 0

0 2 2 0 0
2
0 3 3 1 1
1 0 1 0
1
0 0 0 1 1
1 0 0 1
0 0 0 1 1
1
0
0
0
1 1 0
1
1
1
1
f f2
f3 f3
2 2
2f24 +f3 f4
1/2
0
1/2
0
0
0
3f2 2f3 f3 0 1 1
1 2
3
0
0 0 0
2 2
1 0
0
1
0 0 0 1 1
0
0
1
0
0
1
0
0
0
0
0
1

Agueda
1
0
0
0
1 0 1 1
1 1 0 0
0 0 1 1
0 0 0 0
1
0
0
0
1/2 0 1/2 0
= (Ar | E r )
1/2 1 3/2 0
1 2
3
2
con Ar = E r A
Puesto que la matriz escalonada tiene tres filas no nulas, su rango es tres:
rg A = 3
Para hallar la matriz canonica por filas, y la matriz de paso asociada, se contin
uan las operaciones
elementales:
1 0 1 1 1
1/2 0
1/2 0
0
1/2 0 1/2 0
f1 f2 f1 0 1 1 0
(A | I) (Ar | E)
0 0 0 1 1
1/2 1 3/2 0
0 0 0 0 0
1 2
3
2
1 0 1 0 2
0
1
1 0
0 1 1 0 0
1/2 0 1/2 0
f1 f3 f1
= (Ae | E e ) con Ae = E e A

0 0 0 1 1
1/2 1 3/2 0
0 0 0 0 0
1 2
3
2
1.5
Matriz inversa
Se llama matriz inversa de una matriz cuadrada A Mnn a otra matriz A1 Mnn tal
que
A A1 = A1 A = I
No todas las matrices cuadradas tienen inversa. Una matriz cuadrada A se llama regular si
tiene matriz inversa, y se llama singular si no la tiene.
Es facil observar que todas las matrices elementales tienen inversa:
1. La matriz inversa de la matriz elemental asociada a intercambiar dos filas es ella misma.
2. La matriz inversa de la matriz elemental asociada a multiplicar una fila por un n
umero,
distinto de cero, es la asociada a multiplicar la misma fila por su inverso.
3. La matriz inversa de la matriz elemental asociada a sustituir una fila por ella misma mas
otra multiplicada por un n
umero es la asociada a la misma operacion pero multiplicando
la fila por el n
umero opuesto.
Es conocido que la existencia de matriz inversa se puede caracterizar, en terminos de determinantes, como
A Mnn tiene inversa (es regular) |A| = 0
Tambien se puede caracterizar, en terminos de operaciones elementales, por el siguiente teorema:
Teorema
Una matriz cuadrada es regular si y solo si se puede reducir a la matriz identidad por operaciones
elementales de filas.
Ademas, si
operaciones elementales
(A | I) (I | E)
se tiene que
A1
= E.
con
I =EA

Agueda
Algoritmo para el c
alculo de la matriz inversa
Para hallar la matriz inversa de una matriz cuadrada A se procede as:
1. Se considera la matriz (A | I).
2. Se obtiene una forma escalonada (Ar | E r ).
3. Si Ar tiene alg
un cero en la diagonal principal, entonces la matriz A es singular (no es
invertible).
4. Si Ar no tiene ceros en la diagonal principal, entonces A es regular (es invertible) y se
siguen haciendo operaciones elementales hasta llegar a (I | E).
5. La matriz inversa es A1 = E.
Ejemplo
Halla, si existe, la matriz inversa de:
1 1 1
A = 2 1 1
1 1
1
f2 /3f2
f2 2f1 f2
1 1 1
1 0 0
1 1 1 1 0 0
f3 2f2 /3f3
f3 f1 f3
(A | I) = 2 1 1 0 1 0 0 3 3 2 1 0
1 1
1 0 0 1
0 2
0 1 0 1
1 1 1
0 1 1
0 0
2
1
f1 +f2 f1
f3 /2f3
f2 +f3 /2f2
1
0
0
1/3 1/2
1 1 0 5/6
f1 f3 /2f1
2/3 1/3 0 0 1 0 1/2
0
1/2
1/3 2/3 1
0 0 1 1/6 1/3 1/2
0 0 1/3
1/3
0
0
1/2 = I | A1
1 0 1/2
0 1 1/6 1/3 1/2
de donde
A1
1.6
1/3
1/3
0
2
2 0
1
0
1/2 = 3 0 3
= 1/2
6
1 2 3
1/6 1/3 1/2
Sistemas lineales
Un sistema lineal de m ecuaciones con n incognitas es
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2

..
am1 x1 + am2 x2 + . . . + amn xn = bm

Agueda
con aij , bi R, que se puede expresar en forma matricial como

a11 a12 . . . a1n
x1
b1
a21 a22 . . . a2n x2 b2

..
..
.. .. = ..
.
.
. . .
am1 am2 . . . amn
xn
bm
o tambien como
Ax = b
con A Mmn , x Mn1 , y b Mm1
Las matrices A Mmn y A = (A | b) Mm(n+1) se llaman, respectivamente, matriz de

coeficientes y matriz ampliada. Cuando b = 0 el sistema se llama homog
eneo.
Se llama soluci
on del sistema Ax = b a cualquier vector x0 = (x01 , x02 , . . . , x0n )t Mn1 tal
que Ax0 = b. Resolver un sistema es hallar todas sus soluciones.
Dos sistemas se llaman equivalentes si tienen las mismas soluciones.
Teorema
Si un sistema Ax = b tiene mas de una solucion entonces tiene infinitas soluciones.
Demostraci
on: Si x0 , x1 Mn1 son dos soluciones distintas del sistema, entonces, para
cualesquiera , R con + = 1, se cumple que x = x0 + x1 Mn1 es tambien solucion:
Ax = A x0 + x1 = Ax0 + Ax1 = b + b = ( + )b = b
Luego si el sistema tiene dos soluciones distintas, entonces tiene infinitas soluciones.
Clasificaci
on de sistemas lineales
Seg
un el n
umero de soluciones, los sistemas se clasifican en
Sistema incompatible
No tiene soluciones
Sistema compatible determinado Tiene solucion u
nica
Sistema compatible indeterminado Tiene infinitas soluciones
Teorema
Si (A | b ) es la matriz que se obtiene despues de aplicar un n
umero finito de operaciones
elementales a la matriz (A | b), los sistemas Ax = b y A x = b son equivalentes.
Demostraci
on: Sea (A | b ) = Er . . . E2 E1 (A | b), es decir
A = Er . . . E2 E1 A
b = Er . . . E2 E1 b
Entonces:
x0 es solucion de A x = b A x0 = b Er . . . E2 E1 Ax0 = Er . . . E2 E1 b
E11 E21 . . . Er1 Er . . . E2 E1 Ax0 = E11 E21 . . . Er1 Er . . . E2 E1 b
IAx0 = Ib Ax0 = b x0 es solucion de Ax = b
Es decir, los sistemas Ax = b y A x = b son equivalentes.

Agueda
1.7
M
etodo de Gauss
Todo sistema lineal Ax = b de n ecuaciones con n inc

ognitas y |A| = 0 (o rg A = n) es
compatible determinado. Se puede resolver por el m
etodo de Gauss:
1. Se considera la matriz ampliada (A | b).
2. Se obtiene una matriz escalonada (Ar | br ).
3. Se resuelve el sistema equivalente Ar x = br por el metodo de ascenso.
Ejemplo
Para resolver el sistema
xy+z =4
2x + y z = 1
x + 2y z = 3
por el metodo de Gauss, se procede as:
f3 f2 f3
f2 2f1 f2
4
4
4
1 1 1
1 1 1
1 1 1
f2 /3f2
f3 f1 f3
2 1 1 1
0 3 3 9 0 1 1 3
1 2 1 3
0 3 2 7
0 0
1
2
y se resuelve, por el metodo de ascenso, el sistema equivalente:
xy+z = 4
x=1
y z = 3 =
y = 1
z= 2
z=2
1.8
Teorema de Rouch
e-Frobenius
Si Ax = b es un sistema de m ecuaciones con n inc

ognitas, entonces:
1. Si rg A = rg (A | b), el sistema es incompatible.
2. Si rg A = rg (A | b) = n, el sistema es compatible determinado.
3. Si rg A = rg (A | b) = k < n, el sistema es compatible indeterminado, y su solucion depende
de n k parametros.
1.9
Resoluci
on de sistemas lineales por el m
etodo de Gauss
Para resolver el sistema lineal Ax = b, de m ecuaciones con n inc

ognitas, se procede como sigue:
1. Se considera la matriz ampliada (A | b).
2. Se obtiene una matriz escalonada (Ar | br ).
3. Entonces, se pueden presentar los siguientes casos:
(a) Si rg Ar = rg (Ar | br ), el sistema es incompatible. No hay soluciones.

Agueda
(b) Si rg Ar = rg (Ar | br ) = n, el sistema es compatible determinado. Sus u

nica solucion
se obtiene resolviendo por el metodo de Gauss el sistema resultante despues de eliminar las ecuaciones nulas (si las hay).
(c) Si rg Ar = rg (Ar | br ) = k < n, el sistema es compatible indeterminado. Su solucion
se obtiene resolviendo por el metodo de ascenso el sistema que se obtiene al pasar al
segundo miembro, como parametros, las nk inc
ognitas que no son comienzo (primer
elemento no nulo) de alguna fila de Ar .
Ejemplo
Para resolver el sistema de 3 ecuaciones con 5 incognitas:
+ x4
= 1
x1 + x2
x1 + x2 + x3 + 2x4 + x5 = 0
x1 + x2
+ x4 + x5 = 1
se obtiene, en primer
1
(A | b) = 1
1
lugar, la matriz reducida de la ampliada:
f2 f1 f2
1 0 1 0 1
1 1 0 1 0 1
f3 f1 f3
1 1 2 1 0 0 0 1 1 1 1 = (Ar | br )
1 0 1 1 1
0 0 0 0 1 0
Puesto que rg Ar = rg (Ar | br ) = 3 < 5 el sistema es compatible indeterminado. Sus soluciones

se obtienen pasando al segundo miembro, como parametros, las incognitas que no son comienzo
de alguna ecuacion, x2 = y x4 = , y resolviendo el sistema resultante por el metodo de
ascenso:
x1 = 1
x2 =
= 1
x1
x3 = 1
x2 + x5 = 1
, , R
=
x =
x5 = 0
4
x5 = 0
1.10
Sistemas lineales homog

eneos
Puesto que rg A = rg (A | 0), el sistema lineal homogeneo Ax = 0, de m ecuaciones con n

incognitas, siempre es compatible:
1. Si rg A = n, el sistema homogeneo es compatible determinado, y la u
nica solucion es la
soluci
on trivial x1 = x2 = . . . = xn = 0.
2. Si rg A = k < n, el sistema homogeneo es compatible indeterminado, y su solucion depende
de n k parametros.
Ejemplo
Para resolver el sistema lineal homogeneo
2x + 3y z = 0
x y+ z =0
x + 9y 5z = 0

Agueda
se calcula una matriz escalonada de la matriz de coeficientes (no es necesario considerar la

columna de los terminos independientes pues son siempre nulos):
f2 2f1 f2
2 3 1
1 1 1
1 1 1
1 1 1
f1 f2
f3 f1 f3
f3 2f2 f3
1 1 1
2 3 1 0 5 3 0 5 3
1 9 5
1 9 5
0 10 6
0 0
0
Puesto que rg A = 2, el sistema es compatible indeterminado con solucion dependiente de
3 2 = 1 parametro. Pasando x3 = al segundo miembro, y resolviendo el sistema resultante
por el metodo de ascenso, se obtiene la solucion:
x = 2
x = 2
5
x y =
3
y = 3
=
=
, R
y= 5
5y = 3
z = 5
z=
1.11
Eliminaci
on de par
ametros
Eliminar par
ametros en
x1 = b1 + a11 1 + a12 2 + . . . + a1r r
x2 = b2 + a21 1 + a22 2 + . . . + a2r r

..
xn = bn + an1 1 + an2 2 + . . . + anr r

es equivalente a encontrar un sistema del que sea solucion, y esto es equivalente a obtener los
valores (x1 , x2 , . . . , xn ) para los que el sistema
a11 1 + a12 2 + . . . + a1r r = x1 b1
a21 1 + a22 2 + . . . + a2r r = x2 b2

..
an1 1 + an2 2 + . . . + anr r = xn bn

es compatible, es decir que se
a11 a12
a21 a22
rg .
..
..
.
an1 an2
verifica:
a11 a12 . . . a1r x1 b1

. . . a1r
a21 a22 . . . a2r x2 b2
. . . a2r
.. = rg ..
..
..
.
.
.
.
. . . anr
an1 an2 . . . anr xn bn
Ejemplo
Para eliminar los parametros a, b R en la expresion:
x1 = a + 2b
x2 = a b
x =1+b
3
x4 = a + b 1

Agueda
se impone la condicion de que el sistema
a + 2b = x1
a b = x2
b = x3 1
a + b = x4 + 1
tiene solucion (es compatible), para lo que se necesita que:
1 2
1 2
x1
1 1
1 1
x2
rg
0 1 = rg 0 1 x3 1
1 1
1 1 x4 + 1
Para imponer esta condicion, se busca una matriz escalonada de ambas matrices, lo que se hace
simultaneamente considerando la segunda matriz:
x1
x1
1 2
1 2
f2 f1 f2
1 1
x2
x2 x1
f4 f1 f4 0 3
0 1 x3 1 0 1
x3 1
1 1 x4 + 1
0 1 x4 x1 + 1
x
1
2
1
3f3 +f2 f3
x2 x1
3f4 f2 f4 0 3
0 0
3(x3 1) + (x2 x1 )
0 0 3(x4 x1 + 1) (x2 x1 )
Para que las dos matrices tengan el mismo rango, es necesario que en la tercera columna los
elementos de las filas tercera y cuarta sean nulos, es decir que:
3(x3 1) + (x2 x1 ) = 0
3(x4 x1 + 1) (x2 x1 ) = 0
con lo que se tiene la condicion:
x1 x2 3x3 = 3
2x1 + x2 3x4 = 3

Agueda
Tema 2: Espacios vectoriales

Ejercicios
1. En R2 se definen las siguientes operaciones:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )
(x, y) = (x, y)
Es un espacio vectorial?
2. Cuales de los siguientes subconjuntos, de R3 o P3 (R), son subespacios vectoriales?
(a) S = {(x, y, z) : y = 0}
(e) S = {(x, y, z) : x + z 0}
(b) S = {(x, y, z) : x + y + z = 0}
(f) S = {(x, y, z) : xy = 0}
(c) S = {(x, y, z) : x + z = 1}
(g) S = p(x) = x3 + ax + b : a, b R
(d) S = {(x, y, z) : x + z = 0}
(h) S = p(x) = ax3 + b : a, b R
3. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

en R3 :
(a) {(0, 1, 0), (1, 1, 1), (1, 0, 1)}
(c) {(1, 0, a), (a, 1, 0), (0, a, 1)}
(b) {(0, 0, 1), (1, 1, 0), (1, 0, 0)}
(d) {(1, 0, a), (a, 1, 0), (a, 0, 1)}
4. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

en P2 (R):
(a)
1, 1 + x, 1 + x + x2
(c)
1 x2 , 1 + x, x2 x, x + x2
(b)
x, x2 , x + x2
(d)
1 + x2 , 2 + x2
5. Sean f, g, h : {a, b, c} R definidas como: f (a) = 0, f (b) = f (c) = 1; g(a) =

g(c) = 1, g(b) = 0; h(a) = h(b) = 1, h(c) = 0. Estudia la dependencia o independencia lineal del conjunto {f, g, h}.
6. Determina si los siguientes conjuntos de vectores son linealmente dependientes o
independientes. En el primer caso, encuentra una combinaci
on lineal entre ellos y
un subconjunto con un n
umero maximo de vectores linealmente independientes.
(a) {(3, 5, 1), (2, 1, 3)}
(c) {(1, 0, 1, 0), (2, 1, 3, 1), (0, 1, 1, 1), (2, 2, 4, 2)}
(b) {(1, 2, 3), (1, 3, 2), (0, 1, 1)}
(d)
1 + 3x + 4x2 , 4 + x2 , 3 + x + 2x2 P2 (R)
7. Para que valores de a el conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)} es base de R3 ?
Para a = 2, calcula las coordenadas del vector v = (1, 1, 3) respecto de dicha base.
8. En P3 (R) se considera la base B = 1, 1 x, (1 x)2 , (1 x)3 . Halla las coordenadas del polinomio p = 2 3x + x2 + 2x3 respecto de dicha base.
9. En P2 (R) se considera el conjunto B = 1, x + 3, (x + 3)2 . Prueba que es una base,
y halla las coordenadas del polinomio p = a + bx + cx2 respecto de dicha base.

Agueda
10. Averigua si los vectores u = (1, 1, 0) y w = (2, 3, 1) pertenecen al espacio vectorial

generado por el conjunto de vectores {v1 = (2, 5, 1), v2 = (3, 4, 1), v3 = (5, 9, 2)}.
11. Determina a y b para que el vector (2, a, 3, b) pertenezca al subespacio generado
por los vectores (2, 3, 1, 5) y (0, 2, 1, 3).
12. Sean los conjuntos: A = {(1, 0, 1), (1, 1, 0), (0, 1, 1)}, B = {(2, 1, 1), (1, 2, 1)} y
C = {(2, 1, 1), (1, 1, 0)}. Demuestra que A y B generan el mismo subespacio, y
que este no coincide con el generado por C.
13. Halla una base del espacio vectorial generado por el conjunto de vectores:
{v1 = (3, 2, 0, 5), v2 = (1, 0, 3, 4), v3 = (2, 2, 3, 1), v4 = (0, 2, 9, 17)}
14. Se consideran los vectores de R4 : (1 + a, 1, 1, 1), (1, 1 + a, 1, 1), (1, 1, 1 + a, 1) y
(1, 1, 1, 1 + a), a R. Determina, en funcion de a, la dimension y una base del
espacio vectorial S que generan.
15. Halla la dimension y una base del espacio vectorial
M=
a + b + 3c
2a b
a c
a + 2b + 5c
: a, b, c R
16. Estudia si es subespacio vectorial de R4 el conjunto de soluciones de cada uno de los

siguientes sistemas:
(a)
x1 + x2 = 0
x3 + x4 = 0
(b)
x1 + x2 = 1
x3 + x4 = 1
En caso afirmativo, determina una base.

17. Encuentra un sistema de generadores, una base y la dimension del subespacio vectorial de soluciones del sistema:
x1 + 2x2 3x4 + x5 = 0
x1 + 2x2 + x3 4x4 x5 = 0
x + x3 2x4 x5 = 0
2
x1 + x3 2x4 3x5 = 0
3 1 1
18. Si A = 0 3 1, determina la dimension y una base del espacio vectorial generado
0 0 3
por {An : n 0}.
19. En R3 se consideran S = {(x, y, z) : x = z} y T = {(x, y, z) : x = z y}.
(a) Prueba que S y T son subespacios vectoriales de R3 .
(b) Encuentra una base de S, y halla las coordenadas de un vector arbitrario de S
respecto de dicha base.
(c) Prueba que BT = {(0, 1, 1), (1, 1, 0)} es una base de T , y encuentra las coordenadas de (2, 1, 1) T respecto de dicha base.

Agueda
20. En R4 se consideran los subespacios vectoriales:

S = L ({(1, 0, 1, 1), (1, 1, 1, 0), (0, 1, 2, 1)})
T = {(x1 , x2 , x3 , x4 ) : x1 x3 x4 = 0, x2 + x3 = 0}
Obten las ecuaciones parametricas e implcitas y una base de S + T y de S T .
21. En P3 (R) se consideran los conjuntos
S = {p(x) : p(1) = 0}
y T = p(x) = ax3 + bx2 + (a + b)x + 2b : a, b R
(a) Prueba que S y T son subespacios vectoriales.

(b) Obten las ecuaciones parametricas e implcitas y una base de S y de T .
(c) Calcula S T y S + T .
22. En M22 (R) se consideran los subespacios vectoriales
V1 =
a b
b a
: a, b R
V2 =
a b
c a
: a, b, c R
Halla la dimension y una base de los subespacios V1 , V2 , V1 + V2 y V1 V2 .

x1 = + + 2
x1 + x2 + x3 + x4 = 0
x2 = +
2x1 x2 + 2x3 x4 = 0
S
; , , R
T
x = +
4x1 + x2 + 4x3 + x4 = 0
3
x4 = 3 + 3
Halla bases y dimensiones de S, T , S + T y S T .
U = L ({(1, 0, 1, 0, 0), (2, 1, 0, 1, 1), (4, 1, 2, 1, 1)})
W = L ({(1, 1, 1, 1, 1), (2, 0, 0, 0, 3), (0, 1, 2, 1, 1), (0, 2, 2, 2, 5)})
Halla bases de U , W , U + W y U W .
U = {(x, y, z) : z = 0}
y W = L ({(0, 1, 1), (2, 0, 1), (2, 1, 2)})
Halla un sistema de generadores y las dimensiones de los subespacios U , W , U + W

y U W.
S = L ({(1, 0, 2, 1), (0, 1, 2, 0), (2, 1, 6, 2)})
T = L ({(1, 1, 4, 1), (1, 0, 0, 1), (1, 2, 2, 1)})
Demuestra que dim(S + T ) = 3 y que dim(S T ) = 2.

Agueda
27. En R3 se consideran los subespacios:

U = {(a, b, c) : a = c, a, b, c R}
V = {(0, 0, c) : c R}
W = {(a, b, c) : a + b + c = 0, a, b, c R}
Prueba que R3 = U + V = U + W = V + W . Cual de las sumas anteriores es
directa?
S = L ({(1, 0, 1), (1, 1, 1), (2, 1, 0)})
T = L ({(1, 0, 1), (0, 0, 1), (3, 0, 1)})
Halla un subespacio U tal que R3 = S U , y T + U no sea suma directa.

S1 = L ({(1, 0, 1, 0), (2, 1, 0, 2), (0, 1, 2, 2)})
S2 = L ({(1, 1, 1, 0), (1, 1, 1, 2)})
Es S1 + S2 suma directa? Halla una base de dicha suma.
30. Determina a, b R para que el vector v = (2, a, b, 1) pertenezca al subespacio
vectorial S = L ({(1, 0, 2, 0), (0, 1, 1, 1)}). Obten un subespacio suplementario de
S en R4 .
31. En P3 (R) se consideran los subespacios vectoriales:
V =L
1 + x3 , 1 + x + x2 , 2x x2 , 2 + 3x2
W =L
1 + 3x2 x3 , 1 + 4x + x2 x3 , 2x x2
Demuestra que W V , y halla un suplementario de W en V .

32. En P3 (R) se consideran los subespacios vectoriales:
V =L
x + x2 , x x2 , 2x + x2
W = a + bx + cx2 + dx3 : b + c = 0, 2b c = 0
T = a + bx + cx2 + dx3 : a = 0, b = , c = 0, d = + , , R
(a) Halla V W y V + W . Son V y W suplementarios?
(b) Halla una base de W T y las ecuaciones implcitas de V + T .
Soluciones
1. No.
2. (a), (b), (d) y (h) Si; (c), (e), (f) y (g) No.

Agueda
3. (a) l.d.; (b) l.i.; (c) l.d. si a = 1, y l.i. si a = 1; (d) l.i. si a = 1, y l.d. si
a = 1.
4. (a) y (d) l.i.; (b) y (c) l.d.
5. Son l.i.
6. (a) l.i.; (b) l.d., {v1 = (1, 2, 3), v2 = (1, 3, 2)} es l.i., y v3 = (0, 1, 1) = v1 v2 ;
(c) l.d., {v1 = (1, 0, 1, 0), v2 = (0, 1, 1, 1)} es l.i., y v3 = (2, 1, 3, 1) = 2v1 + v2 y
v4 = (2, 2, 4, 2) = 2v1 + 2v2 ; (d) l.d., p1 (x) = 1 + 3x + 4x2 , p2 (x) = 4 + x2 es l.i.,
y p3 (x) = 3 + x + 2x2 = 31 p1 (x) + 32 p2 (x).
7. Es base para a = 0 y a2 = 2. Para a = 2, v = 12 , 0, 23
8. p = 2 3x + x2 + 2x3 = (2, 5, 7, 2)B .

9. p = a + bx + cx2 = (a 3b + 9c, b 6c, c)B .
10. u L ({v1 , v2 , v3 }), siendo u = v1 + v2 , y w L ({v1 , v2 , v3 }).
11. a = 1 y b = 11.
12. L(A) = L(B) = L ({(1, 0, 1), (0, 1, 1)}) = S, y L(C) = S porque (1, 1, 0) S.
13. B = {(3, 2, 0, 5), (0, 2, 9, 7), (0, 0, 3, 4)}.
14. Si a = 0: dim S = 1 y B = {(1, 1, 1, 1)}.
Si a = 4: dim S = 3 y B = {(1, 1, 1, 3), (0, 1, 0, 1), (0, 0, 1, 1)}.
Si a = 0 y a = 4: dim S = 4, es decir S = R4 , y una base es la canonica.
15. dim M = 2 y B =
E1 =
1 2
, E2 =
1 1
0
3
1 1
16. (a) S, es un subespacio vectorial de dimension 2 y base {(1, 1, 0, 0), (0, 0, 1, 1)}.
(b) No es un subespacio vectorial.
17. Un sistema generadores y base es {(1, 1, 1, 1, 0), (1, 1, 2, 0, 1)}. Su dimension es 2.
1 0 0
0 1 0
0 0 1
18. La dimension es 3, y la base I = 0 1 0 , B = 0 0 1 , C = 0 0 0
0 0 1
0 0 0
0 0 0
19. (b) BS = {(1, 0, 1), (0, 1, 0)} y u = (a, b, a) = (a, b)BS .
(c) (2, 1, 1) = (1, 2)BT
x1 =
x2 =
, , , R; x1 + x2 x4 = 0;
20. S + T :
x3 = +
x4 = +
y BS+T = {(1, 0, 1, 1), (0, 1, 0, 1), (0, 0, 1, 0)}.
x1 = 3
x1 + 2x2 x3 = 0
x2 =
x2 x3 + x4 = 0 ; y BST = {(3, 1, 1, 2)}.
, R;
S T:
x =
2x3 x4 = 0
3
x4 = 2

Agueda
21. (b) Representando p(x) = a0 + a1 x + a2 x2 + a3 x3 = (a0 , a1 , a2 , a3 ), respecto de la

base
usual en P3 (R), entonces
a0 = +
a1 =
S:
, , , R; a0 a1 + a2 a3 = 0;
a2 =
a3 =
y BS = (1, 1, 0, 0) = 1 + x, (1, 0, 1, 0) = 1 + x2 , (1, 0, 0, 1) = 1 + x3 .
a0 = 2
a1 = +
a0 2a2 = 0
, , R;
T:
;
a2 =
a1 a2 a3 = 0
a3 =
y BT = (0, 1, 0, 1) = x + x3 , (2, 1, 1, 0) = 2 + x + x2 .
a0 = 2
a0 a1 + a2 a3 = 0
a1 = 2
a0 2a2 = 0
(c) S T :
, R;
;
a2 =
a1 a2 a3 = 0
a3 =
y BST = (2, 2, 1, 1) = 2 + 2x + x2 + x3 .
S + T = P3 (R).
1 0
0 1
,
.
0 1
1 0
1 0
0 1
0 0
dim V2 = 3, y BV2 =
,
,
.
0 1
0 0
1 0
dim (V1 + V2 ) = 4, luego V1 + V2 = M22 (R) y una base es la usual.
0 1
dim (V1 V2 ) = 1, y BV1 V2 =
.
1 0
22. dim V1 = 2, y BV1 =
23. dim S = 2, y BS = {(1, 0, 1, 0), (0, 1, 0, 1)}.

dim T = 2, y BT = {(2, 1, 0, 3), (1, 0, 1, 0)}.
dim(S + T ) = 3, y BS+T = {(1, 0, 1, 0), (0, 1, 0, 1), (0, 0, 1, 2)}.
dim(S T ) = 1, y BST = {(1, 0, 1, 0)}.
24. BU = {(1, 0, 1, 0, 0), (0, 1, 2, 1, 1)}.
BW = {(1, 1, 1, 1, 1), (0, 1, 2, 1, 1), (0, 0, 2, 0, 1)}.
BU +W = {(1, 0, 1, 0, 0), (0, 1, 2, 1, 1), (0, 0, 1, 0, 0), (0, 0, 0, 0, 1)}.
BU W = {(0, 1, 2, 1, 1)}.
25. dim U = 2, y BU = {(1, 0, 0), (0, 1, 0)}.
dim W = 2, y BW = {(2, 0, 1), (0, 1, 1)}.
dim(U + W ) = 3, luego U + W = R3 y BU +W = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
dim(U W ) = 1, y BU W = {(2, 1, 0)}.
26. dim S = 2, dim T = 3, y dim(S + T ) = 3, de donde dim(S T ) = 2. Por lo tanto
S + T = T y S T = S, es decir S T .
27. R3 = U V = V W , y la suma U + W no es directa.
28. U = L ({(0, 0, 1)}).
29. La suma S1 + S2 no es directa. BS1 +S2 = {(1, 0, 1, 0), (0, 1, 2, 2), (0, 0, 1, 1)}.

Agueda
30. a = 1 y b = 5. R4 = S T , con T = L ({(0, 0, 1, 0), (0, 0, 0, 1)}).
31. W V , y V = W U con U = L
3x2 2x3
32. (a) V W = {0} y V + W = P3 (R), luego V y W son suplementarios.

(b) BW T = x3 . Las ecuaciones implcitas de V + T son a = 0.

Agueda
Espacios vectoriales
2.1
Espacio vectorial
Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V = sobre el que

hay definidas dos operaciones:
1. Suma:
+ : V V V
(u, v) u + v
verificando las siguientes propiedades:
(a) Conmutativa: u + v = v + u, u, v V .
(b) Asociativa: (u + v) + w = u + (v + w), u, v, w V .
(c) Elemento neutro: Existe 0 V tal que u + 0 = 0 + u = u, u V .
(d) Elemento opuesto: Para todo u V existe u V tal que u + (u) = (u) + u = 0
2. Producto por un escalar:
: K V V
(, u) u
verificando las siguientes propiedades:
(a) 1 u = u, u V .
(b) ( u) = () u, , K, u V .
(c) ( + ) u = u + u, , K, u V .
(d) (u + v) = u + v, K, u, v V .
Los elementos de un espacio vectorial se llaman vectores.
Un espacio vectorial real es un espacio vectorial sobre el cuerpo R de los n
umeros reales.
Nota: En lo sucesivo, siempre que no haya confusion se omitira el punto () en la operacion
producto por escalar.
Ejemplos
Son espacios vectoriales reales, con las operaciones que se indican, los siguientes:
1. El conjunto de n-uplas de n
umeros reales:
Rn = {x = (x1 , x2 , . . . , xn ) = (xi )1in : xi R, 1 i n}
con las operaciones:
x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn )
x = (x1 , x2 , . . . , xn )

Agueda
2. El conjunto de matrices de dimension n m:

Mnm (R) =
A = (aij ) 1in : aij R, 1 i n, 1 j m

1jm
con las operaciones: suma de matrices y producto por n

umeros reales.
3. El conjunto de todos los polinomios con coeficientes reales en la variable x:
n
ak xk : n N, ak R
P(R) =
k=0
con las clasicas operaciones de suma y producto por n

umeros reales.
4. El conjunto de todos los polinomios, con coeficientes reales en la variable x, de grado
menor o igual que n:
n
ak xk : ak R
Pn (R) =
k=0
con las mismas operaciones anteriores.

5. El conjunto de todas las funciones reales:
F(R) = {f : R R}
con las operaciones: suma de funciones y producto por n
umeros reales.
6. El conjunto de todas las sucesiones de n
umeros reales:
S = {(xn )
n=0 : xn R, n 1}
con las operaciones: suma de sucesiones y producto por n
umeros reales.
7. Si Z2 = {0, 1}, entonces Zn2 es un espacio vectorial sobre el cuerpo Z2 , con las operaciones:
0+0=1+1=0, 0+1=1+0=1
2.2
00=01=10=0, 11=1
Propiedades
Si V es un espacio vectorial, entonces

1. 0 u = 0.
2. (1) u = u.
para todo u V .
2.3
Subespacio vectorial
Se llama subespacio vectorial de un espacio vectorial V a cualquier subconjunto no vaco

S V que es espacio vectorial con las mismas operaciones definidas sobre V .

Agueda
2.4
Caracterizaci
on de subespacios vectoriales
Si V es un espacio vectorial y S V , S = , entonces

S es subespacio vectorial de V
(1) u + v S, u, v S
(2) u S, K y u S
Demostraci
on:
() Evidente, pues S es espacio vectorial.
() (1) y (2) garantizan que las operaciones estan bien definidas sobre S, al ser este un conjunto
cerrado respecto de ellas. Ademas, por ser S un subconjunto de V , se verifican todas las
propiedades de la suma y el producto siempre que sea cierto que 0 S y que el opuesto de
cualquier elemento de S esta en S. Ahora bien, para cualquier u S,
0=0uS
u = (1) u S
luego S es un subespacio vectorial de V .
2.5
Corolario
Si V es un espacio vectorial y S V , S = , entonces

S es subespacio vectorial de V u + v S , , K , u, v S
Ejemplos
1. En todo espacio vectorial V , el conjunto {0} es un subespacio vectorial llamado subespacio trivial.
2. Sea F(R) = {f : R R} el espacio vectorial de las funciones reales. Son subespacios
vectoriales:
S1 = {f F(R) : f (0) = 0}
S2 = {f F(R) : f continua}
S3 = {f F(R) : f acotada}
S4 = {f F(R) : f derivable}
y no lo son
S5 = {f F(R) : f (x) > 0, x R}
S6 = {f F(R) : |f (x)| 1, x R}
3. Son subespacios vectoriales del espacio vectorial P(R), de todos los polinomios en x con
coeficientes reales, los siguientes:
S1 = p P(R) : p (0) = 0
S2 = {p P(R) : a0 = a1 = 0}
donde a0 y a1 son los coeficientes de grado 0 y 1, respectivamente. No son subespacios

vectoriales:
S3 = {p P(R) : grado(p) = 4}
S4 = {p P(R) : el grado de p es par}
4. En el espacio vectorial de todas las matrices cuadradas de orden n, el subconjunto de las

matrices simetricas es un subespacio vectorial, y no lo son el subconjunto de las matrices
regulares ni el de las matrices singulares.

Agueda
5. El conjunto de soluciones del sistema homogeneo Ax = 0, A Mmn (R), es un subespacio

vectorial de Rn .
6. Son subespacios vectoriales de M22 (R):
0 a
b 0
S1 =
: a, b R
0 a
a 0
S2 =
: aR
y no lo es
S3 =
2.6
0 1
a 0
: aR
Combinaci
on lineal
Sea V un espacio vectorial. Se dice que v V es combinaci

on lineal de los vectores
{v1 , v2 , . . . , vn } V , si existen 1 , 2 , . . . , n K tales que
n
v=
i vi
i=1
Ejemplos
1. En R3 , para averiguar si el vector v = (1, 2, 3) es combinaci
on lineal de v1 = (1, 1, 1),
v2 = (2, 4, 0) y v3 = (0, 0, 1), se plantea la ecuacion vectorial:
(1, 2, 3) = (1, 1, 1) + (2, 4, 0) + (0, 0, 1)
que equivale al siguiente sistema de ecuaciones, cuyas soluciones son las que se indican:
=1
+ 2
=0
+ 4
= 2 =
= 1/2
+ =3
=3
Luego v = 0v1 + 12 v2 + 3v3 , y el vector v es combinaci
on lineal de {v1 , v2 , v3 } (y tambien
de {v2 , v3 }).
2. En M22 (R), para averiguar si la matriz A =
1 1
2 2
y A2 =
3 2
3 5
1 0
2 4
1 0
2 4
es combinaci
on lineal de A1 =
, se plantea la ecuacion matricial:
1 1
2 2
3 2
3 5
+ 3 = 1
+ 2 = 0
=
2
+ 3 = 2
2 + 5 = 4
Este sistema es incompatible, luego A no es combinaci

on lineal de {A1 , A2 }.

Agueda
2.7
Dependencia e independencia lineal de vectores
Sea V un espacio vectorial. Se dice que el conjunto de vectores {v1 , v2 , . . . , vn } V es linealmente dependiente si y solo si existen 1 , 2 , . . . , n K, con alg
un i = 0, tales que
n
v
=
0.
En
caso
contrario,
se
dice
que
el
conjunto
{v
,
v
,
.
.
.
,
v
1
2
n } es linealmente
i=1 i i
independiente.
Para estudiar si un conjunto de vectores {v1 , v2 , . . . , vn } es linealmente dependiente o independiente, se plantea la ecuacion
n
i vi = 0
i=1
y se estudian sus soluciones. Si admite alguna solucion no nula el conjunto de vectores es

linealmente dependiente, y si solo admite la solucion nula es linealmente independiente.
Ejemplos
1. En R4 , los vectores v1 = (1, 0, 1, 2), v2 = (1, 1, 0, 1) y v3 = (2, 1, 1, 1) son linealmente
independientes, pues
+ + 2 = 0
+ =0
= = = = 0
v1 + v2 + v3 = 0 =
=0
2 + + = 0
2. En R4 , los vectores v1 , v2 , y v3 , del ejemplo anterior, y v4 = (1, 0, 1, 4) son linealmente
dependientes, pues
+ + 2 + = 0
= 2t
+
=0
= t
v1 + v2 + v3 + v4 = 0 =
=
, tR
=0
=t
2 + + + 4 = 0
=t
que admite soluciones no nulas. Por ejemplo, para t = 1, 2v1 + v2 v3 v4 = 0.
2.8
Propiedades
En un espacio vectorial V se cumplen las siguientes propiedades:

1. {v} linealmente dependiente v = 0
2. 0 A V = A es linealmente dependiente
3. {u, v} linealmente dependiente u = v (son proporcionales)
4. A linealmente independiente y B A = B es linealmente independiente
5. A linealmente dependiente y A B = B es linealmente dependiente
6. A linealmente dependiente Existe v A que es combinaci
on lineal de A \ {v}
7. A linealmente independiente No existe v A que sea combinaci
on lineal de A \ {v}

Agueda
2.9
Lema
Si V es un espacio vectorial y A = {v1 , . . . , vm } V , entonces

m
L(A) =
i vi : i K
i=1
es un subespacio vectorial de V , que se llama subespacio generado por A. El conjunto A se

llama sistema de generadores de L(A).
m
Demostraci
on: Si u = m
i=1 i vi L(A), v =
i=1 i vi L(A), y , K, entonces
m
u + v =
(i + i )vi L(A)
i=1
Ejemplos
1. Si V = R3 y A = {v1 = (1, 0, 1), v2 = (1, 1, 1)}, entonces
L(A) = {v = v1 + v2 : , R} = {v = ( + , , ) : , R}
Las ecuaciones
x=+
y=
z =
; , R
se llaman ecuaciones param

etricas de L(A). Las ecuaciones parametricas son u
tiles
para obtener, dando valores reales a los parametros y , los diferentes vectores de L(A).
As, por ejemplo, para = 2 y = 1 se obtiene el vector v = (1, 1, 3) L(A).
Eliminando parametros en las ecuaciones parametricas, se obtiene:
x 2y z = 0
que se llaman ecuaciones implcitas de L(A) (en este caso solo una). Las ecuaciones
implcitas son u
tiles para comprobar si un determinado vector pertenece a L(A) (el vector
debe verificar todas las ecuaciones). Por ejemplo, el vector (3, 1, 1) L(A) pues 3211 =
0, y el vector (1, 2, 1) L(A), pues 1 2 2 1 = 0.
2. En R4 , las ecuaciones parametricas e implcitas del subespacio generado por
A = {v1 = (1, 1, 1, 1), v2 = (1, 2, 1, 3)}
son
2.10
x1
x2
x
3
x4
=+
= + 2
=
= + 3
; , R
x1 2x2 3x3 = 0
x1 2x3 x4 = 0
Propiedades
Si A y B son dos subconjuntos finitos de un espacio vectorial V , entonces:

1. A B = L(A) L(B).
2. A L(B) L(A) L(B).
3. L(A) = L(B) A L(B) y B L(A).

Agueda
2.11
Proposici
on
Sea V un espacio vectorial y {v1 , . . . , vm } V . Si vm es combinaci

on lineal de {v1 , . . . , vm1 },
entonces
L ({v1 , . . . , vm }) = L ({v1 , . . . , vm1 })
Demostraci
on:
() Si v L ({v1 , . . . , vm1 }), entonces
m1
v=
m1
i vi =
i=1
() Sea vm =
m1
i=1 i vi .
v=
i=1
2.12
i=1
Si v L ({v1 , . . . , vm }), entonces

m1
m1
i vi =
i vi + 0vm L ({v1 , . . . , vm })
m1
i vi =
i vi + m
i=1
i=1
(i + m i )vi L ({v1 , . . . , vm1 })

i=1
Base de un espacio vectorial
Se llama base de un espacio vectorial (o subespacio vectorial) a cualquiera de sus sistemas de

generadores que este formado por vectores linealmente independientes.
2.13
Teorema de la base
Todo espacio vectorial V = {0} (o subespacio vectorial) con un sistema de generadores finito
posee al menos una base.
Demostraci
on: Sea Am = {v1 , . . . , vm } un sistema de generadores de V . Si Am es linealmente
independiente, entonces B = Am es una base de V . En caso contrario habra un vector, que se
puede suponer vm , que es combinacion lineal de los restantes, por lo que
V = L (Am ) = L (Am1 )
con Am1 = {v1 , . . . , vm1 }
Si Am1 es linealmente independiente, entonces B = Am1 es una base de V . En caso contrario,

se repite el razonamiento anterior hasta llegar a alg
un Ai = {v1 , . . . , vi } que sea linealmente
independiente y que sera la base.
El final del proceso anterior esta asegurado pues, en el peor de los casos, despues de m 1 pasos
se llegara a A1 = {v1 } con v1 = 0 (pues L(A1 ) = V = {0}), y este sera la base.
2.14
Coordenadas respecto de una base
Si B = {v1 , . . . , vn } es una base del espacio vectorial V , entonces para todo v V se tiene que
n
v = x1 v1 + . . . + xn vn =
xi vi
i=1
Se llaman coordenadas de v respecto de la base B a la n-upla (x1 , . . . , xn ) Kn , y se indica

v = (x1 , . . . , xn )B

Agueda
2.15
Unicidad de las coordenadas
En un espacio vectorial, las coordenadas de un vector respecto de una base finita son u
nicas.
Demostraci
on: Si B = {v1 , . . . , vn } es una base de V , y v V , entonces
n
i=1 xi vi
n
i=1 xi vi
v = (x1 , . . . , xn )B =
v = (x1 , . . . , xn )B =
(xi xi )vi = 0 = xi = xi , 1 i n
i=1
ya que los vectores de B son linealmente independientes. Luego las coordenadas de cualquier
vector respecto de la base son u
nicas.
2.16
Bases usuales
En cada uno de los siguientes espacios vectoriales, la base usual es la que se indica:
1. En Rn ,
Bc = {e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)}
que tambien se llama base can
onica.
2. En Mnm (R),
= E1 = .
..
0
3. En Pn (R),
B=
0
0
..
.
0
0
..
.
, E2 =
0 1
0 0
.. ..
. .
0 0
0
0
..
.
, . . . , Enm =
0 0
0 0
.. ..
. .
0 0
0
0
..
.
1
B = 1, x, x2 , . . . , xn
Siempre que no haya confusion, se suele omitir la indicacion de la base en la expresion de las
coordenadas respecto de las bases usuales.
2.17
Uso de operaciones elementales para obtenci

on de bases
Sea V = Rn y A = {v1 , . . . , vm } V . Si se representa tambien por A la matriz cuyas filas son

los vectores de A, y Ar es una matriz reducida de A, entonces una base de L(A) esta formada por
los vectores correspondientes a las filas no nulas de Ar . Si la matriz reducida que se considera
es la escalonada, la base que se obtiene es la mas sencilla posible.
Todo lo anterior es igualmente valido cuando V es un espacio vectorial arbitrario con base
finita, y sus vectores vienen expresados por sus coordenadas respecto de dicha base.
Ejemplos
1. Si A = {v1 = (1, 3, 4), v2 = (2, 1, 1), v3 = (3, 2, 5), v4 = (5, 15, 20)} R3 , entonces
1 3 4
1 3 4
1 3
4
2 1 1
0 7 7 0 1 1
3 2
0 0 0
0 7 7
5
0 0 0
0 0 0
5 15 20

Agueda
y B = {u1 = (1, 3, 4), u2 = (0, 1, 1)} es una base de L(A). Para hallar las coordenadas del
vector v = (2, 1, 1) respecto de dicha base, se procede as:
=2

=2
3 + = 1
v = u1 + u2 = (2, 1, 1) = (1, 3, 4) + (0, 1, 1) =
= 7
4 + = 1
de donde v = 2u1 7u2 = (2, 7)B . En referencia a esta base, las ecuaciones parametricas
e implcitas de L(A) son:
x=
y = 3 + ; , R = x + y z = 0
z = 4 +
2. Antes de proceder a hallar una base del subespacio generado por
A = p1 = 1 x3 , p2 = x x3 , p3 = 1 x, p4 = 1 + x 2x3 P3 (R)
se expresan los vectores (polinomios) respecto de la base usual:
A = {p1 = (1, 0, 0, 1), p2 = (0, 1, 0, 1), p3 = (1, 1, 0, 0), p4 = (1, 1, 0, 2)}
Entonces
1 0 0 1
1
0 1 0 1
0
1 1 0 0 0
1 1 0 2
0
0
1
1
1
0
0
0
0
1
1
0
1

0
1
1
0
0
1
0
0
0 1
0 1
0 0
0 0
y una base de L(A) es:

B = q1 = (1, 0, 0, 1) = 1 x3 , q2 = (0, 1, 0, 1) = x x3
Para hallar las coordenadas del polinomio p = 1 + 2x x3 = (1, 2, 0, 1) respecto de
dicha base, se procede as:
= 1
=2
= 1
p = (1, 2, 0, 1) = (1, 0, 0, 1) + (0, 1, 0, 1) =

0
=
0
=2
= 1
de donde p = q1 + 2q2 = (1, 2)B . En referencia a esta base, y representando un
polinomio arbitrario por p = a + bx + cx2 + dx3 = (a, b, c, d), las ecuaciones parametricas
e implcitas de L(A) son:
a=
b=
a+b+d=0
; , R =
c
=
0
c
=0
d =

Agueda
10
3. Antes de proceder a hallar una base del subespacio generado en M22 (R) por A =
=
M1 =
1 1
, M2 =
0 1
0 0
, M3 =
1 1
2 2
, M4 =
2 2
3 3
, M5 =
5 3
1 1
3 1
se expresan los vectores (matrices) respecto de la base usual:

A=
M1 = (1, 1, 0, 1), M2 = (0, 0, 1, 1), M3 = (2, 2, 2, 2), M4 = (3, 3, 5, 3),

M5 = (1, 1, 3, 1)
Entonces
1 1
0
0
2 2
3 3
1 1
0 1
1 1 0 1
1 1 0 1
1 1 0 0
0 0 1 1
0 0 1 0
0 0 1 0
1 1
2 2
0 0 2 0 0 0 0 1 0 0 0 1
5 3
0 0 5 0
0 0 0 0
0 0 0 0
3 1
0 0 3 0
0 0 0 0
0 0 0 0
y una base de L(A) es B =

1 1
, N2 = (0, 0, 1, 0) =
0 0
N1 = (1, 1, 0, 0) =
0 0
, N3 = (0, 0, 0, 1) =
1 0
0 0
0 1
Puesto que la base se ha obtenido llegando hasta la matriz escalonada, ahora es mucho
mas facil obtener las coordenadas de una matriz respecto de ella. De esta manera
M=
2 2
3 2
= (2, 2, 3, 2) = 2N1 + 3N2 2N3 = (2, 3, 2)B
En referencia a esta base, y representando una matriz arbitraria por

M=
a b
c d
= (a, b, c, d)
las ecuaciones parametricas e implcitas de L(A) son:
a=
b =
; , , R =
c=
d=
2.18
a+b=0
Proposici
on
Si V = {0} es un espacio vectorial con una base formada por n vectores, entonces cualquier
conjunto de n + 1 vectores es linealmente dependiente.
Demostraci
on: Sea B = {v1 , . . . , vn } una base de V y A = {u1 , . . . , un , un+1 } V , con
n
ui =
aij vj = (ai1 , ai2 , . . . , ain )B , 1 i n + 1

j=1

Agueda
11
Para que una combinacion lineal de los vectores de A sea igual al vector cero, se ha de cumplir:
n+1
i=1 ai1 i = 0
n+1
n+1
n+1
n+1
n+1
i=1 ai2 i = 0
i ui =
ai1 i ,
ai2 i , . . . ,
ain i = 0
..
i=1
i=1
i=1
i=1
n+1
i=1 ain i = 0
que es un sistema lineal homogeneo de n ecuaciones con n + 1 incognitas, y tiene por tanto
infinitas soluciones (1 , 2 , . . . , n+1 ) = (0, 0, . . . , 0). Luego A es linealmente dependiente.
2.19
Teorema del cardinal o de la dimensi

on
Todas las bases de un espacio vectorial V = {0} tienen el mismo n

umero de elementos (cardinal).
Demostraci
on: Sean B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um } dos bases de V . Puesto que B1
es base y B2 es linealmente independiente, m n, y puesto que B2 es base y B1 es linealmente
independiente, n m. Luego m = n.
2.20
Dimensi
on de un espacio vectorial
Se llama dimensi
on de un espacio vectorial V = {0}, que se representa por dim V , al cardinal
de una cualquiera de sus bases. La dimension de V = {0} es cero.
Observaci
on: Una base de un espacio vectorial V = {0} de dimension n est
a formada por
cualesquiera n vectores linealmente independientes.
2.21
Teorema de extensi
on de la base
Sea V = {0} un espacio vectorial de dimension n y A = {v1 , . . . , vr } V un conjunto linealmente independiente de r < n vectores. Entonces existen {vr+1 , . . . , vn } V tales que
{v1 , . . . , vr , vr+1 , . . . , vn } es base de V .
Demostraci
on: Puesto que A es linealmente independiente y su cardinal es r < n, A no
es sistema de generadores de V , luego existira vr+1 V tal que vr+1 L(A). Entonces
A1 = A {vr+1 } es linealmente independiente.
Si r + 1 = n, A1 es base. En caso contrario, se repite el proceso anterior para obtener A2
linealmente independiente con r + 2 vectores, y as sucesivamente.
2.22
Interpretaci
on geom
etrica de subespacios
Sean V = Rn y S Rn es un subespacio vectorial.

1. Si dim S = 0, S = {0} es un punto (el origen).
2. Si dim S = 1, S = L({u}) es la recta que pasa por el origen con vector de direccion u.
3. Si dim S = 2, S = L({u, v}) es el plano que pasa por el origen con vectores de direccion
u y v.
4. Si 2 < k = dim S < n 1, S es un k-plano que pasa por el origen.
5. Si dim S = n 1, S es un hiperplano que pasa por el origen.
6. Si dim S = n, S = Rn es todo el espacio.

Agueda
2.23
12
Suma e intersecci
on de subespacios
Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial V , se define su intersecci

on y suma como
S T = {v V : v S y v T }
S + T = {u + v V : u S y v T }
respectivamente. Los conjuntos S T y S + T son subespacios vectoriales.
Ejemplo
Sean S = {(x, y, z) : y = 0} y T = {(x, y, z) : x z = 0} dos subespacios vectoriales de R3 .
Los vectores de S T son aquellos que estan S y T , por lo que sus ecuaciones implcitas son la
union de las de ambos subespacios. Por lo tanto, las ecuaciones y una base de S T son
x=
y=0
y = 0 ; R = BST = {(1, 0, 1)}
=
xz =0
z=
Un sistema de generadores de S + T es la union de una base de S con otra de T . Puesto que
BS = {(1, 0, 0), (0, 0, 1)} y BT = {(0, 1, 0), (1, 0, 1)}, entonces
1 0 0
1 0 0
0 0 1
0 1 0
3
0 1 0 0 0 1 = BS+T = {e1 , e2 , e3 } = S + T = R
1 0 1
0 0 0
Se puede observar que la representaci
on de un vector de S + T como suma de un vector de S y
otro de T no es u
nica. Por ejemplo,
u = (1, 1, 1) = (1, 0, 1) + (0, 1, 0) = (3, 0, 3) + (2, 1, 2)
siendo, en cada suma, el primer vector de S y el segundo de T .
2.24
Suma directa de subespacios
Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial V , se dice que S + T es

suma directa de los subespacios S y T , que se representa por S T , si es u
nica la expresion
de cada vector de la suma como un vector de S mas otro de T .
2.25
Caracterizaci
on de la suma directa
Sean S y T dos subespacios vectoriales de V . Entonces

La suma de S y T es directa
S T = {0}
Demostraci
on:
() Si S T = {0}, entonces existe v = 0 con v S T , de donde v = v + 0 = 0 + v, y la
suma no sera directa.
() Si u = v1 +w1 = v2 +w2 , entonces v1 v2 = w2 w1 S T , luego v1 v2 = w2 w1 = 0
de donde v1 = v2 y w1 = w2 , y la suma sera directa.

Agueda
2.26
13
F
ormula de la dimensi
on
Sean S y T subespacios vectoriales de un espacio vectorial V de dimension finita. Entonces

dim(S T ) + dim(S + T ) = dim S + dim T
Demostraci
on: Si dim S = n, dim T = m, dim(S T ) = r y {v1 , . . . , vr } es una base de S T ,
usando el teorema de extension de la base, sean
BS = {v1 , . . . , vr , vr+1 , . . . , vn }
BT = {v1 , . . . , vr , wr+1 , . . . , wm }
bases de S y T , respectivamente. Para demostrar la formula de la dimension, es suficiente

demostrar que
B = {v1 , . . . , vr , vr+1 , . . . , vn , wr+1 , . . . , wm }
es una base de S + T . En primer lugar, B es linealmente independiente:
n
i vi +
i=1
j wj = 0 =
j=r+1
r
j wj =
j=r+1
i vi S T =
i=1
j wj =
j=r+1
j vj
j=1
j vj
j=1
j wj = 0 = j = 0 , 1 j m = j = 0 , r + 1 j m
j=r+1
pues BT es base de T , y entonces

n
i vi = 0
i = 0 , 1 i n
i=1
pues BS es base de S. Finalmente, B es sistema de generadores de S + T , pues si u S + T

entonces
n
u=
i vi +
i=1
i vi +
i=1
i wi =
i=r+1
(i + i )vi +
i=1
i vi +
i=r+1
i wi
i=r+1
Ejemplo
En R4 se consideran los subespacios vectoriales
S = L ({(1, 0, 1, 2), (0, 1, 1, 0)})
y T = L ({(1, 0, 1, 1), (0, 1, 1, 3)})
Puesto que
1
0
1
0
1
0 1 2
0
1 1
0

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

0
0 2 3
0
0 2 3
0 1 2
1 1
0
0 2 3
0 0
0
una base de S + T es BS+T = {(1, 0, 1, 2), (0, 1, 1, 0), (0, 0, 2, 3)}, y sus ecuaciones son:
x1 =
x2 =
; , , R = x1 + 3x2 3x3 2x4 = 0
x3 = + + 2
x4 = 2 3

Agueda
14
Usando la formula de la dimension, dim(S T ) = 2 + 2 3 = 1. Las ecuaciones implcitas de S

y T son
x1 =
x2 =
x1 x2 + x3 = 0
; , R =
S
x
=
2x1 x4 = 0
3
x4 = 2
x1 =
x2 =
x1 x2 x3 = 0
T
; , R =
x
=
x1 3x2 + x4 = 0
x4 = + 3
y las ecuaciones y base de S T son
x1
x1 x2 + x3 = 0
x1 x2 = 0
x2
2x1 x4 = 0
2x2 x4 = 0 =
=
x
x
x
=
0
1
2
3
x3 = 0
3
x4
x1 3x2 + x4 = 0
2.27
=
=
; R = BST = {(1, 1, 0, 2)}
=0
= 2
Subespacios suplementarios
Dos subespacios S y T de un espacio vectorial V se llaman suplementarios si V = S T .

Si S T = U V , se dice que S y T son suplementarios en U .
Si V = S T , entonces dim V = dim S + dim T . Ademas,
{v1 , . . . , vr } base de S
= {v1 , . . . , vr , vr+1 , . . . , vn } base de V
{vr+1 , . . . , vn } base de T
y tambien:
{v1 , . . . , vr } base de S
{v1 , . . . , vr , vr+1 , . . . , vn } base de V
= L ({vr+1 , . . . , vn }) es suplementario de S

Agueda
Tema 3: Geometra afn

Ejercicios
1. Sean P (1, 1, 1), Q(0, 1, 2), u = (1, 2, 0) y v = (1, 1, 1). Halla las ecuaciones
parametricas e implcitas de las siguientes rectas:
(a) Recta que pasa por P con vector de direccion u v.
(b) Recta que pasa por P y Q.
(c) Recta que pasa por Q con vector de direccion 3v.
2. Halla las ecuaciones de la recta que pasa por el punto (1, 1, 1) y es paralela a la recta
3x y + z = 1
r
.
x + y 3z = 0
3. Sean P (1, 2, 3), Q(1, 2, 3), R(0, 1, 1), u = (0, 1, 1) y v = (5, 1, 2). Halla las
ecuaciones parametricas e implcitas de los siguientes planos:
(a) Plano que pasa por P , Q y R.
(b) Plano que pasa por P y R, y es paralelo a la recta que pasa por Q con vector
de direccion u v.
(c) Plano que contiene a R con subespacio de direcciones L ({u + 2v, 2u + v}).
4. Halla las ecuaciones parametricas e implcitas de las siguientes variedades afines:
(a) Recta que pasa por P (1/2, 1, 2) y es paralela a s
x2
1
y+1
2
z1/2
3 .
(b) Recta paralela a la recta s del apartado anterior y que pasa por el origen.
(c) Plano paralelo al eje OY que pasa por los puntos (2, 1, 4) y (3, 0, 1).
(d) Plano paralelo al plano 3x + 4y + z = 7 que corta al eje OX en el punto
x = 2.
(e) Plano paralelo al plano x + y + 3z = 8 que pasa por el punto (2, 1, 0).
(f) Plano paralelo al plano 2x3y+6z = 7 y que pasa por el punto de intersecci
on
de los planos
x z = 1 ; y 2z = 1 ; 3x y = 2
(g) Recta que pasa por (1, 1, 2) y es paralela a los planos
x = 1 3 +
y = 2
x 3y + 2z = 1
z =2+
; , R
on con el
5. Halla la recta que pasa por (1, 1, 0) y (2, 1, 1), y su punto de intersecci
plano 3x y + z = 0.
6. Halla la ecuacion del plano que contiene a la recta r x =
2x + y + z = 1
a la recta
.
x y + 2z = 0
y1
2
= z + 3 y es paralelo

Agueda
7. Sea r la recta que para por (1, 1, 0) y (3, 2, 1), y s la recta que pasa por (1, 0, 1)
con subespacio de direcciones {(x, y, z) : x + y = 0, 2y + z = 0}. Prueba que se cortan y halla la ecuacion del plano que determinan.
8. Obten las ecuaciones implcitas de la recta paralela a t x = y = z y que se apoya
x z = 1
x 5z = 4
en las rectas r
ys
.
y + 3z = 2
y 4z = 3
on en su caso, de los siguientes pares
9. Determina la posicion relativa, y la intersecci
de rectas:
(a) (x, y, z) = (1, 2, 1) + (4, 3, 2) y (x, y, z) = (0, 1, 0) + (1, 3, 2).
y3
y1
z+1
x+9
z3
(b) x+4
5 = 2 = 4 y 5 = 3 = 2 .
(c)
2x 3y z = 3
y
x 3y = 4
x+y =2
.
y z = 1
10. Halla la interseccion de los siguientes pares de planos:

(a) x y + z = 1 y 2x + 2y 3z = 4.
(b) (x, y, z) = (1, 1, 1) + (0, 1, 2) y (x, y, z) = (0, 1, 0) + (0, 1, 1) + (2, 3, 5).
11. Averigua la posicion relativa de los siguientes planos:
1 2x + 2y z = 1
3 4y + 7z = 3
2 x y 4z = 2
4 2x + 2y z = 3
12. En R4 , halla la ecuacion del hiperplano paralelo a x1 2x2 + x3 x4 = 0 y que pasa

por el punto P (0, 1, 1, 1).
13. Halla, seg
un los valores del parametro a R, la intersecci
on de los planos:
1
x1 + x4 = 0
x2 x3 = 1
2 (x1 , x2 , x3 , x4 ) = (0, 0, 1, 1) + L ({(a, 2, 2, 4), (1, 0, 1, 0)})

14. Halla el valor de a
para que los planos

x1
x2
x3
x4
= a + 3 + 2
=1
=4+
= 6 + 5 + 2
x1
x2
2
x
3
x4
= 2 + + 2
=1
=1++
= 3
tengan interseccion no vaca.

15. Halla la ecuacion de un hiperplano que pase por P (1, 1, 0, 0) y Q(1, 0, 0, 1), y que
sea paralelo al plano (1, 0, 1, 0) + L ({(2, 1, 1, 1), (1, 1, 2, 0)}).
16. Halla la ecuacion de una recta que pase por el punto P (2, 1, 1, 1) y que no corte al
plano
(x1 , x2 , x3 , x4 ) = (1, 0, 0, 1) + L ({(0, 1, 1, 0), (2, 1, 0, 2)})
Halla la ecuacion implcita de un hiperplano que contenga a y a la recta.

Agueda
Soluciones
x = 1 2
x + 2z = 3
y = 1 + 3 , R; y
1. (a)
y 3z = 2
z =1+
x=1
x+z =2
y=1
(b)
, R; y
y=1
z =1+
x=
x+y =1
y = 1 , R; y
(c)
x+z =2
z =2
2. x = 1 + , y = 1 + 5, z = 1 + 2; R.
x=
y = 1 + 3
3. (a)
, , R; y 5x y z = 0
z = 1 + 4 2
x = + 5
y =1+
, , R; y 3x + 17y 5z = 22
(b)
z = 1 + 4 + 3
x = 10 + 5
y = 1 + 3 + 3 , , R; y 3x 5y 5z = 0
(c)
z = 1 + 3
x = 1/2
2x + y = 0
y = 1 + 2 , R; y
.
4. (a)
3y + 2z = 1
z = 2 3
x =
2x + y = 0
y = 2 , R; y
(b)
.
3y + 2z = 0
z = 3
x=3+
y =+
(c)
, , R; y 5x + z = 14.
z = 1 5
x=
y=
(d)
, , R; y 3x + 4y + z = 6.
z = 6 3 4
x = 1 3
y=
(e)
, , R; y x + y + 3z = 1.
z=
x
= 3
y = 3 + 2 + 2 , , R; y 2x 3y + 6z = 9.
(f)
z=
x = 8 7
x 3y + 2z = 8
y =
(g)
, R; y
.
x + 3y + 5z = 8
z = 2
5. x = 1 + 3, y = 1 2, z = , R. P (1/5, 1/5, 2/5).
6. x 2y + 3z = 11.

Agueda
7. r s = {(1, 0, 1)}. 3x + 5y + z = 2.
8.
4x 4y = 23
.
x z = 1
9. (a) y (c) Se cruzan. (b) Se cortan en el punto (9, 1, 3).

10. (a) (x, y, z) = (2, 3, 2) + (1, 5, 4); (b) (x, y, z) = (0, 1, 2) + (1, 3, 7).
11. 1 2 3 = r
s1 s2 .
x1
9
y+1
7
z1
4 ;
1 ; y 4 2 = s1 y 4 3 = s2 con
12. x1 2x2 + x3 x4 = 2.
13. 1 2 =
(se cruzan)
P
6
10a a8
a+8
a4 , a4 , a4 , a4
, si a = 4
, si a = 4
14. a = 6.
15. 3x1 + 7x2 2x3 x4 = 4.
16. Recta: (x1 , x2 , x3 , x4 ) = (2, 1, 1, 1) + (0, 1, 1, 0).
Hiperplano: 2x1 6x2 6x3 x4 = 3.

Agueda
Geometra afn
3.1
Variedad o subespacio afn
Se llama variedad afn o subespacio afn de un espacio vectorial V a cualquier conjunto de

la forma
u + S = {u + v : v S} V
con u V y S un subespacio vectorial de V , que se llama subespacio de direcciones.
Si S = L ({v1 , v2 , . . . , vm }), entonces
m
u+S =
u+
i vi : i K, 1 i m
i=1
Se llama dimensi
on del subespacio afn u + S a la dimension del subespacio vectorial
asociado S:
dim(u + S) = dim S
3.2
Observaciones
1. u u + S
2. 0 u + S u S u + S = S
3. Si V = Rn , entonces
un punto
una recta
u + S es un plano
un hiperplano
el espacio V = Rn
3.3
,
,
,
,
,
si
si
si
si
si
dim S = 0
dim S = 1
2 dim S < n 1
dim S = n 1
dim S = n
Ejemplos
1. En R3 , la recta que pasa por P (1, 1, 0) con vector de direccion v = (1, 1, 1) es:
OP + L ({v}) = {(x, y, z) = (1, 1, 0) + (1, 1, 1) : R}

cuyas ecuaciones parametricas e implcitas son:
x=1+
y = 1 + ; R =
z=
xy =2
xz =1
2. En R3 , la recta que pasa por P (0, 1, 1) y Q(1, 0, 1) es:
OP + L P Q
= {(x, y, z) = (0, 1, 1) + (1, 1, 0) : R}
x=
y = 1 ; R =
z=1
x+y =1
z=1

Agueda
3. En R3 , el plano que pasa por P (1, 0, 0) con vectores de direccion u = (1, 1, 0) y v = (0, 0, 1)
es:
OP + L ({u, v}) = {(x, y, z) = (1, 0, 0) + (1, 1, 0) + (0, 0, 1) : , R}

x=1+
y=
; , R
z=
xy =1
4. En R4 , el hiperplano que pasa por P1 (1, 0, 0, 0), P2 (0, 1, 0, 0), P3 (0, 0, 1, 0) y P4 (0, 0, 0, 1)
es:
OP1 + L

P1 P2 , P1 P3 , P1 P4
= {(x1 , x2 , x3 , x4 ) = (1, 0, 0, 0) + (1, 1, 0, 0) + (1, 0, 1, 0) + (1, 0, 0, 1) : , , R}

x1 = 1
x2 =
; , , R
x3 =
x4 =
3.4
x1 + x2 + x3 + x4 = 1
Igualdad de variedades afines
Sean V un espacio vectorial, S y T subespacios vectoriales de V , y u, v V . Entonces

u+S =v+T
S=T
uv ST
Demostraci
on:
() Puesto que S = T y u v T :
u + S = (u v) + v + T = v + T
()
u + S = v + T =
u v + T = u v T
= u v S T
v u + S = v u S = u v S
y ademas
S = u + u + S = u + v + T = (u v) + T = T
3.5
Ejemplo
Para estudiar la igualdad de las variedades afines
x1 = 2 + + +
x1 = 1 +
x2 = +
x2 = +
B
A
x
= 1 + + 2
x
=
3
3
x4 = + 2
x4 = 1 +
x1
x2
C
x
3
x4
= 1 + +
= 2
=
= 1

Agueda
se determina un vector y un subespacio de direcciones de cada una de ellas:

A = uA + SA
con
uA = (1, 0, 0, 1)
SA = L ({(1, 1, 0, 0), (0, 1, 1, 1)})
B = uB + SB
con
uB = (2, 0, 1, 0)
SB = L ({(1, 1, 0, 0), (1, 0, 1, 1), (1, 1, 2, 2)})
C = uC + SC
con
uC = (1, 0, 0, 1)
SC = L ({(1, 1, 0, 0), (1, 2, 1, 1)})
En primer lugar se comprueba, hallando la matriz escalonada de la matriz asociada a sus vectores
de direccion, si coinciden los subespacios vectoriales asociados:
1 1 0
0 1 1
1 1 0
SB 1 0 1
1 1 2
SA
SC
0
1
1 0 1 1
0 1 1 1
0
1 1 0 0
1 0 1 1
1 0 1 1 1 0 1 1 1
2
0 2 2 2
0 0 0 0
1 1 0
0
1 2 1 1
1 1 0 0
0 1 1 1
1 0 1 1
0 1 1 1
Luego S = SA = SB = SC = L ({v1 = (1, 0, 1, 1), v2 = (0, 1, 1, 1)}) y las tres variedades afines
verifican la primera condicion. Para verificar la segunda se comprueba, mediante operaciones
elementales, si las diferencias entre cada dos vectores de los que definen las variedades pertenecen
al subespacio vectorial:
v1
1 0 1
1
1 0 1
1
v2
0 1 1
0 1 1
1
1
. . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
uA uB 1 0 1 1 0 0 0
0
uA uC
2 0 0
0 0 2 2
0
uB uC
0 0 2 2
de donde uA uB S, uA uC
/ S y uB uC
/ S. Luego A = B = C.
3.6
Posici
on relativa de variedades afines
Sean u + S y v + T dos variedades afines en un espacio vectorial V . Entonces, si

u+Sv+T =
u + S, se dice que u + S esta contenida en v + T .

v + T , se dice que v + T est
a contenida en u + S.
(u + S) (v + T ) = , y S T o T S, se dice que u + S y v + T son paralelas.

(u + S) (v + T ) = , y S T y T S, se dice que u + S y v + T se cruzan.

u + S , se dice que u + S y v + T se cortan.
(u + S) (v + T ) =
v+T

Agueda
3.7
Posiciones relativas en R2 y R3
1. Sean r ur + L ({vr }) y s us + L ({vs }) dos rectas del plano R2 . Entonces si

rg (vr , vs )
1
1
2
rg (vr , vs , ur us )
1
2
2
Posici
on relativa de r y s
iguales
paralelas
se cortan en un punto
2. Sean r ur + L ({vr }) y s us + L ({vs }) dos rectas del espacio R3 . Entonces si

rg (vr , vs )
1
1
2
2
rg (vr , vs , ur us )
1
2
2
3
Posici
on relativa de r y s
iguales
paralelas
se cruzan
3. Sean r ur + L ({vr }) y u + L ({v , w }) una recta y un plano del espacio R3 .

Entonces si
rg (vr , v , w )
2
2
3
rg (vr , v , w , ur u )
2
3
3
Posici
on relativa de r y
la recta esta contenida en el plano
paralelos
4. Sean u + L ({v , w }) y u + L ({v , w }) dos planos del espacio R3 . Entonces

si
rg (v , w , v , w )
2
2
3
3.8
rg (v , w , v , w , u u )
2
3
3
Posici
on relativa de y
iguales
paralelos
se cortan en una recta
Ejemplos
1. En R2 , las rectas
r1 x y = 1
verifican: r1
r2
x=1
y =+3
r3
x=1
y = 3 2
r2 , r1 r3 = {(0, 1)}, y r2 r3 = {(3/2, 11/2)}.
x=0
corta al plano 1 yz = 1 en un punto y esta contenida
y+z =1
en el plano 2 y + z = 1. Los planos se cortan en una recta. Mas concretamente:
x=
yz =1
y=1 ; R
r 1 = {(0, 1, 0)}
y
1 2
y+z =1
z=0
2. En R3 , la recta r

Agueda
3. En R3 , las rectas
r1
xy =0
x+z =1
r2
x 2z = 1
y=1
r3
xy =0
x+z =4
x=
y=
(0, 0, 1) + L ({(1, 1, 1)})
z =1
x = 1 + 2
y=1
(1, 1, 0) + L ({(2, 0, 1)})
z=
x=1+
y = 1 + (1, 1, 3) + L ({(1, 1, 1)})
z =3
verifican: r1 r2 = {(1, 1, 0)}, r1 y r3 son paralelas, y r2 y r3 se cruzan.

4. En R4 , el hiperplano H x1 x4 = 1 y el plano
x1 x2 + x4 = 2
se cortan
x1 x3 + 2x4 = 1
en la recta
x1 = 1 +
x1 x4 = 1
x2 = 3 + 2
x1 x2 + x4 = 2
H
(1, 3, 0, 0) + L ({(1, 2, 3, 1)})

x = 3
x1 x3 + 2x4 = 1
3
x4 =
x1 x3 = 1
x2 + x3 + x4 = 1
y 2
se cruzan, pues su
x1 x4 = 1
x3 x4 = 1
interseccion es vaca y ninguno de los subespacios de direcciones, L ({(1, 0, 1, 1), (0, 1, 0, 0)})
de 1 y L ({(1, 0, 0, 0), (0, 2, 1, 1)}) de 2 , esta contenido en el otro.
5. En R4 , los planos 1
x1 x3 = 1
x1 x4 = 2
y 2
son paralelos, pues su
x1 x4 = 1
x3 x4 = 1
interseccion es vaca y sus subespacios de direcciones coinciden.
6. En R4 , los planos 1

Agueda
Tema 4: Aplicaciones lineales

Ejercicios
1. Estudia la linealidad de las siguientes aplicaciones:
(a) f : R2 R3 , definida por f (x, y) = (x + y, x y, x).
(b) f : R R2 , definida por f (x) = (3x, 2x).
(c) f : R2 R2 , definida por f (x, y) = (x + y, 1).
(d) f : R2 R, definida por f (x, y) = xy.
(e) f : R2 R2 , definida por f (x, y) = (x cos y sen , x sen + y cos ), con
0 < 2.
(f) f : R3 P2 (R), definida por f (a, b, c) = a + bx + cx2 .
2. Estudia la linealidad de las siguientes aplicaciones:
(a) f : Mnn (R) A Mnn (R) : A = At , definida por f (A) =
es la matriz traspuesta de A).
A+At
2
(At
(b) f : M22 (R) A M22 (R) : A = At , definida por f (A) = AAt .

(c) f : Pn (R) Pn (R), definida por f (p(x)) = p(x + 1).
(d) f : Pn (R) Pn (R), definida por f (p(x)) = p(x) + 1.
3. Prueba que las siguientes aplicaciones, definidas sobre el espacio vectorial de los
polinomios P(R), son lineales. Obten la imagen y el n
ucleo de cada una de ellas.
x
(a) f (p(x)) = p (x)
(b) g(p(x)) =
p(t) dt
0
4. Sean f, g : R3 R2 definidas por

(a) f (1, 1, 0) = (2, 1), f (0, 1, 2) = (1, 1), f (3, 0, 1) = (0, 3).
(b) g(1, 1, 0) = (2, 1), g(0, 1, 2) = (1, 1), g(1, 2, 2) = (1, 4), g(3, 0, 1) = (0, 3).
Averigua si son homomorfismos y, en caso afirmativo, si son monomorfismo, epimorfismo o isomorfismo.
5. Sea f : P3 (R) P2 (R) definida sobre el conjunto
p1 = 1 + x2 + 2x3 , p2 = 1 + x, p3 = 1 + x3 , p4 = x x3
como f (p1 ) = x 1, f (p2 ) = 1 + 3x2 , f (p3 ) = x2 y f (p4 ) = 1.
(a) Es aplicacion lineal?
(b) Existe una aplicacion lineal g : L ({p1 , p2 , p3 }) P2 (R) tal que g(p1 ) =
2x 3, g(p2 ) = x2 1, g(p3 ) = 1 + x?
(c) Extiende la aplicacion g a una aplicacion lineal h : P3 (R) P2 (R) tal que
h(pi ) = g(pi ), i = 1, 2, 3, y Ker h = L( 1 + x + x2 ).

Agueda
6. Halla una aplicacion lineal f : R3 R3 tal que Ker f = {(x, y, z) : x + z = 0},

f (1, 0, 0) sea proporcional a (0, 0, 1) y f f = f . Es f u
nica?
7. Halla una aplicacion lineal f : R4 R3 tal que
Ker f = L ({(2, 1, 0, 1), (0, 1, 3, 0)})
Im f = L ({(0, 1, 2), (1, 1, 0)})
8. Halla una aplicacion lineal f : R3 R3 tal que

Ker f = L ({(0, 0, 1)})
Im f = L ({(1, 0, 1), (1, 1, 1), (2, 1, 0)})
9. En R3 se consideran los subespacios S = L ({(0, 1, 0), (1, 1, 0)}) y T = L ({(1, 0, 1)}).

(a) Expresa cada vector u = (x, y, z) R3 como suma de un vector uS S y otro
uT T .
(b) Demuestra que la aplicacion f : R3 R3 , definida por f (u) = uS es lineal.
(c) Si L es un subespacio vectorial de R3 de dimension 2, cual es la dimension de
f (L)?
10. (a) Sean f, g : V V aplicaciones lineales. Prueba que Ker(g f ) = f 1 (ker g
Im f ).
(b) Sea f : R3 R3 definida por f (x, y, z) = (x + 2z, x + 3y, 3y 2z). Obten
una base de f 1 (ker f Im f ).
11. Sea B = {v1 , v2 } una base de V , y f y g dos endomorfismos sobre V definidos por
f (v1 ) = 3v1 + v2
f (v2 ) = v1 v2
g(v1 ) = v1 + v2
g(v2 ) = v1
Encuentra las matrices, respecto de la base B, asociadas a f , g, f g, gf y 2f 2 3g 2 .

12. Sea f : R3 R3 la aplicaci
on lineal cuya matriz, respecto de la base canonica
1 3 2
{e1 , e2 , e3 }, es 0 1 1. Calcula f (e1 ), f (e2 ), f (e3 ) y f (e1 + 2e2 e3 ). Es
2 1 0
un isomorfismo?
13. Sea
f
2
3
1
3
: R3
R la aplicacion lineal cuya matriz, respecto de la base canonica es
0 1
1 1. Encuentra bases de la imagen y del n
ucleo.
1 1
14. Encuentra la matriz, respecto de las bases usuales en los correspondientes espacios,
de las siguientes aplicaciones lineales:
(a) f : M22 (R) M21 (R), definida por f (A) = A
1
.
1
(b) f : M22 (R) M22 (R), definida por f (A) = A
1 1
1 1
A.
0 1
0 1

Agueda
(c) f : P3 (R) P3 (R), definida por f (1) = x2 + 1, f (x) = x + 2, f (x2 ) = x3 x

y f (x3 ) = 1.
(d) f : P3 (R) R2 , definida por f (p(x)) = p(1),
1
0 p(x) dx
15. Sea f : P3 (R) M22 (R) definida por f (a + bx + cx2 + dx3 ) =

Obten la matriz de la aplicacion lineal, su imagen y su
3
4
16. Sea f : R R la aplicacion lineal de ecuaciones
a
a+b
.
cd ab
n
ucleo.
y1
y2
y3
y4
= x + 2z
= x y z
= 2y 3z
=xz
(a) Halla las ecuaciones parametricas e implcitas de Ker f e Im f .

(b) Si T = L ({(1, 1, 1, 0), (0, 1, 1, 2)}), halla las ecuaciones parametricas e implcitas de f 1 (T ).
17. Sean f : R3 M22 (R) y g : M22 (R) P3 (R) las aplicaciones definidas por
f (x1 , x2 , x3 ) =
x1 x2
x2
x2
x2 x3
g(A) = 1 x A
x
x2
(a) Prueba que son aplicaciones lineales.

(b) Halla sus matrices respecto de las bases usuales. Cuales son sus rangos?
(c) Halla sus n
ucleos e imagenes.
(d) Halla la matriz de g f , su rango, y su n
ucleo e imagen.
18. En R3se
a
Aa = 1
1
defineel endomorfismo f cuya matriz, respecto de la base canonica, es

1 1
a 1.
1 a
(a) Halla los valores de a para los que f no es automorfismo. En estos casos, halla
bases del n
ucleo y de la imagen.
(b) Para a = 2, encuentra un vector u = 0 tal que f (u) L({u}).
19. Sea M el subespacio vectorial de M22 (R) definido por
M=
+ 2
+ 2
: , R
(a) Construye f : M22 (R) R3 tal que Ker f = M .

(b) Existe f : M22 (R) R3 que verifique (a) y sea epimorfismo?
20. Sea f : R3 R3 una aplicacion lineal tal que f (0, 0, 1) = (2, 5, 3) y f (v) =
3v, para todo v S = {(x, y, z) : x + z = 0}. Halla su matriz respecto de la base
2x + 4y + 3z = 0
canonica y f 1 (r) donde r es la recta de ecuaciones
.
x + 2y + z = 0

Agueda
1
2
1
0
1
0
.
21. Sea f : R3 R4 la aplicacion lineal definida por la matriz A =
1 1
0
1 1 1
(a) Halla el valor de a para que (1, a, a, 0) Im f .
(b) Halla f 1 (1, 0, 0, 0).
(c) En R3 se considera el subespacio vectorial U generado por la base B1 =
{(1, 1, 1), (1, 1, 0)} y en R4 el subespacio vectorial V generado por la base
B2 = {(1, 0, 0, 1), (1, 1, 1, 1), (2, 0, 1, 1)}. Halla la matriz de f : U V
respecto de las bases dadas.
22. Halla las matrices del cambio de base de B1 a B2 en los siguientes casos:
(a) B1 = {(1, 1), (3, 1)} y B2 = {(1, 0), (0, 1)}.
(b) B1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y B2 = {(2, 3, 4), (1, 2, 6), (1, 3, 5)}.
23. Sea V un espacio vectorial de dimension 3 sobre R, y sean B = {e1 , e2 , e3 } y B =
{e1 , e2 , e3 } dos bases de V relacionadas por las ecuaciones:
e1 = 2e1 e2 e3
e2 = e2
e3 = 2e2 + e3
Encuentra los vectores de V que tienen las mismas coordenadas respecto de ambas
bases.
24. Sea f : R3 R3 una aplicacion lineal tal que: f (1, 1, 1) = (1, 1, 0), f (1, 1, 1) =
(0, 0, 1) y f (1, 2, 1) = (0, 0, 0).
(a) Halla su matriz respecto de la base canonica.
(b) Halla su matriz respecto de la base B = {((1, 1, 1), (1, 1, 1), (1, 2, 1)}.
0 1
1 0
4 1
5 0
,B=
,C =
,D=
, S = L({A, B, C}) y
3 1
2 0
3 2
2 1
g : S P2 (R) definida por g(A) = x, g(B) = x2 + 1 y g(C) = x2 + x + 1.
25. Sean A =
(a) Halla bases del n

ucleo e imagen de g. Halla las ecuaciones de g respecto de
las bases B1 = {A, B, C} y B2 = 1, x, x2 , y respecto de las bases B3 =
3 0
A, B, E =
y B4 = x, x2 + 1, 1 .
2 1
(b) Estudia si existe alg
un homomorfismo f : S P2 (R) tal que f (A) = x,
2
f (B) = x + 1, f (C) = x2 + x + 1 y f (D) = 2x2 + x.
26. Sea B = {e1 , e2 , e3 } la base canonica de R3 y f : R3 R3 definida por
f (e1 ) + f (e2 ) = ae1 + (a + 1)e2 + e3
f (e1 ) + f (e3 ) = e1 + ae2 + 2e3
f (e3 ) = e1 + e3
(a) Halla la matriz de f respecto de B. Para que valores de a es f biyectiva?

Agueda
(b) Para a = 1 se considera el subespacio vectorial W = L({(1, 1, 0), (2, 0, 1)}). Es

Ker f W = R3 ? Es Im f Ker f = R3 ? Calcula f 1 (2, 2, 0).
(c) Para a = 2, sea B = {u1 = e1 e2 , u2 = e3 , u3 = 2e2 + e3 }. Prueba que B
es base y halla la matriz de f respecto de B .
27. Sea f : R3 R3 una aplicacion lineal tal que dim(Im f ) = 1, las ecuaciones
del Ker f respecto de la base B = {u1 = (1, 0, 0), u2 = (1, 1, 0), u3 = (1, 1, 1)} son
x +y =0
, y tal que existe v = (b, 0, 0) = (0, 0, 0) verificando que
ax y + (a + 1)z = 0
f (v) = f 2 (v) = u1 + u2 + u3 . Halla las ecuaciones de f respecto de la base canonica.
28. Seafk : R3 R3 una aplicacion lineal cuya matriz respecto de la base canonica
1
0 1
es 1 k 0, k R.
2 1 1
(a) Para que valores de k es fk isomorfismo?
1 0 0
(b) Halla, si es posible, bases respecto de las cuales la matriz de f1 es 0 1 0.
0 0 0
(c) Halla f 1 (S) donde S = L ({(2, 1, 1), (3, 2, 1)}).
29. Sea f : R3 R3 una aplicacion lineal y B = {e1 , e2 , e3 } la base canonica. Sabiendo que dim(Ker f ) = 2, e1 e2 Im f , f 2 = f y que la matriz de f respecto de
B coincide con la matriz de f respecto de B = {u1 , u2 , u3 }, siendo B la base de R3
tal que u1 = 2e1 e2 , u2 = e1 + 2e2 y u3 = e1 + e2 + 2e3 .
(a) Halla la matriz de f respecto de B.
(b) Halla las ecuaciones implcitas de Ker f y de Im f .
30. Sea f : M22 (R) P2 (R) la aplicacion lineal definida por
f
a b
c d
= a(x + x2 ) + bx + dx2
(a) Halla la matriz de f respecto de las bases usuales.

(b) Halla una base de Im f , y un suplementario de Im f en P2 (R).
(c) Halla una base de S = Ker f , un suplementario T de S en M22 (R), y escribe
2 4
la matriz
como suma de una de S y otra de T .
6 8
2 2
1 1
, M2 =
es una base de S y
0 2
1 1
2 2
halla las coordenadas de M3 =
respecto de dicha base.
3 2
(d) Comprueba que B =
M1 =
(e) Ampla la base B = {M1 , M2 } a una base de M22 (R), de forma que las dos
primeras coordenadas de M1 , M2 y M3 respecto de dicha base sean nulas.
(f) Halla f 1 L
3x + 4x2

Agueda
31. Sean U = L ({(1, 1, 1, 0), (0, 1, 1, 1), (1, 0, 0, 1)}), V = L ({(0, 0, 0, 1), (1, 1, 1, 0)})
y f : U V definida por f (1, 1, 1, 0) = (0, 0, 0, 1), f (0, 1, 1, 1) = (1, 1, 1, 1) y
f (1, 0, 0, 1) = (0, 0, 0, 0).
(a) Obten bases de U y V de forma que al colocar los vectores de dichas bases como
filas de una matriz, se obtenga una forma canonica por filas.
(b) Halla la matriz de f respecto de las bases obtenidas en el apartado anterior.
Soluciones
1. (a), (b), (e) y (f) son aplicaciones lineales, mientras que (c) y (d) no lo son.
2. (a) y (c) son aplicaciones lineales, mientras que (b) y (d) no lo son.
3. (a) Im f = P(R) y Ker f = P0 (R) = R.
(b) Im f = {q(x) P(R) : q(0) = 0} y Ker f = {0}.
4. f es epimorfismo, y g no es homomorfismo.
5. (a) No, pues p4 = p2 p3 y f (p4 ) = f (p2 ) f (p3 ).
(b) Si, pues {p1 , p2 , p3 } es base del subespacio que generan.
(c) h viene definida sobre la base B = p1 , p2 , p3 , p4 = x3 como h(pi ) = g(pi ),
i = 1, 2, 3, y h(p4 ) = 5 + x + x2 .
nica: f (1, 0, 1) = f (0, 1, 0) = 0 y f (1, 0, 0) = (0, 0, 1).
6. Es u

x1
1/2 0 0 1
x2
1
3 1 1
7. No es u
nica. Por ejemplo: f (x1 , x2 , x3 , x4 ) =
x3 .
3
6 2 0
x4

1 0 0
x
y .
8. Respecto de la base canonica: f (x, y, z) = 0 1 0
1 2 0
z
9. (a) uS = (x z, y, 0) y uT = (z, 0, z). (b) Es lineal.

(c) La dimension de f (L) es 1 (si T L) o 2 (si T L = {0}).
10. (b) {(6, 2, 3)}.
3 1
1 1
, M (g) =
, M (f g) =
1 1
1 0
14 11
y M (2f 2 3g 2 ) =
.
11
1
11. M (f ) =
2 3
, M (g f ) =
0
1
2 0
3 1
12. f (e1 ) = (1, 0, 2), f (e2 ) = (3, 1, 1), f (e3 ) = (2, 1, 0) y f (e1 + 2e2 e3 ) = (5, 1, 0).
Es un isomorfismo.
13. {(1, 1, 1), (0, 1, 1)} es base de la imagen y {(1, 1, 2)} del n
ucleo.

Agueda
14. (a)
1 1
0 0
(d)
1 1
1 1/2
1 0
1 1
15.
0 0
1 1
0
0
1
0
0 0 1 0
1
1 0 0 1
0
0 0
. (c)
. (b)
0 0 0
1
1 1
0
0 0 1
0
0
1
1
.
1/3 1/4
0
0
+
; Im f =
: , , R
1

0
2 0 1
1 1 0
.
0 0 0
0 1 0
; Ker f = L
x2 + x3
16. (a) Ker

f = {0}.
y1 =
y2 = +
Im f :
, , , R; 7y1 + 6y2 + 3y3 y4 = 0.
y3 = 2 +
y4 = + 3
x = 11
3x + 3y + 2z = 0
y = 5 , R;
(b) f 1 (T ):
.
5x + 2y + 5z = 0
z = 9
1 1 0
0 0 0 0
0 1
0
; M (g) = 1 0 0 0; rg M (f ) = rg M (g) = 3.
17. (b) M (f ) =
0 1
0
0 1 1 0
0 1 1
0 0 0 1
1 0
0 1
0 0
(c) Im f = L
,
,
; y Ker f = {0}.
0 0
1 0
0 1
0 1
Im g = L x, x2 , x3 ; y Ker g = L
.
1 0
0 0
0
1 1 0
; rg M (g f ) = 3; Im(g f ) = L x, x2 , x3
(d) M (g f ) =
0 2
0
0 1 1
Ker(g f ) = {0}.
; y
18. (a) a = 1 y a = 2. Para a = 1, BIm f = {(1, 1, 1)} y BKer f = {(1, 1, 0), (1, 0, 1)}.
Para a = 2, BIm f = {(1, 1, 2), (0, 1, 1)} y BKer f = {(1, 1, 1)}. (b) u = (1, 1, 0).
19. (a) No es u
nica. Por ejemplo: f
a b
c d
5a+b
= 0, a+b
+ d ; (b) No.
3 + c,
3
1 0 2
20. M (f, Bc ) = 5 3 5 ; y f 1 (r) = L ({(6, 11, 0)}).
0 0 3
1 0
21. (a) a = 1/5; (b) f 1 (1, 0, 0, 0) = ; (c) 1 1.
1 1

Agueda
22. (a)
1 3
; (b)
1 1
23. {u = (0, , )
3 0
24. (a) 16 3 0
3 2
8
1 1
1
3
6 3 .
9
10 8 1
: R}.
3
3 3 0
3; (b) 16 1 1 0.
1
2 2 0
25. (a) BIm g = x, 1 + x2 y BKer g =
g : (a, b, c)B1 (, , )B2 con
g : (a, b, e)B3 (, , )B4 con
3 0
.
2 1
=b+c
=a+c .
=b+c
=a
=b .
=0
(b) No existe.
0 a
26. (a) M (f, B) = a 1

1 0
(b) Ker f W =
R3 y
4
(c) M (f, B ) = 12 3
1
27. f (x, y, z) =
3x3z
2 ,x
1
0 ; f es biyectiva si a = 1.
1
3
1
Ker f Im
f = R ; f (2, 2, 0) = (0, 2, 0) + Ker f .
2 6
3 3.
1 5
z, xz
2 .
28. (a) k = 1. (b) B1 = {u1 , u2 , u3 = (1, 1, 1)} y B2 = {f (u1 ), f (u2 ), v3 }.

(c) f 1 (S) = L ({(3, 8, 0), (5, 0, 8)}).
1 1 0
29. (a) M (f, B) = 12 1 1 0.
0
0 0
x+y =0
(b) Im f
; Ker f x y = 0.
z=0
0 0 0 0
30. (a) 1 1 0 0.
1 0 0 1
(b) BIm f = x, x2 . L({1}) es suplementario de Im f en P2 (R).
1 1
0 0
0 1
0 0
(c) BS =
,
y, por ejemplo, BT =
,
0 1
1 0
0 0
0 1
2 4
2 2
0 6
caso:
=
+
.
6 8
6 2
0 10
(d) M3 = 12 M1 + 3M2 = (1/2, 3)B .
. En este

Agueda
(e)
0 1
0 0
,
, M1 , M2 .
0 0
0 1
(f) f 1 L
3x + 4x2
=L
4 1
0 0
3 0
,
,
0 0
1 0
0 1
31. (a) BU = {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)} y BV = {(1, 1, 1, 0), (0, 0, 0, 1)}.
1 1 1
(b) M (f, BU , BV ) = 12
.
0 2
0

Agueda
Aplicaciones lineales
4.1
Aplicaci
on lineal
Sean V y W dos espacios vectoriales sobre el mismo cuerpo K (en general, R o C). Una aplicacion
f : V W se llama aplicaci
on lineal u homomorfismo si
f (u + v) = f (u) + f (v), u, v V .
f (u) = f (u), u V , K.
Estas dos condiciones son equivalentes a la u
nica condicion:
f (u + v) = f (u) + f (v) ,
4.2
u, v V , , K
Ejemplos
1. Las siguientes aplicaciones, f : R2 R2 , son aplicaciones lineales:

(a) Homotecia: f (u) = u, con R.
(b) Proyeccion: f (x, y) = (x, 0).
(c) Simetra: f (x, y) = (x, y)
2. Si A Mmn (R), la aplicacion f : Rn Rm definida por f (u) = Au es una aplicacion
lineal (asociada a la matriz A). Obviamente, para que tenga sentido el producto Au, se
entiende que el vector u se escribe en columna, como se hara siempre que este implicado
en operaciones matriciales.
1 1
0 es f : R2 R3 definida por:
3. La aplicacion lineal asociada a la matriz A = 1
1 2
1 1
x
0
f (x, y) = 1
y
1 2
4.3
xy
x =xy
x
y =x
=
=
x + 2y
z = x + 2y
Propiedades
Si f : V W es una aplicacion lineal, se cumple:

1. f (0) = 0.
2. f (u) = f (u).
3. S subespacio vectorial de V = f (S) es subespacio vectorial de W .
4. T subespacio vectorial de W = f 1 (T ) es subespacio vectorial de V .
4.4
N
ucleo e imagen de una aplicaci
on lineal
Si f : V W es una aplicacion lineal, se llama imagen al subespacio vectorial Im f = f (V ),

y n
ucleo al subespacio vectorial Ker f = f 1 ({0}).

Agueda
4.5
Definiciones
Una aplicacion lineal (homomorfismo) se llama monomorfismo si es inyectiva, epimorfismo

si es sobreyectiva, e isomorfismo si es biyectiva. Cuando los espacios inicial y final coinciden, la aplicacion lineal y el isomorfismo se suelen llamar endomorfismo y automorfismo,
respectivamente.
4.6
Condici
on necesaria y suficiente de monomorfismo
Sea f : V W es una aplicacion lineal. Entonces

f es monomorfismo Ker f = {0}
Demostraci
on:
() Si f es inyectiva, entonces:
f (u) = 0 = f (u) = f (0) = u = 0
luego Ker f = {0}.
() Inversamente, si Ker f = {0}, entonces
f (u) = f (v) = f (u v) = 0 = u v = 0 = u = v
luego f es inyectiva.
4.7
Dimensi
on del subespacio imagen
Sea f : V W es una aplicacion lineal. Si B = {v1 , v2 , . . . , vn } es una base de V , entonces

Im f = L ({f (v1 ), f (v2 ), . . . , f (vn )}) y, en consecuencia dim Im f dim V
Demostraci
on: Si w Im f , existe v = (x1 , x2 , . . . , xn )B V tal que
n
w = f (v) = f
xi vi
i=1
xi f (vi )
i=1
luego w L ({f (v1 ), f (v2 ), . . . , f (vn )}). Inversamente, si w L ({f (v1 ), f (v2 ), . . . , f (vn )}),
entonces
n
w=
i f (vi ) = f
i=1
i vi
y v=
i=1
i vi V
i=1
luego w Im f .
4.8
Determinaci
on de una aplicaci
on lineal
Si B = {v1 , v2 , . . . , vn } es una base de V y {w1 , w2 , . . . , wn } son n vectores cualesquiera de

W , entonces existe una u
nica aplicacion lineal f : V W tal que
f (vi ) = wi , para 1 i n

Agueda
n
i=1 xi vi
Demostraci
on: Para cada v =
V se define
n
f (v) =
xi wi
i=1
Es facil ver que f es aplicacion lineal y que f (vi ) = wi , para 1 i n. Ademas es u

nica, pues
si g : V W verifica la misma condicion, entonces
n
g(v) = g
xi vi
i=1
4.9
xi g(vi ) =
i=1
xi wi = f (v)
i=1
Observaciones
Si f : Rn Rm viene definida por f (u) = Au, A Mmn (R), entonces

Ker f son las soluciones del sistema homogeneo Au = 0.
Si B = {e1 , e2 , . . . , en } es la base canonica de Rn , entonces
Im f = L ({f (e1 ), f (e2 ), . . . , f (en )}) = L ({c1 , c2 , . . . , cn })
donde ci es la columna i-esima de la matriz A.
4.10
Ejemplo
1 0 1
Si f : R3 R3 es la aplicacion lineal asociada a la matriz A = 0 1 0, entonces
1 1 1
Im f = L ({(1, 0, 1), (0, 1, 1), (1, 0, 1)}) = L ({(1, 0, 1), (0, 1, 1)})
Ker f = {u : Au = 0} = L ({(1, 0, 1)})
ya que
4.11
1 0 1
1 0 1
x=
0 1 0 0 1 0 =
y=0
1 1 1
0 0 0
z =
, R
Matriz de una aplicaci

on lineal
Como se ha visto, una aplicacion lineal f : V W queda unvocamente determinada por las
imagenes de los elementos de una base BV = {v1 , v2 , . . . , vn } de V . Si BW = {w1 , w2 , . . . , wm }
es una base de W , y
m
f (vj ) =
aij wi ,
i=1
1jn

Agueda
entonces la imagen de cualquier u = (x1 , x2 , . . . , xn )BV V , expresada en la base BW de W , es
f (u) = f
xj vj =
j=1
n
j=1 a1j xj
n
j=1 a2j xj
..
.
n
j=1 amj xj
xj f (vj ) =
j=1
a11
a21

= ..
.
j=1
a12
a22
..
.
xj
am1 am2
i=1
aij wi =
i=1
aij xj wi
j=1

x1
a1n
x2
a2n

.. .. = Au
. .
xn
amn
donde las columnas de la matriz A Mmn (R), llamada matriz de la aplicaci

on respecto
de las bases BV y BW , son las coordenadas en la base BW de las imagenes de los vectores de la
base BV . Se suele indicar A = M (f, BV , BW ).
Fijadas las bases BV y BW , a cada aplicacion lineal le corresponde una matriz y viceversa.
En el caso particular de que V = W y que la base B en ambos es la misma, se indica simplemente
A = M (f, B).
4.12
Ejemplo
La expresion matricial de la aplicacion lineal f : R4 R3 definida, respecto de las bases

canonicas, por
f (x1 , x2 , x3 , x4 ) = (x1 + x4 , x1 + x2 + x3 , x1 + x2 + x3 )
es
x
1 0 0 1 1
x2
f (x1 , x2 , x3 , x4 ) = 1 1 1 0
x3
1 1 1 0
x4
Para hallar el n
ucleo, se resuelve el sistema:
f (u) = Au = 0 =
x1
x2
x1 + x4 = 0
=
x1 + x2 + x3 = 0
x
3
x4
=
=
=
=
, , R
de donde Ker f = {(1, 0, 1, 1), (0, 1, 1, 0)}. La imagen es

Im f = {(1, 1, 1), (0, 1, 1), (0, 1, 1), (1, 0, 0)} = {(1, 0, 0), (0, 1, 1)}
4.13
Dimensiones de la imagen y el n
ucleo
Si f : V W es una aplicacion lineal, entonces

dim(Ker f ) + dim(Im f ) = dim V
Demostraci
on: Sean dim V = n, dim(Ker f ) = r n, y
B1 = {v1 , . . . , vr }
una base del Ker f
B = {v1 , . . . , vr , vr+1 , . . . , vn }
una base de V
Entonces B2 = {f (vr+1 ), . . . , f (vn )} es una base de Im f , ya que

Agueda
B2 es un sistema de generadores:
n
w Im f = w = f (v) con v =
xi vi V
i=1
xi vi
= w = f (v) = f
i=1
xi f (vi ) =
i=1
xi f (vi )
i=r+1
B2 es linealmente independiente:
n
i f (vi ) = f
i=r+1
i vi
= 0 =
i=r+1
n
i vi Ker f =
i=r+1
i vi =
i=r+1
(i )vi
i=1
i vi = 0 = i = 0 , 1 i n = i = 0 , r + 1 i n
i=1
Por lo tanto dim(Ker f ) + dim(Im f ) = dim V .
4.14
Rango de una aplicaci

on lineal
Si A es la matriz asociada a una aplicacion lineal f : V W , respecto de las bases BV y BW ,

entonces, puesto que el n
ucleo es el espacio de soluciones del sistema Au = 0, se ha de cumplir
que
dim(Ker f ) = dim V rg A = dim(Im f ) = rg A
Luego el rango de cualquier matriz asociada a f (respecto de bases cualesquiera), que se llama
rango de la aplicaci
on lineal, ha de ser constante e igual a la dimension de la imagen.
4.15
Proposici
on
Si f : V W es una aplicacion lineal con dim V = dim W = n < , entonces

f es isomorfismo f es monomorfismo f es epimorfismo
Demostraci
on:
f es epimorfismo dim(Im f ) = dim W = n dim(Ker f ) = 0 f es monomorfismo
4.16
Composici
on de aplicaciones lineales
Si f : U V y g : V W son aplicaciones lineales, entonces g f : U W es aplicacion

lineal, y
M (g f, BU , BW ) = M (g, BV , BW ) M (f, BU , BV )
Demostraci
on: Sean A = M (g f, BU , BW ), B = M (g, BV , BW ) y C = M (f, BU , BV ).
Entonces
(g f ) (uBU ) = g (f (uBU )) = g (Cu)BV
= (BCu)BW = A = BC

Agueda
4.17
Ejemplo
Si f : R2 R3 y g : R3 R2 vienen definidas por
1 1
x
f (x, y) = 0 1
g(x, y, z) =
y
1 1

x
1 0 1
y
0 1 0
z
respecto de las bases canonicas, entonces g f : R2 R2 y f g : R3 R3 vienen definidas

por
1 1
1 0 1
x
0 0
x
0
0 1
g f (x, y) =
=
=
0 1 0
y
0 1
y
y
1 1
1 1
x
1 1 1
x
xy+z
1 0 1
y =
0 1 0 y =
y
f g(x, y, z) = 0 1
0 1 0
1 1
z
1 1 1
z
x + y z
respecto de las bases canonicas.
4.18
Matriz de un cambio de base
Sea V un espacio vectorial de dimension n y sean

B = {v1 , . . . , vn }
B = v1 , . . . , vn
dos bases de V . La aplicacion que hace corresponder a cada vector u V en la base B el mismo
vector expresado en la base B es la apl8icacion identidad:
Id : V B V B
uB uB = AuB
donde A Mnn (R) es la matriz cuya columna i-esima es la imagen de vi , es decir las coordenadas de vi en la base B .
Puesto que esta aplicacion es un isomorfismo, rg A = n y la matriz A es regular. Su inversa A1
es la que pasa de las coordenadas respecto de B a las coordenadas respecto de B. Resumiendo:
A = M (Id, B, B ) = ((v1 )B , . . . , (vn )B )
A1 = M (Id, B , B) = (v1 )B , . . . , (vn )B
4.19
y AuB = uB
y A1 uB = uB
Ejemplo
Si en R3 se considera la base canonica Bc = {e1 , e2 , e3 } y la base

B = {v1 = (1, 0, 1), v2 = (0, 1, 2), v3 = (1, 1, 0)}
entonces
1 0 1
A = M (Id, B, Bc ) = 0 1 1
1 2 0
y uBc = AuB

Agueda
De esta manera, si u = (3, 2, 1)B , entonces

1 0 1
3
2
uBc = 0 1 1 2 = 1
1 2 0
1
1
es decir u = (2, 1, 1)Bc = (2, 1, 1). Ademas:
A1
2 2 1
= M (Id, Bc , B) = 1 1 1
1 2 1
y uB = A1 uBc
de donde e1 = (2, 1, 1)B , e2 = (1, 1, 1)B y e3 = (1, 2, 1)B .
4.20
Cambios de base en una aplicaci

on lineal
Sea f : V W una aplicacion lineal cuya matriz, respecto de las bases BV en V y BW en

W , es A. Cual es la matriz de f respecto de nuevas bases BV en V y BW en W ?
Sean P = M (IdV , BV , BV ) y Q = M (IdW , BW , BW ) las matrices del cambio de base en V y
W , respectivamente. Observando el diagrama
A
V BV W BW
1
Q
P
C
V BV W BW
se deduce que
C = M f, BV , BW = Q1 AP
4.21
Ejemplo
Sea f : R3 R3 la aplicacion lineal

matriz
1
A = M (f, Bc , Bc ) = M (f, Bc ) = 1
1
que respecto de la base canonica Bc tiene asociada la

0 2
1 0 2
x
1 3 , es decir f (x, y, z) = 1 1 3 y
1 1
1 1 1
z
1. Cual es la matriz de f respecto de la base

B = {v1 = (1, 0, 1), v2 = (0, 1, 2), v3 = (1, 1, 0)} ?
Se construye el diagrama
A
(R3 )Bc (R3 )Bc
1
P
P
C
(R3 )B (R3 )B
y entonces
1 0 1
donde P = M (Id, B, Bc ) = 0 1 1
1 2 0
2 1 4
C = M (f, B, B) = M (f, B) = P 1 AP = 1 2 3
3 3 3

Agueda
es decir, que si u = (x, y, z)B entonces su imagen,
2 1
1 2
f (x, y, z) =
3 3
tambien expresada en la base B, es

4
x
3
y
3
z
2. Cual es la matriz de f respecto de la base B en el espacio inicial y la base canonica en el

espacio final? Siendo I la matriz identidad, el nuevo diagrama, y la matriz buscada, son
A
(R3 )Bc (R3 )Bc
I
P
D
(R3 )B (R3 )Bc
1 4 1
de donde D = M (f, B, Bc ) = IAP = AP = 2 5 0
0 3 2

Agueda
Tema 5: Diagonalizaci
on de endomorfismos
Ejercicios
1. Halla los subespacios propios de cada una de las siguientes aplicaciones o matrices.
Que representa geometricamente cada uno de ellos?
(a) f (x, y) = (x, 2y); (b) g(x, y) = (x + y, 0); (c) h(x, y) = (2x y, x 2y); y
1 4
(d) A =
.
2 3
2. Halla los subespacios propios de cada una de las siguientes aplicaciones lineales:
(a) f (x, y, z) = (x, z, y) ;
(c) f (x, y, z) = (x y + 3z, y 3z, z) ;
(b) f (x, y, z) = (x y + 3z, 2y 3z, z) ;
(d) f (x, y, z) = (x y + z, 2y z, z) .
3. Es diagonalizable en R el endomorfismo f (x, y, z) = (z, 0, x)?

4. Siendo Bc = {e1 , e2 , e3 } la base canonica, estudia la diagonalizacion del endomorfismo:
f (e1 e2 ) = (3, 2, 1) ; f (e1 + e3 ) = (3, 3, 0) ; f (3e2 3e3 ) = (4, 3, 1)
x = 2x + y z
y = x y
5. Sea f el endomorfismo sobre R3 de ecuaciones:
z = x + y + 2z
ucleo de f .
(a) Halla una base de la imagen y otra del n
(b) Averigua si f es diagonalizable. En caso afirmativo, obten su forma diagonal y
la matriz del cambio de base.
2 3
3
6. Sea A = a 1 2. Estudia para que valores de a la matriz A es diagonalizable.
a 0
1
Calcula para a = 0 la matriz diagonal D y la matriz P tales que D = P 1 AP .
7. (a) Determina,
seg
u
n los valores de a y b, cuando es diagonalizable la matriz:
a b 0
A = 0 1 0.
0 0 1
(b) Determina, seg
un los valores de a, cuando los endomorfismos siguientes son
diagonalizables:
i. f (x, y, z) = (x 2y (2 + a)z, y + az, z).
ii. f (x, y, z) = (x + a(x y + z), (a + 2)x ay + (a 1)z, 2x y)
Diagonaliza en los casos posibles.
8. Sea f : R4 R4 definida por f (x1 , x2 , x3 , x4 ) = (x1 , 2x1 , x1 , x1 + ax2 ). Calcula
a R para que f sea diagonalizable y, en estos casos, halla una base B respecto de
la cual la matriz de f sea diagonal.

Agueda
9. Diagonaliza el endomorfismo f (a + bx + cx2 + dx3 ) = d + cx + bx2 + ax3 .

10. Halla los autovalores y subespacios propios del endomorfismo f : P3 (R) P3 (R)
definido por f (p(x)) = p(x + 1).
11. Sea f : M22 (R) M22 (R) una aplicacion lineal definida por f (A) = AF F A
1 2
siendo F =
. Se pide:
0 3
(a) Ecuaciones de f en la base usual de M22 (R).
(b) Base y ecuaciones implcita de Ker f .
(c) Polinomio caractestico y espectro de f .
(d) La base de autovectores, si existe, respecto de la que la matriz de f es diagonal.
12. Halla la matriz de f : R3 R3 respecto de la base canonica si sus autovalores son
1, 2 y 1, y sus autovectores asociados (1, 1, 1), (0, 1, 2) y (1, 2, 1), respectivamente.
13. Halla la potencia An de cada
1 1
(a) A = 0 2
2 1
una de las siguientes matrices:
0
a b b
0 ;
(b) A = b a b .
3
b b a
14. Sea f un endomorfismo sobre R3 y B = {e1 , e2 , e3 } una base. Sabiendo que u1 =

e1 e3 es un autovector, f (2e1 + e2 + 2e3 ) = 3e1 + 6e2 + 3e3 , f (2e1 e2 ) = e1 + e3 ,
y que la suma de sus autovalores es 2, calcula:
(a) Las ecuaciones de f respecto de la base B.
(b) Una base de autovectores de f respecto de la que su matriz sea diagonal.
15. De un endomorfismo sobre R3 se sabe que los vectores (1, 0, 0), (1, 1, 0), (0, 1, 0) y
(0, 0, 1) son autovectores, y que hay vectores que no lo son. Halla todos los autovectores del endomorfismo.
1 1 0 0
1 0 0 1
16. Sea f el endomorfismo definido sobre R4 cuya matriz asociada es

0 0 1 0, y
0 1 0 1
sea U = L ({(1, 0, 2, 1)}).
(a) Comprueba que f (U ) U .
(b) Halla otro subespacio V , de R4 , tal que f (V ) V y {0}
R4 .
17. Se sabe que el endomorfismo f : R2 R2 es diagonalizable, que (1, 2) y (3, 1) son

autovectores y que f (5, 5) = (2, 1). Halla sus autovalores y su matriz en la base
canonica.
18. Sea G =
a b
c d
: a, b, c, d 0, a + c = b + d = 1 .
(a) Estudia que matrices M G son diagonalizables.

Agueda
(b) Para las matrices M G diagonalizables, obten P regular y D diagonal tales

que M = P 1 DP .
(c) Para cada M G, halla M n .
Soluciones
1. (a) S(1) = L ({(1, 0)}) y S(2) = L ({(0, 1)}).
(b) S(1)
1)}).
= L ({(1, 0)}) yS(0) = L ({(1,

(c) S( 3) = L (1, 2 3) y S( 3) = L (1, 2 + 3) .
(d) S(1) = L ({(2, 1)}) y S(5) = L ({(1, 1)}).
Todos los subespacios propios son rectas que pasan por el origen.
2. (a) S(1) = L ({(1, 0, 0)}).
(b) S(1) = L ({(1, 1, 1)}), S(1) = L ({(1, 0, 0)}) y S(2) = L ({(1, 1, 0)}).
(c) S(1) = L ({(1, 0, 0)}) y S(1) = L ({(3, 6, 4)}).
(d) S(1) = L ({(1, 0, 0), (0, 1, 1)}) y S(2) = L ({(1, 1, 0)}).
3. No es diagonalizable, pues tiene autovalores complejos.
4. No es diagonalizable, pues dim S(1) = m(1).
5. (a) BIm f = {(1, 0, 2), (0, 1, 3)} y BKer f = {(1, 1, 1)}
(b) No es diagonalizable, pues dim S(0) = m(0).
1
6. La matriz A es diagonalizable si 3
< a < 1
.
3 y si a >
8
1 0 0
1
0 1
Si a = 0, D = P 1 AP con D = 0 1 0 y P = 1 1 0.
0 0 2
0 1 0
si si a= 1 y b= 0, caso en
que
7. (a) A es diagonalizable
a 0 0
1 0 b
y b R con D = 0 1 0 y P = 0 0 a + 1.
0 0 1
0 1
0
(b-i) Para cualquier a R no es diagonalizable.
1
(b-ii) Es diagonalizable si a = 0, en cuyo caso D = 0
0
ya es diagonal, y si a = 1
0 0
0 1 1
1 0 y P = 1 2 0.
0 1
1 0 2
8. Es diagonalizable si a = 0, y una base respecto de la cual

{(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1), (1, 2, 1, 1)}.
0
9. Si B = 1 + x3 , x + x2 , 1 x3 , x x2 , la matriz es D =
0
0
es diagonal es B =
0 0
0
1 0
0
.
0 1 0
0 0 1
10. El u
nico autovalor es = 1 con m(1) = 4. S(1) = L({(1, 0, 0, 0)}).

Agueda
11. (a) f (a, b, c, d) = (2c, 2a + 2b 2d, 2c, 2c).
1 1
1 0
a+bd=0
(b) BKer f =
,
;
.
0 0
0 1
c=0
(c) P () = 2 ( 2)( + 2); (f ) = {2, 0, 0, 2}.
1 1
1 1
1 0
0 1
(d) B =
,
,
,
.
1 1
0 0
0 1
0 0
2 2 1
12. M (f, Bc ) = 3/2 3 5/2.
0 2 3
1
2n 1 0
2n
0 ;
13. (a) An = 0
n
n
1 3 2 1 3n
2 1 1
1 1 1
(b) An = 13 1 2 1 (a b)n + 1 1 1 (a + 2b)n .
1 1 2
1 1 1
14. (a) f (x, y, z) = (y + z, x + 2y + z, x + y); (b) B = {(1, 1, 1), (1, 0, 1), (1, 2, 1)}.
15. S(1 ) = L ({(1, 0, 0), (0, 1, 0)}) y S(2 ) = L ({(0, 0, 1)}), con 1 = 2 .
16. (b) S2 = L ({(1, 0, 0, 1), (0, 0, 1, 0)}).
17. (f ) =
1 1
4, 3
y M (f, Bc ) =
7
20
1
30
1
20
7
30
18. (a) Todas.

(b) Si a = d = 1, D = M y P = I;
a+d1 0
1 d1
Si a = 1 o d = 1, D =
yP =
.
0
1
1 a 1
(c) Si a = d = 1, M n = I; y si a = 1 o d = 1, entonces
Mn =
1
a+d2
(a + d 1)n (a 1) + (d 1) (a + d 1)n (d 1) + (d 1)
(a + d 1)n (a 1) + (a 1) (a + d 1)n (d 1) + (a 1)

Agueda
5
5.1
Diagonalizaci
on de endomorfismos
Endomorfismo
Se llama endomorfismo a una aplicacion lineal f : V V de un espacio vectorial V en si

mismo.
5.2
Cambio de base en un endomorfismo
Sea V un espacio vectorial y f : V V un endomorfismo cuya matriz respecto de la base B

(lo usual, en endomorfismos, es considerar la misma base en los espacios inicial y final) es A, es
decir:
f (u) = Au
donde A = M (f, B, B) = M (f, B)
Cual es la matriz de f respecto de otra base B ? Si P = M (Id, B , B) es la matriz del cambio
de base de B a B, es decir la matriz cuyas columnas son las coordenadas de los vectores de B
en la base B, entonces
A
V B V B
1
P
P
de donde C = M (f, B ) = P 1 AP
V B V B
y f (u) = Cu respecto de la base B .
5.3
Endomorfismo o matriz diagonalizable
Un endomorfismo f sobre un espacio vectorial real V es diagonalizable si existe una base

B respecto de la cual su matriz D = M (f, B ) es diagonal, es decir si existe B = {v1 , . . . , vn }
y {1 , . . . , n } R tales que f (vi ) = i vi , 1 i n.
Identificando el endomorfismo con su matriz real asociada, una matriz cuadrada A Mnn (R)
se dice diagonalizable si existe una matriz regular P Mnn (R) tal que D = P 1 AP es
diagonal.
Nota: Aunque aqu solo se consideran espacios vectoriales y matrices reales, con lo que se
obtienen diagonalizaciones reales, todo lo que se diga es igualmente cierto para otro cuerpo K,
con lo que se obtienen diagonalizaciones en K.
5.4
Autovalores y autovectores
Sea A la matriz asociada a un endomorfismo f sobre el espacio vectorial real V de dimension n.

Se dice que R es autovalor si existe un vector v = 0, que se llamara autovector, tal que
f (v) = Av = v. Puesto que
Av = v (A I)v = 0
que es un sistema homogeneo, la existencia del vector no nulo (solucion no nula del sistema
homogeneo) viene garantizada si
rg(A I) < n lo que equivale a que
|A I| = 0

Agueda
Por lo tanto, los autovalores de la matriz A (o endomorfismo asociado) son las races reales del
polinomio caracterstico P () = |A I| = 0, y los autovectores asociados son los vectores
no nulos del n
ucleo de la aplicacion asociada a la matriz A I.
Se llama espectro de A, que se representa por (A), al conjunto de todos sus autovalores, y
subespacio propio asociado al autovalor a todos sus autovectores asociados mas el vector
nulo, es decir a
S() = {v : (A I)v = 0} = Ker(A I)
5.5
Ejemplo
0 0 1
Sea f : R3 R3 el endomorfismo asociado a la matriz A = 4 2 2, respecto de la base
2 0 3
canonica. El polinomio caracterstico, y sus races, son
0
1
2
P () = |A I| = 4 2
= ( 2)2 ( 1) = 0 =
2
0
3
= 1, con m(1) = 1
= 2, con m(2) = 2
donde m() indica la multiplicidad del autovalor . El espectro es (A) = {1, 2}.
Los subespacios propios asociados a estos autovalores son:

1 0 1
x
xz =0
S(1) = Ker(A I) = v : 4 1 2 y = 0 = v :
= L ({(1, 2, 1)})
y 2z = 0
2 0 2
z

2 0 1
x
S(2) = Ker(A 2I) = v : 4 0 2 y = 0 = {v : 2x z = 0}
2 0 1
z
= L ({(1, 0, 2), (0, 1, 0)})
Es facil comprobar que los autovectores v1 = (1, 2, 1) S(1), v2 = (1, 0, 2) S(2), y v3 =
(0, 1, 0) S(2) forman base. Puesto que f (v1 ) = v1 , f (v2 ) = 2v1 y f (v3 ) = 2v3 , la matriz
respecto de esta base B = {v1 , v2 , v3 } es
1 0 0
D = M (f, B) = 0 2 0
0 0 2
que es diagonal, luego el endomorfismo f y la matriz A son diagonalizables. Para relacionar las
matrices A y D se recurre al diagrama:
A
(R3 )Bc (R3 )Bc
1
P
P
D
(R3 )B (R3 )B
1 1 0
donde P = M (Id, B, Bc ) = 2 0 1
1 2 0
Es facil comprobar la relacion D = P 1 AP .

Es inmediato de las definiciones la siguiente caracterizacion:

Agueda
5.6
Caracterizaci
on de endomorfismo diagonalizable
Un endomorfismo f sobre un espacio vectorial real V , de dimension n, es diagonalizable si y

solo si existen n autovalores reales (algunos de ellos pueden ser iguales) y una base formada por
autovectores.
5.7
Independencia de autovectores asociados a distintos autovalores
Autovectores asociados a autovalores distintos son linealmente independientes.

Demostraci
on: Sea f un endomorfismo sobre V , y u y v autovectores asociados, respectivamente, a los autovalores y , = . Entonces
u + v = 0 =
f (u + v) = f (0) = 0
=
(u + v) = 0
u + v = 0
=
u + v = 0
= ( )v = 0 = = 0 = = 0
Luego u y v son linealmente independientes.
5.8
Algoritmo de diagonalizaci
on
Sea f el endomorfismo sobre V asociado a la matriz A. El algoritmo que hay que seguir para
diagonalizar es:
Se resuelve la ecuacion P () = |A I| = 0. Si alguna de sus races no es real, el
endomorfismo no es diagonalizable.
Para cada autovalor (A) se halla su subespacio propio S() = Ker(A I), comprobando que
dim S() = m()
(multiplicidad de )
Si alg
un autovalor no verifica lo anterior, el endomorfismo no es diagonalizable.
La base respecto de la que el endomorfismo es diagonal es la formada por la union de todas
las bases de los subespacios propios, y la matriz diagonal es aquella cuyos elementos son,
y en el mismo orden, los autovalores asociados a cada autovector de la base.
5.9
Propiedades
1. El polinomio caracterstico de un endomorfismo, respecto de cualquier base, es siempre el

mismo.
Demostraci
on: Si A y C son las matrices de un endomorfismo f respecto de dos bases
distintas, estan relacionadas por la matriz del cambio de base por una relacion del tipo
C = P 1 AP . Entonces:
|C I| = P 1 AP IP 1 P = P 1 (A I)P = P 1 |A I| |P | = |A I|
pues P 1 = |P |1 .
2. La suma de todos los autovalores de una matriz, contando cada uno de ellos tantas veces
como indica su multiplicidad, es igual a su traza.
Demostraci
on: Sean 1 , . . . , n los n autovalores de una matriz cuadrada A = (aij ) de

Agueda
dimension n. Puesto que los autovalores son las races del polinomio caracterstico, se tiene
que
|A I| = (a11 ) . . . (ann ) + Pn2 () = (1 ) . . . (n )
donde Pn2 () es un polinomio de grado menor o igual que n 2 en . Igualando los
coeficientes de grado n 1, en cada una de las dos expresiones anteriores, se obtiene:
(1)n1 (a11 + . . . + ann ) = (1)n1 (1 + . . . + n )
de donde
1 + . . . + n = a11 + . . . + ann = traza(A)
3. El producto de todos los autovalores de una matriz, contando cada uno de ellos tantas
veces como indica su multiplicidad, es igual a su determinante.
Demostraci
on: Sean 1 , . . . , n los n autovalores de una matriz cuadrada A = (aij ) de
dimension n. Entonces
|A I| = (1 ) . . . (n )
Haciendo = 0 en la expresion anterior, se obtiene:
|A| = 1 . . . n
5.10
Consecuencias inmediatas de las propiedades anteriores
Los autovalores de un endomorfismo son los mismos respecto de cualquier base.

Cualquier matriz de un endomorfismo, respecto de cualquier base, tiene la misma traza y
el mismo determinante.
Una matriz es singular si y solo si = 0 es autovalor.

Agueda
Tema 6: Espacios eucldeos

Ejercicios
1. Demuestra que la aplicacion < A, B >= traza(AB t ), A, B Mmn (R), es un
producto escalar sobre Mmn (R). En el caso particular de m = n = 2, halla su
matriz de Gram respecto de la base usual.
1
2. En CR ([1, 1]) se considera el producto escalar < f, g >= 1 f (t)g(t) dt. Halla los
angulos del triangulo de vertices x1 (t) = 1, x2 (t) = t y x3 (t) = 1 t. Son los
mismos angulos si el triangulo se considera en el espacio P2 (R) con el producto
escalar < p, q >= p(1)q(1) + p(0)q(0) + p(1)q(1)?
3. En Rn con el producto usual, halla los angulos que forma la recta x1 = x2 = . . . = xn
con los ejes de coordenadas.
4. Se define sobre R3 un producto escalar de tal manera que el conjunto de vectores
{(2, 1, 1), (0, 1, 0), (1, 1, 0)} sea una base ortonormal. Cual es su matriz de
Gram respecto de la base canonica?
5. Sea W = L ({u1 = (1, 2, 0, 0), u2 = (1, 0, 0, 2), u3 = (1, 1, 1, 2)}) en R4 con el producto usual.
(a) Encuentra una base ortonormal de W .
(b) Completa dicha base hasta una base ortonormal de R4 .
6. Halla una base ortonormal, y el subespacio ortogonal, de los siguientes subespacios:
(a) S = {(x, y, z) : x + 2y z = 0}, en R3 con el producto usual.
(b) T = L ({1 x, 1 + x}), en P2 (R) con el producto < p, q >=
1
0 p(x)q(x) dx.
(c) U = L ({(1, 0, 1, 0), (0, 1, 1, 0), (0, 1, 0, 1)}), en R4 con el producto usual.
7. En R3 se considera una base B = {v1 , v2 , v3 } y un producto escalar tal que v1 =
v3 = 3, v2 = 2, (v1 , v2 ) = (v2 , v3 ) = 3 y (v1 , v3 ) = 2 .
(a) Halla la matriz de Gram respecto de la base B.
(b) Halla la matriz de Gram respecto de la base B = {v1 v3 , v2 + v3 , v2 + v3 }.
(c) Halla una base respecto de la que < u, v >= ut v.
8. En R2 con el producto usual, se considera f : R2 R2 tal que u f (u) = 0, para
todo u R2 . Estudia si f ha de ser la aplicacion nula y, en caso contrario, da un
ejemplo de una aplicacion no nula que lo verifique.
9. En R4 con el producto usual, halla la proyecci
on ortogonal de u = (0, 2, 1, 1) sobre
U = {(x1 , x2 , x3 , x4 ) : x1 + x2 = 0}.
10. En
un espaciovectorial eucldeo, cuyo producto escalar tiene por matriz de Gram
1 0
0
0 2 1 en la base B = {u1 , u2 , u3 }, calcula la proyecci
on ortogonal de u3
0 1 2
sobre S = L ({u1 , u2 }).

Agueda
11. En R3 se considera
1 1
canonica, es 1 2
1 2
el
producto escalar cuya matriz de Gram, respecto de la base
1
2, y sea U = {(x, y, z) : x = z = y}. Halla:
3
(a) El angulo que forman los vectores (1, 0, 0) y (0, 1, 0).

(b) Una base de U .
(c) La proyeccion ortogonal de (1, 2, 0) sobre U .
12. En R3 con la base canonica B = {e1 , e2 , e3 }, se considera el producto escalar que
verifica: e1 = e2 = e3 = 1 y (ei , ej ) = 3 , para 1 i < j 3. Halla:
(a) La matriz de Gram respecto de B.
(b) La distancia del punto P (1, 2, 3) al origen.
(c) Las ecuaciones de la proyecci
on ortogonal de la recta x = y = z sobre el plano
y = 0.
13. En R4 con el producto usual, halla la distancia del vector (1, 0, 1, 0) al subespacio
x1 + x2 = 0
S
. Calcula S .
x2 + x3 x4 = 0
14. Se considera P2 (R) con el producto escalar
< p, q >= p(1)q(1) + p(0)q(0) + p(1)q(1)
Halla:
(a) Una base ortonormal.
(b) La matriz de Gram respecto de la base usual.
(c) El complementario ortogonal de L ({1}).
(d) La proyeccion ortogonal de x2 1 sobre L ({1, x}).
(e) El vector de L ({1, x}) mas cercano a x2 1.
1 1 2
15. En R3 se considera el producto escalar definido por la matriz 1 2 2, respecto
2 2 3
de la base canonica, y se define f : R3 R3 por f (u) =< v, u > w, con v, w R3
fijos. Halla los autovalores de f y el n
ucleo e imagen de f . Cual es el plano ortogonal
al vector (1, 1, 0)?
16. Sean B = {(1, 1, 0), (1, 0, 1), (1, 2, 0)} una base de R3 . Estudia si son simetricas las
aplicaciones lineales f, g : R3 R3 cuyas matrices respecto de B son:
4 5 6
1 4 2
2
7
M (g, B) = A2 = 4
M (f, B) = A1 = 2 2 3
3
5
4
0 3 0

Agueda
17. Diagonaliza ortogonalmente las matrices:
4 0
0 1 1
0 1
(a) A = 1 0 1
(c) C =
4 0
1 1 0
6 0
a 1 1
5 4
(b) B = 1 a 1
(d) D = 4 5
1 1 a
4 4
6
0
2
5
4
4
5
4
0
0
2
1 5 0
(e) E = 5 1 0
0
0 4
18. Diagonaliza, si es posible, las aplicaciones lineales T1 , T2 : M2 (R) M2 (R)

definidas por T1 (A) = At y T2 (A) = A At con el producto escalar dado por
< A, B >= traza(AB t ).

19. Sea A = M3 (R) tal que = 0, rg(A) = 1 y traza(A) = 1.

Es A diagonalizable? En caso afirmativo, halla sus autovalores. Que representa
geometricamente A?
20. Sea A M2 (R) una matriz simetrica tal que (A) = {1, 9} y u = (1, 1) es un
autovector asociado al autovalor 1. Halla razonadamente:
(a) Un autovector asociado al autovalor 9.
(b) La matriz A.
(c) Una matriz B tal que B 2 = A.
21. Sea f un endomorfismo de R3 . Calcula la matriz A = M (f, Bc ) sabiendo que:
(a) Ker f = L {(1, 1, 1)}.
(b) A es simetrica y sin elementos negativos.
(c) S1 es la recta de ecuaciones:
(d) f (0, 1, 0) =
6.
x + 7y + z = 0
.
2x y + 2z = 0
22. Sabiendo que f (1, 0, 0) = (1, 0, 1), f (1, 1, 0) = (1, 1, 1) y f (1, 1, 1) = (2, 1, 2), estudia
si f es diagonalizable ortogonalmente y, en caso afirmativo, diagonalzala.
23. Halla la matriz A, respecto de la base canonica, de la proyecci
on ortogonal de R3
sobre la recta generada por el vector (1, 1, 1).
24. Halla una base ortonormal de vectores propios de la proyecci
on ortogonal de R3
sobre el plano x + y + z = 0.
25. Sabiendo que el n
ucleo de una proyecci
on ortogonal f es la recta generada por el
vector (1, 1, 1), halla su matriz respecto de la base canonica.

Agueda
26. Decide cuales de las siguientes matrices corresponden a proyecciones ortogonales:
0 0
0
1 4 2
1 1 0
1
1
1
A = 0 1 1
B = 0 5 0
C = 1 1 0
2
5
2
0 1 1
2 2 4
0
0 2
27. Sean f y g las proyecciones ortogonales de R3 sobre los planos x + 2y z = 0 y
2x + y = 0, respectivamente. Es una proyecci
on ortogonal la composicion de f
con g? Y la de g con f ?
Soluciones
1. La matriz identidad.
5
2. En CR ([1, 1]): arccos 1

2 = 120 , arccos 7 y arccos 2 7 .
En P2 (R): arccos 2
, arccos 755 y arccos 422 .
10
3. arccos 1n .
2 1 5
4. G = 1 1 3 .
5 3 14
1 (1, 2, 0, 0), w2 = 1 (2, 1, 0, 5), w3
5
30
1
w1 , w2 , w3 , w4 = 7 (2, 1, 1, 1) .
5. (a) w1 =
(b)
6. (a)
(b)
(c)
1 (1, 0, 1), 1 (1, 1, 1)

3
2
3(1 x), 3x 1 ; T
1 (2, 1, 6, 1)
42
; S = L ({(1, 2, 1)}).
=L
x2 x +
1
6
1 (1, 0, 1, 0), 1 (1, 2, 1, 0), 1 (1, 1, 1, 3)

2
6
12
; U = L ({(1, 1, 1, 1)}).
9 3 0
18 9 9
7. (a) G(B) = 3 4 3. (b) G(B ) = 9 19 5 .
0 3 9
9 5
7
(c)
1
1
1
3 (1, 0, 0), 3 (0, 0, 1), 3 2 (1, 3, 1)
8. f (x, y) = (y, x).

9. proyU u = (1, 1, 1, 1).
10. proyS u3 =
1
2 u2 .
1
(b) {(1, 1, 0), (0, 0, 1)}; (c) ( 32 , 3
2 , 2 ).
2 1 1
12. (a) G(B) = 12 1 2 1; (b) d(P, O) = 5; (c)
1 1 2
11. (a)
4;
(x, y, z) :
x=z
y=0

Agueda
35
5 ;
S = L ({(1, 1, 0, 0), (0, 1, 1, 1)}).
3 0 2
14. (a) 13 , x2 , 26 x2 23 ; (b) G = 0 2 0; (c) L

2 0 2
(e) 1
.
3
13.
x, x2
2
3
; (d)
1
3 ;
15. Si v = 0 o w = 0, entonces f (u) = 0, u R3 , y por tanto Ker f = R3 , Im f = {0}

y (f ) = {0}.
Si v = 0 = w, entonces Im f = L ({w}), Ker f = L ({v}) y (f ) = {0, < v, w >}.
L ({(1, 1, 0)}) = {(x, y, z) : 2x + 3y + 4z = 0}.
16. f no es simetrica, y g si es simetrica.
17. (a) (A) = {1 doble, 2}; S1 = L {(1, 1, 0), (1, 0, 1)}; S2 = L {(1, 1, 1)}.
(b) (B) = {a + 1 doble, a 2}; Sa+1 = L {(1, 1, 0), (1, 0, 1)};
Sa2 = L {(1, 1, 1)}.
(c) (C) = {0, 12, 1, 3}; S0 = L {(1, 0, 2, 2)}; S12 = L {(2, 0, 1, 2)};
S1 = L {(0, 1, 0, 0)}; S3 = L {(2, 0, 2, 1)}.
(d) (D) = {9 doble, 3}; S9 = L {(1, 1, 0), (1, 0, 1)}; S3 = L {(1, 1, 1)}.
(e) (E) = {4 doble, 6}; S4 = L {(1, 1, 0), (0, 0, 1)}; S6 = L {(1, 1, 0)}.
18. Las matrices de las aplicaciones lineales respecto de la base usual son:
1 0 0 0
0 0
0 0
0 0 1 0
0 1 1 0
M (T1 , Bu ) = A1 =
M
(T
,
B
)
=
A
=
2
u
2
0 1 0 0
0 1 1 0
0 0 0 1
0 0
0 0
(A1 ) = {1 triple, 1}; S1 = L {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)};
S1 = L {(0, 1, 1, 0)}.
(A2 ) = {0 triple, 2}; S0 = L {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)};
S2 = L {(0, 1, 1, 0)}.
19. Es ortogonalmente diagonalizable con:
(A) = {0 doble, 1}; S0 = {(x, y, z) : x + y + z = 0} y S1 = L {(, , )}.
Geometricamente, A representa una proyecci
on sobre S1 .
20. (a) v = (1, 1) S9 ; (b) A =
5 4
;
4 5
(c) Hay cuatro posibles matrices: B = P
1 0
P 1 con P =
0 3
1 1
.
1 1
0 1 1
21. A = 1 2 1.
1 1 0
22. S es ortogonalmente diagonalizable:
(A) = {0, 1, 2}, S0 = L {(1, 0, 1)}, S1 = L {(0, 1, 0)} y S2 = L {(1, 0, 1)}.

Agueda
1 1 1
23. A = 13 1 1 1.
1 1 1
24. B =
1 (1, 0, 1), 1 (1, 2, 1), 1 (1, 1, 1)

2
6
3
2 1 1
25. M (f, Bc ) = 13 1 2 1 .
1 1 2
26. (a) S, corresponde a la proyecci
on ortogonal sobre S1 = L {(0, 1, 1)}.
(b) No corresponde a una proyecci
on ortogonal.
(c) No corresponde a una proyecci
on ortogonal.
27. Por ser (1, 2, 1) (2, 1, 0), ambas composiciones son la proyecci
on ortogonal
sobre la recta interseccion de los dos planos: S = L {(1, 2, 5)} y
1 2 5
1
2 4 10
f g gf
30
5 10 25

Agueda
Espacios eucldeos
6.1
Producto escalar. Espacio eucldeo
Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicacion

< , > : V V R
(u, v) < u, v >
que verifica las siguientes propiedades:
Conmutativa: < u, v >=< v, u >, u, v V .
Bilineal:
< u, v + w >= < u, v > + < u, w >

< v + w, u >= < v, u > + < w, u >
Definida positiva:
, u, v, w V , , R
< u, u > 0 , u V
< u, u >= 0 u = 0
Un espacio vectorial con un producto escalar definido sobre el se llama espacio eucldeo.
6.2
Ejemplos
1. Si u = (x1 , . . . , xn ) y v = (y1 , . . . , yn ) son dos vectores de Rn en la base canonica, el

producto
n
< u, v >=
xi yi
i=1
es un producto escalar, que se llama producto usual y se representa, simplemente, por

u v.
2. En R2 , es un producto escalar:
< u, v >= ut
1 1
v = x1 y1
1 2
1 1
1 2
x2
y2
ya que es:
Conmutativo:
< u, v >=< u, v >t =
ut
1 1
v
1 2
= vt
1 1
u =< v, u >.
1 2
1 1
(v + w) = < u, v > + < u, w >, y por la
1 2
propiedad conmutativa se verifica tambien en la primera variable.
Bilineal: < u, v + w >= ut
Definido positivo: Si u = (x, y), < u, u >= (x + y)2 + y 2 0, y es cero solo si

x = y = 0.
Por el contrario, la aplicacion:
< u, v >= ut
1 1
v
1 1
no es un producto escalar. Es bilineal y conmutativo pero no es definido positivo pues,

por ejemplo, < (0, 1), (0, 1) >= 1 < 0.

Agueda
3. En Rn la aplicacion definida por

< u, v >= ut Av
con A Mnn (R) simetrica (A = At ) es siempre conmutativo y bilineal, por lo que sera
un producto escalar si es definido positivo.
6.3
Matriz de Gram de un producto escalar
Sea V un espacio vectorial real de dimension n, B = {v1 , . . . , vn } una base, y < u, v > un
producto escalar sobre V . Entonces, si u = (x1 , x2 , . . . , xn )B y v = (y1 , y2 , . . . , yn )B ,
< u, v > =<
xi vi ,
i=1
yj vj >=
j=1
= x1 x2
xn
= x1 x2
de donde
xn
xi < vi ,
i=1
n
j=1 yj
n
j=1 yj
n
j=1 yj
j=1
xi
yj < vi , vj >
j=1
i=1
< v1 , vj >
< v2 , vj >
..
.
< vn , vj >
< v1 , v1 > < v1 , v2 >

< v2 , v1 > < v2 , v2 >
..
..
.
.
< vn , v1 > < vn , v2 >
< u, v >= ut Gv
yj vj >=

< v1 , vn >
y1
< v2 , vn > y2
..
..
.
.
< vn , vn >
< v1 , v1 > < v1 , v2 >

< v2 , v1 > < v2 , v2 >
con G =
..
..
.
.
< vn , v1 > < vn , v2 >
yn
< v1 , vn >
< v2 , vn >
..
.
< vn , vn >
que se llama matriz de Gram del producto escalar respecto de la base B.
6.4
Ejemplo
En Rn , la matriz de Gram del producto escalar usual, respecto de la base

identidad:
1
n
0
u = (x1 , x2 , . . . , xn )
= u v =
xi yi = x1 x2 xn .
v = (y1 , y2 , . . . , yn )
..
i=1
0
6.5
canonica, es la matriz
0
1
..
.

0
y1
0 y2
.. ..
. .
yn
Matrices de Gram respecto de bases distintas
Sea V un espacio vectorial eucldeo, y sean G y G las matrices de Gram de su producto escalar
respecto de las bases B y B , respectivamente, es decir:
< u, v >= utB GvB = utB G vB

Agueda
Si P = M (B , B) es la matriz del cambio de base de B a B, entonces:

uB = P uB
vB = P vB
=< u, v >= utB GvB = (utB P t )G(P vB ) = utB (P t GP )vB = utB G vB
Luego G = P t GP .
6.6
Propiedades de la matriz de Gram
Si G = (aij ) Mnn (R) es la matriz de Gram de un producto escalar, entonces

G es simetrica (G = Gt ), y
aii > 0, para 1 i n,
por las propiedades conmutativa y definida positiva, respectivamente.
6.7
Normas,
angulos y distancias
Sea V un espacio eucldeo, y sea < , > su producto escalar. Se llama norma, o longitud, del
vector u V a
u = < u, u >
Se llama
angulo que forman los vectores u, v V a
(u, v) = arccos
< u, v >
, con 0 (u, v) 180 ,
u u
que esta bien definido, pues

u + v
=< u + v, u + v >= v
2 + 2 < u, v > + u
para cualesquiera u, v V , y si la ecuacion que se ha obtenido, de segundo grado en , es

siempre mayor o igual que cero, entonces su discriminante sera menor o igual que cero:
= 4 < u, v >2 4 u
0 = < u, v >2 u
de donde se obtiene que:

|< u, v >| u v
(desigualdad de Schwarz)
La distancia entre los vectores u, v V se define como d(u, v) = u v .
6.8
Ejemplo
La norma usual de Rn , inducida por el producto usual, de u = (x1 , . . . , xn ) Rn es

n
x2i
u =
i=1
y el angulo que forman u = (x1 , . . . , xn ), v = (y1 , . . . , yn ) Rn es

(u, v) = arccos
n
i=1 xi yi
n
2
i=1 xi
n
2
i=1 yi

Agueda
que esta bien definido, pues

n
xi yi
i=1
x2i
i=1
yi2
(desigualdad de Schwarz)
i=1
La distancia entre u = (x1 , . . . , xn ) y v = (y1 , . . . , yn ) es

n
(xi yi )2
d(u, v) =
i=1
6.9
Vector unitario, vector normalizado y vectores ortogonales
Sea V un espacio eucldeo, y sea < , > su producto escalar. Se llama vector unitario a
cualquier vector de norma uno. Si u = 0 entonces uu es un vector unitario:
u
u
u 1/2
u
,
> =
=<
u
u
1
u
1/2
2
< u, u >
u
u
2
2
1/2
=1
que se llama vector normalizado de u.

Dos vectores no nulos u y v se llaman ortogonales si < u, v >= 0, es decir si (u, v) = 90 .
6.10
Ejemplos
1. Sean u = (1, 2) y v = (3, 4) vectores de R2 , con el producto usual. Puesto que u = 5

y v = 5, ninguno de ellos es unitario, siendo uu = 15 , 25 el vector normalizado de
.
u. Ademas no son ortogonales, pues u v = 11, siendo (u, v) = arccos 511
5
2. En R4 con el producto usual, los vectores normalizados de los siguientes son los que se
indican:
u
=
2 =
u
v
v = (0, 1, 0, 1) = v = 2 =
=
v
w
w = (1, 1, 1, 1)= w = 2 =
=
w
u = (1, 0, 1, 0) = u =
1
1
, 0, , 0
2
2
1
1
0, , 0,
2
2
1 1 1 1
, , ,
2 2 2 2
Los vectores u y v son ortogonales, pues u v = 0, mientras que u y w no lo son, pues

u w = 2, siendo (u, w) = arccos 12 = 45 .
6.11
Bases ortogonales y ortonormales
Un conjunto de vectores no nulos, de un espacio vectorial eucldeo V , se llama ortogonal si

son ortogonales dos a dos. Si ademas todos son unitarios, el conjunto se llama ortonormal.

Agueda
Es decir:
{u1 , . . . , um } es ortogonal
< ui , uj >= 0
ui = 0
, para i = j
, para 1 i m
{u1 , . . . , um } es ortonormal
< ui , uj >= 0
ui = 1
, para i = j
, para 1 i m
u1
um
,...,
u1
um
ortonormal
Es claro que:
{u1 , . . . , um } ortogonal =
Una base ortogonal es una base formada por un conjunto ortogonal, y una base ortonormal
es una base formada por un conjunto ortonormal. Es facil observar que:
La matriz de Gram de un producto escalar respecto de una base ortogonal es una matriz
diagonal.
La matriz de Gram de un producto escalar respecto de una base ortonormal es la matriz
identidad. Por lo tanto: < u, v >= ut Iv = ut v.
6.12
Independencia lineal de vectores ortogonales
Todo conjunto ortogonal de vectores es linealmente independiente.

Demostraci
on: Sea {u1 , . . . , um } un conjunto ortogonal de vectores en el espacio vectorial
eculdeo V . Si 1 u1 + . . . + m um = 0, entonces:
m
0 =< ui , 0 >=< ui ,
j uj >=
j=1
j < ui , uj >= i ui
= i = 0
j=1
para cada 0 i m. Luego {u1 , . . . , um } es linealmente independiente.
6.13
Ejemplo
En R3 , el conjunto de vectores
{u1 = (1, 1, 0), u2 = (1, 1, 0), u3 = (0, 0, 1)}
es linealmente independiente, pues u1 u2 = u1 u3 = u2 u3 = 0, luego forma una base ortogonal.
Una base ortonormal es
v1 =
6.14
u1
=
u1
1 1
u2
, , 0 , v2 =
=
u2
2 2
1 1
u3
, , 0 , v3 =
= (0, 0, 1)
u3
2 2
Proceso de ortogonalizaci
on de Gram-Schmidt
Si {v1 , . . . , vm } son vectores linealmente independientes en el espacio vectorial eucldeo V , entonces existen vectores {u1 , . . . , um } ortogonales tales que
L ({v1 , . . . , vi }) = L ({u1 , . . . , ui }) , 1 i m
El metodo para conseguir este conjunto ortogonal, llamado proceso de ortogonalizaci
on de
Gram-Schmidt, es el siguiente:

Agueda
En primer lugar, se elige u1 = v1 .

Ahora se elige u2 = v2 + 21 u1 con la condicion de que < u2 , u1 >= 0, para lo que se
necesita que
< u2 , u1 >=< v2 , u1 > +21 < u1 , u1 >= 0 = 21 =
Por lo tanto
u2 = v2
< v2 , u1 >
u1 2
< v2 , u1 >
u1
u1 2
A continuacion se elige u3 = v3 + 31 u1 + 32 u2 con la condicion de que < u3 , u1 >=

=< u3 , u2 >= 0, para lo que se necesita que
< v3 , u1 >
u1 2
< v3 , u2 >
=
u2 2
< u3 , u1 > =< v3 , u1 > +31 < u1 , u1 > +0 = 0 = 31 =

< u3 , u2 > =< v3 , u2 > +0 + 32 < u2 , u2 >= 0 = 32
Por lo tanto
u3 = v3
< v3 , u1 >
< v3 , u2 >
u2
2 u1
u1
u2 2
Y as sucesivamente, se obtiene:
k1
uk = vk
j=1
< vk , uj >
uj
uj
para 2 k m.
Para obtener una base ortonormal, se aplica el proceso de normalizacion despues de aplicar
Gram-Schmidt:
Gram-Schmidt
Normalizaci
on
Base Base ortogonal Base ortonormal
6.15
Ejemplo
Sea S el subespacio de R4 generado por el conjunto de vectores

B = {v1 = (1, 1, 0, 0), v2 = (1, 1, 1, 1), v3 = (1, 0, 2, 1)}
que es linealmente independiente (es una base de S). Aplicando el proceso de Gram-Schmidt:
u1 = v1 = (1, 1, 0, 0)
0
v2 u1
u2 = v2
2 u1 = v2 2 u1 = (1, 1, 1, 1)
u1
v3 u1
2
v3 u2
1
u3 = v3
2 u1
2 u2 = v3 2 u1 4 u2 =
u1
u2
3 1
1, 1, ,
2 2

Agueda
Una base ortogonal de S es

BOT G =
u1 = (1, 1, 0, 0), u2 = (1, 1, 1, 1), u3 =
3 1
1, 1, ,
2 2
y una base ortonormal:

BOT N =
6.16
w1 =
u1
=
u1
u2
1 1
, , 0, 0 , w2 =
=
u2
2 2

2 2 2 2
=
,
,
,
3
3 2 6
w3 =
u3
u3
1 1 1 1
,
, ,
2 2 2 2
Coordenadas de un vector respecto de una base ortonormal
Si B = {e1 , . . . , en } es una base ortonormal de un espacio vectorial eucldeo V , entonces:

n
v=
< v, ei > ei = (< v, e1 >, . . . , < v, en >)B

i=1
6.17
Subespacios ortogonales. Complementario ortogonal
Dos subespacios vectoriales S y T de un espacio vectorial eucldeo V se llaman subespacios

ortogonales, que se indica S T , si < u, v >= 0, u S y v T .
Se llama complementario ortogonal de S al subespacio vectorial
S = {v V : < u, v >= 0, u S}
6.18
Ejemplo
En R4 , con el producto usual, el complementario ortogonal del subespacio

S = L ({u1 = (1, 1, 0, 1), u2 = (1, 1, 1, 0)})
es el subespacio:
S = v R4 : < u, v >= 0, u S = {v = (x1 , x2 , x3 , x4 ) : < u1 , v >=< u2 , v >= 0} =
x1 =
x
+
x
=
0
x
=
1
2
4
2
4
4
= vR :
= vR :
, , R =
x1 + x2 + x3 = 0
x3 =
x4 = +
= L ({v1 = (1, 0, 1, 1), v2 = (0, 1, 1, 1)})
6.19
Teorema
Si S es un subespacio vectorial del espacio vectorial eucldeo V , se cumple que

V = S S
Como consecuencia: dim S + dim S = dim V .
Demostraci
on:

Agueda
S S = {0}:
u S S =< u, u >= u
= 0 = u = 0
S + S = V :
Si S = {0}, entonces S = V y el resultado es evidente.
Si S = {0}, se ampla una base ortogonal {v1 , . . . , vk } de S a una base ortogonal
{v1 , . . . , vk , vk+1 , . . . , vn } de V , y entonces cualquier vector u V se puede expresar
como
n
u=
xi vi =
i=1
6.20
xi vi +
i=1
xi vi = v + w
con v S y w S
i=k+1
Proyecciones
Si S un subespacio vectorial del espacio vectorial eucldeo V , cada vector u V se descompone

de forma u
nica como suma de un vector de S y otro de S , que se llaman, respectivamente,
proyecci
on de u sobre S y sobre S , y se representan:
u = v + w con
vS
=
w S
v = proyS u
w = proyS u
y u = proyS u + proyS u
Se define el
angulo que forman un vector u V con un un subespacio S como el angulo que
forma con su proyeccion, es decir:
(u, S) = (u, proyS u) = arccos
< u, proyS u >

u proyS u
y la distancia entre ellos como la norma de su proyecci

on sobre S , es decir:
d(u, S) = proyS u = u proyS u
6.21
C
alculo de la proyecci
on
Sea S un subespacio vectorial del espacio vectorial eucldeo V . Para hallar la proyecci
on de un
vector u V sobre S se puede proceder, seg
un el caso, de cualquiera de las siguientes formas:
Si u = v + w con v S y w S , entonces v = proyS u.
Si B = {w1 , . . . , wk } es una base ortonormal de S, entonces
k
proyS u =
< u, wi > wi
i=1
Si B = {v1 , . . . , vk } es una base arbitraria de S, se buscan {1 , . . . , k } tales que

k
i vi S
u proyS u = u
i=1

Agueda
para lo que se debe cumplir que
<u
<u
k
i=1 i vi , v1 >=
0
..
.
k
i=1 i vi , vk >= 0
que es un sistema lineal de ecuaciones, cuya solucion {1 , . . . , k } proporciona la proyecci

on
u = ki=1 i vi .
6.22
Ejemplo
En R4 con el producto usual, para hallar la proyecci

on de u = (0, 2, 1, 1) sobre el subespacio
S = {(x1 , x2 , x3 , x4 ) : x1 + x2 = 0} hay que hallar una base, a ser posible ortonormal. Puesto
que
x
=
x2 =
S = (x1 , x2 , x3 , x4 ) :
, , , R =
x3 =
x4 =
= L ({u1 = (1, 1, 0, 0), u2 = (0, 0, 1, 0), u3 = (0, 0, 0, 1)})
una base ortogonal es {u1 , u2 , u3 }, y una base ortonormal:
w1 =
1 1
, , 0, 0 , w2 = (0, 0, 1, 0), w3 = (0, 0, 0, 1)
2 2
La proyeccion de u sobre S es
2
proyS u = (u w1 )w1 + (u w2 )w2 + (u w3 )w3 = w1 + w2 w3 = (1, 1, 1, 1)
2
y sobre S es
proyS u = u proyS u = (1, 1, 0, 0)
El angulo que forman u y S, y la distancia entre ellos, es:
4
u proyS u
2
= arccos
= arccos
u proyS u
62
6
d(u, S) = proyS u = u proyS u = (1, 1, 0, 0) = 2

(u, S) = (u, proyS u) = arccos
6.23
Diagonalizaci
on ortogonal
Una matriz A Mnn (R) (o aplicacion lineal asociada) es ortogonalmente diagonalizable

si es diagonalizable respecto de una base ortogonal (u ortonormal), lo que equivale a que exista
una base ortogonal (u ortonormal) de autovectores. Se puede probar que:
A es ortogonalmente diagonalizable A es simetrica

Agueda
6.24
10
Ejemplos
0 1 0
1. La matriz A = 1 0 0 es simetrica y, por tanto, ortogonalmente diagonalizable. Sus
0 0 1
autovalores son 1, con multiplicidad 2, y 1. Los subespacios propios asociados, y la base
ortogonal respecto de la que es diagonalizable, son:
S(1) = L ({(1, 1, 0), (0, 0, 1)})
= B = {(1, 1, 0), (0, 0, 1), (1, 1, 0)}
S(1) = L ({(1, 1, 0)})
Las matrices diagonal y de cambio de base son:
1 0 0
D = P 1 AP
con D = 0 1 0
0 0 1
1 2
2. La matriz A = 0 1
2 2
nalizable. Se puede ver
ortogonal.
1 0 1
y P = 1 0 1
0 1 0
0
0 no es simetrica y, por tanto, no es ortogonalmente diago1
que si es diagonalizable, pero respecto de una base que no es

Agueda
Tema 7: Aplicaciones ortogonales

Ejercicios
1. En R2 , estudia la ortogonalidad de las aplicaciones lineales cuyas matrices, respecto
de la base canonica, son:
1 4
1 2
3/2
1/2
(a) A =
(c) C =
(e) E =
1 5
2 5
1/2
3/2
1 3
3/2
3/2
1/2
1/2
(b) B =
(d) D =
(f) F =
1 2
3/2 1/2
1/2 3/2
2. En R3 , clasifica las aplicaciones ortogonales cuyas matrices, respecto de la base
canonica, son:

1 2 2
1/ 2 0 1/ 2
1
0
(a) A = 0 1
(c) C = 2 1 2
3
2 2 1
1/ 2 0 1/ 2
3/2 1/2
0
(b) B =
0 1/2 3/2
1
0
0
3. Halla el subespacio complementario ortogonal de F = L ({(1, 0, 0, 1), (1, 1, 0, 0)})
en R4 , y la matriz de la proyecci
on ortogonal de R4 sobre F , respecto de la base
canonica. Es una aplicacion ortogonal?
4. Sea f : V V una aplicacion lineal, definida sobre el espacio eucldeo V , cuyas
ecuaciones respecto de una base ortonormal B son:
x = 13 (x 2y 2z)
y = 31 (2x + y 2z)
z = 13 (2x 2y + z)
(a) Halla la matriz de f respecto de la base B.
(b) Prueba que f es una aplicacion ortogonal.
(c) Halla el subespacio S de vectores invariantes de f . Es f (S ) = S ?
(d) Cual es el significado geometrico de la aplicacion f ?
5. Halla la matriz, respecto de la base canonica de R2 , de cada una de las siguientes
aplicaciones ortogonales:
(a) Simetra respecto de la recta x y = 0.
(b) Simetra respecto de la recta x + 2y = 0.
(c) Giro de centro el origen y angulo /6.
6. Halla la matriz, respecto de la base canonica de R3 , de cada una de las siguientes
aplicaciones:
(a) Proyeccion ortogonal sobre la recta r L ({(2, 1, 0)}).

Agueda
(b) Simetra respecto del plano 2x y = 0.

(c) Giro de eje L ({(0, 1, 1)}) y angulo /2.
(d) Composicion de las aplicaciones (b) y (c).
7. Sea f : R3 R3 una aplicacion lineal respecto de la que son invariantes los
subespacios S = L ({(1, 0, 1)}) y T = {(x, y, z) : x + z = 0}.
(a) Se puede asegurar que f es ortogonal?
(b) Se puede asegurar que f es diagonalizable?
8. Halla la matriz, respecto de la base canonica, de una aplicacion lineal simetrica
f : R3 R3 que conserva la norma de todos los vectores del plano x z = 0 y tal
que S(1) = {(x, y, z) : x + 2y + z = 0}.
9. Sea f : R3 R3 una aplicacion lineal que verifica: (i) su matriz respecto de
la base canonica es simetrica, (ii) L ({(2, 2, 1)}) es un subespacio propio, y (iii)
f (1, 0, 0) = (3, 2, 2) y f (0, 1, 0) = (2, 2, 0).
(a) Es una aplicacion ortogonal?
(b) Halla sus autovalores y subespacios propios.
(c) Halla una forma diagonal de f y obten, si es posible, una base ortonormal
respecto de la cual sea diagonal.
10. Encuentra todas las aplicaciones ortogonales y simetricas f : R3 R3 que transforman el eje de abscisas y = z = 0 en la recta 4x 3y = z = 0. Clasifcalas dando
sus subespacios invariantes.
Soluciones
1. No son aplicaciones ortogonales:
(a), (b) y (c). S son aplicaciones ortogonales: (d)
Simetra respecto de la recta x 3y = 0, (e)
Giro de centro el origen y angulo /6,
y (f) Simetra respecto de la recta x (2 + 3)y = 0.
2. (a) Simetra respecto del plano (2 2)x 2z = 0.

(b) Giro de angulo = arccos 3
1, 13 , 1
.
4 y eje la recta L
(c) Composicion de una simetra respecto del plano y z = 0 con un giro de angulo
x=0
= arccos 31 y eje
.
y+z =0
2 1 0 1
1 2 0 1
. No es
3. F = L ({(0, 0, 1, 0), (1, 1, 0, 1)}), y M (proyF , Bc ) = 13
0
0 0 0
1 1 0 2
una aplicacion ortogonal.

Agueda
1 2 2
4. (a) M (f, B) = A = 13 2 1 2. (b) At A = I.
2 2 1
(c) S = S(1) = L ({(1, 0, 1), (0, 1, 1)}), y f (S ) = S .
(d) Simetra respecto del plano x + y + z = 0.
3 4
3/2
1/2
0 1
1
.
5. (a)
. (b) 5
. (c)
1 0
4 3
1/2
3/2
0
1/ 2 1/ 2
4/5 2/5 0
3/5 4/5 0
6. (a) 2/5 1/5 0. (b) 4/5 3/5 0. (c) 1/ 2
1/2
1/2 .
0
0
0
0
0 1
1/2
1/2
1/ 2

2 2
52
(d) c b = 43
10
4+3 2
10
7. (a) No.
2
8. 13 2
1
3 2
10
3+4 2
10
34 2
10
2
2
1
2
1
2
2 2
5

y b c = 3102
1
4+3 2
10
34 2
10
1
2
43 2
10
3+4 2 .
10
1
2
(b) No.
2 1
1 2 .
2 2
9. (a) No. (b) (f ) = {0, 3, 6} con S(0) = L ({(2, 2, 1)}), S(3) = L ({(1, 2, 2)}) y
S(6) = L ({(2, 1,
2)}).
0 0 0
1
1 2 2
2 1 2
.
(c) M (f, B) = 0 3 0 con B = 23 , 2
3 , 3 , 3, 3, 3 , 3, 3, 3
0 0 6
3/5 4/5 0
10. (a) M (f, Bc ) = 4/5 3/5 0, con S(1) = L ({(2, 1, 0), (0, 0, 1)}) y
0
0
1
S(1) = L ({(1, 2, 0)}). Simetra respecto del plano S(1).
3/5 4/5
0
(b) M (f, Bc ) = 4/5 3/5 0 , con S(1) = L ({(2, 1, 0)}) y
0
0
1
S(1) = L ({(1, 2, 0), (0, 0, 1)}). Giro de eje S(1) y angulo .
3/5 4/5 0
(c) M (f, Bc ) = 4/5 3/5 0, con S(1) = L ({(1, 2, 0), (0, 0, 1)}) y
0
0
1
S(1) = L ({(2, 1, 0)}). Simetra respecto del plano S(1).
3/5 4/5 0
0 , con S(1) = L ({(1, 2, 0)}) y
(d) M (f, Bc ) = 4/5 3/5
0
0
1
S(1) = L ({(2, 1, 0), (0, 0, 1)}). Giro de eje S(1) y angulo .

Agueda
Aplicaciones ortogonales
7.1
Aplicaci
on ortogonal
Se llama aplicaci
on ortogonal a un endomorfismo f : V V sobre un espacio vectorial
eucldeo (V, < , >) que conserva el producto escalar, es decir que
< f (u), f (v) >=< u, v > ,
7.2
u, v V
Matriz ortogonal
Una matriz cuadrada A Mnn (R) se llama matriz ortogonal si At A = I.
7.3
Ejemplos
1. La matriz A =
1
2
1 1
1 1
es ortogonal, pues
1
At A =
2
2. La matriz A =
1
2
1 1
1 2
1 1
1 1
1 1
1 1
1
2
2 0
0 2
=I
1
2
2 1
1 5
=I
no es ortogonal, pues
1
At A =
2
7.4
1 1
1 2
1 1
1 2
Teorema
Sea A = M (f, B) la matriz de la aplicacion ortogonal f : V V respecto de una base

ortonormal B de (V, < , >). Entonces:
La aplicacion f es ortogonal La matriz A es ortogonal
Demostraci
on: Basta observar que
< f (u), f (v) > = (f (u))t f (v) = (Au)t Av = ut At Av
< u, v > = ut v
de donde se deduce que f es aplicacion ortogonal si y solo si At A = I, es decir si y solo si A es
una matriz ortogonal.
7.5
Observaci
on
Si A = (aij )1i,jn Mnn (R), entonces At = (bij = aji )1i,jn y At A = (cij )1i,jn donde
n
cij =
bik akj =
k=1
aki akj = ci cj
k=1
donde ci cj es el producto escalar usual en Rn de las columnas ci y cj de la matriz A. Por

lo tanto, una matriz es ortogonal si sus columnas forman una base ortonormal en Rn con el
producto escalar usual.

Agueda
7.6
Lema
La matriz de un cambio de base entre bases ortonormales es ortogonal.
7.7
Teorema
Sea f : V V una aplicacion sobre el espacio eucldeo (V, < , >). Entonces, la aplicacion
f es ortogonal si y solo si conserva la norma, es decir:
f es ortogonal f (v) = v , v V
Demostraci
on:
() Si f es ortogonal, entonces
f (v) =
< f (v), f (v) > =
< v, v > = v
para todo v V , es decir conserva la norma.

() Si f conserva la norma:
f (u v)
=< f (u v), f (u v) >=< f (u) f (v), f (u) f (v) >

= f (u)
uv
+ f (v)
2 < f (u), f (v) >= u
=< u v, u v >= u
+ v
+ v
2 < f (u), f (v) >
2 < u, v >
y, puesto que f (u v) = u v , entonces

< f (u), f (v) >=< u, v >
para cualesquiera u, v V , es decir f es ortogonal.
7.8
Observaci
on
Las aplicaciones ortogonales conservan normas, distancias, angulos.
7.9
Teorema
Sea f : V V una aplicacion sobre el espacio eucldeo (V, < , >). Entonces, la aplicacion
f es ortogonal si y solo si transforma bases ortonormales en bases ortonormales.
Demostraci
on:
() Si f es ortogonal, y B = {e1 , e2 , . . . , en } es una base ortonormal, entonces:
< f (ei ), f (ej ) >=< ei , ej >=
0 , si i = j
1 , si i = j
de donde se deduce que {f (e1 ), f (e2 ), . . . , f (en )} es una base ortonormal.

() Si B = {e1 , e2 , . . . , en } es una base ortonormal, entonces f (B) = {f (e1 ), f (e2 ), . . . , f (en )}
tambien es una base ortonormal, y si u = ni=1 xi ei y v = ni=1 yi ei son vectores de V , se
cumple que
n
< u, v >=< (x1 , x2 , . . . , xn )B , (y1 , y2 , . . . , yn )B >=
xi yi
i=1

Agueda
y tambien que
n
< f (u), f (v) > =<
xi f (ei ),
i=1
n
yi f (ej ) >=< (x1 , x2 , . . . , xn )f (B) , (y1 , y2 , . . . , yn )f (B) >

i=1
xi yi
i=1
luego < f (u), f (v) >=< u, v >, y la aplicacion f es ortogonal.
7.10
Ejemplos de aplicaciones ortogonales
Sea Rn con el producto escalar usual respecto de su base canonica.

1. En R2 , el giro de centro el origen y angulo es una aplicacion ortogonal. Usando n
umeros
complejos, la imagen de x + iy mediante un giro centrado en el origen de angulo es
ei (x + iy) = (cos + i sin )(x + iy) = (x cos y sin ) + i(x sin + y cos )
y, volviendo al plano R2 , la ecuacion del giro en la base canonica es:
G (x, y) =
cos sin
sin cos
x
y
2. En R2 , la simetra respecto de la recta r ax + by = 0 (que pasa por el origen) es una

aplicacion ortogonal. Puesto que u1 = (b, a) es el vector de direccion de la recta y
u2 = (a, b) el vector perpendicular, se tiene que Sr (u1 ) = u1 y Sr (u2 ) = u2 , luego la
matriz de la simetra respecto de la base B = {u1 = (b, a), u2 = (a, b)} es
A = M (Sr , B) =
1 0
0 1
Teniendo en cuenta el diagrama:

A
(R2 )B (R2 )B
P
P
siendo
P = M (B, Bc ) =
b a
a b
(R2 )Bc (R2 )Bc

se tiene que:
C = M (Sr , Bc ) = P AP 1 =
1
2
a + b2
b2 a2 2ab
2ab a2 b2
Luego la ecuacion de la simetra, respecto de la recta r ax + by = 0, en la base canonica

es:
1
b2 a2 2ab
x
Sr (x, y) = 2
2
2
2
2ab a b
y
a +b

Agueda
3. En R3 , un giro cuyo eje pasa por el origen es una aplicacion ortogonal. Sean y r
L ({u1 }), con u1 = 1, el angulo y eje de giro. Completando el vector de direccion
del eje hasta formar una base B = {u1 , u2 , u3 } ortonormal que verifique |P | > 0, donde
P = (u1 , u2 , u3 ) = M (B, Bc ), las matrices del giro respecto de esta base y la canonica son:
1
0
0
M (Gr, , B) = A = 0 cos sin
y
M (Gr, , Bc ) = P AP 1
0 sin cos
4. En R3 , la simetra respecto del plano L ({u1 , u2 }) (que pasa por el origen) es una
aplicacion ortogonal. A
nadiendo a los vectores de direccion del plano un vector u3 , que
sea ortogonal a ambos, se obtiene una base B = {u1 , u2 , u3 } respecto de la cual la matriz
de la simetra es
1 0 0
M (S , B) = A = 0 1 0
0 0 1
La matriz respecto de la base canonica sera:
M (S , Bc ) = P AP 1
7.11
donde
P = (u1 , u2 , u3 ) = M (B, Bc )
Teorema
El determinante de una matriz ortogonal es 1.

Demostraci
on: Si A Mnn (R) es una matriz ortogonal se cumple que At A = I, y tomando
determinantes:
At A = |A|2 = 1 = |A| = 1
7.12
Teorema
Los autovalores reales de una aplicacion ortogonal solo pueden ser 1 o 1.

Demostraci
on: Si R es un autovalor de la aplicacion ortogonal f : V V , existen
autovectores no nulos v V tales que f (v) = v. Puesto que las aplicaciones ortogonales
conservan la norma:
v = f (v) = v = || v = || = 1 = = 1
7.13
Clasificaci
on de las aplicaciones ortogonales en R2
Sea f : R2 R2 una aplicacion ortogonal cuya matriz respecto de una base ortonormal es A,
es decir:
x
a b
f (x, y) = A
con
A=
y
c d
siendo At A = I y |A| = 1. Puesto que At = A1 , se ha de cumplir que
a c
b d
1
|A|
d b
c a
b = c |A|
d = a |A|
Luego la matriz de la aplicacion ortogonal, respecto de una base ortonormal, sera:

A=
Pueden presentarse dos casos:
a c |A|
c a |A|
con
|A| = 1

Agueda
1. Si |A| = 1, entonces
A=
a c
c a
|A| = a2 + c2 = 1
con
luego existe un u
nico [0, 2) tal que a = cos y c = sin de donde
A=
cos sin
sin cos
y la aplicacion ortogonal es un giro, centrado en el origen, de angulo con

traza(A) = 2a = 2 cos = = arccos
traza(A)
2
donde la traza de una matriz es la suma de los elementos de su diagonal principal.

2. Si |A| = 1, entonces
A=
a c
c a
con
|A| = (a2 + c2 ) = 1
P () = 2 1
Sus autovalores son = 1 y = 1, y existiran autovectores u1 y u2 tales que

f (u1 ) = u1
f (u2 ) = u2
u1 u2 = 0
ya que las aplicaciones ortogonales conservan el producto escalar:

f (u1 ) f (u2 ) = u1 u2 = u1 (u2 ) = u1 u2 = (u1 u2 ) = u1 u2 = u1 u2 = 0
Luego la aplicacion ortogonal es una simetra respecto de la recta r L ({u1 }) = S(1),
donde S(1) es el subespacio propio asociado al autovalor = 1.
En resumen, se tiene la siguiente clasificacion:
|A| = 1
|A| = 1
Aplicaci
on ortogonal
Giro de centro el origen y angulo = arccos traza(A)
2
Simetra respecto de recta r S(1)
En el caso particular de un giro de angulo = 0, la aplicacion ortogonal es la identidad.
7.14
Clasificaci
on de las aplicaciones ortogonales en R3
Sea f : R3 R3 una aplicacion ortogonal cuya matriz respecto de una base ortonormal es A,
es decir:

x
con
At A = I
f (x, y, z) = A y
z
Puesto que los autovalores reales de A s
olo pueden ser 1, y el polinomio caracterstico tiene
grado 3, alguno de ellos debe ser 1 o 1. Si S(1) = Ker(A I) es el subespacio propio asociado
a = 1, se pueden presentar los siguientes casos:

Agueda
1. Si dim S(1) = 3, la aplicacion ortogonal es la identidad y A = I.

2. Si dim S(1) = 2, se considera una base ortonormal B = {u1 , u2 , u3 }, siendo S(1) =
L ({u1 , u2 }). Puesto que las aplicaciones ortogonales conservan bases ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {u1 , u2 , f (u3 )} es ortonormal = f (u3 ) = u3
ya que f (u3 ) = u3 al ser dim S(1) = 2. Luego la aplicacion ortogonal f es una simetra
respecto del plano S(1) y su matriz respecto de la base B es
1 0 0
M (f, B) = 0 1 0
0 0 1
3. Si dim S(1) = 1, se considera una base ortonormal B = {u1 , u2 , u3 }, siendo S(1) =
L ({u1 }) y |(u1 , u2 , u3 )| > 0. Puesto que las aplicaciones ortogonales conservan bases
ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {u1 , f (u2 ), f (u3 )}
es ortonormal. Por lo tanto
L ({f (u2 ), f (u3 )}) = L ({u2 , u3 }) = S(1)
y la aplicacion f en el plano S(1) , que no puede
en el origen. Luego la aplicacion ortogonal f es un
matriz respecto de la base B es
1
0
M (f, B) = 0 cos
0 sin
ser una simetra, es un giro centrado

giro con eje en la recta r S(1) y su
0
sin
cos
Puesto que las matrices asociadas a un endomorfismo respecto de cualquier base tienen la
misma traza, se ha de cumplir que
1 + 2 cos = traza(A) = = arccos
traza(A) 1
2
4. Si dim S(1) = 0, entonces = 1 es autovalor, ya que = 1 no puede serlo. Se considera

una base ortonormal B = {u1 , u2 , u3 }, siendo u1 S(1) y |(u1 , u2 , u3 )| > 0. Puesto que
las aplicaciones ortogonales conservan bases ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {u1 , f (u2 ), f (u3 )}
es ortonormal. Por lo tanto
L ({f (u2 ), f (u3 )}) = L ({u2 , u3 }) = L ({u1 })
y la aplicacion f en el plano L ({u1 }) es un giro centrado en el origen. Luego la aplicacion
ortogonal f es una simetra respecto del plano L ({u1 }) compuesta con un giro de
eje la recta r L ({u1 }), y su matriz respecto de la base B es
1
0
0
M (f, B) = 0 cos sin
0 sin cos

Agueda
Puesto que las matrices asociadas a un endomorfismo respecto de cualquier base tienen la
misma traza, se ha de cumplir que
1 + 2 cos = traza(A) = = arccos
traza(A) + 1
2
En el caso particular de que = , entonces
1 0
0
M (f, B) = 0 1 0
0
0 1
y f es una simetra central con centro en el origen. En este caso dim S(1) = 3.
dim S(1)
3
2
1
dim S(1)
0
1
0 o 2
Aplicaci
on ortogonal
Identidad
Simetra respecto del plano S(1)
Giro de eje r S(1) y angulo = arccos traza(A)1
2
Simetra respecto del plano S(1) compuesta con
giro de eje r S(1) y angulo = arccos traza(A)+1
2
Simetra central, con centro el origen

Agueda
Tema 8: Movimientos
Ejercicios
1. Halla las ecuaciones de las simetras respecto de las rectas:
(a) x 3y = 2
(b) x + 2y = 4
(c) 2x y = 1
2. Halla las ecuaciones de la simetra deslizante de eje y = x 2 y vector v = (3, 3).
3. Encuentra, si existe, las ecuaciones de un giro que transforme P (2, 0) en P (1, 1)
y Q(4, 1) en Q (0, 1).
4. Halla las ecuaciones de los siguientes movimientos:
(a) Giro de centro (1, 0) y angulo 135 .
(b) Simetra deslizante de eje paralelo a la recta 2x + y = 3 y que transforma (2, 1)
en (1, 0).
(c) Giro de angulo 60 que transforme (2, 1) en (1, 0).
(d) La composicion de los movimientos (a) y (b).
5. Determina todos los movimientos que transforman (1, 0) en (2, 1) y (0, 1) en (1, 0).
6. En R3 , halla las ecuaciones de los siguientes movimientos:
(a) Giro de angulo 90 respecto de la recta que pasa por (1, 0, 1) con vector director
u = (1, 1, 0).
(b) Composicion del giro de angulo 180 respecto de la recta r (x, y, z) =
(0, 0, 1) + (0, 1, 1)t, con la traslacion de vector v = (1, 1, 0). Que movimiento
se obtiene?
(c) Simetra respecto del plano que pasa por (0, 1, 1) y es perpendicular al vector
u = (2, 1, 1). Obten el punto simetrico de P (2, 1, 1).
(d) Simetra axial respecto de la recta r
xz =0
. Obten el punto simetrico
y 3z = 2
de P (1, 1, 1).
(e) Simetra rotacional (simetra compuesta con giro) respecto del plano que conx 3y = 1
x=4
tiene a las rectas r1
y r2
, con angulo de giro
yz =3
yz =3
x=2
180 y eje de giro r
.
y+z =0
(f) Movimiento helicoidal de eje r {(1, 1, 0)t : t R}, angulo 180 y vector de
traslacion v = (2, 2, 0).
(g) Giro respecto de la recta que pasa por los puntos (1, 1, 0) y (0, 0, 1), y que
transforma P (0, 1, 0) en P (1, 1, 1).
(h) Composicion de la simetra respecto del plano 3xy +2z = 1 con el movimiento
helicoidal del apartado (f).

Agueda
7. Dados los planos 1 x + y = 1 y 2 x + y = 4, encuentra las ecuaciones del

movimiento M = S1 S2 . Comprueba que es una traslacion y halla su vector
asociado.
8. Clasifica los siguientes movimientos sobre R2 :
(a)
x = y + 1
y = x + 1
(c)
x = y + 3
y = x 1
(b)
x =x+3
y =y1
(d)
x = y + 3
y =x1
x = 53 x + 54 y
y = 45 x 53 y + 1
(e)
9. Clasifica los siguientes movimientos sobre R3 :
x
=
y
+
1
x
=
z
+
1
x = z + 1
(a) y = x + 1
(c) y = y + 1
(e) y = y + 1
z =z+1
z = x + 1
z = x 1
x = x + 1
x = y + 1
x = x + 1
(b) y = y + 1
(d) y = x + 1
(f) y = y + 1
z = z 1
z =z
z =z1
Soluciones
1. (a) S(x, y) =
1
2
(b) S(x, y) =
1
5
(c) S(x, y) =
1
5
2. SD(x, y) =
3. G(x, y) =
1
3
3
4
3
4
0 1
1 0
0 1
1 0
1
x
3
+
;
y
3
1
4
x
8
+
;
3
y
16
4
x
4
+
.
3
y
2
x
5
+
.
y
1
x
1
+
.
y
3
x
1+ 2
4. (a) G(x, y) =
;
+
y
1
x
3
(b) SD(x, y) = 15
+
;
y
1
3
x
1
(c) G(x, y) = 2
+
;
y
1 2 3
7 1
x
5 2 15
1
+
(d) M(a) M(b) (x, y) = 5
2
1 7
y
5
1 7
x
12 2 + 1
1
M(b) M(a) (x, y) = 5
+
.
2
7 1
y
27
1
2
1 1
1 1
3 4
4 3
3
1
3
1
x = z + 1
(g) y = y
z = x + 1

Agueda
5. Giro de centro (1, 1) y angulo 90 , o simetra deslizante de eje 2y = 1 y vector

v = (1, 0).
0 1
x
2
1 0
x
1
+
; SD(x, y) =
+
G(x, y) =
1 0
y
0
0 1
y
1

1
1
2
1 2
x
y + 1 + 2.
6. (a) G(x, y, z) = 12
1
1 2
z
2
2
0
2+ 2

1 0 0
x
1
(b) T G(x, y, z) = 0 0 1 y + 0. Es un movimiento helicoidal de eje
0 1 0
z
1
x = 1/2
y = 1/2 + , angulo = y vector de deslizamiento v = 0, 12 , 12 .
r
z=

1 2 2
x
4
1
2 2 1
y + 2; S(P ) = P 23 , 13 , 5
(c) S(x, y, z) = 3
3 .
2 1 2
z
2
9 6 2
x
12
27 13
1
6 7 6 y + 8 ; SA(P ) = P 13
(d) SA(x, y, z) = 11
11 , 11 , 11 .
2 6 9
z
12

1 0
0
x
4
(e) SR(x, y, z) = 0 1 0 y + 3 .
0
0 1
z
3

0 1 0
x
2
0 y + 2.
(f) M H(x, y, z) = 1 0
0
0 1
z
0

0 1 0
x
0
(g) G(x, y, z) = 0 0 1 y + 1.
1 0 0
z
1
3 6 2
x
15
(h) M H S(x, y, z) = 17 2 3 6 y + 17.
6 2 3
z
2

1 0 0
x
3
7. M (x, y, z) = 0 1 0 y + 3; v = (3, 3, 0).
0 0 1
z
0
8. (a) Simetra respecto de la recta r x + y = 1.
(b) Traslacion de vector v = (3, 1).
(c) Simetra deslizante respecto de la recta r x + y = 1, con vector de traslacion
v = (2, 2).
(d) Giro de centro C(2, 1) y angulo = /2.
(e) Simetra deslizante respecto de la recta r x2y+1 = 0, con vector de traslacion
v = 25 , 51 .
9. (a) Simetra deslizante respecto del plano x + y = 1 con vector de deslizamiento
v = (0, 0, 1).
(b) Simetra central de centro C 12 , 12 , 1
2 .

Agueda
(c) Movimiento helicoidal con eje de giro r {x = 1, z = 0}, angulo =
v = (0, 1, 0).
(d) Simetra respecto del plano x + y = 1.
(e) Simetra rotacional respecto del plano y = 1/2, eje de giro
r {x = 0, z = 1} y angulo = 2 .
(f) Traslacion de vector v = (1, 1, 1).
(g) Giro de eje r {x = 1, z = 0} y angulo = 2 .
y vector

Agueda
Movimientos
8.1
Movimiento
Se llama movimiento a una aplicacion f : Rn Rn , no necesariamente lineal, que se puede

escribir en la forma:
f (u) = Au + b
A una matriz ortogonal (At A = I)

b Rn
con
Obviamente, cuando b = 0 el movimiento es una aplicacion lineal ortogonal, y en caso contrario

no es aplicacion lineal.
8.2
Observaciones
1. Un movimiento, f (u) = Au + b, es la composicion de una aplicacion ortogonal con una

traslacion:
Tb
A
Rn Rn
Rn
= f = Tb A
u Au Au + b
2. Los movimientos conservan las distancias: Si f (u) = Au + b, entonces
d (f (u), f (v)) = (Au + b) (Av + b) = A(u v) = u v = d(u, v)
ya que las aplicaciones ortogonales conservan la norma.
8.3
Puntos fijos de un movimiento
Se llama punto fijo de un movimiento f (u) = Au + b a cualquier punto w Rn tal que

f (w) = Aw + b = w.
8.4
Movimientos en R2
on de vector v = (, ):
1. Traslaci
Tv (u) = u + v = Iu + v
En forma cartesiana:
Tv (x, y) =
1 0
0 1
+
y
x+
y+
x =x+
y =y+
No tiene puntos fijos, salvo en el caso trivial de que v = 0 (en este caso el movimiento es
la identidad y todos los puntos son fijos).
2. Giro de centro c = (x0 , y0 ) y
angulo : Se puede obtener como la composicion de una
traslacion de vector c (que traslada el centro de giro al origen), con un giro centrado en
el origen de angulo , y con una traslacion de vector c (que devuelve el centro de giro a
su posicion inicial). Por lo tanto:
Gc, (u) = A(u c) + c = Au + (c Ac)

Agueda
donde A es la matriz del giro centrado en el origen de angulo . En forma cartesiana:

cos sin
sin cos
Gc, (x, y) =
x x0
y y0
x0
y0
El u
nico punto fijo es el centro de giro, salvo en el caso trivial de que = 0 o = 2 (en
estos casos el movimiento es la identidad y todos los puntos son fijos).
3. Simetra respecto de la recta r ax + by + c = 0: Si c r es un punto de la recta,
esta simetra se puede obtener como la composicion de una traslacion de vector c (que
transforma la recta en otra paralela que pasa por el origen), con una simetra respecto de
la recta ax + by = 0, y con una traslacion de vector c (que devuelve la recta a su posicion
inicial). Por lo tanto:
Sr (u) = A(u c) + c = Au + (c Ac)
donde
A=
b a
a b
1 0
0 1
b a
a b
1
2
a + b2
b2 a2 2ab
2ab a2 b2
es la matriz de la simetra respecto de la recta ax + by = 0. Todos los puntos de la recta

r son puntos fijos.
4. Simetra deslizante respecto de la recta r ax + by + c = 0 con vector v r: Es
la composicion de una simetra respecto de la recta r ax + by + c = 0 con una traslacion
de vector v. Por lo tanto, si c r, su ecuacion es:
SDr,v (u) = Tv Sr (u) = [A(u c) + c] + v = Au + (v + c Ac)
donde A es la matriz de la simetra respecto de la recta ax + by = 0. No hay puntos fijos,
salvo en el caso en que v = 0 (el movimiento es una simetra sin deslizamiento y los puntos
fijos son los de la recta r).
8.5
Ejemplos
1. Las ecuaciones de la traslacion de vector v = (1, 1) son

Tv (x, y) =
1 0
0 1
x
1
+
y
1
x+1
y1
x =x+1
y =y1
2. Las ecuaciones de un giro con centro en c = (1, 2) y angulo =

Gc, (x, y) =
0 1
1 0
x1
1
+
y2
2
son:
x =3y
y =x+1
3. Para hallar las ecuaciones de una simetra respecto de la recta r y x = 1 se considera

uno de sus puntos, por ejemplo (0, 1), y la matriz de la simetra respecto de su recta
paralela que pasa por el origen (x y = 0):
A=
1 1
1 1
1 0
0 1
1 1
1 1
0 1
1 0

Agueda
Las ecuaciones de la simetra son:

Sr (x, y) =
0 1
1 0
0
x
+
1
y1
x =y1
y =x+1
4. Para hallar las ecuaciones de la simetra deslizante respecto de la recta r y x = 1 con

vector v = (3, 3) se halla la matriz de la simetra respecto de su recta paralela que pasa
por el origen (x y = 0), que es la misma matriz A del ejemplo anterior, y un punto de
la recta, por ejemplo (0, 1). Las ecuaciones de la simetra deslizante son:
SDr,v (x, y) =
8.6
0 1
1 0
x
0
+
y1
1
3
3
x =y+2
y =x+4
Movimientos en R3
1. Traslaci
on de vector v:
Tv (u) = u + v
No tiene puntos fijos, salvo en el caso trivial de que v = 0 (en este caso el movimiento es
la identidad y todos los puntos son fijos).
angulo y eje la recta r u0 +L({u1 }): Se puede obtener como la composicion
2. Giro de
de una traslacion de vector u0 (que hace pasar el eje de giro por el origen), con un giro
de eje L({u1 }) y angulo , y con una traslacion de vector u0 (que devuelve el eje de giro
a su posicion inicial). Por lo tanto:
Gr, (u) = A(u u0 ) + u0 = Au + (u0 Au0 )
donde A es la matriz del giro de angulo y eje L({u1 }). Los u
nicos puntos fijos son los
del eje de giro, salvo en el caso trivial de que = 0 o = 2 (en estos casos el movimiento
es la identidad y todos los puntos son fijos). Si = , el giro se suele llamar simetra
axial de eje r.
3. Movimiento helicoidal de
angulo , eje r u0 + L({u1 }) y vector de traslaci
on
v r: Es la composicion de un giro de angulo y eje r u0 + L({u1 }) con una traslacion
de vector v. Por lo tanto, su ecuacion es:
M Hr,,v (u) = Tv Gr, (u) = [A(u u0 ) + u0 ] + v = Au + (v + u0 Au0 )
donde A es la matriz del giro de angulo y eje L({u1 }). En general, no hay puntos fijos.
4. Simetra respecto del plano u0 + L({u1 , u2 }): Se puede obtener como la composicion de una traslacion de vector u0 (que hace pasar al plano de simetra por el
origen), con una simetra respecto del plano L({u1 , u2 }), y con una traslacion de vector
u0 (que devuelve el plano de simetra a su posicion inicial). Por lo tanto:
S (u) = A(u u0 ) + u0 = Au + (u0 Au0 )
donde A es la matriz de la simetra respecto del plano L({u1 , u2 }). Todos los puntos del
plano son puntos fijos.

Agueda
5. Simetra deslizante respecto del plano u0 + L({u1 , u2 }) con vector v : Es

la composicion de una simetra respecto del plano u0 + L({u1 , u2 }) con una traslacion
de vector v. Por lo tanto, su ecuacion es:
SD,v (u) = Tv S (u) = [A(u u0 ) + u0 ] + v = Au + (v + u0 Au0 )
donde A es la matriz de la simetra respecto del plano L({u1 , u2 }). No hay puntos fijos,
salvo en el caso en que v = 0 (el movimiento es una simetra sin deslizamiento y los puntos
fijos son los del plano ).
6. Simetra rotacional: Es la composicion de una simetra respecto del plano u0 +
L({u1 , u2 }) con un giro de angulo y eje la recta r u0 + L({u3 }) perpendicular a
(r = {u0 }). Su ecuacion es:
SR(u) = A(u u0 ) + u0 = Au + (u0 Au0 )
donde A es la matriz de la composicion de una simetra respecto del plano L({u1 , u2 }) con
un giro de angulo y eje L({u3 }). El u
nico punto fijo es el punto u0 de intersecci
on de la
recta y el plano, salvo en el caso de que = 0 o = 2 en que la simetra rotacional se
reduce a la simetra respecto del plano . En el caso particular = la simetra rotacional
se llama simetra central y su ecuacion es:
SC(u) = (u u0 ) + u0 = u + 2u0
8.7
Ejemplos
y=1
, hay
z=2
y eje la recta y = z = 0, que
0
1
0
1. Para hallar la ecuacion de un giro de angulo = /2 y de eje la recta r

que comenzar hallando la matriz del giro del mismo angulo
es

1
0
0
1 0
A = 0 cos 2 sin 2 = 0 0
0 sin 2
cos 2
0 1
y puesto que (0, 1, 2) r, la ecuacion del giro es:
1 0 0
x
0
x
Gr, (x, y, z) = 0 0 1 y 1 + 1 = 3 z
0 1 0
z2
2
y+1
y=1
es el giro con eje en la misma recta y
z=2
angulo = . Como en el ejemplo anterior, su ecuacion es:

0
x
1
0
0
y 1 + 1
Gr, (x, y, z) = 0 cos sin
2
z2
0 sin cos
x
0
x
1 0
0
= 0 1 0 y 1 + 1 = 2 y
4z
2
z2
0 0 1
2. La simetra axial respecto de la recta r

Agueda
y=1
, angulo = 2 y
z=2
vector v = (2, 0, 0), se halla la matriz del giro del mismo angulo y eje la recta y = z = 0,
que es
1
0
0
1 0 0
A = 0 cos 2 sin 2 = 0 0 1
0 1 0
cos 2
0 sin 2
3. Para hallar la ecuacion del movimiento helicoidal de eje r
y puesto que (0, 1, 2) r, la ecuacion del movimiento helicoidal es:
1 0 0
x
0
2
x+2
M Hr,,v (x, y, z) = 0 0 1 y 1 + 1 + 0 = 3 z
0 1 0
z2
2
0
y+1
4. Para hallar la ecuacion de la simetra respecto del plano y z = 1, hay que hallar la
matriz de la simetra respecto del plano y z = 0, que es
1 0 0
A = 0 0 1
0 1 0
y, puesto que (0, 1, 0) , la ecuacion
1 0
S (x, y, z) = 0 0
0 1
de la simetra es:
0
x
0
x
1 y 1 + 1 = z + 1
0
z
0
y1
5. La simetra deslizante respecto del plano y z = 1 con vector de deslizamiento

v = (1, 2, 2), es la composicion de la simetra respecto del plano (la del ejemplo anterior)
con la traslacion de vector v. Por lo tanto, su ecuacion es:
1 0 0
x
0
1
x+1
SD,v (x, y, z) = Tv S (x, y, z) = 0 0 1 y 1 + 1 + 2 = z + 3
0 1 0
z
0
2
y+1
y=1
, angulo = /2 y plano x = 1 tiene
z=2
por matriz la asociada a la composicion de una simetra respecto del plano x = 0
L({e2 = (0, 1, 0), e3 = (0, 0, 1)}) con un giro de angulo /2 y eje la recta y = z = 0
L({e1 = (1, 0, 0)}), es decir:
1 0 0
1 0 0
1
0
0
1 0 0
1 0 0
A = 0 1 0 0 cos 2 sin 2 = 0 1 0 0 0 1 = 0 0 1
0 1 0
0 1 0
0 0 1
0 0 1
0 sin 2
cos 2
6. La simetra rotacional de eje r
Puesto que r = (1, 1, 2), la ecuacion de la simetra rotacional es
x 2
1
x+1
1 0 0
SR(x, y, z) = 0 0 1 y 1 + 1 = z + 3
y+1
2
z2
0 1 0

Agueda
7. La ecuacion de la simetra central respecto del punto Q(1, 1, 2) es
x+1
1
x 2
SC(x, y, z) = y 1 + 1 = y + 2
z2
2
z + 4
8.8
Clasificaci
on de movimientos en R2
Sea f (u) = Au + b, At A = I, un movimiento, y sea S(1) = Ker(A I) el subespacio de vectores

invariantes de A. Se pueden presentar los siguientes casos:
1. Si dim S(1) = 2, entonces A = I y el movimiento es una traslacion de vector b.
2. Si dim S(1) = 1, la aplicacion ortogonal asociada a la matriz A es una simetra, y se pueden
presentar dos casos:
(a) Hay puntos fijos: el movimiento es una simetra respecto de la recta {u : f (u) = u}.
(b) No hay puntos fijos: el movimiento es una simetra deslizante con vector v que ha de
verificar:
1
f (f (0)) = f 2 (0) = 2v = v = f 2 (0)
2
y recta de simetra r {u : f (u) = u + v}.
nico punto fijo c, es decir tal que
3. Si dim S(1) = 0, el movimiento es un giro de centro el u
traza(A)
f (c) = c, y angulo = arccos
.
2
dim S(1)
2
1
Puntos fijos
No
8.9
Si
Movimiento: f (u) = Au + b
Traslaci
on de vector b
Simetra respecto de la recta {u : f (u) = u}
Simetra deslizante de vector v = 12 f 2 (0)
y eje la recta r {u : f (u) = u + v}
Giro de centro el vector c, tal que f (c) = c,
y angulo = arccos traza(A)
2
Clasificaci
on de movimientos en R3
Sea f (u) = Au + b, At A = I, un movimiento, y sea S(1) = Ker(A I) el subespacio de vectores

invariantes de A. Se pueden presentar los siguientes casos:
1. Si dim S(1) = 3, entonces A = I y el movimiento es una traslacion de vector b.
2. Si dim S(1) = 2, la aplicacion ortogonal asociada a la matriz A es una simetra, y se pueden
(a) Hay puntos fijos: el movimiento es una simetra respecto del plano {u : f (u) = u}.
(b) No hay puntos fijos: el movimiento es una simetra deslizante con vector v que ha de
verificar:
1
f (f (0)) = f 2 (0) = 2v = v = f 2 (0)
2
y plano de simetra {u : f (u) = u + v}.

Agueda
3. Si dim S(1) = 1, la aplicacion ortogonal asociada a la matriz A es un giro, y se pueden

(a) Hay puntos fijos: el movimiento es un giro respecto de la recta {u : f (u) = u} y
.
angulo = arccos traza(A)1
2
(b) No hay puntos fijos: el movimiento es un movimiento helicoidal con eje la recta
r {u : f (u) u S(1)}, angulo = arccos traza(A)1
, y vector de deslizamiento
2
v = f (v0 ) v0 , con v0 r.
4. Si dim S(1) = 0, se pueden presentar dos casos:
(a) Si dim S(1) = 3, entonces A = I y el movimiento es una simetra central con
centro en su u
nico punto fijo c (f (c) = c).
(b) Si dim S(1) = 1, el movimiento es una simetra rotacional. Si c es su punto fijo
(f (c) = c), el eje de giro es c + S(1), el plano de simetra es c + S(1) , y el angulo
de giro = arccos traza(A)+1
.
2
dim S(1)
3
2
Hay puntos fijos
No hay puntos fijos
Hay puntos fijos
No hay puntos fijos
dim S(1) = 3
dim S(1) = 1
Movimiento: f (u) = Au + b
Traslaci
on de vector b
Simetra respecto del plano {u : f (u) = u}
Simetra deslizante de vector v = 12 f 2 (0)
respecto del plano {u : f (u) = u + v}
Giro respecto de la recta r {u : f (u) = u},
y angulo = arccos traza(A)1
2
Movimiento helicoidal de eje r {u : f (u) u S(1)},
,
angulo = arccos traza(A)1
2
y vector de deslizamiento v = f (v0 ) v0 , con v0 r
Simetra central respecto de c, con f (c) = c
Simetra rotacional de eje v0 + S(1)
y plano v0 + S(1) ,con f (v0 ) = v0 ,
y angulo = arccos traza(A)+1
2

Agueda
Tema 9: C
onicas
Ejercicios
Clasifica las siguientes conicas dando su ecuacion reducida, centro o vertice y ejes, cuando
corresponda, y dibujandolas si es posible.
1. 3x2 2xy + 3y 2 + 2x 4y + 1 = 0.
2. x2 2xy + y 2 + 4x 6y + 1 = 0.
3. x2 + 2xy y 2 6x + 4y 3 = 0.
4. x2 + 3xy + 2y 2 + 2x + 5y 3 = 0.
5. x2 + 4xy + 4y 2 2x 4y 3 = 0.
6. 3x2 2xy + 3y 2 + 2x 4y + 2 = 0.
7. x2 + y 2 + 2x + 1 = 0.
8. x2 + 4xy + 4y 2 2x 4y + 1 = 0.
9. x2 + 4xy + 4y 2 + 2x + 4y + 2 = 0.
10. x2 + y 2 + 2xy 7x 5y + 7 = 0.
11. 2x2 + y 2 + 4xy + 2x 1 = 0.
12. x2 + y 2 + 4x 4y 2xy 5 = 0.
13. 2x2 + y 2 + 2xy + 2x + 1 = 0.
14. 8x2 + 17y 2 + 12xy 8x 16y 8 = 0.
15. x2 + 4y 2 + 4xy 6x 12y + 9 = 0.
16. x2 y 2 + 2x + 6y 13 = 0.
17. x2 2y 2 xy + 2x + 5y 3 = 0.
18. x2 + y 2 + x 1 = 0.
19. x2 4y 2 2x 8y 3 = 0.

Agueda
Soluciones
1. Elipse de ecuacion reducida
x + y 12 = 0.
x2
3/16
y2
3/32
2. Par
abola de ecuacion reducida y 2 =
= 1, centro
2
2 x,
vertice
1 5
8 ,8
31 11
8 , 8
, y ejes x y +
, y eje x y +
3. Hiperbola de ecuacion reducida 1/2x 2 1/2y 2 = 1, centro
2)y = 2 5 2 2 y (1 + 2)x + y = 3 + 22 .
1 5
2, 2
3
4
5
2
=0y
= 0.
, y ejes x (1 +
4. Par de rectas secantes: x + y = 3 y x + 2y = 1.

5. Par de rectas paralelas: x + 2y = 3 y x + 2y = 1.
x2
5/16
6. Elipse imaginaria de ecuacion reducida
y2
5/32
= 1.
7. Punto: (1, 0).

8. Recta doble: x + 2y = 1.
9. Par de rectas imaginarias: x + 2y = 1 + i y x + 2y = 1 i.
10. Par
abola de ecuacion reducida y 2 =
11. Hiperbola de ecuacion reducida
x + 2y = 1
2 .
x2
5/12
1 x,
2
vertice
y2
5/18
1 5
2, 2
= 1, centro
, y eje x + y = 3.
1 1
6, 3
, y ejes 2x y =
2
3
12. Par de rectas paralelas: x y = 1 y x y = 5.

13. Punto: (1, 1).
14. Elipse de ecuacion reducida
2x y = 0.
x2
12/5
y2
3/5
= 1, centro
1 2
5, 5
, y ejes x + 2y = 1 y
15. Recta doble: x + 2y = 3.

16. Hiperbola de ecuacion reducida
x2
5
y2
5
= 1, centro (1, 3), y ejes x = 1 e y = 3.
17. Par de rectas secantes: x 2y = 3 y x + y = 1.

18. Circunferencia de ecuacion reducida
x2
5/4
y2
5/4
= 1, centro
19. Par de rectas secantes: x 2y = 3 y x + 2y = 1.
1
2 ,0
, y radio
5
2 .

Agueda
C
onicas
9.1
C
onicas
Se llama c
onica a cualquiera de las secciones planas que se producen al cortar en el espacio un
doble cono recto por un plano.
Si el doble cono recto tiene vertice O, eje r y angulo , 0 < < 2 , y el plano forma un
angulo con el eje del cono, se pueden presentar los siguientes casos:
1. Si = 2 , es decir si r , la conica es una circunferencia (si O
/ ) o un punto (si
O ).
2. Si < < 2 , la conica es una elipse (si O
/ ) o un punto (si O ).
3. Si = , la conica es una par
abola (si O
/ ) o una recta (si O ).
4. Si 0 < , la conica es una hip
erbola (si O
/ ) o un par de rectas (si O ).
Cuando O , la conica se llama c
onica degenerada.
La ecuacion analtica de una conica es:
a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a R, que tambien se llama ecuaci
on general de la conica.
9.2
Ecuaci
on reducida de una c
onica
Mediante un movimiento (giro y/o traslacion) la ecuacion general de una conica se reduce a una
de las siguientes ecuaciones reducidas:
1.
x2
a2
y2
b2
= p, con a, b > 0 y p = 1, 0, 1 (conica de tipo elptico).
Si p = 1, la conica reducida es
una elipse, si a = b, con centro el origen, ejes los cartesianos y focos en los puntos
(c, 0), si a > b (c2 = a2 b2 ), o (0, c), si a < b (c2 = b2 a2 ).
una circunferencia, si a = b, con centro el origen y radio a.
Si p = 0, la conica reducida es un punto (el origen).
Si p = 1, la conica reducida carece de puntos, y se llama elipse imaginaria.

2.
x2
a2
y2
b2
= p, con a, b > 0 y p = 1, 0, 1 (conica de tipo hiperbolico).
Si p = 1, la conica reducida es una hip

erbola con centro el origen, ejes los cartesianos
2
y focos en los puntos (c, 0), con c = a2 + b2 .
Si p = 0, la conica reducida es un par de rectas secantes.
Si p = 1, la conica reducida es una hip

erbola con centro el origen, ejes los cartesianos y focos en los puntos (0, c), con c2 = a2 + b2 .
3. y 2 = 2px, con p = 0 (conica de tipo parabolico). La conica reducida es una par
abola con
centro o vertice en el origen, ejes los cartesianos, foco ( p2 , 0) y directriz x = p2 .

Agueda
4. x2 = 2py, con p = 0 (conica de tipo parabolico). La conica reducida es una par

abola con
p
p
centro el origen, ejes los cartesianos, foco (0, 2 ) y directriz y = 2 .
5. y 2 = q o x2 = q (conica de tipo parabolico). La conica reducida es un par de rectas
paralelas (si q > 0), una recta doble (si q = 0) o un par de rectas imaginarias (si
q < 0).
9.3
Obtenci
on de la ecuaci
on reducida de una c
onica
Sea
a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a R, la ecuacion general de una conica, que se puede expresar matricialmente como:
a11 a212
x
x
x y
+ a1 a2
+a=0
a12
a
y
y
22
2
donde la matriz
A=
a11
a12
2
a12
2
a22
es simetrica y, por tanto, diagonalizable ortogonalmente (respecto de una base ortonormal de

autovectores). El proceso a seguir, para obtener la ecuacion reducida, es el siguiente:
1. Si a12 = 0, los ejes de la conica no son paralelos a los ejes cartesianos, por lo que se hace
un giro para obtener una una conica equivalente con los ejes paralelos a los cartesianos.
Se determinan los autovalores de la matriz A, (A) = {1 , 2 }, y una base ortonormal
de autovectores B = {u1 , u2 } con u1 u2 = 1. La matriz del cambio de base P =
u1 u2 = M (B, Bc ) es ortogonal, es decir P 1 = P t , y se cumple que
1 0
0 2
P 1 AP = P t AP = D =
x1
x
= Pt
, se tiene que
y1
y
ecuacion de la conica, queda:
Aplicando el giro
x1 y1 P t AP
es decir:
x 1 y1
1 0
0 2
x1
y1
x
y
+ a1 a2 P
x1
y1
+ b1 b2
x1
y1
= P
x1
y1
y, sustituyendo en la
+a=0
x1
y1
+a=0
donde b1 b2 = a1 a2 P . Operando, la ecuacion de la conica despues del giro es

1 x21 + 2 y12 + b1 x1 + b2 y1 + a = 0
que ya no tiene termino en xy.
Si a12 = 0, los ejes de la conica ya son paralelos a los cartesianos y se pasa directamente
al paso siguiente.

Agueda
2. Si (b1 , b2 ) = (0, 0), el centro de la conica (si es una conica con centro) no es el origen o la
conica (si no tiene centro) no pasa por el origen. En este caso se aplica una traslacion para
que el centro (si es una conica con centro) sea el origen o la conica (si no tiene centro)
pase por el origen. Se pueden presentar los siguientes casos:
(a) Si = |A| = 1 2 > 0, la conica es de tipo elptico. Completando cuadrados en su
expresion:
1 x 1 +
b1
21
+ 2 y1 +
b2
22
b2
b21
+ 2 a=c
41 42
b1
x2 = x1 + 2
1 , se obtiene la ecuaci
on reducida de la
b2
y2 = y1 + 2
2
Aplicando la traslacion
conica:
una elipse real, si c1 > 0

un punto, si c = 0
1 x22 + 2 y22 = c que es
una elipse imaginaria, si c1 < 0
(b) Si = |A| = 1 2 < 0, la conica es de tipo hiperbolico. Completando cuadrados

como en el apartado anterior, y aplicando la misma traslacion, se obtiene la ecuacion
reducida de la conica:
1 x22 + 2 y22 = c que es
una hiperbola, si c = 0
un par de rectas secantes, si c = 0
(c) Si = |A| = 1 2 = 0, la conica es de tipo parabolico. Se puede suponer, sin perdida

de generalidad, que 1 = 0 y 2 = 0 (los dos no se pueden anular simultaneamente),
la expresion de la conica sera:
2 y12 + b1 x1 + b2 y1 + a = 0
Completando cuadrados, se obtiene
2 y1 +
b2
22
b22
a b 1 x1
42
Entonces:
i. Si b1 = 0, aplicando la traslacion
reducida de la conica:
2 y22 = b1 x2
ii. Si b1 = 0, aplicando la traslacion
ducida de la conica:
x2 = x1 + ba1
b2
y2 = y1 + 2
2
b22
42 b1
, se obtiene la ecuacion
que es una parabola

x2 = x 1
y2 = y 1 +
b2
22
, se obtiene la ecuacion re-
un par de rectas paralelas, si c2 > 0

2
b
una recta doble, si c = 0
2 y22 = 2 a = c que es
42
un par de rectas imaginarias, si c2 < 0
Si b1 = b2 = 0, el centro de la conica (si es una conica con centro) es el origen o la conica (si
no tiene centro) pasa por el origen, y la ecuacion obtenida despues del giro es la ecuacion
reducida de la conica.

Agueda
9.4
Centro o v
ertice, y ejes de una c
onica no degenerada
Cuando la conica es no degenerada, su centro o vertice se obtiene aplicando al origen (que es

el centro o vertice de la conica reducida) los movimientos inversos a los usados para obtener la
ecuacion reducida: en primer lugar la traslacion de vector opuesto, y despues el giro de angulo
opuesto.
Si la conica es una elipse o una hiperbola, sus ejes son las rectas que pasan por el centro de la
conica con la direccion de los autovectores de la matriz A.
Si la conica es una parabola, su eje principal es la recta que pasa por el centro con la direccion
del autovector asociado al autovalor nulo, y su eje secundario es la recta que pasa por el centro
con la direccion del autovector asociado al autovalor no nulo.
9.5
Ejemplos
1. Para hallar la ecuacion reducida de la conica 3x2 + 3y 2 2xy 2 = 0, se expresa en forma

matricial:
3 1
x
x y
2=0
1 3
y
La matriz asociada y sus autovalores son
A=
3 1
1 3
|A I| =
3 1
= ( 2)( 4) =
1 3
1 = 2
2 = 4
Los subespacios propios son

S(2) =
v : (A 2I)v =
S(4) =
v : (A 4I)v =
1 1
1 1
1 1
1 1
x
y
=0
= {v : x y = 0} = L ({(1, 1)})
x
y
=0
= {v : x + y = 0} = L ({(1, 1)})
La matriz diagonal y la matriz de paso son:

D=
2 0
0 4
1
P =
2
1 1
1 1
con
Aplicando a la conica el giro

x1
y1
= Pt
x
y
1
=
2
1 1
1 1
x
y
con centro el origen y angulo 45o , se obtiene

x1 y1 P t AP
x1
y1
2=0
y operando:
2x21 + 4y12 = 2 = x21 +
y12
=1
1/2
P t AP = D

Agueda
que es la ecuacion reducida de la conica, que corresponde a una elipse. No es necesario usar
traslaciones. La ecuacion reducida tambien se suele expresar renombrando las variables
(x1 , y1 ) como (x, y), es decir como
x2 +
y2
=1
1/2
Puesto que no se ha aplicado traslacion, el centro de la elipse coincide con el de la conica

reducida, es decir es el origen. Sus ejes son las rectas que pasan por el origen con la
direccion de los autovectores:
y
x
1 = 1
y
x
1 = 1
x+y =0
xy =0
La representacion grafica de la conica es la de la figura.
Figure 1: Representacion grafica de la conica 3x2 + 3y 2 2xy 2 = 0

2. Para hallar la ecuacion reducida de la conica x2 + y 2 + 4xy x + y + 1 = 0, se expresa en
forma matricial:
1 2
x
x
x y
+ 1 1
+1=0
2 1
y
y
La matriz asociada y sus autovalores son
A=
1 2
2 1
|A I| =
1
2
= ( 3)( + 1) =
2
1
1 = 3
2 = 1
Los subespacios propios son

S(3) =
S(1) =
2 2
2 2
v : (A 3I)v =
v : (A + I)v =
2 2
2 2
x
y
x
y
=0
=0
= {v : x y = 0} = L ({(1, 1)})
= {v : x + y = 0} = L ({(1, 1)})
La matriz diagonal y la matriz de paso son:

D=
3 0
0 1
1
P =
2
1 1
1 1
con
P t AP = D

Agueda
Aplicando a la conica el giro

x1
y1
= Pt
x
y
1
=
2
con centro el origen y angulo 45o , se obtiene

x1
y1
x1 y1 P t AP
1 1
1 1
+ 1 1 P
x
y
x1
y1
+1=0
y operando:
1
2y1 + 1 = 0 = 3x21 y1
2
Si ahora se aplica la traslacion
x2 = x 1
y2 = y1 12
3x21 y12 +
3
2
se llega a
3
x2
y2
= 2 2 = 1
2
1/2 3/2
que es la ecuacion reducida de la conica, que corresponde a una hiperbola. La ecuacion
reducida tambien se suele expresar renombrando las variables (x2 , y2 ) como (x, y), es decir
como
x2
y2
= 1
1/2 3/2
Aplicando la traslacion opuesta y el giro inverso al centro de la conica reducida, se obtienen
el centro de la conica original. El centro es
3x22 y22 =
1
1
C = (0, 0)2 = C = (0, )1 = C =
2
2
1 1
1 1
1/2
1/2
= C =
1 1
,
2 2
Los ejes son las rectas que pasan por el centro y cuyos vectores de direccion son los vectores
propios, es decir:
x+ 21
1
x+ 12
1
=
=
y 12
1
y 12
1
x+y =0
xy+1=0
La representacion grafica de la conica es la de la figura.
Figure 2: Representacion grafica de la conica x2 + y 2 + 4xy x + y + 1 = 0

Agueda
9.6
Clasificaci
on de c
onicas por invariantes
Para clasificar una conica, de ecuacion general

a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a R, no es necesario encontrar el movimiento (giro y/o traslacion) que
la transforma en su ecuacion reducida. Se puede hacer a partir de las matrices:
a11 a212 a21

a12
a11 2
A = a12
A = a212 a22 a22
y
a
22
a1
a2
2
a
2
2
Si (A) = {1 , 2 } son los autovalores de A, = |A| y = A , entonces:
Tipo
Ecuaci
on reducida
>0
Elptico
1 x2 + 2 y 2 =
<0
Hiperbolico
1 x2 + 2 y 2 =
=0
(1 = 0)
(2 = 0)
Parabolico
2 y 2 = 2
2
y2
=c
2 x
C
onica
Elipse real, si 1 < 0
Elipse imaginaria, si 1 > 0
Punto, si = 0
Hiperbola, si = 0
Par de rectas secantes, si = 0
Parabola, si = 0
Par de rectas paralelas, si = 0 y c2 > 0
Recta doble, si = 0 y c = 0
Par de rectas imaginarias, si = 0 y c2 < 0
FACULTAD DE INFORMATICA
DPTO. DE MATEMATICA APLICADA
PARCIAL (30/04/99)
CURSO 98/99
ALGEBRA LINEAL
GRUPO 12M
APELLIDOS:
NOMBRE:
Teor a. (5 puntos)
Demostrar que, en un espacio vectorial , las coordenadas de un vector respecto de una base
=f 1 2
n g son unicas.
V
:::
Problema 1. (5 puntos)
En R4 se consideran los subespacios vectoriales

S
T
= (f(1 0 1 0) (1 ;1 0 0)g )
= f( 1 2 3 4 ) : 1 = 0 2 ;
L
x3
= 0g
Obtener bases de \ y de + .
S
Problema 2.
Sea : R3 ;! R3 un endomor smo cuya matriz respecto de la base canonica,
f
f Bc
0 0 2 11
) = @ ;1 ;3 ;1 A
2
Bc
=f
e1 e2 e3
g, es
Se pide:
1. (5 puntos) Hallar las ecuaciones impl citas del nucleo y de la imagen.
2. (5 puntos) Hallar la matriz del endomor smo respecto de la base
B
= f 1 = (;1 1 1)
u
u2
= (1 ;1 0)
u3
= (;1 0 2)g
3. (5 puntos) Hallar los autovalores, subespacios propios asociados y, si es diagonalizable, dar la

matriz diagonal y la matriz asociada de cambio de base.
EXAMEN FINAL DE JUNIO (9/06/00)
CURSO 99/00
ALGEBRA LINEAL
SOLUCIONES
Ejercicio 1. En P3 (R), el espacio vectorial de los polinomios de grado menor o igual
que 3, se consideran los subespacios vectoriales:
S = fp(x) 2 P3 (R) : p(1) + p(0) = 0 p(;1) + p(0) = 0g
;
T = L ;1 + x + x2 + x3 x + x3 b(1 + x2 ) + x3 ;1 + 2x + x2 + bx3
(a) Obten las ecuaciones impl citas y parametricas de S .
(b) Halla, segun los valores del parametro b 2 R, las dimensiones de T , S + T y S \ T .
Solucion: Respecto de la base usual, p(x) = a0 + a1 x + a2x2 + a3x3 = (a0 a1 a2 a3).
(a) Ecuaciones impl citas:
p(1) + p(0) = 0 =) 2a0 + a1 + a2 + a3 = 0 =) 2a0 + a2 = 0
p(;1) + p(0) = 0
2a0 ; a1 + a2 ; a3 = 0
a1 + a3 = 0
Ecuaciones parametricas:
8a =
>
< a01 =
>
: aa23 == ;;2
2R
(b) Del apartado anterior, dim S = 2 y una base

BS = (1 0 ;2 0) = 1 ; 2x2 (0 1 0 ;1) = x ; x3
Haciendo operaciones elementales con los generadores de T y S + T , se obtiene:

0;1 1 1 11 0;1 1 1 1 1 0;1 1 1 1 1
BB 0 1 0 1CC ;! BB 0 1 0 1 C
B0 1 0 1 C
@ b 0 b 1A @ 0 b 2b b + 1C
A ;! B
@ 0 0 2b 1 C
A
;1 2 1 b
0 1 0 b;1
0 0 0 b;2
01
BB 0
BB;1
BB 0
@
0
1
1
1
0 0
0 0
de donde:
;2
0
1
0
2b
0
0
1
C
B
;1 C B0
B
1 C
0
C
B
;!
B
1 C
0
CA B
@
1
0
b;2
0
0
1
1
0
0
0
;2
0
;1
0
2b
0
0
1
C
B
;1 C B0
B
1 C
0
C
B
;!
B
2 C
0
C
B
A
@
1
0
b;2
0
0
1
0
0
0
0
;2 0 1
0 ;1C
C
1 ;2C
C
0
0
0
2C
C
0A
0
dim T = 3 , si b = 0 o b = 2
4 , si b 6= 0 y b 6= 2
(
dim(S \ T ) = dim S + dim T ; dim(S + T ) = 1 , si b = 0 o b = 2
2 , si b 6= 0 y b 6= 2
dim(S + T ) = 4
Ejercicio 2. Sea f : R4 ;! R4 un endomor smo tal que

f (1 1 0 0) = (0 1 0 ;1) f (1 0 1 0) = (1 1 1 0) y Ker f = Im f
Halla su matriz respecto de la base canonica.
Solucion: En R4 se considera la base canonica Bc = fe1 e2 e3 e4 g, y la base
B = fu1 = (1 1 0 0) u2 = (1 0 1 0) u3 = (0 1 0 ;1) u4 = (1 1 1 0)g
Segun los datos del problema f (u1 ) = u3 , f (u2 ) = u4 y Ker f = Im f = L (fu3 u4 g), es decir
f (u3) = f (u4) = 0. Por lo tanto
8 f (u ) = f (e ) + f (e )
8 f (e ) = (1 2 1 ;1)
= (0 1 0 ;1)
>
>
1
1
2
1
< f (u2) = f (e1)
+ f (e3 )
= (1 1 1 0) =) < f (e2 ) = (;1 ;1 ;1 0)
0 0 0)
>
>
: ff ((uu34)) == f (e1) + ff ((ee22)) + f (e3) ; f (e4) == (0
: ff ((ee34)) == (0(;1;1;10 ;1)1 0)
(0 0 0 0)
La matriz de f , respecto de la base canonica, es
0 1 ; 1 0 ;1 1
B 2 ; 1 ; 1 ;1 C
M ( f Bc ) = B
A
@ 1 ; 1 0 ;1 C
;1 0
Ejercicio 3. Sea f : V ;! V un endomor smo sobre el espacio vectorial V de dimension

n. De ne el concepto de endomor smo diagonalizable y enuncia condiciones necesarias
y su cientes para que f sea diagonalizable en R.
Solucion: Un endomor smo es diagonalizable si existe una base respecto de la que su matriz es
diagonal.
La condicion necesaria y su ciente para que un endomor smo sea diagonalizable en R es que
admita una base formada por autovectores, para lo que es necesario que todos sus autovalores sean
reales y que la dimension de cada subespacio propio coincida con la multiplicidad del autovalor
correspondiente.
Ejercicio 4. En R4 , con el producto escalar usual, se considera el hiperplano

H = (x1 x2 x3 x4 ) 2 R4 : x1 ; x3 ; x4 = 0
Halla:
(a) Una base ortonormal de H .
(b) La distancia del vector ;!
OA = (1 0 1 1) al hiperplano H .
(c) La proyeccion sobre H de la recta que pasa por A(1 0 1 1) y B (2 0 0 1).
Solucion: Las ecuaciones parametricas y una base de H son:
8x =
>
< x12 =
x1 ; x3 ; x4 = 0 =) > x =
: x34 = ;
2R
B = fu1 = (1 0 0 1) u2 = (0 1 0 0) u3 = (0 0 1 ;1)g
(a) Aplicando el proceso de Gram-Schmidt:

v1 = u1 = (1 0 0 1)
v2 = u2 = (0 1 0 0)
v3 = u3 ; u3 v21 v1 ; u3 v22 v2 = u3 ; ;21 v1 ; 10 v2 = 21 0 1 ;21 == (1 0 2 ;1)
k v1 k
kv2 k
Dividiendo cada uno de los vectores obtenidos por su norma, se obtiene la base ortonormal:
BOT N = w1 = p1 (1 0 0 1) w2 = (0 1 0 0) w3 = p1 (1 0 2 ;1)
2
6
(b) Se halla la proyeccion del vector sobre H :
proyH ;!
OA = ;!
OA w1 w1 + ;!
OA w2 w2 + ;!
OA w3 w3 = p2 w1 + 0w2 + p2 w3
2
6
= (1 0 0 1) + 13 0 23 ;31 = 34 0 32 23
y entonces, la distancia es
d ;!
OA H = ;!
OA ; proyH ;!
OA =
;1 0 1 1
3 3 3
= p1
3
(c) La proyeccion de la recta que pasa por A y B es la recta que pasa por los puntos
;!0 = proy ;!
4 2 2
A0 = ;
OA
H OA = 3 0 3 3
;!0 = proy ;!
;!
;!
;!
B0 = ;
OB
H OB = OB w1 w1 + OB w2 w2 + OB w3 w3
= p3 w1 + 0w2 + p1 w3 = ( 23 0 0 23 ) + 16 0 31 ;61 = 35 0 13 43
2
6
luego la recta proyeccion es
;!0 + ;;!
u = ;OA
A0 B 0 =) (x1 x2 x3 x4 ) = 34 0 32 23 + 13 0 ;31 32
3
Ejercicio 5.
(a) Halla las ecuaciones del movimiento M = GP pSr , en R2 , que se obtiene al
componer la simetr a respecto de la recta r x ; 3y = 1 con el giro de centro
P (1 0) y angulo = =2.
(b) Determina el tipo de movimiento que es M y halla, si existen, sus puntos jos.
Solucion:
(a) La matriz de la simetr a Sr (u) = A1u + b1 es
p
p
p
;1 1
1
3
1
1
0
3
1
p
p
p
A1 = 1 ; 3 0 ;1 1 ; 3 = 2 3 ;13
y, puesto que los puntos de la recta son jos y (1 0) 2 r, entonces
1
Sr (1 0) = A1 10 + b1 = 10 =) b1 = 10 ; A1 10 = 21 ;p
3
La matriz del giro GP (u) = A2 u + b2 es
cos =2 ; sen =2 = 0 ;1
A2 = sen
=2 cos =2
1 0
y, puesto que el centro de giro (1 0) es un punto jo, entonces
GP (1 0) = A2 10 + b2 = 10 =) b2 = 10 ; A2 10 = ;11
Las ecuaciones del movimiento son
M (u) = GP
Sr (u) = GP (Sr (u)) = A2 (A1 u + b1 ) + b2 = A2A1 u + A2 b1 + b2
Operando:
M (u) = Au + b = 21 ;1 3 p13 u + 12 2 +;1 3
(b) Se halla el subespacio invariante S (1) asociado a la matriz A:

p
p
p
1
;
3
;
2
1
3
+
2)
x
+
y
=
0
x
;
(
x
=
(2
;
3)
p
p
(A ; I )u = 2
1
3 ; 2 y = 0 =) x + ( 3 ; 2)y = 0 =) y =
Puesto que dim S (1) = 1, el movimiento es una simetr a o simetr a deslizante. Se buscan, si existen,
los puntos jos:
p
p
3
+
2)
x
+
y
=
;
2
;
3 =) x + (p3 ; 2)y = 1
;
(
p
Au + b = u =) (A ; I )u = ;b =) x + ( 3 ; 2)y = 1
p
Luego los puntos jos son los puntos de la recta x + ( 3 ; 2)y = 1 y el movimiento es una simetr a
respecto de dicha recta.
EXAMEN FINAL DE JUNIO (9/06/00)
CURSO 99/00
ALGEBRA LINEAL
Ejercicio 1. (20 puntos)
En P3 (R), el espacio vectorial de los polinomios de grado menor o igual que 3, se consideran los
subespacios vectoriales:
S = fp(x) 2 P3 (R) : p(1) + p(0) = 0 p(;1) + p(0) = 0g

;
T = L ;1 + x + x2 + x3 x + x3 b(1 + x2 ) + x3 ;1 + 2x + x2 + bx3
(a) Obten las ecuaciones impl citas y parametricas de S .
(b) Halla, segun los valores del parametro b 2 R, las dimensiones de T , S + T y S \ T .
Sea f : R4 ;! R4 un endomor smo tal que
f (1 1 0 0) = (0 1 0 ;1)
f (1 0 1 0) = (1 1 1 0)
y Ker f = Im f
Halla su matriz respecto de la base canonica.
Sea f : V ;! V un endomor smo sobre el espacio vectorial V de dimension n. De ne el concepto de endomor smo diagonalizable y enuncia condiciones necesarias y su cientes para que f sea
diagonalizable en R.
En R4 , con el producto escalar usual, se considera el hiperplano
H = (x1 x2 x3 x4 ) 2 R4 : x1 ; x3 ; x4 = 0
Halla:
(a) Una base ortonormal de H .
(b) La distancia del vector ;!
OA = (1 0 1 1) al hiperplano H .
(c) La proyeccion sobre H de la recta que pasa por A(1 0 1 1) y B (2 0 0 1).

(a) Halla las ecuaciones del movimiento pM = GP Sr , en R2 , que se obtiene al componer la
simetr a respecto de la recta r x ; 3y = 1 con el giro de centro P (1 0) y angulo = =2.
(b) Determina el tipo de movimiento que es M y halla, si existen, sus puntos jos.

ALGEBRA LINEAL (Agueda Mata y Miguel Reyes)

Cargado por

Copyright:

Formatos disponibles

ALGEBRA LINEAL (Agueda Mata y Miguel Reyes)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ALGEBRA LINEAL (Agueda Mata y Miguel Reyes)

Cargado por

Copyright:

Formatos disponibles

Agueda

Mata y Miguel Reyes, Dpto. de Matem

Tema 1: Matrices y Sistemas lineales de ecuaciones

3. Calcula la inversa, si existe, de las siguientes matrices:

un los valores de n, el rango de las matrices:

9. Resuelve las siguientes ecuaciones matriciales:

(c) Sistema incompatible.

12. (a) p(x) = 2x2 x + 1; (b) p(x) = (x2 1), R.

Matrices y Sistemas lineales de ecuaciones

Operaciones elementales por filas

En una matriz, se consideran operaciones elementales por filas a las siguientes:

Formas escalonada y can

Se llama matriz escalonada o reducida de A Mnm a cualquier matriz Ar Mnm que

donde E = Ep Ep1 . . . E2 E1 se llama matriz de paso de A a B.

Un sistema lineal de m ecuaciones con n incognitas es

a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2

am1 x1 + am2 x2 + . . . + amn xn = bm

con aij , bi R, que se puede expresar en forma matricial como

con A Mmn , x Mn1 , y b Mm1

Las matrices A Mmn y A = (A | b) Mm(n+1) se llaman, respectivamente, matriz de

Todo sistema lineal Ax = b de n ecuaciones con n inc

por el metodo de Gauss, se procede as:

Si Ax = b es un sistema de m ecuaciones con n inc

Para resolver el sistema lineal Ax = b, de m ecuaciones con n inc

(b) Si rg Ar = rg (Ar | br ) = n, el sistema es compatible determinado. Sus u

lugar, la matriz reducida de la ampliada:

Puesto que rg Ar = rg (Ar | br ) = 3 < 5 el sistema es compatible indeterminado. Sus soluciones

Sistemas lineales homog

Puesto que rg A = rg (A | 0), el sistema lineal homogeneo Ax = 0, de m ecuaciones con n

se calcula una matriz escalonada de la matriz de coeficientes (no es necesario considerar la

x1 = b1 + a11 1 + a12 2 + . . . + a1r r

x2 = b2 + a21 1 + a22 2 + . . . + a2r r

xn = bn + an1 1 + an2 2 + . . . + anr r

a11 1 + a12 2 + . . . + a1r r = x1 b1

a21 1 + a22 2 + . . . + a2r r = x2 b2

an1 1 + an2 2 + . . . + anr r = xn bn

a11 a12 . . . a1r x1 b1

se impone la condicion de que el sistema

Tema 2: Espacios vectoriales

(h) S = p(x) = ax3 + b : a, b R

3. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

(c) {(1, 0, a), (a, 1, 0), (0, a, 1)}

(b) {(0, 0, 1), (1, 1, 0), (1, 0, 0)}

(d) {(1, 0, a), (a, 1, 0), (a, 0, 1)}

4. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

5. Sean f, g, h : {a, b, c} R definidas como: f (a) = 0, f (b) = f (c) = 1; g(a) =

(c) {(1, 0, 1, 0), (2, 1, 3, 1), (0, 1, 1, 1), (2, 2, 4, 2)}

(b) {(1, 2, 3), (1, 3, 2), (0, 1, 1)}

1 + 3x + 4x2 , 4 + x2 , 3 + x + 2x2 P2 (R)

10. Averigua si los vectores u = (1, 1, 0) y w = (2, 3, 1) pertenecen al espacio vectorial

16. Estudia si es subespacio vectorial de R4 el conjunto de soluciones de cada uno de los

En caso afirmativo, determina una base.

20. En R4 se consideran los subespacios vectoriales:

y T = p(x) = ax3 + bx2 + (a + b)x + 2b : a, b R

(a) Prueba que S y T son subespacios vectoriales.

Halla la dimension y una base de los subespacios V1 , V2 , V1 + V2 y V1 V2 .

y W = L ({(0, 1, 1), (2, 0, 1), (2, 1, 2)})

Halla un sistema de generadores y las dimensiones de los subespacios U , W , U + W