Mates 2

Capı́tulo 1
Lenguaje: Conjuntos, aplicaciones

y relaciones
1.1. Lenguaje y conjuntos

Se recomienda la lectura de “El álgebra lineal detrás de los buscadores de Internet”,
por Carlos Andrea, (buscar en Google).
El lenguaje de las matemáticas, como el de cualquier otra disciplina, se sirve del
lenguaje ordinario, pero utiliza un vocabulario especial y sı́mbolos propios que permi-
ten expresar con claridad y precisión los objetos que manejan las matemáticas. Todos
tenemos que entender exactamente lo mismo. Hemos de ser muy claros y concisos, de
tal forma que cualquier lector u oyente sea capaz de comprender sin ambigüedades lo
que queremos expresar.
Todos los conceptos y objetos matemáticos deben ser bien precisados, mediante
definiciones y notaciones. Todas las afirmaciones que se realicen con estos objetos deben
ser demostradas, mediante razonamientos lógicos y convincentes. Esas afirmaciones se
suelen denominar proposiciones, teoremas y lemas.
El primer concepto de este lenguaje es el de conjunto. Admitiremos la idea intuitiva
de conjunto y elemento de un conjunto, distinguiendo entre lo que pertenece al conjunto
y lo que no pertenece.
Si a es un elemento del conjunto A, escribiremos
a 2 A,
que se lee a pertenece a A.

Si a no pertenece a A, escribiremos a 62 A. Denotaremos ; al conjunto que no tiene
ningún elemento, es el conjunto vacı́o.
Son ejemplos de conjuntos los siguientes: estudiantes de esta clase, números enteros,
números reales, parejas de números reales. También es conjunto “los elefantes que hay
dentro de clase”.
Un conjunto está bien definido cuando sabemos exactamente qué elementos perte-
necen y qué elementos no pertenecen a ese conjunto. Si el conjunto es pequeño se suele
presentar el conjunto relacionando sus elementos entre llaves. En general podemos des-
cribir un conjunto indicando qué propiedad cumplen sus elementos. Veremos ejemplos
de una y otra presentación.
3
1.1. LENGUAJE Y CONJUNTOS
Definición 1.1. Dados dos conjuntos A y B, diremos que A está contenido en B o que
A es subconjunto de B, cuando se verifica que para todo a 2 A se tiene a 2 B. En este
caso escribiremos
A✓B
y en otro caso escribiremos
A 6✓ B.
Diremos que A = B si A ✓ B y B ✓ A.
Notar que los elementos de un conjunto no se repiten ni están ordenados, es decir

que A = {1, 2, 3} = {1, 1, 2, 3} = {2, 1, 3}. Una lista ordenada de elementos la represen-
taremos escribiendo esos elementos en su orden y encerrados entre paréntesis. Un par es
una lista ordenada de dos elementos, por ejemplo (a, b)). Notar que (a, b) 6= (b, a).
Definición 1.2. Dados dos conjuntos A y B, el producto directo o cartesiano es el

conjunto
A ⇥ B := {(a, b) | a 2 A, b 2 B}.
Análogamente, si A1 , A2 , . . . , An son conjuntos,
A1 ⇥ . . . ⇥ An := {(a1 , . . . , an ) | ai 2 Ai }.
Ası́ pues, los elementos de un producto directo son listas ordenadas. Si todos los
conjuntos involucrados en un producto directo son iguales podemos escribir An en vez
de A ⇥ . . . ⇥ A.
Definición 1.3. La unión de los conjuntos A y B, es el conjunto
A [ B := {x|x 2 A o x 2 B}.
La intersección es es el conjunto
A \ B := {x | x 2 A y x 2 B}.
Si en vez de tener dos conjuntos tenemos un montón de conjuntos Ai , tal que i 2 I

(I puede tener dos elementos o tres o muchos elemento, incluso puede no ser finito), se
define la unión y la intersección como
[
Ai := {x | x 2 Ai para algún i 2 I}
i2I
\
Ai := {x | x 2 Ai para todo i 2 I}.
i2I
4 c Departamento de Matemáticas.
Universidad de Zaragoza
22 de septiembre de 2016
1.2. APLICACIONES
1.2. Aplicaciones
Muchas veces necesitamos asociar a elementos de un conjunto elementos de otro
conjunto.
Definición 1.4. Cuando a cada elemento de un conjunto A le asociamos un único

elemento de un conjunto B decimos que tenemos una aplicación de A en B y si la
llamamos f , escribimos f : A ! B. A veces a las aplicaciones se les llaman funciones,
por ejemplo las funciones reales de variable real.
Al elemento que le corresponde a un a 2 A lo denotamos f (a). A f (a) se le llama
imagen del elemento a. Al conjunto A se le llama (a veces) inicial y a B final.
Para tener una aplicación bien definida tenemos que tener claro los conjuntos inicial
y final, y la imagen de cada elemento del conjunto inicial, que debe ser única. Dos
aplicaciones son iguales cuando tienen los mismos conjuntos inicial y final, y la imagen
de cada elemento del inicial es la misma en las dos.
Definición 1.5. Sea

f :A!B
(con esto ya suponemos que A y B son conjuntos y que f es una aplicación). Decimos
que f es inyectiva cuando para todo x, y 2 A, f (x) = f (y) implica x = y, es decir, no
hay elementos distintos con la misma imagen.
Decimos que f es suprayectiva si para todo b 2 B existe x 2 A tal que f (x) = b.
Una aplicación que sea a la vez inyectiva y suprayectiva se dice biyectiva.
Para X ✓ A, se define f (X) := {f (x) | x 2 X}. Al conjunto f (A), que es un
subconjunto de B, se le llama conjunto imagen. Análogamente, si Y ✓ B, se define la
antiimagen de Y como
f (Y ) := {a 2 A | f (a) 2 Y }.
Definición 1.6. Sean f : A ! B y g : B ! C. Definimos la composición g f como la

aplicación
g f :A!C
dada por (g f )(x) = g(f (x) para x 2 A.
Para cualquier conjunto A 6= ; se define la aplicación identidad, IdA , como la apli-
cación
IdA : A ! A
dada por IdA (x) = x, para x 2 A. Se verifica para toda f : A ! B,
f IdA = f
IdB f = f.
Si f : A ! B es biyectiva definimos la aplicación inversa f 1 : B ! A mediante

f 1 (b) = a 2 A, de tal forma que f (a) = b. Es fácil de ver que está bien definida, que
es también biyectiva y que se verifica
1
f f = IdA
1
f f = IdB .
1.3. GRUPOS, ANILLOS, CUERPOS
1.3. Grupos, anillos, cuerpos

Definición 1.7. Una operación binaria interna en un conjunto A asocia a cada elemento
de A ⇥ A un elemento de A. Es pues una aplicación de A ⇥ A en A. Al elemento de A
asociado a (a, b) se le puede llamar de distintas maneras: a ⇤ b, a + b, a.b.
Ejemplos. Son operaciones binarias la suma (+) y producto (.) en N, Z, Q, R, C, en el

conjunto de polinomios, en el conjunto de matrices cuadradas del mismo orden, etc.
En el conjunto F2 = {0, 1} definimos las siguientes operaciones binarias internas
0+0=1+1=0
0+1=1+0=1
0.0=0.1=1.0=0
1 . 1 = 1.
Definición 1.8. Se llama grupo a un conjunto G dotado de una operación binaria

interna ⇤ : G ⇥ G ! G, que asocia a (a, b) el elemento de G, a ⇤ b, verificando
(a) Propiedad asociativa: a ⇤ (b ⇤ c) = (a ⇤ b) ⇤ c, para a, b, c 2 G.
(b) Elemento neutro: Existe e 2 G tal que e ⇤ a = a = a ⇤ e para a 2 G.
(c) Elemento inverso: Para cada a 2 G existe a0 2 G tal que a0 ⇤ a = e = a ⇤ a0 .
Si la operación es conmutativa, es decir, a ⇤ b = b ⇤ a para todo a, b 2 G, el grupo se dice
conmutativo (o abeliano). En este caso la operación suele denotarse con el sı́mbolo (+),
el neutro se indica con 0, y el inverso de a se denota a. Se escribe a b en lugar de
a + ( b).
Si la operación se denota con (.), se suele indicar con 1 al elemento neutro y al inverso
de a se le llama a 1 . Si no hay lugar a confusión se escribe ab en lugar de a.b.
Ejemplos.
Los conjuntos Z, Q, R, C, con la operación (+), son grupos conmutativos.
Los conjuntos anteriores menos el 0 con la operación (.) son grupos conmutativos.
GA = {f : A ! A | f biyectiva} con la operación binaria composición de

aplicaciones es grupo. Si A tiene más de dos elementos GA es un grupo no conmu-
tativo.
El conjunto de matrices n ⇥ n en R que tienen inversa para la operación producto

de matrices, es grupo no conmutativo.
Definición 1.9. Se llama cuerpo a un conjunto K con dos operaciones binarias internas
(+) y (.) tales que:
(a) (K, +) es grupo conmutativo.
(b) (K ⇤ = K 0, .) es grupo conmutativo.
(c) a(b + c) = ab + ac para a, b, c 2 K (distributividad)
Ejemplos. (Q, +, .), (R, +, .), (C, +, .), (F2 , +, .).
1.4. EJERCICIOS
Definición 1.10. Se llama anillo a un conjunto A con dos operaciones binarias internas
(+) y (.) tales que:
a) (A, +) es grupo conmutativo.
b) (.) es asociativa.
c) a(b + c) = ab + ac y (a + b)c = ab + ac, para a, b, c 2 A (distributividad).
Ejemplos.
Los cuerpos son anillos.
Anillos que no son cuerpos: (Z, +, .), R[x], +, .) (polinomios en x con coeficientes
en R). Ver cuáles son los elementos de estos anillos que tienen inverso para el
producto.
(M2⇥2 (R), +, .) es anillo no conmutativo, porque el producto no es operación con-

mutativa.
Proposición 1.11. 1. Sea A un anillo y a, b, a1 , . . . , an 2 A. Se tiene,

(a) ( a)b = a( b) = ab.
(b) En a1 + · · · + an no importa dónde se pongan los paréntesis, ası́ que se pueden
obviar.
(c) En a1 . . . an no importa dónde se pongan los paréntesis ası́ que se pueden obviar.
(e) a 0 = 0 a = 0.
2. En un cuerpo K se tiene además que si a, b 2 K son tales que ab = 0, entonces
a = 0 ó b = 0.
Nota: Esto no ocurre en todos los anillos (ver el último ejemplo).
Definición 1.12. Un cuerpo K en el que la suma de n sumandos 1 + . . . + 1 es distinta
de 0 para todo n, se dice de caracterı́stica cero. En otro caso, al menor n tal que la suma
de n sumandos 1 + · · · + 1 es igual a 0 se le llama caracterı́stica del cuerpo.
1.4. Ejercicios
Ejercicio 1. 1. Encuentra la caracterı́stica de los cuerpos de los ejemplos anteriores.
2. Demuestra que si la caracterı́stica es distinta de cero, entonces es un número
primo.
Ejercicio 2. Considera los siguientes conjuntos:
A = {(x, y, z) | x, y, z 2 R, x = y},
B = {(x, y, z) 2 A | x = z},
C = {(x, y, z) | x, y, z 2 R, x = y = z},
D = {(x, y, z) | x, y, z 2 R, x + y = z},
F = {(a, a, 2a) | a 2 R}.
1. Da un elemento que pertenezca a A pero que no pertenezca a B.

2. Ver que C = B y A \ D = F .
3. Describe D \ C y D \ B.
1.4. EJERCICIOS
Ejercicio
T 3. Para cada 0 6= n 2 N, considera An = {1/x | x 2 N, 0 < x  n}. Describe
n2N An y prueba que [
An = Am .
n2{1,2,...,m}
Ejercicio 4. Recuerda que F = {0, 1}.

1. ¿Cuántos elementos tiene F5 ? Escrı́belos todos.
2. ¿Cuántos elementos tiene C = {(x, y, z) | x, y, z 2 F, x = y = z}? Escrı́belos todos.
Ejercicio 5. Sea la aplicación f : R3 ! R2 definida por
f (x, y, z) = (x + y, x2 + y 2 + z 2 ).
1. ¿Es inyectiva?, ¿es suprayectiva?

2. Para A = {(a, a, 0) | a 2 R}, describe f (A) y da un elemento de la imagen de f
que no esté en f (A).
3. Describe f (0, 1).
Ejercicio 6. 1. Sea F = {0, 1}, para cada n 2 N considera la aplicación: f : Fn ! F

definida del siguiente modo: f (a) = 1 si el número de unos que aparece en a es impar,
y f (a) = 0 en otro caso.
2. Para n = 7 di cuantos elementos tiene f (0).
Ejercicio 7. Da ejemplos de aplicaciones entre los conjuntos A y D del ejercicio 1.

Al menos dos que no sean ni inyectivas ni suprayectivas, dos que sean inyectivas (¿son
suprayectivas?). Da al menos una que sea inyectiva y no suprayectiva.
Ejercicio 8. Considera el conjunto {0, 1, a, b} con las siguientes operaciones, que se

suponen conmutativas:
0 + 0 = 0, 0 + 1 = 1, 0 + a = a, 0 + b = b, 1 + 1 = 0, 1 + a = b, 1 + b = a,
a + a = 0, a + b = 1, b + b = 0;
0 . 0 = 0 . 1 = 0 . a = 0.b = 0, 1 . 1 = 1, 1 . a = a, 1 . b = b, a . a = b, a . b = 1,
b . b = a.
Son asociativas y la multiplicación es distributiva respecto de la suma (no lo com-
pruebes, que es muy largo).
Prueba que es un cuerpo de caracterı́stica 2.
Capı́tulo 1
Ejercicios resueltos (números

pares) sobre
((Conjuntos, aplicaciones,
relaciones y cuerpos))
Ejercicio 2. Considera los siguientes conjuntos:

A = {(x, y, z) | x, y, z 2 R, x = y},
B = {(x, y, z) 2 A | x = z},
C = {(x, y, z) | x, y, z 2 R, x = y = z},
D = {(x, y, z) | x, y, z 2 R, x + y = z},
F = {(a, a, 2a) | a 2 R}.
1. Da un elemento que pertenezca a A pero que no pertenezca a B.
2. Ver que C = B y A \ D = F .
3. Describe D \ C y D \ B.
Solución
1. (0, 0, 1) 2 A y (0, 0, 1) 62 B.
2. Sea (x, y, z) 2 C, se tiene que x, y, z 2 R y x = y = z. Por ser x = y, (x, y, z) 2 A y
por ser x = z, (x, y, z) 2 B, luego C ✓ B.
Recı́procamente si (x, y, z) 2 B, se tiene que (x, y, z) 2 A y x = z. Por ser (x, y, z) 2
A, x, y, z 2 R y x = y, como además x = z, se tiene x = y = z y (x, y, z) 2 C luego
B ✓ C. Luego C = B.
Sea (x, y, z) 2 A \ D. Se tiene (x, y, z) 2 A y (x, y, z) 2 D y por tanto x, y, z 2 R,
x = y y x + y = z. Si llamamos a = x 2 R tenemos que
z = x + y = x + x = a + a = 2a, (x, y, z) = (a, a, 2a) 2 F,
por tanto A \ D ✓ F .
Recı́procamente. Sea (a, a, 2a) 2 F . Se tiene que a 2 R, luego a, a, 2a 2 R y
(a, a, 2a) 2 A. Como 2a = a + a también (a, a, 2a) 2 D, luego (a, a, 2a) 2 A \ D y
se tiene que F ✓ A \ D. De los dos contenidos se tiene A \ D = F .
3. . . .
1
Ejercicio 4. Considera el conjunto F = {0, 1}.
1. ¿Cuántos elementos tiene F5 ? Escrı́belos todos.
2. ¿Cuántos elementos tiene C = {(x, y, z) | x, y, z 2 F, x = y = z}? Escrı́belos todos.
Solución
1. |F5 | = 25 = 32. Estos elementos son:
(00000) (10000) (01000) (00100) (00010) (00001) (11000) (10100)

(10010) (10001) (01100) (01010) (01001) (00110) (00101) (00011)
(11100) (11010) (10110) (01110) (11001) (10101) (01101) (10011)
(01011) (00111) (01111) (10111) (11011) (11101) (11110) (11111)
2. C = {(x, y, z) | x, y, z 2 F, x = y = z} = {(0, 0, 0), (1, 1, 1)}, o sea, 2 elementos.
Ejercicio 6. Sea F = {0, 1}, para cada n 2 N considera la aplicación: f : Fn ! F

definida del siguiente modo: f (a) = 1 si el número de unos que aparece en a es impar,
y f (a) = 0 en otro caso.
Para n = 7 di cuantos elementos tiene f (0).
Solución
f (0) es el conjunto P de las 7 tuplas con un número par de unos y el resto ceros,
que será un número impar.
El conjunto I de las otras 7 tuplas, las que tienen un número impar de unos verifica
que P [ I = F7 y P \ I = ;. Si cambiamos los ceros por unos y los unos por ceros,
tenemos una biyección de P en I, luego P y I tienen la misma cantidad de elementos y
el número de elementos de de P es la mitad de los que hay en F7 que son 27 . Ası́ que
f (0) tiene 26 = 64 elementos.
Otro modo: 7 tuplas con cero unos: solo hay una, la (0, 0, 0, 0, 0, 0, 0).
7 tuplas con 2 unos: hay que elegir 2 lugares para colocarlos de los 7 posibles,
7 · 6/2 = 21.
7 tuplas con 4 unos: hay que elegir 4 lugares para colocarlos o elegir 3 lugares para
los ceros, en total 7 · 6 · 5/6 = 7 · 5 = 35.
7 tuplas con 6 unos: hay que elegir 1 lugar para el cero, en total 7.
Ahora sumando 1 + 21 + 35 + 7 = 64.
Ejercicio 8. Considera el conjunto {0, 1, a, b} con las siguientes operaciones, que se

suponen conmutativas:
0 + 0 = 0, 0 + 1 = 1, 0 + a = a, 0 + b = b, 1 + 1 = 0, 1 + a = b, 1 + b = a,
a + a = 0, a + b = 1, b + b = 0;
0 . 0 = 0 . 1 = 0 . a = 0.b = 0, 1 . 1 = 1, 1 . a = a, 1 . b = b, a . a = b,
a . b = 1,
b . b = a.
Son asociativas y la multiplicación es distributiva respecto de la suma (no lo com-
pruebes que es muy largo).
Prueba que es un cuerpo de caracterı́stica 2.
10 de noviembre de 2016
Solución La suma (+) y el producto (.) son operaciones internas, el neutro de (+)
es 0 y el de (.) es 1. Sabiendo que son asociativas, conmutativas y que (.) es distributiva
respecto de (+), solo queda ver que todos los elementos tienen inverso para (+) y que
todos salvo 0 tienen inverso para (.).
En efecto: 0 = 0, 1 = 1, a = a y b = b y 1 1 = 1, a 1 = b, b 1 = a.
Además el cuerpo es de caracterı́stica 2 porque 1 + 1 = 0.
Capı́tulo 2
Cuerpos finitos
Objetivo. Uno de los sistemas criptográficos más empleados es el sistema AES (Ad-
vanced Encription Standard). Suele utilizarse como complemento al sistema criptográfico
de clave pública RSA. Por ejemplo, ver las páginas web seguras de la FNMT (Fábri-
ca Nacional de Moneda y Timbre), la web de SAGE o las interioridades de un correo
electrónico. AES utiliza en su mecanismo interno un cuerpo finito de 256 elementos.
En Informática los cuerpos finitos se utilizan también en la construcción de otros
algoritmos, por ejemplo, algunos de los relacionados con códigos correctores de errores.
Actualmente los CDs y DVDs están dotados de algoritmos de ese tipo.
El ejercicio 8 de la lección anterior presentaba un cuerpo finito de 4 elementos. En
este capı́tulo aprenderemos cómo construir y trabajar con cuerpos finitos más grandes.
Ejercicio 9. 1. Dar un ejemplo de un grupo que no sea anillo, de un anillo que no sea
cuerpo y de un cuerpo.
2. ¿Por qué para dar ejemplos de grupos, anillos o cuerpos no se acude a dar las tablas
de las operaciones?
3. ¿Qué es lo que exactamente aparece en la web de SAGE sobre AES?
2.1. Los números enteros

En la lección anterior se ha visto que el conjunto de los números enteros, Z, tiene
dos operaciones, la suma y el producto, que le dotan de estructura de anillo, pero no es
un cuerpo: le falta el inverso de cada elemento. La gracia de los números enteros es que
permite la división:
Proposición 2.1. Dados D, d 2 Z (dividendo, divisor), existen q, r 2 Z (cociente, resto)

con |r| < |d|, tales que
D = dq + r.
Máximo común divisor y algoritmo de Euclides. El máximo común divisor de

dos números es el mayor de los divisores comunes. La forma más práctica de calcular el
mcd es mediante el algoritmo de Euclides. Veámoslo con un ejemplo, calculando el mcd
de 192 y 162.
9
2.1. LOS NÚMEROS ENTEROS
Q 1 5 2 2
R 192 162 30 12 6 0
Ası́ el mcd(192, 162) = 6. Fı́jate que la fila Q está formada por los cocientes enteros de
dos de los números de la fila R. Esta fila se forma con los correspondientes restos. El
mcd es el último resto no nulo.
Identidad de Bezout y algoritmo de Euclides extendido. Identidad de Bezout:

Si mcd(a, b) = d, entonces existen u y v tales que
au + bv = d.
Los coeficientes u y v se calculan mediante el algoritmo de Euclides extendido:

Q 1 5 2 2
R 192 162 30 12 6 0
U 1 0 1 -5 11
V 0 1 -1 6 -13
Ası́ se obtienen u = 11 y v = 13. Es decir
192 · 11 + 162 · ( 13) = 6.
Habrás notado que a partir de la columna tercera, los elementos de las dos últimas filas
se forman de manera análoga a los de la fila R. En el ejercicio que sigue lo verás de una
manera más formal.
Ejercicio 10. Demostrar la propiedad del algoritmo de Euclides extendido.
Solución. Construyamos el cuadro similar al del ejemplo pero para un caso general. En
el cuadro suponemos que R1 = a y R2 = b. Ası́ pues
Q q2 q3 ... qi ...
R r1 = a r2 = b r3 ... ri ...
U u1 = 1 u2 = 0 u3 ... ui ...
V v1 = 0 v2 = 1 v3 ... vi ...
Recordar que cada elemento de este cuadro se construye de esta forma:
qi es el cociente entero de dividir ri 1 por ri . El resto de esta división es ri+1 .
ri = ri 2 ri 1 qi 1
ui = ui 2 ui 1 qi 1
vi = vi 2 vi 1 qi 1
2.1. LOS NÚMEROS ENTEROS
Demostraremos por inducción sobre i que
aui + bvi = ri .
Claramente es cierto para i=1, 2. Aplicando la hipótesis de inducción se tiene
r i = ri 2 ri 1 qi 1 =
= aui 2 + bvi 2 (aui 1 + bvi 1 )qi 1 =
= a(ui 2 ui 1 qi 1 ) + b(vi 2 vi 1 qi 1 ) =
= aui + bvi .
Ejercicio 11. Aplicar el algoritmo de Euclides extendido a la pareja (2 272, 716).
Clases de restos módulo n. Dado un número entero n no nulo, se considera el

conjunto
Zn = {0, 1, 2, . . . , n 1}.
Las operaciones ordinarias de sumar y multiplicar en Z se trasladan a Zn de la siguiente
forma
a + b = r(a + b, n)
a · b = r(a · b, n),
donde r(x, n) es el resto (positivo) de dividir x por n. Por ejemplo en Z12 se tiene 4·3 = 0.
Estas operaciones heredan de manera natural las propiedades de las operaciones de Z,
por lo que (Zn , +, ·) es un anillo, denominado clases de restos módulo n.
Ejercicio 12. Ver que en Z6 algunos elementos no tienen inverso para el producto.
Proposición 2.2 (Cuerpos finitos sencillos). Si n es número primo, Zn es cuerpo.

Demostración. Bastará ver que todo elemento no nulo a de Zn tiene inverso. Para ello
considerar el conjunto
{1 · a, 2 · a, . . . , (n 1) · a} ⇢ Zn .
Todos los elementos de este conjunto son no nulos y distintos, porque si fuese i · a = j · a,
se tendrı́a (i j) · a = 0, es decir, (i j)a = ṅ, y como i, j, a < n y n es primo, se sigue
que i = j. De igual manera se ve que todos son no nulos. Por tanto el conjunto anterior
tiene n 1 elementos, alguno de ellos tendrá que ser el 1, luego existe b tal que b · a = 1,
es decir, a tiene inverso.
Información. Los cuerpos finitos del tipo Zp se utilizan en los sistemas de criptografı́a
de clave pública basados en curvas elı́pticas, por ejemplo el que utiliza WhatsApp (en
este caso se utiliza el primo n = 2255 19).
Ejercicio 13. Demostrar que si Zn es cuerpo, entonces n es primo.
Ejercicio 14. Calcular el inverso de 776 en el cuerpo Z2 273 . (Ayuda: utilizar el algoritmo
de Euclides extendido.)
2.2. LOS POLINOMIOS
Si n no es grande se pueden calcular el inverso de a en Zn ası́: formamos las sucesiones
n + 1, 2n + 1, 3n + 1, . . .
2a, 3a, 4a, . . .
Se comparan ambas series y cuando se detecta una igualdad de elementos, es decir
xa = yn + 1,
se tiene que x es el inverso de a, ¿por qué?
Ejercicio 15. Calcular los inversos de 2, 7 y 10 en el cuerpo Z13 .
Ejercicio 16. (Zp {0}, ·), con p primo, es grupo multiplicativo.
2.2. Los polinomios

El conjunto de los polinomios (en la variable x) con coeficientes en un cuerpo K tiene
dos operaciones, suma y multiplicación, respecto de las cuales adquiere la estructura de
anillo conmutativo.
Con el fin de fijar ideas, a partir de ahora supondremos que el cuerpo K es Z2 =
F2 = {0, 1}, aun cuando lo que sigue es válido para cualquier otro cuerpo. El conjunto
de polinomios en la variable x sobre Z2 lo llamaremos Z2 [x].
División entre polinomios. Los polinomios tienen grandes similitudes con los núme-
ros enteros. Ambos tienen dos operaciones, suma y multiplicación, respecto de las cuales
son anillos conmutativos. Pero las similitudes continúan. Lo que permite la división de
números enteros es el valor absoluto, pues a la hora de dividir el valor absoluto del resto
debe ser estrictamente menor que el valor absoluto del divisor. Entre polinomios el papel
del valor absoluto lo juega el grado de un polinomio.
Proposición 2.3. Dados los polinomios D(x), d(x) (dividendo, divisor), existen poli-
nomios q(x), r(x) (cociente, resto) con grad r(x) < grad d(x), tales que
D(x) = d(x)q(x) + r(x).
Ejercicio 17. 1. Dividir f (x) = x6 + x2 + x y g(x) = x4 + x2 + x en Z2 [x].

2. Dividir x5 + x4 + x3 + x2 y x4 + x3 + x + 1 en Z2 [x].
Esta propiedad de división de polinomios nos permite trasladar a Z2 [x] (mutatis

mutandis) las cosas vistas para los enteros, en particular el máximo común divisor, la
identidad de Bezout y el algoritmo de Euclides extendido.
Ejercicio 18. 1. Hallar el mcd de los polinomios f (x) y g(x) del ejercicio anterior.
2. Aplicar el algoritmo de Euclides extendido a los polinomios de las apartados 1 y 2 del
ejercicio anterior.
2.3. CUERPOS FINITOS
2.3. Cuerpos finitos

Polinomios irreducibles. El concepto de número primo también tiene su paralelismo
entre los polinomios. Un polinomio se dice irreducible si no se puede descomponer en
otros dos polinomios no constantes.
Son ejemplos de polinomios irreducibles: x, x+1, x3 +x+1. En cambio x2 +1, x3 +1
no son polinomios irreducibles.
Ejercicio 19. 1. Demostrar que los polinomios x4 + x + 1 y x8 + x4 + x3 + x + 1 son

irreducibles.
2. Encontrar todos los polinomios irreducibles de grado 4.
El anillo Z2 [x]/hp(x)i. Dado un polinomio p(x), designaremos con Z2 [x]/hp(x)i el

conjunto de todos los polinomios de grado menor que el de p(x). Por ejemplo, si p(x) =
x3 + 1, entonces
Z2 [x]/hx3 + 1i = {0, 1, x, x + 1, x2 , x2 + x, x2 + 1, x2 + x + 1}.

Las operaciones ordinarias de sumar y multiplicar en Z2 [x] se trasladan a Z2 [x]/hp(x)i
de la siguiente forma
a(x) + b(x) = r(a(x) + b(x), p(x))

a(x) · b(x) = r(a(x) · b(x), p(x)),
donde r(f (x), p(x)) es el resto de dividir f (x) por p(x).

Estas operaciones heredan de manera natural las propiedades de las operaciones
ordinarias de Z2 [x] por lo que Z2 [x]/hp(x)i es un anillo.
Proposición 2.4. Si p(x) es irreducible, Z2 [x]/hp(x)i es cuerpo.
Demostración. Bastará ver que todo elemento no nulo a(x) de Z2 [x]/hp(x)i tiene inverso.
Puesto que mcd(a(x)), p(x)) = 1, aplicando la identidad de Bezout, existen polinomios
u(x) y v(x) tales que
a(x)u(x) + p(x)v(x) = 1.
Luego r(a(x)u(x), p(x)) = 1, y por tanto en Z2 [x]/hp(x)i el inverso de a(x) es u(x).
Proposición 2.5. Si n es el grado del polinomio irreducible p(x), entonces el número

de elementos del cuerpo Z2 [x]/hp(x)i es 2n .
Demostración. Basta contar el número de polinomios de grado menor que n.
2.3. CUERPOS FINITOS
Conclusión. El problema de encontrar un cuerpos finito de 2n elementos se ha re-

ducido a encontrar un polinomio irreducible p(x) de grado n. Las cuentas, sumar y
multiplicar, en este cuerpo consisten en sumar y multiplicar polinomios de manera or-
dinaria, pero a continuación se debe calcular el resto de dividir el resultado de la cuenta
por p(x).
La presentación de un elemento del cuerpo puede realizarse de una forma más in-
formática utilizando tuplas de unos y ceros, mejor que polinomios. Por ejemplo, en un
cuerpo de 28 elementos, el polinomio
x6 + x5 + x3 + x2 + 1,
se puede representar mediante la tupla: 01101101. Recı́procamente, cualquier sucesión

formada por 1 y 0, se puede considerar como una sucesión de elementos de un cuer-
po finito. En el caso en el que el cuerpo sea de 2n elementos y n sea múltiplo de 4,
como cuatro dı́gitos en binario representan un número del 0 al 15, es práctico repre-
sentar cada elemento del cuerpo como una sucesión conveniente de cifras hexadecimales
(0, 1, . . . , 9, A, B, C, D, E, F ). Por ejemplo, el elemento anterior se representarı́a median-
te 6D1 .
Ejercicio 20. Encontrar una forma cómoda de sumar elementos de un cuerpo cuando
estos se representan en binario o en hexadecimal, tal y como se ha presentado en el
párrafo anterior. Por ejemplo, calcular 6E + 55.
Ejercicio 21. Confeccionar la tabla de multiplicar del cuerpo de 8 elementos. (Utilizar

el polinomio irreducible x3 + x + 1 y numerar cada uno de esos elementos mediante la
expresión hexadecimal correspondiente a su expresión en binario).
Ejercicio 22. El sistema criptográfico AES utiliza el cuerpo de 256 elementos construido
sobre uno de los polinomios irreducibles del ejercicio 19. En ese cuerpo calcular:
(a) x4 + x + 1)/x7 + x6 + x3 + x2 .
(b) Los productos 03 · 25, C2 · 2F y DE · A0.
(c) Los inversos de C2, BF y 78.
(d) Los cocientes 12/DD y 7B/33.
Ejercicio 23 (enero 2015). Sea F un cuerpo finito de caracterı́stica 2. Probar las si-
guientes afirmaciones.
(a) En F[x] se tiene que (x + 1)2 = x2 + 1.
(b) La única solución de x2 + 1 = 0 es 1 2 F.
(c) Para a 2 F, si a 6= 0, 1 se tiene que
a2 6= 1, a2 6= a, a2 6= 0.
Ejercicio 24 (enero 2015). Sean {0, 1, a, b} todos los elementos de un cuerpo. Construye
las tablas de sumar y de multiplicar de ese cuerpo.
1
En la anterior edición figuraba erróneamente 6E.
Capı́tulo 3
Sistemas de ecuaciones lineales.

Matrices
3.1. Sistemas de ecuaciones lineales

Definición 3.1. Un sistema de m ecuaciones lineales con n incógnitas en el cuerpo K es
a11 x1 + a12 x2 · · · + a1n xn = b1

a21 x1 + a22 x2 · · · + a2n xn = b2
...
am1 x1 + am2 x2 · · · + amn xn = bm , (3.1)
donde aij , bi 2 K. Las soluciones son los valores x1 , . . . , xn 2 K que hacen que todas las
igualdades sean ciertas. A los elementos de K les llamaremos escalares.
Definición 3.2. Las operaciones elementales para un sistema de ecuaciones lineales

son:
Multiplicar una ecuación por un escalar no nulo.
Intercambiar dos ecuaciones.
Sumar a una ecuación otra multiplicada por un escalar.
El sistema que resulta después de hacer operaciones elementales es equivalente al de

partida, es decir, los dos sistemas tienen exactamente las mismas soluciones (razónalo).
3.2. Matrices y sistemas

Definición 3.3. Los coeficientes del sistema (3.1) anterior, de m ecuaciones lineales con
n incógnitas, forman la matriz
0 1
a11 a12 . . . a1n
B a21 a22 . . . a2n C
B C
A=B . .. .. C ,
@ .. . . A
am1 am2 . . . amn
16
3.2. MATRICES Y SISTEMAS
que llamaremos matriz de coeficientes asociada a dicho sistema. La matriz ampliada del
sistema es la que resulta de añadirle a la asociada la columna de los términos indepen-
dientes, es decir 0 1
a11 a12 . . . a1n b1
B a21 a22 . . . a2n b2 C
B C
A|C = B . .. .. .. C .
@ . . . . . A
am1 am2 . . . amn bm
Recı́procamente, dada una matriz de m filas y n + 1 columnas, se le asocia un sistema de
m ecuaciones lineales con n incógnitas que tiene esa matriz como matriz ampliada. Las
filas de la matriz asociada son elementos de K n y las de la matriz ampliada de K n+1 .
Definición 3.4. Las operaciones elementales de filas para una matriz son:
Multiplicar una fila por un escalar no nulo (cada componente se multiplica por el
escalar): Fi ! tFi .
Intercambiar dos filas: Fi $ Fj .
Sumar a una fila otra multiplicada por un escalar (cada componente se suma con
la correspondiente): Fi ! Fi + tFj .
Análogamente se definen las operaciones elementales de columnas.
Si a una matriz ampliada de un sistema de ecuaciones lineales le aplicamos operacio-
nes elementales de filas, el sistema con coeficientes y términos independientes de los de
la nueva matriz es equivalente al de partida (tienen exactamente las mismas soluciones).
Notar que todas las operaciones elementales son de ida y vuelta. Notar que las ope-
raciones elementales que podemos hacer con un sistema coinciden con las operaciones
elementales de filas de su matriz ampliada.
Una matriz escalonada es una matriz no nula tal que en cada fila el primer elemento
no nulo esta más a la derecha que en la anterior, o sea, el primer elemento no nulo de
cada fila tiene ceros debajo. Comprobar que toda matriz, con operaciones elementales
de filas se puede trasformar en una matriz escalonada.
Notar que si un sistema tiene como matriz ampliada una escalonada, entonces el
sistema es compatible (tiene solución) si y solo si el número de filas nulas es igual en la
matriz asociada que en la ampliada. Además en este caso, de tener soluciones, es muy
fácil encontrarlas.
Una matriz escalonada reducida es una matriz escalonada tal que el primer elemento
no nulo de la fila i es aik = 1 y el resto de la columna k son ceros. Si un sistema tiene
matriz escalonada reducida aún es más sencillo buscar las soluciones. Con operaciones
elementales de filas también podemos llegar a una escalonada reducida.
Ejercicio 28. Halla las soluciones de los siguientes sistemas de ecuaciones lineales en
R, si las tienen. 8
>
> x1 + 2x3 + 3x4 = 0
>
>
< 4x + x + x + 2x = 1
1 2 3 4
> 5x1 + x2 + 3x3 + 5x4 = 1
>
>
>
: 3x + x x3 x4 = 1
1 2
3.3. PRODUCTO DE MATRICES
8
>
< 3x1 + x2 + 2x3 + 4x4 + 3x5 = 1
x1 x2 + x5 = 1
>
:
x1 + x3 + 2x4 + 2x5 = 0
Notación. Genéricamente, una matriz de tamaño m ⇥ n (m filas y n columnas) la

denotaremos mediante A = (aij ), donde el ı́ndice i representa la fila (desde 1 hasta m)
y j la columna (desde 1 hasta n). Por ejemplo, a3,4 representa el elemento de la tercera
fila y cuarta columna.
Denotaremos con Mm⇥n (K) es el conjunto de todas las matrices de tamaño m ⇥ n
con entradas en K. Recordar que (aij ) + (bij ) = (cij ) con cij = aij + bij . La suma
de matrices es por tanto una operación binaria interna, y se ve que dota al conjunto
Mm⇥n (K) de estructura de grupo, que es abeliano.
3.3. Producto de matrices

Fijándonos en la relación entre ecuaciones lineales y matrices, estableceremos una
aplicación entre tuplas de la forma que se indica a continuación. La matriz
0 1
a11 . . . a1n
B .. C
A = (aij ) = @ ... . A
am1 . . . amn
transforma la n-tupla (x1 , . . . , xn ) en la m-tupla (y1 , . . . , ym ) mediante
a11 x1 + · · · + a1n xn = y1
... (3.2)
am1 x1 + · · · + amn xn = ym ,
Análogamente la m-tupla (y1 , . . . , ym ) se puede transformar por otra matriz

0 1
b11 . . . b1m
B .. C
B = (bij ) = @ ... . A
br1 . . . brm
de tamaño r ⇥ m, obteniendo una r-tupla (z1 , . . . , zr ) de esta forma
b11 y1 + · · · + b1m ym = z1
...
br1 y1 + · · · + brm ym = zr ,
Ası́ hemos transformado la n-tupla inicial (x1 , . . . , xn ) en la r-tupla (z1 , . . . , zr ).

Haciendo cuentas
X X
b11 a1i xi + · · · + b1m ami xi = z1
...
X X
br1 a1i xi + · · · + brm ami xi = zr ,
3.3. PRODUCTO DE MATRICES
Sacando factor común a cada xi se tiene

X X
(b1j aj1 )x1 + · · · + (b1j ajn )xn = z1
...
X X
(brj aj1 )x1 + · · · + (brj ajn )xn = zr ,
Exactamente la r-tupla (z1 , . . . , zr ) es la transformada de la n-tupla inicial (x1 , . . . , xn )

por una matriz de tamaño r ⇥ n, C = (ck,l ), siendo
X
ckl = bkj ajl .
Definición 3.5. La matriz C = (ckl ) anterior la llamaremos producto de las matrices

B y A. Escribiremos
BA = C.
Notación. Normalmente escribiremos las n-tuplas en vertical, ası́ las podemos consi-
derar una matriz n ⇥ 1. Para
0 1
x1
B C
X = @ ... A 2 K n ,
xn
la matriz A la transforma en la m-tupla

0 1
y1
B C
Y = @ ... A 2 K m .
ym
Esta relación se puede expresar como producto de matrices
AX = Y.
Según el desarrollo que hemos presentado justo antes de la definición de producto

de matrices, se ve que
B(AX) = BY = (BA)X.
Proposición 3.6. Sea A matriz (m ⇥ n), B (k ⇥ m) y C (l ⇥ k). Se tiene que (CB)A =

C(BA).
Demostración. Es claro que las matrices (CB)A y C(BA) tienen el mismo tamaño.
Para cada X 2 K n la primera matriz la transforma en ((CB)A)X = (CD)(AX) =
C(B(AX)) y la segunda en (C(BA))X = C((BA)X) = C(B(AX), es decir ambas
matrices transforman cualquier n-tupla en la misma tupla. Por otra parte toda matriz
transforma la n-tupla que tiene 1 en el lugar i y ceros en el resto, en su columna i. Luego
nuestras dos matrices tienes sus columnas iguales y por tanto son iguales.
Proposición 3.7. La matriz In cuadrada que tiene aii = 1 y aij = 0 si i 6= j, verifica

In A = A para toda matriz A n ⇥ m y BIn = B para toda matriz B de tamaño m ⇥ n.
3.4. MATRIZ TRASPUESTA
Definición 3.8. A In se le llama matriz identidad. Una matriz inversible o regular es

una matriz A cuadrada n ⇥ n y tal que existe B verificando AB = BA = In . La tal B
se llama matriz inversa de A, y se denota A 1 (ver que la inversa si existe es única).
Una matriz escalar es una matriz cuadrada n⇥n con aii = k para todo i 2 {1, . . . , n}
y aij = 0 si i 6= j. Multiplicar A por una matriz escalar con k en la diagonal es lo mismo
que la conocida operación de multiplicar un escalar k por una matriz, kA.
Proposición 3.9. (a) Si A y B son cuadradas del mismo tamaño e inversibles, AB es

inversible y su inversa es B 1 A 1 .
(b) Sea A inversible. Si AB = In , entonces B = A 1 . Si BA = In se tiene que
B=A 1
(c) Si A es inversible, A 1 también lo es y su inversa es A.
Demostración. (a) (AB)(B 1 A 1 ) = AIn A 1 = In . Análogamente, al revés.

(b) Multiplicando A 1 por la izquierda se tiene lo primero y por la derecha lo se-
gundo.
(c) Es claro con la definición de matriz inversible.
3.4. Matriz traspuesta

Definición 3.10. Sea A una matriz m ⇥ n, se llama matriz traspuesta de A a la matriz
cuyas filas son las columnas de A, la denotamos At . Si A = (aij ) y At = (atij ), se tiene
atij = aji .
Proposición 3.11. Sean A = (aij ) una matriz m ⇥ n y B = (bij ) n ⇥ p. Se tiene que

(AB)t = B t At .
Demostración. AB es m ⇥ p luego (AB)t es p ⇥ m. At es n ⇥ m y B t es p ⇥ n, luego

B t At es también p ⇥ m. Veamos que tienen el mismo elemento en todos los lugares. El
elemento de la matriz B t At en el lugar (l, r), es
X X X
btlk atkr = bkl akr = ark bkl ,
k=1,...,n k=1,...,n k=1,...,n
que es el elemento que AB tiene en el lugar (r, l), luego B t At = (AB)t .
Proposición 3.12. Si P es inversible, P t también lo es y (P t ) 1 = (P 1 )t .
Demostración. Se tiene que P P 1 = In luego (P P 1 )t = (In )t y por tanto

1 t
(P ) P t = In .
Esto prueba que P t es inversible y que su inversa es (P 1 )t .
3.5. Matrices elementales

Una matriz que resulta de aplicar a In una operación elemental, se llama matriz
elemental.
3.5. MATRICES ELEMENTALES
Ejercicio 29. Considera la matriz

0 1
a11 a12 a13 a14 a15
A = @ a21 a22 a23 a24 a25 A
a31 a32 a33 a34 a35
1. Escribe tres matrices concretas elementales 3 ⇥ 3, F1 , F2 y F3 , una de cada tipo y
calcula Fi A.
2. Escribe tres matrices concretas elementales 5 ⇥ 5, E1 , E2 y E3 , una de cada tipo y
calcula AEi .
La definición de operación elemental de filas (ver definición 3.4) aplicada a una matriz
vale también cambiando filas por columnas.
Proposición 3.13. 1. Una matriz elemental es inversible y su inversa también es ele-

mental y del mismo tipo.
2. Aplicar a una matriz una operación elemental de filas (columnas) es lo mismo que
multiplicarla por la izquierda (derecha) por la correspondiente matriz elemental.
Demostración. Comprobarlo con ejemplos y convencerse.
Proposición 3.14. Dada una matriz A n ⇥ m colocamos In a la derecha y Im debajo,

obteniendo un cuadro ✓ ◆
A In
.
Im
Realizamos operaciones elementales de filas a las n primeras filas (que ahora tienen m+n
columnas) y hacemos operaciones elementales de columnas a las m primeras columnas
(que ahora tienen m + n filas) y obtenemos ası́ un nuevo cuadro
✓ ◆
B C
.
D
Entonces se tiene que CAD = B.
Demostración. En realidad lo que estamos haciendo es multiplicar por matrices elemen-

tales y por tanto
✓ ◆ ✓ ◆
B C E1 . . . Er A F1 . . . Fs E 1 . . . Er I n
= .
D Im F1 . . . Fs
Esto nos da el siguiente procedimiento para encontrar la matriz inversa de una

A cuadrada. Formamos el cuadro (A, In ), si mediante operaciones elementales de filas
llegamos a (In , C), por la proposición anterior es CA = In . Ası́ A = C 1 , es decir, A es
inversible y su inversa es C.
3.6. DESCOMPOSICIÓN LU
3.6. Descomposición LU
Además de las matrices escalonadas ya descritas, son interesantes las siguientes.
Definición 3.15. Una matriz es triangular inferior si aij = 0 para todo j > i, o sea
encima de la diagonal todo son ceros. (Como en inglés inferior se dice lower, se les suelen
llamar matrices L.)
Una matriz es triangular superior si aij = 0 para todo j < i, es decir, debajo de
la diagonal todo son ceros. (Como en inglés superior se dice upper, se les suele llamar
matrices U .) Las matrices escalonadas son triangulares superiores.
Observar que la matriz elemental obtenida al aplicar a In la operación elemental de

sumar a la fila i la fila j mutiplicada por t 2 K, (Fi +tFj ), con i > j, es triangular inferior
(L). Estas matrices elementales tienen inversas del mismo tipo. Observar también que
el producto de matrices triangulares inferiores es triangular inferior.
Supongamos que mediante operaciones elementales de filas del tipo Fi + tFj , con
i > j, podemos transformar A en una matriz escalonada U . En este caso se tiene
E1 . . . Er A = U,
multiplicando ahora por las inversas
A = E r 1 . . . E1 1 U
Pues bien, L = Er 1 . . . E1 1 es cuadrada, inversible, triangular inferior y con unos en la

diagonal. Se llama descomposición LU de A a la igualdad
A = LU.
Dada una matriz A podemos reordenar las filas de modo que se pueda obtener la
descomposición LU de A.
Definición 3.16. Una matriz permutación es una matriz que se obtiene al reordenar
las filas de In
Es fácil convencernos de las siguientes afirmaciones.
Si P es una matriz permutación que tiene en su fila i la j de In , entonces P A tiene

en la fila i la fila j de A.
La inversa de una matriz permutación es otra matriz permutación.
Para toda matriz A, n ⇥ m, existe P matriz permutación, L inversible y triangular

inferior y U triangular superior, tales que A = P LU .
3.7. EJERCICIOS
3.7. Ejercicios
Ejercicio 30. Encuentra una condición necesaria y suficiente que tengan que cumplir
a, b, c 2 R para que el siguiente sistema en x e y (incógnitas) tenga soluciones.
8
>
< 2x + y = a
x+y =b
>
:
x + 2y = c.
Ejercicio 31 (enero 2015). Da la lista de todas las soluciones, si existen, del siguiente
sistema en el cuerpo del ejercicio 22.
(
x+y+z =a
x + by + z = b.
Ejercicio 32. Demuestra las siguientes afirmaciones.

(a) Una matriz inversible no puede tener una fila de ceros.
(b) Si A es cuadrada y con operaciones elementales de filas llegamos a una matriz
con una fila de ceros, A no es inversible.
(c) Si A es cuadrada y con operaciones elementales de filas llegamos a una matriz
escalonada sin filas nulas, podemos continuar haciendo operaciones elementales hasta
llegar a la matriz identidad y por tanto A es producto de elementales. En tal caso A es
inversible.
(d) Toda matriz inversible es producto de elementales.
Ejercicio 33. Considera las matrices siguientes y da una descomposición LU con L

inversible, triangular inferior y U triangular superior, en los casos que puedas. En los
que no puedas, da una descomposición P LU con L y U como antes y P una matriz
permutación.
0 1
1 1 2 3 1 0 1
B 1 C 0 1 5
1 3 1 0 C
A=B @ 0 , B=@ 1 1 1 A.
1 1 1 1 A
1 0 2
1 0 1 1 2
Ejercicio 34. Calcula la inversa de B anterior.
Ejercicio 35. Resolver el siguiente sistema en el cuerpo Z11 .

0 10 1 0 1
1 4 10 6 x 6
B 2 1 1 5 CB y C B 1 C
B CB C B C
@ 1 4 6 8 A@ z A = @ 0 A.
0 4 3 6 t 3
3.7. EJERCICIOS
Ejercicio 36. El [7,4]–código binario de Hamming corrector de errores tiene como ma-
triz de control 0 1
0 0 0 1 1 1 1
H= @ 0 1 1 0 0 1 1 A.
1 0 1 0 1 0 1
Resuelve el sistema HX = 0.
(Esta resolución es necesaria para encontrar una matriz generadora de este código,
cuestión que está planteada en el último ejercicio del capı́tulo 5.)
Ejercicio 37 (2014). Resolver el siguiente sistema en el cuerpo Z11 .

0 10 1 0 1
1 0 0 x 5
@ 4 4 1 A@ y A = @ 7 A.
6 9 2 z 10
Ejercicio 38 (2014). En el cuerpo de 8 elementos que aparece en los ejercicios de la

lección 2, resolver la siguiente ecuación, donde los elementos del cuerpo se representan
en notación hexadecimal.
✓ ◆✓ ◆ ✓ ◆
1 3 y 0
= .
2 4 z 5
Capı́tulo 4
Espacios vectoriales. Dependencia

e independencia lineal
4.1. Espacio vectorial

Definición 4.1. Un espacio vectorial sobre un cuerpo K es un conjunto V , cuyos ele-
mentos los llamaremos vectores, dotado de una operación binaria interna, +, y una
operación externa (la operación interna asocia a cada par vectores a y b un vector a + b
y la externa asocia a cada t 2 K y a cada vector a, un vector t a de V ), que cumplen
las siguientes propiedades
S1) Asociativa: (a + b) + c = a + (b + c).
S2) Vector nulo: Existe un vector, que denotaremos 0, que verifica 0 + a = a, para
todo vector a.
S3) Conmutativa: a + b = b + a, para todos los vectores a, b.
S4) Elemento opuesto: Para cada vector a, existe otro, que denotaremos a, veri-
ficando a + ( a) = 0.
P1) Distributividad respecto de la + en V : t (a + b) = t a + t b, para a, b 2 V y

para t 2 K.
P2) Distributividad respecto de la + en K: (t + s) a = t a + s a, para a 2 V y

t, s 2 K.
P3) Asociatividad del producto: (t s)a = t(s a), para a 2 V y t, s 2 K.
P4) Neutro para el producto: 1 a = a, para a 2 V .
La letra V siempre representará un espacio vectorial sobre un cuerpo K, también

diremos que V es un K–espacio vectorial. En general y salvo que se diga lo contrario, los
vectores los indicaremos con las letras a, b, c, u, v, w, y los elementos de K, denominados
escalares, se designarán con las letras t, r, s, x, y, z.
25
4.1. ESPACIO VECTORIAL
Ejemplo 4.2. (1) Sea n 2 N, Rn = {(x1 , · · · , xn ) | xi 2 R} es R–espacio vectorial con

las operaciones:
(x1 , · · · , xn ) + (y1 , · · · , yn ) = (x1 + y1 , · · · , xn + yn ),

t (x1 , · · · , xn ) = (tx1 , · · · , txn ).
Es el ejemplo más importante. Si no ha lugar a confusión se pueden suprimir las comas

que separan cada componente del vector. Con frecuencia un vector de este espacio se
representará en forma de columna, como en el ejemplo (5) descrito en esta misma página.
(2) V = {t1 i + t2 j + t3 k | t1 , t2 , t3 2 R} con las operaciones:
(t1 i + t2 j + t3 k) + (t01 i + t02 j + t03 k) = (t1 + t01 )i + (t2 + t02 )j + (t3 + t03 )k,
t (t1 i + t2 j + t3 k) = (tt1 i + tt2 j + tt3 k).
(3) Sea C un conjunto cualquiera, RC = {f | f : C ! R} es espacio vectorial con las

operaciones:
(f + g)(c) = f (c) + g(c); (tf )(c) = tf (c);
para f, g 2 RC , c 2 C y t 2 R.
(4) El conjunto R[x] de los polinomios en x con coeficientes en R, con las conocidas
operaciones de suma de polinomios y producto de polinomio por escalar.
(5) Con las operaciones del ejemplo (1),
(0 t 1 0 1
1
0
1
1 )
1
V = @ t2 A = x 1 @ 2 A + x 2 @ 1 A | xi 2 R .
t3 3 1
es espacio vectorial contenido en R3 .

(6) Mm⇥n (R) es espacio vectorial respecto de la suma de matrices y el producto de una
matriz por número real.
Proposición 4.3 (Propiedades de los espacios vectoriales).

(1) 0 a = 0.
(2) Si a + b = a + c, entonces b = c.
(3) t 0 = 0.
(4) Si t a = 0, entonces t = 0 ó a = 0.
(5) ( t) a = t( a) = t a, en particular ( 1) a = a.
(6) En la expresión t1 a1 + · · · + tn an , no importa dónde pongamos los paréntesis.
Demostración. (1) 0 a + 0 a = (0 + 0)a = 0 a, luego 0 a = 0 a + ( 0 a) = 0.

(2) Si a + b = a + c, entonces ( a) + (a + b) = ( a) + (a + c) y por la asociativa
(( a) + a) + b = (( a) + a) + c, 0 + b = 0 + c, luego b = c.
(3) 0 + t 0 = t 0 = t(0 + 0) = t 0 + t 0, luego por el apartado 2 anterior es 0 = t 0.
4.2. SUBESPACIOS
(4) Supongamos que t 6= 0, entonces existe t 1. Se tiene

1 1 1
a = 1 a = (t t)a = t (t a) = t 0 = 0.
(5) ( t)a + t a = ( t + t)a = 0 a = 0, luego ( t)a = t a. Por otra parte t( a) + t a =

t(a + ( a)) = t 0 = 0. Luego t( a) = t a.
(6) Por la propiedad asociativa.
Ejemplo 4.4. Retomemos el sistema (3.1) de m ecuaciones con n incógnitas sobre K,

con el que iniciábanos el capı́tulo anterior. Tal y como ya hemos hecho en los ejercicios,
ese sistema lo podemos escribir en forma matricial
AX = B,
Donde A es la matriz de los coeficientes y B es la matriz columna m ⇥ 1 formada por

los términos independientes. Las soluciones del sistema constituyen el conjunto
{X 2 K n | AX = B}.
Comprobar que este conjunto solo es espacio vectorial si B = 0, es decir si el sistema

es homogéneo.
4.2. Subespacios
Definición 4.5. Un subespacio vectorial de V es un subconjunto S no vacı́o que verifica,
para a, b 2 S y t 2 K:
a+b2S
ta 2 S
Observación: Si S es subespacio, el vector nulo de V está en S y S es K–espacio vectorial

con las operaciones de V que también son operaciones al considerarlas en S.
Demostración: Sea a 2 S, que existe porque S no es vacı́o; por b), 0 = 0 a 2 S. Además
para cada a 2 S, a = ( 1)a 2 S. El resto es claro.
Ejemplo 4.6. Consideramos V = R3 = {x1 , x2 , x3 ) | xi 2 R, i = 1, 2, 3}.

(1) S = {(1 2), (1 3 5)} 6✓ V porque (1 2) 62 V , luego S no es subespacio.
(2) S = {(1 0 2), (1 3 5)} ✓ V pero (1 0 2) + (1 3 5) = (2 3 7) 62 S, ası́ que no se cumple
la segunda condición de subespacio.
(3) S = {(x, y, y) | x, y 2 R} ✓ V es subespacio. En efecto, no es vacı́o, por ejemplo
(0, 0, 0) 2 S. Por otra parte, (x, y, y)+(x0 , y 0 , y 0 ) = (x+x0 , y +y 0 , y +y 0 ) 2 S. Finalmente,
t(x, y, y) = (tx, ty, ty) 2 S.
(4) S = {(x y z) 2 R3 | x = 0 ó y = 0} ✓ V . Se tiene (0 1 1), (1 0 1) 2 S pero
(0 1 1) + (1 0 1) = (1 1 2) 62 S, luego no se cumple la segunda condición de subespacio.
(5) S = {(x + 1, x 2, x) | x 2 R} ✓ V . No es subespacio porque (0 0 0) 62 S y si lo fuese
tendrı́a que ser (0 0 0) = 0 2 S.
4.3. COMBINACIÓN LINEAL Y FAMILIA GENERADORA
(6) Sea
S = {(x, y, z) 2 R3 | x + y + z = 0, x z = 0} ✓ V.
S no es vacı́o porque (0 0 0) 2 S. Sean (x1 , y1 , z1 ), (x2 , y2 , z2 ) 2 S, es decir tales que
x1 + y1 + z1 = 0, x1 z1 = 0, x2 + y2 + z2 = 0, x2 z2 = 0. Veamos que (x1 , y1 , z1 ) +
(x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) 2 S:
(x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = x1 + y1 + z1 + x2 + y2 + z2 = 0 + 0 = 0

(x1 + x2 ) (z1 + z2 ) = x1 z1 + x 2 z2 = 0 + 0 = 0.
Veamos que t(x1 , y1 , z1 ) 2 S: t(x1 , y1 , z1 ) = (tx1 , ty1 , tz1 ) y tx1 + ty1 + tz1 = t(x1 +
y1 + z1 ) = t0 = 0. Además tx1 tz1 = t(x1 z1 ) = t 0 = 0, luego t(x1 , y1 , z1 ) 2 S.
(7) S = {(x, y, z) 2 R3 | x + y + z = 1, x z = 0} ✓ V . No es subespacio porque
(0 0 0) 62 S y si lo fuese tendrı́a que ser (0 0 0) = 0 2 S.
Proposición 4.7. Propiedades de los subespacios de V .

(a) V y {0} son subespacios de V .
(b) La intersección de subespacios es subespacio. La unión de subespacios no es subes-
pacio.
(c) La suma de subespacios es subespacio.
S1 + S2 := {s1 + s2 | s1 2 S1 , s2 2 S2 }.
Demostración. Se deducen directamente de la definición de subespacio.
4.3. Combinación lineal y familia generadora

Definición 4.8. Una combinación lineal (c.l.) de los vectores a1 , . . . , ar es un vector de
la forma x1 a1 + · · · + xr ar , con los xi escalares.
Ejemplo 4.9. (1) Sean a1 = (1 0 1) y a2 = (0 1 0) de R3 . El vector (1 2 1) es c.l. de a1

y a2 porque (1 2 1) = 1a1 + 2a2 , y el (0 3 0) también.
(2) El vector (2 2 0) es c.l. de (1 1 0), y el (40 40 0) también lo es.
(3) Sean a1 = (1 1 0), a2 = (0 1 1) y a3 = (1 2 1). El vector (2 4 2) es c.l. de a1 , a2 , a3

porque (2 4 2) = 1(1 1 0) + 1(0 1 1) + 1(1 2 1).
(4) El vector (0 0 1) no es c.l. de a1 , a2 , a3 porque no existen escalares t1 , t2 , t3 tales que

(0 0 1) = t1 (1 1 0) + t2 (0 1 1) + t3 (1 2 1).
Definición 4.10. El conjunto de todas las combinaciones lineales de (ai ) es subespacio,

que se denota como K < a1 , . . . , ar >.
Si S = K < a1 , . . . , ar >, los vectores (ai ) se dicen generadores de S.
Ejemplo 4.11. (1) Sea V = R4 , a1 = (1 0 0 0), a2 = (1 1 1 1), a3 = (0 1 1 1) y

S = K < a1 , a2 , a3 >. Comprueba que los vectores 0, a1 , (3 1 1 1) están en S, y que los
vectores
(0 5 0 0), (1 7 8 7), (0 1 2 3)
4.3. COMBINACIÓN LINEAL Y FAMILIA GENERADORA
no son de S.
(2) Con los datos del párrafo anterior, se tiene que
S = {(x + y, y + z, y + z, y + z) | x, y, z 2 R} = {(s, t, t, t) | s, t 2 R}.
(3) Sean b1 = 3a1 , b2 = 2a2 , b3 = a3 , entonces se ve que b1 , b2 , b3 son combinación

lineal de los ai luego todos los vectores que sean combinación lineal de los bi serán,
combinación lineal de los ai , es decir
R < b1 , b2 , b3 > ✓ R < a1 , a2 , a3 > .
Recı́procamente, también los ai son combinación lineal de los bi porque a1 = (1/3)b1 ,

a2 = (1/2)b2 y a3 = b3 , luego también R < a1 , a2 , a3 > ✓ R < b1 , b2 , b3 >, ası́ que los
dos conjuntos son iguales y el subespacio S tiene dos conjuntos generadores distintos.
Observación. Nos interesa que un conjunto de vectores, por ejemplo los que generen un
espacio, los tengamos ordenados. Definimos una familia de vectores como una sucesión
ordenada de vectores. Denotaremos una familia compuesta por los vectores ai de esta
forma:
(a1 , . . . , ar ).
Notar que en una familia puede haber elementos repetidos.
Proposición 4.12. (a) Si en una familia generadora de un espacio cambiamos el orden

de los vectores, la familia que resulta genera el mismo espacio.
(b) Si en una familia generadora de un espacio cambiamos un vector por el que resulta
de multiplicarlo por un escalar no nulo, la familia que resulta genera el mismo espacio.
R < a1 , a2 , . . . , ar >= R < ta1 , a2 , . . . , ar >, para 0 6= t 2 R.
(c) Si en una familia generadora de un espacio cambiamos un vector por el que resulta
de sumarle otro de la familia multiplicado por un escalar, la familia que resulta genera
el mismo espacio.
R < a1 , a2 , . . . , ar >= R < a1 , a2 + ta1 , . . . , ar >, para t 2 R.
Demostración. (a) Se sigue por ser la suma de vectores conmutativa.

(b) Por ser ta1 , a2 , . . . , ar combinaciones lineales de a1 , a2 , . . . , ar , sus combinaciones
lineales tambiéen lo son, luego
R < ta1 , a2 , . . . , ar > ✓ R < a1 , a2 , . . . , ar > .
Por otra parte, como a1 = t 1 (ta1 ), se tiene que a1 , a2 , . . . , ar son combinaciones

lineales de ta1 , a2 , . . . , ar , es decir
R < a1 , a2 , . . . , ar > ✓ R < ta1 , a2 , . . . , ar > .
(c) Claramente R < a1 , a2 + ta1 , . . . , ar > ✓ R < a1 , a2 , . . . , ar >. Como a2 = ( t)(a1 ) +

a2 + ta1 , se tiene que R < a1 , a2 , . . . , ar > ✓ R < a1 , a2 + ta1 , . . . , ar >.
4.4. DEPENDENCIA E INDEPENDENCIA LINEAL
Ejemplo 4.13.
S = R < (1 0 0 0), (1 1 1 1), (0 1 1 1) >=

= R < (1 0 0 0), (0 1 1 1), (0 1 1 1) >=
= R < (1 0 0 0), (0 1 1 1), (0 0 0 0) >=
= R < (1 0 0 0), (0 1 1 1) > .
Se ve que hemos conseguido una familia generadora de S formada por solo dos vectores.
Definición 4.14. Un espacio vectorial se dice finitamente generado si existe una familia
finita de vectores que lo genera.
Ejemplo 4.15. (1) Rn es finitamente generado. Por ejemplo, la familia
(1 0 . . . 0), (0 1 0 . . . 0), . . . , (0 0 . . . 1)
genera Rn .
(2) El espacio, R[x], de los polinomios en la variable x no es finitamente generado, porque
cualquier familia finita tiene un polinomio de grado máximo. Las combinaciones lineales
de los polinomios de esa familia son de grado menor o igual que ese máximo luego no
son todos los polinomios.
(3) El subespacio de los polinomios de grado menor o igual que 3,
R3 [x] := {p 2 R[x] |grad p  3} ⇢ R[x],
es finitamente generado, porque R3 [x] = R < 1, x, x2 , x3 >.

(4) El espacio de las matrices 2 ⇥ 3 está generado por las 6 matrices que tienen todos
sus elementos ceros salvo un 1.
4.4. Dependencia e independencia lineal

Puede ocurrir que una combinación lineal de vectores sea igual a 0, sin embargo alguno
de los coeficientes de esa combinación sea distinto de 0. Por ejemplo
( 1)a1 + 1a2 + ( 1)a3 = 0,
con a1 , a2 , a3 los tres primeros vectores del último ejemplo.
Definición 4.16. Diremos que una familia de vectores a1 , . . . , ar es linealmente depen-

diente (o ligada) cuando existen x1 , . . . , xr 2 R con algún xi 6= 0 tales que x1 a1 + · · · +
xr ar = 0.
Una familia de vectores se dice que es linealmente independiente (o libre) cuando no
es ligada.
Ejemplo 4.17. (a) La familia formada por a1 = (1 0 1 0), a2 = (0 1 0 0) y a3 = (1 2 1 0)

es ligada porque como a3 = a1 + 2a2 tenemos 0 = a1 + 2a2 a3 .
(b) La familia (1 0 1 0), (0 1 0 0) y (1 2 1 1) es libre. Para verlo planteemos la igualdad
0 = x1 (1 0 1 0) + x2 (0 1 0 0) + x3 (1 2 1 1) = 0,
4.4. DEPENDENCIA E INDEPENDENCIA LINEAL
se sigue x1 + x3 = 0, x2 + 2x3 = 0, x1 + x3 = 0, x3 = 0. La única solución de este sistema

es x1 = 0, x2 = 0, x3 = 0 y por tanto la familia no es ligada o sea libre.
(c) Las filas de una matriz se pueden considerar vectores del correspondiente espacio
vectorial K n . Si la matriz es escalonada, las filas no nulas son una familia libre.
(d) Si en la familia a1 , . . . , as , . . . , ar , el vector as es combinación lineal de los anteriores,
la familia es ligada. En efecto, en esta situación existen escalares x1 , . . . , xs 1 tales que
as = x1 a1 + · · · + xs 1 as 1 y por lo tanto
0 = x1 a1 + · · · + xs 1 as 1 + ( 1)as + 0 as+1 + · · · + 0 ar .
(e) Recı́proco del anterior, es decir, en una familia ligada existe un vector que es com-
binación lineal de los anteriores. En efecto. Si la familia es ligada, existe
x1 a1 + · · · + xr ar = 0,
con algún xi 6= 0. De estos xi consideramos el s más grande que no sea nulo, es decir
xs 6= 0 y xs+1 = . . . = xr = 0. Se tiene x1 a1 + · · · + xs as = 0 y despejando,
1 1
as = (xs ) x1 a1 + · · · (xs ) xs 1 as 1 .
(f) Cuando una familia genera un espacio y esa familia es ligada, como hay un vector
que es c.l. de los anteriores, si lo suprimimos, la familia que resulta genera el mismo
espacio.
(g) La familia (0 0), (0 1), (1 1), (1 0) genera R2 . Si suprimimos el primer y último
vector, la familia resultante también genera R2 .
Observaciones. 1. La familia vacı́a es libre.

2. Toda familia que contiene a una familia que es ligada es ligada.
3. Toda familia contenida en una familia libre es libre.
4. En una familia libre no puede estar el 0 ni puede haber vectores repetidos.
Proposición 4.18. Si un espacio vectorial se puede generar con r vectores, entonces
toda familia de más de r vectores es ligada.
Demostración. Sea V = R < (b1 , . . . , br ) > y supongamos que (a1 , . . . , ar , ar+1 , . . . , as )
es libre. Claramente (a1 , b1 , . . . , br ) es ligada y
V = R < (b1 , . . . , br ) >= R < (a1 , b1 , . . . , br ) > .
Por el apartado (e) anterior hay un vector que es c.l. de los anteriores y lo podemos
expulsar. Pero a1 no es nulo luego no es c.l de los anteriores, ası́ que podemos expulsar
algún bi , supongamos que es el primero, se tiene
V = R < (a1 , b2 , . . . , br ) > .
Como a2 es c.l. de (a1 , b2 , . . . , br ) se tiene que V = R < (a1 , a2 , , b2 , . . . , br ) > y

(a1 , a2 , , b2 , . . . , br ) es ligada, luego tenemos un vector que es c.l. de los anteriores, ese
vector no puede ser un a porque los a forman una familia libre, ası́ que hay un b com-
binación lineal de los anteriores. lo podemos expulsar y lo que nos queda es también
sistema generador, supongamos que es b2 , ası́
V = R < (a1 , a2 , b3 , . . . , br ) > .
4.5. EJERCICIOS
De esta forma en cada paso introducimos un a en la familia generadora y expulsamos

un b. Llegará un momento en que tendremos
V = R < (a1 , a2 , . . . , ar ) > .
Si nos queda ar+1 tendrı́amos que ar+1 2 V = R < (a1 , a2 , . . . , ar ) >, luego ar+1 es c.l.
de a1 , a2 , . . . , ar y la familia no puede ser libre.
4.5. Ejercicios
Ejercicio 39. Considerar los vectores u = (1, 3, 2) y v = (2, 1, 1) de R3 . ¿Puede
ponerse el vector (1, 7, 4) como combinación lineal de u y de v? ¿Y el (2, 5, 4)? ¿Para
qué valores de t es (1, t, 5) combinación lineal de u y v?
Ejercicio 40. Decir cuáles de los siguientes subconjuntos de R4 son subespacios:

S = { (3a , a , a b , b) | a, b 2 Q },
T = { (a, b, c, d) | a + 2d = 0 },
R = { (a, b, c, d) | a + 2d = 1 },
U = { (a, b, c, d) | |a|  |b| }.
Ejercicio 41. ¿Cuáles de los siguientes subconjuntos de Rn son subespacios vectoriales?

A = {(x1 , . . . , xn ) 2 Rn | x1 = 0}; B = {(x1 , . . . , xn ) 2 Rn | x1 = 0 ó x2 = 0};
C = {(x1 , . . . , xn ) 2 Rn | x1 2 Z}; D = {(x1 , . . . , xn ) 2 Rn | x1 (x2 + x3 ) = 0}.
Ejercicio 42. Sean L, M y N subespacios de V . Para cada una de las siguientes

igualdades, probar que es cierta en general o dar un ejemplo de V , L, M y N en que no
se cumpla.
i) L \ (M + N ) = (L \ M ) + (L \ N ).
ii) L \ (M + [L \ N ]) = (L \ M ) + (L \ N ).
iii) (L + M ) \ (L + N ) = L + (M \ N ).
Ejercicio 43. Sea T = { (z , z) | z 2 C }. Si se considera C2 como espacio vectorial

sobre C, ¿es T subespacio suyo?, ¿y si C2 se hubiera considerado como espacio vectorial
sobre R?
Ejercicio 44. Considera el subespacio de R4 generado por (1, 1, 0, 2), (2, 3, 2, 5) y

( 1, 2, 2, 7). Encuentra otra familia generadora y libre. ¿Son estos vectores linealmente
independientes?
Ejercicio 45. Hallar familias generadoras y libres de S, T , S + T y S \ T, siendo S y

T los siguientes subespacios de R4 :
4.5. EJERCICIOS
i) S = { (3a , a , a b , b) | a, b 2 C } y T = { (a, b, c, d) | a + 2d = 0 }.
ii) S = { (a, b, c, d) | a b = 0 } y T generado por (1, 1, 2, 1) y (2, 0, 1, 1).
iii) S = { (a, b, c, d) | a b+c d=a+b+c 3d = 0 } y T generado por (1, 1, 1, 1) y
( 1, 1, 1, 1).
iv) S = { (a, b, c, d) | a c = b = 0 } y T generado por (1, 0, 1, 0), (0, 2, 1, 0) y (1, 4, 1, 0).
Ejercicio 46. Considerar S = { (x, y, z, t) 2 Q4 | x = 3z } y T generado por (3, 2, 1, 2),

(3, 3, 1, 3) y (3, 0, 1, 0). Comprobar que T es subespacio de S, hallar una base de T y
completarla hasta base de S. Hallar un subespacio U de dimensión 3 tal que T = S \ U .
Capı́tulo 5
Bases y coordenadas
5.1. Bases y dimensión

Definición 5.1. Una base de un espacio vectorial es una familia generadora del espacio
y libre.
Ejemplo 5.2. (1) En R4 sea el subespacio S engendrado por los vectores a1 = (1 0 0 0),
a2 = (1 1 0 0), a3 = (1 1 1 1). Se tiene que S = {(t, r, s, s) | t, r, s 2 R} y obviamente
a1 , a2 , a3 generan S. Es claro que ningún vector es c.l. de los anteriores luego esa familia
es libre y por tanto base de S.
(2) (1 0 0 0), (1 1 0 0), (1 1 1 1), (0 0 1 0) es una familia libre porque ninguno de los
vectores es c.l. de los anteriores. Además el subespacio que engendran es todo R4 . En
efecto, el sistema 0 1 0 10 1
x1 1 1 1 0 t1
B x2 C B 0 1 1 0 C B t2 C
B C B CB C
@ x3 A = @ 0 0 1 1 A @ t3 A
x4 0 0 1 0 t4
es compatible (tiene soluciones t1 , t2 , t3 , t4 2 R para cualesquiera x1 , x2 , x3 , x4 2 R). Por
tanto dichos vectores constituyen una base de R4 .
(3) (1 0 0 0), (0 1 0 0), (0 0 1 0), (0 0 0 1) es una base de R4 .
(4) En Rn la familia (1 0 . . . 0), (0 1 . . . 0), . . . , (0 . . . 0 1) es base, que se llama base
canónica.
(5) La familia de polinomios (1, x, x2 , x3 ) es una base del espacio de los polinomios de
grado menor o igual que tres.
(6) En V = M3⇥2 (R), las siguientes matrices forman una base,
0 1 0 1 0 1 0 1 0 1 0 1
2 0 0 1 1 0 0 1 0 0 0 0
@ 1 1 A, @ 2 0 A, @ 0 0 A, @ 0 0 A, @ 0 0 A, @ 0 1 A.
0 1 1 1 0 0 0 0 1 0 0 0
Proposición 5.3 (Dimensión de un espacio). Si un espacio vectorial no nulo se

puede generar por una familia finita de vectores, entonces tiene alguna base y todas ellas
tienen el mismo número de vectores, llamado la dimensión del espacio.
34
5.2. DIMENSIÓN DE SUBESPACIOS
Demostración. Supongamos V = K < a1 , . . . , ar >. Si (a1 , . . . , ar ) es libre, entonces

es base. Si (a1 , . . . , ar ), es ligada hay un vector ai que es combinación lineal de los
anteriores, por lo que se tiene
V = K < a 1 , . . . ai 1 , ai , ai+1 , . . . , ar >= K < a1 , . . . ai 1 , ai+1 , . . . , ar >.
Es decir, hemos expulsado al elemento ai y seguimos teniendo una familia generadora

más pequeña. Si esta familia es libre, es base y si es ligada podremos expulsar otro
vector. Ası́ llegaremos forzosamente a una familia generadora y libre de V porque si no
nos quedarı́amos sin vectores y seguirı́amos generando V.
Esto prueba no solo que existen bases, sino que además dada una familia generadora
siempre se pueden quitar vectores hasta conseguir una base.
Veamos ahora que si (a1 , . . . , ar ) y (b1 , . . . , bs ) son bases, se tiene que r = s. Por
ser la primera generadora y la segunda libre s  r por ser la segunda generadora y la
primera libre r  s.
Proposición 5.4. En un espacio vectorial finitamente generado toda familia libre se

puede ampliar hasta formar una base.
Demostración. Sea (a1 , . . . , ar ) una familia libre de V . Como V es finitamente generado
podemos poner V = K < b1 , . . . , bq >. Se tiene que
V = K < a1 , . . . , ar , b1 , . . . , bq > .
Por el procedimiento de la expulsión podemos conseguir una base. La expulsión consiste

en ir eliminando un vector que es c.l. de los anteriores. Como los a no son c.l. de otros a
porque forman una familia libre, se tiene que en la expulsión, sólo expulsamos b, luego
tenemos una base con todos los a y algunos b.
Ejercicio 47. En R4 amplı́a la familia (1 2 0 0), (0 0 3 5) con vectores de la base

canónica, hasta formar una base.
Ayuda. Añade vectores que no sean c.l. de los anteriores hasta llegar a 4, que es la
dimensión.
Proposición 5.5. Sea V un espacio de dimensión n. Se tiene:

(a) Toda familia generadora con n vectores es libre y por tanto base.
(b) Toda familia libre con n vectores, genera todo el espacio y por tanto es base.
Demostración. Está claro con lo anterior.
5.2. Dimensión de subespacios

La siguiente afirmación está propuesta en el ejercicio 50.
Proposición 5.6. Si S es subespacio de V y dim S = dim V , entonces S = V .
La siguiente proposición es muy útil para encontrar una relación entre dos subespa-
cios.
5.3. COORDENADAS
Proposición 5.7. En espacios finitamente generados si S y T son subespacios de V ,

se tiene que
dim (S + T ) = dim S + dim T dim (S \ T ).
Demostración. Sea (a1 , . . . , ar ) base de S \T . Ampliamos esta familia hasta obtener una
base de S, (a1 , . . . , ar , br+1 , . . . , bs ), y hasta obtener una base de T, (a1 , . . . , ar , cr+1 , . . . , ct ).
Claramente se tiene que los vectores de S+T son c.l. de a1 , . . . , ar , br+1 , . . . , bs , cr+1 , . . . , ct ,
luego estos vectores forman una familia generadora de S + T.
El número de vectores de esa familia es s + t r = dim S + dim T dim (S \ T ).
Veamos que es una familia libre con lo que será base de S + T y por tanto se tendrá lo
que se quiere.
Supongamos que la familia fuese ligada. Hay un vector c.l. de los anteriores. No
puede ser un a ni un b porque a1 , . . . , ar , br+1 , . . . , bs es una familia libre. Ası́ que existe
ci = x1 a1 + · · · + xr ar + xr+1 br+1 + · · · + xs bs + yr+1 cr+1 + · · · + yi 1 ci 1 .
Tiene que haber algún x no nulo porque los c forman una familia libre. Se tiene que
ci yr+1 cr+1 ··· yi 1 ci 1 = x1 a1 + · · · + xr ar + xr+1 br+1 + · · · + xs bs 2 S \ T
y es un vector no nulo porque algún x es no nulo y a1 , . . . , ar , br+1 , . . . , bs es una familia
libre. Ası́ que este vector es c.l de los a y se tiene
z1 a1 + · · · + zr ar = x1 a1 + · · · + xr ar + xr+1 br+1 + · · · + xs bs
y por ser a1 , . . . , ar , br+1 , . . . , bs familia libre, xr+1 = . . . = xs = 0. Ası́ ci es c.l de los a
y los c anteriores que no puede ser porque a1 , . . . , ar , cr+1 , . . . , ct es libre.
5.3. Coordenadas
Definición 5.8. Sea (a1 , . . . , an ) una base de V . Para un vector a 2 V , si a = x1 a1 +
· · · + xn an se dice que (x1 , . . . , xn ) 2 Rn son las coordenadas de a respecto de esa base.
Para cada vector existen coordenadas respecto de una base y estas son únicas (com-
probarlo).
Ejercicio 48. Escribir las coordenadas de a = (2 3 5 7) respecto de las bases Bi , donde
(a) B1 = (1 0 0 0), (0 1 0 0), (0 0 1 0), (0 0 0 1) ,
(b) B2 = (1 2 0 0), (0 0 3 5), (1 0 0 0), (0 0 0 1) ,
(c) B3 = (1 2 0 0), (0 0 3 5), (1 0 3 5), (1 2 0 1) .
Solución. (a) (2 3 5 7) = 2(1 0 0 0) + 3(0 1 0 0) + 5(0 0 1 0) + 7(0 0 0 1), por tanto las
coordenadas respecto de B1 son (2, 3, 5, 7).
(b) (2 3 5 7) = 3/2(1 2 0 0) + 5/3(0 0 3 5) + 1/2(1 0 0 0) + ( 4/3)(0 0 0 1), luego las
coordenadas respecto de B2 son (3/2, 5/3, 1/2, 4/3).
(c) Tengo que resolver el sistema (2 3 5 7) = x1 (1 2 0 0) + x2 (0 0 3 5) + x3 (1 0 3 5) +
x4 (1 2 0 1). En forma matricial
0 10 1 0
1
1 0 1 1 x1 2
B 2 0 0 C B
2 C B x2 C B 3 C
B C = B C.
@ 0 3 3 0 A @ x3 A @ 5 A
0 5 5 1 x4 7
5.3. COORDENADAS
En la matriz ampliada hacemos operaciones elementales de filas, y llegamos a

0 1
1 0 1 1 2
B 0 3 3 0 5 C
B C.
@ 0 0 2 0 1 A
0 0 0 3 4
Ası́ la solución del sistema (ya sabı́amos que tenı́a que salir única) es (17/6, 7/6, 1/2, 4/3),
que son las coordenadas del vector a respecto de B3 .
Nota. Sean a, b 2 V y (x1 , . . . , xn ) las coordenadas de a respecto de una base B y

(y1 , . . . , yn ) las coordenadas de b respecto de la misma base B. Se tiene que las coor-
denadas de a + b son (x1 + y1 , . . . , xn + yn ) y si t 2 R, las coordenadas de t a son
(tx1 , . . . txn ).
Cambio de coordenadas. Sean B = (ai ) y B = (ai ) bases, (x1 , . . . , xn ) las coorde-

nadas de un vector a respecto de B y (x1 , . . . , xn ) las coordenadas de a respecto de B.
Sea ahora
ai = t1i a1 + · · · + tni an ,
que lo podemos escribir del siguiente modo (a1 , . . . , an ) = (a1 , . . . , an )P, siendo P la
matriz n ⇥ n que tiene en la columna i las coordenadas de ai respecto de la base B. Es
decir 0 1
t11 t12 . . . t1n
B t21 t22 . . . t2n C
B C
P =B . .. .. .. C .
@ .. . . . A
tn1 tn2 . . . tnn
Por ser a = x1 a1 + · · · + xn an y por la nota, considerando coordenadas respecto de
B se tiene 0 1 0 1 0 1
x1 t11 t1n
B .. C B .. C B .. C
@ . A = x1 @ . A + · · · + xn @ . A.
xn tn1 tnn
01 0 1 0 1
x1 x1 t11 . . . t1n
B C B C B .. C X.
Llamamos X = @ ... A y X = @ ... A, se tiene X = @ ... ..
. . A
xn xn tn1 . . . tnn
Es decir X = P X. La matriz P se llama matriz del cambio de coordenadas de la
base B a la B.
Nota. Si Q es la matriz que tiene en las columnas las coordenadas de los vectores ai
respecto de ai , es decir
(a1 , . . . , an ) = (a1 , . . . , an )Q,
y X y X como antes, se tiene X = QX, ası́ que X = P X = P QX y tomando como X
los vectores de la base canónica obtenemos que las columnas de P Q son las de In , ası́
P Q = In .
5.4. RANGO DE FILAS
Ejercicio 49. (a) Calcular las matrices de los cambios de coordenadas entre las bases
B = (1 1 1), (0 0 3), (1 0 0)
B = (1 0 1), (0 1 1), (0 0 6) .
= =
(b) Encontrar la base B = (b1 , b2 , b3 ) tal que la matriz de cambio de coordenadas de B
a B sea 0 1
1 0 0
P =@ 0 7 2 A.
1 2 3
Solución. (a) Las matrices de cambio de coordenadas son
0 1 0 1
0 1 0 1 0 1
P = @ 1/3 0 2 A y Q=@ 1 0 0 A
1 1 0 1/6 1/2 1/6
(cada una es inversa de la otra).

Sean X las coordenadas de un vector respecto de B y X respecto de B, se tiene
X = P X y X = QX.
(b) b1 = 1(1 1 1) + 0(0 0 3) + 1(1 0 0) = (2 1 1),
b2 = 0(1 1 1) + 7(0 0 3) + 2(1 0 0) = (2 0 21),
b3 = 0(1 1 1) + 2(0 0 3) + 3(1 0 0) = (3 0 6).
5.4. Rango de filas

Recordar que las filas de una matriz A, m ⇥ n, se pueden considerar vectores del corres-
pondiente espacio vectorial K n . Análogamente, con las columnas.
Definición 5.9. El rango de filas de una matriz es la dimensión del subespacio que
generan sus filas. El rango de columnas es la dimensión del subespacio que generan sus
columnas.
Notar que el rango de filas de una matriz coincide con el número de filas no nu-
las que quedan después de escalonar. !Ahora sabemos que este número es invariante!
Análogamente con el rango de columnas. Más adelante veremos que ambos rangos son
coincidentes.
Proposición 5.10. Sea A una matriz cuadrada n ⇥ n. Se tiene
(a) A es inversible (regular) si y solo si su rango de filas es n.
(b) A es inversible si y solo si es producto de matrices elementales.
Demostración. (a) Sabemos (ver sección 3.2) que a partir de A, con operaciones ele-
mentales de filas, se puede llegar a una matriz B escalonada, y que hacer una operación
elemental de filas es lo mismo que multiplicar A por la izquierda por una matriz elemen-
tal (ver proposición 3.13). Ası́ que multiplicando por matrices elementales se llega de A
a B. Si llamamos P al producto de todas esas elementales se tiene P A = B y además
P es inversible porque es producto de elementales y ya vimos que las elementales eran
inversibles.
Por tanto, si A es inversible B también lo es, luego no puede tener filas de ceros, es
decir el rango de filas de B (escalonada) es n. Finalmente tener en cuenta que el rango
5.5. EJERCICIOS
de filas de A es el mismo que el de B porque las operaciones elementales de filas no

modifican el subespacio que engendran.
Recı́procamente si el rango de filas A es n mediante operaciones llegamos a una matriz
escalonada sin filas nulas. Por ser cuadrada tiene elementos no nulos en la diagonal y
con operaciones elementales podemos conseguir que sean unos. Con más operaciones
elementales de filas podemos llegar a la matriz In y tenemos una matriz P producto de
elementales tal que P A = In , lo que prueba que A es inversible (regular).
(b) Ya sabemos que un producto de elementales es inversible. Si A es inversible, por
lo que hemos visto en el apartado (a) existe P producto de elementales tal que P A = In
y ası́ P 1 = A y como P es producto de elementales y las inversas de las elementales
también lo son P 1 es producto de elementales. (Mira la sección 3.4 y ejercicio 32.)
5.5. Ejercicios
Ejercicio 50. Prueba que si V es finitamente generado y de dimensión n, todo susbes-
pacio suyo es también finitamente generado y de dimensión menor o igual que n. Prueba
que si además S es subespacio de V y dimensión de S es n, entonces S = V .
Ejercicio 51. Si no ha lugar a confusión, a veces se escribe Ka en lugar de K < a >

(el subespacio generado por a).
En R3 se consideran S = R( 3 1 2), T = R(1 2 3) y U = R(2 3 1). Comprobar
que (1 0 1) 2 S +T +U y encontrar diversas formas de ponerlo como suma de vectores
de S, T y U . Busca una base de S + T + U .
Ejercicio 52. Sean S = { (x, y, z) 2 R3 | x = y = z } y T = { (0, a, b) | a, b 2 R }.

Probar que dim (S + T ) = dim S + dim T , buscando bases. Comprueba que juntando
bases de S y T hemos obtenido una base de S + T . En estos casos se dice que la suma
de S y T es directa.
Ejercicio 53. Sean S = { (x1 , x2 , x3 , x4 ) 2 R4 | x1 = x2 = 0, x3 + x4 = 0 }, T =

{ (x1 , x2 , x3 , x4 ) 2 R4 | x1 = x2 , x3 = x4 } y L el subespacio generado por (1 1 1 1).
Probar que juntando bases de S, T y L se obtiene una base de S + T + L y que S + T + L
es todo R4 .
Ejercicio 54. Sea S = { (x1 , . . . , xn ) 2 Qn | x1 + · · · + xn = 0 } y T = { (x, . . . , x) |

x 2 Q }. Probar que S y T son subespacios de Qn . Busca bases de S y T y prueba que
Qn = S + T .
Ejercicio 55. Probar que dim (S + T ) = dim S + dim T si y solo si juntando bases de
S y de T se tiene una familia libre.
Ejercicio 56. Considerar en R4 el subespacio S = { (x1 , x2 , x3 , x4 ) | x1 + 2x3 = 0 }.

Hallar una base de S y una base de un S1 de dimensión 4 dim S, tal que S + S1 = R4
(se llama suplementario de S).
Lo mismo para el subespacio T = { (x1 , x2 , x3 , x4 ) | x1 2x3 = x2 + 2x4 = 0}.
5.5. EJERCICIOS
Ejercicio 57. En R4 se considera el subespacio S generado por (1 0 1 0), (0 2 1 0)

y (1 4 1 0) y el subespacio T = { (x, y, z, t) | x y + z t = x + y + z 3t = 0 }. Hallar
bases de S, T , S + T , S \ T y busca un U que verifique S + U = T + U = R4 .
Ejercicio 58. Calcula el rango de filas de las siguientes ✓

matrices ◆
A y mira si puedes
Ir 0
encontrar matrices inversibles P y Q tales que P AQ = (0 es una matriz
0 0
nula),
0 1 0 1
1 1 2 3 1 0 1 0 1 5 2 3
B 1 0 1 5 1 1 0 0
B 1 3 1 0 C
C, @ 1
B 2
B 0 7 C
C.
@ 0 1 1 A, @ 1 2 2 1 A,
1 1 1 1 A @ 1 2 3 A
1 0 2 3 3 4 2
1 0 1 1 2 1 3 2
Capı́tulo 6
Aplicaciones lineales y matrices
En adelante, V y W son espacios vectoriales sobre el cuerpo K (usualmente R).
6.1. Aplicación lineal

Definición 6.1. La aplicación f : V ! W se dice que es lineal (homomorfismo) cuando
para a, b 2 V y t 2 K se tiene:
f (a + b) = f (a) + f (b),
f (t a) = tf (a).
Es fácil ver que f (0) = 0.
Ejemplo 6.2. (1) Examina las aplicaciones de R3 en R2 dadas por f (x, y, z) = (1, y);
g(x, y, z) = (x, y + z) y h(x, y, z) = (y, y) y comprueba que f es no lineal (ayuda: tomar
a = (1, 0, 0) y b = (0, 1, 0)), y que g y h son lineales.
(2) (Ejemplo importante). Sea A una matriz m ⇥ n en R, la aplicación que a cada

X 2 Rn (representado como vector columna) le asocia AX 2 Rm es lineal. La llamaremos
transformación por A, y la designaremos TA .
0 1
✓ ◆ x ✓ ◆
2 3 1 @ A 2x + 3y + z
Por ejemplo si A = , entonces TA y = .
2 0 7 2x + 7z
z
0 1
x1
B C
Recı́procamente, si f : Rn ! Rm es aplicación lineal, X = @ ... A , y (e1 , . . . , en )
xn
la base canónica de Rn , se tiene que
f (X) = f (x1 e1 + · · · + xn en ) = x1 f (e1 ) + · · · + xn f (en ).
Formemos la matriz A cuyas columnas ci son f (ei ) 2 Rn , entonces f (X) = x1 c1 + · · · +
xn cn = AX, luego f = TA . Ası́ hemos probado que todas las aplicaciones lineales de Rn
en Rm son transformaciones por una matriz A.
(3) La aplicación f : R5 ! R3 dada por
0 1
x1 + x2
f (X) = @ x5 A
x4 x5
41
6.1. APLICACIÓN LINEAL
es lineal. Se cumple
f (X) = f (x1 e1 + · · · + x5 e5 ) = x1 f (e1 ) + · · · + x5 f (e5 ) =

0 1 0 1 0 1 0 1 0 1
1 1 0 0 0
= x1 @ 0 A + x2 @ 0 A + x3 @ 0 A + x4 @ 0 A + x5 @ 1 A =
0 0 0 1 1
0 10 1
1 1 0 0 0 x1
B C
=@ 0 0 0 0 1 A @ ... A .
0 0 0 1 1 x5
0 1
1 1 0 0 0
Si llamamos A = @ 0 0 0 0 1 A, se ve que f (X) = TA (X) = AX.
0 0 0 1 1
Proposición 6.3. Sea (a1 , . . . , an ) una base de V y (b1 , . . . , bn ) vectores de W (cuales-

quiera, pueden estar repetidos o ser nulos), entonces existe una única aplicación lineal
f : V ! W tal que f (ai ) = bi , para i = 1, . . . , n.
Demostración. Definimos f (a) = x1 b1 + · · · + xn bn , donde (x1 , . . . , xn ) son las coorde-
nadas del vector a respecto de la base (ai ). Se comprueba que es una aplicación lineal
de V en W y es la única que verifica f (ai ) = bi para i = 1, . . . , n.
Ejercicio 59. Considera la siguiente base de Z52 ,

0 1 0 1 0 1 0 1 0 1
1 1 0 1 0
B 1 C B 0 C B 1 C B 0 C B 0 C
B C B C B C B C B C
a1 = B
B C1 C , a2 = B 0 C , a3 = B 0 C , a4 = B 0
B C B C B
C , a5 = B
C B 0 C,
C
@ 1 A @ 1 A @ 0 A @ 0 A @ 0 A
1 1 0 0 1
y los vectores de Z32 :

0 1 0 1 0 1
1 0 0
b1 = b2 = @ 0 A , b 3 = b5 = @ 0 A , b 4 = @ 1 A .
0 0 0
Encontrar la única aplicación lineal f : Z52 ! Z32 tal que f (ai ) = bi .

Solución. Para un vector cualquiera X = (x1 , x2 , x3 , x4 , x5 ) 2 Z52 , las coordenadas res-
pecto de (ai ) son (x3 , x3 + x4 , x2 + x3 , x1 + x4 , x4 + x5 ) porque
X = x3 a1 + (x3 + x4 )a2 + (x2 + x3 )a3 + (x1 + x4 )a4 + (x4 + x5 )a5 .
Ası́,
f (X) = x3 f a1 + (x3 + x4 )f a2 + (x2 + x3 )f a3 + (x1 + x4 )f a4 + (x4 + x5 )f a5 =

0 1 0 1 0 1 0 1 0 1
1 1 0 0 0
= x3 @ 0 A + (x3 + x4 ) @ 0 A + (x2 + x3 ) @ 0 A + (x1 + x4 ) @ 1 A + (x4 + x5 ) @ 0 A =
0 0 0 0 0
= (x4 , x1 + x4 , 0).
6.2. NÚCLEO E IMAGEN
0 1
0 0 0 1 0
Luego f = TA , siendo A = @ 1 0 0 1 0 A. ¿Cómo hemos calculado las coordena-
0 0 0 0 0
das de (x1 , x2 , x3 , x4 , x5 ) respecto de la base (ai ) anterior? Llamando (t1 , t2 , t3 , t4 , t5 ) a
esas coordenadas, podemos plantear la igualdad de vectores
0 1 0 1 0 1 0 1 0 1 0 1
x1 1 1 0 1 0
B x2 C B 1 C B 0 C B 1 C B 0 C B 0 C
B C B C B C B C B C B C
B x 3 C = t 1 B 1 C + t 2 B 0 C + t3 B 0 C + t4 B 0 C + t 5 B 0 C
B C B C B C B C B C B C
@ x4 A @ 1 A @ 1 A @ 0 A @ 0 A @ 0 A
x5 1 1 0 0 1
y hallar los ti en función de los xi .

También podemos aplicar lo aprendido sobre el cambio de coordenadas: (xi ) son las
coordenadas de X en base canónica (base vieja); (ti ) son las coordenadas de X respecto
de la base (ai ) (base nueva). Sabemos que la columna i–ésima de la matriz P del cambio
son las coordenadas del vector ai respecto de la base vieja, la canónica. Ası́ pues,
0 1
1 1 0 1 0
B 1 0 1 0 0 C
B C
P =B
B 1 0 0 0 0 C.
C
@ 1 1 0 0 0 A
1 1 0 0 1
Recordando la relación del cambio de coordenadas X = P X, en nuestro caso

0 1 0 1
x1 t1
B .. C B . C
@ . A = P @ .. A .
x5 t5
Finalmente, calculando P 1 tenemos los ti en función de los xi , es decir

0 1 0 1
t1 x1
B .. C 1B . C
@ . A = P @ .. A .
t5 x5
6.2. Núcleo e imagen

Definición 6.4. El núcleo (Ker f ) y la imagen (Im f ) de la aplicación lineal f : V ! W ,
son
Ker f = {a 2 V | f (a) = 0},

Im f = {b 2 W | existe a 2 V con f (a) = b}.
Se tiene que Ker f = f (0) y Im f = f (V ).
Proposición 6.5. (1) Si S es un subespacio de V, entonces f (S) es subespacio de W.

En particular f (V ) = Im f es un subespacio de W.
6.3. MATRIZ COORDENADA
(2) Si a1 , . . . , an generan V, entonces f a1 , . . . , f an generan Im f. En particular si A es

una matriz m ⇥ n, las columnas de A generan Im TA .
(3) Si T es un subespacio de W, entonces f (T ) es subespacio de V. En particular
f (0) = Ker f es un subespacio de V.
(4) Si f es biyectiva, la familia (a1 , . . . , an ) es libre si y solo si lo es (f a1 , . . . f an ). En
este caso dim S = dim f (S).
Demostración. Ejercicio.
Ejercicio 60. Para K = R dar una base de Ker f y otra de Im f, siendo f = TA para
0 1
0 2 2 1 0
A=@ 1 0 0 1 0 A.
0 0 0 0 0
0 1
0
Solución. Para calcular Ker f resolvemos el sistema AX = @ 0 A y obtenemos
0
Ker f = R < (0 0 0 0 1), (2 1 0 2 0), (0 1 1 0 0 0) > .

Im f = R < f (e1 ), f (e2 ), f (e3 ), f (e4 ), f (e5 ) >=
= R < (0 1 0), (2 0 0), ( 2 0 0), (1 1 0), (0 0 0 >=
= R < (1 0 0), (0 1 0) > .
Proposición 6.6. Sea f : V ! W lineal (V, W finitamente generados). Se tiene que
dim V = dim Im f + dim Ker f.
Demostración. Sea a1 , . . . , ar base de Ker f y sea a1 , . . . , ar , ar+1 , . . . , an base de V (re-

cordar que toda familia libre se puede ampliar hasta formar una base de V ). Sabemos que
una familia generadora de Im f es (f a1 , . . . , f ar , f ar+1 , . . . , f an ) = (0, . . . , 0, f ar+1 , . . . , f an ),
luego Im f está generado por (f ar+1 , . . . , f an ).
Veamos que esta familia es libre. Sea
tr+1 f ar+1 + · · · + tn f an = 0,
se tiene f (tr+1 ar+1 + · · · + tn an ) = 0, luego tr+1 ar+1 + · · · + tn an 2 Ker f y por tanto

tr+1 ar+1 +· · ·+tn an = t1 a1 +· · ·+tr ar , es decir t1 a1 +· · ·+tr ar tr+1 ar+1 · · · tn an = 0 y
por ser a1 , · · · , ar , ar+1 , · · · , an libre, todos los ti = 0, en particular tr+1 = · · · = tn = 0.
Por ser f ar+1 , . . . , f an libre y generadora de Im f, es base de Im f y por tanto
dim f = n r = dim V dim Ker f.
6.3. Matriz coordenada

Definición 6.7. Sean f lineal de V en W, B1 = (a1 , . . . , an ) base de V y B2 =
(b1 , . . . , bm ) base de W. Se llama matriz coordenada de f (o matriz asociada) respecto
de B1 y B2 a la matriz m ⇥ n, A = (tij ), tal que
f aj = t1j b1 + · · · + tmj bm , para j = 1, . . . , n. (6.1)
Es decir, la columna
0 1 j de A son las coordenadas de la imagen del vector j–ésimo.
x1
B C
Si X = @ ... A son las coordenadas de v 2 V respecto de B1 , podemos escribir
xn
v = (a1 , . . . , an )X. Teniendo en cuenta la expresión (6.1) anterior se tiene que
(f a1 , . . . , f an ) = (b1 , · · · , bm )A
y por tanto
f v = (f a1 , . . . , f an )X = (b1 , . . . , bm )AX,
por lo que tenemos que Y = AX son las coordenadas de f v respecto de B2 .
Ejemplo 6.8. Sea TA : Z52 ! Z32 con

0 1
0 0 0 1 0
A = @ 1 0 0 1 0 A.
0 0 0 0 0
Para dar la matriz coordenada de TA respecto de las bases
B1 = (ai ) = (1 1 1 1 1), (1 0 0 1 1), (0 1 0 0 0), (1 0 0 0 0), (0 0 0 0 1)

B2 = (bi ) = (1 0 0), (0 1 1), (0 1 0) ,
calculamos
TA (a1 ) = (1 0 0), TA (a2 ) = (1 0 0), TA (a3 ) = (0 0 0), TA (a4 ) = (0 1 0), TA (a5 ) = (0 0 0),
y ponemos sus coordenadas respecto de B2 por columnas. Ası́ la matriz de TA respecto

de B1 y B2 es 0 1
1 1 0 0 0
@ 0 0 0 0 0 A.
0 0 0 1 0
Observar que la matriz coordenada de TA respecto de las bases canónicas es A.
Ejercicio 61. Considera f : R2 [x] ! R3 [x] de modo que para cada p(x) 2 R2 [x],
f (p(x)) = (2 + x) p(x) 2 R3 [x].
(1) Halla la matriz de f respecto de las bases (1, x, x2 ) y (1, x, x2 , x3 ).

(2) Calcular f (a), siendo a = 7 + 5x + x2 .
(3) ¿Existe b tal que f (b) = 1 + x + x2 + x3 ?
(4) Calcula el Ker f y Im f usando la matriz coordenada.
Solución. (1) Como f (1) = 2+x, f (x) = (2+x)x = 2x+x2 , f (x2 ) = (2+x)x2 = 2x2 +x3 ,
escribiendo sus coordenadas por columnas se tiene
0 1
2 0 0
B 1 2 0 C
A=B @ 0 1 2 A.
C
0 0 1
0
1
0 1
14
7 B 17 C
(2) Las coordenadas de a son (7, 5, 1), luego A @ 5 A = B C
@ 5 A son las coordenadas
1
1
2 3
de f (a), por lo que f (a) = 14 + 17x + 5x + x .
(3) Como las coordenadas de x3 + x2 + x + 1 son (1, 1, 1, 1), tenemos que resolver el
sistema 0 1
1
B .. C
AX = @ . A .
1
Puesto que es incompatible, no existe el tal b.
(4) Ker f está formado por los polinomios de coordenadas las soluciones del sistema
AX = 0; obtenemos Ker f = 0. El subespacio Im f son los polinomios de coordenadas
AX, es decir,
Im f = {2t + (t + 2s)x + (s + 2r)x2 x + rx3 | t, s, r 2 R}.
Observación Sean dim V = n, dim W = m, B1 base de V y B2 base de W . Sabemos

que a cada f : V ! W se le asocia una matriz m ⇥ n con elementos en K, su matriz
coordenada.
Recı́procamente, dada una matriz m ⇥ n con elementos en K, sus n columnas están
en K m luego son las coordenadas respecto de B2 de n vectores c1 , . . . , cn 2 W . Por
un resultado anterior (proposición 6.3) sabemos que existe una única aplicación lineal
f : V ! W tal que f a1 = c1 , . . . , f an = cn , es decir una única f lineal cuya matriz
coordenada es la dada (en las bases B1 y B2 ).
Tenemos ası́ que fijadas B1 y B2 , existe una correspondencia biyectiva entre el con-
junto de las aplicaciones lineales de V en W y el conjunto de las matrices m ⇥ n con
elementos en K.
Proposición 6.9. (1) Sea V de dimensión n, entonces la aplicación f : V ! K n que

asocia a cada vector sus coordenadas respecto de una base es una aplicación lineal y
biyectiva.
(2) La dimensión de Im f es la dimensión del espacio que generan las columnas de una
cualquiera de sus matrices coordenadas.
(3) La matriz coordenada de la composición de dos aplicaciones es el producto de las
matrices coordenadas de esas aplicaciones.
(4) Si f : V ! W es lineal y biyectiva, f 1 : W ! V también es lineal.
(5) Una aplicación lineal es biyectiva si y solo si cualquiera de sus matrices coordenadas
es inversible.
Demostración. (1) Es claro, lo vimos al definir coordenadas.
(2) Recuerda que si (ai ) es base de V, los vectores f a1 , · · · , f an generan Im f . Tomando
coordenadas respecto de la base de W tenemos las columnas de la matriz asociada.
Como tomar coordenadas es una aplicación lineal biyectiva, el espacio que generan esas
columnas tiene la misma dimensión que el que generan f a1 , . . . , f an .
(3) Es muy fácil de ver que g f : V ! U es lineal. Sean X las coordenadas de v 2 V,
respecto de B1 , entonces AX son las coordenadas de f v respecto de B2 y C(AX) las
6.4. CAMBIO DE COORDENADAS. MATRICES EQUIVALENTES
coordenadas de g(f (v)) respecto de B3 . Como X son las coordenadas de un vector

cualquiera, es una n-tupla cualquiera. Como C(AX) = (CA)X, se tiene que la matriz
de g f respecto de las bases B1 de V y B3 de U es CA.
(4) Fácil.
(5) Sea f : V ! W lineal y biyectiva, P es la matriz de f respecto de las bases B1 y B2 de
V y W . Sabemos que dim V = dim W por lo que P es cuadrada. Sea Q la matriz de f 1
respecto de las mismas bases. Por el apartado anterior la matriz de f 1 f = 1V : V ! V
respecto de B1 es P Q, pero la matriz de 1V : V ! V respecto de esa misma base de V
es In con lo que tenemos que P es inversible y Q es su inversa.
Recı́procamente, si existe P 1 y llamamos g : W ! V a la única aplicación lineal
que tiene matriz P 1 respecto de las bases B2 de W y B1 de V, se prueba que f g = 1W
y g f = 1V , luego f es biyectiva.
6.4. Cambio de coordenadas. Matrices equivalentes

Analicemos ahora la relación que existe entre matrices coordenadas de una misma
aplicación lineal.
Proposición 6.10. Si A y B son dos matrices de coordenadas de una aplicación lineal

respecto de dos pares de bases, entonces existen matrices inversibles P y Q tales que
B = P AQ.
Demostración. Sea f : V ! W, y B1 y B2 bases de V y W respecto de las cuales A

es matriz coordenada de f, y B 1 y B 2 las bases correspondientes a la matriz B. Las
expresiones coordenadas de lo anterior son Y = AX y Y = BX.
Supongamos que el cambio de coordenadas en V es X = P1 X y que el cambio de
coordenadas en W es Y = P2 Y , con P1 , P2 inversibles. Se tiene BX = Y = P2 1 Y =
P2 1 AX = P2 1 AP1 X y como esta igualdad es para toda X, se tiene que B = P2 1 AP1 .
Finalmente tomar P = P2 1 y Q = P1 .
Ejemplo 6.11. Sea f = TA : R3 ! R2 , donde

✓ ◆
2 1 1
A= .
5 3 2
Si tomamos como B1 y B2 las bases canónicas, la matriz coordenada de f es precisamente

A, y la expresión coordenada de f es Y = AX. Sean ahora nuevas bases:
B 1 = (1 1 1), (0 1 1), (0 0 1)
B 2 = (1 2), (0 1) .
La matriz B asociada a f respecto de B 1 y B 2 tiene por columnas las coordenadas de

las imágenes de la base B 1 respecto de B 2 , obteniendo
✓ ◆
0 0 1
B= ,
0 1 0
6.4. CAMBIO DE COORDENADAS. MATRICES EQUIVALENTES
y la expresión coordenada en estas bases es Y = BX.

Para encontrar la relación que hay entre A y B formamos las expresiones de los dos
cambios de coordenadas
0 1
1 0 0 ✓ ◆
@ A 1 0
X= 1 1 0 X; Y = Y.
2 1
1 1 1
Con estas expresiones coordenadas, tanto las de f como la de los cambios de base, se
tiene 0 1
✓ ◆ 1 ✓ ◆ 1 1 0 0
1 0 1 0
BX = Y = Y = A@ 1 1 0 A X,
2 1 2 1
1 1 1
por lo que 0 1
✓ ◆ 1 1 0 0
1 0
B= A@ 1 1 0 A.
2 1
1 1 1
Definición 6.12. Se dice que la matriz A es equivalente a la B cuando existen P y Q
inversibles tales que B = P AQ.
También es cierto el recı́proco de la proposición anterior, es decir que si A y B
son equivalentes entonces A y B son matrices coordenadas de la misma f . (Para verlo
basta considerar las bases cuyos cambios de coordenadas vienen definidos por la P y Q
correspondientes, como se ve en el próximo ejercicio).
Observa que la equivalencia de matrices apareció en la lección 3 (sección 3.4), cuando

planteamos que si a la matriz A, m ⇥ n, le pegamos a la izquierda Im y debajo In , es
decir ✓ ◆
A Im
.
In
Si hacemos operaciones elementales✓ de filas ◆
a las m primeras filas y de columnas a las
B P
n primeras columnas y llegamos a , se tiene que P AQ = B, es decir a partir
Q
de A hemos obtenido una matriz equivalente con ella, la B.
0 1 0 1
1 2 1 0
Ejercicio 62. Transforma A = @ 0 7 A en B = @ 0 1 A mediante operaciones
1 0 0 0
elementales de filas y columnas. Al mismo tiempo encuentra P y Q inversibles tales que
B = P AQ. Usa esto para encontrar bases de R2 y de R3 respecto de las cuales la matriz
coordenada de f = TA : R2 ! R3 sea B.
Solución. Aplicamos operaciones elementales de filas y columnas a:
0 1 0 1 0 1
1 2 1 0 0 1 2 1 0 0 1 0 1 0 0
B 0 7 0 1 0 C B 0 1 0 1/7 0 C B 0 1 0 1/7 0 C
B C B C B C
B 1 0 0 0 1 C F2 /7 B 1 0 0 0 1 C C2 2C1 B 1 2 0 0 1 C
B C B C B C F3 F1
@ 1 0 A @ 1 0 A @ 1 2 A
0 1 0 1 0 1
6.5. RANGO DE UNA MATRIZ
0 1 0 1
1 0 1 0 0 1 0 1 0 0
B 0 1 0 1/7 0 C B 0 1 0 1/7 0 C
B C B C
B 0 2 1 0 1 C 2F2 B 0 0 1 2/7 1 C
B C F3 B C.
@ 1 2 A @ 1 2 A
0 1 0 1
Ası́ que 0 1
1 0 0 ✓ ◆
1 2
P =@ 0 1/7 0 A y Q=
0 1
1 2/7 1
verifican que B = P AQ.
Para hallar las bases respecto de las cuales B es matriz coordenada de f = TA
procederemos como en la proposición 6.10. Es decir, ponemos X = P1 X y Y = P2 Y ,
las expresiones de los cambios de coordenadas de las bases canónicas a las que tratamos
de encontrar, en R3 y en R2 . También tenemos Y = AX y Y = BX. Como en la
proposición 6.10 obtenemos
0 1 1 0 1
✓ ◆ 1 0 0 1 0 0
1 2
P1 = ; P2 = @ 0 1/7 0 A = @ 0 7 0 A .
0 1
1 2/7 1 1 2 1
Las columnas de P1 constituyen la base que buscamos en R2 y las de P2 es la base que
se pide de R3 .
6.5. Rango de una matriz

Objetivo. Pretendemos probar que el rango de filas de una matriz coincide con su ran-
go de columnas. Recordemos que el rango de columnas de una matriz A (ver proposición
6.9) es igual a la dimensión de Im f, siendo f = TA .
Proposición 6.13. El rango de filas de una matriz coincide con su rango de columnas.
Este número se denomina rango de la matriz.
Demostración. Sea A matriz m ⇥ n y f = TA : K n ! K m . Por una parte, mediante
operaciones elementales de filas aplicadas a A obtenemos una matriz escalonada B. Sea
r el número de sus filas nulas, luego m r = rango filas B = rango filas A.
Por otra parte, Ker f es el conjunto de soluciones del sistema AX = 0 de m ecuaciones
con n incógnitas, sistema que es equivalente a BX = 0. Las soluciones son el Ker f . En
este sistema se ve que la primera incógnita que aparece en cada ecuación se puede
despejar en función de las siguientes, por ser B escalonada esas incógnitas son todas
distintas y por tener r filas nulas, el número de esas incógnitas es m r. En definitiva
esas m r incógnitas se escriben en función del resto de las incógnitas, y se tiene que
dim Ker f = n (m r) = n + r m.
De lo anterior, y teniendo en cuenta en la segunda de las igualdades la fórmula de las
dimensiones (proposición 6.6) se tiene la siguiente cadena de igualdades que prueban lo
que querı́amos.
rang col A = dim Im f = dim K n dim Ker f = n (n + r m) = m r = rang filas A.
6.6. SISTEMAS LINEALES Y MATRICES
Proposición 6.14. Si rango A = r entonces existen P y Q inversibles tales que

✓ ◆
Ir O
A=P Q.
O O
(En otras palabras, A es equivalente a esa segunda matriz.)
Demostración. Sabemos que mediante operaciones elementales podemos conseguir que

A se transforme en una matriz con todo ceros menos unos en los primeros elementos de
la diagonal principal. En expresión matricial
✓ ◆
Is O
P1 AQ1 = .
O O
Pero como multiplicar por la izquierda por una matriz inversible conserva el rango de
filas y por la derecha conserva el rango de columnas, se sigue fácilmente que s = r.
Finalmente basta tomar P = P1 1 y Q = Q1 1 .
Sabemos que dos matrices equivalentes son matrices coordenadas de la misma f,

por lo que como consecuencia de la proposición anterior toda aplicación lineal tiene una
matriz coordenada del tipo de la matriz anterior (todo ceros menos unos en los primeros
elementos de la diagonal principal).
Proposición 6.15. A es equivalente a B si y solo si rango A = rango B.
Demostración. Se sigue aplicando resultados anteriores.
6.6. Sistemas lineales y matrices

Proposición 6.16. Sea AX = B un sistema de m ecuaciones lineales con n incógnitas.
Es decir A es una matriz m ⇥ n en y B es una m tupla. Se tiene:
(1) El sistema tiene solución si y solo si rang A = rang (A|B) (sistema compatible).
(2) Si el sistema es compatible y X1 es una solución, el conjunto de todas las soluciones
es
{X1 + X | AX = 0}.
(Expresaremos las soluciones dando una particular y una base del conjunto de las solu-
ciones del correspondiente sistema homogéneo).
(3) Si el sistema es compatible y rang A = núm incógnitas, la solución es única.
(4) Si el sistema es compatible y rang A < núm incógnitas, la solución no es única.
Demostración. (1) Sea f = TA : K n ! K m . El sistema tiene solución si y solo si

B 2 Im f . Pero Im f es el espacio generado por las columnas de A, es decir, Im f = K <
c1 , . . . , cn > . Por tanto el sistema tiene solución si y solo si B 2 K < c1 , . . . , cn >, que
equivale a
K < c 1 , . . . , cn > = K < c 1 , . . . , cn , B > .
Como K < c1 , . . . , cn >  K < c1 , . . . , cn , B > se tiene la igualdad si y solo si son iguales
las dimensiones, es decir si y solo si rang A = rang (A|B).
6.7. EJERCICIOS
(2) Si X es tal que AX = 0, se tiene que A(X1 + X) = AX1 + AX = B + 0 = B, luego

X1 + X es solución. Recı́procamente, si X2 es una solución del sistema
A(X2 X1 ) = AX2 AX1 = B B = 0,
se tiene que X = X2 X1 es solución del homogéneo y X2 = X1 + X.

(3) Si rang A = n, dim Im f = n, entonces dim Ker f = dim K n dim Im f = n n = 0,
luego Ker f = 0 y por el apartado anterior, la solución es única.
(4) Si rang A < n, dim Im f < n, entonces dim ker f = dim K n dim Im f > 0, luego
Ker f tiene más de un elemento y por el el apartado 2) la solución no es única.
6.7. Ejercicios
Ejercicio 63. Hallar las matrices de las siguientes aplicaciones lineales en las bases que
se indican.
(1) f : R3 ! R2 dada por f (x, y, z) = (x+2y, 3y+z) en las bases (1 0 2), (0 1 1), (1 0 1)
de R3 y (1 1), (0 1) de R2 .
(2) f : R4 ! R3 dada por f (x, y, z, t) = (48y 57z, x, x + t) en las bases
(0 114 96 0), (1 3 20 0), (0 0 1 1), (2 6 40 1)
( 996 1 1), ( 57 0 1), ( 1992 2 3) .
0 1
1 2 0
Ejercicio 64. Sea A = @ 1 1 1 A y B = (0 1 1), (2 0 0), (0 1 0) .
2 2 2
1) Siendo f la aplicación lineal con matriz A en la base canónica de R3 (base de salida
y llegada), hallar la matriz de f en la base B.
2) Siendo g la aplicación lineal con matriz A en la base B de R3 (base de salida y llegada),
hallar la matriz de g en la base canónica.
3) Sean S = {(x, y, z) 2 R3 | x + y + z = 0} y h : S ! f (R3 ) dada por h(a) = f (a) para
cada a 2 S. Dar bases de S y f (R3 ) y hallar la matriz de h respecto de ellas. Usarla
para encontrar, si existen, los vectores a 2 S cuya imagen sea (1, 0, 0).
0 1
1 10 0
Ejercicio 65. Sea A = @ 1 22 1 A la tercera matriz del ejercicio 58, r el rango
3 34 2
de A y f la aplicación lineal de R4
en R con matriz A en las bases canónicas.✓Encontrar
3
◆
Ir 0
un par de bases respecto de las cuales la matriz de f sea de la forma C = .
0 0
Usar esto para obtener R y S inversibles tales que A = RCS.
Usar el resultado anterior para:
(a) Encontrar A1 (3 ⇥ r) y A2 (r ⇥ 4), matrices de rango r y tales que A = A1 A2 .
6.7. EJERCICIOS
(b) Encontrar B1 (r ⇥ 3) y B2 (4 ⇥ r), matrices de rango r y tales que B1 AB2 = Ir .
Ejercicio 66. Sea A matriz m ⇥ n de rango r. Probar que:

(a) Existen B1 (r ⇥ m) y B2 (n ⇥ r) de rango r tales que B1 AB2 = Ir .
(b) Si el rango de A es n, existe B (n ⇥ m) tal que BA = In .
(c) Si el rango de A es m, existe B (n ⇥ m) tal que AB = Im .
0 1
0 1
Ejercicio 67. Sea f : R2 ! R3 con matriz @ 1 1 A en las bases canónicas.
1 2
Hallar la expresión coordenada de f en las bases B1 = (1 0), (1 1) de R2 y
B2 = (0 0 1), (0 1 1), (1 0 1) de R3 . Usarla para obtener la expresión coordenada
de una aplicación g de R3 en R2 respecto B2 y B1 tal que g f sea la identidad en R2 .
Hallar la matriz de g en las bases canónicas.
Ejercicio 68. El [7,4]–código binario de Hamming corrector de errores tiene como ma-
triz de control 0 1
0 0 0 1 1 1 1
H= @ 0 1 1 0 0 1 1 A.
1 0 1 0 1 0 1
Encontrar una (4 ⇥ 7)–matriz G sobre Z2 , generadora del código, sabiendo que tiene
rango máximo y que HGt = 0. (Gt es la matriz traspuesta de G.) Ayuda: Las filas de
G forman una base del núcleo derecho de H. Mira el ejercicio 36.
Capı́tulo 7
Determinantes
Recordemos las definiciones de determinante para matrices de tamaños 2 ⇥ 2 y 3 ⇥ 3,

que ya son conocidas, y algunas de sus propiedades que pretendemos que se satisfagan
en su generalización a matrices de cualquier tamaño.
7.1. Casos conocidos

Matrices 2 ⇥ 2. Si ✓ ◆
a b
A=
c d
es una matriz sobre K, su determinante es
a b
Det (A) = |A| = = ad bc.
c d
Podemos considerar el determinante de las matrices 2 ⇥ 2 como una aplicación de

las columnas:
Det : K 2 ⇥ K 2 ! K
✓✓ ◆ ✓ ◆◆
a b
que asocia al par (A1 , A2 ) = , el determinante de A.
c d
Remarcamos tres propiedades fundamentales cuya comprobación es directa, y que
querremos generalizar en la definición de determinantes de matrices arbitrarias.
DI. La función determinante como función de las columnas, es lineal en cada uno de
sus argumentos, es decir, se cumple, para cualesquier C1 , C2 , C3 2 K 2 y t 2 K que
Det (tC1 + C2 , C3 ) = t Det (C1 , C3 ) + Det (C2 , C3 ).
Análogamente para la segunda componente.
DII. El determinante se anula si las dos columnas son iguales.
DIII. El determinante de la matriz identidad es 1.
53
7.2. CASO GENERAL
Matrices 3 ⇥ 3. Si 0 1
a11 a12 a13
A = @ a21 a22 a23 A
a31 a32 a33
es una matriz sobre K, su determinante es el número
a11 a12 a13

a22 a23 a21 a23 a21 a22
Det (A) = |A| = a21 a22 a23 = a11 a12 +a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
(que corresponde al “desarrollo del determinante por la primera fila”).

Comprueba que |A| = a11 a22 a33 + a21 a32 a13 + . . . (regla de Sarrus).
Mencionamos las propiedades fundamentales en las que, al igual que para las matrices
2 ⇥ 2, consideramos el determinante como una función de las columnas de la matriz
correspondiente
Det : K 3 ⇥ K 3 ⇥ K 3 ! K 3 .
DI. La función determinante es lineal en cada uno de sus argumentos, es decir, se

cumple, para cualesquier A, B, C, D 2 K 2 y t 2 K:
Det (tA + B, C, D) = t Det (A, C, D) + Det (B, C, D).
Análogamente para las otras dos componentes.
DII. Si dos argumentos consecutivos son iguales, el determinante es cero.
DIII. El determinante de la matriz identidad es 1.
7.2. Caso general

Definiremos el determinante de una matriz n⇥n recursivamente, es decir, reduciendo
su definición al caso de matrices (n 1) ⇥ (n 1) (generalizando el ejemplo de los
determinantes de las matrices 3 ⇥ 3 que ya hemos mencionado). Dada la matriz n ⇥ n
0 1
a11 . . . a1n
B .. C ,
A = @ ... ..
. . A
an1 . . . ann
llamamos Aij a la matriz (n 1) ⇥ (n 1) que resulta de eliminar la fila i y la columna

j de A.
Definición 7.1. Si A es la matriz anterior, el determinante de A es el número (o el

elemento de K) dado por la expresión:
Det A = |A| = a11 |A11 | a12 |A12 | + · · · + ( 1)n+1 a1n |A1n |
Notemos que el carácter recursivo de esta definición se refiere simplemente al hecho

de que la definición de determinante de una matriz n ⇥ n necesita de la definición previa
del determinante de una matriz (n 1) ⇥ (n 1) y esta concatenación de definiciones
no continúa indefinidamente porque la definición para el caso n = 2, que ya hemos
mencionado en el ejemplo anterior, no necesita de la definición del caso n = 1.
7.3. PROPIEDADES DE LOS DETERMINANTES
7.3. Propiedades de los determinantes

Veamos a continuación que con esta definición de determinante se cumplen las pro-
piedades análogas a las que ya hemos mencionado antes para los casos n = 2, 3, junto
con otras que listamos a continuación. Como en los casos n = 2, 3 consideramos el
determinante como una función de las columnas, es decir, como una aplicación
n
z }| {
Det : K n ⇥ . . . ⇥ K n ! K n .
DI. La función determinante es lineal en cada uno de sus argumentos, es decir, para
todo ı́ndice i, si la columna i-ésima es Ai = B + tC para ciertos B, C 2 K 2 y t 2 K
se tiene:
Det (. . . , Ai 1 , tB + C, Ai+1 . . . ) =
= t Det (. . . , Ai 1 , B, Ai+1 . . . ) + Det (. . . , Ai 1 , C, Ai+1 . . . ).
Demostración. Suponemos que el resultado es cierto para determinantes de matri-

ces de tamaño (n 1) ⇥ (n 1). Fijamos un ı́ndice i y vectores Aj 2 K n para cada
ı́ndice j 6= i y tomamos B, C 2 K n y t 2 K. Ponemos Ai = tB + C y llamamos A
a la matriz n ⇥ n: A = (. . . , Ai 1 , tB + C, Ai+1 . . .), cuyas columnas son A1 . . . , An .
De modo similar, ponemos X = (. . . , Ai 1 , B, Ai+1 . . .), la matriz n ⇥ n cuyas co-
lumnas son Xj = Aj si j 6= i, Xi = B, y finalmente Y = (. . . , Ai 1 , C, Ai+1 . . .),
la matriz n ⇥ n cuyas columnas son Yj = Aj si j 6= i e Yi = C. Notemos que si
llamamos aij al número que ocupa la posición con ı́ndices (i, j) en la matriz A y
ponemos B t = (b1 , . . . , bn ) e C t = (c1 , . . . , cn ), se tiene a1i = tb1 + c1 .
Por la definición del determinante, |A| = a11 |A11 | a12 |A12 |+· · ·+( 1)n+1 a1n |A1n |
y se deduce de la propiedad correspondiente (DI) para determinantes de matrices
(n 1) ⇥ (n 1) que si 1  j  n y j 6= i,
( 1)1+j a1j |A1j | = t( 1)1+j a1j |X1j | + ( 1)1+j a1j |Y1j |.
Por lo tanto se obtiene, utilizando la observación hecha antes sobre los números
a1i , que
n
X
|A| = ( 1)j+1 a1j |A1j | =
j=1
n
X n
X
=t ( 1)1+j a1j |X1 j| + ( 1)1+j a1j |Y1j | + tb1 |A1,i | + c1 |A1,i | =
j=1j6=i j=1 j6=i
= t|X| + |Y |
DII. Si dos columnas consecutivas son iguales, el determinante es cero.

Demostración. Si j 6= i, i + 1, A1j tiene dos columnas iguales y se deduce de la
propiedad correspondiente (DII) para matrices de tamaño (n 1) ⇥ (n 1) que
|A1j | = 0. Por lo tanto, omitiendo los sumandos que se anulan, llegamos a la
expresión: |A| = ( 1)i+1 a1i |Ai1 | + ( 1)i+2 a1 i+1 |Ai i+1 | y puesto que a1i = a1 i+1
y A1i = A1 i+1 obtenemos |A| = 0.
DIII. El determinande de la matriz identidad es 1.

Demostración. Basta aplicar la fórmula por la que definimos el determinante y
notar que si i 6= 1, |(In )1i | = 0 porque la matriz (In )1i tiene entonces una columna
nula y basta aplicar (DII).
DIV a) Si en el determinante Det (A1 , . . . , An ) se intercambian dos columnas conse-

cutivas Ai , Ai+1 , el determinante cambia de signo.
b) Si en el determinante Det (A1 , . . . , An ) coinciden dos columnas, el determi-
nante se anula.
c) Si en el determinante Det (A1 , . . . , An ) se intercambian dos columnas Ai , Aj ,
el determinante cambia de signo.
d) Si en el determinante Det (A1 , . . . , An ) se suma a una columna un múlti-
plo de otra columna, el determinante no varı́a: Det (. . . , Ai , . . . Aj , . . . ) =
Det (. . . , Ai + tAj , . . . , Aj , . . . ).
e) Si A es una matriz n ⇥ n y t 2 K, |tA| = tn |A|.
Demostración. Para a) basta notar que, por DII,
Det (. . . , Ai + Ai+1 , Ai + Ai+1 , . . . ) = 0
y, por DI,
Det (. . . , Ai + Ai+1 , Ai + Ai+1 , . . . ) = Det (. . . , Ai , Ai , . . . )+

+ Det (. . . , Ai , Ai+1 , . . . ) + Det (. . . , Ai+1 , Ai , . . . ) + Det (. . . , Ai+1 , Ai+1 , . . . ),
que, por DII de nuevo, es
0 = Det (. . . , Ai , Ai+1 , . . . ) + Det (. . . , Ai+1 , Ai + Ai+1 , . . . ),
luego
Det (. . . , Ai , Ai+1 , . . . ) = Det (. . . , Ai+1 , Ai , . . . ).
Para b) basta aplicar a) hasta colocar las dos columnas iguales en posiciones
consecutivas y aplicar DII. La propiedad c) se demuestra como a) usando b)
en vez de DII. Se demuestra usando DI y b). Finalmente, e) es directo de DI.
Proposición 7.2. Sean A1 , . . . , An 2 K n . Si estos vectores son linealmente dependien-

tes Det (A1 , . . . , An ) = 0.
Demostración. Supongamos que t1 A1 + · · · + tn An = 0 para ciertos escalares t1 , . . . , tn no

todos nulos. Podemos suponer, reordenando si es preciso, que t1 6= 0. Se tiene entonces
Det (t1 A1 + · · · + tn An , A2 , . . . , An ) = Det (0, A2 , . . . , An ) = 0. Por otra parte, de la
linealidad del determinantePn en sus argumentos se deduce que 0 = Det (t1 A1 + · · · +
tn An , A2 , . . . , An ) = i=1 ti Det (Ai , A2 , . . . , An ).
Si i 6= 1, el determinante Det (Ai , A2 , . . . , An ) tiene una columna repetida, luego, por
DIV b, se anula. Resulta entonces que t1 Det (A1 , . . . , An ) = 0 y, como t1 6= 0, se deduce
que Det (A1 , . . . , An ) = 0.
n
z }| {
Lema 7.3. Supongamos que H : K n ⇥ . . . ⇥ K n ! K es una aplicación que satisface
las propiedades DI y DII (es decir, H es lineal en cada argumento y si dos argumentos
consecutivos coinciden H se anula). Sean además E1 , . . . , En 2 K n los vectores de la
base canónica y 1  i1 , . . . , in  n números naturales. Si f (E1 , . . . , En ) = 0 entonces
f (Ei1 , . . . , Ein ) = 0.
Demostración. Si los números i1 , . . . , in no son todos distintos, en los argumentos de

f (Ei1 , . . . , Ein ) hay una repetición, y como en el caso del determinante que se ha consi-
derado en DIV b, esto implica que f (Ei1 , . . . , Ein ) = 0.
Si, por otra parte, los ı́ndices i1 , . . . , in son distintos dos a dos, el conjunto de vec-
tores {Ei1 , . . . , Ein } es igual a {E1 , . . . , En } y la sucesión de vectores (E1 , . . . , En ) se
obtiene reordenado la sucesión (Ei1 , . . . , Ein ). Esto se puede llevar a cabo en pasos suce-
sivos intercambiando pares de vectores. Como cada intercambio de dos vectores cambia
el signo de H por la propiedad análoga para H a la DIV c. De aquı́ se deduce que
f (Ei1 , . . . , Ein ) = ±f (E1 , . . . , En ), que se anula por hipótesis.
n
z }| {
Teorema 7.4 (Unicidad). Supongamos que F : K n ⇥ . . . ⇥ K n ! K es una aplicación
que satisface las propiedades DI y DII (es decir, F es lineal en cada argumento y si dos
argumentos consecutivos coinciden F se anula). Sea t = F (E1 , . . . , En ) donde E1 , . . . , En
es la base canónica de K n , se tiene entonces F (A1 , . . . , An ) = t Det (A1 , . . . , An ) para
cualesquier vectores A1 , . . . , An 2 K n .
n
z }| {
Demostración. Definimos la aplicación H : K n ⇥ . . . ⇥ K n ! K mediante la fórmula
f (A1 , . . . , An ) = F (A1 , . . . , An ) t Det (A1 , . . . , An ). Puesto que tanto F como Det satis-
facen las propiedades DI y DII, H satisface dichas propiedades. Además, si E1 , . . . , En es
la base canónica de K n , f (E1 , . . . , En ) = F (E1 , . . . , En ) t Det (E1 , . . . , En ) = t t·1 = 0.
Por el lema anterior se tiene entonces que si 1  i1 , . . . , in  n, f (Ei1 , . . . , Ein ) = 0.
Tomemos ahora t
Pn vectores A1 , . . . , An . Si para cada i escribimos Ai = (ai1 , . . . , ain ) ,
entonces
Pn Ai = j=1Panij Ej luego, aplicando Pn laP linealidad en cada posición, f (A1 , . . . , An ) =
f ( j=1 a1j Ej , . . . , j=1 a1j Ej ) = j1 =1 · · · njn =1 a1j1 . . . anjn f (Ej1 , . . . , Ejn ) y puesto
que, como hemos visto antes, cada f (Ej1 , . . . , Ejn ) es nulo. Se tiene f (A1 , . . . , An ) = 0,
luego F (A1 , . . . , An ) = t Det (A1 , . . . , An ) para cualesquier vectores A1 , . . . , An 2 K n .
Teorema 7.5. Si A y B son matrices n ⇥ n, |AB| = |A||B|.
Demostración. Escribimos Bi para la columna i-ésima de la matriz B, es decir B =

(B1 , . . . , Bn ). Se tiene entonces que AB = (AB1 , . . . , ABn ) es la expresión de la matriz
AB por columnas.
n
z }| {
Consideramos la aplicación P : K n ⇥ . . . ⇥ K n ! K dada por (X1 , . . . , Xn ) 7!
Det (AX1 , . . . , AXn ). Por las propiedades del determinante, la aplicación satisface las
propiedades DI y DII de los determinantes, luego, por el teorema anterior, para todo
X1 , . . . Xn 2 Rn , P (X1 , . . . , Xn ) = P (E1 , . . . , En ) Det (X1 , . . . , Xn ).
Puesto que P (E1 , . . . , En ) = Det (AE1 , . . . , AEn ) = |AIn | = |A|, obtenemos
Det (AX1 , . . . , AXn ) = P (X1 , . . . , Xn ) = |A| Det (X1 , . . . , Xn )
y basta tomar (X1 , . . . Xn ) = (B1 , . . . , Bn ) para deducir la fórmula que se querı́a.
Aunque hemos definido el determinante utilizando el desarrollo por la primera fila,

uno de nuestros propósitos ahora es deducir las conocidas fórmulas para el determi-
nante desarrollando por cualquier fila o columna. Para ello necesitaremos relacionar el
determinante una matriz con el de su traspuesta y para ello, a su vez, utilizaremos la
expresión del determinante para matrices triangulares.
Lema 7.6. Sea A = (aij ) una matriz n ⇥ n sobre K, si A es triangular superior o trian-
gular inferior, entonces su determinante es el producto de los elementos de la diagonal,
es decir |A| = a11 . . . ann .
Demostración. Si A es tringular inferior, |A| = a11 |A11 | y A11 es tambien triangular

inferior, con lo que se reduce a matrices de tamaño (n 1) ⇥ (n P1).
Supongamos ahora que A es triangular superior. Como |A| = ni=1 ( 1)1+i a1i |(A1i |
y si i 6= 1, la primera columna de la matriz A1i es el vector nulo (compruébalo), luego
|A1i | = 0 y se tiene |A| = a11 |A11 | con lo que, de nuevo, se reduce a considerar una
matriz de menor tamaño.
Teorema 7.7. Si A es una matriz cuadrada, |A| = |At |.
Demostración. En el capı́tulo 3 se ha mencionado que toda matriz A se puede escribir

como el producto A = LU de una matriz triangular inferior L por una triangular superior
U . Por lo tanto, aplicando el teorema anterior sobre el determinante del producto de
matrices, |At | = |(LU )t | = |U t Lt | = |U t | |Lt | = |Lt | |U t |. Como, por el lema anterior, el
determinante de una matriz triangular es el producto de los elementos de su diagonal,
está claro que su determinante es el mismo que el de su matriz traspuesta (que también
es triangular y tiene los mismos elementos en la diagonal), por lo tanto |Lt | = |L| y
|U t | = |U |, con lo que obtenemos |At | = |Lt |U t | = |L| |U | = |LU | = |A|.
De aquı́ se deduce que las propiedades DI, DII, DIII y DIV se P satisfacen también
cambiando filas por columnas. Además de ello, se cumple que |A| = ni=1 ai1 |Ai1 | (tras-
poniendo y desarrollando por la primera fila, que se convierte en la primera columna de
la matriz original) y, utilizando las propiedades DI a DIV, se tienen las fórmulas para
cualquier 1  j  n y A = (akl ):
n
X n
X
i+j
|A| = ( 1) aij |Aij | = ( 1)i+j aj i |Aj i |.
i=1 i=1
De estas fórmulas se obtiene otra que, de hecho, las engloba. Para enunciarla defini-
mos, para una matriz A = (aij ) de tamaño n ⇥ n, la matriz adjunta de A como la matriz
n ⇥ n Adj(A) = (bij dada por bij ) = |Aij |.
Proposición 7.8. Sea A una matriz de tamaño n⇥n, se cumple la igualdad Adj(A)t A =
AAdj(A)t = |A| In . En particular, si |A| =
6 0, la matriz es inversible (luego tiene rango
n) y su inversa es
1
A 1= Adj(A)t .
|A|
7.4. EJERCICIOS
Demostración. Se sigue de las igualdades mencionadas más arriba junto con las igual-
dades
Xn
( 1)i+j aik |Aij | = 0,
i=1
n
X
( 1)i+j ak i |Aj i | = 0,
i=1
si j 6= k, que son consecuencia de que son desarrollos de determinantes con una columna
repetida en el primer caso ( la columna j es igual a la k) y con una fila repetida en el
degundo (la fila j es igual a la k).
Corolario 7.9. Si A es una matriz n ⇥ n sobre K, A tiene rango n si y solo si |A| =

6 0.
7.4. Ejercicios
Ejercicio 69. Calcular los determinantes de las siguientes matrices
0 1
0 1 0 0 0 0 0 1 0 1
1 1 2 0 B 0 0 0 0 2 1 C 1 1 1 1
B C
B 0 3 2 1 C B 0 0 0 3 2 1 C B 1 i 1 i C
B C B C B C.
@ 0 4 1 2 A, B 0 0 4 3 2 1 C, @ 1 1 1 1 A
B C
3 1 5 7 @ 0 5 4 3 2 1 A 1 i 1 i
6 5 4 3 2 1
Soluciones: 45, 720, 16i.
Ejercicio 70. Prueba que

a)
1 x x2 x3
a 1 x x2
= (1 ax)(1 bx)(1 cx).
0 b 1 x
0 0 c 1
b)
x 1 0 0
0 x 1 0
= a + bx + cx2 + dx3 + x4 .
0 0 x 1
a b c x+d
Ejercicio 71. Considera el polinomio de grado 4
1 1 1 1 1
a1 a2 a3 a4 x
p(x) = a21 a22 a23 a24 x2 .

a31 a32 a33 a34 x3
a41 a42 a43 a44 x4
7.4. EJERCICIOS
a) Prueba que ai es raı́z de p(x), luego x ai divide a p(x).

b) Si ai = aj con i 6= j prueba que p(x) = 0.
c) Si todos los ai son distintos prueba que p(x) = (x a1 ) . . . (x a4 )d, donde el coeficiente
d de x4 es
1 1 1 1
a1 a2 a3 a4
.
a21 a22 a23 a24
a31 a32 a33 a34

Mates 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mates 2

Uploaded by

Copyright:

Available Formats

Capı́tulo 1

Lenguaje: Conjuntos, aplicaciones

1.1. Lenguaje y conjuntos

que se lee a pertenece a A.

Notar que los elementos de un conjunto no se repiten ni están ordenados, es decir

Definición 1.2. Dados dos conjuntos A y B, el producto directo o cartesiano es el

Definición 1.3. La unión de los conjuntos A y B, es el conjunto

Si en vez de tener dos conjuntos tenemos un montón de conjuntos Ai , tal que i 2 I

Definición 1.4. Cuando a cada elemento de un conjunto A le asociamos un único

Definición 1.5. Sea

Definición 1.6. Sean f : A ! B y g : B ! C. Definimos la composición g f como la

Si f : A ! B es biyectiva definimos la aplicación inversa f 1 : B ! A mediante

1.3. Grupos, anillos, cuerpos

Ejemplos. Son operaciones binarias la suma (+) y producto (.) en N, Z, Q, R, C, en el

Definición 1.8. Se llama grupo a un conjunto G dotado de una operación binaria

Los conjuntos Z, Q, R, C, con la operación (+), son grupos conmutativos.

GA = {f : A ! A | f biyectiva} con la operación binaria composición de

El conjunto de matrices n ⇥ n en R que tienen inversa para la operación producto

Ejemplos. (Q, +, .), (R, +, .), (C, +, .), (F2 , +, .).

(M2⇥2 (R), +, .) es anillo no conmutativo, porque el producto no es operación con-

Proposición 1.11. 1. Sea A un anillo y a, b, a1 , . . . , an 2 A. Se tiene,

Ejercicio 2. Considera los siguientes conjuntos:

1. Da un elemento que pertenezca a A pero que no pertenezca a B.

Ejercicio 4. Recuerda que F = {0, 1}.

Ejercicio 5. Sea la aplicación f : R3 ! R2 definida por

1. ¿Es inyectiva?, ¿es suprayectiva?

Ejercicio 6. 1. Sea F = {0, 1}, para cada n 2 N considera la aplicación: f : Fn ! F

Ejercicio 7. Da ejemplos de aplicaciones entre los conjuntos A y D del ejercicio 1.

Ejercicio 8. Considera el conjunto {0, 1, a, b} con las siguientes operaciones, que se

Ejercicios resueltos (números

Ejercicio 2. Considera los siguientes conjuntos:

(00000) (10000) (01000) (00100) (00010) (00001) (11000) (10100)

2. C = {(x, y, z) | x, y, z 2 F, x = y = z} = {(0, 0, 0), (1, 1, 1)}, o sea, 2 elementos.

Ejercicio 6. Sea F = {0, 1}, para cada n 2 N considera la aplicación: f : Fn ! F

Ejercicio 8. Considera el conjunto {0, 1, a, b} con las siguientes operaciones, que se

2.1. Los números enteros

Proposición 2.1. Dados D, d 2 Z (dividendo, divisor), existen q, r 2 Z (cociente, resto)

Máximo común divisor y algoritmo de Euclides. El máximo común divisor de

Identidad de Bezout y algoritmo de Euclides extendido. Identidad de Bezout:

Los coeficientes u y v se calculan mediante el algoritmo de Euclides extendido:

192 · 11 + 162 · ( 13) = 6.

Ejercicio 10. Demostrar la propiedad del algoritmo de Euclides extendido.

Recordar que cada elemento de este cuadro se construye de esta forma:

qi es el cociente entero de dividir ri 1 por ri . El resto de esta división es ri+1 .

Demostraremos por inducción sobre i que

Claramente es cierto para i=1, 2. Aplicando la hipótesis de inducción se tiene

Ejercicio 11. Aplicar el algoritmo de Euclides extendido a la pareja (2 272, 716).

Clases de restos módulo n. Dado un número entero n no nulo, se considera el

Proposición 2.2 (Cuerpos finitos sencillos). Si n es número primo, Zn es cuerpo.

Ejercicio 13. Demostrar que si Zn es cuerpo, entonces n es primo.

Si n no es grande se pueden calcular el inverso de a en Zn ası́: formamos las sucesiones

Se comparan ambas series y cuando se detecta una igualdad de elementos, es decir

se tiene que x es el inverso de a, ¿por qué?

Ejercicio 15. Calcular los inversos de 2, 7 y 10 en el cuerpo Z13 .

Ejercicio 16. (Zp {0}, ·), con p primo, es grupo multiplicativo.

2.2. Los polinomios

D(x) = d(x)q(x) + r(x).

Ejercicio 17. 1. Dividir f (x) = x6 + x2 + x y g(x) = x4 + x2 + x en Z2 [x].

Esta propiedad de división de polinomios nos permite trasladar a Z2 [x] (mutatis

2.3. Cuerpos finitos

Ejercicio 19. 1. Demostrar que los polinomios x4 + x + 1 y x8 + x4 + x3 + x + 1 son

El anillo Z2 [x]/hp(x)i. Dado un polinomio p(x), designaremos con Z2 [x]/hp(x)i el

Z2 [x]/hx3 + 1i = {0, 1, x, x + 1, x2 , x2 + x, x2 + 1, x2 + x + 1}.

a(x) + b(x) = r(a(x) + b(x), p(x))