Álgebra Lineal y Geometría. Grado en Física

Algebra Lineal y Geometra.
Departamento de

Algebra. http://www.departamento.us.es/da
Algebra Lineal y Geometra

(Grado en Fsica)
Notas de teora. Temas 1 6.
Departamento de

Algebra, Universidad de Sevilla
Algebra Lineal y Geometra. Departamento de

El contenido de estas notas ha sido dise nado y redactado por el profesorado de la asig-
natura y est a registrado bajo una licencia Creative Commons. Se permite la reproducci on
de la totalidad o de parte de las presentes notas con cualquier n excepto el lucrativo,
siempre y cuando se cite correctamente la procedencia y autora de las mismas.
1

Indice
Tema 1: Estructuras b asicas 4
1.1. Conjuntos: Deniciones y notaciones. Operaciones . . . . . . . . . . . . . 4
1.2. Producto cartesiano. Relaciones de equivalencia. . . . . . . . . . . . . . . 7
1.3. Aplicaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4. Grupos, anillos y cuerpos. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5. Grupos cclicos. Permutaciones. . . . . . . . . . . . . . . . . . . . . . . . 14
1.6. Los n umeros complejos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7. Polinomios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Tema 2: Matrices. Sistemas de ecuaciones lineales. 22
2.1. Deniciones. Matrices especiales. . . . . . . . . . . . . . . . . . . . . . . 22
2.2. Operaciones: Suma, producto, producto por escalares. . . . . . . . . . . . 24
2.3. Determinantes (I). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4. Determinantes (II). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5. Matriz inversa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6. Rango. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.7. Sistemas de ecuaciones lineales: Sistemas de Cramer. . . . . . . . . . . . 43
2.8. Teorema de Rouch eFr obenius. . . . . . . . . . . . . . . . . . . . . . . . 46
Tema 3: Espacios vectoriales 48
3.1. Espacios vectoriales: Denici on y ejemplos. . . . . . . . . . . . . . . . . 48
3.2. Dependencia e independencia lineal. . . . . . . . . . . . . . . . . . . . . . 50
3.3. Sistemas generadores. Bases. . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4. Teorema de la base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5. Dimensi on. Coordenadas. . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.6. Cambios de base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.7. Subespacios (I): Denici on y ejemplos. . . . . . . . . . . . . . . . . . . . 60
3.8. Subespacios (II): Sistemas de ecuaciones. . . . . . . . . . . . . . . . . . . 62
3.9. Operaciones (I): Teorema de la dimensi on. . . . . . . . . . . . . . . . . . 64
3.10. Operaciones (II): C alculos. Suma directa. . . . . . . . . . . . . . . . . . 66
3.11. Producto escalar. M odulo. Ortonormalidad. . . . . . . . . . . . . . . . . 69
3.12. Ortogonalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.13. Expansi on de Fourier. Algoritmo de GramSchmidt. . . . . . . . . . . . 73
Tema 4: Homomorsmos de espacios vectoriales 76
4.1. Homomorsmos de espacios vectoriales. . . . . . . . . . . . . . . . . . . 76

4.2. Matriz de un homomorsmo. . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3. N ucleo e imagen de un homomorsmo. . . . . . . . . . . . . . . . . . . . 80
4.4. Isomorsmos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5. El espacio dual. El espacio Hom(V, W). . . . . . . . . . . . . . . . . . . 84
4.6. Autovalores y autovectores. . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.7. Espacios invariantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.8. Endomorsmos diagonalizables. . . . . . . . . . . . . . . . . . . . . . . . 90
4.9. El Lema de Schur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.10. Teoremas espectrales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.11. El Teorema de Jordan (opcional). . . . . . . . . . . . . . . . . . . . . . . 96
Tema 5: Espacio afn y eucldeo 98
5.0. Introducci on hist orica: los axiomas de Euclides (opcional). . . . . . . . . . 98
5.1. Tri angulos.

Area del tri angulo (opcional). . . . . . . . . . . . . . . . . . . 99
5.2. Los teoremas de Pit agoras y Thales (opcional). . . . . . . . . . . . . . . . 102
5.3. El seno y el coseno (opcional). . . . . . . . . . . . . . . . . . . . . . . . . 104
5.4. El teorema del coseno (opcional). . . . . . . . . . . . . . . . . . . . . . . 106
5.5. Espacio afn. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.6. Variedades lineales. Sistemas de referencia. . . . . . . . . . . . . . . . . . 110
5.7. Operaciones con variedades. El Teorema de la dimensi on. . . . . . . . . . 112
5.8. El espacio eucldeo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.9. Distancias (I): Perpendicular com un. . . . . . . . . . . . . . . . . . . . . 117
5.10. Distancias (II): Hiperplano mediador. . . . . . . . . . . . . . . . . . . . 119
Tema 6: Anidades y movimientos 122
6.1. Anidades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.2. Elementos jos de las anidades. . . . . . . . . . . . . . . . . . . . . . . 124
6.3. Dilataciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.4. Movimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.5. El teorema de CartanDieudonn e (opcional). . . . . . . . . . . . . . . . . 128
6.6. Movimientos y algunos conjuntos anes. . . . . . . . . . . . . . . . . . . 130
6.7. Movimientos del plano. . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.8. Movimientos del espacio (I). . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.9. Movimientos del espacio (II). . . . . . . . . . . . . . . . . . . . . . . . . 137
3

Tema 1: Estructuras b asicas
1.1. Conjuntos: Deniciones y notaciones. Operaciones.
Denici on. Llamaremos conjunto a una colecci on de objetos que comparten una
propiedad. Para que un conjunto est e bien denido debe ser posible discernir si un objeto
arbitrario est a o no en el.
Los conjuntos pueden denirse de manera explcita, citando todos sus elementos entre
llaves, por ejemplo
A = 1, 2, 3, 4, 5,
o de manera implcita, dando una (o varias) caracterstica(s) que determine(n) si un objeto
dado est a o no en el conjunto, por ejemplo
A = x [ x es un n umero natural par,
que se leer a: A es el conjunto formado por los x tales que x es un n umero natural par.
Esta ultima opci on es obviamente imprescindible cuando el conjunto en cuesti on tiene
una cantidad innita de elementos.
Notaci on. Los conjuntos se notar an con letras may usculas: A, B,... y los elementos con
min usculas, en general. Si el elemento a pertenece al conjunto A escribiremos a A. En
caso contrario escribiremos a / A.
Observaci on. En ocasiones hay que considerar varios conjuntos en pie de igualdad. En
estos casos es frecuente denotar los distintos conjuntos con la misma letra y un subndice
que los diferencia. Los subndices pueden ser nitos y concretos, por ejemplo,
X
1
, X
2
, X
3
, X
4
, X
5
;
nitos pero en cantidad desconocida,
X
1
, X
2
, ..., X
n
, n N,
o arbitrarios; un ejemplo de esto sera considerar
A
i
iI
,
que se leera: la familia de conjuntos A
i
donde i pertence a I. Aqu I es el conjunto de
subndices que puede o no ser nito (por ejemplo I podra ser todo N).
Denici on. Un conjunto que carece de elementos se denomina el conjunto vaco y se
denota por . Un conjunto con un unico elemento se denomina unitario.

Notemos que, si X = x es un conjunto unitario, debemos distinguir entre el con-
junto X y el elemento x.
Denici on. Dados dos conjuntos A y B, si todo elemento de A es a su vez elemento de
B diremos que A es un subconjunto de B y lo notaremos A B. En caso contrario se
notar a A , B.
Proposici on. Sean A, B y C tres conjuntos cualesquiera. Se tienen las siguientes
propiedades:
(a) A A, A.
(b) Si A B y B A, entonces A = B.
(c) Si A B y B C, entonces A C.
Demostraci on. La primera propiedad se sigue directamente de la denici on.
Para probar (b), j emonos en que dos conjuntos son iguales si tienen exactamente los
mismos elementos. Pero esto es tanto como decir que todos los elementos de A est an en
B, y viceversa; eso es que A B y B A.
Esta propiedad se utiliza muy frecuentemente para demostrar igualdades de conjuntos
por el procedimiento denominado doble inclusi on.

Este consiste en, dados los dos con-
juntos, probar primero que todo elemento del primero est a en el segundo, y luego que
todo elemento del segundo est a en el primero. Aplicando entonces el apartado (b), queda
demostrado que ambos conjuntos son iguales.
La demostraci on de (c) se sigue de la denici on de subconjunto: todo elemento de A
est a en B, por ser A B y, dado que es elemento de B, est a en C por ser B C. As
todo elemento de A est a en C y hemos nalizado. Q.c.T.
Denici on. Dado dos conjuntos A X se dene el complementario de A en X (o
simplemente el complementario de A, si el conjunto X no se presta a confusi on) como
X A = x [ x X, x / A,
esto es, el conjunto de elementos de X que no est an en A. Otras notaciones que se puede
encontrar para X A (donde X se obvia) son A, cA o A
c
.
Observaci on. Dados A X, se dan las siguientes igualdades obvias:
= X, X = , A = A.
Nos detendremos solamente en la tercera de las anteriores propiedades. En efecto, por
denici on
A = x [ x X, x / A,
pero para un x X, x / A si y s olo si x A, por tanto los elementos de A son
precisamente los de A.
Notaci on. Cuando A es un conjunto nito, el n umero de elementos de A se denomina
cardinal de A y se notar a (A).
5

Denici on. Dados dos conjuntos A y B se dene la uni on de A y B, notado A B
como el conjunto formado por aqu ellos elementos que pertencen al menos a uno de los
dos conjuntos, A o B.
Se denen de forma equivalente la uni on de una cantidad nita de conjuntos
A
1
, ..., A
n
, que denotaremos
A
1
... A
n
=
n
_
i=1
A
i
,
y la uni on de una familia arbitrariamente grande de conjuntos A
i
iI
, que denotaremos
_
iI
A
i
.
Proposici on. La uni on de conjuntos verica las siguientes propiedades, para cua-
lesquiera conjuntos A, B y C:
(a) Conmutativa: A B = B A.
(b) Asociativa: (A B) C = A (B C).
(c) A = A.
(d) A B A B = B.
(e) Si A B, entonces A (B A) = B.
Demostraci on. Todas las pruebas son sencillas, y son un buen ejercicio para que
el alumno comience a tratar de plasmar demostraciones rigurosas. Como ilustraci on de
c omo se ataca una doble implicaci on, probaremos (d).
Comenzaremos suponiendo que A B. Entonces todos los elementos de A est an
en B, por tanto A B = B de manera inmediata. Recprocamente, supongamos que
A B = B. Entonces todo elemento que est e en A o en B est a forzosamente en B, con
lo que se tiene A B. Q.c.T.
Denici on. Dados dos conjuntos A y B se dene la intersecci on de A y B, notado
AB, como el conjunto formado por aqu ellos elementos que pertencen al mismo tiempo
a ambos conjuntos, A y B.
Se denen de forma equivalente la intersecci on de una cantidad nita de conjuntos
A
1
, ..., A
n
, y la intersecci on de una familia arbitrariamente grande de conjuntos A
i
iI
,
que denotaremos, respectivamente,
A
1
... A
n
=
n
i=1
A
i
, y

iI
A
i
.
Si A y B son dos conjuntos tales que A B = se dice que A y B son disjuntos.
Proposici on. La intersecci on de conjuntos verica las siguientes propiedades, para cua-
lesquiera conjuntos A, B y C:
(a) Conmutativa: A B = B A.
6

(b) Asociativa: (A B) C = A (B C).
(c) A = .
(d) A B A B = A.
(e) Si A B, entonces A (B A) = .
Demostraci on. Las demostraciones se dejan como ejercicios. Q.c.T.
Proposici on. Dados tres conjuntos A, B y C se verican las siguientes igualdades:
(a) Leyes distributivas:
A (B C) = (A B) (A C), A (B C) = (A B) (A C)
(b) Leyes de De Morgan (supongamos A, B C):
C (A B) = (C A) (C B), C (A B) = (C A) (C B)
Demostraci on. Probaremos una de las leyes distributivas y una de las leyes de De
Morgan; las restantes quedan como ejercicio por ser sim etricas a las probadas. Ambos
resultados se probar an por doble inclusi on.
Veamos, para empezar, que A (B C) (A B) (A C). Para ello tomemos
un elemento arbitrario x A (B C). Esto quiere decir que x est a en A y adem as en
B o en C. Esto implica que, bien est a en A B, bien est a en A C. En cualquier caso
x (A B) (A C).
Demostremos ahora que (A B) (A C) A (B C). Si consideramos un
elemento cualquiera y (A B) (A C), y ha de pertencer a A B o a A C. Por
tanto, bien est a en A y en B o en A y en C. En cualquier circunstancia ha de estar en A y
al menos en uno de los otros dos conjuntos B o C. De aqu y A y adem as y B C.
Pasemos a probar la segunda ley de De Morgan. Veamos primero C (A B)
(C A) (C B). Un elemento x de C (A B) ha de estar en C, pero no en A B,
por lo que no puede estar en al menos uno de los dos conjuntos A o B. As, x ha de
pertenecer, bien a C A, bien a C B. En cualquier caso x (C A) (C B).
Si tomamos ahora un elemento z (C A) (C B), observemos que z ha de estar,
bien en C A, bien en C B, por lo que debe estar en C y no estar en A o en B. As,
z C, pero nunca puede estar en A B, por lo que z C (A B). Q.c.T.
1.2. Producto cartesiano. Relaciones de equivalencia.
Denici on. Dados dos conjuntos A y B, se dene el producto cartesiano de A y B como
el conjunto de pares ordenados formados (por este orden) por un elemento de A y uno de
B y se denota
A B = (a, b) [ a A, b B.
7

Dado (a, b) AB, el elemento a A (respectivamente b B) se suele denominar
primera (segunda) componente del par.
Tambi en se puede denir el producto cartesiano de una cantidad nita de conjuntos
(para cantidades innitas hay dos posibles generalizaciones y no las veremos aqu) de la
forma natural
A
1
... A
n
=
n
i=1
A
i
= (a
1
, ..., a
n
) [ a
i
A
i
, para i = 1, ..., n .
Denici on. Una correspondencia G de A en B es un subconjunto del producto A B.
Equivalentemente se puede denir como una regla que asocia algunos elementos de A
con algunos elementos de B. Concretamente, G asocia a A con b B si (a, b) G.
Denici on. Sea A un conjunto. Una relaci on R denida en A es una correspondencia de
A en s mismo.
Si el par (x, y) A A est a en R, diremos que x est a Rrelacionado con y, o
relacionado con y por R. Esto se notar a frecuentemente xRy (n otese que el orden es
importante).
Denici on. Sea R una relaci on en A. Entonces diremos que R es:
(a) Reexiva cuando para todo x A se tiene que xRx.
(b) Sim etrica cuando xRy implica yRx.
(c) Antisim etrica cuando xRy e yRx implican x = y necesariamente.
(d) Transitiva cuando xRy e yRz implican xRz.
Las relaciones reexivas, sim etricas y transitivas se denominan relaciones de equiva-
lencia. Las relaciones reexivas, antisim etricas y transitivas se denominan relaciones de
orden, pero no las trataremos aqu.
Ejemplos. En el conjunto Z denimos la relaci on siguiente, notada S:
xSy x y es par,
Entonces S es una relaci on de equivalencia. De hecho, notemos que S es de equiva-
lencia si sustituimos la condici on x y es par por la condici on x y es m ultiplo de
p, para cualquier n umero p que jemos con antelaci on.
Denici on. Si R es una relaci on de equivalencia en A, denominamos clase de equiva-
lencia de un elemento x A al conjunto de todos los elementos de A relacionados con x,
esto es,
x = R(x) = y A [ xRy,
donde la primera notaci on se usa si R se sobreentiende, y la segunda si no es as.
Proposici on. Sea A un conjunto, R una relaci on de equivalencia en A. Entonces se
verican las siguientes propiedades:
(a) Todo elemento pertenece a una clase de equivalencia.
8

(b) Dos clases de equivalencia son disjuntas o iguales.
Esto es, la relaci on R divide completamente al conjunto A en subconjuntos disjuntos
(las clases de equivalencia).
Demostraci on. La armaci on (a) es trivial, ya que R es reexiva. Para probar (b)
supongamos que tenemos dos clases de equivalencia R(x) y R(y) de tal forma que existe
z R(x) R(y). Tenemos que demostrar entonces que R(x) = R(y), y lo haremos por
doble inclusi on. De hecho, s olo probaremos que R(x) R(y), porque la otra inclusi on
es absolutamente sim etrica.
Tomamos entonces a R(x). Como z R(x), tenemos que aRx y xRz, por lo que
aRz. De la misma forma, como z R(y), se verica que zRy. As tenemos aRy, luego
a R(y). Observemos que hemos usado tanto la propiedad sim etrica como la transitiva
para demostrar (b). Q.c.T.
Denici on. Dada una relaci on de equivalencia R denida sobre un conjunto A, el con-
junto cuyos elementos son las clases de equivalencia de A por R se denomina conjunto
cociente de A por R. La notaci on ususal es
A/R = R(x) [ x A.
Ejemplo. Volviendo al ejemplo anterior, tomamos un entero p, jado para lo que sigue,
y consideramos
xSy x y es m ultiplo de p.
Entonces se tiene que, para todo x Z
S(x) = y Z [ x e y dan el mismo resto al dividirlos entre p,
por lo que
Z/S = S(0), S(1), ..., S(p 1).
1.3. Aplicaciones.
Una aplicaci on f de A en B es una correspondencia donde todo elemento de A tiene
asociado un unico elemento de B. Esto es, en notaci on matem atica, una correspondencia
G es una aplicaci on si y s olo si se verica que
a A !b B tal que (a, b) G.
Notaci on. Es habitual denotar una aplicaci on entre conjuntos A y B de la forma f :
A B. En estas condiciones, dado a A el unico b vericando (a, b) f se denota
f(a) y se denomina imagen de a (por f).
De esta notaci on surge la terminologa, com unmente usada, de llamar a A conjunto
original, conjunto de partida o dominio y a B conjunto de llegada.
En seg un qu e contextos (por ejemplo, en An alisis Matem atico, o cuando el conjunto
de llegada es R
n
) es habitual llamar a las aplicaciones funciones, pero durante este curso
utilizaremos la denominaci on aplicaciones.
9

Denici on. Dada una aplicaci on f : X Y y subconjuntos A X y B Y ,
denimos:
(a) La imagen de A, notada f(A), como
f(A) = y Y [ x A con f(x) = y Y,
esto es, el conjunto de elementos del conjunto imagen que son imagen de un ele-
mento de A.
(b) La antiimagen (o contraimagen, o imagen recproca) de B, notada f
1
(B), como
f
1
(B) = x X [ f(x) B X,
esto es, el conjunto de elementos del conjunto original cuya imagen est a en B.
Proposici on. Sea f : X Y una aplicaci on, A
1
, A
2
X y B
1
, B
2
Y . Se verica:
(a) f(A
1
A
2
) = f(A
1
) f(A
2
), f(A
1
A
2
) f(A
1
) f(A
2
).
(b) f
1
(B
1
B
2
) = f
1
(B
1
) f
1
(B
2
), f
1
(B
1
B
2
) = f
1
(B
1
) f
1
(B
2
).
(c) f(f
1
(B
1
)) B
1
, A
1
f
1
(f(A
1
)).
Demostraci on. Vamos a probar, por ejemplo, la segunda armaci on de (a) y la
primera de (c). Las dem as son similares. Consideremos y f(A
1
A
2
). Entonces
existe x A
1
A
2
tal que y = f(x). Por tanto, y f(A
1
) e y f(A
2
), por lo que se
tiene el resultado.
Es importante entender que, para armar que la otra inclusi on no es cierta, basta con
dar un contraejemplo; esto es, un caso particular donde no sea cierto el enunciado. Para
ello consideremos f : N Ndenida por
f(x) =
_
x/2 + 1 si x es par
x + 2 si x es impar
Tomamos A
1
= 1, 3, 5, A
2
= 2, 4, 6. Claramente f(A
1
A
2
) = f() = , pero
f(A
1
) f(A
2
) = 3.
Probemos ahora que f(f
1
(B
1
)) B
1
. Si y f(f
1
(B
1
)), es porque existe x
f
1
(B
1
) tal que y = f(x). Pero, al ser x f
1
(B
1
), por denici on tenemos que y =
f(x) B
1
.
Para demostrar que la inclusi on contraria no es cierta en general podemos tomar la
misma aplicaci on que en el caso anterior y considerar B
1
= 1, 3, 5 nuevamente. En-
tonces f
1
(B
1
) = 1, 3, 4, 8 (por convenio, no incluimos el 0 en N). Pero f(f
1
(B
1
)) =
3, 5, por lo que hemos acabado. Q.c.T.
Denici on. Sea una aplicaci on f : X Y .
(a) f se dice inyectiva si dos elementos distintos de X siempre tienen im agenes distin-
tas. Dicho de otro modo, f es inyectiva si, de f(x) = f(x
), para x, x
X, se
deduce que x = x
.
10

(b) f se dice sobreyectiva (o sobre) si todo elemento de Y es imagen de alg un elemento
de X. O sea, f es sobre si f(X) = Y .
(c) f se dice biyectiva si es inyectiva y sobreyectiva.
Observaci on. As, podemos decir que:
(a) f es inyectiva si y s olo si para todo y Y f
1
(y) consta, a lo m as, de un
elemento.
(b) f es sobre si y s olo si para todo y Y f
1
(y) consta, a lo menos, de un elemento.
(c) f es biyectiva si y s olo si para todo y Y f
1
(y) consta, exactamente, de un
elemento.
De esta forma, si f es biyectiva, existe una aplicaci on, denominada aplicaci on inversa
y notada f
1
: Y X, denida por f
1
(y) = x si y s olo si f(x) = y.
Ejemplo. El hecho de que una aplicaci on concreta sea inyectiva, sobreyectiva o biyectiva
(o no lo sea) puede servirnos para poner de maniesto la importancia del siguiente hecho:
en la denici on de una aplicaci on no s olo es importante c omo se calcula la imagen de un
elemento gen erico del conjunto de partida, sino qui enes son el conjunto de partida y el
conjunto de llegada. Por ejemplo, consideremos la aplicaci on
f : X Y
x x
2
Entonces:
Si X = Y = [0, 1], f es biyectiva.
Si X = [0, 1], Y = [1, 1], f es inyectiva, pero no sobreyectiva.
Si X = [1, 1], Y = [0, 1], f es sobreyectiva, pero no inyectiva.
Si X = Y = R, f no es ni sobreyectiva ni inyectiva.
Las aplicaciones inyectivas, sobres o biyectivas verican algunas propiedades m as
concretas de las que enunciamos con anterioridad.
Denici on. Dadas dos aplicaciones f : X Y y g : Y Z se dene la com-
posici on de f y g, notada g f, de X en Z como
(g f)(x) = g(f(x)), para todo x X.
Obviamente g f es una aplicaci on.
Denici on. Dada una aplicaci on f : X Y y un subconjunto A X, se dene la
restricci on de f a A como la aplicaci on
f
|A
: A Y
x f
|A
(x) = f(x)
11

Esto es, f
|A
act ua exactamente como f, pero s olo sobre los elementos de A. Esto
pone de maniesto (o debera) lo importante que es, a la hora de denir una aplicaci on,
determinar los conjuntos de partida y llegada, no s olo c omo se calcula la imagen de un
elemento.
1.4. Grupos, anillos y cuerpos.
Denici on. Dado un conjunto G, una operaci on interna binaria, , en Ges una aplicaci on
: GG G
(a, b) (a, b)
Habitualmente se utiliza la notaci on (a, b) = a b. Una operaci on externa (binaria)
es exactamente lo mismo, salvo por el hecho de que el conjunto de partida es XG, para
un cierto conjunto X distinto de G.
Un grupo es un par (G, ), compuesto por un conjunto G y una operaci on interna en
G, que verica las siguientes propiedades:
(G.1) Asociativa: a (b c) = (a b) c, para cualesquiera a, b, c G.
(G.2) Elemento neutro: Existe un e G tal que a e = e a = a, para todo a G.
(G.3) Elemento opuesto: Dado a G existe b G tal que a b = b a = e, el elemento
neutro antes mencionado.
Si (G, ) posee adem as la propiedad conmutativa (esto es ab = ba para cualesquiera
a, b G), se dice que el grupo es abeliano o conmutativo.
Proposici on. Dado un grupo (G, ), el elemento neutro es unico. Adem as, jado a G,
el elemento opuesto de a tambi en es unico.
Demostraci on. Supongamos que e
es otro elemento neutro. Entonces

e = e e
= e
e = e
.
Sean ahora entonces b y c dos elementos opuestos de un a G arbitrario, pero jado
en lo que sigue. Entonces
e = a b = c = c e = c a b = e b = b.
Q.c.T.
Notaci on. Existen dos notaciones usuales para la operaci on en un grupo: la notaci on
aditiva y la notaci on multiplicativa, que heredan las notaciones para los grupos conocidos
(k, +) y (k 0, ), donde k puede ser Qo R.
Si escribimos un grupo en notaci on aditiva, (G, +), denotaremos 0 al elemento neutro
y a al opuesto de a. Por el contrario, si usamos la notaci on multiplicativa, (G, ) deno-
taremos por 1 al elemento neutro y por a
1
o por 1/a al opuesto de a (que se denominar a
12

entonces inverso de a). Muchas veces la operaci on se denota por simple yuxtaposici on,
esto es, ab en lugar de a b.
Observaci on. Dado un grupo (pongamos en notaci on multiplicativa) G y un elemento
g G se puede probar (ejercicio f acil de doble inclusi on) que el conjunto g G =
gx [ x G es de nuevo G.
Denici on. Un cuerpo k es un conjunto con dos operaciones binarias internas, denomi-
nadas usualmente suma o adici on (+) y producto o multiplicaci on (), de tal forma que
(C.1) (k, +) es un grupo abeliano.
(C.2) (k 0, ) es un grupo abeliano.
(C.3) Se da la propiedad distributiva de la suma respecto del producto:
a(b + c) = ab + ac, para cualesquiera a, b, c, k.
Ejemplos. Los ejemplos usuales de cuerpos son Q y R. Veremos un ejemplo m as
adelante de gran impotancia: los n umeros complejos.
En concreto el cuerpo Q podemos entenderlo como un buen ejemplo de relaci on de
equivalencia. El conjunto base es, en este caso
X = Z (Z 0) = (a, b) [ a, b Z, b ,= 0 ,
y la relaci on viene denida por
(a, b) (a
, b
) ab
= a
b.
En este contexto, la notaci on est andar para la clase de equivalencia del par (a, b) por
la relaci on es, obviamente, a/b.
Denici on. Un anillo es un conjunto A dotado con dos operaciones binarias internas,
usualmente denominadas suma o adici on (+) y producto o multiplicaci on (), de tal forma
que:
(A.1) (A, +) es un grupo abeliano.
(A.2) La operaci on () es asociativa, conmutativa y posee elemento neutro (notado 1)
1
.
(A.3) Se verica la propiedad distributiva de la suma respecto del producto:
a (b + c) = a b + a c, para cualesquiera a, b, c A.
Observaci on. En un anillo A, 0 a = 0 para todo a A, ya que
a + 0 a = a (1 + 0) = a 1 = a.
De similar forma se puede probar, por ejemplo, que (1) a = a para todo a A.
Ejemplo. El ejemplo fundamental de anillo son los enteros, Z, con la suma y el pro-
ducto usuales. Un ejemplo enormemente similar (luego veremos por qu e) es el de los
polinomios con coecientes en Qo en R.
1
No creemos necesario establecer la denici on m as general posible de anillo, que admite la posibilidad
de que el producto no sea abeliano ni posea elemento neutro.
13

1.5. Grupos cclicos. Permutaciones.
Ejemplo. Un primer ejemplo de grupo que puede resultar nuevo (aunque no tanto, como
veremos), es C
n
, el grupo cclico de n elementos generado por una variable a. Si usamos
la notaci on multiplicativa
C
n
=
_
a
0
= 1, a
1
= a, a
2
, ..., a
n1
_
,
y la operaci on entre dos elementos del grupo es
a
m
a
p
= a
r
,
donde r es el resto de dividir m+ p entre n (por tanto un n umero entre 0 y n 1).
En notaci on aditiva tendremos
C
n
= 0, a, 2a, ..., (n 1)a
con la operaci on ma + pa = ra, donde r es el resto de dividir m + p entre n de nuevo.
En cualquiera de ambas notaciones es obvio que C
n
es abeliano.
Entre las muchas encarnaciones de C
n
en la vida diaria, tal vez sea C
12
(o C
24
, tanto
da) en el sistema horario la m as evidente. Con algo m as de lenguaje, podemos considerar
otros ejemplos como C
7
en los das de la semana.
Ejemplo. Tomemos el conjunto A = 1, 2, ..., n y sea
S
n
= f : A A [ f biyectiva .
De la caracterizaci on estudiada en 1.3. para las aplicaciones biyectivas se sigue que
la composici on de dos aplicaciones biyectivas es de nuevo biyectiva. Por tanto en S
n
podemos denir una operaci on interna, que no es m as que la composici on de aplicaciones.
El par (S
n
, ) es entonces un grupo, como es sencillo de probar, con la aplicaci on,
denominada identidad,
Id : A A
i i
como elemento neutro y, dada f S
n
, con f
1
como elemento inverso.
Es posible entender cada aplicaci on de S
n
como una reordenaci on del conjunto
1, ..., n. Es por esto que (S
n
, ) se denomina el grupo de permutaciones de n ele-
mentos. Cuidado: S
n
no tiene n elementos, un c alculo combinatorio trivial nos dice que
S
n
es un grupo con n! elementos. De aqu es usual denotar los elementos de S
n
como una
tabla con dos las: en la primera aparecen los n umeros del 1 al n (para saber cu al es el
conjunto original) y en la segunda aparecen, bajo cada original, su imagen. Por ejemplo:
=
_
1 2 3 4 5
4 3 2 1 5
_
es la aplicaci on de 1, 2, 3, 4, 5 en s mismo que enva 1 en 4, 2 en 3, 3 en 2, 4 en 1 y 5
en s mismo.
14

Casi cualquier ejemplo no trivial sirve para ver que (S
n
, ) no es abeliano para n 3.
Una cierta forma de medir cu anto altera una permutaci on S
n
el orden natural en
1, 2, ..., n es ver el n umero de inversiones que efect ua: para cada i 1, 2, ..., n se
cuenta una inversi on por cada j > i tal que (i) > (j). En nuestro ejemplo anterior
tenemos que contar:
Tres inversiones porque (1) > (2), (3), (4).
Dos inversiones porque (2) > (3), (4).
Una inversi on porque (3) > (4).
Luego el n umero de inversiones de es 6. Este concepto ser a util con posterioridad,
para la denici on de determinante.
1.6. Los n umeros complejos.
El cuerpo de los n umeros complejos se puede denir como sigue: sea C el conjunto
C = a + b [ a, b R,
donde es, por ahora una variable, esto es, un smbolo carente de signicado propio,
denominado unidad imaginaria.
Dado un complejo z = a + b, el n umero real a se denomina parte real de z, notado
R(z), mientras que b se denomina parte imaginaria de z, notado I(z).
Dotamos a C de una estructura de cuerpo con las siguientes operaciones:
(a + b) + (c + d) = (a + c) + (b + d),
(a + b)(c + d) = (ac bd) + (ad + bc),
regla esta ultima que puede ser f acilmente recordada si decimos que representa
1.
Comprobar que C con estas dos operaciones es un cuerpo es algo tedioso. Simple-
mente notaremos que el elemento neutro de la suma es 0 = 0+0 y el neutro del producto
es 1 = 1 +0. As mismo, dado a +b el inverso aditivo es a +(b) y, si es distinto de
0, el inverso multiplicativo es precisamente a/(a
2
+ b
2
) (b/(a
2
+ b
2
)).
Observaci on. Algunas propiedades interesantes de los n umero complejos son las si-
guientes:
(a) Si consideramos los n umeros complejos de la forma a + 0 veremos que podemos
suponer R C, identicando a Rcon a + 0 C.
(b) Dado un complejo z = a+b, el complejo z = ab se denomina su conjugado. La
operaci on de conjugaci on, a pesar de su inofensivo aspecto, tiene una importancia
enorme, incluso en el estudio de objetos reales. Un par de propiedades inmediatas,
a partir de la denici on, son las siguientes:
z
1
+ z
2
= z
1
+ z
2
, z
1
z
2
= z
1
z
2
,
15

de donde a su vez se deducen
z = z, 1/z = 1/z.
(c) El producto zz = a
2
+b
2
es un real positivo, y su raz cuadrada se llama el m odulo
de z, denotado [z[. De hecho, la expresi on del inverso multiplicativo de z resulta
m as sencilla usando z:
1
z
=
z
z

1
z
=
z
[z[
2
.
(c) Todo n umero complejo z se puede escribir de forma
z = [z[(a + b),
donde a
2
+b
2
= 1 y, en consecuencia, existe un unico angulo [0, 2), llamado
argumento de z, tal que z = [z[(cos() + sen()).
De esta ultima escritura y de las f ormulas trigonom etricas podemos deducir f acilmente
que, dados z
1
, z
2
C, si escribimos
z
i
= [z
i
[ (cos(
i
) + sen
i
) , i = 1, 2;
entonces
z
1
z
2
= [z
1
[ [z
2
[(cos(
1
+
2
) + sen(
1
+
2
)).
Esto es, multiplicar n umeros complejos equivale a multiplicar m odulos y sumar argu-
mentos. En particular esto prueba, por inducci on, que
z = [z[(cos() + sen()) = z
n
= [z[
n
(cos(n) + sen(n)), n N.
De esta forma demostramos que todo n umero complejo z tiene exactamente n races
n esimas. En efecto, si z tiene m odulo [z[ y argumento , entonces sus races n esimas
son las que tienen m odulo
n
_
[z[ (que es unico si imponemos que sea un real positivo) y
argumento tal que n = . Hay exactamente n de estos angulos (distintos):

_
+ 2k
n
[ k = 0, ..., n 1
_
En realidad lo que se puede decir es mucho m as, pero no lo demostraremos.
Teorema fundamental del algebra. Toda ecuaci on de grado n en C[X] tiene, al menos,
una soluci on en C.
Corolario. Toda ecuaci on de grado n en C[X] tiene, exactamente, n soluciones (even-
tualmente repetidas) en C.
16

1.7. Polinomios.
Recordemos que un polinomio en la variable X con coecientes en un cuerpo k es una
expresi on del tipo
p(X) = a
0
+ a
1
X +... + a
r
X
r
,
donde los a
i
est an en k. Cuando a
r
,= 0, decimos que el grado de p(X) es r (por ahora
supondremos que 0 no tiene grado alguno), notado gr(p(X)). La suma se hace sumando
los coecientes que acompa nan a iguales potencias de X y el producto de dos polinomios
se lleva a cabo multiplicando todos los sumandos del primero por todos los del segundo
con la regla
aX
r
bX
t
= (ab)X
r+t
y sumando todos los resultados. Dado que el producto de dos elementos de k distintos de
0 es siempre distinto de 0 (porque (k 0, ) es un grupo), tenemos que
gr(p(X)q(X)) = gr(p(X)) + gr(q(X)).
El anillo de los polinomios con coecientes en k se denota k[X].
Un parecido curioso entre k[X] y Z es la existencia de una divisi on. En efecto, dados
dos enteros a y b, existen unicos q y r (denominados cociente y resto, respectivamente)
vericando
a = qb + r, r = 0 o 1 r b 1.
De la misma forma, dados dos polinomios en k[X], a(X) y b(X), existen polinomios
unicos q(X) y r(X) (tambi en denominados cociente y resto) en k[X] vericando
a(X) = q(X)b(X) +r(X), r = 0 o 0 gr(r(X)) gr(b(X)) 1.
Observaci on. No todos los anillos poseen una divisi on similar. Un primer ejemplo es el
de los polinomios con coecientes enteros, l ogicamente notado Z[X]. Observemos que la
suma y el producto de polinomios con coecientes enteros resulta de nuevo un polinomio
con coecientes enteros y todas las propiedades son triviales de vericar; por tanto Z[X]
es un anillo. Adem as, sigue siendo cierta la propiedad de que el grado de un producto es
la suma de los grados de los factores.
Sin embargo, dados a(X) y b(X) no siempre es posible hallar q(X) y r(X) en
Z[X] vericando las propiedades anteriormente mencionadas. Por ejemplo, considere-
mos a(X) = X
2
+ X + 1 y b(X) = 2X + 1. Si existieran q(X) y r(X) vericando las
propiedades requeridas, tendra que darse:
gr(q(X)) = 1, r(X) = 0 o gr(r(X)) = 0,
esto es, q(X) = X + , r(X) = , con , , Z. Pero adem as debe cumplirse
2 = 1, lo cual es imposible.
Un caso similar es el de los polinomios en m as de una variable. Consideremos el
conjunto k[X, Y ], formado por sumas nitas de t erminos de la forma
aX
i
Y
j
, a k, i, j N 0,
17

denominados monomios.
En k[X, Y ] podemos denir, de manera an aloga al caso k[X], una suma (sumando
coecientes que acompa nen a los mismos X
i
Y
j
) y un producto que lo dotan de estructura
de anillo. Una vez m as, tampoco es posible denir una divisi on an aloga a la que se da en
k[X]. Veamos ahora, para el caso de polinomios en una variable, otro concepto central:
el de raz.
Denici on. Si P(X) es un polinomio, las soluciones de la ecuaci on P(X) = 0 se de-
nominan races de P(X).
Dado dos polinomios P(X), Q(X) k[X], diremos que Q(X) divide a P(X) si el
resto de la divisi on de P(X) entre Q(X) es 0.
Sea P(X) k[X], k. Se denomina multiplicidad de en P(X) al unico entero
Nque verica que (X )
divide a P(X), pero (X )

+1
no divide a P(X) (la
unicidad es inmediata de las propiedades de la divisi on).
La relaci on entre multiplicidad y races la da el siguiente resultado.
Lema. El escalar es raz de P(X) = 0 si y s olo si X divide a P(X).
Demostraci on. La implicaci on inversa es muy simple, as que s olo haremos la di-
recta. Supongamos que es raz de P(X) y dividamos P(X) entre X para obtener
P(X) = q(X)(X ) +r(X), con r = 0, o gr(r) < gr(X ) = 1.
Entonces r = k y, al hacer X = obtenemos
0 = P() = q()( ) + = .
Proposici on. Si P(X) es un polinomio de grado m, con races (distintas)
1
, ...,
r
de
multiplicidades
1
, ...,
r
, entonces
i
m.
Demostraci on. Resulta un poco articial, por no recurrir a la conocida (y segura-
mente aceptada por el alumno sin mayor discusi on) factorizaci on unica de los anillos
de polinomios. Tal vez el docente opte por dar por supuesto este hecho y simplicar la
prueba; en caso contrario aqu tiene una alternativa interesante desde el punto de vista
formativo: lo haremos por inducci on en el n umero de races de P(X).
El caso de una raz es sencillo, ya que si P(X) tiene una sola raz
1
de multiplicidad
1
, es
P(X) = (X
1
)
1
Q(X),
y gr(P) =
1
+ gr(Q), lo que prueba el resultado.
Escribimos, en el caso general,
P(X) = (X
1
)
1
Q(X), P(X) = (X
i
)
i
R
i
(X), i = 2, ..., r
y veamos que
i
es raz de Q(X) con multiplicidad, al menos,
i
.
Comenzamos sustituyendo X =
i
y vemos que
0 = P(
i
) = Q(
i
)(
i
1
)
1
,
18

de donde
i
es raz de Q(X) y entonces
Q(X) = (X
i
)Q
(i)
1
(X) = (X
i
)
i
1
R
i
(X) = (X
1
)
1
Q
(i)
1
(X).
Si hacemos de nuevo X =
i
, comprobamos que Q
(i)
1
(
i
) = 0, y as
Q
(i)
1
(X) = (X
i
)Q
(i)
2
(X) = Q(X) = (X
i
)
2
Q
(i)
2
(X),
y podemos seguir el proceso en
i
ocasiones. Al nal obtenemos una expresi on de la
forma
Q(X) = Q
(i)
i
(X)(X
i
)
i
,
por lo que
i
es raz de Q con multiplicidad, al menos,
i
.
Obviamente Q(X) no tiene m as races que
2
, ...,
r
, porque
1
no lo es (dado que su
multiplicidad en P(X) es
1
) y P(X) no tiene otras races. As podemos aplicar a Q(X)
la hip otesis de inducci on, para deducir gr(Q)
2
+... +
r
. Como gr(P) =
1
+gr(Q),
el resultado est a probado. Q.c.T.
Corolario. Un polinomio de grado n en k[X] tiene, a lo m as, n races (eventualmente
repetidas) en k.
Observaci on. Para nalizar esta lecci on, destacamos los resultados m as utiles a la hora
de calcular races de polinomios, que el docente puede entrar a demostrar o no, seg un su
criterio. Los casos que tendr an m as trascendencia en el futuro ser an, obviamente k =
R, C y por ello se debera dedicar alg un tiempo a estos, al menos.
En cualquier caso, lo m as importante es que el alumno entienda que cu al es el cuerpo
base es esencial para el c alculo de las races de un polinomio, como se puede ver, por
ejemplo con P(X) = X
5
2X que tiene una raz racional, tres races reales y cinco
complejas.
Caso k = C. Dado un polinomio P(X) C[X] de grado m, el teorema fundamental
del algebra, aplicado m veces nos indica que P(X) tiene exactamente m races, si conta-
mos cada una tantas veces como indica su multiplicidad (esto se expresa abreviadamente
diciendo m races contadas con multiplicidad).
Adem as, si P(X) R[X] y z C es una raz, es inmediato que z tambi en: para ver
esto s olo hay que jarse en que, dados z
1
, z
2
C y R,
z
1
z
2
= z
1
z
2
, z
1
+ z
2
= z
1
+ z
2
, z
1
= z
1
,
de donde P(z) = P(z) = 0. Usando esto, es simple ver, tras dividir por (X z)(X z),
que z y z han de tener la misma multiplicidad.
Caso k = R. Si k = R, todo polinomio se puede escribir como producto de polinomios
de grado 1 (de la forma X ) por polinomios de grado 2 con sus dos soluciones com-
plejas (y conjugadas, como hemos visto).
Esto es as porque un polinomio de grado m tiene m races complejas. Si una de esas
races es real, pongamos , dan un factor en R[X] de grado 1, (X ). Si es compleja,
= a + b, entonces a b tambi en es raz y, en la descomposici on en C[X] aparecen
los factores (X ) y (X ), que al multiplicarse dan el polinomio de segundo grado
(X
2
2aX + a
2
+b
2
) R[X].
19

Caso k = Q. Si k = Q, todas las races racionales de P(X) han de ser n umeros p/q
donde p divida al t ermino independiente y q al coeciente de X
m
o coeciente lder
(Regla de Rufni).
En efecto, pongamos
P(X) = a
m
X
m
+a
m1
X
m1
+ ... + a
1
X + a
0
, con a
i
Z,
y = p/q Q una raz escrita en forma irreducible. Entonces sustituyendo X = y
multiplicando por q
m
tenemos
a
m
p
m
+ a
m1
p
m1
q + ... +a
1
pq
m1
+ a
0
q
m
= 0,
de donde a
0
q
m
es m ultiplo de p y a
m
p
m
es m ultiplo de q. Como p y q no tienen factores
comunes a
m
y a
0
tienen que ser, repectivamente, m ultiplos de q y p.
20

21

Tema 2: Matrices. Sistemas de
ecuaciones lineales.
2.1. Deniciones. Matrices especiales.
Sea k un cuerpo cualquiera (puede ser C, Ro Q)
2
.
Denici on. Una matriz mn denida sobre el cuerpo k, donde m, n N, es una tabla
de mn elementos de k dispuestos en m las y n columnas. A la expresi on (sin operar)
mn se la denomina orden de la matriz.
Una tal matriz A se denotar a de alguna de las siguientes maneras:
A =
_
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
_
_
_
_
_
_
= (a
ij
)
1im, 1jn
= (a
ij
) ,
us andose esta ultima notaci on s olo cuando m y n se conozcan sin ambig uedad. As pues,
un elemento gen erico de la matriz A se denotar a por a
ij
, queriendo esto decir que este
elemento ocupa la posici on (i, j): la i, columna j.
El conjunto de todas las matrices de orden m n denidas sobre k se denota por
/
mn
(k) o bien por /(mn; k).
Denici on. Dadas dos matrices A y B, denidas sobre k, se dir a que A = B cuando
ambas tengan el mismo orden, pongamos mn, y adem as,
a
ij
= b
ij
, para cualesquiera 1 i m, 1 j n.
Denici on. Sea A /(mn; k) una matriz.
(a) La diagonal de A son los elementos de la forma a
ii
, para 1 i minm, n.
(b) A se dice cuadrada cuando m = n. El conjunto de las matrices cuadradas de orden
n n, denidas sobre k, se denota habitualmente por /(n; k).
(c) Una matriz cuadrada se dice diagonal si a
ij
= 0 cuando i ,= j, esto es, todos los
elementos distintos de 0 (si es que hay) se encuentran en la diagonal.
2
La teora de matrices denidas sobre anillos, si bien es muy interesante y posee grandes campos de
aplicaci on, queda fuera de los objetivos de los primeros cursos y, en consecuencia, no la trataremos aqu.

(d) Una matriz se dice triangular superior (respectivamente inferior) cuando a
ij
= 0
cuando i > j (respectivamente i < j), esto es, cuando todos los elementos situados
por debajo de la diagonal principal son nulos.
Ejemplo. De todas las matrices diagonales de orden n, la m as importante es sin duda
la denominada matriz identidad, usualmente denotada I
n
y denida como la matriz dia-
gonal donde todos los elementos de la diagonal son 1 (equivalentemente, como la matriz
I
n
= (e
ij
) denida por e
ij
=
ij
, la delta de Kronecker (o de Dirac), que vale 1 cuando
coinciden sus subndices y 0 en otro caso).
La matriz cuadrada de orden n que tiene 0 en todos sus elementos se denomina matriz
nula y se denotar a por 0
n
. As mismo, notaremos 0
mn
a la matriz m n con todos sus
elementos nulos.
Denici on. Dada una matriz A /(m n; k), se dene la matriz traspuesta de A,
notada A
t
, como la matriz de /(n m; k) cuyo elemento (i, j) es el elemento (j, i) de
A. Esto es, A
t
es el resultado de cambiar, en A, las por columnas y columnas por las,
respetando el orden. De esto, es obvio que (A
t
)
t
= A.
As mismo, cuando k = C, denotaremos por A, denominada matriz conjugada de
A, la matriz de /(m n; C) cuyo elemento (i, j) es el conjugado de a
ij
. La matriz
traspuesta conjugada de A se denota A
= (A)
t
= A
t
/(n m; C).
Una matriz A se dice sim etrica cuando A = A
t
, esto es cuando a
ij
= a
ji
para cua-
lesquiera i, j. Por otro lado, A se dice antisim etrica cuando a
ij
= a
ji
para todo (i, j)
(en particular, a
ii
= 0 para todo i).
Una matriz (denida sobre C) se dice hermtica o hermitiana cuando A = A
.
Observaci on. Como es obvio, si A /(n; C) verica que A = A, entonces A
/(n; R). De la misma forma, las matrices que son a la vez sim etricas y hermitianas han
de ser reales.
Observaci on. Obviamente una matriz sim etrica, antisim etrica o hermitiana ha de ser
cuadrada. An alogamente, una matriz antisim etrica y diagonal ha de ser forzosamente 0
n
.
Para nalizar, deniremos algunos conceptos que tambi en aparecen en algebra matri-
cial y que ser an utiles en adelante.
Denici on. Sea A /(mn; k).
(a) Cuando m = 1 (respectivamente n = 1) A se dir a una matrizla (matriz
columna).
(b) Una submatriz de A es una matriz formada por la intersecci on de un subconjunto
de las y un subconjunto de columnas de A, respetando el orden.
(c) Cuando una submatriz est e formada por las consecutivas y columnas consecutivas,
se denominar a un bloque de A.
Observaci on. Los bloques de A correspondientes a las las y columnas de A (m as pre-
cisamente las submatricesla y submatricescolumna de A) ser an usados con frecuencia.
23

As, cuando escribamos, por ejemplo
A = ( C(A)
1
[ C(A)
2
[ ... [ C(A)
n
),
estaremos indicando que C(A)
i
es la submatrizcolumna de A formada por todas las las
y la columna i esima de A. La notaci on correspondiente por las ser a
A =
_
_
_
_
_
_
F(A)
1
F(A)
2
.
.
.
F(A)
m
_
_
_
_
_
_
.
2.2. Operaciones: Suma, producto, producto por es-
calares.
Denici on. Dadas dos matrices A, B /(mn; k) denimos la matriz suma de A y
B como C = (c
ij
) = A + B /(mn; k) dada por
c
ij
= a
ij
+b
ij
.
Proposici on. La suma de matrices dota a /(mn; k) de estructura de grupo abeliano.
Demostraci on. Las cuatro propiedades son elementales de probar: el elemento neu-
tro es 0
mn
y el opuesto de A, notada A, es aqu ella en la que el elemento (i, j) es
precisamente a
ij
. Q.c.T.
Denici on. Dada una matriz A /(m n; k) y un elemento k se dene el
producto de por A como B = (b
ij
) = A /(mn; k) dada por
b
ij
= a
ij
.
Los elementos de un cuerpo k, cuando operan con elementos de otro conjunto, se
denominan a menudo escalares. Por ello el anterior producto se suele denominar producto
por escalares, para diferenciarlo del producto de matrices que despu es veremos.
Proposici on. El producto por escalares verica las siguientes propiedades, dadas A, B
/(mn; k) y , k:
(a) ( + )A = A + A (distributividad del producto respecto de la suma de es-
calares).
(b) (A + B) = A + B (distributividad del producto respecto de la suma de matri-
ces).
(c) ()A = (A).
(d) 1A = A y 0A = 0
mn
.
24

Denimos ahora el producto de matrices, que es, con diferencia, la operaci on m as
complicada, tanto por sus propiedades como por la denici on en s. Incorporaremos
tambi en la notaci on de sumatorios, que ya debe resultar familiar.
Denici on. Dadas dos matrices A /(m n; k) y B /(n p; k) se dene el
producto de A por B como C = (c
ij
) = AB dada por
c
ij
= a
i1
b
1j
+ a
i2
b
2j
+ ... + a
in
b
nj
=
n
l=1
a
il
b
lj
.
Notemos que, si escribimos A en submatricesla y B en submatricescolumna,
A =
_
_
_
_
_
_
F(A)
1
F(A)
2
.
.
.
F(A)
m
_
_
_
_
_
_
, B = ( C(B)
1
[ C(B)
2
[ ... [ C(B)
p
),
entonces el elemento (i, j) de AB es precisamente F(A)
i
C(B)
j
.
Proposici on. Se verican las siguientes propiedades:
(a) Dadas A /(m n; k), B /(n p; k) y C /(p q; k), se tiene que
A(BC) = (AB)C.
(b) Dadas A /(mn; k), B, C /(n p; k) y D /(p q; k), se tiene que
A(B +C) = AB + AC, (B + C)D = BD + CD.
(c) Dada A /(mn; k), AI
n
= I
m
A = A.
(d) Dadas A /(m n; k), B /(n p; k) y k, se tiene que (A)B =
(AB) = A(B).
Demostraci on. Casi todas las propiedades son similares y no demasiado complejas,
salvo por el hecho de que la notaci on puede ser enrevesada. De esta forma, haremos la
prueba de (a) y dejaremos las dem as (sobre todo (b) y (d)) como un interesante ejercicio.
Denominemos
D = A(BC), E = (AB)C,
ambas de orden mq.
El elemento d
ij
viene dado por
d
ij
=
n
h=1
a
ih
[ elemento (h, j) de BC ] =
n
h=1
a
ih
_
p
l=1
b
hl
c
lj
_
=
n; p
h=1; l=1
a
ih
b
hl
c
lj
,
mientras que el elemento e
ij
viene dado por
e
ij
=
p
l=1
[ elemento (i, l) de AB] c
lj
=
p
l=1
_
n
h=1
a
ih
b
hl
_
c
lj
=
p; n
l=1; h=1
a
ih
b
hl
c
lj
,
con lo que probamos el resultado. Q.c.T.
25

Observaci on. El producto de matrices no es conmutativo: de hecho, es posible que ni
tan siquiera se puedan considerar los dos productos posibles. En concreto, AB y BA
s olo tiene sentido si A /(m n; k) y B /(n m; k), pero no tiene por qu e ser
AB = BA, como se puede comprobar con casi cualquier ejemplo.
En particular, si A, B /(n; k), en cuyo caso tienen sentido AB y BA, tampoco se
verica AB = BA, en general.
Observaci on. De la denici on de producto se sigue f acilmente que el producto y la
suma de matrices diagonales (respectivamente triangulares superiores/inferiores) es de
nuevo diagonal (triangular superior/inferior).
Proposici on. Dadas matrices A y B, y un escalar k, se verica:
(a) Si A, B /(mn; k), (A + B)
t
= A
t
+ B
t
.
(b) Si A /(mn; k) y B /(n p; k), (AB)
t
= B
t
A
t
.
(c) (A)
t
= A
t
.
Demostraci on. S olo apuntaremos la prueba de (b), que es la m as difcil: denotamos
C = (AB)
t
y D = B
t
A
t
. Entonces el elemento c
ij
es el elemento (j, i) de AB, esto es,
el producto de F(A)
j
por C(B)
i
. Por otro lado, d
ij
es el producto F(B
t
)
i
C(A
t
)
j
, esto es,
n
l=1
b
li
a
jl
= F(A)
j
C(B)
i
,
lo que prueba el resultado. Q.c.T.
Corolario. Dadas matrices complejas A y B, y un escalar C, se verica:
(a) Si A, B /(mn; k), A + B = A + B y (A +B)
= A
+ B
.
(b) Si A /(mn; k) y B /(n p; k), AB = A B y (AB)
= B
.
(c) A = A y (A)
= A
.
2.3. Determinantes (I).
El concepto de determinante es uno de los m as complejos del algebra matricial: optamos
aqu por la denici on m as tradicional basada en el desarrollo indicado por permutaciones,
que ya se han introducido.
Denici on. Sea A /(n; k). Denominamos determinante de A, notado [A[ o det(A)
al escalar dado por la f ormula
[A[ =
S
n
(1)
nt()
a
1(1)
a
2(2)
...a
n(n)
,
donde nt() indica el n umero de inversiones de la permutaci on .
26

Observaci on. Como el sumatorio est a indicado por los elementos de S
n
, habr a n!
sumandos en el desarrollo completo de [A[.
Cada uno de estos sumandos, salvo signo, es el producto de n elementos de la matriz,
tomados de forma que no hay dos en la misma la, ni dos en la misma columna.
Ejemplo. Consideremos una matriz gen erica A /(2; k),
A =
_
a
11
a
12
a
21
a
22
_
.
En S
2
tenemos dos permutaciones posibles que llamaremos y , concretamente
=
_
1 2
1 2
_
, =
_
1 2
2 1
_
,
y que verican nt() = 0, nt() = 1. As pues, el desarrollo de [A[ queda
[A[ = (1)
0
a
11
a
22
+ (1)
1
a
12
a
21
= a
11
a
22
a
12
a
21
.
Ejemplo. Veamos ahora el caso de matrices 3 3; tomamos
A =
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_.
En S
3
hay seis permutaciones, en concreto
1
=
_
1 2 3
1 2 3
_
,
2
=
_
1 2 3
2 3 1
_
,
3
=
_
1 2 3
3 1 2
_
,
1
=
_
1 2 3
3 2 1
_
,
2
=
_
1 2 3
2 1 3
_
,
3
=
_
1 2 3
1 3 2
_
,
donde las
i
tienen nt(
i
) par y las
i
tiene nt(
i
) impar.
El desarrollo es entonces el siguiente:
[A[ = a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
a
13
a
22
a
21
a
12
a
21
a
33
a
11
a
23
a
32
,
que coincide con la f ormula conocida de los determinantes 3 3.
De las muchas propiedades de los determinantes, vamos a estudiar solamente algunas
en esta lecci on, las que lo caracterizan en cierto modo.
Proposici on. Sea A /(n; k). Entonces [A[ = [A
t
[.
Demostraci on. Escribimos, como es costumbre A = (a
ij
) y un sumando, de los n!
de que consta el desarrollo del determinante de A es
M
= (1)
nt()
a
1r
1
a
2r
2
...a
nr
n
,
donde viene dada por
=
_
1 2 ... n
r
1
r
2
... r
n
_
.
27

Como es una permutaci on de 1, 2, ..., n, podemos reordenar los factores de M
usando el segundo subndice de cada factor,

M
= (1)
nt()
a
k
1
1
a
k
2
2
...a
k
n
n
.
Donde k
i
es precisamente el elemento de 1, 2, ..., n que verica (k
i
) = i. Esto es,
la permutaci on
_
1 2 ... n
k
1
k
2
... k
n
_
es, precisamente,
1
que tambi en es un elemento de S
n
.
En el desarrollo del determinante de A
t
= (b
ij
) nos encontramos con el sumando
correspondiente a la permutaci on
1
, que es
N
1 = (1)
nt(
1
)
b
1k
1
b
2k
2
...b
nk
n
= (1)
nt(
1
)
a
k
1
1
a
k
2
2
...a
k
n
n
,
con lo que cada sumando M
de [A[ es, salvo signo, igual que un sumando N
1 de [A
t
[.
Por tanto para probar el resultado s olo resta demostrar que
(1)
nt()
= (1)
nt(
1
)
.
Antes de entrar a probar el resultado, tomemos un ejemplo de S
6
=
_
1 2 3 4 5 6
4 3 2 6 1 5
_
,
cuyo n umero de inversiones es nt() = 8. El inverso de viene dado por
1
=
_
1 2 3 4 5 6
5 3 2 1 6 4
_
,
que verica nt(
1
) = 8. Esto no es, como veremos, casual y, de hecho, este ejemplo
est a previsto para que podamos seguir sobre el (u otro similar) el razonamiento.
En efecto, cada inversi on de corresponde a un par (i, j) de 1, ..., n 1, ..., n
tal que i < j y (i) = r
i
> (j) = r
j
. Pero esto tambi en corresponde a un par
(r
j
, r
i
) 1, ..., n 1, ..., n tal que r
j
< r
i
y
1
(r
j
) = j >
1
(r
i
) = i. Por tanto,
cada inversi on de lleva aparejada una inversi on de
1
, con lo que nt() nt(
1
).
Como esto es cierto para cualquier , aplicando el mismo resultado a
1
se tiene lo que
queremos. Q.c.T.
Corolario. Si A /(n; C), entonces [A
[ = [A[ = [A[.
Demostraci on. Basta tener en cuenta que la denici on de determinante como suma
de productos de elementos de A, y las propiedades elementales de la conjugaci on de
n umeros complejos. Q.c.T.
Observaci on. A partir de este enunciado, todos los resultados relativos a evaluaci on
de determinantes (esto es del tipo, el determinante no vara, el determinante vale
0,...) y relativos a propiedades u operaciones por columnas son igualmente v alidos para
propiedades u operaciones por las, y viceversa.
28

Vamos a estudiar ahora otras de las propiedades m as sobresalientes de los determi-
nantes; dando, en casi todos los casos, las demostraciones precisas. A un as, es obvio el
hecho de que el alumno debe limitarse a entender bien (que no es poco) las pruebas y a
aplicar los enunciados a la evaluaci on de determinantes de diversa complejidad.
Denici on. Dada una matrizla (respectivamente columna) A, pongamos
A = (a
1
a
2
... a
n
) ,
diremos que es combinaci on lineal de las matricesla (columna) B y C, dadas por
B = (b
1
b
2
... b
n
) , C = (c
1
c
2
... c
n
) ,
cuando existan , k tales que A = B + C, esto es,
a
i
= b
i
+ c
i
, para todo i = 1, ..., n.
An alogamente diremos que A es combinaci on lineal de matricesla B
1
, ..., B
r
cuando existan escalares
1
, ...,
r
k tales que
A =
1
B
1
+... +
r
B
r
.
Proposici on. Sea A /(n; k) vericando que F(A)
i
es combinaci on lineal de matri-
ces la B
1
, ..., B
r
;
F(A)
i
=
1
B
1
+ ... +
r
B
r
.
En estas condiciones el determinante de A es
[A[ =
1
[A
1
[ + ... +
r
[A
r
[,
donde cada A
j
es la matriz resultante de cambiar, en A la la F(A)
i
por la matrizla B
j
.
Demostraci on. S olo haremos la demostraci on para r = 2, porque el caso general se
obtiene aplicando reiteradamente este caso. Este razonamiento se usar a varias veces en el
futuro y tal vez merezca la pena detenerse un instante en el. En efecto, supongamos que
s olo hemos probado el caso r = 2. Entonces
[A[ =
F(A)
1
.
.
.
F(A)
i
.
.
.
F(A)
n
F(A)
1
.
.
.
1
B
1
+
2
B
2
+ ... +
r
B
r
.
.
.
F(A)
n
,
y, aplicando el caso de dos sumandos,
[A[ =
1
F(A)
1
.
.
.
B
1
.
.
.
F(A)
n
F(A)
1
.
.
.
2
B
2
+ ... +
r
B
r
.
.
.
F(A)
n
.
29

Aplicando de nuevo el caso probado al ultimo determinante,
[A[ =
1
F(A)
1
.
.
.
B
1
.
.
.
F(A)
n
+
2
F(A)
1
.
.
.
B
2
.
.
.
F(A)
n
F(A)
1
.
.
.
3
B
3
+ ... +
r
B
r
.
.
.
F(A)
n
,
y, en r aplicaciones sucesivas,
[A[ =
1
[A
1
[ + ... +
r
[A
r
[.
Probemos entonces el caso r = 2. Para ello simplicaremos la notaci on y supon-
dremos
F(A)
i
= B + C,
con
B = ( b
i1
... b
in
) , C = ( c
i1
... c
in
) ,
donde usamos una notaci on algo extra na, para facilitar la situaci on de B y C como las
i esimas de A
1
y A
2
.
Desarrollamos el determinante de A, usando la notaci on habitual,
[A[ =
S
n
(1)
nt()
a
1r
1
...a
ir
i
...a
nr
n
=
S
n
(1)
nt()
a
1r
1
... (b
ir
i
+c
ir
i
) ...a
nr
n
=
S
n
(1)
nt()
a
1r
1
... (b
ir
i
) ...a
nr
n
+
S
n
(1)
nt()
a
1r
1
... (c
ir
i
) ...a
nr
n
= [A
1
[ + [A
2
[,
donde A
1
(resp. A
2
) es la matriz resultante de A al cambiar F(A)
i
por B (resp. C).
Q.c.T.
Corolario. Si multiplicamos todos los elementos de una la de Apor un elemento k,
el determinante de la matriz resultante es [A[.
Demostraci on. Es el resultado anterior para r = 1 (la demostraci on se adapta tri-
vialmente). Q.c.T.
Proposici on. Sea A /(n; k), y denominemos B la matriz resultante de intercambiar
dos las de A. Entonces [B[ = [A[.
Demostraci on. Supongamos que las las que se permutan son F(A)
i
y F(A)
j
(con
i < j) y denotemos, como es usual, A = (a
ij
), B = (b
ij
). Entonces:
[B[ =
S
n
(1)
nt()
b
1r
1
...b
ir
i
...b
jr
j
...b
nr
n
=
S
n
(1)
nt()
a
1r
1
...a
jr
i
...a
ir
j
...a
nr
n
=
S
n
(1)
nt()
a
1r
1
...a
ir
j
...a
jr
i
...a
nr
n
30

Fij emonos ahora en la permutaci on indicada en los subndices de los sumandos: no es
, sino otra permutaci on, llam emosla , que concide con en todo, salvo porque
(i) = (j) = r
j
, (j) = (i) = r
i
.
Tratemos de relacionar las inversiones de con las de . Obviamente, para 1, ..., i
1, j + 1, ..., n las inversiones que tienen lugar por ambas permutaciones son exactamente
las mismas. Si tomamos i < k < j, entonces las inversiones que contamos en k por y
son distintas en dos casos:
(a) Si r
i
< r
k
< r
j
, en aparece una inversi on (porque (k) = r
k
> (j) = r
i
) que
no apareca en . Pero, de hecho, tambi en aparece otra ((i) = r
j
> (k) = r
k
).
(b) Si r
j
< r
k
< r
i
, se da el caso sim etrico.
As las cosas, la diferencia entre las inversiones que contemos en y las de van
siempre de dos en dos, a excepci on de un solo caso: si r
i
> r
j
en hay una inversi on
(i < j, (i) > (j)) que no aparece en . Por contra, si r
i
< r
j
, en aparece una
inversi on que no aparece en . En cualquier circunstancia
(1)
nt()
= (1) (1)
nt()
,
de donde
[B[ =
S
n
(1)
nt()
a
1r
1
...a
ir
j
...a
jr
i
...a
nr
n
= [A[,
porque, cuando recorre todas las biyecciones de S
n
, tambi en lo hace. Esto se puede
probar directamente o bien observando que = , donde es la pemutaci on que in-
tercambia i con j, dejando todos los dem as elementos de 1, ..., n iguales. Entonces,
cuando vara por todas las biyecciones de S
n
, lo hace por las de S
n
= S
n
(ver 1.5.).
Q.c.T.
Proposici on. El determinante de I
n
vale 1.
Demostraci on. Es inmediata, dado que la unica permutaci on que no arroja un
sumando nulo en el desarrollo es (i) = i, para todo i = 1, ..., n, que no tiene inver-
siones. Entonces
[I
n
[ = (1)
0
1 1 ... 1 = 1.
Q.c.T.
Observaci on. Puede probarse (aunque no lo haremos aqu), que las tres propiedades
estudiadas en esta lecci on (denominadas habitualmente, por este orden, multilinealidad,
alternancia y normalidad) caracterizan el determinante como aplicaci on de /(n; k) en k.
2.4. Determinantes (II).
Continuamos con las propiedades b asicas del determinante, incluyendo una prueba, que
raras veces se expone en clase con total rigor, de que el determinante del producto de
31

dos matrices es el producto de los determinantes de ambas matrices. Aunque es obli-
gatorio que los alumnos conozcan este resultado, se puede optar por sustituir la prueba
por algunos ejemplos ndimensionales, determinantes de Vandermonde o algunos otros
ejemplos que puedan resultar utiles en el futuro.
Proposici on. El determinante de una matriz con dos las iguales es 0.
Demostraci on. En efecto, si A /(n; k) tiene dos las iguales, al permutarlas
obtenemos la misma matriz A. Pero, por alternancia, eso implica [A[ = [A[, de donde
[A[ = 0. Q.c.T.
Proposici on. Si una matriz tiene una la proporcional a otra, su determinante es 0.
Demostraci on. Sea A /(n; k) tal que F(A)
i
= F(A)
j
para cierto k.
Entonces
[A[ =
F(A)
1
.
.
.
F(A)
i
.
.
.
F(A)
j
.
.
.
F(A)
n
F(A)
1
.
.
.
F(A)
j
.
.
.
F(A)
j
.
.
.
F(A)
n
F(A)
1
.
.
.
F(A)
j
.
.
.
F(A)
j
.
.
.
F(A)
n
= 0,
por la alternancia del determinante. Q.c.T.
Corolario. Si una matriz tiene una la de ceros, su determinante es 0.
Demostraci on. Inmediata. Q.c.T.
Proposici on. Si en una matriz una la es combinaci on lineal de otras, el determinante
es 0.
Demostraci on. Supongamos que, en la matriz A /(n; k), tenemos
F(A)
i
=
1
F(A)
j
1
+
2
F(A)
j
2
+ ... +
r
F(A)
j
r
.
Entonces el determinante de A se puede descomponer, por multilinealidad, como
suma de r determinantes, cada uno de ellos con dos las proporcionales y, en conse-
cuencia, nulos. As [A[ = 0. Q.c.T.
Proposici on. Dada una matriz A /(n; k), si sumamos a una la de A una combi-
naci on lineal de otras las de A, obtenemos una matriz B que verica [A[ = [B[.
Demostraci on. Supongamos que B se obtiene de A haciendo
F(B)
i
= F(A)
i
+
1
F(A)
j
1
+
2
F(A)
j
2
+... +
r
F(A)
j
r
,
32

y todas las dem as las de B coinciden con las de A. Entonces
[B[ =
F(A)
1
.
.
.
F(A)
i
+
1
F(A)
j
1
+ ... +
r
F(A)
j
r
.
.
.
F(A)
n
F(A)
1
.
.
.
F(A)
i
.
.
.
F(A)
n
F(A)
1
.
.
.
1
F(A)
j
1
+ ... +
r
F(A)
j
r
.
.
.
F(A)
n
= [A[ + 0 = [A[.
Q.c.T.
Proposici on. Sean A, B /(n; k). Entonces [AB[ = [A[ [B[.
Demostraci on. Esta prueba es bastante compleja, y es muy probable que el docente
opte por no hacerla en clase; de todos modos la haremos por si no es este el caso.
Sea D = AB. Entonces, por denici on del producto,
d
ij
=
n
l=1
a
il
b
lj
,
por lo que
F(D)
i
=
n
l=1
a
il
F(B)
l
, para i = 1, ..., n.
As pues tenemos que
[D[ =
F(D)
1
.
.
.
F(D)
n
l
1
=1
a
1l
1
F(B)
l
1
.
.
.
n
l
n
=1
a
nl
n
F(B)
l
n
=
n
l
1
=1
...
n
l
n
=1
a
1l
1
...a
nl
n
F(B)
l
1
.
.
.
F(B)
l
n
,
usando (reiteradamente) la multilinealidad del determinante. Ahora bien, por alternancia,
sabemos que si los l
1
, ..., l
n
no son todos distintos dos a dos, el sumando correspon-
diente es 0, al tener el determinante del sumando dos las iguales.
Nos quedamos, pues, con los sumandos no nulos. Para uno de estos sumandos, de-
nimos S
n
por (j) = l
j
para j = 1, ..., n. Notemos que es un permutaci on bien
denida, para todos los sumandos no nulos de [D[ y, recprocamente, toda permutaci on
de S
n
va a aparecer de esta forma en alg un sumando de la expresi on anterior.
33

En uno de nuestros sumandos, observemos que
F(B)
l
1
.
.
.
F(B)
l
n
= (1)
nt()
[B[.
Esto puede probarse de manera similar a la prueba de que nt() = nt(
1
). Entonces
[D[ =
n
l
1
=1
...
n
l
n
=1
a
1l
1
...a
nl
n
F(B)
l
1
.
.
.
F(B)
l
n
S
n
a
1(1)
...a
n(n)
(1)
nt()
[B[
= [B[
S
n
a
1(1)
...a
n(n)
(1)
nt()
= [A[ [B[.
Q.c.T.
Observaci on. Algunas otras propiedades que se deducen de las ya estudiadas o que se
prueban de forma an aloga, y que pueden aparecer como corolarios o como ejercicios (o no
aparecer en absoluto e ir prob andolas seg un surjan) son las siguientes: dada A /(n; k),
(a) [A[ =
n
A, para todo k.
(b) [A
r
[ = [A[
r
, para todo r N.
(c) Si A es triangular superior (inferior), [A[ es el producto de sus elementos diago-
nales.
Estudiamos ahora un m etodo de c alculo de determinantes a mano: el desarrollo de un
determinante por adjuntos de una la (columna).
Denici on. Sea A /(n; k), a
ij
un elemento de A. La submatriz de A resultante de
eliminar F(A)
i
y C(A)
j
, se denomina submatriz complementaria de a
ij
y se denota M
ij
.
Su determinante se llama menor complementario de a
ij
, que notaremos
ij
. El escalar
A
ij
= (1)
i+j
ij
se denomina adjunto de a
ij
.
Observaci on. Los adjuntos se puede usar para calcular explcitamente los determi-
nantes, en especial si se usan junto con las propiedades estudiadas anteriormente. Probe-
mos primero el resultado esencial de esta lecci on.
Proposici on. Sea A /(n; k) y escojamos una la (columna) cualquiera F(A)
i
. En-
tonces
a
i1
A
i1
+a
i2
A
i2
+ ... +a
in
A
in
= [A[,
esto es, el determinante de [A[ se puede hallar calculando el desarrollo de una la
(columna) por sus adjuntos.
Demostraci on. El desarrollo de [A[ era
[A[ =
S
n
(1)
nt()
a
1(1)
...a
i(i)
...a
n(n)
,
34

por lo que los sumandos que contienen a un a
ij
escogido de antemano se agrupan en
a
ij
(i)=j
(1)
nt()
a
1(1)
...a
i1(i1)
a
i+1(i+1)
...a
n(n)
= a
ij
B
ij
.
Obviamente el objetivo es probar que B
ij
= A
ij
= (1)
i+j
ij
.
Dado que en cada sumando de [A[ hay exactamente un elemento de cada la y de cada
columna, en cada sumando de B
ij
hay precisamente un elemento de cada la de A (ex-
cepto de F(A)
i
) y de cada columna (excepto de C(A)
j
). Por tanto, salvo eventualmente
el signo en cada sumando, B
ij
es el determinante de M
ij
.
Veamos, para un sumando concreto de B
ij
la relaci on entre el signo con que aparece
arriba (esto es, (1)
nt()
) y el signo con el que aparece en el desarrollo del determinante
de M
ij
.
Dado S
n
con (i) = j,
=
_
1 2 ... i 1 i i + 1 ... n
r
1
r
2
... r
i1
j r
i+1
... r
n
_
,
denominaremos
la biyecci on entre 1, ..., i 1, i +1, ..., n y 1, ..., j 1, j +1, ..., n

denida por
(l) = (l). En estas condiciones si indicamos las las de M

ij
por
1, 2, ..., i 1, i + 1, ..., n y las columnas por 1, 2, ..., j 1, j + 1, ..., n, tenemos que
(1)
nt(
)
es el coeciente con que aparece a
1(1)
...a
i1(i1)
a
i+1(i+1)
...a
n(n)
en [M
ij
[.
N.B.: Para hacerlo usando permutaciones de S
n1
, deberamos denotar por
a la
permutaci on de S
n1
denida por
(l) =
_
_
(l) si 1 l i 1, 1 (l) j 1
(l) 1 si 1 l i 1, j + 1 (l) n
(l 1) si i + 1 l n, 1 (l) j 1
(l 1) 1 si i + 1 l n, j + 1 (l) n
o sea,
consiste simplemente en borrar i del conjunto original y j del conjunto imagen.

Cuando recorre S
n
,
recorre S
n1
.
Ahora bien, al eliminar (i) = j, el n umero de inversiones de
se ve alterado como
sigue:
nt(
) = nt() r
l
> j [ l = 1, ..., i 1 +r
l
< j [ l = i + 1, ..., n.
Si llamamos s al segundo sumando en la expresi on anterior, entonces el tercer
sumando es claramente (j 1) (i 1 s) = j i + s, por lo que
nt(
) = nt() (s + j i + s),
de donde
(1)
nt(
)
= (1)
nt()2sj+i
= (1)
nt()+i+j
.
De esta forma hemos probado que el coeciente de a
ij
en [A[ es
(1)
nt(
)+i+j
a
1(1)
...a
i1(i1)
a
i+1(i+1)
...a
n(n)
= (1)
i+j
A
ij
.
35

Q.c.T.
Observaci on. Este resultado, junto con las propiedades del determinante (especialmente
el hecho de que sea invariante al sumar a una la una combinaci on lineal de otras) se
usa frecuentemente para el c alculo explcito, aplicando este desarrollo una vez que se
han hecho en una la todos los elementos cero, salvo uno. Esto permite convertir un
determinante de orden n en uno de orden n 1.
Lema. Dada A /(n; k), escojamos dos las distintas F(A)
i
y F(A)
j
. Entonces
a
i1
A
j1
+ a
i2
A
j2
+ ... +a
in
A
jn
= 0,
esto es, el desarrollo de una la por los adjuntos de otra es siempre 0.
Demostraci on. Tenemos que evaluar la suma anterior (supongamos i < j), donde
un sumando arbitrario es
a
il
A
jl
= (1)
j+l
a
il
a
11
... a
1l1
a
1l+1
... a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
... a
i,l1
a
i,l+1
... a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
j1,1
... a
j1,l1
a
j1,l+1
... a
j1,n
a
j+1,1
... a
j+1,l1
a
j+1,l+1
... a
j+1,n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
... a
n,l1
a
n,l+1
... a
nn
y usando el desarrollo visto anteriormente, pero a la inversa, podemos escribir

a
il
A
jl
= a
il
a
11
... a
1l1
a
1l
a
1l+1
... a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
... a
i,l1
a
il
a
i,l+1
... a
in
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
j1,1
... a
j1,l1
a
j1,l
a
j1,l+1
... a
j1,n
0 ... 0 1 0 ... 0
a
j+1,1
... a
j+1,l1
a
j+1,l
a
j+1,l+1
... a
j+1,n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
... a
n,l1
a
nl
a
n,l+1
... a
nn
a
11
... a
1l1
a
1l
a
1l+1
... a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
... a
i,l1
a
il
a
i,l+1
... a
in
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
j1,1
... a
j1,l1
a
j1,l
a
j1,l+1
... a
j1,n
0 ... 0 a
il
0 ... 0
a
j+1,1
... a
j+1,l1
a
j+1,l
a
j+1,l+1
... a
j+1,n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
... a
n,l1
a
nl
a
n,l+1
... a
nn
De esta forma cuando realizamos la suma, usando la multilinealidad del determinante,

obtenemos el determinante de A, sustituyendo la la j esima por la i esima. Al tener dos
las repetidas, el determinante (esto es, la suma que queremos evaluar) vale 0. Q.c.T.
36

2.5. Matriz inversa.
Denici on. Sea A /(n; k). Diremos que A es regular si existe B /(n; k) veri-
cando
AB = BA = I
n
.
En este caso, B se denomina la matriz inversa de A y se denota A
1
. Las matrices no
regulares se denominan singulares.
Observaci on. Notemos en primer lugar que la matriz inversa de A, de existir, es unica
(lo cual justica que se la denote A
1
). En efecto, si B y C son matrices inversas de A,
tendremos
AB = I
n
= I
n
B = (CA)B = C(AB) = CI
n
= B = I
n
B = CI
n
= C.
Observaci on. Pasamos ahora a la vertiente pr actica, esto es: c omo reconocer si una
matriz es regular y, en caso armativo, c omo hallar A
1
.
Denici on. Sea A /(n; k). Se denomina matriz adjunta de A a la matriz adj A cuyo
elemento (i, j) es A
ij
, el adjunto del elemento (i, j) de A.
Proposici on. Sea A /(n; k). Entonces
A(adj A)
t
= (adj A)
t
A = [A[I
n
.
Demostraci on. Si notamos como de costumbre
A = (a
ij
) , adj A = (A
ij
) ,
entonces
A(adj A)
t
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
n
i=1
a
1i
A
1i
n
i=1
a
1i
A
2i
...
n
i=1
a
1i
A
ni
n
i=1
a
2i
A
1i
n
i=1
a
2i
A
2i
...
n
i=1
a
2i
A
ni
.
.
.
.
.
.
.
.
.
.
.
.
n
i=1
a
ni
A
1i
n
i=1
a
ni
A
2i
...
n
i=1
a
ni
A
ni
_
_
_
_
_
_
_
_
_
_
_
_
_
_
,
esto es,
A(adj A)
t
=
_
_
_
_
_
_
[A[ 0 ... 0
0 [A[ ... 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... [A[
_
_
_
_
_
_
,
usando las propiedades de los adjuntos. La otra igualdad es an aloga. Q.c.T.
Con este resultado ya podemos probar el enunciado que resuelve los dos problemas
antes citados.
Teorema de la matriz inversa. Sea A /(n; k). Entonces A es regular si y s olo
si [A[ , = 0. En este caso,
A
1
=
1
[A[
(adj A)
t
.
37

Demostraci on. Es nuestra primera prueba de una condici on necesaria y suciente,
as que la haremos paso a paso para acentuar el procedimiento est andar.
Primero supondremos que A es regular, y tendremos que probar que [A[ , = 0. Pero
esto es trivial porque, como existe A
1
,
A A
1
= I
n
,
de donde [A[ [A
1
[ = 1, por lo que [A[ , = 0. Adem as hemos probado que [A[
1
= [A
1
[.
Ahora supondremos que [A[ , = 0. Entonces, por la proposici on anterior
(adj A)
t
A = A (adj A)
t
= [A[ I
n
,
de donde, usando las propiedades del producto por escalares,
_
1
[A[
(adj A)
t
_
A = A
_
1
[A[
(adj A)
t
_
= I
n
.
Q.c.T.
Corolario. El conjunto
GL(n; k) = A /(n; k) [ [A[ , = 0
denominado grupo lineal de orden n es, en efecto, un grupo con la operaci on producto.
Demostraci on. La propiedad asociativa se verica en todo /(n; k) y el elemento
neutro del producto, I
n
, est a en el conjunto, por lo que s olo hay que probar que existe
elemento inverso. Pero esto es sencillo usando el teorema anterior. Q.c.T.
Obs ervese que este grupo no es, en general, abeliano.
2.6. Rango.
Denici on. Sea A /(m n; k). Un menor de orden r de A es el determinante de
una submatriz cuadrada de A de orden r.
El rango de A, notado indistintamente rg(A) o rango(A), es el mayor r N tal que
existe un menor de orden r de A distinto de 0. Dicho de otro modo, es el orden del mayor
menor no nulo de A.
Observaci on. De las propiedades estudiadas en 2.4. se deduce inmediatamente que, si
todos los menores de orden r +1 son nulos, tambi en lo son los de orden r +2 y, por tanto,
los de cualquier orden mayor que r; de donde rg(A) r.
Proposici on. Sea A /(mn; k). Se verica:
(a) Si intercambiamos dos las (columnas) de A, obtenemos una matriz con el mismo
rango.
(b) Si eliminamos de A una la (columna) de ceros, obtenemos una matriz con el
mismo rango.
38

(c) Si sumamos a una la (columna) de Auna combinaci on lineal de otras las (colum-
nas), obtenemos una matriz del mismo rango.
(d) Si eliminamos de A una la (columna) que es combinaci on lineal de otras las
(columnas), obtenemos una matriz con el mismo rango.
Demostraci on. Las propiedades (a) y (b) son elementales ya que, si denominamos B
a la matriz resultante de intercambiar dos las o de eliminar una la de ceros, todo menor
no nulo de A puede formarse en B, y viceversa, por lo que el resultado es inmediato.
Probemos la propiedad (c). Para ello, comenzaremos reduciendo el problema al caso
b asico en el que la operaci on efectuada sea sumar, a una la, otra multiplicada por un
escalar. En efecto, probado esto, sumar una combinaci on lineal arbitraria se traduce en
aplicar el caso b asico cuantas veces sean necesarias.
Una vez constatado esto, podemos tambi en reducir el problema al caso
F(B)
1
= F(A)
1
+ F(A)
2
, F(B)
i
= F(A)
i
, para i = 2, ..., n;
ya que, de no ser as, podemos permutar las las afectadas (lo cual no vara el rango,
por (a)). Ahora probaremos que rg(A) rg(B) y con esto habremos nalizado, pues A
tambi en se puede obtener de B usando una combinaci on lineal de las y, en consecuencia,
la misma demostraci on que vamos a realizar prueba que rg(B) rg(A).
Supongamos entonces que rg(A) = r y, por tanto, todos los menores de orden r + 1
son cero. Tomemos entonces un menor M cualquiera de orden r+1 de B y probemos que
es 0. Para ello, notemos en primer lugar que si M no involucra a F(B)
1
se puede hallar
exactamente el mismo menor en A, por lo que M = 0. As mismo si involucra tanto
a F(B)
1
como a F(B)
2
, tambi en se puede hallar el mismo menor en A, convirtiendo
F(B)
1
en F(A)
1
usando F(B)
2
= F(A)
2
. As pues, el unico caso a tratar es cuando M
involucra a F(B)
1
, pero no a F(B)
2
.
Podemos permutar las las y columnas involucradas de manera que las las sean
F(B)
1
, F(B)
3
, ..., F(B)
r+2
y las columnas C(B)
1
, ..., C(B)
r+1
, s olo por simplicar no-
taci on. Pero entonces
M =
a
11
+a
21
a
12
+ a
22
... a
1r+1
+ a
2r+1
a
31
a
32
... a
3r+1
.
.
.
.
.
.
.
.
.
.
.
.
a
r+2,1
a
r+2,2
... a
r+2,r+1
a
11
a
12
... a
1r+1
a
31
a
32
... a
3r+1
.
.
.
.
.
.
.
.
.
.
.
.
a
r+2,1
a
r+2,2
... a
r+2,r+1
a
21
a
22
... a
2r+1
a
31
a
32
... a
3r+1
.
.
.
.
.
.
.
.
.
.
.
.
a
r+2,1
a
r+2,2
... a
r+2,r+1
,
por lo que M es combinaci on de dos menores de orden r + 1 de A, de donde M = 0.
El apartado (d) es combinaci on directa de los apartados (c) y (b). Q.c.T.
Corolario. Dada A /(n; C), rg(A) = rg(A
) = rg(A).
Proposici on. Sea A /(m n; k), P GL(m; k), Q GL(n; k). Entonces
rg(PA) = rg(AQ) = rg(A).
39

Demostraci on. Haremos s olo el caso rg(PA) rg(A), porque la otra desigualdad
se tiene multiplicando a izquierda por P
1
y el caso rg(A) = rg(QA) es similar.
Procediendo como el apartado (c) de la proposici on anterior, podemos suponer
rg(A) = r 1 (para facilitar la notaci on) y tomar, sin p erdida de generalidad, M, el
menor formado por las r primeras las y columnas de PA. Si prob aramos M = 0,
tendramos el resultado. Pero, si notamos,
A = (a
ij
)
i=1,...,m; j=1,...,n
, P = (p
ij
)
i,j=1,...,m
,
tenemos que
M =
m
l=1
p
1l
a
l1
...

m
l=1
p
1l
a
lr
.
.
.
.
.
.
.
.
.
m
l=1
p
rl
a
l1
...

m
l=1
p
rl
a
lr
y este menor, por la multilinealidad del determinante, puede escribirse como combinaci on
lineal de menores de orden r de A, separando primero en sumas de determinantes (usando
la multilinealidad por las, no por columnas) y extrayendo despu es r coecientes p
ij
de
cada determinante (tambi en por las).
Dado que el proceso completo es sumamente engorroso, no entraremos en los detalles,
pero haremos un ejemplo suponiendo r = m = 2 para ilustrar la complejidad de dar
explcitamente M como suma de menores de A. As, en ese caso
M =
p
11
a
11
+ p
12
a
21
p
11
a
12
+ p
12
a
22
p
21
a
11
+ p
22
a
21
p
21
a
12
+ p
22
a
22
p
11
a
11
p
11
a
12
p
21
a
11
+ p
22
a
21
p
21
a
12
+ p
22
a
22
+
+
p
12
a
21
p
12
a
22
p
21
a
11
+ p
22
a
21
p
21
a
12
+ p
22
a
22
p
11
a
11
p
11
a
12
p
21
a
11
p
21
a
12
p
11
a
11
p
11
a
12
p
22
a
21
p
22
a
22
p
12
a
21
p
12
a
22
p
21
a
11
p
21
a
12
+
+
p
12
a
21
p
12
a
22
p
22
a
21
p
22
a
22
= p
11
p
22
M
1
+ p
12
p
21
M
2
,
donde M
1
y M
2
son menores de orden 2 de A. Q.c.T.
Observaci on. No hemos dado a un un m etodo para calcular el rango, m as all a de los
dos evidentes que se desprende de la denici on: bien ir hallando todos los menores de
un orden dado hasta que aparezca uno no nulo y, en ese momento, comenzar con los
del orden siguiente; bien comenzar con los menores de orden m aximo e ir bajando hasta
encontrar uno no nulo.
Como muestra de la inefectividad de estos procedimientos, baste poner un ejemplo,
ni tan siquiera num erico: consideremos una matriz cuadrada de orden 5 y rango 3.
Si comenzamos haciendo menores de orden bajo y vamos ascendiendo, a un en el caso
de que tengamos suerte y hallemos pronto un menor de orden 3 no nulo, nadie nos quita de
40

tener que calcular todos los menores de orden 4 hasta cerciorarnos de que todos son nulos.
Eso implica 25 determinantes de orden 4. Si optamos por hacer primero el determinante
de la matriz y luego ir buscando menores de menor rango aparte de los 25 determinantes
de orden 4 debemos a nadir a nuestra lista de tareas un determinante de orden 5.
A continuaci on desarrollaremos un m etodo m as efectivo para el c alculo a mano del
rango de una matriz, conocido como el m etodo de orlado. En el ejemplo anterior, bastan
cuatro determinantes de orden 4 para garantizar que el rango de la matriz es 3.
El m etodo del orlado se basa en el resultado siguiente:
Proposici on. Sea A /(mn; k), vericando que:
(a) Existe una submatriz cuadrada S de orden r con [S[ , = 0.
(b) Toda submatriz cuadrada de orden r + 1 que contenga a S tiene determinante 0.
En estas condiciones rg(A) = r.
Demostraci on. Podemos suponer como en la lecci on anterior que S est a formada
por las r primeras las y columnas. Escribimos entonces A por bloques de la forma
A =
_
S M
1
M
2
M
3
_
,
y consideramos la matriz cuadrada de orden m dada por bloques
P =
_
I
r
0
r(mr)
M
2
S
1
I
mr
_
,
cuya inversa es (ejercicio sencillo)
P
1
=
_
I
r
0
r(mr)
M
2
S
1
I
mr
_
= (q
ij
) ,
aplicando la denici on.
Entonces la matriz B = PA tiene el mismo rango que A, pero B tiene la siguiente
forma, sin m as que aplicar la denici on de producto
B =
_
S M
1
0
(mr)r
M
3
_
,
con M
3
= M
2
S
1
M
1
+ M
3
.
Ahora bien, supongamos que hay una submatriz de orden r + 1 en B que contiene
a S y con determinante distinto de 0. Permutando, supondremos que es la formada por
las r + 1 primeras las y columnas. Esto implica, en particular que b
r+1,r+1
,= 0, ya que
b
r+1,i
= 0 para i = 1, ..., r.
Entonces, hacemos P
1
B = A y es elemental (aunque algo largo de probar con
detalle: lo dejamos al juicio del docente) ver que la submatriz formada por las r + 1
primeras las y columnas de A es precisamente
S =
_
_
_
_
_
_
b
1r+1
S
.
.
.
b
rr+1
a
r+1,1
... a
r+1,r
a
r+1,r+1
_
_
_
_
_
_
,
41

donde se verica
a
r+1,j
=
m
l=1
q
r+1,l
b
lj
, j = 1, ..., r + 1
pero, al ser q
r+1,l
= 0 para l > r + 1, y q
r+1,r+1
= 1, en realidad
a
r+1,j
=
r
l=1
q
r+1,l
b
lj
+b
r+1,j
, j = 1, ..., r + 1
y, para l, j r se tiene que b
lj
= a
lj
y b
r+1,j
= 0, por lo que
a
r+1,j
=
r
l=1
q
r+1,l
a
lj
j = 1, ..., r
a
r+1,r+1
=
r
l=1
q
r+1,l
a
l,r+1
+ b
r+1,r+1
Si ahora realizamos la operaci on
F(S)
r+1
l=1
q
r+1,l
F(S)
l
,
obtenemos una matriz de determinante [S[ y forma
_
_
_
_
_
_
b
1r+1
S
.
.
.
b
rr+1
0 ... 0 b
r+1,r+1
_
_
_
_
_
_
.
De todo esto deducimos que, si b
r+1,r+1
,= 0, podemos hallar tambi en en A una
submatriz de orden r +1 que contiene a S y de determinante distinto de 0. Por reducci on
al absurdo se deduce que rg(B) = r y, por tanto, tambi en rg(A) = r. Q.c.T.
Observaci on. El m etodo del orlado para el c alculo del rango de una matriz A se basa
en el resultado anterior de la manera obvia: dada A comenzamos buscando un menor de
orden 1 distinto de 0. Si lo hay, rg(A) 1, si no, rg(A) = 0 y hemos terminado.
En caso de no haber terminado, buscamos un menor de orden 2 cuya submatriz con-
tenga la del menor de orden 1 no nulo hallado anteriormente. Si encontramos tal menor,
rg(A) 2, si no, por la proposici on, rg(A) = 1 y hemos terminado.
As, cuando tengamos rg(A) i porque hemos hallado una submatriz de orden i y
menor no nulo, buscamos una submatriz de orden i +1 que contenga a la anterior (lo cual
recorta mucho la b usqueda) y de determinante no nulo. Si la hallamos rg(A) i + 1 y
seguimos, si no, rg(A) = i y hemos nalizado.
42

2.7. Sistemas de ecuaciones lineales: Sistemas de Cramer.
Denici on. Un sistema de m ecuaciones lineales en n inc ognitas, pongamos x
1
, ..., x
n
denido sobre un cuerpo k es un conjunto de expresiones
_
_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
donde a
ij
, b
i
k para todo i = 1, ..., n, j = 1, ..., m.
En notaci on matricial el sistema anterior se expresa
_
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
,
o, abreviadamente,
AX
t
= B
t
.
La matriz A /(m n; k) se denomina matriz de coecientes del sistema y la
matriz
(A [ B
t
) =
_
C(A)
1
[ ... [ C(A)
n
[ B
t
_
se denomina matriz ampliada del sistema (n otese que hemos usado B
t
en lugar de
(C(B
t
)
1
), abusando un poco de la notaci on).
Una soluci on del sistema es una asignaci on de valores
x
1
=
1
, x
2
=
2
, ..., x
n
=
n
,
con
i
k para todo i = 1, ..., n; de tal forma que se verica
A
_
_
_
_
_
_
2
.
.
.
n
_
_
_
_
_
_
= B
t
.
Abreviadamente tambi en se dir a que (
1
, ...,
n
) es una soluci on del sistema.
Dos sistemas se dicen equivalentes cuando tienen exactamente las mismas soluciones;
esto es, toda soluci on de uno lo es de otro, y viceversa.
Observaci on. El caso m as simple (y, en cierto sentido, el unico) de sistemas equivalentes
es aqu el en el que a nadimos o sustraemos a un sistema ecuaciones formadas a partir de
las del sistema mediante combinaciones lineales.
Observaci on. Notemos que la existencia de una soluci on (
1
, ...,
n
) es equivalente a
que
1
C(A)
1
+
2
C(A)
2
+ ... +
n
C(A)
n
= B
t
.
Denici on. Atendiendo a la existencia y a la cantidad de soluciones, los sistemas de
ecuaciones lineales pueden clasicarse como:
43

(a) Sistemas incompatibles: Aqu ellos que no tienen soluciones.
(b) Sistemas compatibles: Aqu ellos que admiten soluciones.

Estos, a su vez, se dividen
en:
(b.1) Compatibles determinados: Aqu ellos que admiten una unica soluci on.
(b.2) Compatibles indeterminados: Aqu ellos que admiten m as de una soluci on.
Denici on. Un sistema de ecuaciones lineales se dice homog eneo cuando la matriz B
tiene todos sus elementos nulos.
Observaci on. Los sistemas homog eneos han sido de gran importancia hist oricamente y
tambi en lo ser an en esta asignatura. Como es obvio, todo sistema homog eneo es compa-
tible.
Denici on. Un sistema de ecuaciones lineales se dice de Cramer si tiene el mismo
n umero de ecuaciones que de inc ognitas y verica que [A[ , = 0.
Teorema. Un sistema de Cramer es siempre compatible determinado.
Demostraci on. Si escribimos el sistema en notaci on matricial AX
t
= B
t
, dado que
[A[ , = 0, podemos escribir
A
1
AX
t
= A
1
B
t
= I
n
X
t
= X
t
= A
1
B
t
,
lo cual demuestra el resultado, por la unicidad de A
1
.
Corolario. Un sistema de Cramer homog eneo tiene como unica soluci on
x
1
= x
2
= ... = x
n
= 0.
Observaci on. Para resolver un sistema de ecuaciones hay muchos m etodos distintos,
y, si bien un estudio detallado de la complejidad de cada uno est a fuera por completo
de los objetivos de la asignatura, s podemos recalcar que el m etodo que a continuaci on
probaremos para los sistemas de Cramer, si bien es claramente inmanejable para sistemas
de m as de 4 inc ognitas, puede resultar de ayuda para sistemas con pocas ecuaciones donde
no queramos pararnos a buscar combinaciones que eliminen variables.
Regla de Cramer. Sea un sistema de ecuaciones de Cramer, notado matricialmente,
AX
t
= B
t
.
Entonces la soluci on unica del sistema viene dada por
x
i
=
1
[A[
det
_
C(A)
1
[ ... [ C(A)
i1
[ B
t
[ C(A)
i+1
[ ... [ C(A)
n
_
,
para i = 1, ..., n. Esto es, el valor de cada x
i
es el cociente de dos determinantes, el
determinante de A como denominador y, como numerador, el determinante de la matriz
obtenida al sustituir, en A, la columna de los coecientes de x
i
por la de t erminos inde-
pendientes.
44

Demostraci on. Si recobramos de la prueba anterior la soluci on del sistema de
Cramer,
X
t
= A
1
B
t
,
podemos escribir lo siguiente
X
t
=
1
[A[
(adj A)
t
B
t
=
1
[A[
_
_
_
_
_
_
A
11
A
21
... A
n1
A
12
A
22
... A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
2n
... A
nn
_
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
=
1
[A[
_
_
_
_
_
_
A
11
b
1
+A
21
b
2
+ ... +A
n1
b
n
A
12
b
1
+A
22
b
2
+ ... +A
n2
b
n
.
.
.
A
1n
b
1
+ A
2n
b
2
+ ... + A
nn
b
n
_
_
_
_
_
_
,
de lo cual
x
i
=
A
1i
b
1
+ A
2i
b
2
+ ... + A
ni
b
n
[A[
,
donde, para nalizar la demostraci on s olo resta observar que el numerador es el desarrollo
por los adjuntos de la columna i esima del determinante de la matriz
_
_
_
_
_
_
a
11
a
12
... a
1i1
b
1
a
1i+1
... a
1n
a
21
a
22
... a
2i1
b
2
a
2i+1
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
... a
ni1
b
n
a
ni+1
... a
nn
_
_
_
_
_
_
.
Q.c.T.
Observaci on. Gracias a los sistemas de Cramer podemos probar el recproco de una
propiedad del rango de una matriz.
Proposici on. Sea A una matriz con rg(A) = r. Si al eliminar una la (columna) de
A el rango contin ua siendo r, la la (columna) eliminada era combinaci on lineal de las
restantes.
Demostraci on. Podemos suponer, como ya hemos explicado varias veces, que un
menor de orden maximal lo dan las r primeras las y columnas. Probaremos entonces
que la columna C(A)
r+1
es combinaci on lineal de C(A)
1
, ..., C(A)
r
y todos los dem as
casos se siguen de este.
Si denominamos S a la submatriz anteriormente descrita, tenemos que
SX
t
=
_
_
_
_
a
1r+1
.
.
.
a
rr+1
_
_
_
_
es un sistema de Cramer de orden r, por lo que existen
1
, ...,
r
k tales que, para
l = 1, ..., r
1
a
l1
+ ... +
r
a
lr
= a
lr+1
.
45

Ahora bien, si al hacer
1
C(A)
1
+...+
r
C(A)
r
C(A)
r+1
no obtenemos exactamente
una columna de ceros es porque hay un elemento no nulo por debajo de la la r esima.
Pero entonces al orlar la submatriz S con esa la y la columna (j +1) esima, obtenemos
una submatriz de determinante no nulo y orden r +1, contradiciendo la hip otesis. As, ha
de ser
C(A)
r+1
=
1
C(A)
1
+ ... +
r
C(A)
r
.
Q.c.T.
2.8. Teorema de Rouch eFr obenius.
El teorema de Rouch eFr obenius es el resultado m as importante visto hasta ahora, ya que
clasica perfectamente los sistemas en funci on de los rangos de la matriz de coecientes
y de la matriz ampliada.
Teorema de Rouch eFr obenius. La condici on necesaria y suciente para que un sis-
tema de ecuaciones lineales tenga soluci on es que el rango de la matriz de los coecientes
coincida con el rango de la matriz ampliada.
En estas condiciones, si dicho rango coincide con el n umero de variables el sistema
es determinado. Si el rango es menor, el sistema es indeterminado.
Demostraci on. Notamos, como en las anteriores lecciones, A /(m n; k) la
matriz de coecientes, (A [ B
t
) la matriz ampliada y el sistema por
AX
t
= B
t
.
Probemos primero la condici on necesaria, esto es: si un sistema es compatible ha
de darse que los rangos coincidan. Esto es consecuencia directa de la observaci on que
hicimos en la lecci on 2.7.: la existencia de una soluci on (
1
, ...,
n
) implica que
1
C(A)
1
+ ... +
n
C(A)
n
= B
t
,
por lo que la ultima columna de (A [ B
t
) es combinaci on lineal de las anteriores y, en
consecuencia, rg(A) = rg(A [ B
t
).
Demostremos ahora que si los rangos de A y (A [ B
t
) coinciden, entonces existe
soluci on para el sistema. Para ello, supongamos que rg(A) = h y, permutando ecuaciones
y variables si es necesario, que las h primeras las y columnas de A forman un menor no
nulo (de A y de (A [ B
t
), claro).
Por tanto, las mh las restantes de (A [ B
t
) son, como vimos en la lecci on pasada,
combinaci on lineal de las anteriores. Esto es, las m h ecuaciones ultimas son combi-
naci on lineal de las h primeras, por lo que podemos eliminarlas del sistema y el sistema
que nos queda es equivalente.
As mismo, como las h primeras columnas participan en el menor no nulo, reescribire-
mos el sistema original de la siguiente forma:
_
_
a
11
x
1
+ a
12
x
2
+ ... + a
1h
x
h
= b
1
a
1h+1
x
h+1
... a
1n
x
n
a
21
x
1
+ a
22
x
2
+ ... + a
2h
x
h
= b
2
a
2h+1
x
h+1
... a
2n
x
n
.
.
.
.
.
.
a
h1
x
1
+a
h2
x
2
+ ... + a
hh
x
h
= b
h
a
hh+1
x
h+1
... a
hn
x
n
46

que, como sistema de h ecuaciones en las variables x
1
, ..., x
h
es de Cramer y, por tanto,
tiene soluci on unica. En concreto, por los resultados de la lecci on anterior, si denotamos
el sistema anterior
A
_
_
_
_
x
1
.
.
.
x
h
_
_
_
_
= B
obtenemos
x
i
=
A
1i
b
1
+ A
2i
b
2
+ ... + A
hi
b
h
[A
[
,
para i = 1, ..., h donde
b
j
= b
j
a
jh+1
x
h+1
... a
jn
x
n
.
Esto es, para cada valor que demos a las variables x
h+1
, ..., x
n
obtenemos una
soluci on del sistema de Cramer. En nomenclatura habitual, las variables x
h+1
, ..., x
n
son
par ametros del espacio de soluciones.
A partir de aqu todas las armaciones del teorema se siguen de manera obvia: existe
soluci on; y es unica si y s olo si no existen par ametros, esto es, cuando h = n; ya que
si existe un s olo par ametro, d andole valores 0 y 1 se han de obtener necesariamente al
menos dos soluciones distintas. Q.c.T.
Observaci on. Sea el sistema de m ecuaciones en n inc ognitas dado por AX
t
= B
t
, y
consideremos el sistema AX
t
= 0
m1
, denominado usualmente el sistema homog eneo
asociado. Sea
L =
_
(
1
, ...,
n
) soluciones de AX
t
= 0
m1
_
,
y sean (
1
, ...,
n
) y (
1
, ...,
n
) dos soluciones particulares del sistema original AX
t
=
B
t
. Entonces
(
1
1
, ...,
n
n
) L,
como se deduce trivialmente, ya que
A
_
_
_
_
1
.
.
.
n
_
_
_
_
= A
_
_
_
_
1
.
.
.
n
_
_
_
_
A
_
_
_
_
1
.
.
.
n
_
_
_
_
= B
t
B
t
= 0
m1
.
De la misma forma se prueba que (
1
+
1
, ...,
n
+
n
) es soluci on del sistema ori-
ginal para cualquier (
1
, ...,
n
) L. Ambas armaciones prueban entonces que el con-
junto de soluciones del sistema original se puede hallar sumando una soluci on particular
cualquiera con todas las soluciones del sistema homog eneo asociado.
47

Tema 3: Espacios vectoriales
3.1. Espacios vectoriales: Denici on y ejemplos.
Seguiremos, en lo sucesivo, denotando por k un cuerpo arbitrario, que para nosotros puede
suponerse que es Q, R, C.
Denici on. Sea k un cuerpo, 0 y 1 los elementos neutros de la suma y el producto,
respectivamente. Un espacio vectorial sobre k, tambi en denominado kespacio vectorial,
es un conjunto V con dos operaciones: una interna, denominada suma y notada +, y otra
externa, de k V en V , denominada producto por escalares y denotada (o por simple
yuxtaposici on), vericando:
(a) (V, +) es un grupo abeliano.
(b) El producto por escalares verica, para cualesquiera u, v V , , k,
(b.1) (u + v) = u + v.
(b.2) ( +)u = u + u.
(b.3) ()u = (u).
(b.4) 1u = u.
Los elementos de V se denominan vectores y los de k, como de costumbre, escalares.
Notaci on. Usaremos las notaciones siguientes, dado un kespacio vectorial V :
(a) Los elementos V se denotar an con letras subrayadas: v V .
(b) Dado v V el inverso aditivo es unico y ha de ser igual necesariamente a (1)v.
Se notar a v. As mismo, tambi en notaremos u + (v) = u v.
(c) El elemento neutro de la suma en V se denotar a 0.
Proposici on. Sea V un kespacio vectorial, u, v V , , k. Se verican las siguien-
tes propiedades:
(a) 0 = 0, 0u = 0.
(b) (u v) = u v, ( )u = u u.
(c) ()u = (u), (u) = (u).

(d) u = 0 implica que = 0 o u = 0.
Demostraci on. Todas las demostraciones son elementales y s olo requieren el uso de
las propiedades axiom aticas de k y V . Hagamos por ejemplo el primer apartado de (a).
Para ello tomemos un x V cualquiera, y un k no nulo (el caso = 0 es el segundo
apartado). Entonces
x + 0 =
1
x + 0 =
_
1
x + 0
_
=
_
1
x
_
= x,
por lo que 0 = 0.
Para nalizar haremos el segundo caso de (c). Para ello dados k y u V ,
consideramos
u +(u) = (u + (u)) = (u u) = 0 = 0,
lo cual prueba que (u) es el inverso aditivo de u, esto es, (u).
Las restantes pruebas son buenos ejercicios para que los alumnos se habit uen a usar
las propiedades de forma rigurosa, sin apoyarse en los vectores a los que est an acostum-
brados. Q.c.T.
Ejemplos. Notemos que, para dar un espacio vectorial, es necesario no solamente dar
un conjunto, sino las dos operaciones. Veremos a continuaci on algunos ejemplos proce-
dentes de diversos campos de las matem aticas, aunque no daremos las demostraciones,
por apartarse del temario de esta asignatura.
(a) El ejemplo fundamental ser a el espacio num erico ndimensional denido como
sigue: el conjunto base es
k
n
= (a
1
, ..., a
n
) [ a
i
k ,
y las dos operaciones son:
(a
1
, ..., a
n
) + (b
1
, ..., b
n
) = (a
1
+ b
1
, ..., a
n
+ b
n
),
(a
1
, ..., a
n
) = (a
1
, ..., a
n
).
Con estas operaciones comprobar las propiedades de espacio vectorial es elemen-
tal. Este ejemplo incluye los casos m as conocidos ( unicos?) hasta ahora por los
alumnos, R
2
y R
3
.
(b) Supongamos que tenemos dos cuerpos k K, de tal forma que, dados dos ele-
mentos cualesquiera en k, su suma y su producto son iguales si se consideran como
elementos de k y si se consideran como elementos de K. Entonces K es un k
espacio vectorial con las operaciones:
Dados , K, + es la suma en K.
Dados k K y K, el producto por escalares es el producto en
K.
(c) El conjunto /(mn; k) es un kespacio vectorial con las operaciones usuales de
suma y producto por escalares, como vimos en la lecci on 2.2.
49

(d) Sea AX
t
= 0
n1
un sistema de ecuaciones lineales homog eneo en m variables.
Consideremos el conjunto de soluciones L k
m
, dotadas con las mismas opera-
ciones de suma y producto por escalares que denimos en k
m
. Entonces L es a su
vez un kespacio vectorial.
(e) El conjunto k[X], con la suma de polinomios y el producto por escalares usual,
es un kespacio vectorial. De hecho, como s olo se consideran los productos de
escalares por polinomios, el conjunto
k[X]
r
= p(X) k[X] [ grado(p) r 0
tambi en es un kespacio vectorial.
(f) El conjunto de funciones continuas (diferenciables, Riemannintegrables,...) en un
abierto (a, b) Res un Respacio vectorial.
(g) Una ecuaci on diferencial lineal homog enea es una expresi on de la forma
a
0
(x)y
n)
+ a
1
(x)y
n1)
+ ... + a
n1
(x)y
+ a
n
(x)y = 0,
donde a
0
(x), a
1
(x), ..., a
n
(x) son funciones continuas en R, y es una funci on de R
en R a determinar e y
, y
, ..., y
n1)
, y
n)
son sus derivadas sucesivas. Usando las

propiedades de la derivada es f acil ver que el conjunto de soluciones de la ecuaci on
diferencial es un Respacio vectorial.
(h) El conjunto V = 0 es un kespacio vectorial para cualquier k. Es el menor que
existe, ya que por ser (V, +) grupo debe existir elemento neutro de la suma.
(i) De manera similar al ejemplo (e), consideremos el conjunto de polinomios lineales
en x
1
, ..., x
n
W = f(x
1
, ..., x
n
) = a
1
x
1
+ ... + a
n
x
n
[ a
i
k
Este conjunto es un espacio vectorial con la suma y el producto por escalares habi-
tuales.
3.2. Dependencia e independencia lineal.
Denici on. Sea V un kespacio vectorial. Diremos que v V es combinaci on lineal de
v
1
, ..., v
m
V si existen escalares
1
, ...,
m
k vericando
v =
1
v
1
+... +
m
v
m
.
Ejemplos. Algunos ejemplos elementales son:
(a) El vector 0 es combinaci on lineal de cualquier conjunto de vectores. De forma
similar, un vector v V siempre es combinaci on lineal de cualquier conjunto de
vectores que contenga a v.
50

(b) Cuando V = k
n
, consideramos el conjunto e
1
, ..., e
n
donde e
i
es el vector que
tiene todas sus componentes 0 excepto la i esima, que es un 1. Entonces, dado
(a
1
, ..., a
n
) V ,
(a
1
, ..., a
n
) = a
1
e
1
+ ... + a
n
e
n
,
por lo que todo elemento de V es combinaci on lineal de e
1
, ..., e
n
.
(c) Sea V = /(mn; k) y sea E
ij
la matriz que tiene todos sus elementos 0 excepto
el (i, j), que es 1. Entonces, an alogamente, para cualquier A = (a
ij
) V ,
A =
m
i=1
n
j=1
a
ij
E
ij
.
Denici on. Sea S = v
1
, ..., v
m
V . Diremos que S es un conjunto linealmente de-
pendiente (o que los vectores v
1
, ..., v
m
son linealmente dependientes) si existen escalares
1
, ...,
m
k no todos nulos tales que
1
v
1
+... +
m
v
m
= 0.
Esto es, S es linealmente dependiente si 0 es combinaci on lineal no trivial de los
elementos de S.
En caso contrario, S se dice linealmente independiente. Esto es, v
1
, ..., v
m
son lineal-
mente independientes cuando
1
v
1
+ ... +
m
v
m
= 0 =
1
= ... =
m
= 0.
Ejemplos. Veamos ejemplos de dependencia e independencia lineal.
(a) Si 0 S, S ha de ser linealmente dependiente.
(b) Si S es un conjunto linealmente dependiente, cualquier conjunto (nito) T que lo
contenga tambi en es linealmente dependiente. Del mismo modo, cualquier subcon-
junto de un conjunto linealmente independiente es linealmente independiente.
(c) En particular, el conjunto vaco es linealmente independiente.
(d) Dado un vector v ,= 0, el conjunto v es linealmente independiente.
Proposici on. Sea S = v
1
, ..., v
m
V . Entonces:
(a) S es linealmente dependiente si y s olo si existe un i tal que v
i
depende linealmente
de v
1
, ..., v
i1
, v
i+1
, ..., v
m
.
(b) S es linealmente independiente si y s olo si ning un v
i
depende linealmente de los
restantes vectores de S.
51

Demostraci on. Es claro que probar (a) prueba (b) y viceversa, pues uno es la ne-
gaci on del otro: demostraremos entonces (a). En primer lugar supondremos que S es
linealmente dependiente: por tanto existen
1
, ...,
m
1
v
1
+... +
m
v
m
= 0.
Si suponemos que
i
,= 0, entonces la igualdad anterior se puede traducir en
v
i
=
1
i
(
1
v
1
+ ... +
i1
v
i1
+
i+1
v
i+1
+ ... +
m
v
m
) ,
por lo que v
i
es combinaci on lineal de los restantes.
Ahora supondremos que alg un v
j
es combinaci on lineal de los restantes vectores de
S,
v
j
=
1
v
1
+ ... +
j1
v
j1
+
j+1
v
j+1
+ ... +
m
v
m
.
La expresi on anterior se traduce en
0 =
1
v
1
+ ... +
j1
v
j1
v
j
+
j+1
v
j+1
+ ... +
m
v
m
,
por lo que 0 es combinaci on lineal no trivial de los vectores de S, ya que el coeciente de
v
j
es no nulo. Q.c.T.
Observaci on. Consideremos el ejemplo V = k
n
, y sean v, v
1
, ..., v
m
dados por
v = (
1
, ...,
n
) , v
i
= (
1i
, ...,
ni
) .
Entonces, por las propiedades del rango estudiadas en las lecciones 2.6. y 2.8., sabe-
mos que v es combinaci on lineal de v
1
, ..., v
m
si y s olo si
rg
_
_
_
_
11
...
1m
.
.
.
.
.
.
n1
...
nm
_
_
_
_
= rg
_
_
_
_
11
...
1m

1
.
.
.
.
.
.
.
.
.
n1
...
nm

n
_
_
_
_
.
Aplicando esta misma propiedad m veces deducimos entonces que v
1
, ..., v
m
es
linealmente independiente si y s olo si
rg
_
_
_
_
11
...
1n
.
.
.
.
.
.
1m
...
nm
_
_
_
_
= m,
lo que prueba, en particular, que un conjunto de m as de n vectores no puede ser lineal-
mente independiente en k
n
.
3.3. Sistemas generadores. Bases.
Denici on. Sea V un kespacio vectorial, S V un subconjunto no necesariamente
nito. Diremos que S es un sistema generador de V si todo v V es combinaci on lineal
de un subconjunto nito de S.
52

Si existe un sistema generador nito, V se dice de dimensi on nita. En ese caso, la
denici on de sistema generador se puede simplicar para decir que S, nito, es sistema
generador si y s olo si todo vector de V es combinaci on lineal de los vectores de S.
Ejemplos. Veamos algunos de los ejemplos que hemos estudiado hasta ahora que son
de dimensi on nita.
(a) El espacio V = k
n
es de dimensi on nita, ya que todo vector es combinaci on lineal
de e
1
, ..., e
n
.
(b) El espacio V = /(m n; k) tambi en es de dimensi on nita, ya que toda matriz
es combinaci on de las matrices E
ij
, que son mn en total.
(c) El cuerpo Ccomo Respacio vectorial es de dimensi on nita, ya que todo complejo
es de la forma + , con , R, por lo que el conjunto 1, es un sistema
generador de C.
(d) El kespacio vectorial k[X]
r
es de dimensi on nita, ya que todo polinomio
de grado menor o igual que r se puede escribir como combinaci on lineal de
1, X, X
2
, ..., X
r
.
(e) El kespacio V = 0 admite como sistema generador a S = , y a 0.
(f) El conjunto de polinomios lineales en x
1
, ..., x
n
admite como sistema de gener-
adores a x
1
, ..., x
n
.
Observaci on. Si S
1
, S
2
son dos subconjuntos nitos de V tales que S
2
es sistema gene-
rador y todo vector de S
2
es combinaci on lineal de vectores de S
1
, S
1
tambi en es sistema
generador: basta escribir un vector cualquier como combinaci on lineal de elementos de
S
2
y sustituir estos por las correspondientes combinaciones lineales de elementos de S
1
.
Denici on. Un conjunto B V se dice una base si es un sistema de generadores lineal-
mente independiente.
Ejemplos. Todos los ejemplos anteriores son bases de sus respectivos espacios vectoria-
les, salvo 0 en (e). Para dar otro ejemplo de sistema generador que no sea base basta
ampliar alguno de los conjuntos anteriores con m as vectores. Demos un ejemplo menos
elemental.
Una base de k[X] es el conjunto (innito) 1, X, X
2
, ..., porque todo polinomio es
combinaci on lineal (nita) de estos vectores y son linealmente independientes por que
una combinaci on lineal nita de ellos igualada a 0 debe tener todos sus coecientes 0
forzosamente.
Daremos a continuaci on un resultado esencial, que combina los dos conceptos m as
importantes estudiados hasta ahora: independencia lineal y sistema generador. Antes
probaremos algunos resultados auxiliares.
Lema I. Sean v
1
, ..., v
n
linealmente independientes, v V . Si v no es combinaci on
lineal de v
1
, ..., v
n
, entonces v, v
1
, ..., v
n
son linealmente independientes.
53

Demostraci on. Por reducci on al absurdo, si v, v
1
, ..., v
n
fueran linealmente depen-
dientes hallaramos ,
1
, ...,
n
v +
1
v
1
+ ... +
n
v
n
= 0.
Ahora bien, si ,= 0 tendramos que v es combinaci on lineal de los v
i
, contradiciendo
las hip otesis. Por tanto ha de ser = 0, pero eso implica que existe una combinaci on
lineal de los v
i
igualada a 0, con no todos los coecientes nulos. As v
1
, ..., v
n
son lin-
ealmente dependientes y llegamos tambi en a contradicci on. Esto prueba el resultado.
Q.c.T.
Lema II. Sean T S V conjuntos nitos de tal forma que T es linealmente inde-
pendiente y S es sistema generador. Entonces existe B, base de V tal que T B S.
Demostraci on. Consiste en aplicar reiteradamente el lema I, de la siguiente forma:
llamemos
T = u
1
, ..., u
r
u
1
, ..., u
r
, v
1
, ..., v
s
= S.
Empecemos tomando B
0
= u
1
, ..., u
r
e iremos a nadiendo vectores de S T o no,
siguiendo el siguiente proceso.
Miremos primero si v
1
es combinaci on lineal de los elementos de B
0
(por ahora,
B
0
= T). Si no es combinaci on lineal lo a nadimos a B
0
y, si lo es, no lo a nadimos.
En cualquier caso, repetimos el proceso con v
2
, v
3
, ..., v
s
. Cuando hayamos realizado las
s comprobaciones y a nadido los vectores que sean, denimos B = B
0
.
El resultado es obviamente un conjunto B que verica T B S, por construcci on.
Adem as, por el lema I, B es linealmente independiente, ya que B
0
se mantiene linealmente
independiente en todos los pasos del proceso. Resta ver que B es sistema generador de V .
Para ello notemos que todos los elementos de S son combinaci on lineal de los elementos
de B, bien porque est an en B bien porque, si no est an en B, es porque son combinaci on
lineal de vectores de B. Como hemos indicado, esto implica que B es sistema generador.
Q.c.T.
Proposici on. Sea V un kespacio vectorial de dimensi on nita. Entonces V admite una
base nita (esto es, con una cantidad nita de elementos). M as a un:
(a) Todo sistema generador nito contiene una base.
(b) Todo conjunto nito linealmente independiente se puede ampliar a una base nita.
Demostraci on. Claramente (a) o (b) implican la existencia de una base as que nos
limitaremos a probar ambas armaciones.
Para probar (a): dado un sistema generador nito S, basta entonces aplicar el lema II
a la situaci on S para obtener una base nita contenida en S.
Para probar (b): dado un conjunto linealmente independiente T, consideramos un
sistema generador nito cualquiera (debe existir por ser V de dimensi on nita) S y apli-
camos el lema II a la situaci on T T S, que es sistema generador por contener a S.
Q.c.T.
54

3.4. Teorema de la base.
Esta lecci on se dedica fundamentalmente a probar el teorema de la base, resultado fun-
damental para todo lo que sigue, que tambi en requiere resultados auxiliares. De ahora
en adelante, salvo expresa menci on en sentido contrario, V representar a un kespacio
vectorial de dimensi on nita.
Lema I (Lema del intercambio). Sea a V un vector distinto de 0 que es com-
binaci on lineal de v
1
, ..., v
n
. Entonces existe un i tal que v
i
es combinaci on lineal de
v
1
, ..., v
i1
, a, v
i+1
, ..., v
n
.
Demostraci on. Como a ,= 0, en la expresi on
a =
1
v
1
+ ... +
n
v
n
,
debe existir, forzosamente, un
i
,= 0. Entonces
v
i
=
1
i
(
1
v
1
+... +
i1
v
i1
a +
i+1
v
i+1
+ ... +
n
v
n
) ,
Lema II. Sean B = u
1
, ..., u
m
una base de V y A = v
1
, ..., v
r
un conjunto lineal-
mente independiente. Entonces r m.
Demostraci on. Por el lema del intercambio, como v
1
es combinaci on lineal de los
elementos de B, podemos intercambiarlo con uno de los elementos de B, pongamos con
u
1
. Obtenemos entonces un nuevo conjunto B
1
= v
1
, u
2
, ..., u
m
, que es de nuevo
sistema generador como lo era B, porque todo elemento de B es combinaci on lineal de
los elementos de B
1
.
Por tanto, como v
2
es combinaci on lineal de los elementos de B
1
, podemos intercam-
biarlo por un elemento de B
1
. A un m as, podemos tomar para intercambiar un vector de
B
1
que no sea v
1
.
En efecto, si nos jamos en la demostraci on del lema del intercambio, veremos que
podemos tomar cualquier vector de B
1
que tenga coeciente no nulo en la expresi on de
v
2
como combinaci on lineal. Si el unico vector disponible fuera v
1
, tendramos
v
2
=
1
v
1
,
con lo que A sera linealmente dependiente, contradiciendo las hip otesis. Por tanto pode-
mos tomar uno de los v
i
, i = 2, ..., n. Por comodidad de notaci on, supondremos que
tomamos v
2
y denimos
B
2
= v
1
, v
2
, u
3
..., u
m
,
que sigue siendo sistema generador, por an alogas razones que B
1
.
Pasamos entonces al caso gen erico, suponiendo que tenemos un sistema generador
B
i
= v
1
, ..., v
i
, u
i+1
, ..., u
m
.
Por el lema del intercambio, como v
i+1
es combinaci on lineal de los vectores de B
i
,
podemos intercambiarlo con uno de esos vectores. Pero, si no pudiera ser intercambiado
por uno de los u
j
, j = i + 1, ..., m, sera porque
v
i+1
=
1
v
1
+... +
i
v
i
,
55

por lo que A sera linealmente dependiente, en contra de las hip otesis. As pues podemos
intercambiar v
i+1
con uno de los u
j
y supondremos que es u
i+1
. As denimos
B
i+1
= v
1
, ..., v
i+1
, u
i+2
, ..., u
m
,
que sigue siendo sistema generador.
Podremos seguir de esta forma hasta llegar al mnimo entre m y r. Supongamos que
r > m y lleguemos a un absurdo para probar el resultado. En efecto, si r > m podemos
construir un sistema generador
B
m
= v
1
, ..., v
m
,
y a un existir an vectores en A que, forzosamente, depender an de los que est an en B
m
. As,
A es linealmente dependiente, contradiciendo las hip otesis. Q.c.T.
Corolario. Sea V un kespacio vectorial, no necesariamente de dimensi on nita. Si
existe un conjunto innito linealmente independiente, o conjuntos linealmente indepen-
dientes nitos pero arbitrariamente grandes, V no es de dimensi on nita.
Demostraci on. En efecto, la proposici on de la lecci on anterior, junto con el lema
que acabamos de probar, implica que en un kespacio vectorial de dimensi on nita, los
conjuntos linealmente independientes tienen un cardinal acotado por el cardinal de una
base nita arbitraria. Q.c.T.
Observaci on. El kespacio vectorial k[X] no es de dimensi on nita. Por tanto, tampoco
lo es el espacio de funciones continuas (derivables, integrables,...).
Teorema de la base. Sea V un kespacio vectorial de dimensi on nita. Entonces todas
las bases de V tienen el mismo n umero de elementos.
Demostraci on. Sean B
1
y B
2
dos bases distintas de V , con cardinales respectivos n
1
y n
2
. Entonces, por ser B
1
linealmente independiente, n
1
n
2
y por ser B
2
linealmente
independiente n
2
n
1
. As n
1
= n
2
. Q.c.T.
3.5. Dimensi on. Coordenadas.
Esta lecci on est a dedicada por entero a explotar consecuencias del teorema de la base:
entre ellas los conceptos fundamentales de dimensi on y coordenadas.
Denici on. Sea V un kespacio vectorial (de dimensi on nita). El n umero de elementos
de una base cualquiera de V se denomina dimensi on de V , denotado dim(V ).
Ejemplos. En los ejemplos usuales, tenemos las siguientes dimensiones:
(a) dim(k
n
) = n.
(b) dim(0) = 0.
(c) dim(k[X]
r
) = r + 1.
(d) dim(/(mn; k)) = mn.
56

(e) La dimensi on del espacio del conjunto de polinomios lineales en x
1
, ..., x
n
es n.
Proposici on. Sea V un kespacio vectorial, dim(V ) = n.
(a) Todo conjunto de n vectores linealmente independiente es una base.
(b) Todo conjunto de m as de n vectores es linealmente dependiente.
(c) Todo sistema de generadores con n vectores es una base.
(d) Todo sistema de generadores tiene, al menos, n vectores.
(e) Si W es otro kespacio vectorial, W V , W es de dimensi on nita y dim(W)
dim(V ).
(f) Si W V son dos kespacios vectoriales con la misma dimensi on, V = W.
Demostraci on. Es obvio que (a) y (b) son equivalentes, as como (c) y (d). Haremos
por ejemplo (a), ya que (c) es an alogo. En efecto, si A es un conjunto de n vectores
linealmente independiente, se puede extender a una base. Como toda base ha de tener n
elementos, A es necesariamente una base.
Veamos ahora (e). Si W V , tomamos una base B de W. Aunque no podemos
decir nada acerca de si genera o no todo V , s podemos asegurar que B es un conjunto
linealmente independiente de V , ya que esto s olo depende del conjunto y de k, no del
espacio vectorial en el que est a inmerso el conjunto. As, B puede extenderse a una base
B
de V . Por tanto, como B
ha de ser nita, W es de dimensi on nita y

dim(W) = (B) (B
) = dim(V ).
Veamos por ultimo (f). En efecto, si W V , tomamos como antes una base B de W
y la extendemos a una base B
de V . Dado que dim(W) = dim(V ), ha de ser B = B
y,
por tanto, B genera V , de donde W = V . Q.c.T.
Observaci on. El concepto de coordenadas respecto de una base es uno de los m as impor-
tantes: es particularmente esencial que el alumno distinga entre vectores y coordenadas; si
es necesario poniendo enfasis en los ejemplos distintos de k
n
para acentuar la diferencia.
Proposici on. Sea B = u
1
, ..., u
n
una base de V , v V . Entonces existen unos
escalares unicos
1
, ...,
n
k tales que
v =
1
u
1
+ ... +
n
u
n
.
Demostraci on. La existencia de
1
, ...,
n
est a garantizada por el hecho de que B es
sistema generador de V . Para probar la unicidad supondremos que v se puede expresar
de dos formas distintas como combinaci on lineal de los elementos de B:
v =
1
u
1
+ ... +
n
u
n
=
1
u
1
+ ... +
n
u
n
.
Entonces ha de ser
0 = (
1
1
) u
1
+ ... + (
n
n
) u
n
,
57

de donde, al ser B linealmente independiente,
1
= ... =
n
n
= 0,
esto es,
i
=
i
para i = 1, ..., n. Q.c.T.
Denici on. En la situaci on de la proposici on, la nupla (
1
, ...,
n
) k
n
se denominan
coordenadas de v con respecto a B, y se denota (v)
B
.
En (numerosas) ocasiones abusaremos de la notaci on y consideraremos las coorde-
nadas indistintamente como nupla (
1
, ...,
n
) y como matriz de orden 1n, (
1
...
n
).
Proposici on. Sea V un kespacio vectorial, B = u
1
, ..., u
n
una base de V ; v, v
1
, ..., v
m
vectores de V . Son equivalentes:
(a) v es combinaci on lineal de v
1
, ..., v
m
.
(b) (v)
B
es combinaci on lineal de (v
1
)
B
, ..., (v
m
)
B
.
Demostraci on. Denominemos
(v)
B
= (
1
, ...,
n
) , (v
i
)
B
= (
i1
, ...,
in
) , i = 1, ..., m.
Entonces si tenemos
v =
m
i=1
i
v
i
=
m
i=1
i
_
_
n
j=1
ij
u
j
_
_
=
i,j
(
i
ij
)u
j
,
por lo que, por la unicidad de las coordenadas,
(
1
, ...,
n
) =
_
m
i=1
i1
, ...,
m
i=1
in
_
=
m
i=1
i
(
i1
, ...,
in
) ,
y la otra implicaci on es an aloga. Q.c.T.
Corolario. Dados vectores v, v
1
, ..., v
p
V y escalares
1
, ...,
p
k,
v =
p
i=1
i
v
i
(v)
B
=
p
i=1
i
(v
i
)
B
Observaci on. A partir de este corolario es directo ver que la dependencia e independen-
cia lineal de un conjunto de vectores o el hecho de ser o no sistema generador se pueden
ver a partir de las coordenadas respecto de una base cualquiera.
3.6. Cambios de base.
En esta secci on trabajaremos con k
n
como espacio de coordenadas de un kespacio vecto-
rial arbitrario V de dimensi on n. Como ilustraci on primordial de la diferencia conceptual
58

entre vectores y coordenadas, estudiaremos a fondo la relaci on entre coordenadas respecto
de distintas bases.
Observaci on. En el caso V = k
n
, un conjunto de n vectores S = v
1
, ..., v
n
dados por
v
i
= (a
1i
, ..., a
ni
)
es una base si y s olo si
a
11
... a
1n
.
.
.
.
.
.
.
.
.
a
n1
... a
nn
,= 0.
Veamos por qu e.
Para empezar S es sistema generador porque todo vector de V es combinaci on lineal
de sus elementos, como se puede ver r apidamente por el criterio dado en 3.2.: ning un
vector que a nadamos a la matriz (a
ij
) puede hacer crecer el rango.
Adem as son linealmente independientes, porque el rango de la matriz que forman es
n y, si retiramos una la, el rango disminuye obviamente. As, ninguno de los vectores
depende linealmente de los restantes y el conjunto ha de ser linealmente independiente.
Esta observaci on, llevada al caso general, arroja el siguiente resultado.
Proposici on. Sea V un kespacio vectorial de dimensi on n, B una base cualquiera de V
y u
1
, ..., u
n
un conjunto de vectores tales que
(u
j
)
B
= (a
1j
, ..., a
nj
) .
Entonces u
1
, ..., u
n
son base de V si y s olo si det(a
ij
) ,= 0.
Demostraci on. El resultado se sigue de combinar la observaci on anterior con la
ultima de la lecci on 3.5. Q.c.T.
Vamos a tratar ahora un tema distinto: sea V un kespacio vectorial de dimensi on n,
B = u
1
, ..., u
n
y B
= v
1
, ..., v
n
dos bases de V . Estudiaremos la relaci on que existe
entre las coordenadas de un mismo vector respecto de B y de B
.
Proposici on. En las condiciones anteriores, sea v V con
(v)
B
= (
1
, ...,
n
) , (v)
B
= (
1
, ...,
n
) ,
y sean
(u
i
)
B
= (c
1i
, ..., c
ni
) ,
las coordenadas de los vectores de B respecto de B
. Entonces
_
_
_
_
c
11
... c
1n
.
.
.
.
.
.
.
.
.
c
n1
... c
nn
_
_
_
_
_
_
_
_
1
.
.
.
n
_
_
_
_
=
_
_
_
_
1
.
.
.
n
_
_
_
_
.
Demostraci on. Basta aplicar la denici on de coordenadas respecto de B y B
y la
unicidad de estas ultimas. En concreto, tenemos que
v =
n
i=1
i
u
i
=
n
i=1
i
_
_
n
j=1
c
ji
v
j
_
_
=
n
j=1
_
n
i=1
i
c
ji
_
v
j
,
59

por lo que la coordenada j esima de v respecto de B
es precisamente
1
c
j1
+... +
n
c
jn
=
j
,
de donde se tiene el enunciado. Q.c.T.
Denici on. En las condiciones del enunciado, la matriz (c
ij
) se denomina matriz de
cambio de base de B a B
y se denotar a por M(B, B
), esto es
M(B, B
)(v)
t
B
= (v)
t
B
.
Observaci on. La matriz M(B, B
) es unica vericando la condici on de la proposici on.

En efecto, para que esta se cumpla sobre los vectores de B es inmediato comprobar que
las columnas de la matriz han de ser las coordenadas de los elementos de B respecto de
B
.
Observaci on. Notemos que, como en M(B, B
) aparecen, por columnas, las coorde-

nadas de una base respecto de otra, la matriz ha de ser invertible. En particular, por el
resultado anterior y la unicidad que acabamos de enunciar, se tiene que
M(B, B
)
1
= M(B
, B).
3.7. Subespacios (I): Denici on y ejemplos.
Denici on. Sea V un kespacio vectorial, no necesariamente de dimensi on nita. Un
subconjunto L V se denomina un subespacio vectorial si es, a su vez, un kespacio
vectorial con las mismas operaciones denidas en V .
Ejemplo. Si consideramos Q R, vemos que Q es un subespacio de R como Q
espacio vectorial, pero no como Respacio vectorial pues con la suma y el producto por
escalares reales Qno es espacio vectorial.
Proposici on. Sea L V , L ,= . Son equivalentes:
(a) L es un subespacio vectorial de V .
(b) Dados u, v L y , k cualesquiera, se tiene que u + v L.
Demostraci on. Haremos por separado las dos implicaciones, ya que son esencial-
mente distintas en su estrategia.
(a) =(b) Esta implicaci on es sencilla: como L es kespacio vectorial, el producto
de un escalar por un vector de L ha de estar en L, as como la suma de vectores de L, por
lo que se tiene (b).
(b) =(a) Entre elementos de L tenemos denida una suma, por ser a su vez ele-
mentos de V . La hip otesis (b), para = = 1, asegura que esta suma es una operaci on
interna. As mismo, el producto de un vector de L por un escalar arbitrario es de nuevo un
60

vector de L, tomando en (b) el caso = 0. Por tanto, tenemos denidos en L una suma y
un producto por escalares.
Casi todas las propiedades que debe vericar L para ser kespacio vectorial se veri-
can inmediatamente porque se verican en todo V . S olo hay que vericar que 0 L y
que, dado u L, u L. Pero la primera armaci on se tiene por el caso = = 0 y
la segunda por el caso = 1, = 0. Q.c.T.
Corolario. Si L es subespacio vectorial, cualquier combinaci on lineal de elementos de
L debe estar en L.
Ejemplos. Veamos algunos ejemplos en los casos conocidos.
(a) Dado cualquier kespacio vectorial V , el propio V y 0 son siempre subespacios
vectoriales de V (denominados impropios o triviales).
(b) Sea AX
t
= 0
m1
un sistema homog eneo de m ecuaciones lineales en n inc ognitas,
L el conjunto de sus soluciones. Entonces L es un subespacio vectorial de k
n
. En
efecto, si tomamos dos soluciones, u y v, y dos escalares , k,
A(u +v)
t
= Au
t
+ Av
t
= 0
m1
.
(c) Las matrices diagonales, las triangulares superiores y las triangulares inferiores de
orden mn, son subespacios vectoriales de /(mn; k).
(d) Las funciones derivables en Rson un subespacio de las funciones continuas en R.
Observaci on. Un ejemplo esencial es el siguiente: dado un kespacio vectorial V y un
subconjunto de vectores A denimos el subespacio generado por A como
x V [ x es combinaci on lineal de un subconjunto nito de A ,
denotado L(A) o A). Si A = v
1
, ..., v
m
, tambi en se notar a L(v
1
, ..., v
m
) o v
1
, ..., v
m
).
Proposici on. Sea V un kespacio vectorial de dimensi on nita, A V . Entonces L(A)
es el menor subespacio vectorial de V que contiene a A.
Demostraci on. Veamos primero que L(A) es subespacio vectorial: para ello
tomemos u, v L(A) y , k. Por denici on existen vectores u
1
, ..., u
r
, v
1
, ..., v
s
A
y escalares
1
, ...,
r
,
1
, ...,
s
k tales que
u =
r
i=1
i
u
i
, v =
s
i=1
i
v
i
.
Pero entonces
u + v =
r
i=1
i
u
i
+
s
i=1
i
v
i
,
esto es, es combinaci on lineal de una cantidad nita de vectores de A, por lo que u+v
L(A).
Ahora hemos de probar que L(A) es el menor subespacio que contiene a A, para lo
que tomaremos un subespacio L tal que A L y veremos que L(A) L. Esto es
sencillo, ya que, si v L(A), existen a
1
, ..., a
r
A y
1
, ...,
r
k tales que
v =
1
a
1
+ ... +
r
a
r
.
61

Pero, como a
i
A L, v es combinaci on lineal de elementos de L y, por tanto, est a
en L. Q.c.T.
Corolario. En las condiciones anteriores:
(a) A siempre es sistema generador de L(A). En particular, L(A) = V si y s olo si A
es sistema generador de V .
(b) Si A B, entonces L(A) L(B).
(c) L() = 0.
(d) Si A es un subespacio vectorial, L(A) = A.
Demostraci on. Todas las pruebas son triviales a partir de la proposici on. Q.c.T.
3.8. Subespacios (II): Sistemas de ecuaciones.
Hemos visto que el conjunto de soluciones de un sistema de ecuaciones es un subespacio
de k
n
y que, de alg un modo, lo mismo da trabajar con un kespacio vectorial de dimensi on
n que con k
n
como espacio de coordenadas respecto de una base jada. Ahora veremos
el otro lado de la cuesti on probando que, jada una base para tomar coordenadas, todo
subespacio se puede expresar como el conjunto de soluciones de un sistema de ecuaciones
lineales.
Proposici on. Sea AX
t
= 0
m1
un sistema de m ecuaciones con n inc ognitas, ho-
mog eneo, denido sobre k; L el subespacio vectorial de k
n
formado por las soluciones.
Entonces
dim(L) = n rg(A).
Demostraci on. Tomemos un menor de orden maximal, pongamos h, en A y supon-
gamos que est a formado por las h primeras las y columnas. Entonces, como en la
prueba del teorema de Rouch eFr obenius, consideramos el sistema equivalente de Cramer
formado por las h primeras ecuaciones en x
1
, ..., x
h
, considerando x
h+1
, ..., x
n
como
par ametros. As, todo vector de L es de la forma
v =
_
_
n
i=h+1
d
i1
x
i
,
n
i=h+1
d
i2
x
i
, ...,
n
i=h+1
d
ih
x
i
, x
h+1
, ..., x
n
_
_
=
n
i=h+1
x
i
(d
i1
, ..., d
ih
, 0, ..., 0, 1, 0, ..., 0) ,
con el 1 en la posici on i esima. Denotemos
z
i
= (d
i1
, ..., d
ih
, 0, ..., 0, 1, 0, ..., 0) ,
para i = h + 1, ..., n.
62

Lo anterior implica que L = L(z
h+1
, ..., z
n
). Pero adem as como
rg
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
d
h+1,1
d
h+2,1
... d
n1
d
h+1,2
d
h+2,2
... d
n2
.
.
.
.
.
.
.
.
.
d
h+1,h
d
h+2,2
... d
nh
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
= n h,
los z
i
son linealmente independientes y, por tanto, base de L. De aqu, dim(L) = n
rg(A). Q.c.T.
Observaci on. Como es habitual, lo anterior se puede trasladar a cualquier kespacio
vectorial de dimensi on n, una vez que hemos jado una base B para tomar coordenadas
con respecto a ella. Ahora veremos que, de hecho, esta forma de denir subespacios se
puede utilizar en cualquier caso.
Proposici on. Sea V un kespacio vectorial de dimensi on n, L V un subespacio
vectorial, B una base de V . Entonces existe un sistema de ecuaciones homog eneo AX
t
=
0
m1
tal que
v L (v)
B
es soluci on de AX
t
= 0
m1
.
Demostraci on. Al ser L un kespacio vectorial de dimensi on nita, podemos tomar
una base u
1
, ..., u
s
de L, con coordenadas respecto de B dadas por
(u
i
)
B
= (c
1i
, ..., c
ni
).
Entonces un vector de coordenadas gen ericas (v)
B
= (x
1
, ..., x
n
) est a en L si y s olo
si es combinaci on lineal de los u
i
, lo cual se traduce en que
rg
_
_
_
_
c
11
... c
1s
.
.
.
.
.
.
c
n1
... c
ns
_
_
_
_
= rg
_
_
_
_
c
11
... c
1s
x
1
.
.
.
.
.
.
.
.
.
c
n1
... c
ns
x
n
_
_
_
_
,
lo cual, a su vez, se traduce, usando por ejemplo el m etodo del orlado, en que una serie
de determinantes, con una la de indeterminadas, sean todos 0. Esto es, en denitiva, un
sistema de ecuaciones lineales homog eneo.
Observemos que, si tomamos una base de L, s = dim(L) , la matriz de orden s
n (c
ij
) tiene un menor no nulo de orden s y, por tanto, aparecen exactamente n s
ecuaciones, correspondientes a las n s formas posibles de orlar un menor de orden s en
una matriz (s + 1) n, con s + 1 n. Q.c.T.
Denici on. En la situaci on de la proposici on, el sistema AX
t
= 0
m1
se denomina un
sistema de ecuaciones implcitas de L. Cuando rg(A) = mel sistema se dir a (linealmente)
independiente.
Proposici on. Sea L V un subespacio vectorial, n = dim(V ), s = dim(L) y AX
t
=
0
m1
un sistema de ecuaciones implcitas de L respecto de una base jada B. Entonces
n = s + rg(A).
63

Demostraci on. Todos los ingredientes de la prueba ya se han visto: un vector est a en
L si y s olo si sus coordenadas verican el sistema y esto sucede si y s olo si dichas coor-
denadas son combinaci on lineal de n rg(A) vectores de k
n
linealmente independientes
y que son soluciones del sistema. Los vectores de V que tienen estas soluciones como
coordenadas son, entonces, una base de L.
Notemos que es un buen ejercicio para el alumno ver si es capaz de distinguir, en esta
prueba, cu ando hablamos de coordenadas y cu ando de vectores. Q.c.T.
Observaci on. Es crucial observar que, al basarse en las coordenadas, un sistema de
ecuaciones implcitas de L depende de la elecci on previa de una base y un cambio de
base trae consigo obviamente un cambio del sistema de ecuaciones.
Proposici on. Sea V un kespacio vectorial de dimensi on n, B y B
dos bases de V , L un
subespacio denido, respecto de B por un sistema de ecuaciones implcitas AX
t
= 0
m1
.
Entonces un sistema de ecuaciones implcitas de L respecto de B
viene dado por

AM(B
, B)X
t
= 0
m1
.
Demostraci on. El sistema anterior ser a un sistema de ecuaciones implcitas de L
respecto de B
si verica que v L si y s olo si (v)

B
es soluci on del sistema. Pero esto
ultimo sucede si y s olo si
0
m1
= AM(B
, B)(v)
t
B
= A(v)
t
B
,
lo cual sucede si y s olo si v L. Esto prueba el resultado. Q.c.T.
3.9. Operaciones (I): Teorema de la dimensi on.
En toda esta lecci on consideraremos un kespacio vectorial V de dimensi on n.
Proposici on. Sea L
i
iI
una familia de subespacios vectoriales de V . Entonces el
conjunto
L =
iI
L
i
es un subespacio vectorial.
Demostraci on. Aplicando la caracterizaci on de subespacios es muy f acil: tomamos
u, v pertenencientes a L (en consecuencia a todos los L
i
) y , k. Por ser todos los L
i
subespacios, tenemos que u + v est a en todos los L
i
y, por tanto, en L. Q.c.T.
Observaci on. Como intersecci on de conjuntos que es, la intersecci on de subespacios
verica las propiedades asociativa y conmutativa.
Observaci on. Notemos, sin embargo que no siempre la uni on de subespacios es un
subespacio. Si tomamos, por ejemplo, los subespacios de R
3
denidos por
L
1
: z = 0, L
2
: x = 0,
observaremos que (1, 0, 0), (0, 0, 1) L
1
L
2
, pero su suma no est a en ninguno de ambos,
por lo que no est a en la uni on. Esto se resuelve, como es costumbre en matem aticas,
deniendo una nueva operaci on que resulte lo m as parecida posible a la suma.
64

Denici on. Sean L
i
iI
una familia de subespacios de V . Entonces se dene el subes-
pacio suma de la familia L
i
como
iI
L
i
=
_
_
iI
L
i
_
.
Equivalentemente, si I = 1, ..., n, notaremos
iI
L
i
= L
1
+ ... +L
n
.
Observaci on. Obviamente

iI
L
i
es un subespacio, porque lo hemos denido como
tal. Adem as es trivial que, por ser el menor subespacio que contiene a la uni on de los
L
i
, ha de ser el menor subespacio que contiene a todos los L
i
. As, la suma es, en cierto
modo, la operaci on m as pr oxima posible a la uni on.
Observaci on. Por la forma de denirla, es obvio que la suma de subespacios verica las
propiedades asociativa y conmutativa.
Proposici on. En las condiciones anteriores, dados subespacios L
1
, L
2
, L
3
, se verica:
(a) L
1
+ L
2
= u
1
+ u
2
[ u
i
L
i
(por supuesto, el enunciado an alogo es v alido para
n sumandos).
(b) (Leyes de simplicaci on) L
1
= L
1
+ (L
1
L
2
) = L
1
(L
1
+ L
2
).
(c) (Ley modular) Si L
1
L
3
, L
1
+ (L
2
L
3
) = (L
1
+ L
2
) L
3
.
Demostraci on. Probemos (a) y, para ello, denotemos moment aneamente
M = u
1
+ u
2
[ u
i
L
i
.
Si tomamos un vector cualquiera de M, pongamos v han de existir u
1
L
1
, u
2
L
2
vericando v = u
1
+ u
2
. Pero, por ser L
1
, L
2
L
1
+ L
2
y ser L
1
+ L
2
subespacio, se
tiene que v L
1
+ L
2
.
Para ver la otra inclusi on tomaremos un vector cualquier de L
1
+ L
2
= L
1
L
2
),
pongamos w. Como vimos entonces en 3.7., w ha de ser combinaci on lineal de una
cantidad nita de vectores de L
1
L
2
, esto es
w =
1
a
1
+ ... +
r
a
r
+
1
b
1
+ ... +
s
b
s
,
donde a
i
L
1
, b
j
L
2
, para i = 1, ..., r y j = 1, ..., s. Entonces llamando u
1
=

i
a
i

L
1
y u
2
=

j
b
j
L
2
, tenemos el resultado.
Dejaremos (b), que es el enunciado m as simple, como ejercicio, y probaremos una
de las inclusiones de (c), pues las dos son parecidas. Si, por ejemplo, tomamos u
L
3
(L
1
+ L
2
), eso quiere decir que
u L
3
y, adem as, a
1
L
1
, a
2
L
2
tales que u = a
1
+ a
2
.
Entonces a
2
= u a
1
L
3
(recordemos que a
1
L
1
L
3
), por lo que u se puede
escribir como suma de dos vectores: a
1
L
1
y a
2
L
2
L
3
. Esto naliza la inclusi on.
Q.c.T.
65

Sin duda alguna el resultado esencial que relaciona suma e intersecci on de subespacios
es el teorema de la dimensi on, que tendr a as mismo sus variantes geom etricas.
Teorema de la dimensi on. Sean L
1
, L
2
subespacios de V . Entonces
dim(L
1
+ L
2
) = dim(L
1
) + dim(L
2
) dim(L
1
L
2
).
Demostraci on. Sea B = a
1
, ..., a
p
una base de L
1
L
2
. Como conjunto lineal-
mente independiente en L
1
y L
2
puede ampliarse a sendas bases respectivas
B
1
= a
1
, ..., a
p
, b
1
, ..., b
q
, B
2
= a
1
, ..., a
p
, c
1
, ..., c
r
.
Por denici on de dimensi on basta entonces probar que
o = B
1
B
2
= a
1
, ..., a
p
, b
1
, ..., b
q
, c
1
, ..., c
r
es base de L
1
+ L
2
. Es claro que es sistema generador, pues todo vector de L
1
+ L
2
es
combinaci on lineal de vectores de L
1
(que son a su vez combinaci on lineal de vectores de
B
1
) y de vectores de L
2
(an alogo). Veamos entonces que o es linealmente independiente.
Para ello consideremos
p
i=1
i
a
i
+
q
j=1
j
b
j
+
r
l=1
l
c
l
= 0,
y denotemos para abreviar los tres sumatorios de la izquierda como u, v, w, pertenecientes
respectivamente a L
1
L
2
, L
1
y L
2
.
Entonces, como u +v = w, este vector est a en L
1
L
2
. En concreto est a en L
1
por
ser u + v y est a en L
2
por ser w. Por tanto, podemos escribirlo como
p
i=1
i
a
i
+
q
j=1
j
b
j
=
p
i=1
i
a
i
,
de donde
(
i
i
)a
i
+
j
b
j
= 0 y, al ser B
1
base, esto implica que
i
i
=
j
= 0
para todo i = 1, ..., p y j = 1, ..., q. As, u + w = 0 y, por ser B
2
base, obtenemos
nalmente
i
=
l
= 0 para i = 1, ..., p y l = 1, ..., r. Q.c.T.
Corolario. Dados subespacios L
1
, ..., L
t
de V , se tiene que
dim(L
1
+ ... + L
t
) dim(L
1
) +... + dim(L
t
).
Demostraci on. Ejercicio sencillo por inducci on en t. Q.c.T.
3.10. Operaciones (II): C alculos. Suma directa.
Observaci on. Sean L
1
y L
2
subespacios de un kespacio vectorial V de dimensi on
nita. A la hora de efectuar c alculos explcitos de suma e intersecci on hemos de partir de
datos diferentes: como hemos visto en la demostraci on del teorema de la dimensi on, si
tenemos
L
1
= L(u
1
, ..., u
s
) , L
2
= L(v
1
, ..., v
t
) ,
66

es sencillo vericar que
L
1
+ L
2
= L(u
1
, ..., u
s
, v
1
, ..., v
t
) .
El caso de n sumandos es an alogo. No obstante, hemos de ser cuidadosos en el sentido
de que, a un en el caso de que los sistemas generadores escogidos sean bases, el sistema
generador hallado al unirlo no tiene por qu e serlo. Un ejemplo elemental puede ser tomar
L
1
= V y L
2
,= 0 con sistemas generadores cualesquiera.
En caso de que queramos calcular la intersecci on, los sistemas generadores de L
1
y L
2
no son de mucha utilidad ya que estos representan la faceta constructiva del problema (se
usan para crear vectores por combinaci on lineal) mientras que la intersecci on representa
una operaci on restrictiva. Por ello, es mucho m as util usar dos sistemas de ecuaciones que
denan respectivamente a L
1
y a L
2
. En efecto, ya que un vector estar a en L
1
si y s olo si
verica el primer sistema, y an alogamente para L
2
, es inmediato ver que un vector est a en
L
1
L
2
si y s olo si verica ambos sistemas de ecuaciones. As, un sistema de ecuaciones
de L
1
L
2
se obtiene reuniendo ambos sistemas.
De la misma forma que en el caso de la suma, el escoger sistemas de ecuaciones
independientes no garantiza que el sistema obtenido para la intersecci on sea de ecuaciones
independientes. El mismo ejemplo que pusimos anteriormente sirve para este caso.
Veamos ahora una situaci on particular que tiene numerosas aplicaciones.
Denici on. Sean L, L
1
, L
2
, ..., L
n
subespacios vectoriales de V . Decimos que L es suma
directa de L
1
, ..., L
n
, (o que L
1
, ..., L
n
est an en suma directa) notado
L =
n
i=1
L
i
= L
1
... L
n
,
si se verican las dos condiciones siguientes:
(a) L = L
1
+ ... + L
n
.
(b) L
i
j=i
L
j
_
= 0 para cualquier i.
En particular, L = L
1
L
2
si L = L
1
+ L
2
y L
1
L
2
= 0. Este caso es el que
aparecer a con m as frecuencia.
Observaci on. De la denici on y del teorema de la dimensi on se sigue que:
(a) Si L
1
, ..., L
n
est an en suma directa, tambi en lo est an cualquier subconjunto de ellos.
(b) dim(L
1
... L
n
) = dim(L
1
) +... + dim(L
n
). (Inducci on en n trivial)
Proposici on. Sea L = L
1
+ ... + L
n
. Las condiciones siguientes son equivalentes:
(a) L = L
1
... L
n
.
(b) Para todo v L existen unicos u
1
L
1
, ..., u
n
L
n
tales que v = u
1
+ ... + u
n
.
(c) Para cualesquiera B
1
, ..., B
n
, bases respectivas de L
1
, ..., L
n
, B
1
... B
n
es base
de L.
67

Demostraci on. Como hemos de probar que cualquiera de los enunciados implica los
otros dos, haremos la prueba siguiendo el esquema (a) =(b) =(c) =(a).
(a) =(b) La existencia est a garantizada por el hecho de que L = L
1
+ ... + L
n
.
Para ver la unicidad, si tenemos v = u
1
+ ... + u
n
= u
1
+ ... + u
n
, con u
i
, u
i
L
i
,
tendramos
u
1
u
1
= (u
2
+... +u
n
) (u
2
+ ... + u
n
) L
1
_
_
j>1
L
j
_
_
= 0,
por lo que u
1
= u
1
. Para un i cualquiera se procede an alogamente.
(b) =(c) El hecho de que B
1
... B
n
es sistema generador est a garantizado
porque L = L
1
+ ... + L
n
. Hemos de probar que es linealmente independiente y, para
ello, tomamos una combinaci on lineal
0 =
r
1
i=1
1i
a
1i
+ ... +
r
n
i=1
n1
a
ni
, con a
ji
B
j
=
_
a
j1
, ..., a
jr
j
_
,
ji
k.
Pero en la expresi on anterior escribimos 0 L como suma de un vector de cada L
i
.
Sin embargo, otra forma equivalente de expresarlo es 0 = 0 + ... + 0. Por la unicidad de
esta forma de expresi on (que es la hip otesis (b)) hemos de tener necesariamente
0 =
r
1
i=1
1i
a
1i
= ... =
r
n
i=1
ni
a
ni
,
y, al ser las B
j
bases, tenemos que, para cualesquiera j = 1, ..., n; i = 1, ..., r
j
;
ji
= 0
como queramos probar.
(c) =(a) Sean B
1
, ..., B
n
bases respectivas de L
1
, ..., L
n
, veric andose dim(L
i
) =
r
i
. Si es necesario, multiplicaremos algunos vectores de cada B
i
por escalares no nulos
para garantizar que B
i
B
j
= en cualquier caso. Entonces
dim
_
_
L
i
j=i
L
j
_
_
= dim(L
i
) + dim
_
_
j=i
L
j
_
_
dim(L).
Pero, por (c), B
1
... B
n
esbase de L y, obviamente, B
1
B
i1
B
i+1
... B
n
lo
es de
j=i
L
j
, por ser linealmente independiente. As,
dim
_
_
L
i
j=i
L
j
_
_
= r
i
+
j=i
r
j

n
j=1
r
j
= 0,
lo que prueba (a). Q.c.T.
Denici on. Dados subespacios L L
0
, diremos que L
es un subespacio complemen-
tario de L en L
0
cuando L
0
= L L
.
Observaci on. Por los resultados anteriores, una forma de calcular un subespacio com-
plementario de L en L
0
consiste en tomar una base, B
L
, de L y ampliarla a una base B de
L
0
. Entonces los vectores de B B
L
forman una base de un subespacio complementario.
En particular, salvo que L sea un subespacio trivial de L
0
, no existe un unico subespacio
complementario.
68

3.11. Producto escalar. M odulo.
Consideramos en las restantes secciones de este tema V , un kespacio vectorial V de
dimensi on nita, donde k ser a casi siempre R o C (por tanto, tras elecci on de una base,
podemos identicar V con k
n
).
Denici on. Fijada una base en V y tomando coordenadas respecto de ella, el producto
escalar en V es la aplicaci on : V V k, denida por
u v = u v
.
Esto es, siendo u = (a
1
, ..., a
n
), v = (b
1
, ..., b
n
), si k = Rtenemos que
u v = u v
t
= a
1
b
1
+... +a
n
b
n
.
Por otro lado, si k = C, entonces
u v = u v
t
= a
1
b
1
+... +a
n
b
n
.
El par (V, ) se denomina un espacio vectorial eucldeo (real o complejo, seg un el
cuerpo sobre el que est en denidos)
3
.
Observaci on. Algunas propiedades elementales del producto escalar son:
1. u v = v u
t
2. u v = v u.
3. (u + w) v = u v +w v.
4. u (w +v) = u w +u v.
5. u u es un n umero real estrictamente positivo para todo u ,= 0.
Las propiedades son traslaci on directa de las equivalentes para el producto de matri-
ces. Notemos que, en el caso k = R,
u v = v u.
Denici on. En este contexto, cuando dos vectores u y v verican que u v = 0 se dice
que son ortogonales y se suele denotar u v.
Denici on. El n umero real no negativo

u u se denomina m odulo del vector u, y se
denota por [[u[[.
Si u = (a
1
, ..., a
n
), entonces, cuando k = R,
[[u[[ =
_
a
2
1
+... +a
2
n
,
mientras que si k = C, entonces
[[u[[ =
_
[a
1
[
2
+... +[a
n
[
2
.
Proposici on. Dados u, v V , se verica:
3
En algunas referencias se puede encontrar la terminologa espacio vectorial eucldeo para referirse
unicamente al caso real, mientras que el caso complejo se denomina espacio vectorial unitario.
69

(a) [[u[[ = [[ [[u[[.
(b) [[u[[ = 0 u = 0.
(c) [u v[ [[u[[ [[v[[, con igualdad si y s olo si u y v son linealmente dependientes
(desigualdad de CauchySchwartz).
(d) [[u + v[[ [[u[[ +[[v[[ (desigualdad triangular).
(e) [[u + v[[
2
= [[u[[
2
+[[v[[
2
si y s olo si u v (teorema de Pit agoras).
Demostraci on. Las propiedades (a) y (b) se reducen a aplicar la denici on de forma
directa.
Para ver (c) supondremos que u ,= 0 (si no, el resultado es trivial) y llamamos
=
v u
u u
,
que verica
(u v) u
= 0.
Entonces
0 [[u v[[ = (u v) (u v)
= (u v)u
(u v)v
= (u v)v
= u v
+ v v
=
1
[[u[[
2
_
[[u[[
2
[[v[[
2
(v u
)(u v
)
_
.
Si tenemos en cuenta que
(v u
) = (u v
)
y, por tanto,
(v u
)(u v
) = [u v
[
2
,
entonces lo que tenemos arriba es
0
1
[[u[[
2
_
[[u[[
2
[[v[[
2
[u v
[
2
_
[u v[ [[u[[ [[v[[
El apartado (d) es consecuencia directa del siguiente desarrollo:
[[u + v[[
2
= (u + v) (u + v) = [[u[[
2
+ u v
+v u
+[[v[[
2
[[u[[
2
+ 2[u v[ +[[v[[
2
[[u[[
2
+ 2[[u[[ [[v[[ +[[v[[
2
= ([[u[[ +[[v[[)
2
,
donde hemos aplicado (en la segunda desigualdad) el apartado (c). Adem as, la primera
lnea prueba el apartado (e). Q.c.T.
Observaci on. La desigualdad triangular es igualdad si y s olo si u y v son linealmente
dependientes y, adem as, u v 0.
Observaci on. Un kespacio vectorial V (no necesariamente de dimensi on nita) junto
con una aplicaci on de V en los reales no negativos
[[ [[ : X R
+
x [[x[[
70

que verique las propiedades (a), (b) y (d) anteriores se denomina un espacio vectoriales
normado. Estos espacios aparecen con mucha frecuencia en otras ramas de la Matem atica,
como la Topologa y el An alisis, donde el t ermino norma sustituye habitualmente al de
m odulo.
Las propiedades (c) y (e) son tambi en comunes a todos los espacios vectoriales nor-
mados.
3.12. Ortogonalidad.
Denici on. Un conjunto de vectores o = u
1
, ..., u
r
se dice ortogonal cuando los
vectores de o lo son dos a dos; esto es, cuando u
i
u
j
= 0 para todo i ,= j. Si, adem as, en
o se verica que para todo i = 1, ..., r, [[u
i
[[ = 1, o se denomina un conjunto ortonormal.
Ejemplo. La base habitual es una base ortonormal. Una base ortogonal de R
3
es, por
ejemplo, (1, 1, 1), (1, 1, 0), (1, 1, 2).
Proposici on. Dado un subespacio vectorial L, el ortogonal de L, denido por
L
= u [ u v, para todo v L
es tambi en un subespacio vectorial que verica L L
= V .
Demostraci on. Si tomamos una base de L, B
L
= u
1
, ..., u
r
, entonces
v L
v u
i
v u
i
= v u
i
= 0
u
i
v
t
= 0.
De esta forma, si notamos A /(r n; k) la matriz que verica F(A)
i
= u
i
,
entonces un vector (x
1
, ..., x
n
) L
si y s olo si
A
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
= 0
r1
.
Esto prueba que L
es un subespacio vectorial de dimensi on nrg(A) = ndim(L).

Adem as, es elemental que u u si y s olo si u = 0, por lo que L L
= 0. Por tanto,
usando el teorema de la dimensi on,
dim(L + L
) = dim(L) + dim(L
) dim(L L
) = n,
Proposici on. Dados subespacios L
1
y L
2
de V se verica:
(a) V
= 0, 0
= V .
(b) (L
1
+ L
2
)
= L
1
L
2
.
71

(c) (L
1
L
2
)
= L
1
+L
2
.
(d) (L
= L.
Demostraci on. La primera propiedad es directa. En cuanto a (b) y (c), dado que son
similares, probaremos una, por ejemplo (b), y dejaremos (c) como ejercicio.
En primer lugar, si v (L
1
+ L
2
)
, entonces v ha de ser ortogonal, en particular, a

todos los vectores de L
1
y L
2
y, en consecuencia, v L
1
L
2
. Para ver la otra inclusi on
basta recordar que todo vector u L
1
+ L
2
se puede expresar como u = u
1
+ u
2
, con
u
i
L
i
(3.9.). Entonces si v L
1
L
2
,
v u = v (u
1
+ u
2
) = v u
1
+ v v
2
= 0,
lo que prueba el resultado.
Por su parte, el apartado (d) es directo de observar que L (L
(por denici on de
subespacio ortogonal) y
dim
_
(L
_
= n dim(L
) = dim(L).
Q.c.T.
Observaci on. De todo lo anterior se sigue que un procedimiento sencillo para hallar el
subespacio ortogonal a un subespacio L consiste en:
(a) Si L viene dado por un conjunto de generadores, dichos generadores, escritos en
las, forman una matriz cuya conjugada es la matriz de coecientes de un sistema
de ecuaciones de L
.
(b) Si L viene dado por un sistema de ecuaciones, las las de la matriz de coecientes
del sistema son los conjugados de un conjunto de vectores de V que genera L
.
Proposici on. Sea B una base ortonormal. Entonces, para cualesquiera u, v V se tiene
que
u v = (u)
B
(v)
B
.
Demostraci on. Basta recordar, de 3.6., que, si ( es la base habitual,
M((, B)v
t
C
= v
t
B
de donde
M((, B)v
C
= v
B
y, por tanto,
(u)
B
(v)
B
= u
C
M((, B)
t
M((, B)v
C
,
y, como las columnas de M((, B) son las coordenadas de los vectores de B, tenemos que
M((, B)
t
M((, B) = I
n
,
por ser B base ortonormal. Q.c.T.
72

Corolario. Sea V un Respacio vectorial, B una base ortonormal de V . Entonces, para
cualesquiera u, v V se tiene que
u v = (u)
B
(v)
t
B
.
Proposici on. Sea B una base ortonormal de V . Entonces otra base, B
, es ortonormal si
y s olo si se verica
M(B
, B)
M(B
, B) = I
n
,
esto es, si y s olo si la matriz del cambio de base es unitaria.
Demostraci on. Basta aplicar las siguientes igualdades conocidas:
M(B
, B)
M(B
, B) = [M((, B)M(B
, ()]
[M((, B)M(B
, ()]
= M(B
, ()
M((, B)
M((, B)M(B
, ()
= M(B
, ()
M(B
, () = I
n
Q.c.T.
Corolario. Si V es un Respacio vectorial y B una base ortonormal de V , entonces otra
base, B
, es ortonormal si y s olo si se verica

M(B
, B)
t
M(B
, B) = I
n
.
esto es, si y s olo si la matriz del cambio de base es ortogonal.
Denici on. Sea A /(n; k).
(a) Cuando k = R, si A verica A
t
A = I
n
(o, lo que es igual, que A
t
= A
1
), A se
denomina matriz ortogonal (no ortonormal).
(b) Cuando k = C, si A verica A
A = I
n
(o, lo que es igual, que A
= A
1
), A se
denomina matriz unitaria.
Observaci on. Dado que el elemento (i, j) de A A
es el producto escalar de F(A)

i
por
F(A)
j
, se tiene que una matriz es unitaria (respectivamente, ortogonal) si y s olo si sus
las forman una base ortonormal del espacio V .
As mismo, teniendo en cuenta que
A A
= I
n
A
A = I
n
,
es obvio entonces que una matriz es unitaria (respectivamente, ortogonal) si y s olo si sus
columnas forman una base ortonormal del espacio V .
3.13. Expansi on de Fourier. Algoritmo de GramSchmidt.
Las bases ortonormales son interesantes por muchos motivos. Uno de ellos es que per-
miten obtener de manera sencilla las coordenadas de cualquier vector respecto de ellas,
mediante el procedimiento conocido como expansi on de Fourier.
73

Proposici on (Expansi on de Fourier). Sea un kespacio vectorial eucldeo (V, ) de
dimensi on n, B = u
1
, ..., u
n
una base ortonormal de V y v V cualquiera. Entonces
v =
n
i=1
(u
i
v)u
i
.
Esta expresi on se denomina expansi on de Fourier de v respecto de B y los escalares
u
i
v = u
i
v
se denominan coecientes de Fourier..

Demostraci on. Es inmediata. Supongamos que
v =
1
u
1
+ ...
n
u
n
,
de donde
u
i
v =
i
,
y esto demuestra el resultado, por la unicidad de las coordenadas respecto de una base.
Q.c.T.
Nos dedicaremos el resto de esta lecci on a dise nar un procedimiento para obtener una
base ortonormal. Como vimos en la pasado lecci on, una vez que sepamos hallar esta
base, podremos considerar en lo sucesivo que todo espacio vectorial eucldeo es, salvo
isomorsmo y cambio de base, k
n
(con k = R, C) con el producto escalar habitual (el
que sea).
Proposici on. Dado un subespacio L, existe una base ortonormal de L.
Demostraci on. Partimos de una base de L, B
L
= u
1
, ..., u
r
. Consideremos en-
tonces los siguientes vectores:
v
1
= u
1
v
2
= u
2
v
1
u
2
v
1
v
1
v
1
.
.
.
.
.
.
v
r
= u
r

v
1
u
r
v
1
v
1
v
1
...
v
r1
u
r
v
r1
v
r1
v
r1
y comprobemos que forman una base ortogonal.
Para ello, probaremos por inducci on que, dado un vector v
i
, este es ortogonal a todos
los v
j
, con j < i. Esto, junto con el hecho de que el producto escalar es conmutativo,
cuando los vectores son ortogonales, prueba que el conjunto v
1
, ..., v
r
es ortogonal.
Para probar el caso i = 2, s olo hay que comprobar que
v
1
v
2
= v
1
_
u
2
v
1
u
2
v
1
v
1
v
1
_
= v
1
u
2
v
1
u
2
v
1
v
1
v
1
v
1
= 0.
Para el caso general, supondremos cierto el resultado para los vectores v
1
, ..., v
i1
y
lo probaremos para v
i
. Entonces, si j < i,
v
i
v
j
=
_
u
i
v
1
u
i
v
1
v
1
v
1
...
v
i1
u
i
v
i1
v
i1
v
i1
_
v
j
= u
i
v
j

v
1
u
i
v
1
v
1
v
1
v
j
...
v
i1
u
i
v
i1
v
i1
v
i1
v
j
74

y, por hip otesis de inducci on, todos los sumandos anteriores son 0, salvo el correspon-
diente a v
j
. As,
v
i
v
j
= u
i
v
j

v
j
u
j
v
j
v
j
v
j
v
j
= 0.
S olo resta comprobar que v
1
, ..., v
r
son base de L. Pero para ello basta comprobar
que, en efecto, son vectores de L y que cada v
i
se puede escribir como
v
i
= u
i
+
1
u
1
+ ... +
i1
u
i1
,
para ciertos
1
, ...,
i1
k que dependen de v
i
, pero cuya expresi on concreta carece de
importancia a estos efectos. As, la matriz B denida por C(B)
i
= (v
i
)
t
B
L
verica
[B[ =
1 ...
0 1 ...
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... 1
= 1,
y, por tanto (ver 3.2.) el conjunto v
1
, ..., v
r
es linealmente independiente, luego son
base de L al ser dim(L) = r.
Una vez hecho esto, la base ortonormal buscada es simplemente
B =
_
1
[[u
1
[[
u
1
, ...,
1
[[u
r
[[
u
r
_
.
Q.c.T.
Observaci on. El procedimiento anterior se denomina algoritmo de ortonormalizaci on
de GramSchmidt.
Observaci on. La matriz de paso entre la base original de L y la base ortonormal hallada
es triangular superior.
75

Tema 4: Homomorsmos de espacios
vectoriales
4.1. Homomorsmos de espacios vectoriales.
Denici on. Un homomorsmo entre dos kespacios vectoriales V y V
es una aplicaci on
f : V V
que verica la siguiente propiedad: para cualesquiera u, v V y , k

se tiene que
f(u + v) = f(u) +f(v).
Observaci on. La condici on anterior es equivalente a la siguiente: para cualesquiera
u, v V y k se verica:
f(u + v) = f(u) +f(v), f(u) = f(u).
Denici on. El conjunto de los homomorsmos de V en V
se denota Hom(V, V
).
Un homomorsmo de V en s mismo se denomina un endomorsmo (de V ). El con-
junto de los endomorsmos se denota End(V ).
Observaci on. Dado f Hom(V, V
) se tienen, inmediatamente, las siguientes igual-

dades
f(0) = 0, f(u) = f(u).
Probaremos la primera y dejaremos la segunda como ejercicio. En efecto, para un
k cualquiera
f(0) = f(0) = f(0),
de donde (1)f(0) = 0. As ha de ser 1 = 0 para todo k, lo cual es obviamente
imposible, o bien f(0) = 0, como queramos probar.
Un comentario a esta sencilla prueba: hay que destacar el hecho de que el mismo
smbolo, 0, designa dos vectores distintos: el elemento neutro de V , sobre el que act ua f,
y su imagen, que es el elemento neutro de V
.
Observaci on. Sea f Hom(V, V
), v, v
1
, ..., v
p
V . Entonces si v depende lineal-
mente de v
1
, ..., v
p
, f(v) depende linealmente de f(v
1
), ..., f(v
p
). Para verlo s olo hay que
escribir
v =
p
i=1
i
v
i
= f(v) =
p
i=1
i
f(v
i
).

Por tanto si S V es linealmente dependiente, f(S) = f(w) [ w S tambi en
lo es. Sin embargo si S es linealmente independiente, f(S) no tiene por qu e serlo (ver
ejemplo (b) m as abajo).
El resto de esta secci on lo dedicaremos a poner numerosos ejemplos (no necesaria-
mente entre espacios de dimensi on nita).
Ejemplos. Algunos homomorsmos de espacios vectoriales son los siguientes:
(a) Dados un kespacio vectorial V y un subespacio L V , la aplicaci on
i : L V
v v
denominada la inmersi on de L en V , es un homomorsmo de espacios vectoriales.
Notemos que i es inyectiva. En el caso particular L = V la aplicaci on se denota
Id
V
End(V ) y se denomina identidad de V .
(b) Dado un kespacio vectorial V , la aplicaci on
f : V 0
v 0
denominada la aplicaci on nula, es un homomorsmo de espacios vectoriales.
(c) Dada una matriz A /(n; k) se denomina la traza de Aa la suma de sus elementos
diagonales, Tr(A) =

a
ii
. La aplicaci on
Tr : /(n; k) k
A Tr(A)
es un homomorsmo de espacios vectoriales.
(d) Sean V = k
m
, V
= k
n
, A /(n m; k). Consideramos la aplicaci on dada por
f : V V
(a
1
, ..., a
n
) A
_
_
_
_
a
1
.
.
.
a
n
_
_
_
_
Entonces f es un homomorsmo de V en V
. De forma similar podemos probar

que, dados V y V
espacios de dimensiones m y n, con bases respectivas B y B
, la
aplicaci on
f : V V
v f(v) tal que [f(v)]

t
B
= A(v)
t
B
es un homomorsmo por las propiedades vistas en 3.5. ( ultimo corolario de la
lecci on).
(e) Dado p(X) k[X], un ejemplo de endomorsmo de k[X] es
p(X)
: k[X] k[X]
q(X) p(X)q(X)
77

(f) Sea V = C
(a, b) el conjunto de funciones innitamente diferenciables en el in-

tervalo (a, b) R. Entonces la aplicaci on
D : V V
f(x) D(f(x)) = f
(x)
es un endomorsmo de V .
(g) Siendo V = C[a, b] el conjunto de funciones continuas en [a, b] las aplicaciones
I : V R L
c
: V R
f(x) I(f) =
_
b
a
f(x)dx f(x) L
c
(f) = lim
xc
f(x)
son homomorsmos de Respacios vectoriales (para el segundo jamos cualquier
c (a, b)).
(h) Si V es un kespacio vectorial de dimensi on n y B es una base de V , la aplicaci on
f : V k
n
v (v)
B
es un homomorsmo de espacios vectoriales (ver, de nuevo, 3.5.).
(i) La aplicaci on
f : C C
z z
es un homomorsmo de Respacios vectoriales, pero no de Cespacios vectoriales.
4.2. Matriz de un homomorsmo.
Hemos visto que, tomando coordenadas respecto de dos bases, multiplicar por una matriz
es un homomorsmo. En esta lecci on probaremos el recproco; esto es, que, esencial-
mente, todos los homomorsmos entre espacios de dimensi on nita (no consideraremos
otros en adelante) se reducen a multiplicar por una matriz.
Proposici on. Dados V y V
kespacios vectoriales de dimensiones respectivas m y n,

B y B
bases de V y V
, y f Hom(V, V
); existe una unica matriz A /(n m; k)

vericando que, para todo v V ,
A(v)
t
B
= [f(v)]
t
B
.
Demostraci on. Escribimos B = w
1
, ..., w
m
, B
= z
1
, ..., z
n
, y notaremos
f (w
i
) =
n
j=1
a
ji
z
j
[f(w
i
)]
t
B
=
_
_
_
_
a
1i
.
.
.
a
ni
_
_
_
_
.
78

Entonces si ponemos, para un v V arbitrario,
(v)
B
= (
1
, ...,
m
) v =
m
i=1
i
w
i
,
tenemos que
f(v) =
m
i=1
i
f (w
i
) =
m
i=1
i
_
_
n
j=1
a
ji
z
j
_
_
,
esto es,
[f(v)]
t
B
=
_
m
i=1
i
a
1i
, ...,
m
i=1
i
a
ni
_
de donde llamando A = (a
ij
) /(n m; k), resulta
A(v)
t
B
= [f(v)]
t
B
.
Notemos que la matriz A tiene por columnas las coordenadas, respecto de B
, de las
im agenes de los vectores de B. Dicho de otro modo,
C(A)
i
= (f(w
i
))
t
B
, i = 1, ..., m.
Pero, si queremos que A verique el enunciado, esta condici on debe cumplirse. Esto
demuestra la unicidad de A.
Denici on. La matriz A del enunciado anterior se denomina matriz de f respecto de las
bases B y B
, y se denota M
B,B
(f). Cuando f End(V ) y escogemos B = B
, A se
denota M
B
(f).
Ejemplos. Con algunos de los casos que estudiamos en 4.1., veamos algunas matrices
de homomorsmos. Notemos que, para dar una matriz, previamente hay que jar bases
en el espacio original y en el espacio de llegada.
(a) Si L V es un subespacio, con dim(L) = l, dim(V ) = m, tomamos B
L
una base
de L y la extendemos a una base B
V
de V . Entonces
M
B
L
,B
V
(i) =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 ... 0
0 1 ... 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... 1
0 0 ... 0
.
.
.
.
.
.
.
.
.
0 0 ... 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
/(ml; k).
En particular, cuando L = V , M
B
(Id
V
) = I
m
, pero M
B,B
(Id
V
) ,= I
m
, si B , = B
.
(b) La matriz de la aplicaci on nula de V (dim(V ) = n) en 0 es, obviamente, 0
1n
.
(c) Si consideramos V = /(n; k) y consideramos la base
B = E
11
, E
12
, ..., E
1n
, E
21
, ..., E
2n
, ..., E
n1
, ..., E
nn
,
y la base 1 de k entonces M
B,{1}
(Tr) es una matriz la de n
2
columnas con 1
en las columnas 1, n + 2, 2n + 3,...,1 + i(n + 1),...,1 + (n 1)(n + 1) = n
2
,
(correspondientes a las E
ij
con i = j) y 0 en las restantes.
79

Estudiemos ahora c omo hallar, conocida la matriz de un homomorsmo respecto de
dos bases, la matriz del mismo homomorsmo pero respecto de bases distintas.
Proposici on. Sean V, V
dos kespacios vectoriales de dimensiones m y n, B y ( bases

de V ; B
y (
bases de V
. Entonces, dado f Hom(V, V
) se verica
M(B
, (
)M
B,B
(f)M((, B) = M
C,C
(f).
Demostraci on. Dado que la matriz de f, jadas dos bases, es unica, s olo hay que
probar que el t ermino de la izquierda verica la propiedad que determina la matriz de la
derecha. Pero, para cualquier v V ,
M(B
, (
)M
B,B
(f)M((, B)(v)
t
C
= M(B
, (
)M
B,B
(f)(v)
B
= M(B
, (
) (f(v))
t
B
= (f(v))
t
C
,
lo que demuestra el resultado, ya que la matriz M
C,C
(f) es la unica que verica esta
igualdad para cualquier v V .
Corolario. Dadas dos bases B y B
de un kespacio vectorial V ,
M
B,B
(Id
V
) = M(B, B
).
As, podemos entender los cambios de base como un caso particular de homomor-
smo.
Proposici on. Sean f Hom(V, V
), g Hom(V
, V
), B, B
, B
bases de V , V
y V
respectivamente. Entonces g f Hom(V, V
) y, de hecho,
M
B,B
(g f) = M
B
,B
(g)M
B,B
(f).
Demostraci on. Por el mismo razonamiento que en la proposici on anterior, basta
demostrar que, para cualquier v V ,
M
B
,B
(g)M
B,B
(f)(v)
t
B
= [(g f)(v)]
t
B
,
pero
M
B
,B
(g)M
B,B
(f)(v)
t
B
= M
B
,B
(g) (f(v))
t
B
= [g(f(v))]
t
B
,
lo que naliza la demostraci on.
4.3. N ucleo e imagen de un homomorsmo.
Observaci on. Recordemos de los rudimentos de teora de conjuntos explicados en 1.3.
que, dada una aplicaci on f : X Y y subconjuntos A X y B Y , denamos
f(A) = f(x) [ x A Y
f
1
(B) = x X [ f(x) B X
80

Proposici on. Sea f Hom(V, V
), L V y L
dos subespacios vectoriales.

Entonces f(L) V
y f
1
(L
) V son a su vez subespacios vectoriales. M as a un, si

L =
_
u
1
, ..., u
p
_
, entonces
f(L) =
_
f (u
1
) , ..., f(u
p
)
_
.
Por otra parte, si B y B
son bases de V y V
, y AX
t
= 0
l1
es un sistema de ecua-
ciones implcitas de L
con respecto a B
, entonces
AM
B,B
(f)X
t
= 0
l1
es un sistema de ecuaciones implcitas de f
1
(L
) con respecto a B.
Demostraci on. La primera armaci on es trivial por doble inclusi on. Ya vimos en
4.1. que la imagen de cualquier vector de L es combinaci on lineal de las im agenes de los
u
i
. Pero, obviamente, si un vector de V
es de la forma
w =
1
f (u
1
) +... +
p
f(u
p
),
entonces w = f(
i
u
i
) f(L).
Para demostrar que un sistema de ecuaciones implcitas dene un conjunto concreto,
hay demostrar que un elemento est a en dicho conjunto si y s olo si verica las ecuaciones.
Por tanto, notemos que u f
1
(L
) si y s olo si f(u) L
.
Ahora bien, al ser AX
t
= 0
l1
un sistema de ecuaciones de L
, con respecto a B
,
f(u) L
si y s olo si
0
l1
= A[f(u)
B
]
t
= AM
B,B
(f) [(u)
B
]
t
,
lo que prueba que el sistema de ecuaciones propuesto es, de hecho, un sistema de ecua-
ciones de f
1
(L
). Al estar denido a partir de un sistema de ecuaciones, f

1
(L
) es un
subespacio de V .
Veamos ahora los dos casos particulares m as interesantes de imagen y antiimagen.
Denici on. Sea f Hom(V, V
). Se denen:
(a) El n ucleo de f, denotado
3
ker(f), es la imagen recproca del subespacio 0; esto
es,
f
1
(0) = v V [ f(v) = 0.
(b) La imagen de f, denotada Img(f) es el conjunto f(V ), esto es,
Img(f) = f(v) [ v V .
Observaci on. Los procedimientos anteriores para hallar im agenes e im agenes recpro-
cas, cuando se aplican al n ucleo y la imagen de un homomorsmo resultan especialmente
simples; sobre todo si conocemos una matriz de f respecto de dos bases.
3
Del alem an kernel. Una de las pocas notaciones de origen alem an que quedan junto con Z de z ahlen.
81

En efecto, si f Hom(V, V
) y conocemos M = M
B,B
(f) /(nm; k), entonces,
el n ucleo de f es precisamente el conjunto de vectores cuya imagen es 0, por lo que unas
ecuaciones implcitas son, de forma inmediata,
M
_
_
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
_
_
_
_
= 0
n1
,
o, escritas en la forma usual, MX
t
= 0
n1
.
Por otro lado, si B = v
1
, ..., v
m
es base de V , como B es sistema generador de V ,
un sistema generador de Img(f) es f(v
1
), ..., f(v
m
) cuyas coordenadas respecto de B
son, precisamente, las columnas de M.

Recordemos que, dado que un conjunto linealmente independiente puede perder esta
condici on al aplic arsele un homomorsmo, el sistema generador obtenido anteriormente,
no tiene por qu e ser base de Img(f), como se puede comprobar en algunos de los ejemplos
vistos en 4.1. y 4.2.
De estas dos observaciones se deduce que
dim(ker(f)) = mrg(M), dim(Img(f)) = rg(M),
y as hemos probado el siguiente resultado.
). Entonces
dim(ker(f)) + dim(Img(f)) = dim(V ).
4.4. Isomorsmos.
Veamos ahora un ejemplo de la utilidad del n ucleo y la imagen, a la hora de estudiar
un homomorsmo: en concreto nos dicen qu e tipo de aplicaci on es el homomorsmo en
cuesti on.
). Entonces
(a) f es inyectiva si y s olo si ker(f) = 0.
(b) f es sobreyectiva si y s olo si Img(f) = V
.
Demostraci on. El enunciado (b) es trivial, por denici on de sobreyectividad y de
Img(f). Por tanto, probaremos (a). Es tambi en obvio que, como f(0) = 0, si f es
inyectiva el n ucleo ha de reducirse necesariamente a 0.
Para ver la otra implicaci on supongamos que ker(f) no contiene otro vector que el
nulo y que f no es inyectiva. As, han de existir u, v V distintos tales que f(u) = f(v).
Pero entonces f(u v) = f(u) f(v) = 0, con lo que hemos hallado un vector (en
82

concreto u v) no nulo en el n ucleo, contradiciendo la hip otesis. Por consiguiente, f
debe ser inyectiva.
Observaci on. Una aplicaci on inyectiva s preserva la independencia lineal. En efecto, si
f es inyectiva y u
1
, ..., u
r
son linealmente independientes, tenemos que
0 =
r
i=1
i
f(u
i
) =
r
i=1
f (
i
u
i
) = 0 =
r
i=1
i
u
i
=
1
= ... =
r
= 0.
Corolario. Si f Hom(V, V
) y dim(V ) = dim(V
), son equivalentes:
(a) f es biyectiva.
(b) f es inyectiva.
(c) f es sobreyectiva.
Demostraci on. Haremos (a) (b), ya que (a) (c) es muy similar. Obvi-
amente (a) = (b), as que nos podemos reducir a la otra implicaci on. Pero, si f es
inyectivo,
dim(V
) = dim(V ) = dim(ker(f)) + dim(Img(f)) = dim(Img(f)),

de donde Img(f) = V
y f es sobre.
Denici on. Un homomorsmo f Hom(V, V
) biyectivo se denomina un isomorsmo.

Si existe un isomorsmo entre V y V
los espacios se dir an isomorfos, y se notar a V V
.
Si V = V
, f se denomina un automorsmo. El conjunto de automorsmos de un

kespacio vectorial V se denota Aut(V ) End(V ).
Teorema. Dos espacios vectoriales V y V
son isomorfos si y s olo si dim(V ) =

dim(V
).
Demostraci on. Supongamos que V y V
son isomorfos: entonces existe f

Hom(V, V
) biyectivo. Fijadas entonces bases B y B
de V y V
, respectivamente, ten-
emos que
dim(V
) = dim(Img(f)) = rg (M
B,B
(f)) ,
0 = dim(ker(f)) = dim(V ) rg (M
B,B
(f)) ,
por ser f, por este orden, sobreyectiva e inyectiva. De ambas igualdades obtenemos
dim(V ) = dim(V
).
Ahora tenemos dos espacios V y V
con la misma dimensi on. Tomamos entonces dos

bases B = u
1
, ..., u
n
y B
= v
1
, ..., v
n
y consideramos el homomorsmo dado por
M
B,B
(f) = I
n
,
esto es, el dado por u
i
v
i
. Como rg(I
n
) = n, f es inyectiva, porque dim(ker(f)) = 0
y es sobre porque dim(Img(f)) = n = dim(V
).
Corolario. Si f es un isomorsmo de V en V
, para cualesquiera bases B y B
, se tiene
que M
B,B
(f) es invertible.
83

Demostraci on. Directa: la matriz es cuadrada por el teorema y, aplicando las
f ormulas dadas para las dimensiones del n ucleo y la imagen se deduce que ha de tener
rango m aximo.
Observaci on. Si f es un isomorsmo de V en V
, f
1
(que est a bien denida por ser f
biyectiva) tambi en es un isomorsmo, en este caso de V
en V . En efecto, jadas B y B
bases de V y V
M
B,B
(f)(v)
t
B
= (f(v))
t
B
,
por lo que
[M
B,B
(f)]
1
(f(v))
t
B
= (v)
t
B
=
_
f
1
f(v)
_
t
B
,
lo que prueba que f
1
es un homomorsmo (biyectivo ya era por serlo f) y, adem as, para
cualesquiera bases B y B
,
[M
B,B
(f)]
1
= M
B
,B
_
f
1
_
.
De esto se puede deducir, sin problemas, que Aut(V ) es un grupo con la operaci on
denida por la composici on de aplicaciones.
4.5. El espacio dual. El espacio Hom(V, W).
Esta secci on es, desde el punto de vista te orico, delicada, ya que consiste en dotar de
estructura de kespacio vectorial al conjunto de homomorsmos entre dos kespacios
vectoriales. Por ello la lecci on no ser a muy larga, para poder hacer enfasis en los detalles
complicados (para el alumno) de ver.
Sean V y W kespacios vectoriales (de dimensi on nita). En el conjunto Hom(V, W)
denimos las siguientes operaciones:
(a) Dados f, g Hom(V, W), se dene f + g como
f + g : V W
u (f + g)(u) = f(u) +g(u)
(b) Dados f Hom(V, W), k, se dene f como
f : V W
u (f)(u) = f(u)
Proposici on. Las operaciones anteriores dotan a Hom(V, WW) de estructura de k
espacio vectorial.
Demostraci on. Primero hay que probar que f +g y f son, de hecho, homomors-
mos. Haremos s olo f + g, pues la otra es similar. Entonces
(f +g)(u + v) = f(u + v) +g(u + v)
= f(u) +f(v) +g(u) +g(v)
= (f(u) +g(u)) +(f(v) +g(v))
= (f + g)(u) +(f + g)(v)
84

Las propiedades de kespacio vectorial son inmediatas y se deducen de las
propiedades respectivas de W. En concreto, el elemento neutro de la suma es, obvia-
mente, la aplicaci on
n : V W
u 0
Observaci on. Ahora que tenemos un kespacio vectorial, podemos preguntarnos cu al
es su dimensi on. Para ello vamos a usar un m etodo habitual en algebra: no calcularla
directamente, sino buscar un kespacio conocido (y bien estudiado) isomorfo.
Proposici on. Sean V y W de dimensiones n y m, y jemos bases B
V
y B
W
en V y W.
La aplicaci on
M : Hom(V, W) /(mn; k)
f M(f) = M
B
V
,B
W
(f)
es un isomorsmo de kespacios vectoriales.
Demostraci on. En primer lugar hay que probar que es homomorsmo, esto es, que
M
B
V
,B
W
(f + g) = M
B
V
,B
W
(f) +M
B
V
,B
W
(g).
Para ello, tal y como hemos hecho en anteriores ocasiones, usaremos el hecho de que
la matriz de una aplicaci on, jadas las bases de V y W, es unica. Sea entonces u V ,
tenemos que
(M
B
V
,B
W
(f) +M
B
V
,B
W
(g)) (v)
t
B
V
= M
B
V
,B
W
(f)v
t
B
V
+ M
B
V
,B
W
(g)v
t
B
V
= [f(v)]
t
B
W
+ [g(v)]
t
B
W
= [f(v)]
t
B
W
+ [g(v)]
t
B
W
= [(f + g)(v)]
t
B
W
,
y de esa forma queda probado lo que queremos.
Ahora probaremos que M es isomorsmo. Para ello hay que probar que es sobreyec-
tiva e inyectiva; pero ambas son sencillas. Por ejemplo, para ver que M es inyectiva,
notemos que, si M(f) = M(g), entonces para todo v B
V
, f(v) = g(v), ya que las
im agenes por f ( o g) de los elementos de B
V
(m as precisamente, sus coordenadas respcto
de B
W
) son las columnas de M(f), que es M(g). Pero, como es inmediato, si f y g
coinciden en una base de V , coinciden en todo V .
Para ver por ultimo que M es sobreyectiva, dada A /(m n; k) denimos sim-
plemente
f : V W
v f(v) tal que f(v)
t
B
W
= A(v)
t
B
V
que ya sabemos que es homomorsmo. Por propia denici on de f, A = M
B
V
,B
W
(f).
Corolario. Si dim(V ) = n, dim(W) = m, entonces dim(Hom(V, W)) = dim(/(m
n; k)) = nm.
85

Observaci on. Dado V , un kespacio vectorial de dimensi on m, tenemos que
dim(Hom(V, k)) = n = dim(V ),
por lo que el espacio de homomorsmos Hom(V, k) es isomorfo al propio V .
Denici on. El kespacio vectorial Hom(V, k) se denomina espacio dual de V , denotado
V
. Dada una base

B = u
1
, ..., u
n
a partir de los argumentos anteriores, se deduce que una base de V
es, precisamente
B
=
1
, ...,
n
donde
i
: V k
u
j

i
_
u
j
_
= ij,
que es 1 cuando i = j y 0 en otro caso. Esto es,
M
B
(
i
) = ( 0 0 ... 0 1 0 ... 0 )
donde el 1 ocupa precisamenta la posici on i esima.
4.6. Autovalores y autovectores.
Observaci on. De ahora en adelante trataremos con endomorsmos de un kespacio
vectorial de dimensi on m, que denotaremos V . Sabemos que un mismo endomorsmo
puede adoptar diversas formas matriciales, al cambiar de base. Es por ello interesante
estudiar, dado f End(V ) el conjunto de matrices que pueden ser matriz de f y, si es
posible, hallar una base tal que su correspondiente matriz sea lo m as simple posible. Este
curso daremos respuesta parcial a este complicado problema.
Como sabemos de 4.2., si A = M
B
(f), B = M
C
(f) y P = M(B, (), entonces
A = P
1
BP. Esto motiva la siguiente denici on.
Denici on. Dos matrices A, B /(m; k) se dicen semejantes si existe una matriz
P GL(m; k) tal que A = P
1
BP.
Observaci on. La relaci on
A
s
B A es semejante a B
es de equivalencia. Veamos por ejemplo la transitividad: tenemos A, B, C /(m; k)
tales que existen P, Q GL(m; k) vericando
A = P
1
BP, B = Q
1
CQ.
Entonces es claro que A = P
1
Q
1
CQP = (QP)
1
C(QP), de donde A
s
C.
86

Por tanto, el conjunto /(m; k) queda dividido en clases de equivalencia disjuntas y
todas las matrices de una misma clase corresponden a un mismo homomorsmo, visto
desde diferentes bases. Se trata de buscar elementos comunes a todas estas matrices, y es
lo que vamos a hacer en las pr oximas lecciones.
Denici on. Sea f End(V ). Un escalar k se dice un autovalor de f cuando exista
un vector v ,= 0 que verique f(v) = v.
En la situaci on anterior, v se denomina un autovector asociado al autovalor . Por
convenio (y por extensi on natural de la denici on), consideraremos 0 como autovector
asociado a cualquier autovalor.
Observaci on. Es l ogico imponer v ,= 0 en la denici on de autovalor porque, de no
imponerlo, todo escalar sera autovalor.
Observaci on. Si f(v) = v, entonces (Id f)(v) = 0, por lo que v es un autovector
asociado a si y s olo si v ker(Id f).
Adem as, eso permite deducir que es autovalor de f si y s olo si ker(Id f) ,= 0,
esto es si y s olo si Id f no es inyectiva.
Lema. Sea g End(V ), B una base cualquiera de V . Entonces g es biyectivo si y s olo
si [M
B
(g)[ , = 0.
Demostraci on. Trivial, a partir de 4.3.
Corolario. Sea B una base cualquiera de V . Entonces k es un autovalor de f
End(V ) si y s olo si [I
m
M
B
(f)[ = 0.
Demostraci on. Como inyectividad y biyectividad son equivalentes para un endo-
morsmo (4.3.), basta aplicar el lema al endomorsmo Id f, cuya matriz respecto de
B es I
m
M
B
(f).
Observaci on. El corolario anterior establece un procedimiento para hallar los autovalo-
res de f, conocida la matriz de f respecto de una base B cualquiera: primero hallamos
M
B
(f), que denotaremos en lo sucesivo A = (a
ij
) /(m; k). A continuaci on conside-
ramos una variable y calculamos el determinante
[I
m
A[ =
a
11
a
12
... a
1m
a
21
a
22
... a2m
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mm
,
cuyo resultado es un polinomio de k[], que denotaremos P(). Entonces es autovalor
de f si y s olo si P() = 0.
Estudiemos un poco m as este polinomio que hemos usado para el c alculo de los auto-
valores.
Lema. El polinomio [I
m
M
B
(f)[ no depende de la base B escogida para calcularlo.
Demostraci on. En efecto, supongamos que A = M
B
(f), B = M
C
(f) y P =
M(B, (). Como sabemos, A = P
1
BP y, as
[I
m
A[ = [P
1
(I
m
)P P
1
AP[ = [P
1
(I
m
B)P[
= [P
1
[[I
m
B[[P[ = [I
m
B[.
87

Denici on. El polinomio P() hallado anteriormente se denomina polinomio carac-
terstico del endomorsmo f. Si A = M
B
(f), tambi en se dir a que P() es el polinomio
caracterstico de A.
Observaci on. El polinomio caracterstico es, pues, un primer objeto com un a todas las
matrices de una misma clase de equivalencia para
s
.
Observaci on. El polinomio caracterstico de un endomorsmo de V siempre es un poli-
nomio de grado m = dim(V ). Esto se observa del desarrollo del determinante, puesto
que hay un s olo sumando que tiene en sus m factores, y es precisamente
( a
11
)( a
22
)...( a
mm
),
de forma que aparece un t ermino
m
que no se puede anular con los dem as factores.
Adem as hemos probado que el coeciente de
m
es 1.
En particular, los resultados de 1.7. nos indican que un endomorsmo de un kespacio
vectorial de dimensi on m no puede tener m as de m autovalores (contados con multiplici-
dad).
4.7. Espacios invariantes.
Denici on. Sea f End(V ), k un autovalor de f. El conjunto
V
= Autovectores asociados a
se denomina (primer) subespacio invariante asociado a .
Observaci on. V
es, en efecto un subespacio, ya que V
= ker(Id f). De hecho,

jada una base B de V , unas ecuaciones de V
son, precisamente
[I
m
M
B
(f)] X
t
= 0
m1
.
Observaci on. Adem as V
es invariante por f, esto es f(V
) V
. En efecto, si
tomamos v V
, f(v) = v V
, ya que es subespacio. As, f(V
) V
.
Proposici on. En las condiciones anteriores, si es la multiplicidad de como raz del
polinomio caracterstico de f, dim(V
) .
Demostraci on. Escojamos una base de V
, pongamos B
= v
1
, ..., v
r
. Queremos
probar que r . Para ello comenzamos ampliando B
a una base de V , B.
Si queremos calcular A = M
B
(f), recordemos de 4.2. que la columna i esima son
las coordenadas, respecto de B de la imagen del elemento i esimo de B. En particular,
para los r primeros elementos tenemos
f(v
i
) = v
i
,
de donde, para i = 1, ..., r,
[f(v
i
)]
B
= (0, 0, ..., 0, , 0, ..., 0),
88

con en la posici on i esima. As,
A =
_
_
_
_
_
_
_
_
_
_
_
_
... 0 a
1,r+1
... a
1,m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 ... a
r,r+1
... a
rm
0 ... 0 a
r+1,r+1
... a
r+1,m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 ... 0 a
m,r+1
... a
mm
_
_
_
_
_
_
_
_
_
_
_
_
.
Ahora, al calcular el polinomio caracterstico usando A, vemos que tiene la forma
P() = ( )
r
Q(),
de donde la multiplicidad de es, al menos, r.
Ejemplos. Conviene poner ejemplos en los cuales se da y no se da la igualdad entre la
multiplicidad de un autovalor y la dimensi on de su subespacio asociado. Por ejemplo,
valdra estudiar los distintos casos asociados a la matriz
M =
_
_
_
1 a 0
0 1 0
0 0 2
_
_
_, a k.
Observaci on. Un caso es particularmente frecuente y simple; por ello lo estudiaremos
aparte: sea un autovalor simple (esto es, de multiplicidad 1). Entonces dim(V
) = 1.
El resultado es elemental y se sigue de lo siguiente: dim(V
) 1 por la proposici on
que hemos probado. Pero, por ser autovalor, existe al menos un autovector no nulo, de
donde dim(V
) 1. Esto naliza la prueba.

Finalizamos la lecci on estudiando la relaci on existente (o, mejor dicho, inexistente)
entre autovectores procedentes de autovalores distintos.
Proposici on. Sea f End(V ),
1
, ...,
r
k autovalores de f, y sean
B
i
=
_
u
i,1
, ..., u
i,t
i
_
bases de los espacios V
i
. Entonces el conjunto B
1
B
2
... B
r
es linealmente inde-
pendiente.
Demostraci on. La prueba es algo difcil de seguir, por la notaci on, as que iremos
despacio. Lo haremos por inducci on en el n umero de autovalores que consideramos. El
caso r = 1 no requiere prueba, porque B
1
es linealmente independiente.
Vamos al caso general, suponiendo cierto el caso de considerar r 1 autovalores.
Tomamos una combinaci on lineal igualada a 0,
0 =
_
_
t
1
j=1
1j
u
1j
_
_
+ ... +
_
_
t
r1
j=1
r1,j
u
r1,j
_
_
+
_
_
t
r
j=1
rj
u
rj
_
_
,
y aplicamos f a ambos miembros de la igualdad:
0 =
_
_
t
1
j=1
1j
1
u
1j
_
_
+ ... +
_
_
t
r1
j=1
r1,j
r1
u
r1,j
_
_
+
_
_
t
r
j=1
rj
r
u
rj
_
_
.
89

Ahora multiplicamos la primera igualdad por
r
y la restamos a la segunda. As
obtenemos
0 =
_
_
t
1
j=1
1j
(
1
r
)u
1j
_
_
+ ... +
_
_
t
r1
j=1
r1,j
(
r1
r
)u
r1,j
_
_
,
que es una combinaci on lineal de autovectores de B
1
... B
r1
. Por hip otesis de in-
ducci on, este conjunto es linealmente independiente, por lo que
ij
(
i

r
) = 0, para
i = 1, ..., r 1, j = 1, ..., t
i
; esto es,
ij
= 0 ya que
i
,=
r
para i = 1, ..., r 1. Por
tanto, de la primera igualdad nos resta
0 =
t
r
j=1
rj
u
rj
,
donde
rj
= 0 para todo j = 1, ..., t
r
porque B
r
es base de V
r
.
4.8. Endomorsmos diagonalizables.
Esta lecci on cerrar a pr acticamente nuestro trabajo sobre endomorsmos. En concreto
responderemos a la siguiente pregunta: dada una matriz A, cu ando existe una matriz
semejante diagonal?
Denici on. Un endomorsmo de un kespacio vectorial V se dice diagonalizable si
existe B, base de V tal que M
B
(f) es diagonal.
Proposici on. Un endomorsmo f End(V ) es diagonalizable si y s olo si existe una
base de V formada por autovectores.
Demostraci on. Ambas implicaciones son sencillas. Si f es diagonalizable existe
una base B = v
1
, ..., v
m
tal que
M
B
(f) =
_
_
_
_
_
_
a
1
0 ... 0
0 a
2
... 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... a
m
_
_
_
_
_
_
,
y entonces, para todo v
i
B f(v
i
) = a
i
v
i
, por lo que B est a formada por autovectores.
En el otro sentido, tomamos una base B = v
1
, ..., v
m
donde v
i
es un autovector
asociado al autovalor
i
. Entonces, como vimos en 4.6.,
[f(v
i
)]
B
= (0, 0, ..., 0,
i
, 0, ..., 0),
con
i
en la coordenada i esima. Por tanto M
B
(f) es diagonal.
Corolario. Si f posee m autovalores distintos (en k) es diagonalizable.
Demostraci on. Supongamos que f tiene autovalores
1
, ...,
m
todos ellos necesari-
amente de multiplicidad 1. Como vimos en la lecci on anterior, dim(V
i
) = 1 y, uniendo
m autovectores no nulos, uno por cada V
i
, obtenemos un conjunto linealmente indepen-
diente, por tanto una base de autovectores.
90

Observaci on. Notemos que, en realidad, la proposici on prueba que M
B
(f) es diagonal
si y s olo si B est a formada por autovectores. Esto, en particular, implica lo siguiente:
si los autovalores de f son
1
, ...,
r
con multiplicidades respectivas
1
, ...,
r
; entonces
para que f sea diagonalizable es necesario que
i
= m = dim(V ).
En efecto, para que f sea diagonalizable, es necesario hallar una base formada por
autovectores, pero el m aximo n umero de autovectores linealmente independientes que
podemos hallar es
dim(V
1
) +... + dim(V
r
)
1
+ ... +
r
m,
de forma que, para que la suma de las dimensiones sea m, ha de ser
1
+... +
r
= m.
Ahora podemos enunciar el resultado que caracteriza cu ando un endomorsmo es
diagonalizable.
Teorema. Sea f End(V ) de autovalores
1
, ...,
r
, con multiplicidades
1
, ...,
r
.
Supongamos que se verica

i
= m. Entonces las condiciones siguientes son equiva-
lentes:
(a) f es diagonalizable.
(b) dim(V
i
) =
i
para todo i = 1, ..., r.
Demostraci on. Comencemos por (a) =(b). Si f es diagonalizable, entonces tiene
una base formada por autovectores. Por tanto un conjunto que contenga a todos los au-
tovectores de f ha de generar V . Ahora bien, todos los autovectores no nulos de f est an
en los espacios V
1
, ..., V
r
. Por tanto
V = V
1
+... + V
r
.
Ahora, aplicando los resultados de la lecci on anterior y una consecuencia de teorema
de la dimensi on obtenemos
m = dim(V
1
+ ... + V
r
) dim(V
1
) +... + dim(V
r
)

1
+ ... +
r
(sumando a sumando)
m,
de donde, para que se d e la igualdad que estamos suponiendo cierta, ha de ser dim(V
i
) =
i
, para i = 1, ..., r.
Para ver (b) =(a) s olo hay que tener en cuenta que la uni on de bases de los V
i
es un
conjunto linealmente independiente. En las condiciones de (b) este conjunto linealmente
independiente es de hecho base de V porque tiene m elementos. Al estar formada esta
base por autovectores, f es diagonalizable.
Corolario. Sea f End(V ) de autovalores
1
, ...,
r
, con multiplicidades
1
, ...,
r
.
Supongamos que se verica

i
= m. Entonces las condiciones siguientes son equiva-
lentes:
(a) f es diagonalizable.
(b) V = V
1
... V
r
.
91

Demostraci on. Como vimos en 3.10. V es suma directa de subespacios si y s olo si
el conjunto resultante de unir una base de cada subespacio es base de V . A partir de aqu
se tiene la equivalencia.
Observaci on. A partir de aqu disponemos de un procedimiento para decidir cu ando
un endomorsmo de diagonalizable y, caso de serlo, hallar una base tal que la matriz
correspondiente sea diagonal. En efecto, basta calcular los autovalores
i
, sus respectivas
multiplicidades
i
y sus subespacios invariantes asociados V
i
.
Entonces comprobamos si se verican las condiciones del teorema y, de ser as, for-
mamos una base B de V uniendo las bases halladas de los V
i
. La matriz M
B
(f) es
entonces diagonal y, por construcci on, la unica forma de hallar otra matriz diagonal de f
es reordenando los vectores de la base (y los elementos de la diagonal, claro). Todos estos
razonamientos nos llevan al siguiente resultado.
Teorema. Sean A y B matrices de endomorsmos diagonalizables. Entonces A y B son
semejantes si y s olo si tienen los mismos autovalores, con las mismas multiplicidades.
4.9. El Lema de Schur.
Una vez resuelto el problema de cu ando una matriz puede ser transformada en diagonal
(y c omo hacerlo), nos queda un problema importante a resolver: qu e hacer cuando no
se puede diagonalizar. Pero, antes de estudiar ese problema, resuelto por el Teorema de
Jordan, vamos a jarnos en una familia importante de matrices: las matrices normales. A
partir de aqu estudiaremos esencialmente los casos real y complejo, as que introducire-
mos una notaci on para relacionar ambas situaciones.
Notaci on. Dado
v = (a
1
+ b
1
, ..., a
n
+ b
n
) C
n
,
denominaremos parte real y parte imaginaria de v, respectivamente, a los vectores de R
n
R(v) = (a
1
, ..., a
n
), I(v) = (b
1
, ..., b
n
).
Evidentemente, la notaci on se extiende al caso de cualquier Cespacio vectorial de
dimensi on n donde se est en tomando coordenadas respecto de una base jada.
Para algunas matrices, como las hermticas, las sim etricas reales o las unitarias, exis-
ten resultados precisos acerca de su diagonalizaci on, denominados teoremas espectrales,
que veremos en la pr oxima lecci on. Pero el ingrediente esencial es un resultado, aparente-
mente inofensivo, que estudiaremos ahora.
Lema de Schur. Sea (V, ) un espacio eucldeo complejo, f End(V ). Entonces existe
B, base ortonormal de V tal que M
B
(f) es triangular superior.
En terminologa matricial, dada A /(n; C) existe U unitaria (esto es U
= U
1
)
tal que U
AU es triangular superior.
Demostraci on. La prueba es sencilla, por inducci on en la dimensi on de V , siendo
trivial el caso n = 1. Notemos de antemano que para aplicar la inducci on necesitamos
trabajar con matrices en lugar de con aplicaciones.
92

Supongamos entonces que estamos en el caso general y sea w un autovector asociado
al autovalor C. Notemos que, como estamos en C hay exactamente n autovalores
contados con multiplicidad, luego existen y w. Sea v
1
= w/[[w[[.
Ampliamos v
1
a una base de V y aplicamos GramSchmidt (ver 3.13.) para obtener
una base O = v
1
, ..., v
n
, ortonormal, cuyo primer vector es v
1
. Adem as si denotamos
U
1
la matriz de cambio de base a O (que es unitaria, por ser O ortonormal) tenemos que
U
1
AU
1
= M
O
(f) =
_
_
_
_
_
_
...
0
.
.
. A
1
0
_
_
_
_
_
_
.
y entonces por hip otesis de inducci on, existe una matriz unitaria V
2
/(n 1; C)
unitaria tal que V
2
A
1
V
2
es triangular superior.
Denimos entonces
U
2
=
_
_
_
_
_
_
1 0 ... 0
0
.
.
. V
2
0
_
_
_
_
_
_
,
que es unitaria (ejercicio sencillo) y sea U = U
1
U
2
. Entonces U
= U
2
U
1
= U
1
2
U
1
1
=
U
1
, esto es, U es unitaria. Pero adem as
U
AU = U
2
(U
1
AU
1
)U
2
= U
2
_
_
_
_
_
_
...
0
.
.
. A
1
0
_
_
_
_
_
_
U
2
=
_
_
_
_
_
_
...
0
.
.
. V
2
A
1
V
2
0
_
_
_
_
_
_
,
y por tanto es triangular superior.
Corolario. Si A es una matriz tal que todos sus autovalores son reales, entonces existe
una base B de autovectores reales tal que M
B
(f) es triangular superior.
Demostraci on. En el teorema s olo hemos usado el cuerpo C a la hora de garantizar
que existe un autovalor y un autovector asociado. Pero en nuestras hip otesis la existencia
de un autovalor est a garantizada por hip otesis y, si R es un autovalor, y v V
,
entonces R(v) V
.
Observaci on. No debemos sin embargo pensar que existe una versi on real del Lema de
Schur. En efecto, si A es una matriz real, lo unico que podemos asegurar a ciencia cierta
es que existen matrices complejas U y T tales que U es unitaria, T triangular superior y
U
AU = T.
4.10. Teoremas espectrales.
Los teoremas espectrales no son en realidad m as que una aplicaci on directa del Lema de
Schur a un caso particularmente interesante: el de las matrices normales.
Denici on. Una matriz cuadrada A /(n; C) se dice normal cuando AA
= A
A.
93

Ejemplos. Algunos ejemplos de matrices normales son las hermticas (ya que A
= A),
las sim etricas reales (ya que A
= A
t
= A), las unitarias (porque AA
= A
A = I
n
) y
las ortogonales reales (porque A
= A
t
y A
t
A = AA
t
= I
n
).
Teorema espectral de las matrices normales. Una matriz A /(n; C) es semejante
a una matriz diagonal, con matriz de paso unitaria, si y s olo si A es normal.
Demostraci on. La implicaci on directa es trivial. Supongamos que existen U unitaria
y D diagonal, tales que U
AU = D. entonces
A
A = (UD
)(UDU
) = UD
DU
= UDD
= (UDU
)(UD
) = AA
.
Para ver la implicaci on inversa, partiendo de A, matriz normal, aplicamos el Lema
de Schur para hallar U unitaria y T triangular superior tales que U
AU = T, de donde
T
= U
U, luego
TT
= (U
AU)(U
U) = U
AA
U = U
AU = T
T.
Sin embargo, tenemos que el elemento (1, 1) de TT
es
F(T)
1
F(T)
t
1
= [t
11
[
2
+ ... +[t
1n
[
2
,
mientras que, al ser T triangular superior, el elemento (1, 1) de T
T es
C(T)
1
C(T)
t
1
= [t
11
[
2
.
Por tanto t
1j
= 0 para j = 2, ..., n. Procediendo an alogamente obtenemos que T ha
de ser diagonal.
Corolario. Si f End(V ), con matriz A normal, y u, v V son autovectores asociados
a autovalores distintos, entonces u v.
Demostraci on. Supondremos que los vectores dados son no nulos, ya que de lo
contrario el resultado es trivial. Dado que A es diagonalizable, sabemos que podemos
encontrar una base de autovectores donde u y v son los primeros vectores de las bases
de los subespacios invariantes asociados a sus autovalores. Tras aplicar GramSchmidt,
obtenemos dos vectores, proporcionales a u y v, que forman parte de una base ortonormal,
de donde se tiene el resultado.
Vamos a estudiar ahora con cierto detalle las dos familias m as importantes de matrices
normales: las hermticas y sim etricas reales por un lado y las unitarias y ortogonales
reales, por otro.
Proposici on. Sea A /(n; C) una matriz hermtica. Entonces los autovalores de A
son reales.
Demostraci on. Sea C un autovalor de A, v V
no nulo. Entonces
Av
t
= v
t
= vA
= v,
de donde, multiplicando la primera igualdad por v a izquierda y la segunda a derecha por
v
t
obtenemos
vAv
t
= v v
t
vA
v
t
= v v
t
,
y, al ser v no nulo (por tanto v v
t
,= 0) y A = A
, debe ser = , esto es, R.

94

Corolario. Sea A /(n; R) una matriz sim etrica. Entonces los autovalores de A son
reales.
Demostraci on. Es exactamente la misma demostraci on, teniendo en cuenta s olo que
A
= A
t
= A, en este caso.
Observaci on. Dado que en este caso A es diagonalizable, con autovalores reales, pode-
mos deducir que toda matriz sim etrica es semejante a una diagonal, con matriz de paso
ortogonal.
Proposici on. Sea A /(n; C) una matriz unitaria. Entonces los autovalores de A son
complejos de m odulo 1.
Demostraci on. Procedemos como antes y obtenemos, para C un autovalor de
A, v V
no nulo,
Av
t
= v
t
= vA
= v,
y multiplicando ambas expresiones obtenemos
v v
t
= [[[[v v
t
,
teniendo en cuenta que AA
= I
n
. De aqu obtenemos [[[[ = 1.
Observaci on. De las matrices ortogonales poco podemos decir, salvo que, por ser uni-
tarias, sus autovalores son complejos de m odulo 1. No podemos dar, en general, una
versi on real tan satisfactoria como en el caso de las matrices sim etricas. Podemos, sin
embargo, aproximarnos.
Sea A /(n; R) una matriz ortogonal. Sabemos entonces que es diagonalizable
sobre C, con matriz de paso unitaria, y siendo sus autovalores son complejos de m odulo 1.
Reordenamos una base ortonormal (con coordenadas complejas a priori) que diagonalice
A de forma que aparezcan:
a) Primero, los autovectores asociados a 1 y a 1, si los hubiera.
b) A continuaci on, los asociados a los autovalores complejos no reales. Como son
races complejas de un polinomio real, por cada raz aparece su conjugada, y con
la misma multiplicidad. As pues, podemos ordenar estos autovectores en parejas
(v, v), donde v V
, v V
.
Denotemos = a + b, y sean
u = R(v) =
1
2
(v +v), w = I(v) =
1
2
(v v).
Tenemos entonces que u w y tambi en que
v = u + w, v = u w
y, por tanto u, w) = v, v). Adem as
A(u + w)
t
= (a + b)(u + w)
t
,
y, separando en parte real e imaginaria,
Au
t
= au
t
bw
t
, Aw
t
= bu
t
+ aw
t
.
95

Esto demuestra el siguiente resultado:
Proposici on. Sea A /(n; R) una matriz ortogonal. Entonces A es semejante a una
matriz diagonal por bloques. Estos bloques son, bien bloques 1 1 cuyo elemento es 1,
bien bloques 2 2 de la forma
_
a b
b a
_
,
con a
2
+ b
2
= 1.
4.11. El Teorema de Jordan (opcional).
El Teorema de Jordan clasica por completo las matrices cuadradas (en este caso sobre
el cuerpo complejo), salvo equivalencia. Esencialmente necesitamos los autovalores y,
para cada autovalor, unos enteros no negativos, denominados habitualmente partici on de
multiplicidad, que ofrecen m as informaci on que la multiplicidad del autovalor. Una de-
mostraci on efectiva ocupa entre dos y tres horas, por lo que hemos optado por dar aqu
una, m as directa y breve, aunque evidentemente densa. Si forma parte del contenido de la
asignatura, conviene dedicar al menos dos horas a realizar ejercicios concretos en los que
se detalle el procedimiento de c alculo.
Teorema de Jordan (k = C). Sea V un Cespacio vectorial de dimensi on n, f
End(V ),
1
, ...,
n
sus autovalores (repetidos por multiplicidad). Entonces existe una
base B = u
i
j
[ 1 i n, j 0 tal que
f
_
u
i
j
_
=
i
u
i
j
o f
_
u
i
j
_
=
i
u
i
j
+u
i
j+1
.
Adem as, M
B
(f) s olo depende de f, y no del m etodo usado para hallar B.
Demostraci on. La prueba se lleva a cabo por inducci on en el n umero de autovalores
distintos de f. Si no hay autovalores, entonces V = 0 y no hay nada que probar; as que
supondremos el teorema cierto para cualquier endomorsmo con menos de n autovalores
y prob emoslo para f.
Para ello jemos un autovalor cualquiera, pongamos , y denotemos
Y
r
= Img [(f Id)
r
] , r 0.
Entonces los espacios Y
r
verican trivialmente
V = Y
0
Y
1
... Y
r
...,
y, como la cadena no puede tener innitas inclusiones estrictas, existe un r minimal tal
que Y
r1
Y
r
= Y
r+1
, con la inclusi on en sentido estricto.
En concreto, esto implica que (f Id)(Y
r
) = Y
r
y, en particular, tenemos que
(f Id)
|Y
r
es un automorsmo. Esto tiene tres implicaciones esenciales:
(a) Por un lado f(Y
r
) Y
r
; y as podemos considerar f
|Y
r
como endomorsmo de Y
r
.
(b) Y
r
ker(f Id)
r
= 0.
96

(c) Como (f Id)
|Y
r
es inyectiva, no puede ser autovalor de f
|Y
r
.
En concreto, f
|Y
r
tiene menos de n autovalores y, en consecuencia, verica la hip otesis
de inducci on. Por tanto, existe una base de Y
r
, B
= u
j
i
, con j 0, i = 1, ..., d =
dim(Y
r
); que verica las condiciones del enunciado. Se trata ahora de ampliar esta base
a una de V .
Para ello, notaremos
d
k
= dim(Y
k
), s
k
= d
k
d
k+1
, t
k
= max
lk
s
l
,
y denimos
Z
k
= ker
_
(f Id)
|Y
k1
_
, k 1
que verica
dim(Z
k
) = d
k1
d
k
= s
k1
.
Para ampliar la base, hacemos k = r y notemos que t
r1
= s
r1
> s
r
= t
r
= 0.
Tomamos entonces una base de Z
r
, u
r1
i
, con i = d
r
+ 1, ..., d
r
+ t
r1
y, para cada
vector en la base realizamos las siguientes operaciones:
(a) Escogemos u
0
i
tal que (f Id)
r1
(u
0
i
) = u
r1
i
.
(b) Denimos u
j
i
= (f Id)
j
(u
0
i
), para 1 j r 2.
A continuaci on hacemos k = p = maxl [ s
l1
= t
l1
> t
l
= t
r1
. Entonces los
vectores u
r1
i
de la base de Z
r
anterior est an en Z
p
. A nadimos pues vectores u
p1
i
Z
p
(con d + t
p
+ 1 j d + t
p1
) para conformar una base de Z
p
.
Ahora escogemos de igual modo vectores u
0
i
y denimos vectores u
j
i
, para j =
1, ..., p
1
2. Continuando este proceso hasta que k = 0, construimos un total de
r
l=1
l (t
l1
t
l
) =
r
l=1
t
l1

r
l=1
s
l1
=
r1
l=1
(d
l1
d
l
) = dim(V ) dim(Y
r
)
vectores que verican, por construcci on, la condici on requerida. Adem as, es elemental
que la intersecci on del espacio que generan con Y
r
es nula, por lo que s olo resta probar
que son linealmente independientes para terminar la prueba.
Por tanto, tomamos una combinaci on lineal (ojo con el orden que damos a los vec-
tores)
0 =
r1
j=0
j
d
r
+1
u
j
d
r
+1
+... +
r1
j=0
j
d
r
+t
r1
u
j
d
r
+t
r1
+
p1
j=0
j
d
r
+t
p
+1
u
j
d
r
+t
p
+1
+ ... +
p1
j=0
j
d
r
+t
p1
u
j
d
r
+t
p1
+ ...
Ahora basta con aplicar, en primer t ermino, (f Id)
r1
para quedarnos unicamente
con
0 =
0
d
r
+1
u
0
d
r
+1
+... +
0
d
r
+t
r1
u
0
d
r
+t
r1
,
y, por construcci on, al ser las im agenes por (f Id)
r1
de los vectores involucrados
linealmente independientes, se tiene que
0
d
r
+1
= ... =
0
d
r
+t
r1
= 0. Eliminamos estos
vectores de la combinaci on, y continuamos aplicando (f Id)
l
. El mismo razonamiento
aplicado en cada paso prueba que todos los coecientes son nulos. Esto naliza la prueba.
97

Tema 5: Espacio afn y eucldeo
5.0. Introducci on hist orica: los axiomas de Euclides (op-
cional).
La Geometra, que signica literalmente medida de la tierra, es una ciencia que naci o
precisamente como eso: una t ecnica para la medici on de terrenos. Es famoso el caso
de los Egipcios, que deban medir con exactitud las ncas inundadas por la crecida del
Nilo. Pero fue en la antigua Grecia donde se desarroll o como disciplina, alcanzando su
momento cumbre con la aparici on de los Elementos de Euclides de Alejandra: Una obra
de trece tomos, escrita hacia el a no 300 a. C., donde Euclides recoge los conocimientos
matem aticos elementales de su tiempo, y los desarrolla y perfecciona de tal manera,
que es sin duda la obra m as famosa e inuyente de la historia de las Matem aticas.
De los trece tomos de los Elementos, nueve est an dedicados a la Geometra, lo que
pone de maniesto la importancia de esta disciplina en el mundo antiguo. Una de las
principales novedades de los Elementos es la axiomatizaci on de la Geometra. Es decir,
introduce primero unos conceptos b asicos, como son los puntos, rectas, circunferencias,
planos, y luego enuncia una serie de axiomas o postulados, que son propiedades de los
objetos denidos antes, que son intuitivamente ciertos, y que se dejan sin demostrar. Estos
axiomas son la base de toda la teora, ya que cualquier otro resultado que se enuncie debe
demostrarse a partir de los axiomas.
Escritos en lenguaje moderno, los cinco axiomas que propone Euclides en los Ele-
mentos son los siguientes:
Axioma I: Dos puntos determinan una sola recta.
Axioma II: Toda recta puede prolongarse indenidamente.
Axioma III: Con cualquier centro y cualquier radio puede trazarse una circunferencia.
Axioma IV: Todos los angulos rectos son iguales.
Axioma V: Por un punto exterior a una recta existe una sola paralela a la recta dada.
Observaci on. En realidad el Axioma V de Euclides era el siguiente: Si una recta corta
a otras dos rectas formando con ellas angulos interiores del mismo lado menores que dos
angulos rectos, las dos lneas rectas, prolongadas indenidamente, se cortan del lado por
el cual los angulos son menores que dos angulos rectos. Pero normalmente se sustituye
por el Axioma V anterior, que es equivalente y mucho m as conciso.
En realidad, estos cinco axiomas de Euclides son insucientes para desarrollar todos
los resultados geom etricos, incluso aquellos contenidos en los Elementos, y por ello se
han ido modicando a lo largo del tiempo, tratando de obtener un n umero peque no pero
suciente de axiomas independientes, en los que se base la Geometra. Posiblemente una

de las propuestas m as importantes, aunque tambi en haya sido mejorada posteriormente,
se debe a David Hilbert. En su obra Fundamentos de la Geometra, de 1899, Hilbert
propone 20 axiomas, agrupados de la siguiente manera: siete de pertenencia, cinco de
orden, uno de paralelismo (Axioma V), seis de congruencia y uno de continuidad.
No entraremos aqu a enumerar los axiomas de Hilbert, ni sus sucesivas modica-
ciones. Supondremos conocidos los conceptos intuitivos de punto, recta, angulo o distan-
cia, y las nociones de pertenencia como un punto pertenece a una recta, de orden como
un segmento es el trozo de recta formado por los puntos que est an entre dos puntos da-
dos, o de congruencia como dos segmentos tienen el mismo tama no o dos angulos
son iguales.
As podemos denir, por ejemplo, una circunferencia como el conjunto de puntos que
est an a la misma distancia de uno dado, llamado centro. O un tri angulo como un conjunto
de tres puntos.
Los resultados que se obtienen a partir de estas nociones b asicas determinan lo que se
llama la Geometra sint etica. Fue la unica forma de Geometra que se conoci o y utiliz o
durante muchos siglos, hasta que en el siglo XVII, principalmente por el trabajo de Ren e
Descartes, apareci o la Geometra analtica, donde se estudian las propiedades de los obje-
tos geom etricos utilizando el

Algebra. En el siglo XVIII hubo mucha controversia sobre
cu al de los dos puntos de vista era el adecuado. Aunque actualmente la ecacia de la
Geometra Analtica ha desbancado casi por completo a la Geometra sint etica, los resul-
tados expuestos en este tema se ver an utilizando exclusivamente la Geometra sint etica,
para que el alumno comprenda de qu e se trata, admire la belleza de las demostraciones, y
reconozca una parte de las Matem aticas que ha predominado durante m as de veinte siglos.
5.1. Tri angulos.

Area del tri angulo (opcional).
La Geometra que se estudia en los Elementos de Euclides, que es aquella de la que
todo el mundo tiene una idea intuitiva, se ha dado en llamar Geometra Eucldea. Esto
da una idea de la importancia de Euclides en la historia de las matem aticas. En este
tema estudiaremos la Geometra Eucldea en el plano, donde los elementos b asicos son
los puntos y las rectas. De hecho, estudiaremos solamente una parte del primer libro
de los Elementos, dedicado a los tri angulos. Aunque usemos un lenguaje moderno, las
demostraciones ser an sint eticas, sin hacer ning un uso de coordenadas o ecuaciones (que
veremos m as adelante).
Apartir de ahora denotaremos a los puntos del plano con letras may usculas, A, B, C,...
La recta que pasa por dos puntos A y B la denotaremos AB, y el segmento que une A
y B se denotar a AB. A veces usaremos el nombre de un segmento para referirnos a su
longitud, pero esto estar a claro por el contexto. Por otra parte, los angulos los denotare-
mos normalmente con letras griegas, aunque el angulo que forma un segmento AB con
un segmento AC lo denotaremos

BAC (observemos que el punto central, A, es el v ertice
del angulo). Si los puntos A, B y C est an alineados y A se encuentra entre B y C, di-
remos que el angulo

BAC es llano y lo denotaremos . Si los segmentos AB y AC son
perpendiculares, diremos que el angulo

BAC es recto y lo denotaremos /2.
99

Estudiaremos en esta secci on el concepto intuitivo de area de un objeto geom etrico
en el plano. M as concretamente, nos centraremos en la regi on del plano delimitada por
un rect angulo o un tri angulo. A un rect angulo cuyos lados tengan longitudes respectivas
a y b, le asociaremos una magnitud llamada area, que denotaremos ab (en analoga al
producto de n umeros reales). El area de un cuadrado de lado a, que hemos denotado aa,
tambi en se denotar a a
2
(de hecho, esta magnitud se denomina a al cuadrado precisamente
por este motivo).
La unica propiedad del area que supondremos cierta es que se trata de una magnitud
aditiva, es decir, que si una regi on es uni on disjunta de dos regiones m as peque nas, en-
tonces el area de la mayor es la suma del area de las dos peque nas. Usando esta propiedad,
es f acil ver mediante dibujos que las siguientes propiedades, bien conocidas para los
n umeros reales, se cumplen tambi en en el contexto de las areas de regiones del plano.
ab = ba, (a + b)c = ac + bc, (a + b)
2
= a
2
+ 2ab +b
2
.
Otro concepto que usaremos con cierta asiduidad es el de proporci on. La proporci on
entre dos magnitudes a y b, que denotaremos a/b (por analoga a la raz on o a la divisi on
de n umeros reales), viene determinada por el hecho de que la proporci on entre a y b es
igual a la proporci on entre c y d (es decir, a/b = c/d) si se tiene ad = bc, lo cual ya es
una igualdad entre el area de dos rect angulos. Geom etricamente, la igualdad a/b = c/d
signica que el rec angulo de lados a y b se puede transformar en el rect angulo de lados c
y d mediante una amplicaci on o reducci on, sin alterar sus proporciones.
Una propiedad importante de las proporciones es que pueden ser tratadas como mag-
nitudes de longitud. En efecto, la magnitud a/b es aquella tal que el rect angulo de lados
a/b y b tiene la misma area que el rect angulo de lados a y 1. Por tanto, podemos per-
mitirnos a partir de ahora hacer c alculos con la proporci on a/b. Por ejemplo podemos
elevarla al cuadrado, cosa que haremos con unas proporciones bien conocidas: el seno y
el coseno de un angulo.
100

Denici on. Un tri angulo es un conjunto de tres puntos del plano, A, B y C. Lo deno-
taremos simplemente por ABC.
Los lados del tri angulo ABC son los segmentos a = BC, b = AC y c = AB.
Los angulos del tri angulo ABC son los angulos

A =

BAC,

B =

CBA y

C =

ACB.
Denici on. Diremos que dos tri angulos ABC y A
son congruentes o iguales si se

tienen las siguientes igualdades:
a = a
, b = b
, c = c
,

A =

A
,

B =

B
,

C =

C
.
Observaci on. Seg un uno de los axiomas de Hilbert, para que ABC y A
sean
iguales basta con que b = b
, c = c
y

A =

A
.
Observaci on. Recordemos que un tri angulo se dice rect angulo si uno de sus angulos
es un angulo recto. Por contra, un tri angulo acut angulo tiene sus tres angulos agudos
(menores que el angulo recto), y un tri angulo obtus angulo tiene un angulo obtuso (mayor
que un angulo recto). En un tri angulo rect angulo, los dos lados que forman el angulo
recto se llaman catetos, y el otro lado se llama hipotenusa.
Denici on. Diremos que un tri angulo es equil atero si sus tres lados son iguales, is osceles
si dos de sus lados son iguales entre s y distintos del tercero, y escaleno si sus tres lados
son distintos dos a dos.
Uno de los primeros resultados que se puede demostrar sobre los tri angulos es el
c alculo de su area. Para ello suponemos que, como en la gura anterior, el lado c del
tri angulo es horizontal, y lo llamamos base, y al segmento vertical que une el punto C
con la recta AB lo llamamos altura, y lo denotamos h
C
. Esto se podra haber hecho
tambi en con los otros lados a y b, denotando la altura h
A
como el segmento perpendicular
a BC que une el v ertice A con la recta BC, y deniendo la altura h
B
de forma an aloga.
Por otra parte, por denici on, el area de un cuadrado de lado 1 es igual a 1, por lo que
el area de un cuadrado de lado r es igual a r
2
, y el area de un rect angulo de lados a y b es
igual a ab. De aqu podemos obtener el area de un tri angulo cualquiera.
Teorema. El area de un tri angulo ABC es igual a la mitad del producto de su base por
su altura. Es decir,
Area(ABC) =
a h
A
2
=
b h
B
2
=
c h
C
2
.
Demostraci on. Demostraremos el teorema para el lado c y la altura h
C
, siendo los
otros casos an alogos. Se dan tres casos, dependiendo si la altura h
C
corta al lado c en uno
de sus v ertices, lo corta en el interior, o no lo corta. Estos tres casos son los del siguiente
dibujo:
En el primer caso, h
C
= b (o bien h
C
= a, que es un caso an alogo), luego el teorema
dice que el area de este tri angulo rect angulo ser a bc/2. En efecto, si consideramos el
rect angulo de lados b y c, que tiene area bc, su diagonal ser a el lado a, que divide a este
101

rect angulo en dos tri angulos iguales a ABC. Por tanto, el area de ABC es la mitad de
bc = h
C
c.
En el segundo caso, el area de ABC es la suma de las areas de los tri angulos ADC
y DBC. Como estos dos son tri angulos rect angulos, deducimos que el area de ABC es
igual a
AD h
C
2
+
DB h
C
2
=
(AD + DB) h
C
2
=
c h
C
2
.
Por ultimo, en el tercer caso, el area de ABC es la diferencia entre el area de DBC y el
area de DAC, que son ambos tri angulos rect angulos. Por tanto, el area de ABC ser a
DB h
C
2

DA h
C
2
=
(DB DA) h
C
2
=
c h
C
2
,
como queramos demostrar. Q.c.T.
5.2. Los teoremas de Pit agoras y Thales (opcional).
Continuaremos ahora demostrando unos de los resultado m as conocidos de la geometra
cl asica, que trata de tri angulos rect angulos: el Teorema de Pit agoras.
Teorema de Pit agoras. En un tri angulo rect angulo, la suma de los cuadrados de los
catetos es igual al cuadrado de la hipotenusa.
Demostraci on. Dado un tri angulo rect angulo de catetos a y b e hipotenusa c, de-
mostraremos el teorema de Pit agoras expresando el area del cuadrado de lado a + b de
dos formas distintas. Por un lado, ya vimos que el area de este cuadrado es:
(a + b)
2
= a
2
+ 2ab + b
2
.
Por otra parte, podemos descomponer el mismo cuadrado como en el dibujo,
donde se ve cl aramente que el area del cuadrado de lado a + b es igual a cuatro veces
el area del tri angulo rect angulo considerado, es decir, 4(ab/2) = 2ab, m as el area de un
102

cuadrado de lado c. Esto es:
(a + b)
2
= 2ab + c
2
.
Igualando las dos magnitudes, se tiene nalmente
a
2
+ 2ab +b
2
= 2ab + c
2
a
2
+ b
2
= c
2
,
como queramos probar.Q.c.T.
A continuaci on demostraremos otro de los teoremas cl asicos de la geometra, muy
anterior a los Elementos, ya que su autor fue Thales de Mileto (634-547 a.C.).
Teorema de Thales. Si dos rectas paralelas cortan a dos rectas secantes (formando
por tanto dos tri angulos de angulos iguales), entonces la proporci on entre cada lado del
tri angulo mayor y el lado correspondiente del tri angulo menor es constante.
Demostraci on. El enunciado del teorema se entiende mejor con el siguiente dibujo:
Podemos considerar que las rectas paralelas est an del mismo lado de A, ya que si DE
estuviera del otro lado, el tri angulo ADE sera igual a otro tri angulo AD
cuyo lado
D
ser a paralelo a DE, del mismo tama no, y estar a del mismo lado de A que la recta
BC. Adem as, demostrar el teorema para AD
equivaldra a demostrarlo para ADE,

luego consideraremos que la situaci on es exactamente la del dibujo.
El Teorema de Thales dice que en este caso
AB
AD
=
AC
AE
=
BC
DE
.
Para demostrarlo, sean h y r las alturas del tri angulo ADE correspondientes a los lados
AD y DE respectivamente, y sea s la distancia entre las dos rectas paralelas. Vamos a
probar que las tres fracciones anteriores son iguales a (r +s)/r.
En primer lugar, el area del tri angulo EDB es igual a DBh/2, pero tambi en a DEs/2.
Por otro lado, el area de ADE es AD h/2, y tambi en DE r/2. Por tanto, se tienen las
siguientes proporciones:
Area(EDB)
Area(ADE)
=
DB
AD
=
s
r
DB r = AD s.
Pero entonces se tiene:
DB r = AD s AD r +DB r = AD r + AD s
(AD + DB) r = AD (r + s) AB r = AD (r + s).
103

O, dicho de otra manera:
AB
AD
=
r + s
r
.
De forma completamente an aloga se demuestra que
AC
AE
=
r + s
r
.
Por ultimo, el area del tri angulo ABC es BC (r + s)/2, pero tambi en es la suma de
las areas de los tri angulos ADE, EDC y CDB, por tanto se tiene:
1
2
BC(r+s) =
1
2
DEr+
1
2
DEs+
1
2
BCs BC(r+s) = DE(r+s)+BCs
BC r = DE (r + s)
BC
DE
=
r + s
r
,
luego las tres proporciones son iguales, como queramos demostrar. Q.c.T.
5.3. El seno y el coseno (opcional).
Una de las aplicaciones m as interesantes del Teorema de Thales es que nos permite denir
el seno y el coseno de un angulo dado, como sigue:
Denici on. Sea un angulo agudo, y sea ABC un tri angulo tal que

A = y

B es un
angulo recto. Se denen el seno y el coseno de como las proporciones siguientes:
sen =
a
b
cos =
c
b
.
Denici on. Dados dos angulos y diremos que son complementarios cuando + =
/2 y diremos que son suplementarios cuando + = .
Usando angulos suplementarios, podemos denir el seno y el coseno para angulos
obtusos:
Denici on. Si es un angulo recto, entonces
sen() = 1, cos() = 0.
Si es un angulo obtuso, entonces
sen() = sen( ), cos() = cos( ),
donde representa un angulo recto (luego es un angulo agudo).
104

Proposici on. El seno y el coseno de un angulo est an bien denidos.
Demostraci on. La denici on ser a correcta si lo es para angulos agudos, ya que el
seno y el coseno de un angulo recto est an unvocamente determinados, y los de un angulo
obtuso est an denidos a partir de su angulo suplementario, que es agudo. Supongamos
entonces que es un angulo agudo, y consideremos dos tri angulos rect angulos ABC
y A
como el del dibujo anterior, donde

A =

A
= . Si superponemos los dos

tri angulos, el teorema de Thales nos dice que
a
a
=
b
b
=
c
c
,
de donde se obtienen las igualdades
a
b
=
a
,
c
b
=
c
.
Por tanto, la denici on del seno y el coseno de no depende del tri angulo rect angulo
que tomemos, luego es una denici on correcta. Q.c.T.
Observaci on. S olo hemos denido los senos y cosenos de angulos mayores que cero y
menores que , ya que estamos estudiando tri angulos, cuyos angulos siempre estar an en
este conjunto. En este contexto una propiedad util es la siguiente:
Observaci on. De las deniciones son inmediatas las siguientes igualdades:
(a) Si y son complementarios, sen() = cos() y cos() = sen().
(a) Si y son suplementarios, sen() = sen() y cos() = cos().
Adem as de estar bien denidos, el seno y el coseno de un angulo determinan al propio
angulo:
Proposici on. Si y son dos angulos menores que uno llano, y se tiene cos = cos ,
entonces = . Si se tiene sen = sen , entonces o bien = o bien = .
Demostraci on. Supongamos primero que cos = cos . Al igual que en el resultado
anterior, podemos suponer que y son angulos agudos (su coseno es positivo). Supon-
gamos que cos = cos = c/b para ciertos n umeros positivos b y c. Esto quiere decir
que tanto como son angulos de sendos tri angulos rect angulos, cuyos lados contiguos
a y miden b y c, respectivamente. Pero el Teorema de Pit agoras nos dice entonces
cu anto mide el lado opuesto en ambos tri angulos, luego los dos tri angulos son iguales, y
por tanto = .
Por otra parte, si sen = sen y ambos son angulos agudos, un razonamiento id entico
al anterior nos dice que = . Por tanto, si alguno de ellos es obtuso, sabemos que s olo
hay un angulo agudo que tenga el mismo seno. Esto demuestra el resultado. Q.c.T.
Tambi en se demuestra f acilmente la famosa f ormula que relaciona el seno y el coseno:
105

Proposici on. Sea un angulo menor que uno llano. Se tiene sen
2
+ cos
2
= 1.
Demostraci on. Si es recto, el resultado es inmediato. Si es obtuso, se puede susti-
tuir por su suplementario, ya que en la f ormula el seno y el coseno aparecen al cuadrado.
Por tanto, podemos considerar que es agudo. Consideramos entonces un tri angulo
rect angulo de hipotenusa 1, uno de cuyos angulos sea . Los dos catetos deben medir,
respectivamente, sen y cos , luego la f ormula que queremos demostrar nos la da el
Teorema de Pit agoras. Q.c.T.
Por ultimo, veamos c omo el seno de un angulo puede servirnos para hallar el area de
un tri angulo:
Proposici on. Sea ABC un tri angulo. Entonces el area de ABC es la mitad del producto
de dos lados por el seno del angulo que forman.
Demostraci on. Inmediata, ya que uno de los lados por el seno es la altura correspon-
diente al otro lado.
Corolario (Teorema del seno). Sea ABC un tri angulo. Entonces:
sen(

A)
a
=
sen(
B)
b
=
sen(
C)
c
.
Demostraci on. Se deduce directamente de la f ormula anterior, aplic andola en los
tres angulos de ABC. Los tres t erminos son iguales a
area(ABC)
abc
.
5.4. El teorema del coseno (opcional).
Una vez denido el coseno, podemos hacer una generalizaci on del Teorema de Pit agoras
para tri angulos que no sean rect angulos:
Teorema del coseno. Dado un tri angulo cualquiera ABC, se cumple lo siguiente:
a
2
= b
2
+ c
2
2 b c cos

A.
Demostraci on. Al igual que en el teorema del area del tri angulo, tenemos tres posi-
blidades, dependiendo de si

A es un angulo recto, agudo u obtuso.
Si

A es recto, entonces cos

A = 0, por lo que el Teorema del coseno dice lo mismo
que el teorema de Pit agoras, que ya hemos demostrado.
106

Si

A es agudo, dividimos el tri angulo ABC en dos tri angulos rect angulos, ADC y
CDB. Sabemos por denici on que cos

A = AD/b. Aplicando el teorema de Pit agoras a
estos dos tri angulos rect angulos, obtenemos:
b
2
= h
2
C
+AD
2
, a
2
= h
2
C
+ DB
2
.
Restando estas dos ecuaciones, obtenemos:
a
2
b
2
= DB
2
AD
2
= (c AD)
2
AD
2
= c
2
2cAD,
de donde obtenemos:
a
2
= b
2
+ c
2
2cAD = b
2
+c
2
2bc cos

A,
como queramos probar.
Por ultimo, si

A es un angulo obtuso, su coseno es el opuesto al coseno de su suple-
mentario, luego cos

A = AD/b. Ahora consideramos los dos tri angulos rect angulos
DAC y CAB, a los que aplicamos, como antes, el teorema de Pit agoras. La unica difer-
encia con las f ormulas anteriores es que, en este caso, DB = c + AD, con lo que obten-
dremos:
a
2
b
2
= DB
2
AD
2
= (c + AD)
2
AD
2
= c
2
+ 2cAD.
Pero el cambio de signo del coseno hace que la f ormula nal sea correcta:
a
2
= b
2
+c
2
+ 2cAD = b
2
+ c
2
2bc cos

A.
Q.c.T.
Veamos ahora un resultado muy conocido sobre los angulos de un tri angulo. Primero
necesitamos lo siguiente:
Lema. Sean r
1
y r
2
dos rectas paralelas, y sea r una recta secante a las dos. Sea uno
de los angulos que forma r con r
1
, del lado de r
1
donde est a r
2
. Sea el angulo que forma
r con r
2
, del otro lado de r, y del lado de r
2
donde est a r
1
. Entonces y , que se llaman
angulos alternos internos, son iguales.
Demostraci on. Si r es perpendicular a r
1
y r
2
ambos angulos son rectos. Supon-
gamos que y son agudos, como en el dibujo. Consideremos los segmentos AC y
BD. Ambos segmentos son iguales, pues su tama no es la distancia entre las paralelas.
Por tanto,
sen =
AC
AB
=
BD
AB
= sen .
Como ambos angulos son agudos, esto implica que = . Por ultimo, si y fueran
obtusos, entonces sus angulos suplementarios son agudos e iguales, por el razonamiento
anterior, luego y tambi en son iguales. Q.c.T.
107

Observaci on. En algunos tratados, este lema sustituye al Axioma V de Euclides, ya que
ambos son equivalentes.
Teorema. La suma de los angulos de un tri angulo es un angulo llano.
Demostraci on. Este resultado es una consecuencia inmediata del resultado anterior,
a la vista del siguiente dibujo. Q.c.T.
Terminaremos esta secci on con un resultado que nos dice cu al es el area del tri angulo
ABC en funci on de sus lados a, b y c. Se trata de la famosa f ormula de Her on, atribuida a
Her on de Alejandra (hacia el 60 d. C.), aunque parece ser que su descubridor fue el gran
matem atico Arqumedes (287-212 a. C.).
Teorema (F ormula de Her on). Dado un tri angulo ABC, sea su area, y sea s =
a +b +c
2
su semipermetro. Se tiene:
=
_
s (s a)(s b)(s c).
Demostraci on. Esta demostraci on es casi m as algebraica que geom etrica, aunque
sigue siendo una demostraci on sint etica, ya que no hacemos uso de coordenadas. Hay
demostraciones m as geom etricas, como la demostraci on cl asica u otra m as sencilla debida
a Euler, pero daremos esta por su concisi on.
Por el Teorema del coseno, sabemos que cos

A = (b
2
+ c
2
a
2
)/2bc. Por otra parte,
sabemos que =
1
2
b c sen

A, es decir, sen

A = 2/bc.
Como sen
2
A + cos
2
A = 1, obtenemos nalmente:
4
2
b
2
c
2
+
(b
2
+ c
2
a
2
)
2
4b
2
c
2
= 1 16
2
+ (b
2
+ c
2
a
2
)
2
= 4b
2
c
2
=
1
4
_
4b
2
c
2
(b
2
+ c
2
a
2
)
2
=
1
4
a
4
b
4
c
4
+ 2a
2
b
2
+ 2a
2
c
2
+ 2b
2
c
2
=
1
4
_
(a + b + c)(a + b + c)(a b + c)(a + b c)
=
_
s (s a)(s b)(s c),
como queramos probar. Q.c.T.
5.5. Espacio afn.
Denici on. Sea k un cuerpo arbitrario. El espacio afn ndimensional sobre k es una
terna (A
n
(k), V, +), donde:
108

(a) A
n
(k) = k
n
como conjunto (esto es, NO hay operaciones denidas entre elementos
de A
n
(k)). Los elementos de A
n
(k) se denominan puntos y se notar an con letras
may usculas: A, B, C, ..., P, Q, R, ...
(b) V = k
n
como espacio vectorial. Sus elementos se seguir an denotando como hasta
ahora: u, v, .... Cuando se escriban sus coordenadas usaremos la notaci on cl asica
u =

(
1
, ...,
n
).
(c) La operaci on + es una operaci on externa, de A
n
(k) V en A
n
(k) que asocia al
par (P, u) el punto P + u denido por
P + u = (a
1
, ..., a
n
) +
(
1
, ...,
n
) = (a
1
+
1
, ..., a
n
+
n
).
Observaci on. Se verican de manera inmediata las siguientes propiedades:
(a) Fijado P A
n
(k), se tiene la igualdad de conjuntos P + u [ u V = A
n
(k).
(b) Dados P A
n
(k) y u, v V , (P + u) +v = P + (u + v).
(c) Dados P A
n
(k), u, v V , si P + u = P + v entonces u = v.
(d) Dados P, Q A
n
(k) existe un unico u V que verica P + u = Q. En estas
condiciones el vector u tambi en se notar a

PQ. Observemos que la unicidad es
sobre u y no sobre el par (P, Q): es posible que haya otros pares de puntos (A, B)
tales que u =

AB.
Obviamente, la notaci on
PQ corresponde, intuitivamente, al vector que va de P a Q.

Por ello tambi en se llaman a P y Q puntos origen y nal de
PQ.
Observaci on. Usando la notaci on anteriormente introducida, se pueden probar (en rea-
lidad, es poco m as que reescribir las propiedades anteriores en esta notaci on):
(a)

PQ +
QR =

PR para cualesquiera P, Q, R A
n
(k).
(b)

PQ =
QP para cualesquiera P, Q A
n
(k).
(c)

PQ =

SR si y s olo si
PS =

QR, para cualesquiera P, Q, R, S A
n
(k) (teorema
de Thales paralelo).
Veremos a continuaci on el concepto de dependencia afn en un conjunto de puntos,
que se corresponde con el de dependencia lineal de vectores.
Denici on. Sea S A
n
(k) un conjunto de puntos de A
n
(k). Diremos que S es
afnmente (in)dependiente si existe O S tal que el conjunto
S
O
=
OQ [ Q S, Q ,= O V
es linealmente (in)dependiente.
Lema. Para comprobar si S A
n
(k) es afnmente (in)dependiente es indiferente qu e
punto O escojamos en S como origen de todos los vectores.
109

Demostraci on. En efecto, veamos qu e sucede si escojemos otro punto P S y
usamos, en lugar de S
O
el conjunto correspondiente S
P
.
El conjunto S
O
es linealmente dependiente si y s olo si existe un combinaci on lineal
no trivial igualada a 0 en S
O
. Esto es, si y s olo si existen puntos R
1
, ..., R
t
S (distintos
de O) y escalares
1
, ...,
t
k, no todos nulos, tales que
0 =
1
OR
1
+ ... +
t
OR
t
=
1
(
OP +
PR
1
) +... +
t
(
OP +
PR
t
)
=
1
PR
1
+ ... +
t
PR
t
(
1
+ ... +
t
)
PO
de donde S
P
ha de ser linealmente dependiente, puesto que alg un
i
es no nulo. Esto
prueba lo que queremos salvo en el caso de que exista i entre 1 y t vericando
P = R
i
,
1
= ... =
i1
=
i+1
= ... =
t
= 0,
en cuyo caso la suma anterior se reduce a 0 =
i
PO por lo cual, al ser

i
,= 0, ha de ser
O = P en contra de la hip otesis.
Observaci on. Obviamente, por los resultados conocidos de espacios vectoriales, en el
espacio afn ndimensional no puede haber m as de n+1 puntos afnmente independientes.
Es m as, un conjunto P
0
, P
1
, ..., P
t
, dado por
P
i
= (a
1i
, ..., a
ni
)
es afnmente independiente si y s olo si
t = rg
_
_
_
_
a
11
a
10
... a
1t
a
10
.
.
.
.
.
.
a
n1
a
n0
... a
nt
a
n0
_
_
_
_
,
o, utilizando las propiedades del rango, si y s olo si
t + 1 = rg
_
_
_
_
_
_
1 1 ... 1
a
10
a
11
... a
1t
.
.
.
.
.
.
.
.
.
a
n0
a
n1
... a
nt
_
_
_
_
_
_
,
que resulta m as sencillo de recordar. Obviamente, el conjunto es afnmente dependiente
si el rango de la matriz anterior es menor estrictamente que t + 1.
5.6. Variedades lineales. Sistemas de referencia.
Denici on. Sea Y A
n
(k). Decimos que Y es una variedad lineal si Y es el conjunto
de soluciones de un sistema de ecuaciones lineales (no necesariamente homog eneo). Esto
se denota, habitualmente,
Y : AX
t
= B
t
,
donde A /(mn; k), X = (x
1
... x
n
), B M(1 m; k).
110

Observaci on. Obtenemos como ejemplos triviales dos variedades lineales, y A
n
(k),
conjunto de soluciones de una sistema incompatible y del sistema 0 = 0, respectivamente.
Denici on. Dada una variedad lineal no vaca Y : AX
t
= B
t
, el subespacio vectorial
de V = k
n
denido por el sistema homog eneo asociado AX
t
= 0
m1
, se denomina
subespacio de direcciones de Y y se denota D(Y ).
Dos variedades lineales Y
1
e Y
2
se dicen paralelas cuando D(Y
1
) D(Y
2
) o cuando
D(Y
2
) D(Y
1
) (o cuando se den las dos, obviamente). Esto se denota, generalmente,
Y
1
[[Y
2
.
La dimensi on de Y , notada dim(Y ) es, por denici on, la dimensi on de D(Y ). Los
espacios de dimensi on 0 son los puntos. Los de dimensi on 1 se llaman rectas, los de
dimensi on 2 se denominan planos y los de dimensi on n 1 se llaman hiperplanos.
Por convenio (a falta de una explicaci on mejor, que nos llevara al menos un par de
horas) consideraremos que dim() = 1.
Observaci on. De las propiedades del conjunto de soluciones de un sistema (S) y del con-
junto de soluciones de su sistema homog eneo (H) asociado, vistas en el tema 2 podemos
deducir las siguientes propiedades:
1. Dado que la suma de una soluci on de (S) y una de (H) son siempre una soluci on de
(S), tenemos que
P Y, u D(Y ), P + u Y.
2. Dado que la diferencia de dos soluciones cualesquiera de (S) es una soluci on de
(H), tenemos que
P, Q Y,

PQ D(Y ).
3. Conjugando ambas propiedades es entonces sencillo demostrar que, jado P Y ,
cualquiera
Y = P + u [ u D(Y )
D(Y ) =
_
PQ [ Q Y
_
A su vez, estas propiedades nos permiten armar que una variedad lineal es, de hecho,
un espacio afn, aplicando la denici on de la secci on anterior.
Denici on. Dada una variedad lineal Y A
n
(k) llamaremos sistema de referencia de
Y a un conjunto 1
Y
= O; B
Y
, donde O Y y B
Y
es una base del subespacio vectorial
D(Y ).
Proposici on. Supongamos que dim(Y ) = r y sea 1
Y
= O; u
1
, ..., u
r
. Entonces dado
P Y , existen unos unicos escalares
1
, ...,
r
k tales que
P = O +
1
u
1
+... +
r
u
r
.
La rupla (
1
, ...,
r
) se denomina coordenadas de P respecto del sistema de referen-
cia 1
Y
, y se denota (P)
R
Y
.
Demostraci on. Basta notar que, como O, P Y ,

OP D(Y ), por lo que existen
1
, ...,
r
k unicos tales que
OP =
1
u
1
+... +
r
u
r
= P = O +
1
u
1
+... +
r
u
r
,
111

como queramos.
Corolario. En las condiciones anteriores, dados P Y , u D(Y ), se tiene que
(P + u)
R
= (P)
R
+ (u)
B
.
Las peculiaridades de los sistemas de referencia en el espacio afn hacen que las
f ormulas del cambio sean un poco m as complejas que en el caso vectorial.
Proposici on. Sean 1
1
= O
1
; B
1
y 1
2
= O
2
; B
2
, dos sistemas de referencia distin-
tos de una variedad lineal Y A
n
(k). Entonces, si denimos
M(1
1
, 1
2
) =
_
_
_
_
_
1 0 ... 0
(O
1
)
t
R
2
M(B
1
, B
2
)
_
_
_
_
_
,
tenemos que, para todo P Y ,
(1 [ (P)
R
2
)
t
= M(1
1
, 1
2
) (1 [ (P)
R
1
)
t
Demostraci on. Tenemos que tener en cuenta que, por denici on,
(O
1
)
R
2
=
_
O
2
O
1
_
B
2
, (P)
R
1
=
_
O
1
P
_
B
1
,
de donde deducimos que
M(1
1
, 1
2
) (1 [ (P)
R
1
)
t
= (1 [ (O
1
)
R
2
)
t
+
_
1 [ (
O
1
P)
B
2
_
t
=
_
1 [ (
O
2
P)
B
2
_
t
= (1 [ (P)
R
2
)
t
5.7. Operaciones con variedades. El Teorema de la di-
mensi on.
Observaci on. De la denici on de variedad lineal como conjunto de soluciones de un
sistema de ecuaciones lineales se sigue inmediatamente que la intersecci on de variedades
lineales anes es una variedad lineal afn. Para hallar un sistema de ecuaciones que dena
la intersecci on simplemente hay que unir todas las ecuaciones que denan las variedades
que queremos intersectar.
A continuaci on damos una noci on equivalente a la de sistema generador de un subes-
pacio vectorial que nos ser a de ayuda para denir las operaciones con variedades lineales.
Denici on. Diremos que un conjunto de puntos P
0
, ..., P
r
es un sistema generador
de una variedad lineal afn Y ,= si Y es la menor variedad lineal que contiene a
P
0
, ..., P
n
, hecho que notaremos Y = P
0
, ..., P
r
). Equivalentemente,
Y = P
0
, ..., P
r
) =
{P
0
,...,P
r
}L
L variedad lineal
L.
112

Diremos que P
0
, ..., P
r
es una base de Y cuando sea un sistema generador afnmente
independiente.
Observaci on. A partir de los resultados de 5.5., es directo comprobar que P
0
, ..., P
r

Y es un sistema de generadores de Y cuando
_
P
0
P
1
, ...,
P
0
P
r
_
lo es de D(Y ), y ser a una
base de Y cuando
_
P
0
P
1
, ...,
P
0
P
r
_
es una base de D(Y ). As demostramos que toda
base de Y tiene, exactamente dim(Y ) + 1 puntos.
Esto se generaliza para variedades lineales cualesquiera en el concepto de suma de
variedades.
Denici on. Dado un conjunto de variedades lineales Y
1
, ..., Y
r
, denimos la variedad
lineal suma como
Y
1
+ ... +Y
r
=
{Y
1
,...,Y
r
}L
L variedad lineal
L.
As denida, se observa que Y
1
+ ... + Y
r
es precisamente la menor variedad lineal
que contiene a Y
1
, ..., Y
r
.
Proposici on. Dadas Y
1
, Y
2
variedades lineales se tiene que, si Y
1
Y
2
,= ,
D(Y
1
Y
2
) = D(Y
1
) D(Y
2
) ,
y, en cualquier caso,
D(Y
1
+ Y
2
) = D(Y
1
) +D(Y
2
) +
P
1
P
2
),
para cualesquiera P
1
Y
1
, P
2
Y
2
. En particular, si Y
1
Y
2
,= ,
D(Y
1
+ Y
2
) = D(Y
1
) +D(Y
2
) .
Demostraci on. La primera armaci on se sigue directamente del hecho de que unas
ecuaciones de la variedad de direcci on son el sistema homog eneo asociado a un sistema
que dena la variedad.
En cuanto a la segunda, tomemos dos sistemas de generadores
Y
1
= P
1
, Q
1
, ..., Q
r
), Y
2
= P
2
, R
1
, ..., R
s
).
(los espacios son intencionados) entonces tenemos que
Y
1
+ Y
2
= P
1
, Q
1
, ..., Q
r
, P
2
, R
1
, ..., R
s
),
luego
D(Y
1
+ Y
2
) =
_
P
1
Q
1
, ...,
P
1
Q
r
,

P
1
P
2
,

P
1
R
1
, ...,
P
1
R
s
_
,
y escribiendo
P
1
R
i
=

P
1
P
2
+
P
2
R
i
, obtenemos
D(Y
1
+ Y
2
) =
_
P
1
Q
1
, ...,
P
1
Q
r
,

P
1
P
2
,

P
2
R
1
, ...,
P
2
R
s
_
= D(Y
1
) +D(Y
2
) +
P
1
P
2
).
Podemos entonces presentar el resultado que relaciona las dimensiones de dos varie-
dades lineales con las de su suma e intersecci on, a la manera de la f ormula de la dimensi on
para espacios vectoriales.
113

Teorema (F ormula de la dimensi on para variedades lineales). Sean Y
1
e Y
2
varieda-
des lineales de A
n
(k). Entonces, si Y
1
Y
2
,= ,
dim(Y
1
+ Y
2
) + dim(Y
1
Y
2
) = dim(Y
1
) + dim(Y
2
) .
Por otro lado, si Y
1
Y
2
= se tiene que
dim(Y
1
+ Y
2
) + dim(Y
1
Y
2
) = dim(Y
1
) + dim(Y
2
) dim(D(Y
1
) D(Y
2
)) .
Demostraci on. El caso no disjunto se sigue directamente del caso vectorial, dado
que la dimensi on de una variedad lineal es la misma que la de su variedad de direcci on.
Para el caso disjunto, como dim(Y
1
Y
2
) = 1, tenemos
dim(Y
1
+ Y
2
) = dim (D(Y
1
+ Y
2
))
= dim
_
D(Y
1
) +D(Y
2
) +
P
1
P
2
)
_
y aplicando el Teorema de la dimensi on de espacios vectoriales, junto con el hecho de
que
P
1
P
2
no puede estar ni en D(Y
1
) +D(Y
2
) (ejercicio sencillo), tenemos que
dim(Y
1
+ Y
2
) = dim(D(Y
1
)) +dim(D(Y
2
)) dim(D(Y
1
) D(Y
2
)) +dim
_
P
1
P
2
)
_
,
de donde se sigue el resultado.
5.8. El espacio eucldeo.
Denici on. Un espacio eucldeo es un espacio afn (A
n
(k), (V, ), +), donde (V, ) es un
espacio vectorial eucldeo. Como de costumbre diremos simplemente que A
n
(R) es un
espacio eucldeo (ndimensional).
Denici on. Dados P, Q en un espacio eucldeo A
n
(R) denimos la distancia entre P y
Q como
d(P, Q) =
PQ
.
Observaci on. La distancia denida es una m etrica topol ogica; esto es, verica las si-
guientes propiedades:
(a) d(P, Q) = 0 si y s olo si P = Q.
(b) d(P, Q) = d(Q, P).
(c) d(P, R) d(P, Q) +d(Q, R).
Todas las pruebas son directas a partir de los resultados de 3.11. As, por ejemplo
d(P, R) =
PR
PQ+
QR
PQ
QR
= d(P, Q) +d(Q, R),

y tambi en podemos deducir que tendremos igualdad si y s olo si P, Q y R est an alineados
y
PQ
PR 0.
114

Denici on. Un sistema de referencia afn 1 = O; B se dice sistema de referencia
m etrico cuando B es una base ortonormal de (V, ).
Observaci on. As pues, tomando coordenadas respecto de una sistema de referencia
m etrico (como haremos en lo sucesivo, sin menci on expresa), el producto escalar de dos
vectores se puede calcular usando la f ormula tradicional.
Observaci on. Recordemos que un cambio del sistema de referencia afn 1 = O; B al
sistema 1
= O
; B
viene determinado por una matriz de la forma

M(1, 1
) =
_
_
_
_
_
1 0 ... 0
(O)
R
M(B, B
)
_
_
_
_
_
,
y verica, para todo Q A
n
(R),
M(1, 1
) (1 [ Q
R
)
t
= (1 [ Q
R
)
t
,
donde [Q]
R
(respectivamente [Q]
R
) son las coordenadas de Q respecto de 1 precedidas
de un 1.
Por tanto, un cambio de sistemas de referencia m etricos en A
n
(R) implica un cambio
de bases ortonormales de (V, ). As, por 3.12., la matriz M(B, B
) ha de ser ortogonal
(recordemos que una matriz unitaria y real es ortogonal).
Observaci on. Las otras dos propiedades del m odulo que no hemos utilizado son:
(a) La desigualdad de CauchySchwartz, que establece que, para todo par de vectores
u, v V ,
[u v[ [[u[[ [[v[[ = 1
u v
[[u[[ [[v[[
1.
Por tanto, dados dos vectores de V , con el mismo origen, denimos el angulo que
forman como el unico real (0, ] vericando
cos() =
PQ
PR
PQ
PR
.
Con esta denici on se verica la f ormula conocida del producto escalar
PQ
PR =
PQ
PR
cos().
(b) El teorema de Pit agoras establece que
u v [[u + v[[
2
= [[u[[
2
+[[v[[
2
,
lo cual, tomando vectores u =

PQ, v =

QR, nos da
d(P, R)
2
=
PQ +
QR
2
=
PQ
2
+
QR
2
= d(P, Q)
2
+ d(Q, R)
2
,
si y s olo si
PQ y
QR son ortogonales.

Este es el Teorema de Pit agoras tal y como
se suele expresar en este contexto.
115

Hasta ahora la distancia entre dos puntos, o la ortogonalidad de dos vectores, son
conceptos abstractos. Todava no hemos comprobado que efectivamente corresponden a
la distancia entre puntos y la perpendicularidad de segmentos de la geometra cl asica.
Curiosamente, esta correspondencia es consecuencia directa del teorema de Pit agoras
cl asico.
Consideremos jado un sistema de referencia m etrico, 1 = O; v
1
, v
2
en un es-
pacio eucldeo sobre R de dimensi on 2. Como v
1
y v
2
son unitarios y ortogonales, los
representamos en el plano como dos vectores perpendiculares de tama no 1, partiendo de
un mismo punto (que representa a O). Una vez jada la representaci on gr aca de 1,
cualquier otro punto o vector del espacio eucldeo estar a tambi en jado: el punto (a, b)
es el punto nal del vector av
1
+bv
2
, donde av
1
es un vector de tama no [a[ con la misma
direcci on que v
1
, y el sentido determinado por el signo de a, y el vector bv
2
se dene de
forma an aloga. El vector suma de u y v est a representado por la diagonal (que pasa por
O) del paralelogramo que pasa por O cuyos lados adyacentes a O son u y v. Es en este
marco que debemos demostrar que hemos denido bien la distancia entre dos puntos (el
tama no de un vector), o la perpendicularidad de dos vectores.
Proposici on. En un espacio eucldeo como el anterior, el m odulo de un vector corres-
ponde al tama no de su representaci on gr aca. Y dos vectores son ortogonales si y s olo si
sus representaciones gr acas son perpendiculares.
Demostraci on. Si un vector v es igual a av
1
, sus coordenadas respecto a 1 son
(a, 0), luego su m odulo es igual a [[v[[ =
a
2
= [a[, que coincide con el tama no de su
representaci on gr aca. Lo mismo ocurre con los vectores de la forma bv
2
. Si por ultimo se
tiene v = av
1
+bv
2
, entonces sus coordenadas respecto de 1son (a, b), luego su m odulo
ser a

a
2
+b
2
. Ahora bien, como v
1
y v
2
son perpendiculares, tambi en lo son av
1
y
bv
2
, luego sus representaciones gr acas forman un rect angulo. Una de las diagonales
de este rect angulo es la representaci on del vector v, la otra (que mide lo mismo, al ser
un rect angulo) es la hipotenusa de un tri angulo rect angulo de catetos av
1
y bv
2
, luego el
teorema de Pit agoras cl asico nos dice que el tama no de la representaci on de v es igual a
la raz cuadrada del cuadrado del tama no de av
1
m as el cuadrado del tama no de bv
2
, es
decir,
a
2
+ b
2
. Por tanto, m odulo y tama no son nociones equivalentes.
Una vez que sabemos que el m odulo de un vector coincide con su tama no, veamos
que ortogonalidad corresponde a perpendicularidad. Por un lado, sabemos por el teorema
de Pit agoras afn, que dos vectores u y v son ortogonales si y s olo si
[[u + v[[
2
= [[u[[
2
+[[v[[
2
.
Por otra parte, consideremos las representaciones gr acas de O, O + u y O + u + v.
Los lados de este tri angulo son u, v y u + v. El teorema de Pit agoras cl asico (y su
generalizaci on, el teorema del coseno) nos dice que u y v son perpendiculares si y s olo si
los tama nos de sus lados satisfacen [[u[[
2
+[[v[[
2
= [[u +v[[
2
. Por tanto, ortogonalidad y
perpendicularidad son nociones equivalentes. Q.c.T.
116

Por otra parte, recordemos que, en la geometra eucldea, se dene el coseno de
un angulo , como el cociente entre el cateto contiguo y la hipotenusa de un tri angulo
rect angulo que tenga a como angulo (recordemos que tratamos s olo con angulos
menores que el angulo llano). Por otro lado, acabamos de dar una f ormula que rela-
ciona el coseno de un angulo con el producto escalar. Veamos que es cierta, utilizando el
teorema del coseno:
Proposici on. Sean u y v vectores de un espacio vectorial eucldeo V = R
2
, y sea el
angulo que forman sus representaciones gr acas (respecto de la base habitual). Entonces
se tiene:
cos() =
u v
[[u[[ [[v[[
.
Demostraci on. Sabemos, por el teorema del coseno, que el tri angulo O(O+u)(O+
v), cuyos lados miden [[u[[, [[u[[ y [[v u[[, satisface la ecuaci on:
[[v u[[
2
= [[u[[
2
+[[v[[
2
2 [[u[[ [[v[[ cos(),
luego
(v u) (v u) = (u u) + (v v) 2 [[u[[ [[v[[ cos(),
(v v) + (u u) 2(u v) = (u u) + (v v) 2 [[u[[ [[v[[ cos(),
u v = [[u[[ [[v[[ cos(),
de donde se obtiene la f ormula enunciada. Q.c.T.
Observaci on. Observemos que de este resultado obtenemos una nueva demostraci on de
la desigualdad de Cauchy-Schwartz en el plano R
2
, ya que sabemos que para cualquier
angulo , se tiene 1 cos() 1, luego [ cos()[ 1. Es decir
[u v[
[[u[[ [[v[[
1 [u v[ [[u[[ [[v[[.
Adem as, as vemos que el cociente entre [u v[ y [[u[[ [[v[[ puede tomar todos los valores
entre 0 y 1.
Al igual que hemos hecho en el plano, se puede comprobar que en el espacio de tres
dimensiones, R
3
, las nociones de tama no y m odulo, de perpendicularidad y ortogonalidad
son equivalentes, as como lo son las nociones cl asica y afn de angulo. Por tanto, a partir
de ahora trabajaremos en espacios eucldeos, con sistemas de referencia m etricos. As,
podremos imaginar todos los ejemplos en R
2
o R
3
, e incluso demostrar teoremas de
geometra cl asica, usando estas nuevas herramientas de la geometra afn.
5.9. Distancias (I): Perpendicular com un.
Una vez que hemos denido la distancia entre dos puntos, trataremos en esta lecci on de
dar una generalizaci on (que no siempre podr a ser explcita). Antes una denici on natural.
Denici on. Sean Y
1
, Y
2
A
n
(R) variedades lineales. Diremos que Y
1
e Y
2
son perpen-
diculares (notado Y
1
Y
2
) cuando D(Y
1
)
D(Y
2
) o D(Y
2
) D(Y
1
)
.
117

Denici on. Sea Y
1
, Y
2
A
n
(R) variedades lineales. Denimos entonces
d (Y
1
, Y
2
) = inf d(P, Q) [ P Y
1
, Q Y
2
.
Observaci on. Es un hecho intuitivo que el camino m as corto entre dos variedades para-
lelas (dos rectas en A
2
(R), por ejemplo) viene dada por la distancia entre dos puntos que
forman una recta perpendicular a ambas. Demos ahora soporte te orico a este hecho.
Teorema (Perpendicular com un). Sean Y
1
, Y
2
variedades lineales disjuntas. Existe una
variedad lineal Y vericando lo siguiente:
(a) dim(Y ) 1.
(b) Y es perpendicular a Y
1
y a Y
2
.
(c) Y Y
i
= P
i
, para i = 1, 2.
(d) Toda variedad Y
que verique las propiedades (a), (b) y (c) (para los mismos P
1
y
P
2
) verica Y
Y .
(e) d(Y
1
, Y
2
) = d(P
1
, P
2
).
A una tal variedad Y se la denomina una perpendicular com un a Y
1
e Y
2
.
Demostraci on. Obviamente para que Y verique (b) es necesario que D(Y ) sea
ortogonal a D(Y
1
) y a D(Y
2
); y para que verique (d) necesitamos que Y tenga la mayor
dimensi on posible. Por tanto, la opci on natural para D(Y ) es
D(Y ) = [D(Y
1
) +D(Y
2
)]
= D(Y
1
)
D(Y
2
)
,
y as tenemos que, recordando los resultados relativos a la dimensi on de los subespacios
ortogonales (3.12.)
dim(Y ) = dim(D(Y )) = n dim[D(Y
1
) +D(Y
2
)] .
Ahora, usando el teorema de la dimensi on para variedades anes
n = dim(A
n
(R)) dimD(Y
1
+ Y
2
) > dim(D(Y
1
) +D(Y
2
)) ,
por lo que nuestra denici on de D(Y ) asegura que dim(Y ) 1.
Para determinar Y necesitamos ahora un punto. Entonces tomemos dos puntos: Q
1

Y
1
, Q
2
Y
2
; y escribamos
Q
1
Q
2
como
Q
1
Q
2
= u + v = (u
1
+ u
2
) +v, con u D(Y
1
) +D(Y
2
), u
i
D(Y
i
), v D(Y ),
donde u y v son unicos porque D(Y ) = [D(Y
1
)+D(Y
2
)]
, pero los u
i
no lo son, a menos
que D(Y
1
) D(Y
2
) = 0. Tomamos entonces el punto
P
1
= Q
1
+ u
1
Y
1
,
y denimos Y = P
1
+ D(Y ).
118

Tenemos que comprobar que Y verica las condiciones (c) y (e), ya que las dem as
surgen inmediatamente de nuestra denici on. Para ver (c), notemos que, si denimos
P
2
= Q
2
u
2
Y
2
,
tenemos que
P
1
P
2
= v D(Y ), por lo que P
2
Y . Ahora bien,
D(Y Y
i
) = D(Y ) D(Y
i
) = 0,
por lo que se tiene que Y Y
i
ha de ser un punto, y, en consecuencia, tiene que ser P
i
.
Por ultimo hemos de probar que la mnima distancia entre Y
1
e Y
2
se alcanza precisa-
mente en d(P
1
, P
2
). Para ello, sea Q
1
Y
1
, Q
2
Y
2
puntos cualesquiera como arriba.
Escribimos entonces
d(Q
1
, Q
2
)
2
=
Q
1
Q
2
2
=
Q
1
P
1
+
P
1
P
2
+
P
2
Q
2
2
=
Q
1
P
1
+
Q
2
P
2
2
+
P
1
P
2
2
,
porque (
Q
1
P
1
+
Q
2
P
2
)

P
1
P
2
y podemos aplicar el Teorema de Pit agoras. Entonces es
claro que el mnimo se alcanza cuando
Q
1
P
1
+
Q
2
P
2
2
= 0, esto es, cuando Q
i
= P
i
.
Corolario. Si D(Y
1
) D(Y
2
) = 0 (esto se suele expresar diciendo que Y
1
e Y
2
se
cruzan) entonces la perpendicular com un es unica.
Demostraci on. Basta recuperar de la demostraci on la unica elecci on que hemos he-
cho: la del punto P
1
, que provena de la elecci on de vectores u
1
D(Y
1
) y u
2
D(Y
2
)
en la descomposici on de

Q
1
Q
2
. Pero, si D(Y
1
) D(Y
2
) = 0, entonces la suma
D(Y
1
) +D(Y
2
) es directa; y por tanto u
1
y u
2
son unicos.
Corolario. Dadas dos variedades lineales anes Y
1
e Y
2
, se tiene que
d(Y
1
, Y
2
) = 0 Y
1
Y
2
,= .
Demostraci on. S olo hay que probar, obviamente, la implicaci on directa. Pero, si
d(Y
1
, Y
2
) = 0 y tenemos Y
1
Y
2
= , podemos construir una perpendicular com un y
hallar puntos P
i
Y
i
tales que d(Y
1
, Y
2
) = d(P
1
, P
2
) > 0, en contra de la hip otesis.
5.10. Distancias (II): Hiperplano mediador.
Una vez estudiado un procedimiento general para hallar la distancia entre dos variedades,
nos jamos en los casos m as interesantes geom etricamente: los casos de distancia de un
punto a un hiperplano y de distancia entre dos hiperplanos. Posteriormente veremos un
primer ejemplo de lugar geom etrico que nos ser a de gran utilidad en el pr oximo tema: el
hiperplano mediador de dos puntos.
Denici on. Sea P A
n
(R), Y una variedad lineal tal que P / Y . Entonces, si Y
es la
perpendicular com un a P e Y , el punto Y Y
se denomina el pie de la perpendicular a

Y trazada desde P o, equivalentemente, la proyecci on ortogonal de P sobre Y .
119

Proposici on. Sea P = (
1
, ...,
n
) A
n
(R), H un hiperplano de A
n
(R) dado por la
ecuaci on H : a
0
+ a
1
x
1
+... +a
n
x
n
= 0 tal que P / H. Entonces
d(P, H) =
[a
0
+ a
1
1
+... + a
n
n
[
_
a
2
1
+ ... + a
2
n
.
Demostraci on. Dado que la direcci on de H viene determinada por la ecuaci on
D(H) : a
1
x
1
+... +a
n
x
n
= 0,
es obvio que
D(H)
=
_
(a
1
, ..., a
n
)
_
,
ya que dim(D(H)
) = 1. As, la perpendicular com un a P y H es precisamente la recta

L = P +
_
(a
1
, ..., a
n
)
_
.
Buscamos un punto Q HL para lo cual lo m as simple es tomar un punto arbitrario
en L
P +
(a
1
, ..., a
n
) = (
1
+ a
1
, ...,
n
+ a
n
) ,
e imponemos que verique la ecuaci on de H. Entonces es inmediato que
=
a
0
+ a
1
1
+ ... + a
n
n
a
2
1
+ ... + a
2
n
.
Por tanto tenemos
d(P, Y ) = d(P, Q) =
PQ
= [[
(a
1
, ..., a
n
)
=
[a
0
+ a
1
1
+ ... + a
n
n
[
_
a
2
1
+ ... + a
2
n
.
Denici on. Dado un hiperplano H : a
0
+ a
1
x
1
+ ... + a
n
x
n
= 0, un vector no nulo del
subespacio
(a
1
, ..., a
n
)) se denominar a vector normal a H.
Corolario. Sean dos hiperplanos H y H
. Entonces, si H H
= podemos suponer
que vienen dados por ecuaciones
H : +a
1
x
1
+ ... + a
n
x
n
= 0, H
: + a
1
x
1
+ ... + a
n
x
n
= 0,
y, adem as,
d(H
1
, H
2
) =
[ [
_
a
2
1
+ ... + a
2
n
.
Demostraci on. Del teorema de la dimensi on para variedades lineales anes es in-
mediato que
H H
= = D(H) = D(H
),
por lo que podemos suponer que D(H) y D(H
) vienen dadas por la misma ecuaci on y, en

consecuencia, existen ecuaciones de H y H
que s olo dieren en el t ermino independiente.

120

Ahora bien, si tomamos un punto P = (
1
, ...,
n
) H cualquiera, tenemos que
d(P, H
) =
[ +a
1
1
+... +a
n
n
[
_
a
2
1
+ ... + a
2
n
=
[ [
_
a
2
1
+ ... + a
2
n
,
ya que +a
1
1
+...+a
n
n
= 0. Por tanto d(P, H
) no depende de P y es, en consecuencia,

d(H, H
).
El ultimo punto relativo a puntos, hiperplanos y distancias es el hiperplano mediador.
Proposici on. Sean P, Q A
n
(R), distintos. Entonces el conjunto
M
PQ
= R A
n
(R) [ d(P, R) = d(Q, R)
es un hiperplano, denominado hiperplano mediador de P y Q (cuando n = 2, se denomi-
nar a mediatriz de P y Q).
Demostraci on. Vamos a dar la construcci on explcita de M
PQ
. Para ello, notemos
P = (
1
, ...,
n
), Q = (
1
, ...,
n
),
y consideramos R el punto medio de P y Q. Es obvio entonces que R M
PQ
, y que
R =
_
1
+
1
2
, ...,

n
+
n
2
_
.
Veamos entonces que M
PQ
= R +
_
PQ
_
. En efecto,
A M
PQ
d(A, P) = d(A, Q)
AP
2
=
AQ
AR +
RP
2
=
AR +
RQ
AR +
RP
_
AR +
RP
_
=
_
AR +
RQ
_
AR +
RQ
_

AR
RP =

AR
RQ

AR
RP =
AR
RP

AR
RP = 0

AR

RP = (1/2)
QP,
lo que naliza la prueba.
121

Tema 6: Anidades y movimientos
6.1. Aplicaciones anes.
Las anidades (m as generalmente, las aplicaciones anes) son las aplicaciones que tienen
inter es geom etrico, en el contexto de la geometra afn. Dicho de manera informal, son
aqu ellas aplicaciones que llevan puntos en puntos, pero que transforman de manera co-
herente y lineal los vectores.
Denici on. Diremos que una aplicaci on f : A
n
(k) A
m
(k) es una aplicaci on afn
cuando existe un homomorsmo
f : k
n
k
m
denominado homomorsmo vectorial asociado, que verica que para cualquier par de
puntos P, Q A
n
(k),
f(P) = f(Q) +
f
_
PQ
_
.
En el caso n = m, cuando

f sea adem as un isomorsmo (y por tanto un automor-
smo), f se denominar a anidad. Al ser
f biyectivo, tambi en lo es f.
Observaci on. De la denici on se deduce inmediatamente que
f(P)f(Q) =

f
_
PQ
_
,
lo cual ilustra nuestra armaci on de que f transforma de manera coherente los vectores:
dado un vector v, cualquier par (P, Q) que nos sirvan como origen y nal de v verican
que el vector de origen f(P) y nal f(Q) es siempre el mismo, y dicho vector ser a,
obviamente,
f (u).
Proposici on. Dada una aplicaci on afn f : A
n
(k) A
m
(k) y jados sistemas de
referencia 1
n
= O; B
n
y 1
m
= O
; B
m
, existe una matriz M
R
n
,R
m
(f), denominada
matriz de f respecto de 1
n
y 1
m
tal que, para todo P A
n
(k),
(1 [ f(P)
R
m
)
t
= M
R
n
,R
m
(f) (1 [ P
R
n
)
t
.
Demostraci on. En realidad basta con dar la matriz, que no es otra que
M
R
n
,R
m
(f) =
_
_
_
_
_
_
_
_
1 0 ... 0
f(O)
t
R
m
M
B
n
,B
m
_
f
_
_
_
_
_
_
_
_
_

y comprobar la ecuaci on. En concreto,
_
_
_
_
_
_
_
_
1 0 ... 0
f(O)
t
R
m
M
B
n
,B
m
_
f
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
P
t
R
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1 0 ... 0
f(O)
t
R
m
M
B
n
,B
m
_
f
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
OP
t
B
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1
f(O)
t
R
m
+ M
B
n
,B
m
_
f
_
OP
t
B
n
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1
f(O)
t
R
m
+
f(O)f(P)
t
B
m
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1
f(P)
t
R
m
_
_
_
_
_
_
_
_
Corolario. Una aplicaci on afn queda completamente determinada por su acci on sobre
un sistema de referencia del espacio de partida. Alternativamente, queda determinada por
su acci on sobre una base del espacio de partida.
Corolario. En las condiciones anteriores, si 1
n
y 1
m
son otros dos sistemas de refer-
encia de A
n
(k) y A
m
(k), respectivamente, entonces
M
R
n
,R
m
(f) = M(1
m
, 1
m
) M
R
n
,R
m
(f) M
(
1
n
, 1
n
).
Proposici on. Dada una aplicaci on afn f : A
n
(k) A
m
(k), si Y y Z son variedades
lineales anes de A
n
(k) y A
m
(k), respectivamente, entonces f(Y ) y f
1
(Z) son as
mismo variedades lineales anes.
Demostraci on. La demostraci on es muy similar al resultado equivalente para subes-
pacios vectoriales y homomorsmos. En concreto,
Y = P + D(Y ) = f(Y ) = f(P) +
f (D(Y )).
Ambas inclusiones son sencillas. Por ejemplo, si tomamos R f(Y ), debe existir
Q Y tal que f(Q) = R y por tanto u =

PQ D(Y ). Entonces
R = f(Q) = f
_
P +
PQ
_
= f(P) +
f
_
PQ
_
f(P) +
f (D(Y )).
La otra inclusi on es m as sencilla (si cabe).
Para demostrar que f
1
(Z) es una variedad lineal en A
n
(k) denida por, pongamos,
r ecuaciones, basta comprobar, como en 4.3., que (cuidado con las variables):
Z : A
_
_
_
_
x
1
.
.
.
x
m
_
_
_
_
= B
t
Z :
_
B
t
[ A
_
_
_
_
_
_
_
1
x
1
.
.
.
x
m
_
_
_
_
_
_
= 0
r1

f
1
(Z) :
_
B
t
[ A
_
M(f)
_
_
_
_
_
_
1
x
1
.
.
.
x
n
_
_
_
_
_
_
= 0
r1
123

6.2. Elementos jos de las anidades.
Al igual que en espacios vectoriales nos interesamos por los vectores que se transforma-
ban en m ultiplos de ellos mismos por un endomorsmo, vamos a estudiar las variedades
que se transforman en s mismas por una anidad. Estas variedades se denominar an ele-
mentos jos (o dobles).
Proposici on. Dada una anidad f : A
n
(k) A
n
(k), el conjunto
D
f
= P A
n
(k) [ f(P) = P,
denominado el conjunto de puntos jos de f, es una variedad lineal.
Demostraci on. Es muy simple probar el resultado, basta darse cuenta de que
f(P) = P M(f)
_
_
_
_
_
_
1
x
1
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
_
1
x
1
.
.
.
x
n
_
_
_
_
_
_
.
Esto es, tenemos expresado D
f
como el conjunto de soluciones de un sistema de
ecuaciones.
Observaci on. Dado que, para una variedad lineal cualquiera Y = P + D(Y ), se tiene
que
Y = P + u [ u D(Y ),
es elemental que
f(Y ) =
_
f(P) +
f (u) [ u D(Y )
_
,
de donde f(Y ) = f(P) +
f (D(Y )).
Esto nos permite deducir, adem as, a partir de los resultados de 5.7., que
Y = P
0
, ..., P
r
) = f(Y ) = f (P
0
) , ..., f (P
r
)).
Proposici on. Sea una anidad f : A
n
(k) A
n
(k), y sea Y una variedad lineal dada
por Y = P + D(Y ). Entonces Y es ja (o sea, f(Y ) = Y ) si y s olo si f(P) Y y
f (D(Y )) = D(Y ).
Demostraci on. Ve amos la doble implicaci on. Por un lado, si Y es ja, es obvio que
f(P) f(Y ) = Y . Si tomamos u D(Y ), escribimos entonces Q = P +u Y . Como
f(Q) f(Y ) = Y , tenemos que
f
_
PQ
_
=

f(P)f(Q) D(Y ),
con lo que

f (D(Y )) D(Y ). Pero, por ser
f isomorsmo, preserva la independencia

lineal y por tanto las dimensiones, de donde
f (D(Y )) = D(Y ). En el otro sentido basta

aplicar la observaci on anterior.
Corolario. En las mismas condiciones, dada Y = P
0
, ..., P
r
), Y es ja si y s olo si
f(P
i
) Y para todo i = 1, ..., r.
124

Observaci on. Este resultado nos permite comprobar f acilmente cu ando una variedad
dada es ja, pero no calcular todas las variedades jas de una anidad dada, que es un
problema, en general, complicado. Aunque para algunos casos concretos se puede hacer
de forma sencilla; como los puntos, que hemos visto al principio de la clase y los hiper-
planos.
Proposici on. Sea una anidad f : A
n
(k) A
n
(k), y sea H un hiperplano dado por
a
0
+ a
1
x
1
+ ... + a
n
x
n
= 0.
Entonces H es jo si y s olo si (a
0
, ..., a
n
) es un autovector de la matriz M(f)
t
.
Demostraci on. Lo primero a observar es que, por ser f biyectiva, se tiene que
f(H) = H f
1
(H) = H.
Adem as, es tambi en evidente que cualquier ecuaci on que dena a H ser a de la forma
(a
0
+ a
1
x
1
+ ... +a
n
x
n
) = 0, para alg un ,= 0.
Por tanto, aplicando el resultado de la secci on anterior
H = f(H) (a
0
... a
n
)M(f) = (a
0
... a
n
)
M(f)
t
(a
0
... a
n
)
t
= (a
0
... a
n
)
t
,
para alg un no nulo. Esto demuestra el resultado.
6.3. Dilataciones.
Denici on. Una anidad f : A
n
(k) A
n
(k) se dice una dilataci on cuando
f = Id,
para alg un ,= 0.
Observaci on. Dado que la matriz del isomorsmo identidad es la matriz identidad en
cualquier base, una anidad es una dilataci on si y s olo si la matriz complementaria al
elemento (1, 1) de M
R
(f) es I
n
, para cualquier sistema de referencia 1.
Observaci on. Si estudiamos los puntos jos de una dilataci on f, pongamos dada por la
matriz
M(f) =
_
_
_
_
_
_
1 0 ... 0
a
1

.
.
.
.
.
.
a
n

_
_
_
_
_
_
,
tendremos que resolver el sistema de ecuaciones:
D
f
:
_
_
a
1
= (1 )x
1
.
.
.
.
.
.
a
n
= (1 )x
n
Tenemos entonces dos casos claramente diferenciados.
125

Caso = 1 Salvo en el caso trivial a
1
= ... = a
n
= 0 correspondiente a la anidad
identidad, no tenemos puntos jos en este caso. La imagen de un punto cualquiera P es
f(P) = P +
(a
1
, ..., a
n
),
como se puede comprobar multiplicando por la matriz. Por este motivo la anidad se
denomina traslaci on de vector u =

(a
1
, ..., a
n
), y se denotar a habitualmente por
u
.
A partir de los resultados de la secci on anterior, dado que

f = Id es sencillo de-
mostrar que Y es ja si y s olo si f(P) Y , para alg un P Y . Esto es equivalente a
decir que Y es ja por
u
si y s olo si u D(Y ).
Caso ,= 1 En este caso las ecuaciones de los puntos jos forman un sistema compa-
tible determinado. La soluci on (y por tanto el unico punto jo) es
D
f
=
__
a
1
1
, ...,
a
n
1
__
.
La anidad f se denomina homotecia de centro el unico punto jo (que denotaremos
O en lo que sigue) y raz on , y se denota habitualmente h
O,
. El par (O, ) determina la
anidad, ya que, para todo P A
n
(k),
f(P) = O +
OP.
Para ver esto simplemente escribimos P = (x
1
, ..., x
n
) y, multiplicando por la matriz
M(f) obtenemos que
f(P) = (a
1
+ x
1
, ..., a
n
+ x
n
)
=
_
a
1
1
, ...,
a
n
1
_
+
_
x
1
a
1
1
, ..., x
n
a
n
1
_
lo que demuestra la armaci on.
Sea Y una variedad lineal cualquiera. Queremos saber cu ando ser a ja para h
O,
.
Dado que una vez m as se tiene que

f (D(Y )) = D(Y ) ya que

f = Id, es claro que
toda variedad lineal que pase por O es ja, basta escribirla como Y = O + D(Y ).
Pero adem as se tiene que, si Y es ja, entonces dado P Y cualquiera, f(P) Y y
por tanto
Pf(P) D(Y ). Pero como, en este caso
Pf(P) =
OP,
esto implica que si Y es ja
OP D(Y ) para cualquier P Y , de donde O Y .

6.4. Movimientos.
Pasamos ahora al estudio del espacio eucldeo introduciendo los movimientos, que son
las anidades que conservan las propiedades eucldeas. Al estudio preciso y detallado de
estas transformaciones dedicaremos las secciones siguientes. Trabajaremos, como antes,
en un espacio eucldeo (A
n
(R), (V, ), +).
126

Denici on. Un movimiento es una anidad f : A
n
(R) A
n
(R) que verica que su
isomorsmo vectorial asociado,
f , es una isometra (endomorsmo ortogonal).

El conjunto de los movimientos se denota Mo(A
n
(R)).
Observaci on. Recordemos que, dada una anidad f, el isomorsmo vectorial

f vena
dado por (6.1.)
f
_
PQ
_
=

f(P)f(Q),
y, dado un sistema de referencia afn 1 = O; B, M
B
(
f ) era precisamente la submatriz

cuadrada de orden n complementaria al elemento (1, 1) de M
R
(f).
Observaci on. De las propiedades de los endomorsmos ortogonales se siguen inmedia-
tamente las siguientes propiedades:
(a) f es un movimiento si y s olo si M
B
(
f ) es ortogonal, para cualquier base ortonorm-

nal B de (V, ).
(b) f conserva los angulos entre vectores con el mismo origen (5.8.)
(c) f es un movimiento si y s olo si es una anidad que preserva las distancias. Esto es,
para cualesquiera P, Q A
n
(R), d(f(P), f(Q)) = d(P, Q).
(d) El conjunto de los movimientos es un grupo para la composici on de aplicaciones.
Observaci on. As como los automorsmos se corresponden con los cambios de base,
las homografas con los cambios de sistemas de referencia proyectivo y las anidades con
los cambios de sistemas de referencia anes, los movimientos son la contrapartida de los
cambios de sistema de referencia m etricos.
Vamos a nalizar el tema viendo algunos ejemplos de movimientos, que despu es ser an
estudiados con m as detalle.
Ejemplo. Recordemos que una traslaci on era una anidad que vericaba

= Id
V
.
Claramente la matriz

ser a I
n
en cualquier base, por tanto, las traslaciones son
movimientos.
Ejemplo. Con respecto a las otras dilataciones; las homotecias, recordemos que estas
se caracterizaban por el hecho de que su isomorsmo vectorial asociado era Id
V
, para
alg un ,= 0, 1. Nuevamente, la matriz del isomorsmo en cualquier base ser a I
n
. As,
una homotecia es un movimiento si y s olo si su raz on, , es 1. Estas homotecias tan
particulares se denominan simetras centrales de centro el punto jo de la homotecia.
Ejemplo. Vamos a introducir un ejemplo nuevo de movimiento: las simetras hiper-
planares. Para ello, jamos un hiperplano H, que denominaremos eje de la simetra y
denimos el movimiento como sigue:
H
: A
n
(R) A
n
(R)
P
H
(P) = P + 2
PQ,
donde Q es el pie de la perpendicular a H trazada desde P. En particular, Q es el punto
medio de P y
H
(P).
127

Para ver que
H
es, en efecto, un movimiento, escojamos un vector no nulo u
D(H)
(que es, de hecho, base de D(H)
) y una base v
1
, ..., v
n1
de D(H). Si apli-
camos GramSchmidt, por separado, a ambas bases, y las unimos obtenemos una base
ortonormal
B = w
1
, ..., w
n1
, x.
Finalmente escojemos un punto cualquiera O H para completar un sistema de referen-
cia afn 1 = O; B. Respecto de este sistema de referencia, H : x
n
= 0.
Escogemos entonces un punto cualquiera (identicamos en adelante coordenadas res-
pecto de 1y puntos) P = (a
1
, ..., a
n
). Entonces la perpendicular a H desde P es
L : x
1
= a
1
, ..., x
n1
= a
n1
,
y, por tanto,
H
(P) = (a
1
, ..., a
n
) + 2
(0, ..., 0, a
n
) = (a
1
, ..., a
n
) .
En forma matricial tenemos que
M
R
(f) =
_
_
_
_
_
_
_
_
_
1 0 ... 0 0
0 1
.
.
.
.
.
.
0 1
0 1
_
_
_
_
_
_
_
_
_
.
Por lo estudiado en este tema,
H
es una anidad. Adem as es inmediato que M
B
(
f )
es ortogonal, por lo que
H
es un movimiento. Adem as, una propiedad inmediata, bien
de la denici on, bien de la expresi on matricial de
H
, es que
2
H
= Id, esto es, que
1
H
=
H
. Otra propiedad elemental a deducir es que
(
H
)
|D(H)
= Id
D(H)
.
Podemos ampliar el estudio para incluir cualquier tipo de simetra (por ejemplo,
simetras axiales en A
3
(R)).
Ejemplo. La aplicaci on que, jado un sistema de referencia, permuta dos o m as va-
riables, es evidentemente un movimiento. Es un buen ejercicio que el alumno trate de
expresarlo como producto de (tal vez una) simetras.
6.5. El teorema de CartanDieudonn e (opcional).
Observaci on. El teorema de CartanDieudonn e nos permite una primera clasicaci on
(geom etrica) de los movimientos. Este resultado es el m as importante que se ver a en este
tema; en particular es de los pocos que se pueden aplicar a cualquier dimensi on.
Lema. Sea f : A
n
(R) A
n
(R) una aplicaci on que preserve distancias. Si f deja
n + 1 puntos invariantes Q
1
, ...., Q
n+1
no contenidos en un hiperplano, f = Id.
Demostraci on. En efecto, si existiese un punto P tal que f(P) ,= P, entonces,
d(P, Q
i
) = d(f(P), f(Q
i
)) = d(f(P), Q
i
),
de donde (5.10.) Q
1
, ..., Q
n+1
han de estar en el hiperplano mediador de P y f(P). Esto
es imposible por hip otesis, luego f = Id.
128

Teorema de CartanDieudonn e. Sea f una aplicaci on de A
n
(R) en s misma que
preserva distancias. Entonces f es un movimiento que es composici on de, a lo sumo,
n + 1 simetras hiperplanares.
Demostraci on. Supongamos que f no es la identidad, ya que esta es composici on,
como sabemos, de dos simetras hiperplanares. Denotemos entonces
r
f
= m aximo n umero de puntos jos de f afnmente independientes.
Vamos a construir otra aplicaci on que preserve distancias pero con m as puntos jos
afnmente independientes que f. Para ello, tomemos P un punto tal que f(P) ,= P y sea
H el hiperplano mediador de P y f(P). Denimos entonces g =
H
f.
Primero observemos que si Q es jo para f, entonces
d(P, Q) = d(f(P), f(Q)) = d(f(P), Q) = Q H,
como vimos antes. Por tanto Q tambi en es jo para
H
y, en consecuencia para g. Por
otra parte, es obvio de la denici on que P es jo para g. Por tanto, como P / H, es
afnmente independiente con cualquier subconjunto de puntos jos de f. Esto prueba que
r
g
> r
f
.
Adem as, por ser
H
un movimiento,
H
f preserva distancias. As pues, dada
una aplicaci on que preserva distancias distinta de la identidad, podemos construir, com-
poniendo con una simetra hiperplanar, otra con m as puntos jos afnmente independi-
entes.
As, aplicamos este proceso reiteradamente, y cuando este n umero llegue a n + 1, la
aplicaci on resultante ha de ser Id, y tendremos
Id =
t
...
1
f, para t n + 1 = f =
1
...
t
,
usando que toda simetra es su propia inversa.
As, f es anidad por ser composici on de anidades y, al preservar distancias, es un
movimiento. Esto naliza la demostraci on.
Corolario. Un movimiento con un hiperplano de puntos jos es una simetra.
Demostraci on. Basta darse cuenta de que la demostraci on s olo requiere una com-
posici on para llegar a la identidad.
Notaci on. Como vamos a tener que usar a menudo el conjunto de puntos jos de un
movimiento f, en adelante notaremos esta variedad lineal afn por D
f
.
Ejemplo. Veamos, por ejemplo, c omo describir una traslaci on en producto de simetras.
De paso esto nos permitir a probar que, a veces, no hacen falta tantas simetras como cabra
esperar por la demostraci on del teorema. De hecho, partimos de la peor situaci on posible,
puesto que las traslaciones no tienen puntos jos.
Fijado un sistema de referencia m etrico 1 = O; B, respecto del cual tomaremos
coordenadas sin menci on expresa, la traslaci on de vector u =

(a
1
, ..., a
n
) se puede denir
como
u
: A
n
(R) A
n
(R)
P P + u
129

y, por tanto,
M
R
(
u
) =
_
_
_
_
_
_
1 0 ... 0
a
1
1
.
.
.
.
.
.
a
n
1
_
_
_
_
_
_
.
Para seguir la demostraci on del teorema, hemos de escoger un punto P, no jo, (o sea
que cualquiera vale) y hallar H, el hiperplano mediador de P y f(P). Pero
Pf(P) = u = u D(H).
As, P es jo para g =
H

u
, pero, para todo R P + D(H),
g(R) = g(P) +
g (v), con v D(H)

= P +
u
(v) = P +
H
(v) = R,
porque, como indicamos en 6.4.,
u
= Id
V
,

(
H
)
|D(H)
= Id
D(H)
.
Por tanto g es un movimiento con un hiperplano, P + D(H), de puntos jos y es, en
consecuencia, una simetra. Esto prueba que toda traslaci on es producto de dos simetras
hiperplanas de ejes paralelos.
6.6. Movimientos y algunos conjuntos anes.
Vamos a dar algunas propiedades relativas a movimientos que ser an de mucho uso en las
clases de problemas: en particular introduciremos los segmentos y semirrectas, cuyo uso
ser a fundamental a la hora de calcular movimientos que dejan invariantes guras.
Denici on. Dados P, Q A
n
(R) denominamos segmento de extremos P y Q al con-
junto
PQ = P +
PQ [ [0, 1].
Lema. Las condiciones siguientes son equivalentes:
(a) R PQ.
(b) R PQ y
PR
RQ 0.
(c) d(P, Q) = d(P, R) +d(R, Q).
Demostraci on. El resultado se sigue casi inmediatamente de 3.11. y de la denici on
anterior, haciendo (a) (b) (c).
La unica dicultad puede estar en (b) =(a). Para ello, tomemos R PQy notemos
el escalar que verica
PR = P +
PQ. Entonces
PR
RQ =
_
PQ
_
_
(1 )
PQ
_
= (1 )d
2
(P, Q),
130

por lo que esta cantidad es no negativa si y s olo si [0, 1].
Proposici on. Sea f un movimiento. Entonces f(PQ) = f(P)f(Q).
Demostraci on. Es muy sencillo, por doble inclusi on. Tomamos R PQ y, en-
tonces,
d(f(P), f(Q)) = d(P, Q) = d(P, R) +d(R, Q)
= d(f(P), f(R)) +d(f(R), f(Q)),
y esto es equivalente a que f(R) f(P)f(Q).
Denici on. Dados P, Q A
n
(R) denominamos semirrecta de origen P que pasa por Q
al conjunto
L
P,Q
= P +
PQ [ 0.
Lema. Las condiciones siguientes son equivalentes:
(a) R L
P,Q
.
(b) R PQ y, bien
PR
RQ 0, bien
PQ
QR 0.
(c) d(P, Q) = d(P, R) +d(R, Q) o bien d(P, Q) = d(P, R) +d(R, Q).
Demostraci on. Paralela al caso del segmento.
Corolario. Dados tres puntos alineados, uno de ellos siempre est a en el segmento cuyos
orgenes son los otros dos.
Proposici on. Sea f un movimiento. Entonces f(L
P,Q
) = L
f(P),f(Q)
.
Demostraci on. Aunque podemos adaptar la demostraci on del caso del segmento,
vamos a usar otra para dar una visi on m as amplia de las t ecnicas que podemos usar tra-
bajando con movimientos. Tomamos primero R L
P,Q
y, entonces,

PR =
PQ, con
0, de donde
f(P)f(R) =

f
_
PR
_
=
f
_
PQ
_
=
f(P)f(Q).
y esto es implica que f(R) L
f(P),f(Q)
.
Para ver la otra inclusi on, basta tomar R L
f(P),f(Q)
y aplicar f
1
que es tambi en
un movimiento. Entonces, por lo que acabamos de probar, f
1
(R) L
P,Q
, luego R
f (L
P,Q
), como queramos probar.
Observaci on. Un conjunto T se dice convexo cuando, para cualesquiera P, Q T,
PQ T. Los segmentos y las semirrectas son ejemplos de conjuntos convexos. En clase
de problemas veremos m as ejemplos (polgonos y poliedros, por ejemplo), y c omo varan
por la acci on de movimientos. En concreto, dos resultados a tener en cuenta en esta lnea
son los siguientes:
Lema. Sea T A
n
(R). Entonces
S(T) = f Mo(A
n
(R)) [ f(T) = T
es un grupo para la composici on de aplicaciones, denominado grupo de simetras de T.
131

Si T
A
n
(R) verica que existe g Mo(A
n
(R)) tal que g(T) = T
, entonces
h Mo(A
n
(R)) [ h(T) = T
= g f [ f S(T) = f g [ f S(T
).
Demostraci on. El hecho de que S(T) es un grupo es elemental, ya que la propiedad
asociativa se verica, por ser un subconjunto de Mo(A
n
(R)), Id S(T) obviamente
y, si f S(T), es elemental que f
1
tambi en. Por tanto, s olo hay que vericar que la
composici on de movimientos de S(T) est a en S(T), lo cual es tambi en claro.
La segunda armaci on es sencilla por doble inclusi on. Por ejemplo, si h(T) = T
,
entonces g
1
h(T) = T, luego existe f S(T) tal que g
1
h = f. Esto prueba que
h = g f, con f S(T). La otra inclusi on es a un m as simple.
6.7. Movimientos del plano.
Pasamos a estudiar ahora los movimientos del plano. Usaremos para ello tanto una car-
acterstica algebraica (los autovalores de

f y sus multiplicidades) como una geom etrica
(su variedad de puntos jos). Sea entonces f Mo(A
2
(R)).
De 4.9. sabemos que la matriz de

f , respecto de una cierta base ortonormal, es
diagonal por cajas, siendo las posibles cajas
(1), (1),
_
a b
b a
_
, con a
2
+ b
2
= 1, b ,= 0.
As pues, existe un sistema de referencia m etrico tal que la matriz de f es de una de
las siguientes formas:
_
_
_
1 0 0
1 0
0 1
_
_
_,
_
_
_
1 0 0
1 0
0 1
_
_
_,
_
_
_
1 0 0
1 0
0 1
_
_
_,
_
_
_
1 0 0
a b
b a
_
_
_,
que denotaremos respectivamente casos (a), (b), (c) y (d).
Caso (a) Separaremos el estudio dependiendo de la variedad de puntos jos de f,
que notaremos D
f
y que tiene por ecuaciones
+ x = x
+ y = y
_
(a.1) Si D
f
,= , las ecuaciones anteriores nos dicen que ha de ser = = 0 y, en
consecuencia f = Id.
(a.2) Si D
f
= , como ya hemos visto f =
(, )
.
Caso (b) Separaremos el estudio nuevamente. D
f
tiene ahora por ecuaciones
+ x = x
y = y
_
132

(b.1) Si D
f
,= ha de ser = 0. Entonces los puntos jos son los de la recta
H : y = /2, por lo que f =
H
, por lo visto en 6.5.
4
(b.2) Si D
f
= entonces notemos que
_
_
_
1 0 0
1 0
0 1
_
_
_ =
_
_
_
1 0 0
0 1 0
0 1
_
_
_
_
_
_
1 0 0
1 0
0 0 1
_
_
_
=
_
_
_
1 0 0
1 0
0 0 1
_
_
_
_
_
_
1 0 0
0 1 0
0 1
_
_
_.
Si denominamos u =

(, 0) y H : y = /2, lo anterior prueba que f =
u

H
=
H

u
. Adem as se verica que u D(H). Este movimiento se denomina simetra con
deslizamiento, H se denomina el eje y u el deslizamieto o el vector.
N otese que H es jo para f (no de puntos jos) y es la unica en estas condiciones.
Para ver esto notemos que todas las direcciones son jas para

u
, y para

H
las unicas
direcciones jas son
(1, 0)) y
(0, 1)). Por lo tanto toda recta ja ha de ser del tipo y =

o x = .
Pero un punto cualquier de x = , pongamos P = (, 0) va en f(P) = (+, ), por
lo que f(P) no est a en la recta y ninguna recta de esa forma puede ser ja. Por otra parte
f(0, ) = (0, ), por lo que y = es ja si y s olo si = , esto es, si y s olo si es
H. Otra forma de calcular H es observando que el punto medio de cualquier punto y su
imagen est a en H. As pues, escogiendo dos puntos (en general) y hallando sus im agenes
podemos hallar H.
Caso (c) La variedad de puntos jos D
f
tiene ahora por ecuaciones
x = x
y = y
_
,
de donde D
f
= (/2, /2), punto que denotaremos P. Como indicamos, f es la
simetra central de centro P. Por ser un caso particular de homotecia, toda recta pasando
por P es jo. Adem as, para todo Q A
2
(R), P es el punto medio de Q y f(Q).
Caso (d) Las ecuaciones de D
f
son
+ ax + by = x
bx + ay = y
_
,
que es un sistema de Cramer ya que
a 1 b
b a 1
= (a 1)
2
+ b
2
= 2a 2 ,= 0, ya que b ,= 0, a ,= 1.
De donde D
f
= P. Este tipo de movimientos se denomina un giro de centro P
y angulo . El problema de la determinaci on de angulos orientados es complejo en el
4
Si no se explica 6.5., entonces hay que realizar un peque no ejercicio y probar que s olo hay dos posibles
movimientos que posean una recta de puntos jos: la identidad y la simetra de eje la recta en cuesti on
(basta tomar un sistema de referencia m etrico con dos puntos en la recta y estudiar las posibles im agenes
del tercer punto).
133

plano (no digamos en el espacio) y, voluntariamente, no hemos entrado en el (aunque
est a propuesto como tema para un trabajo). Por ello, simplemente daremos angulos no
orientados. Con algo de trabajo (alrededor de una hora si se justica, unos tres minutos si
no) el docente puede denir el seno de angulos en el plano y as determinar con precisi on
el angulo de un giro.
En nuestro caso nos conformaremos con probar que, para todo Q A
2
(R), el angulo
no orientado formado por
PQ y
Pf(Q) es independiente de Q. En efecto;
PQ
Pf(Q) =

PQ
f(P)f(Q)
= (a
1
a
2
)
__
a b
b a
__
a
1
a
2
__
= a
PQ
2
,
por lo que
cos() =
a
PQ
PQ
Pf(Q)
= a,
dado que d(P, Q) = d(P, f(Q)), al ser P jo. As hemos probado lo que busc abamos.
Resumimos entonces lo estudiado en esta lecci on en el siguiente cuadro. Usamos
la denominaci on cl asica elementos de un movimiento para designar aqu ellos objetos
geom etricos que lo caracterizan.
Tipo de Autovalores Puntos Elementos del
movimiento de
f jos movimiento
Identidad 1,1 A
2
(R)
Traslaci on 1,1 u =

Pf(P)
de vector u P A
2
(R)
Simetra 1,-1 H H = D
f
de eje H
Simetra con H es la unica
deslizamiento 1,-1 recta ja
(eje H, vector u) u =

Pf(P), P H
Simetra central -1,-1 P P = D
f
de centro P
Giro de centro P , C P Centro P
y angulo cos() = ()
134

6.8. Movimientos del espacio (I).
Comenzamos en esta lecci on el repaso a la casustica de movimientos en A
3
(R), que
nos llevar a m as tiempo, por ser m as larga, aunque no m as complicada. Tomamos f
Mo(A
3
(R)).
Por los mismos resultados usados en 6.7. anteriormente, sabemos que las posibles ma-
trices de f, respecto de un cierto sistema de referencia m etrico con una base real ortonor-
mal, son
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
1 0 0
0 a b
0 b a
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
1 0 0
0 a b
0 b a
_
_
_
_
_
.
Nos ocuparemos en esta lecci on de los casos (a), (b) y (d); y dejaremos para la si-
guiente los restantes: (c), (e) y (f).
Caso (a) No existen grandes diferencias entre este estudio y el del caso plano. En
efecto,
D
f
:
_
_
+ x = x
+ y = y
+ z = z
por lo que D
f
,= si y s olo si = = = 0, esto es, si y s olo si f = Id. En otro caso,
f es la traslaci on de vector
(, , ).
Caso (b) Este caso tambi en es paralelo al del caso plano. Ahora
D
f
:
_
_
+ x = x
+ y = y
z = z
(b.1) Si D
f
,= , entonces = = 0 y D
f
: z = /2, por lo que f es la simetra
hiperplanar de eje D
f
.
(b.2) Si D
f
= , entonces, como en el caso plano
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 1
_
_
_
_
_
,
135

por lo que, si denotamos H : z = /2, u =

(, , 0) (notemos que u D(H)), obten-
emos que f =
H

u
=
u

H
.
Los elementos geom etricos no son tan sencillos de hallar: u =

Pf(P) para cualquier
P H pero H no es el unico plano jo. La forma m as r apida (y nos sirve de repaso)
probablemente sea calcular directamente los planos jos. Para ello vamos a considerar
A = M (f)
t
=
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
t
.
donde tenemos dos autovalores: 1 ( = 3) y 1 ( = 1). El subespacio asociado a 1 tiene
por ecuaciones (usaremos otras variables para distinguir)
(I
4
A)
_
_
_
_
y
0
.
.
.
y
3
_
_
_
_
= 0
41
=
_
y
1
+ y
2
= 0
y
3
= 0
por lo que el espacio de soluciones est a generado por (1, 0, 0, 0) y (0, , , 0). As pues,
tenemos innitos planos jos: concretamente los que tienen ecuaciones
+ (x
1
+x
2
) = 0, (, ) R
2
(0, 0);
Por lo que respecta a 1 tenemos
(I
4
A)
_
_
_
_
y
0
.
.
.
y
3
_
_
_
_
= 0
41
=
_
2y
0
y
3
= 0
y
1
= y
2
= 0
por lo que (, 0, 0, 2) es un generador del subespacio, que se corresponde con el plano
2x
3
= 0.
Por tanto, H se caracteriza por ser el unico plano jo asociado al autovalor 1 de A.
Alternativamente,
P = (x
0
, y
0
, z
0
) = f(P) = (x
0
+, y
0
+ , z
0
+ ) = P +
1
2
Pf(P) H.
Caso (d) Este caso, como en el plano, se denomina una simetra central de centro
P. El centro queda determinado por ser el unico punto jo de f:
D
f
:
_
_
x = x
y = y
z = z
= P =
_
2
,

2
,

2
_
.
Como en el caso plano, P es el punto medio de Q y f(Q), para cualquier Q A
3
(R)
y toda variedad pasando por P es jo, por ser f una homotecia.
136

6.9. Movimientos del espacio (II).
Continuamos con la descripci on de los movimientos de A
3
(R). Para no repetir en exceso,
seremos ahora m as someros y dejaremos m as detalles an alogos al alumno.
Caso (c) La variedad D
f
es no vaca si y s olo si = 0.
(c.1) Si hay punto jos, entonces
D
f
: y = /2, z = /2,
esto es, es una recta de puntos jos. As, dado un punto P = (x
0
, y
0
, z
0
), tenemos que
f(P) = (x
0
, y
0
, z
0
), de donde deducimos:
(a) El punto medio de P y f(P) est a en D
f
.
(b) El vector
Pf(P) es ortogonal a D(D

f
) =
(1, 0, 0)).
Por tanto, dado un punto P, f se comporta, en el plano P +D
f
como una simetra de
eje D
f
. Por tanto, f se denomina una simetra axial de eje D
f
.
(c.2) En este caso tenemos la descomposici on
_
_
_
_
_
1 0 0 0
1 0 0
0 1 0
0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
0 1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 1 0
0 0 1
_
_
_
_
_
,
por lo que f es composici on (conmutativa) de una simetra axial y una traslaci on de
vector paralelo al eje de simetra. Como cabe esperar, f se denomina simetra axial con
deslizamiento.
Como de costumbre, para hallar el eje podemos usar dos puntos cualesquiera y sus
im agenes; calculando los puntos medios. Una vez hecho esto, el vector de traslaci on es
Pf(P) para cualquier P en el eje de simetra.

Caso (e) Dividimos el estudio como de costumbre, dependiendo de si f tiene o no
puntos jos.
(e.1) La existencia de puntos jos implica que = 0 y, adem as, que
D
f
:
_
(a 1)y bz =
by + (a 1)z =
por lo que tenemos una recta de puntos jos. Si tomamos P = (x
0
, y
0
, z
0
), entonces
H = P +D(D
f
)
: x = x
0
,
137

y, si tomamos 1
H
=
_
H D
f
;
(0, 1, 0),
(0, 0, 1)
_
tenemos un sistema de referencia
m etrico en H que verica (ejercicio sencillo)
M
R
H
_
f
|H
_
=
_
_
_
1 0 0
0 a b
0 b a
_
_
_.
En consecuencia, restringido a H, f se comporta como un giro de centro H D
f
y
angulo tal que cos() = a. Por este motivo f se denomina precisamente un giro de eje
D
f
y angulo tal que cos() = a.
(e.2) En este caso podemos descomponer
_
_
_
_
_
1 0 0 0
1 0 0
0 a b
0 b a
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
0 1 0 0
0 a b
0 b a
_
_
_
_
_
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 a b
0 b a
_
_
_
_
_
,
por lo que f es composici on de un giro de eje L y una traslaci on de vector u, paralelo al
eje del giro, que adem as conmutan. f se denomina giro con deslizamiento o movimiento
helicoidal.
En esta ocasi on, para calcular el eje notemos que D(L) es el conjunto de autovec-
tores de

f asociados al autovalor 1. As pues, hallada D(L), tomamos P = (x, y, z)
e imponemos que

Pf(P) D(L). De esta condici on hallamos L. Posteriormente,
u =

Pf(P), para cualquier P L.
Caso (f) La variedad de puntos jos D
f
es en este caso la soluci on ( unica) del sistema
D
f
:
_
_
2x =
(a 1)y bz =
by + (a 1)z =
y f admite la siguiente descomposici on
_
_
_
_
_
1 0 0 0
1 0 0
0 a b
0 b a
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
0 1 0 0
0 a b
0 b a
_
_
_
_
_
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
=
_
_
_
_
_
1 0 0 0
1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 a b
0 b a
_
_
_
_
_
,
Por tanto f se descompone en una simetra de eje H y un giro de eje L que verican:
(a) H L.
138

(b) H L = D
f
.
El movimiento se denomina simetra rotacional, y sus elementos son:
(1) El eje de simetra H: es un plano jo (de hecho, es el unico) que pasa por D
f
y su
direcci on es base del subespacio asociado a los autovalores complejos de
f .
(2) El eje de giro L: pasa por D
f
y es perpendicular a H (equivalentemente su direcci on
est a asociada al autovalor 1).
(3) El angulo de giro : dado por cos() = a.
Resumimos como en 6.7. lo estudiado en esta lecci on y en la anterior en un cuadro.
No incluimos la descripci on de los elementos de cada movimiento, por estar ya incluida
en el desarrollo de las lecciones.
Tipo de Autovalores Puntos Elementos del
movimiento de
f jos movimiento
Identidad 1,1,1 A
2
(R)
Traslaci on 1,1,1 u, vector de traslaci on
Simetra 1,1,-1 H H, eje de simetra
hiperplanar
Simetra con 1,1,-1 H, eje de simetra
deslizamiento u, vector de traslaci on
Simetra central -1,-1,-1 P P, centro de simetra
Simetra axial 1,-1,-1 L L, eje de simetra
Simetra axial 1,-1,-1 L, eje de simetra
con deslizamiento u, vector de traslaci on
Giro 1; , C L L, eje de giro
, angulo de giro
Movimiento 1; , C L, ; eje y angulo de giro
helicoidal u, vector de traslaci on
Simetra -1; , C P L, ; eje y angulo de giro
rotacional H, eje de simetra
139

Álgebra Lineal y Geometría. Grado en Física

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

Álgebra Lineal y Geometría. Grado en Física

Uploaded by

Copyright:

Available Formats

Algebra Lineal y Geometra.

Algebra Lineal y Geometra

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

es otro elemento neutro. Entonces

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

divide a P(X), pero (X )

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

usando el segundo subndice de cada factor,

de [A[ es, salvo signo, igual que un sumando N

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

la biyecci on entre 1, ..., i 1, i +1, ..., n y 1, ..., j 1, j +1, ..., n

(l) = (l). En estas condiciones si indicamos las las de M

consiste simplemente en borrar i del conjunto original y j del conjunto imagen.

Algebra Lineal y Geometra. Departamento de

y usando el desarrollo visto anteriormente, pero a la inversa, podemos escribir

De esta forma cuando realizamos la suma, usando la multilinealidad del determinante,

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de

son sus derivadas sucesivas. Usando las

Algebra Lineal y Geometra. Departamento de

Algebra Lineal y Geometra. Departamento de