2022-A

1. Espacios Vectoriales Con α1 , α2 , . . . , αm ∈ F. (Establezco el sistema con los

vectores con su respectiva componente e igualo a la componente
Def. espacio vectorial (e.v.) Un espacio vectorial es un correspondiente).
conjunto V donde se define una suma y un producto por escalar y Def. Conjunto generador o span. Es el conjunto (más
satisface las propiedades: pequeño) de todas las combinaciones lineales de vectores v1 , . . . , vm
a) Conmutatividad (suma): u + v = v + u ∀u, v ∈ V en V , denotado por:
b) Asociatividad: span(v1 , . . . , vm ) = genS
• Suma: = {α1 v1 , . . . , αm vm : α1 , . . . , α2 ∈ F}

u + (v + w) = (u + v) + w ∀u, v, w ∈ V Obs. El span de una lista vacı́a es el conjunto {0}.

Def. Generar si span(v1 , . . . , vm ) = V , entonces v1 , . . . , vm
• Producto por escalar: generan V .
(ab)(v) = a(bv) ∀a, b ∈ F, ∀v ∈ V Def. e.v. finito-dimensional Un e.v. es f-d si existe una lista finita
de vectores que genere al espacio.
c) Identidad de la suma: Def. Independencia Lineal Una lista de vectores en V se dice
linealmente independiente (l.i.) si la única elección de α1 , . . . , αm ∈
∃ 0∈V :u+0=0+u=u ∀u ∈ V F que satisfacen:
d) Inverso aditivo: α1 v1 + α2 v2 + · · · + αm vm = 0
∀u ∈ V, ∃w ∈ V : u + w = 0 = u + (−u) Es α1 = · · · = αm = 0 (solución trivial)
Obs.
e) Identidad del producto por escalar:
Una lista de un solo vector es l.i. si y solo si ese vector es
∃1 ∈ F : 1u = u ∀u ∈ V distinto de cero.
Dos vectores son l.i. si y solo si ninguno de los dos vectores
f) Distributivas:
es múltiplo escalar del otro (v1 = λv2 )
• a(u + v) = au + av ∀a ∈ F, ∀v, u ∈ V Bases canónicas:
• (a + b)u = au + bu ∀a, b ∈ F, ∀u ∈ V • Polinomios de grado m: 1, x, x2 , x3 , . . . , xm
Prop. Espacios vectoriales: • Vectores: una componente es 1 y las demás es cero hasta
obtener el espacio deseado.
a) Un espacio vectorial tiene una única identidad aditiva.
• Lo mismo con matrices
b) Todo elemento de un espacio vectorial tiene único inverso
aditivo y lo denotamos por: (−1)v = −v. Si a una lista de vectores l.i. se le quita un vector esa lista
c) 0v = v ∀v ∈ V sigue siendo l.i.
d) a0 = 0 ∀a ∈ F. ¡¡Es el cero del espacio!! Si una lista de vectores tiene el cero vector entonces esa lista
es l.d.
Def. subespacio Sea V espacio vectorial, W ⊆ V . Si W es un
Si algún vector dentro de la lista de vectores es combinación
espacio vectorial con respecto a las operaciones en V , entonces W
lineal de los elementos de la lista, entonces esa lista es l.d.
es un subespacio vectorial.
Res. 1.1: Condiciones de un subespacio Un subconjunto U Def. Dependencia lineal. Una lista de vectores en V se dice
de V es un subespacio si y solo si satisface las siguientes linealmente dependiente (l.d.) si no es linealmente independiente.
propiedades: Res. 1.6 Si quito un vector que es combinación lineal del span
i. Identidad aditiva: 0 ∈ U entonces ese span nuevo sigue generando al mismo espacio inicial.
Res. 1.7 En un e.v. f-d sucede:
ii. Cerrado bajo la suma: u, w ∈ U ⇒ u + w ∈ U
iii. Cerrado bajo el producto por escalar: a ∈ F ∧ u ∈ U ⇒ au ∈ tamaño de una lista l.i. ≤ tamaño de la lista que genera
U Res. 1.8 Todo subespacio de un espacio vectorial f-d es f-d.
Def. Suma de subespacios. Suponemos varios subconjuntos de Def. base Una base de V es una lista de vectores de V que es
V . Entonces la suma de esos subconjuntos es el conjunto de todas linealmente independiente y genera V .
las posibles sumas de elementos de los subconjuntos, es decir, la Res. 1.9 Toda lista que genera un e.v. puede reducirse (puedo
suma componente a componente de los espacios. quitar los vectores de la base canónica) a una base del espacio del
Res. 1.2 Suponemos U1 , . . . , Um ∈ V , entonces la suma de los espacio vectorial.
subespacios es el subespacio más pequeño de V que contiene a Res. 1.10 Todo espacio de dimension finita tiene una base.
U1 , . . . , Um
Res. 1.11 Toda lista de vectores l.i. en un espacio
Def. Suma directa: La suma de subespacios es directa si cada
finito-dimensional puede extenderse a una base del espacio
elemento de la suma puede ser escrito de manera única como la
vectorial.
suma de los elementos de los subespacios.
Res. 1.12. Suponemos V un e.v. f-d y U un subespacio de V .
Res. 1.3 La suma de subespacios es directa si y solo si la única
Entonces, existe un subespacio W de V tal que:
manera de escribir al cero como la suma del conjunto es tomando
a los elementos como cero. V =U ⊕W
Res. 1.4 Condición para la suma directa. Suponemos U y W
como dos subespacios de V . Entonces U + W es una suma directa Res. 1.13 Dos bases cualquiera de un espacio vectorial
si y solo si U ∩ W = {0} finito-dimensional tienen la misma longitud.
Def. dimensión La dimensión es una espacio vectorial
Def. Combinación lineal. Sea v1 , v2 , . . . , vm ∈ V . v es una
finito-dimensional es la longitud de alguna base del espacio
combinación lineal de v1 , v2 , . . . , vm ∈ V si
vectorial. (dimV )
v = α1 v1 + α2 v2 + . . . + αm vm Obs. Algunos ejemplos pueden ser:

Formulario - Algebra lineal 1

2022-A

dim Fn = n Res. 2.4 Con las operaciones anteriores L(V, W ) es un espacio

vectorial.
dim{0} = 0
Def. Producto de T.L Dados T ∈ L(U, V ) y S ∈ L(V, W )
dim Pm (F) = m + 1 (polinomios donde m es el grado del entonces el producto o composición ST ∈ L(U, W ) está definida
polinomio) por (ojo el orden):
Res. 1.14 Dimensión de un subespacio. Si V es un espacio
(ST )(u) = S(T u) ∀u ∈ U
vectorial finito-dimensional y U un subespacio de V , entonces:

dimU ≤ dimV. Prop. del producto de TL.

Asociativa: (T1 T2 )T3 = T1 (T2 T3 )

Res. 1.15 Para V un e.v. f-d. Si encuentro una lista l.i. de V de
tamaño dim V , entonces esa lista es base de V (ya no pruebo que Identidad: Consideremos I como la transformación
la lista genera V ). identidad, entonces se cumple:
Res. 1.16 Supongamos V un e.v. f-d. Entonces toda lista de
vectores que genere V con tamaño dim V es una base de V . T IV = IW T = T
Res. 1.17 Dimensión de la suma. Si U1 + U2 dos subespacios
de un e.v. f-d entonces: donde T ∈ L(V, W )
Distributiva:
dim(U1 + U2 ) = dim U1 + dim U2 − dim(U1 ∩ U2 )
• (S1 + S2 )T = S1 T + S2 T
Y si es suma directa:
• S(T1 + T2 ) = ST1 + ST2
dim(U1 + U2 ) = dim U1 + dim U2
donde T, T1 , T2 ∈ L(U, V ) y S, S1 , S2 ∈ L(V, W )
puesto que dim(U1 ∩U2 ) = 0 por ser suma directa, y su intersección Obs. El producto NO es conmutativo.
es cero por el resultado 1.4
Res. 2.6 Si T es una transformación lineal de V en W , entonces
Deber 02 Ejercicio 7 Sea V un espacio finito-dimensional y U un
T (0) = 0W
subespacio de V tal que dim U = dim V entonces U = V
Obs. Supongamos V un espacio f-d y U un subespacio de V tal Def. [espacio nulo de una T.L.] Para T ∈ L(V, W ) es espacio
que dimU = dimV . Entonces U = V nulo es el subconjunto de V que contiene a todos los elementos
Obs. Proceso para obtener bases cuando me dan un que se transforma en 0 a través de T , es decir,
conjunto extra:
N (T ) = {v ∈ V : T v = 0}
1. Encuentro una base del conjunto que me dan
2. Usando la base canónica del conjunto voy descartando uno Res. 2.7 Supongamos T ∈ L(V, W ). Entonces N (T ) es subespacio
por uno, que el vector en cuestión esté en el span. de V .
3. Si el vector está en el span entonces NO agregar a la base. Def. Inyectividad Una función T : V → W se dice inyectiva si

4. Si el vector no está en el span, entonces Sı́ agregar a la base. Tu = Tv ⇒ u = v

5. Seguir el mismo procedimiento hasta obtener un número de
vectores iguales a los de la dimensión. Esos vectores formarán Res. 2.8 Sea T ∈ L(V, W ). Entonces T es inyectiva si y solo si
parte de la base deseada. N (T ) = {0}.
Def. Imagen de una función Para T una función de V en W , la
imagen (rango) de T es un subconjunto de W que contiene a todos
2. Transformaciones lineales los vectores de la forma T v para algún v ∈ V , es decir,

Def. Transformación Lineal Una transformación lineal es una Img(T ) = {T v : v ∈ V }

función T : V → W que cumple:
Aditividad Res. 2.9 Si T ∈ L(V, W ), entonces Img(T ) es subespacio de W .
Def. sobreyectividad Una función T : V → W se dice
T (u + v) = T u + T v ∀u, v ∈ V
sobreyectiva si Img(T ) = W .
Homogeneidad Res. 2.11 [Teorema Fundamental de las T.L.] Suponemos que V
es f-d y T ∈ L(V, W ). Entonces Img(T ) es f-d y
T (λu) = λT u ∀u ∈ V, ∀λ ∈ F
dim V = dim N (T ) + dim Img(T )
Obs. El conjunto de todas las transformaciones lineales se denota
como L(V, W ). Res. 2.11 Si pasa esto dim V > dim W . Entonces no existe una
Res. 2.2 Suponemos v1 , . . . , vn una base de V y cualquier lista transformación lineal que sea inyectiva de V en W .
w1 . . . , wn ∈ W . Entonces, existe una única transformación lineal Res. 2.12 Si pasa eso dim V < dim W . Entonces no existe una
T : V → W tal que transformación lineal que sea sobreyectiva de V en W .
Def. Matriz de una T.L. Supongamos T ∈ L(V, W ) y sean
T vj = wj ∀j = 1, . . . , n v1 , . . . , vn base de V y w1 , . . . , wm una base de W . La matriz de
T respecto a estas bases es una matriz de m-filas (ver espacio W )
Def. Operaciones en L(V, W ) Suponemos S, T ∈ L(V, W ) y λ ∈ y n-columnas (ver espacio V ) notada por M(T ) cuyas entradas
F. están dadas por

Suma: (S + T )(v) = Sv + T v ∀v ∈ V m
X
T vk = a1k w1 + · · · + amk wm ≡ T vk = aik wi
Producto por escalar: (λT )(v) = λT (v) ∀v ∈ V. i=1

Formulario - Algebra lineal 2

2022-A

ası́ se tiene (a) T es invertible.

a11 a12 ··· a1k ··· a1n (b) T es inyectivo.
 
 a21 a22 ··· a2k ··· a2n  (c) T es sobreyectivo.
 .. .. .. .. 
 
.. ..
 . . . . . . 
M(T ) =  
 aj1 aj2 ··· ajk ··· ajn 

 . .. .. .. ..

..  3. Producto de espacios vectoriales
 .. . . . . . 
am1 am2 ··· amk ··· amn Def. producto de e.v. (Producto cartesiano). Supongamos
V1 . . . , Vm sobre F. Se define el producto como
Obs. Usamos M(T ) si se entienden las bases definidas de V y
W . Sino usaremos la notación V1 × · · · × Vm = {(v1 , . . . , vm ) : v1 ∈ V1 , . . . , vm ∈ Vm }
M(T, (v1 , . . . , vn ), (w1 , . . . , wm )) Def. operaciones del producto de e.v.
Res. 2.13 Supongamos S, T ∈ L(V, W ). Entonces Adición: Definimos la suma como
M(S + T ) = M(S) + M(T ) (u1 , . . . , um ) + (v1 , . . . , vm ) = (u1 + v1 , . . . , um + vm )
Res. 2.14 Supongamos λ ∈ F y T ∈ L(V, W ). Entonces
Producto por escalar: Definimos al producto por escalar
M(λT ) = λM(T ) como
λ(v1 , . . . , vm ) = (λv1 , . . . , λvm )
Res. 2.15 Supongamos T ∈ L(U, V ) y S ∈ L(V, W ). Entonces
Res. 3.2 Con las operaciones definidas anteriormente afirmamos
M(ST ) = M(S)M(T ) que dados V1 . . . , Vm el producto de e.v. V1 ×· · ·×Vm es un espacio
Def. producto de matrices Supongamos A una matriz de tamaño vectorial.
m × n y C una matriz de n × p. Entonces AC es una matriz de Obs. R2 × R3 ̸= R5 pero son isomorfos. Y se tiene la
m × p de tal forma que la entrada de la fila j y columna k está transformación lineal invertible T de R2 × R3 en R5 de la forma
dada por
T ((x1 , x2 ), (y1 , y2 , y3 )) = (x1 , x2 , y1 , y2 , y3 )
n
X
(AC)jk = Fila j de A · Columna k de C = arj crk Res. 3.3 Sean V1 . . . , Vm e.v. f-d. Entonces V1 × · · · × Vm es f-d y
r=1
además
Matriz simétrica Una matriz A de tamaño n × n se dice simétrica
dim(V1 × · · · × Vm ) = dim V1 + · · · + dim Vm
si se cumple que
AT = A Res. 3.4 Supongamos U1 , . . . , Um subespacios de V . Se define la
transformación lineal:
Def. T.L. invertible/Inversa de una T.L. Dada una
transformación lineal T ∈ L(V, W ), se dice que esta es invertible Γ: U1 × · · · × Um → U1 + · · · + Um
si existe una transformación lineal que al ser la única la notaremos (u1 · · · , um ) 7→ (u1 + · · · + um )
por T −1 ∈ L(W, V ) (inversa de T ) que cumple
Entonces U1 + · · · + Um es suma directa si y solo si Γ e inyectiva.
−1 −1 Res. 3.5 Supongamos V es un e.v. f-d y U1 , . . . , Um son
T T = IV y T T = IW
subespacios de V . Entonces:
Res. 2.16 Si una transformación lineal es invertible, entonces su U1 + · · · + Um son una suma directa si y solo si
inversa es única. dim(U1 + · · · + Um ) = dim U1 + · · · + dim Um
Res. 2.17 Una transformación lineal es invertible si y solo si es
Def. suma de un vector con un subespacio Suponemos v ∈ V y
inyectiva y sobreyectiva.
U subespacio de V . Entonces definimos:
Deber 04 Ejercicio 6 Sean T ∈ L(U, V ) y S ∈ L(V, W ) invertibles.
Si ST ∈ L(U, W ) es invertible entonces (ST )−1 =T −1 S −1 . v + U = {v + u : u ∈ U }
Def. Isomorfismo
Def. Conjunto afı́n/conjunto paralelo
Un isomorfismo es una transformación lineal invertible.
Dos espacios vectoriales son isomorfos si existe un isomorfismo Un conjunto afı́n de V es un conjunto de la forma v + U para
entre ellos. algún v ∈ V y U subespacio de V .
Res. 2.18 Dos e.v. f-d sobre F son isomorfos si y solo si tienen las v + U se le llama conjunto paralelo a U .
mismas dimensiones. Def. Espacio cociente: Suponemos U subespacio de V . Ası́ el
Res. 2.19 L(V, W ) y Fmn son isomorfos. Supongamos v1 , . . . , vn
espacio cociente V /U es el conjunto de todos los conjuntos afines
es una base de V y w1 . . . , wn es una base de W . Entonces M es
de V que son ∥ a U .
un isomorfismo entre L(V, W ) y Fmn .
Res. 3.6 Si U subespacio de V y v, w ∈ V . Se tienen las
Res. 2.20 Sean V, W e.v. f-d. Entonces L(V, W ) es f-d y
afirmaciones equivalentes:
dim L(V, W ) = dim V · dim W v−w ∈U
Def. operador Una transformación lineal de un espacio vectorial v+U =w+U
en sı́ mismo se denomina operador lineal y además notemos que (v + U ) ∩ (w + U ) ̸= ∅
dado un espacio vectorial V , el conjunto de todos los operadores
lineales sobre V se denota por Def. operaciones en V /U Para U un subespacio de V . Se definen
las operaciones:
L(V, V ) = L(V )
Suma en V /U Para v+U, w+U ∈ V /U , se tiene la operación:
Res. 3.1 Supongamos V e.v. f-d y L(V ). Se tienen las
equivalencias (v + U ) + (w + U ) = (v + w) + U

Formulario - Algebra lineal 3

2022-A

Producto por escalar en V /U Sea λ ∈ F y además v + U ∈ ∀S, T ∈ L(V, W ) se tiene:

V /U , se tiene la operación:
(S + T )′ = S ′ + T.
λ(v + U ) = (λv) + U
∀λ ∈ F y ∀T ∈ L(V, W ) se tiene:
Res. 3.7 Suponemos U subespacio de V . Entonces V /U con las (λT )′ = λT ′
operaciones definidas anteriormente se concreta que es un espacio
vectorial. ∀T ∈ L(U, V ) y ∀S ∈ L(V, W ) se tiene:
Obs. Tener en cuenta: (ST )′ = T ′ S ′
La representación de un conjunto afı́n NO es única.
Def. Aniquilador U 0 Para U ⊂ V definimos:
La suma de dos conjuntos afines no se afecta con la elección
de representantes U 0 = {φ ∈ V ′ : φ(u) = 0; ∀u ∈ U } ⊆ V ′
Def. Aplicación cociente π . Para U subespacio de V . La Deber 05 Ejercicio 4 Sea U y W subespacios de V donde U ⊂ W ,
aplicación cociente π es una aplicación lineal definida por:
entonces W 0 ⊂ U 0
π: V −→ V /U Res. 3.13 Si U es un subespacio de V . Entonces U 0 es un
v 7−→ v+U subespacio de V ′
Obs. El aniquilador de U es un espacio relacionado a V ya que
Obs. Tener en cuenta respecto a la aplicación cociente: U ⊆ V . Si quiero ser más especı́fico usar la notación UV0 .
π no es inyectiva (casi siempre). Res. 3.14 Suponemos V un e.v. f-d y U subespacio de V .
π siempre es sobreyectiva. Entonces:
Res. 3.8 Supongamos que V es f-d y U es un subespacio de V . dim U + dim U 0 = dim V
Entonces: Res. 3.15 Suponemos V, W f-d y T ∈ L(V, W ). Entonces:
dim(V /U ) = dim V − dim U (a) N (T ′ ) = (ImgT )0 .
Deber 05 Ejercicio 2 Sea φ ∈ L(V, F) y φ ̸= 0, entonces la (b) dim N (T ′ ) = dim N (T ) + dim W − dim V.
dimV/N (φ) =1 Res. 3.16 Suponemos V, W f-d y T ∈ L(V, W ). Entonces
Deber 05 Ejercicio 3 Sea U un subespacio de V tal que V/U T es sobreyectivo si y solo si T ′ es inyectivo.
es de dimensión finita. Existe un subespacio W de V tal que Res. 3.17 Suponemos V, W f-d y T ∈ L(V, W ). Entonces:
dimW=dimV/U y V = U ⊕ W
(a) dim(ImgT ′ ) = dim(ImgT )
Def. Te Suponemos T ∈ L(V, W ). Definimos la aplicación Te como: (b) ImgT ′ = (N (T ))0
Te : V /N (T ) −→ W Res. 3.18 Suponemos V, W f-d y T ∈ L(V, W ). Entonces
v + N (T ) 7−→ Te(v) = T v T es inyectiva si y solo si T ′ es sobreyectivo.
Def. Matriz transpuesta Si A es una matriz de tamaño m × n,
Res. 3.9 Suponemos T ∈ L(V, W ). Entonces:
con coeficientes (aij ), se denota la matriz transpuesta de A como
(a) Te es una aplicación lineal de V /N (T ) en W . AT = (aTij ) y se define como
(b) Te es inyectiva aTij =aji
(c) ImgTe = ImgT para todo i = 1, · · · , n y j = 1, . . . ,m. Es decir, AT es de tamaño
(d) V /N (T ) es isomorfo a ImgT n × m y consiste en reflejar los elementos de la matriz A a lo largo
Def. funcional lineal Es una aplicación lineal de V en F notado de su diagonal.
por φ, es decir, un funcional lineal es un elemento de L(V, F) Prop. de la Matriz Transpuesta
Def. Espacio dual V ′ Es el espacio vectorial de funcionales (A + C)T = AT + C T
lineales sobre V . Es decir, V ′ ∈ L(V, F) (λA)T = λAT
Res. 3.10 Suponemos que V es un e.v. f-d. Entonces V ′ es también Res. 3.19 Si A es una matriz de tamaño m x n y C es de tamaño
f-d y además: n x p, entonces (AC)T = C T AT
dim V ′ = dim V Res. 3.20 Supongamos T ∈ L(V, W ). Entonces:
Def. Base dual Si v1 , . . . , vn es una base de V , entonces la base
M(T ′ ) = (M(T ))t
dual de v1 , . . . , vn es una lista φ1 , . . . , φn de elementos de V ′ ,
donde cada φj es un funcional lineal sobre V tal que: Def. rango y fila y rango columna Sea Am×n (matriz de m × n)
 con coeficientes en F
1 si k = j
φj (vk ) = El rango fila de A es
0 si k ̸= j
dim [span(Filas de A)]
Res. 3.11 Suponemos V f-d. entonces la base dual de una base de
1,n
V es una base de V ′ . en F .
Def. Aplicación Dual de T Sea T ∈ L(V, W ), entonces se define El rango columna de A es
la aplicación lineal T ′ como dim[span(columnas de A)]
′ ′ ′
T : W −→ V en F .m,1

φ 7−→ T ′ (φ) = φ ◦ T Res. 3.21 Supongamos V, W e.v. f-d y T ∈ L(V, W ). Entonces:

Deber 05 Ejercicio 4 Sea V de dimensión finita y v ∈ V con v ̸= 0, dim Img(T ) = Rango columna de M(T ).
entonces existe φ ∈ V ′ tal que φ(v) = 1
Res. 3.22 Supongamos A ∈ Fm,n . Entonces:
Deber 05 Ejercicio 6 Sea W de dimensión finita y T ∈ L(V, W ),
Rango fila de A = Rango columna de A
entonces T ′ = 0 si y solo si T = 0
Res. 3.12 Propiedades algebraicas de las aplicaciones Def. Rango de una matriz El rango de una matriz cualquiera es
duales el rango fila o rango columna de esa matriz.

Formulario - Algebra lineal 4

2022-A

4. E.V. con producto interno (a) Para u ∈ V fijo, la función que toma v ∈ V y entrega el valor
de ⟨v, u⟩ es lineal de V en F.
4.1. Producto interno
Tu : V −→ F
Def. Producto punto Para x, y ∈ Rn , el producto punto entre v 7−→ ⟨v, u⟩
x y y está definido por:
n
X (b) ⟨0, u⟩ = 0 ∀u ∈ V
x · y = x1 y1 + · · · + xn yn = uj vj (c) ⟨u, 0⟩ = 0 ∀u ∈ V
j=1
(d) ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, w⟩ ∀u, v, w ∈ V
donde x = (x1 , . . . , xn ) y y = (y1 , . . . , yn ) Obs. Algunas (e) ⟨u, λv⟩ = λ̄⟨u, v⟩ ∀λ ∈ F y ∀u, v ∈ V
propiedades del producto punto son:
Deber 06 P.1 Ejercicio 2 Sean u, v ∈ V. Si se verifica que ⟨x, u⟩ =
x · x ≥ 0 ∀x ∈ Rn
⟨x, v⟩, para todo x ∈ V, entonces u = v.
x · x = 0 si y solo si x = 0
Para y ∈ Rn fijo, la aplicación:
4.2. Norma
Ty : Rn −→ R
Def. norma Para v ∈ V , la norma de v, denotada por ∥v∥, está
x 7−→ x·y
definida como sigue: p
es lineal ∥v∥ = ⟨v, v⟩
x · y = y · x ∀x, y ∈ Rn Obs. Un espacio vectorial tiene varios productos internos. Obs.
Obs. El producto interno es una generalización del producto Para z = (z1 , . . . , zn ) ∈ Fn , si Fn tiene producto interno euclidiano
punto para espacios vectoriales complejos. Para recordar que para p
z = a + bi ∈ C con a, b ∈ R ∥z∥ = ⟨z, z⟩
p
Módulo de z p = |z1 |2 + · · · + |zn |2
|z| = a2 + b2
Res. 4.2 Propiedades de la norma. Supongamos v ∈ V :
Conjugado de z
z̄ = a − bi (a) ∥v∥ = 0 si y solo si v = 0
Propiedad (b) ∥λv∥ = |λ|∥v∥ ∀λ ∈ F
|z|2 = zz Obs. Puedo usar ∥ · ∥2 para facilitar ciertas demostraciones.
Propiedad Def. vectores ortogonales Dados u, v ∈ V se dicen ortogonales
z=z si
Def. Producto interno sobre V Es una función que toma un par ⟨u, v⟩ = 0
de elementos de (u, v) de V × V y se asocia un número ⟨u, v⟩ ∈ F Res. 4.3 Ortogonalidad y el vector 0
y cumple con las propiedades:
0 es ortogonal a cualquier vector en V .
Positividad
⟨v, v⟩ ≥ 0 ∀v ∈ V 0 es el único vector en v que es ortogonal a sı́ mismo.
Res. 4.4 Teorema de Pitágoras. Dados dos vectores u, v ∈ V
Definida positiva
ortogonales, entonces:
⟨v, v⟩ = 0 si y solo si v=0
∥u + v∥2 = ∥u∥2 + ∥v∥2
Aditividad en la primera componente
Res. 4.5 Descomposición ortogonal. Supongamos u, v ∈ V
⟨u + v, w⟩ = ⟨u, w⟩ + ⟨v, w⟩ ∀u, v, w ∈ V
con v ̸= 0. Sea c = ⟨u,v⟩
∥v∥2
y además w = u − cv. Entonces:
Homogeneidad en la primera componente
⟨w, v⟩ = 0 y u = cv + w
⟨λu, v⟩ = λ⟨u, v⟩ ∀λ ∈ F y ∀u, v ∈ V
Res. 4.6 [Cauchy-Schwarz (C-S)] Suponemos u, v ∈ V.
Simetrı́a conjugada
Entonces:
⟨u, v⟩ = ⟨v, u⟩ ∀u, v ∈ V |⟨u, v⟩| ≤ ∥u∥∥v∥

y para un espacio vectorial real se cumple que: ⟨u, v⟩ = La igualdad se alcanza si y solo si un vector es múltiplo escalar del
⟨v, u⟩ ∀u, v ∈ V . otro. Res. 4.7 [Desigualdad Triangular] Supongamos u, v ∈ V .
Entonces
Obs. Notación producto interno:
∥u + v∥ ≤ ∥u∥ + ∥v∥.
⟨·, ·⟩ : V ×V −→ F La igualdad se alcanza si y solo si uno de los vectores es múltiplo
(u, v) 7−→ ⟨u, v⟩ escalar del otro; con un escalar positivo.
Res. [Igualdad del Paralelogramo] Sean u, v ∈ V se cumple
Obs. Producto interno euclidiano en Fn

⟨u, v⟩ = ⟨(u1 , . . . , un ), (v1 , . . . , vn )⟩ ∥u + v∥2 + ∥u − v∥2 = 2(∥u∥2 + ∥v∥2 )

= u1 v1 + · · · + un vn
Def. lista ortonormal Una lista de vectores se dice ortonormal si
Def. Espacio Vectorial con producto interno Es un espacio cada uno de los elementos de la lista tiene norma 1 y es ortonormal
vectorial V provisto de un producto interno. Notación: a los demás vectores de la lista. Es decir, una lista e1 , . . . , en de
vectores en V , es ortonormal si:
(V, ⟨·, ·⟩) 
1, j = k
Res. 4.1 Propiedades básicas de un producto interno ⟨ej , ek ⟩ =
0, j ̸= k

Formulario - Algebra lineal 5

2022-A

⟨ej , ej ⟩ = ∥ej ∥2 = 1 Afirmación: U es invariante bajo el operador T si y solo si T v =

⟨ej , ek ⟩ = 0 j ̸= k λv para algún λ ∈ F.
Res. 4.8 Si e1 , . . . , en es una lista ortonormal en V , entonces: Def. Auto-valor / valor propio / eigenvalue de T: Supongamos
T ∈ L(V ). Un número λ ∈ F es un auto-valor de T , si existe
∥a1 e1 + · · · + an en ∥2 = |a1 |2 + · · · + |an |2 v ∈ V tal que v ̸= 0 y T v = λv.
Obs. No tomar en cuenta si el vector es cero porque es trivial.
para todos a1 , . . . , an ∈ F.
Res. 4.9 Toda lista ortonormal es linealmente independiente. Res. 5.1: Supongamos V un e.v. f-d, T ∈ L(V ) y λ ∈ F. Se tienen
las afirmaciones equivalentes:
Def. base ortonormal Una lista ortonormal que también es base
de V un espacio vectorial se dice base ortonormal. (a) λ es un autovalor de T .
Res. 4.10 Toda lista ortonormal de vectores en V con longitud (b) T − λI no es inyectivo.
dim V es una base ortonormal de V . (c) T − λI no es sobreyectivo.
Res. 4.11 Supongamos e1 , . . . , en una base ortonormal de V y
v ∈ V . Entonces: (d) T − λI no es invertible.
Def. vector propio / auto-vector / eigen vector: Supongamos
v = ⟨v, e1 ⟩e1 + · · · + ⟨v, en ⟩en
T ∈ L(V ) y λ ∈ F un auto-valor de T . Un vector v ∈ V se llama
y auto-vector de T respecto a λ si v ̸= 0 y T v = λv.
∥v∥2 = |⟨v, e1 ⟩|2 + · · · + |⟨v, en ⟩|2 Res. 5.2: Sea T ∈ L(V ). Supongamos λ1 , . . . , λm auto-valores
de T todos distintos y v1 , . . . , vn auto-vectores correspondientes.
Res. 4.12 [Procedimiento de Gran-Schmidt (G-S)] Este
Entonces v1 , . . . , vn son linealmente independientes.
resultado sirve para obtener bases ortonormales a partir de Res. 5.3: Supongamos V un e.v. f-d. Entonces, todo operador
una lista linealmente independiente de un espacio vectorial. definido sobre V tiene a lo más dim V valores propios distintos.
Suponemos v1 , . . . , vn una lista linealmente independiente en V. Deber 06 P.2 Ejercicio 3 Sea V un espacio vectorial. Suponemos
v1
(1) e1 = ∥v1 ∥ que T ∈ L(V ) y que u, v son vectores propios de T tales que u +
v2 −⟨v2 ,e1 ⟩e1 v es también un vector propio de T. Entonces u y v son vectores
(2) e2 = ∥v2 −⟨v2 ,e1 ⟩e1 ∥ propios de T correspondientes al mismo valor propio.
vj −⟨vj ,e1 ⟩e1 −···−⟨vj ,ej−1 ⟩ej−1
(j) ej = Deber 06 P.2 Ejercicio 6 Sea V un espacio vectorial de dimensión
∥vj −⟨vj ,e1 ⟩e1 −···−⟨vj ,ej−1 ⟩ej−1 ∥
finita. Suponemos que S, T ∈ L(V ). Entonces ST y TS tienen los
mismos valores propios.
5. Complemento ortogonal Deber 06 P.2 Ejercicio 7 Sean V un espacio vectorial de
dimensión finita y {v1 , ..., vn } un conjunto de vectores en V.
Def. complemento ortogonal: Si U es un subconjunto de V , Entonces se tiene que {v1 , ..., vn } es linealmente independiente si,
entonces el complemento ortogonal de U es el conjunto de todos y solo si, existe T ∈ L(V ) tal que v1 , ..., vn son vectores propios de
los vectores en V que son ortogonales a todos los vectores de U : T correspondientes a valores propios distintos.
U ⊥ = {v ∈ V : ⟨v, u⟩ = 0 ∀u ∈ U } ⊆ V

Res. 4.13: Propiedades del complemento ortogonal:

7. Existencia de auto-valores
(a) Si U es un subconjunto de V , entonces U ⊥ es un subespacio Def. T m Supongamos T ∈ L(V ) y m es un entero positivo.
de V . Tm = T
| .{z
. . T}
(b) {0}⊥ = V . m−veces

(c) V ⊥ = {0}. T 0 es el operador identidad I sobre V .

(d) Si U es subconjunto de V , entonces U ∩ U ⊥ ⊂ {0}. Si T es invertible, existe T −1 , entonces T −m se define como
(e) Si U, W son subconjuntos de V tal que U ⊂ W , entonces
T −m = (T −1 )m
W ⊥ ⊂ U⊥
Res. 4.14: Supongamos U subespacio de V un e.v. f-d. Entonces: Obs. Si T ∈ L(V ). Entonces
T m T n = T m+n
V = U ⊕ U⊥
(T m )n = T m.n
Res. 4.15: Si V es e.v. f-d y U un subespacio de V . Entonces
• Si T es invertible, entonces m y n puede ser cualquier
dim U ⊥ = dim V − dim U entero.
• Si T no es invertible, entonces m y n deben ser enteros
Res. Suponemos U subespacio f-d de V . Entonces:
positivos.
U = (U ⊥ )⊥ Def. polinomio aplicado a un operador: Suponemos T ∈ L(V ) y
p ∈ P(F) un polinomio de la forma
6. Subespacios Invariantes p(z) = a0 z 0 + a1 z + a2 z 2 + · · · + an z n

Subespacios invariantes de dimensión 1 Suponemos v ∈ V tal para z ∈ F. Entonces p(T ) es un operador de la forma
que v ̸= 0. Sea p(T ) = a0 T 0 + a1 T + · · · + an T n
U = span(v) = {λv : λ ∈ F} lo que es equivalente a
Entonces dim U = 1 y se dice que U es unidimensional a V .
p(T ) = a0 I + a1 T + · · · + an T n
Def. subespacio invariante: Supongamos T ∈ L(V ). Un
subespacio U de V se dice invariante bajo la transformación T Propiedades de p(T )
si u ∈ U , entonces T u ∈ U .

Formulario - Algebra lineal 6

2022-A

Para T ∈ L(V ). La función de P(F) en L(V ) dado por p 7→

p(T ) es lineal. dim[E(λ1 , T )] + · · · + dim[E(λm , T )] ≤ dim V

ΦT :P(F) → L(V ) De. operador diagonalizable Un operador T ∈ L(V ) se dice

diagonalizable si T tiene una matriz diagonal respecto a una base.
p 7→ p(T )
Res. 5.9 [Condiciones equiv. a la diagonalización] Supongamos
Si T ∈ L(V ) y p, q ∈ P(F). Entonces V e.v. f-d y T ∈ L(V ). Sean λ1 , . . . , λm valores propios de T todos
distintos. Entonces se tienen las equivalencias.
(pq)(T ) = p(T )q(T ) (a) T es diagonalizable.
| {z }
comp. operadores
(b) V tiene una base que consiste de vectores propios de T .
Si T ∈ L(V ) y p, q ∈ P(F). Entonces (c) Existen subespacios U1 , . . . , Un 1-dimensionales de V
invariantes bajo T tales que V = U1 ⊕ · · · ⊕ Un
p(T )q(T ) = q(T )p(T )
(d) V = E(λ1 , T ) ⊕ · · · ⊕ E(λn , T )

Res. 5.4 Todo operador en un e.v. f-d no nulo y complejo (F = C) (e) dim V = dim E(λ1 , T ) + · · · + dim E(λn , T )
tiene un autovalor. Res. 5.10 Si T ∈ L(V ) tiene n = dim V valores propios distintos.
Entonces T es diagonalizable.
Res. 6.1[Teorema de representación de Riesz] Supongamos que
8. Matrices de operadores V es un e.v. f-d y que φ es un funcional lineal sobre V . Entonces
existe un único vector u ∈ V tal que
Res. 5.5 [Condiciones para matriz triangular superior]
Suponemos T ∈ L(V ) y v1 , . . . , vn una base de V . Se tienen las φ(v) = ⟨v, u⟩
equivalencias.
para cualquier v ∈ V .
La matriz respecto a la base mencionada es triangular
superior.
8.2. Operadores sobre un e.v. con producto
T vj = span(v1 , . . . , vj ) para cualquier j = 1 . . . , n
interno
span(v1 , . . . , vj ) es invariante bajo T para cualquier j =
1, . . . , n En esta sección suponemos U, V, W con e.v. con producto interno.
Def. adjunto de una transformación Suponemos T L(V, W ). El
Res. 5.6 Si V es un e.v. f-d complejo y T ∈ L(V ). Entonces T
adjunto de T es una función T ∗ : W → V tal que
tiene una matriz triangular superior respecto a alguna base de V
Res. 5.7 Si T ∈ L(V ) tiene una matriz asociada a una matriz ⟨T v, w⟩ = ⟨v, T ∗ w⟩
triangular superior respecto a una base de V . Entonces los
autovalores de T son las entradas de la diagonal de la matriz Deber 07 Ejercicio 2 Suponemos que T ∈ L(V, W ). Entonces
triangular superior.
Def. Espacio Nulo Si T ∈ L(V ) y λ ∈ F. Entonces se tiene
a) T es inyectivo, si y solo si, T ∗ es sobreyectivo.
E(λ, T ) = N (T − λI) b) T es sobreyectivo, si y solo si, T ∗ es inyectivo.
Deber 07 Ejercicio 5 Sean S, T ∈ L(V ). Suponemos que S y T son
Obs.
normales y que satisfacen las siguientes igualdades ST ∗ = T ∗ S y
E(λ, T ) es el conjunto de todos los vectores propios de T T S ∗ = S ∗ T . Entonces S + T y ST son normales.
asociados a λ junto al vector 0.
Si λ es un valor propio, entonces E(λ, T ) ̸= {0} 8.3. Operador adjunto
Si T no tiene valores propios,entonces E(λ, T ) = {0}
Res. 7.1 Si T ∈ L(V, W ), entonces T ∗ ∈ L(W, V ).
E(λ, T ) es subespacio de V .
Res. 7.2 [Propiedades del Adjunto]
Deber 06 P.2 Ejercicio 5 Sea n ∈ N. Sean λ1 , ..., λn los valores
(a) (S + T )∗ = S ∗ + T ∗ para todo S, T ∈ L(V, W ).
propios de una matriz cuadrada A de n × n. Si A−1 existe, entonces
sus valores propios son λ11 , ..., λ1n (b) (λT )∗ = λT ∗ para todo λ ∈ F, T ∈ L(V, W ).

Def. Valores y vectores propios de una matriz Sean n ∈ N y A (c) (T ∗ )∗ = T para todo T ∈ L(V, W ).
una matriz de n x n. (d) I ∗ = I donde I es la aplicación identidad.
a) Un vector propio de A es un vector v ̸= 0 ∈ Rn , tal que Av = λv, (e) (ST )∗ = T ∗ S ∗ para todo T ∈ L(V, W ) y S ∈ L(W, U ).
para algún escalar λ.
b)Un valor propio de A es un escalar λ, tal que la ecuación Av = λv Res. 7.3 Supongamos T ∈ L(V, W ). Entonces
tiene una solución no trivial. (a) N (T ∗ ) = (Img T )⊥
Si Av = λv para v ̸= 0, decimos que λ es el valor propio
(b) Img (T ∗ ) = (N (T ))⊥
correspondiente a v y que v el vector propio correspondiente a
λ. (c) N (T ) = (Img T ∗ )⊥
(d) Img (T ) = (N (T ∗ ))⊥
8.1. Espacios propios Deber 07 Ejercicio 3 Suponemos que T ∈ L(V ) es normal.
Entonces
Res. 5.8 Supongamos V e.v. f-d y T ∈ L(V ). Supongamos que
N (T k ) = N (T ) y Img(T k ) = Img(T ) para cada entero positivo
λ1 , . . . , λm son valores propios de T todos distintos. Entonces
k.
E(λ1 , T ) + · · · + E(λm , T ) Def. Matriz Transpuesta Conjugada La matriz transpuesta
conjugada de una matriz de m × n se obtiene intercambiando filas
es suma directa y además por columnas y tomando el conjugado complejo de cada entrada.

Formulario - Algebra lineal 7

2022-A

Res. 7.4 Sea T ∈ L(V, W ). Supongamos e1 , . . . , en es base

ortonormal de V y f1 , . . . , fn es base ortonormal de W . Entonces

M (T ∗ , (f1 , . . . , fn ), (e1 , . . . , en ))

es la transpuesta conjugada de

M (T, (e1 , . . . , en ), (f1 , . . . , fn ))

8.4. Operadores auto-adjuntos

Def. operador auto-adjunto Un operador T ∈ L(V ) se dice
auto-adjunto si T = T ∗ . Es decir, T ∈ L(V ) es auto-adjunto si
y solo si
⟨T v, w⟩ = ⟨v, T w⟩
para todo v, w ∈ V .
Res. 7.5 Todo valor propio de un operador auto-adjunto es un
número real.
Res. 7.6 Supongamos V e.v. complejo (F = C) con producto
interno y T ∈ L(V ). Si

⟨T v, v⟩ = 0

para todo v ∈ V . Entonces T = 0.

Res. 7.7 [Caracterización de operador auto-adjunto]
Supongamos V un e.v. complejo (F = C). Entonces

T es auto-adjunto si y solo si ⟨T v, v⟩ ∈ R

para todo v ∈ V.
Res. 7.8 Supongamos que T es un operador auto-adjunto sobre
V (e.v. con producto interno) tal que

⟨T v, v⟩ = 0

para todo v ∈ V . Entonces T = 0

8.5. Operadores normales

Def. operador normal Un operador sobre un e.v. con producto
interno se dice normal si este conmuta con su adjunto, es decir, si
T ∈ L(V ) entonces
T T ∗ = T ∗T
Res. 7.9 [Caracterización operador normal] Un operador T ∈
L(V ) es normal si y solo si

∥T v∥ = ∥T ∗ v∥

para todo v ∈ V .
Res. 7.10 Supongamos T ∈ L(V ) es normal y v ∈ V un
auto-vector de T asociado al auto-valor λ. Entonces v es un
auto-vector de T ∗ asociado a λ.
Res. 7.11 Supongamos T ∈ L(V ) normal. Entonces los
auto-vectores de T asociados a auto-valores distintos son
ortogonales.
Deber 07 Ejercicio 4 Un operador T ∈ L(V ) se dice isométrico
si ∥T v∥ = ∥v∥, para todo v ∈ V . Por tanto un operador lineal
isométrico T : V → V satisface T T ∗ = I, donde I es el operador
identidad en V.
Deber 07 Ejercicio 6 Sea T ∈ L(V ). T es autoadjunto si, y solo
si, todos los pares de vectores propios correspondientes a valores
propios distintos de T son ortogonales y
V = E(λ1 , T ) ⊕ ... ⊕ E(λm , T ),
donde λ1 , ..., λm denotan los valores propios distintos de T
Deber 07 Ejercicio 8 Demostrar que un operador normal en un
espacio con producto interno complejo es autoadjunto si, y solo si,
todos sus valores propios son reales.

Formulario - Algebra lineal 8