Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
Algebra Lineal
LINEAL
Ricardo Miguel Guzman Navarro
Universidad de Cordoba
Facultad de Ciencias Basicas e Ingenieras
Departamento de Matematicas
Indice general
Pr
ologo
III
13
13
14
15
17
17
21
23
23
23
24
24
25
30
34
35
3. Espacios vectoriales
40
3.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 44
ii
INDICE GENERAL
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
47
48
48
49
52
4. Transformaciones lineales
54
4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 54
4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Ortogonalidad
5.1. Espacios con productos
5.2. Espacios normados . .
5.3. Vectores ortogonales .
5.4. Ejercicios . . . . . . .
interiores
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
62
63
67
69
.
.
.
.
.
.
.
.
.
.
.
72
72
74
75
76
76
77
80
83
83
85
87
90
Pr
ologo
El objetivo principal de este trabajo es el de proporcionar un modulo guia,
a partir del cual los estudiantes de Ingeniera de Sistemas de la Universidad
Mayo 22 de 2006.
iv
INDICE GENERAL
Captulo 1
Sistemas de ecuaciones lineales
(S.E.L)
El proposito de este captulo es dar al lector informacion basica acerca de los
sistemas de ecuaciones lineales y ense
narle el metodo habitual para resolverlos.
1.1.
En esta seccion presentaremos: los componentes esenciales, algunas clasificaciones y varios de los mas importantes resultados de los sistemas de ecuaciones lineales.
Notaci
on - Definiciones. El smbolo R de notara al conjunto de los n
umen
ros reales. Los elementos de R son llamados escalares. R representar
a al
conjunto
a
1
..
. : ai R para todo i = 1, ..., n .
n
El elemento
a1
..
.
an
1
bn
de Rn se define como
a1
b1
a1 + b1
.. .. ..
. + . = . ,
an
bn
an + bn
c1
..
n
. R
cn
tal que a1 c1 + a2 c2 + + an cn = b.
(1.1)
2
1
w
3t + 4s 3w + 1
Definici
on. Un sistema de ecuaciones lineales con m ecuaciones y n
incognitas, es una expresi
on de la forma
a x + a x + + a x = b ,
m1 1
m2 2
mn n
m
donde aij , bi R para i = 1, ..., m y j = 1, ..., n. Los aij se denominan
coeficientes y los bj t
erminos independientes. Una soluci
on de (1.2)
c1
es un elemento c = ... Rn tal que
cn
a c + a c + + a c = b .
m1 1
m2 2
mn n
m
Es decir, c es solucion de cada ecuaci
on del sistema. El sistema (1.2) es
homog
eneo si b1 = = bm = 0.
es 1, ya que
2
DE S.E.L
1.2. SOLUCION
1.2.
E2
E1
2x2 + x3 = 0
Soluci
on de S.E.L
2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2 .
x1 + 2x2 + 4x3 = 3
En efecto,
2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2
x1 + 2x2 + 4x3 = 3
E1 E2
x1 + 3x2 3x3 = 2
2x1 + x2 + x3 = 1
x1 + 2x2 + 4x3 = 3
E2 2E1 + E2
E3 E1 + E3
2
x1 + 3x2 3x3 =
5x2 + 7x3 = 3
x2 + 7x3 =
1
E2 E3
2
x1 + 3x2 3x3 =
x2 + 7x3 =
1
5x2 + 7x3 = 3
E3 5E2 + E3
2
x1 + 3x2 3x3 =
x2 + 7x3 =
1 .
28x3 = 8
2
Entonces x3 = ,
7
2
x2 = 7x3 1 = 7( ) 1 = 1
7
2
1
x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = .
7
7
As, la solucion del sistema es
1/7
1 .
2/7
DE S.E.L
1.2. SOLUCION
Ejemplo. Resolvamos el sistema
x1 +
2x1 +
2x1 +
3x1 +
x1
2x2
0x2
2x2
x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0 .
0
0
En efecto,
x1
2x1
2x1
3x1
x1
E2
E3
E4
E5
+ 2x2
+ 0x2
+ 2x2
+ x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0
0
0
2E1 + E2
2E1 + E3
3E1 + E4
E1 + E5
x1 + 2x2
4x2
6x2
7x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0
0
0
E2 14 E2
x1 + 2x2
x2
6x2
7x2
x2
+ 0x3
+ x3
+ 6x3
+ 7x3
+ x3
=
=
=
=
=
0
0
0
0
0
x1 + 2x2 + 0x3
x2 + x3
=
=
=
=
=
0
0
0 .
0
0
E3 6E2 + E3
E4 7E2 + E4
E5 E2 + E5
2x3
x3 : x3 R = x3 1 : x3 R .
x3
1
x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1 .
x1 + x 2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1
x1 + x2 +
x1 + x2 +
E3 E2 + E3
x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2
2x3 2x4 + 2x5 4x6 = 4
x 3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2 .
x5 x6 = 2
De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 ,
x3 =
2x4 x5 + 3x6 + 2
2x4 (x6 + 2) + 3x6 + 2
=
= x4 + x6 ,
2
2
x2 = x2 y
x1 = x2 x3 x4 x5 x6 + 1
= x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1
= x2 2x4 3x6 1.
Luego la solucion del sistema es
DE S.E.L
1.2. SOLUCION
x2 2x4 3x6 1
x2
x4 + x6
x4
x6 + 2
x6
: x2 , x 4 , x 6 R
1
3
2
1
0
0
0
1
0
1
1
0
.
:
x
,
x
,
x
R
+
+
x
+
x
=
x2
2
4
6
6
4
0 0
1
0
0
1 2
0
0
1
0
0
Para hallar una solucion particular del sistema tenemos que dar valores especficos a x2 , x4 y x6 . Por ejemplo, si x2 = 1, x4 = 1 y x6 = 2, tenemos
entonces que
1
1
0
0
0
0
2
0
1
1
0
0
+ 2
3
0
1
0
1
1
1
0
0
0
2
0
x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1 .
3x1 + 4x2 x3 = 1
6
1
1
1
4
2
10
En efecto,
x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1
3x1 + 4x2 x3 = 1
E2 2E1 + E2
E3 3E1 + E3
x1
x1
E3 (7/4)E2 + E3
x2 5x3 = 0
4x2 + 8x3 = 1
7x2 + 14x3 = 1
x2 5x3 =
0
4x2 + 8x3 =
1 .
0 = 3/4
1.3.
Ejercicios
4x1
x2 + 2x3 + 3x4
3x3 3x4
5x4
2. Resolver los siguientes sistemas de ecuaciones
3x1 +
2x1 + x2 + x3 = 1
x1 +
x1 + 3x2 + x3 =
1 ,
2x1 +
2x1 + x2 + 5x3 =
3
0x1 +
=
=
=
=
=
=
=
=
1
0
.
3
8
7
2
.
4
2
lineales:
2x2
x2
3x2
3x2
+ x3
+ 3x3
+ x3
+ 0x3
+
+
4x4
2x4
0x4
2x4
=
1
= 1
.
=
2
= 2
1.3. EJERCICIOS
3. Resolver
x1
2x1 +
3x1
4x
1
5x1 +
11
= 1
= 6
= 6 ,
= 5
= 10
2x1 + x2 + 0x3 = 2
x1 + 2x2 x3 = 0
,
2x1 + 0x2 + 2x3 = 3
3x1 + 2x2 + x3 = 4
a22 x2 + + a2n xn
ann xn
de la forma
= b1
= b2
,
..
.
= bn
donde no todos los aii son cero, es llamado triangular superior. Construya
un algoritmo que calcule la solucion u
nica de este tipo de sistemas.
6. Considere el sistema
2x1 x2 + 3x3 = a
3x1 + x2 5x3 = b .
12
7. Considere el sistema
2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
Captulo 2
Matrices
El objetivo de este captulo es el de estudiar las propiedades basicas de las
principales operaciones algebraicas realizadas con matrices.
2.1.
Matrices
A = ..
(2.1)
..
.. ,
.
.
.
.
.
.
am1 am2 amn
donde aij R para i = 1, ..., m y j = 1, ...., n. La fila i de A es
Ai = [ai1 ain ]
y la columna j de A es
a1j
Aj = ... .
amj
13
CAPITULO 2. MATRICES
14
1 1
2
0
5
6
A=
3
4 2
5 5
8
entonces, el tama
no de A es 4 3, la componente 2, 3 de A es A2
fila 3 de A es A3 = 3 4 2 y la columna 2 de A es
1
5
A2 =
4 .
5
= 6, la
Definici
on. Dos matrices A, B Rmn son iguales si Aij = Bij para toda
i = 1, ..., m y j = 1, ..., n.
2.2.
Suma de matrices
Definici
on. Si A, B Rmn , definimos la suma de A y B como la matriz
A + B Rmn tal que
(A + B)ij = Aij + Bij
para toda i = 1, ..., m y j = 1, ..., n.
15
1 4
1 3
2 1
0
4 + 5 4 = 5
8 .
2
3
1 6
3
9
2.3.
Definici
on. Si A Rmn y c R, definimos el producto de c por A como
la matriz cA Rmn tal que
(cA)ij = cAij
para toda i = 1, ..., m y j = 1, ..., n. Este producto se conoce como producto
por escalar.
Ejemplo.
0
3 2
0
9 6
5 6 = 3/2 15 18 .
3 1/2
6 3 8
18 9 24
CAPITULO 2. MATRICES
16
2. a(A + B) = aA + aB.
3. (a + b)A = aA + bA.
4. 1A = A.
5. (1)A = A.
6. 0A = 0.
7. a0 = 0.
Demostraci
on. Ejercicio.
Ejemplo. Si
1 2
0 0
1 1
A = 1 0 , B = 1 1 , C = 1 1 R32 ,
3 1
2 2
1 1
entonces
3 6
0 0
1 1
3A + 2B C = 3 0 + 2 2 + 1 1
9 3
4 4
1 1
2 5
= 2 1 .
6 6
17
2.4.
Producto de matrices
2.4.1.
Producto de matrices
Definici
on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se define el producto
de Ai y Bj como
a1j
A=
2 3 4
1
3 ,
yB= 5 1 0
7 5 2 2
1 2 3
4 5 6
entonces
A2 B4 =
4 5 6
1
3 = (4)(1) + (5)(3) + (6)(2) = 7.
2
Definici
on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se define el producto
de A y B como la matriz AB Rmp tal que
(AB)ij = Ai Bj = ai1 b1j + + ain bnj .
Ejemplo.
1 2
4 2 0 1
4 11
3
0
2 3 1
1
0 .
= 10
5
1
2 5 3
6
16
17
2
3
CAPITULO 2. MATRICES
18
1 7 12
2 3 1
7 4 8
1 2 1
1 1 3 2 0 3 = 3 0 5 = 8 4 5
2 3 5
2 0 1
1 1 1
5 7 3
2 3 1
1 2 1
= 2 0 3 1 1 3 .
1 1 1
2 0 1
Si A = [aij ] Rmn y B = [bij ] Rnp tenemos:
Ai B = ai1 B1 + + ain Bn ,
ABj = A1 b1j + + An bnj ,
AB = [AB1 ABp ] ,
A1 B
..
AB =
.
Am B
y
AB = A1 B1 + A2 B2 + + An Bn .
La demostracion y ejemplificacion de estas propiedades se deja como ejercicio.
Teorema 2.3. Sean A Rmn y B, C Rnp . Entonces
A(B + C) = AB + AC.
19
Demostraci
on.
(A(B + C))ij = Ai (B + C)j = Ai (Bj + Cj ) = Ai Bj + Ai Bj
= (AB)ij + (AC)ij = (AB + AC)ij .
Teorema 2.4. Sean A, B Rmn y C Rnp . Entonces
(A + B)C = AC + BC.
Demostraci
on. Ejercicio.
Teorema 2.5. Sean A Rmn , B Rnp y C Rpq . Entonces
A(BC) = (AB)C.
Demostraci
on.
(A(BC))ij = Ai (BC)j = Ai (C1j B1 + + Cnj Bn )
= C1j Ai B1 + + Cnj Ai Bn = C1j (AB)i1 + + Cnj (AB)in
= (AB)i Cj = ((AB)C)ij .
Definici
on. La matriz In de Rnn tal que
1 si i = j
0 si i = j
(In )ij =
Im A = A.
CAPITULO 2. MATRICES
20
(Im )i A = Ai .
Demostraci
on. Ejercicio.
Para una matriz A Rnn se definen las potencias enteras no negativas de
A como:
A 0 = In
y para k entero positivo
Ak = AA A .
k veces
La ley asociativa garantiza que no hay diferencia en el resultado cuando
agrupamos de diferentes maneras por potencias en un producto de la forma
AA A. Por ejemplo,
A5 = AAAAA = AA4 = A4 A = A2 A3 = A3 A2 .
As, las leyes usuales de los exponentes son ciertas. Es decir, para enteros no
negativos r y s
Ar As = Ar+s
(Ar )s = Ars .
3 1
2
3
6 9
0 0 0
6
2 4 1
2 3 = 0 0 0 .
3
1 2
4 8 12
0 0 0
2.4.2.
21
Definici
on. Sean A Rmn y c R. Las operaciones elementales de
filas son:
Tipo 1. Intercambio de dos filas: Fi Fj .
Tipo 2. Multiplicar una fila por un n
umero no cero: Fi cFi .
Tipo 3. Sumar a una fila un multiplo de otra: Fi Fi + cFj .
Las operaciones elementales de columnas son:
Tipo 1. Intercambio de dos columnas: Ci Cj .
Tipo 2. Multiplicar una columna por un n
umero no cero: Ci c Ci .
Tipo 3. Sumar a una columna un multiplo de otra: Ci Ci + c Cj .
Ejemplo. Sea
Entonces
1 2 3
4
2 R34 .
A = 1 0 3
2 2 0 3
1 2 3
4
1 0 3
2 F1 F3
2 2 0 3
1 2 3
4
1 0 3
2 F2 3F2
2 2 0 3
2 2 0 3
1 0 3
2 ,
1 2 3
4
1 2 3
4
3 0 9
6 ,
2 2 0 3
1 2 3
4
1 2
3
4
1 0 3
2 F3 F3 + (2)F2 1 0
3
2 .
2 2 0 3
4 2 6 7
CAPITULO 2. MATRICES
22
Definici
on. Una matriz elemental en Rnn es cualquier matriz que resulta
de realizar una sola operaci
on elemental de fila o una sola operaci
on elemental
de columna a In .
Ejemplo. La matriz
1 0 0
E = 0 1 0 R33
0 3 1
es elemental, ya que
I3 F3 F3 + 3F2 E.
Teorema 2.9. Sean A Rmn , c R {0} y E1 , E2 , E3 tales que
Im Fi Fj E1 ,
Im Fi cFi E2 ,
Im Fi Fi + cFj E3 .
Entonces
1. A Fi Fj E1 A.
2. A Fi cFi E2 A.
3. A Fi Fi + cFj E3 A.
Demostraci
on. Ejercicio.
Ejemplo. Si
1 2 2
A = 3 1 2 R33 ,
2 3 1
entonces
A F1 F1 + 2F2
7 4 6
1 2 0
3 1 2 = 0 1 0 A.
2 3 1
0 3 1
23
I3 F1 F1 + 2F2
1 2 0
0 1 0 .
0 3 1
2.5.
2.5.1.
Definici
on. Si A Rmn , se define la traspuesta de A como la matriz
AT Rnm , tal que
(AT )ij = Aji
para i = 1, ..., n y j = 1, ..., m.
Ejemplo. Si
1 2
A = 3 5 R32 , entonces AT =
7 9
1 3 7
2 5 9
R23 .
2.5.2.
Definici
on. Sea A Rmn . La diagonal principal de A es la diagonal de
A constituida por todos los elementos Aii .
CAPITULO 2. MATRICES
24
Definici
on. Sea A Rnn . La traza de A se define como
tr(A) = A11 + + Ann .
Teorema 2.11. Sean A, B, P Rnn y c R. Entonces
1. tr(A + B) = tr(A) + tr(B).
2. tr(cA) = c tr(A).
3. tr(AB) = tr(BA).
4. tr(A) = tr(AT ).
5. tr(AT A) = a211 + + a21n + + a2n1 + + a2nn .
Demostraci
on. Ejercicico.
2.6.
2.6.1.
Permutaciones
Definici
on. Una permutaci
on de Jn es una biyecci
on de Jn en Jn .
Una permutacion de Jn se acostumbra a representar por
=
1
2
(1) (2)
n
(n)
25
(1) (2)
(n)
2.6.2.
Definici
on. Sea A = [aij ] Rnn . Se define el determinante de A como
det(A) =
(2.2)
CAPITULO 2. MATRICES
26
1 2 3
A= 4 5 6
7 8 9
tenemos que
det(A) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (1)(6)(8) (2)(4)(9)
(3)(5)(7) = 45 + 84 + 96 48 72 105 = 0.
Teorema 2.12. Sea A Rnn tal que A tiene una fila o una columna nula.
Entonces det(A) = 0.
Demostraci
on. Ejercicio.
Definici
on. Una matriz T = [tij ] Rmn es triangular superior si tij = 0
siempre que i > j y es triangular inferior si tij = 0 siempre que i < j.
T es triangular si es triangular superior o bien triangular inferior. T es
diagonal si es, al mismo tiempo, triangular superior e inferior. Una matriz
diagonal D = [dij ] Rmn se representar
a algunas veces por el smbolo
diag(d11 , ..., dtt ), donde t es el mnimo entre m y n.
Notese que si A = [aij ] Rnn y Sn , entonces en la lista a1(1) , ...,
an(n) hay exactamente un elemento de cada fila y cada columna de A. Este
hecho implica que el determinante de una matriz triangular n n sea facil
de calcular.
27
det(T) =
Tii .
i=1
Demostraci
on. Ejercicio.
Como un caso especial tenemos, que por ser In una matriz triangular,
det(In ) = 1 1 = 1.
Ejemplo. Por ser triangular superior, el determinante de la matriz
1 2 0
T= 0 2 1
0 0 4
es igual a
(T)11 (T)22 (T)33 = (1)(2)(4) = 8.
Teorema 2.14. Sea A Rnn . Entonces det(A) = det(AT ).
Demostraci
on. Ejercicio.
A continuacion dedicaremos un espacio a estudiar la relacion existente entre
el determinante de una matriz y las operaciones elementales de fila.
Teorema 2.15. Sean A, B Rnn tales que A Fi Fj B. Entonces
det(A) = det(B).
Demostraci
on. Ejercicio.
Teorema 2.16. Sean A, B Rnn tales que A Fi cFi B para cierto
c R. Entonces
det(B) = c det(A).
CAPITULO 2. MATRICES
28
Demostraci
on. Ejercicio.
Teorema 2.17. Sean A Rnn , i, j {1, ..., n} con i = j, c R y A
Fi Fi + cFj B. Entonces det(A) = det(B).
Demostraci
on. Ejercicio.
Veamos otras propiedades importantes del determinante.
Teorema 2.18. Sea A Rnn tal que su fila i es igual a su fila j. Entonces
det(A) = 0.
Demostraci
on. Ejercicio.
Teorema 2.19. Sean A, B Rnn . Entonces
det(AB) = det(A) det(B).
Demostraci
on. Ejercicio.
Una combinacion de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitira calcular el determinante de cualquier matriz de una manera bastante sencilla.
En el siguiente ejemplo damos una peque
na muestra de este hecho.
Ejemplo. Calcule el determinante de
2
A= 2
3
la matriz
2 6
2 4 .
4 6
2 2 6
1 1 3
det 2 2 4 = 2 det 2 2 4 ,
3 4
6
3 4
6
2
det
3
1 3
1 1 3
2 4 = det 0 0
2 ,
4 6
0 1
3
29
1 1 3
1 1 3
2 = det 0 1
3
det 0 0
0 1
3
0 0
2
1 1 3
3 = (1)(1)(2).
det 0 1
0 0
2
Luego
det(A) = (2)(1)(1)(1)(2) = 4.
El resultado que presentaremos a continuacion nos muestra la linealidad del
determinante respecto a las filas de matrices.
Teorema 2.19. Sean A Rnn y x1 , x2 , ..., xk Rn tales que
Ai = xT1 + xT2 + + xTk .
Entonces
A1
A1
..
..
.
.
T
A1
..
) + + det( xTk ).
..
An
Demostraci
on. Ejercicio.
Notese que si A = [aij ] Rnn tenemos
Ai = ai1 eT1 + ai2 eT2 + + ain eTn .
Entonces, por Teorema 2.19,
A1
A1
..
..
.
.
T
det(A) = ai1 det( e1 ) + ai1 det( eT2
.
.
..
..
An
An
) + + ain
A1
..
.
det( eTn ).
.
..
An
CAPITULO 2. MATRICES
30
2.7.
31
2
A= 4
3
La matriz invertible
4
6
16
14 6
1
5
6 tiene como inversa a A1 = 26 22 12 .
6
1 2
11
10 6
CAPITULO 2. MATRICES
32
Demostraci
on. Ejercicio.
Teorema 2.27. Toda matriz elemental es invertible. A
un mas, la inversa
de una matriz elemental es una matriz elemental del mismo tipo. Es decir,
si E es una matriz elemental de fila de tipo 1, entonces E1 es una matriz
elemental de fila de tipo 1, etc.
Demostraci
on. Ejercicio.
Teorema 2.28. Sea A Rnn tal que A tiene una columna nula. Entonces
A no es invertible.
Demostraci
on. Ejercicio.
Teorema 2.29. Sea A Rnn una matriz invertible. Entonces A se puede
expresar como producto de matrices elementales fila.
Demostraci
on. Ejercicio.
Teorema 2.30. Sea A Rnn una matriz no invertible. Entonces A se
puede expresar como producto de matrices elementales fila por una matriz
triangular.
33
Demostraci
on. Ejercicio.
Ejemplo. La matriz invertible
1 2 1
A = 1 0 2
3 1 1
sedeja expresar como el producto E1 E2 E7 E8 de matrices
donde
1 0 0
1 0 0
1 0
E1 = 1 1 0 , E2 = 0 1 0 , E3 = 0 2
0 0 1
3 0 1
0 0
1 2 0
1
0 0
1 0 , E5 = 0 1 0 ,
E4 = 0
0 0 1
0 5 1
1
1 0 2
0
1
0
y E8 = 0
E7 =
0 0
1
0
E6
0
1
0
1 0
= 0 1
0 0
0
3
.
2
1
elementales,
0
0
1
0
0
11
2
A = E1 Ep
1
E1
p E1 A = In
1
A1 = E1
p E1
1
A1 = E1
p E 1 In
CAPITULO 2. MATRICES
34
1 0 0
A = 1 2 0 .
3 0 1
En efecto,
1 0 0 1 0 0
1 0 0 1 0 0
1 2 0 0 1 0 F2 F2 + F1 0 2 0 1 1 0
3 0 1 0 0 1
3 0 1 0 0 1
1 0 0
1 0 0
1 1 0
F3 F3 3F1 0 2 0
0 0 1 3 0 1
1 0 0
1 0 0
1
1
1
0 .
F2 F2 0 1 0
2
2
2
0 0 1 3 0 1
As,
A1
2.8.
1 0 0
= 21 12 0 .
3 0 1
= b1
= b2
..
.
2.9. EJERCICIOS
donde
35
a11 a1n
.. Rmn , x =
..
A = ...
.
.
am1 amn
x1
.. Rn y x =
.
xn
b1
.. Rm .
.
bm
2.9.
Ejercicios
1. Calcule
1 2
3
2 3
1
4
5 6 + 0
3 2
7 8
9
5
2
6
2 3
4
1
0 5
2 3 3
8 1 5
1
5 0
2
3 7 6 1 .
6
0 2 4
CAPITULO 2. MATRICES
36
1
2 1
3
2 1
0
4
3
2
3 1
2
0
1
5
1 1 3
2
5 0 ,
2
4 3
1
2
2
3
matrices
1 2 3
1 3 7
4 5 6 , 4 4 5
7 8 9
3 7 2
2
3 5
3
5 7
.
4 2 0
4
1 0
A1
...
A=
At
2.9. EJERCICIOS
37
det(A) =
det(Ai ).
i=1
14. Si
verifique que A1
3 6 7
A = 0 2 0 ,
1 1 2
2
5/2
7
1/2
0 .
= 0
1 3/2 3
1 2
3
1 1
0
A=
2 3 1
0 2
0
matrices
4
0
y
2
3
3
2
B=
0
1
4 2 1
3
5 1
.
4
7 0
4
2 2
16. Demuestre que si A Rnn es tal que tiene una fila nula, entonces A es
no invertible.
17. Demuestre que si A Rnn es invertible, entonces A1 es invertible y
que (A1 )1 .
18. Sean c R {0} y A Rnn invertible. Demuestre que cA es invertible
y que (cA)1 = c1 A1 .
19. Halle A y B matrices invertibles en R33 tales que A+B no sea invertible.
20. Sean A Rnn invertible y m un entero positivo. Demuestre que Am es
invertible y que (Am )1 = (A1 )m .
CAPITULO 2. MATRICES
38
2 3 4
2 1 0
3 2 1
2.9. EJERCICIOS
39
1
2 1
2 .
A = 2 3
1
0
5
31. Sean A Rnn y P Rnn invertible. Demuestre que
tr(P1 AP) = tr(A).
32. Una matriz A Rnn es ortogonal si A es invertible y
AT = A1 .
Demuestre que las matrices
3/5
4/5 0 0
0
0
1
1
2 2
4/5 3/5 0 0
1
y 0 1 0
2 2 2 ,
0
0 1 0
3
1
0 0
2
1
2
0
0 0 1
son ortogonales.
33. Sea A Rnn . Demuestre que A es ortogonal si, y solo si, AT es ortogonal.
Captulo 3
Espacios vectoriales
En este captulo se definiran y analizaran los espacios vectoriales y algunos
de los principales objetos matematicos relacionados con estos.
3.1.
Espacios vectoriales
Definici
on Un espacio vectorial sobre R consta de lo siguiente:
1. Un conjunto no vaco V de objetos llamados vectores.
2. Una operaci
on llamada suma, que asigna a cada par de vectores x, y de
V un vector x + y de V , llamado la suma de x y y tal que:
(a) x + y = y + x x, y V .
(b) x + (y + z) = (x + y) + z x, y, z V .
(c) Existe un u
nico vector 0 de V , llamado vector nulo, tal que x + 0 =
x para todo x V .
(d) Para cada x V , existe un u
nico vector x V , tal que x + (x) = 0.
3. Una operaci
on, llamada multiplicaci
on por escalar, que asocia a cada
escalar c R y cada vector x V un vector cx V , tal que:
(e) 1x = x para todo x V .
(f ) (c1 c2 )x = c1 (c2 x) para todo c1 , c2 R y todo x V .
(g) c(x + y) = cx + cy para toda c R y todas las x, y V .
(h) (c1 + c2 )x = c1 x + c2 y para todas las c1 , c2 R y toda x V .
40
41
Notaci
on. Si V es un espacio vectorial sobre R, algunas veces denotaremos
este hecho por R V .
Ejemplo. Rn con las operaciones
+ :
n
n
n
R R R
x1
y1
x1 + y 1
..
( ... , ... )
.
xn
yn
xn + y n
y
:
R Rn Rn
x1
cx1
..
..
(c, . ) .
xn
cxn
42
V
f + g
y
: RV
(c, f )
V
,
cf
es un espacio vectorial.
3.2.
Subespacios
Definici
on. Sea W un subconjunto no vaco de un espacio vectorial V sobre
R. Si W es tambien un espacio vectorial sobre R con la suma de vectores y
multiplicaci
on por escalar definidas en V y restringidas a W , entonces W
es llamado un subespacio de V .
Teorema 3.1. Un subconjunto no vaco W de un espacio vectorial R V es un
subespacio de R V si, y solo si, para todo x, y W y todo c R
cx + y W .
Demostraci
on. Ejercicio.
V y {0} son subespacios de V . Estos subespacios son llamados los subespacios triviales de V .
3.2. SUBESPACIOS
43
Definici
on. Sean R V un espacio vectorial y S un subconjunto no vaco de
V . Una combinaci
on lineal de los vectores de S es cualquier vector x V
que se deja expresar en la forma
x = c1 x1 + + cr xr ,
donde los ci R, los xi S y r es un entero positivo. El conjunto de todas
las combinaciones lineales de elementos de S se denotara por gen(S).
Teorema 3.2. Sean R V un espacio vectorial y S un subconjunto no vaco de
V . Entonces gen(S) es un subespacio de V .
Demostraci
on. Ejercicio.
gen(S) es llamado el subespacio generado por S.
Definici
on. Sean U, W subespacios de un espacio vectorial R V . La suma de
los subespacios U y W es el conjunto
U + W = {x + y : x U y y W } .
Teorema 3.3. Sean U, W subespacios de un espacio vectorial R V . Entonces
U +W
es un subespacio de V .
Demostraci
on. Ejercicio.
La union de subespacios no es siempre un subespacio.
Teorema 3.4. Sean X = {x1 , ..., xr } y Y = {y1 , ..., yt } subconjuntos de un
espacio vectorial R V . Entonces
gen(X Y ) = gen(X) + gen(Y ).
Demostraci
on. Ejercicio.
44
3.3.
Independencia lineal
Definici
on. Un conjunto de vectores S = {x1 , ..., xr } de un espacio vectorial R V es linealmente independiente cuando la u
nica solucion para los
escalares ai en la ecuaci
on homogenea
a1 x1 + + ar xr = 0
es la solucion trivial a1 = = ar = 0. Si S no es linealmente independiente
se dira linealmente dependiente.
Ejemplo. El conjunto
1
0
1
1 , 0 , 0 R3
1
0
1
es linealmente independiente.
Ejemplo. El conjunto
1
5
1
2 , 0 , 6 R3
1
2
7
es linealmente dependiente.
Teorema 3.5. Sea S = {x1 , ..., xr } un conjunto linealmente independiente
en un espacio vectorial R V . Entonces todo subconjunto no vaco de S es
tambien linealmente independiente.
Demostraci
on. Ejercicio.
Teorema 3.6. Sea S = {x1 , ..., xr } un conjunto de un espacio vectorial R V .
Si S contiene un subconjunto linealmente dependiente, entonces S es tambien
linealmente dependiente.
Demostraci
on. Ejercicio.
3.4. BASES Y DIMENSION
45
3.4.
Bases y dimensi
on
3.4.1.
Bases y dimensi
on
Definici
on. Un subconjunto de un espacio vectorial R V es una base para
V si gen() = V y es linealmente independiente.
Teorema 3.10. Sea = {x1 , ..., xn } una base de un espacio vectorial R V .
Entonces cualquier conjunto con mas de n vectores es linealmente dependiente.
Demostraci
on. Ejercicio.
Teorema 3.11. Sea = {x1 , ..., xn } una base de un espacio vectorial
Entonces cualquier conjunto con menos de n vectores no genera a V .
R V.
46
Demostraci
on. Ejercicio.
Teorema 3.12. Si un espacio vectorial R V tiene una base con n vectores,
entonces toda base de V tiene esa misma cantidad de vectores.
Demostraci
on. Ejercicio.
Definiciones. Un espacio vectorial R V se dice de dimensi
on finita si tiene
una base constituida por un n
umero finito de vectores. La dimensi
on de
V , denotada por dim(V ), es el n
umero de vectores de una base de V . La
dimension del espacio vectorial {0}, se define como cero. Un espacio vectorial
que no tiene una base finita se dice que es de dimensi
on infinita.
Teorema 3.13. Sea R V un espacio vectorial con dim(V ) = n. Entonces:
1. Cualquier conjunto linealmente independiente en V tiene a lo mas n vectores.
2. Cual quier subconjunto de V que genere a V tiene al menos n elementos.
3. Cualquier subconjunto linealmente independiente de V con n elementos es
una base de V .
4. Cualquier subconjunto de V que tenga n elementos y genere a V es una
base de V .
5. Cualquier subconjunto linealmente independiente de V puede ser extendido
a una base de V .
6. Cualquier subconjunto de V que genere a V puede ser reducido a una base
de V .
Demostraci
on. Ejercicio.
Teorema 3.14. Sean R V un espacio vectorian de dimension n y W un
subespacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y
3.4. BASES Y DIMENSION
47
solo si, W = V .
Demostraci
on. Ejercicio.
3.4.2.
Vectores de coordenadas
Definici
on. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial
V
y
x
a1
[x] = ... Rn
an
es llamado el vector de coordenadas de x respecto a .
Teorema 3.15. Sean = {x1 , ..., xn } una base ordenada de un espacio
vectorial R V , x, y V y c R. Entonces
[cx + y] = c [x] + [y] .
Demostraci
on Ejercicio.
Teorema 3.16. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial R V y y1 , ..., yt vectores de V . Entonces {y1 , ..., yt } es linealmente
independiente en V si, y solo si, [y1 ] , ..., [yt ] es linealmente independiente en Rn .
Demostraci
on. Ejercicio.
Teorema 3.17. Sean 1 = {x1 , ..., xn } y 2 = {y1 , ..., yn } bases de un espacio
vectorial R V . Entonces la matriz invertible
P = [x1 ]2 [xn ]2 Rnn
48
es la u
nica matriz que tiene la propiedad
P [x]1 = [x]2
x V .
Adem
as, P1 es la u
nica matriz con la propiedad
P1 [x]2 = [x]1
x V .
Demostraci
on. Ejercicio.
Definici
on. La matriz P en el Teorema 3.17 se conoce como la matriz de
cambio de la base 1 a la base 2 .
Teorema 3.18. Sean 1 = {x1 , ..., xn }, 2 = {y1 , ..., yn } y 3 = {z1 , ..., zn }
bases para un espacio vectorial R V . Si P es la matriz de cambio de base de
1 a 2 y Q es la matriz de cambio de base de 2 a 3 , entonces QP es la
matriz de cambio de base de 1 a 3 .
Demostraci
on. Ejercicio.
3.5.
En esta seccion presentaremos algunos resultados fundamentales que relacionan las matrices con los espacios vectoriales.
3.5.1.
Teorema - definici
on 3.19. Sea A Rmn . Entonces
R(A) = {Ax : x Rn }
es un subespacio de Rm . Este subespacio se denomina el espacio columna
de A. El espacio fila de A es el espacio columna de AT . Naturalmente, el
espacio fila de A se denotara por R(AT ).
Demostraci
on Ejercicio.
49
3.5.2.
Definici
on. Sea A Rmn . El rango de A se define como
rk(A) = dim(gen {A1 , ..., An }) = dim(R(A)).
50
Ejemplo.
1 3 2 1
rk( 2 0 1 5 ) = 2.
1 1 1 2
Demostraci
on. Ejercicio.
Teorema 3.27. Sean A Rmn y P Rnn invertible. Entonces
rk(A) = rk(PA).
51
Demostraci
on. Ejercicio.
Teorema 3.28. Sean A Rmn y P Rmm invertible. Entonces
rk(A) = rk(AP).
Demostraci
on. Ejercicio.
Teorema 3.29. Sean A Rmn , P Rmm invertible y Q Rnn invertible. Entonces
rk(A) = rk(PAQ).
Demostraci
on. Ejercicio.
Teorema 3.30. Sean A Rmn con rk(A) = r > 0. Entonces existen
matrices B Rmr y L Rrn ambas de rango r tales que
A = BL
Demostraci
on. Supongamos que las columnas i1 , ..., ir de A forman un
conjunto linealmente independiente, entonces una matriz E Rnn que se
obtiene al reordenar las filas de In de tal manera que tenga como primeras
filas a (In )i1 , ..., (In )ir es tal que AE tiene las mismas columnas de A, con
la seguridad de que las primeras r columnas de AE forman un conjunto
linealmente independiente. Sea
B = [Ai1 Air ] Rmr ,
entonces las columnas r + 1, ..., n de AE son combinaciones lineales de las
columnas de B, por esto existen ar+1 , ..., an en Rr tales que
(AE)r+1 = Bar+1 , ..., (AE)n = Ban .
Luego
AE = [Be1 Ber Bar+1 Ban ] = B [e1 er ar+1 an ]
y por tanto A = BL, donde L = [e1 er ar+1 an ] E1 Rrn . Notese
que rk(B) = rk(L) = r.
52
3.6.
Ejercicios
1. Demuestre que
1
1
1
1
gen 2 , 0 , 2 , 4 = R3 .
1
1
1
3
2. Determine si R3 esta generado por los vectores
0
3
1
1
1 , 0 , 1 , 2 .
2
5
3
2
3. Determine cuales de los vectores
3
1
1 0
15 , 1
6
0
estan en
1
1
,
1
0
1
2
1
1 8
3
gen
5 , 0 , 5 .
2
1
3
x
y
z
1
1
1
2 , 0 , 2 .
1
1
1
3.6. EJERCICIOS
53
1
1
1
3
es linealmente dependiente en R3 .
8. Demuestre que el conjuto
S = 1, 2 + 2x, 1 x + x2 , 2 x2
es linealmente dependiente y determine los subconjuntos de S con 3 elementos
que sean linealmente independientes.
9. Determine cuales de las siguientes matrices no pueden escribirse como
combinacion lineal de las demas.
1 1
1
2
1 2
3 1
2 3
3
2
1 1
1 6
10. Sea A Rnn . Demuestre que A es invertible si, y solo si, las columnas
de A forman un conjunto linealmente independiente.
11. Sean P Rnn invertible y {x1 , ..., xt } un conjunto linealmente independiente en Rn . Demuestre que {Px1 , ..., Pxt } es linealmente independiente en
Rn .
Captulo 4
Transformaciones lineales
En este captulo introduciremos las transformaciones lineales, que es un tipo especial de funciones entre espacios vectoriales. Mediante estas funciones
podemos decidir si dos espacios vectoriales comparten ciertas propiedades
algebraicas.
4.1.
Transformaciones lineales
Definici
on. Sean V y W espacios vectoriales sobre R. Una transformaci
on
lineal de V en W es una funcion de V en W tal que
T (cx + y) = cT (x) + T (y)
para todos los vectores de y todo escalar de R.
Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes
son transformaciones lineales
T : V V
,
x x
T : V W
.
x 0
Estas transformaciones son llamadas transformaci
on identidad y transformaci
on cero, respectivamente.
54
55
56
Demostraci
on. Ejercicio.
Teorema 4.4. Sean V un espacio vectorial de dimension finita sobre R, W
un espacio vectorial sobre R, {x1 , ..., xn } una base de V y y1 , ..., yn vectores
de W . Entonces existe una u
nica transformaci
on lineal T de V en W tal que
T (xi ) = yi para toda i.
Demostraci
on. Ejercicio.
Ejemplo. La u
nica transformacion lineal T de R3 en R2 tal que
1
1
2
3
4
2
, T ( 2 ) =
y T ( 1 ) =
T ( 0 ) =
1
4
2
0
2
0
es
T : R3
x
y
z
R2
x+y+z
x y + 2z
57
Teorema 4.7. Sean V, W espacios vectoriales sobre R y T una transformacion lineal de V en W . Entonces T es inyectiva si, y solo si, el espacio nulo
de T es {0}.
Demostraci
on. Ejercicio.
Definici
on. Sean V, W espacios vectoriales sobre R y T de V en W una
transformaci
on lineal. Entonces T es un isomorfismo si T es biyectiva. En
tal caso se dice que V es isomorfo a W o que V y W son isomorfos.
Teorema 4.8. Sean V, W espacios vectoriales de dimension finita sobre R y
T un isomorfismo de V en W . Entomces:
1. Si {x1 , ..., xn } es un conjunto linealmente independiente de V , entonces
{T (x1 ), ..., T (xn )} es un conjunto linealmente independiente de W .
2. Si {x1 , ..., xn } genera a V , entonces {T (x1 ), ..., T (xn )} genera a W .
3. Si {x1 , ..., xn } es una base de V , entonces {T (x1 ), ..., T (xn )} es una base
de W .
Demostraci
on. Ejercicio.
Teorema 4.9. Todo espacio vectorial V sobre R de dimension n es isomorfo
a Rn .
Demostraci
on. Ejercicio.
Teorema 4.10. Sean V un espacio vectorial de dimension n sobre R, W un
espacio vectorial de dimension m sobre R, = {x1 , ..., xn } una base ordenada
de V , una base ordenada de W y T una transformaci
on lineal de V en
W . Entonces
A = [T (x1 )] [T (xn )]
es la u
nica matriz de Rmn tal que
A [x] = [T (x)] para todo x V .
58
1 1 1
1 1 1
1 1 1
0 0 0
,
,
1 1 1
1 1 0
1 1 0
0 0 0
1 1 1
1 0 0
1 0 0
0 0 0
P3
R23
a0 0 a1
a2 0 a3
a0 + a1 x + a2 x2 + a3 x3
respecto de las bases 1 y 2 . En efecto,
T (1) =
1 0 0
0 0 0
= [T (1)]2 =
0 0 0 0 0 1
T (1 x) =
1 0 1
0 0
0
= [T (1 x)]2 =
T (1 x2 ) =
1 0 0
1 0 0
= T (1 x2 )
0 0 0 1 1 1
0 0 1 1 0 1
1 0
0
0 0 1
= T (1 x3 )
59
1 1 0 0 0 1
A=
0
0
0 1
0
0
0
1
0
0 1
0
.
0 1
1
0
0
1
0
0
1
1
1
1
A [p(x)]1
0
0
0 1
0
0
0
1
a0 + + a3
0
0 1
0
a1
0 1
1
0
a2
0
1
0
0
a3
1
1
1
1
a3
a3
a2
a1 a2
a1
a0
= [T (P (x))] .
2
= [S]
[T ] .
Demostraci
on. Ejercicio.
Teorema 4.12. Sea V un espacio vectorial de dimension finita sobre R con
bases y y sea T : V V una transformaci
on lineal. Entonces
[T ] = P1 [T ] P,
donde P es la matriz de cambio de la base a la base .
Demostraci
on. Ejercicio.
60
4.2.
Ejercicios
1. Determine si
T : R3
R3
x
1+x+y
y 3x + 2z
z
5 2y z
es una transformacion lineal.
2. Halle una transformacion lineal de R4 a R3 que tenga como espacio nulo a
1
1
3
2
gen
1 , 0 .
4
2
3. Encuentre una transformacion lineal de R3 en R3 que tenga como imagen
a
1
2
gen 1 , 1 .
1
0
4. Sean
A=
1 3
2
0 2 1
y
T : R3 R2
.
x Ax
Halle el espacio nulo, nulidad, imagen y rango de T .
5. Halle un isomorfismo de R22 en R4 y otro de R4 en R22 .
6. Sean R V un espacio vectorial de dimension n y una base de R V . Demuestre que
T : V Rn
x [x]
4.2. EJERCICIOS
61
Captulo 5
Ortogonalidad
El principal objetivo de este captulo es el estudio de los espacios vectoriales
reales en los que tiene sentido hablar de longitud de un vector y angulo entre
vectores. Se hara esto mediante el estudio de ciertas funciones conocidas como
productos interiores.
5.1.
Definici
on. Un producto interior en un espacio vectorial V sobre R es
una funcion que asigna a cada par de vectores x, y de V un escalar x, y R
de tal modo que para cualesquier x, y, z de V y todos los escalares c R se
tiene que:
1. x, x 0 y x, x = 0 si, y solo si, x = 0.
2. x, cy = c x, y .
3. x, y + z = x, y + x, z .
4. x, y = y, x .
Debe observarse que las condiciones 2, 3 y 4 implican que
cx + y, z = c x, z + y, z .
62
63
Definici
on. Un espacio con producto interior es un espacio vectorial
sobre R junto con un producto interior definido en ese espacio.
Un espacio vectorial real con producto interior y dimension finita es un espacio euclidiano.
Ejemplo. En Rn existe un producto interior llamado producto interior
can
onico o producto punto. Esta definido para
x1
y1
x = ... , y = ... en Rn
yn
xn
como
x, y
= x1 y1 + + xn yn .
5.2.
Espacios normados
Definici
on. Una norma en un espacio vectorial V sobre R es una funcion
de V en R que satisface las siguientes condiciones para todo x, y V y
todo c R :
1. x 0 y x = 0 si, y solo si, x = 0.
2. cx = |c| x .
CAPITULO 5. ORTOGONALIDAD
64
3. x + y x + y .
Definici
on. Un espacio normado es un espacio vectorial sobre R junto
con una norma definida en ese espacio.
Ejemplo. Si para cada x = [xi ] Rn definimos
x
Entonces
= x21 + + x2n
1
2
xT x.
es una norma en Rn .
Mas a
un, tenemos el siguiente resultado, en forma de ejemplo, que es una
fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden
definir en Rn
Ejemplo. Sea p 1. Si para cada x = [xi ] Rn definimos
x
Entonces
Rn .
= (|x1 |p + + |xn |p ) p .
= max |xi | .
i
es una norma en Rn .
1
3
x = 2 y y = 1 .
4
5
65
3
1
2 1
5
4
d(x, y) =
4
= 1
9
x, x
y, y
para todo x, y V .
Demostraci
on. Ejercicio.
Teorema 5.2. (Desigualdad triangular). Sea V un espacio vectorial sobre
R con producto interior , . Entonces
x+y , x+y
x, x +
x, x
para todo x, y V .
Demostraci
on. Ejercicio.
Teorema 5.3. Sean V sobre R un espacio con producto interior , . Entonces
: V
R
x, x
x
es una norma en V . Esta norma es la norma en V inducida por el
producto interior , .
Demostraci
on. Ejercicio.
CAPITULO 5. ORTOGONALIDAD
66
Definici
on. Sean x, y vectores no nulos de un espacio vectorial V sobre R
con producto interior , . El
angulo entre los vectores x e y se definde
como
x, y
= cos1
,
x y
donde es la norma en inducida por , .
Cuando hablemos de angulo entre vectores de Rn solo consideraremos el
producto interior , 2 y la norma 2 .
Al realizar los calculos para hallar el angulo entre dos vectores, aseg
urese de
que su calculadora este en modo radianes.
Ejemplo. Hallemos el angulo entre los vectores
2
3
7
1
En efecto,
= cos1
= cos1
x, y 2
x 2 y
11
13 52
= cos1
3
32
2 5 4 7 5
,
1
3
2
3 2
3
2 5 4 7 5
1 2
3 2
2
4
2
4
cos1 (0,431455497)
67
Demostraci
on. Ejercicio.
Teorema 5.5. Sean U Rnn ortogonal y u una columna de U. Entonces
u
= 1.
Demostraci
on.
UT U = In = uT u = 1
=
2
2
= 1 =
u, u
u
=1
= 1.
= x 2.
Demostraci
on.
Ux
Luego Ux
5.3.
2
2
= Ux , Ux
= (Ux)T Ux = xT UT Ux = xT x = x
2
2
= x 2.
Vectores ortogonales
CAPITULO 5. ORTOGONALIDAD
68
xj , y1
xj , yj1
y1 + +
yj1 ) para j = 2, ..., n.
y1 , y1
yj1 , yj1
Demostraci
on. Ejercicio.
Teorema 5.10. Todo espacio con producto interior de dimension finita tiene
una base ortonormal.
Demostraci
on. Ejercicio.
Definici
on. Sean W un subespacio de un espacio vectorial con producto
interior V y x V . Una mejor aproximaci
on a x por vectores de W es
un vector y W tal que
xy xw
para todo w W .
Teorema 5.11. Sean W un subespacio de un espacio con producto interior
V y x V . Entonces:
1. Un vector y W es una mejor aproximaci
on a x, por vectores de W si,
y solo si, x y es ortogonal a todo vector de W .
5.4. EJERCICIOS
69
x, x1
x, xn
xn .
2 x1 + +
x1
xn 2
es la u
nica mejor aproximaci
on a x por vectores de W .
Demostraci
on. Ejercicio.
Definici
on. Siempre que exista el vector y del que se habla en el Teorema
5.11 se le llamara la proyecci
on ortogonal de x sobre W .
Definici
on. Sean V un espacio con producto interior y S un subconjunto no
vaco de V . El complemento ortogonal de S es el conjunto S de todos
los vectores de V ortogonales a todo vector de S. Si W y U son subespacios
de V , y cada vector de W es ortogonal a cada vector de U , entonces W y
U son subespacios ortogonales. Si W y U son subespacios ortogonales,
denotaremos tal hecho por W U .
Teorema 5.12. Sea W un subespacio de un espacio vectorial dimension
finita con producto interior V . Entonces
V = W W .
La expresi
on W W significa que cada vector de V se deja escribir de
manera u
nica, salvo conmutatividad, como la suma de un vector en W con
otro de W y que W W es igual a vaco.
Demostraci
on. Ejercicio.
5.4.
Ejercicios
1. Calcule x, y
si
1
3
2 , y = 2 .
x=
1
2
CAPITULO 5. ORTOGONALIDAD
70
2.Calcule x, y
3.Calcule x
si
1
1
x = 2 , y = 1 .
2
2
, x
y x
para
1
x = 2 .
3
4.Calcule x
para
2
x = 2 .
3
2
2
+ xy
0 ,
1
para R4
1
3
,
0
1
2
2
= 2( x
a partir
1
0
,
2
1
2
2
+ y 22 ).
de la base
0
1
.
0
1
x = 1
2
sobre
0
1
1 ,
1 .
W = gen
2
3
5.4. EJERCICIOS
8. Halle W si
71
1
W = gen
3 ,
0
.
1
=0
Ux , Uy
= 0.
= AT x
para todo x Rn .
11. Sea U Rnn tal que para todo x Rn
Ux
Demuestre que U es ortogonal.
= x
Captulo 6
Valores y Vectores Propios
En este captulo presentaremos los conceptos basicos de valor propio, vector propio, espacio propio y espectro de una matriz. Ademas, presentaremos
algunos de los resultados mas relevantes relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no
hablar de n
umeros complejos, debemos hacer algunas observaciones respecto
a la terminologa que utilizaremos en este captulo. La palabra escalar se
utilizara para referirnos a un n
umero que puede ser real o complejo. Un
vector n 1 sera una matriz n 1 cuyas componentes pueden ser n
umeros
reales o complejos.
6.1.
Definici
on. Sea A Rnn . Un escalar es un valor propio de A si existe
un vector n 1 x = 0 tal que Ax = x. Ahora, si Ax = x con x = 0,
entonces x es un vector propio de A asociado al valor propio .
Ejemplo. 2 es un valor propio de la matriz
2
0
1
2 ,
A = 5 1
3 2 5/4
72
73
ya que
2
0
1
1
2
1
5 1
2 3 = 6 = 2 3 .
3 2 5/4
4
8
4
1
Ademas, 3 es un vector propio de A asociado al valor propio 2.
4
Teorema 6.1. Sea A Rnn . Entonces ning
un vector propio de A puede
estar asociado a valores propios distintos de A.
Demostraci
on. Si suponemos que x es un vector propio de A asociado a
valores propios distintos i , j de A, entonces (i j ) = 0 y
(i j )x = i x j x = Ax Ax = 0.
Luego
(i j )1 (i j )x = (i j )1 0 = x = 0,
lo cual es absurdo. Por tanto, ning
un vector propio de A puede estar asociado
a valores propios distintos de A.
Definici
on. Sea A Rnn , el espectro de A es
(A) = { escalar : es un valor propio de A} .
El smbolo R [x] denotara al conjunto de los polinomios en la variable x y
coeficientes en R. La evaluacion de un polinomio p(x) = a0 + a1 x + + at xt
de R [x] en una matriz A Rnn es la matriz
p(A) = a0 In + a1 A + + at At ,
donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con
sigo misma i veces.
Ejemplo. Sean
A=
1 1
1
2
74
1 0
0 1
1 0
0 1
1 1
1
2
3
3
3 6
+2
1 1
1
2
0 6
6
6
1 1
1
2
=
2 3
3
1
6.2.
Subespacios Propios
75
Notese que EA () es igual a {0} unido con el conjunto formado por todos
los vectores propios de A asociados al valor propio . Ademas, por Teorema
6.1 se tiene que si i , j son valores propios distintos de A, entonces
EA (i ) EA (j ) = {0} .
Definici
on. El subespacio EA () se denomina subespacio propio de A
asociado al valor propio . Adem
as, la dimension de EA (), dim(EA ()), se
llama la multiplicidad geom
etrica del valor propio de A.
De la definicion de vector propio, es claro que EA () tiene al menos un vector
no nulo, por tanto
dim(Rn ) = n dim(EA ()) 1.
6.3.
76
de A asociado a
Ax = x
A1 Ax = A1 x
A1 x = 1 x
6.4.
6.5.
Localizaci
on de Valores Propios
p = 1, ..., n.
6.6. CALCULO
DE VALORES PROPIOS
77
Donde
Rp (A) = |ap1 | + + ap(p1) + ap(p+1) + + |apn | .
La region del plano complejo formada por la union de esos n discos sera llamada regi
on de Gershgorin y denotada por G(A).
Teorema 6.8. (De Gershgorin). Sea A Rnn . Entonces (A) esta contenido en G(A).
Demostraci
on. Ejercicio.
6.6.
C
alculo de Valores Propios
x = 0 : A x = x
x = 0 : (In A)x = 0
(In A) es no invertible
det(In A) = 0.
Definici
on. Sea A Rnn . El polinomio caracterstico de A es el polinomio de R [x] dado por
PA (x) = det(xIn A).
La expresi
on PA (x) = 0 se llama ecuaci
on caracterstica de A.
Seg
un Teorema 6.9, es un valor propio de A Rnn si, y solo si, es
solucion de la ecuacion caracterstica de A. Esto u
ltimo equivale a que es
una raz de PA (x).
78
1 2 3
A = 4 5 6 .
7 8 9
En efecto,
x 1 2
3
PA (x) = det(xI3 A) = det 4 x 5 6
7
7 x 9
= x3 15x2 18x.
Una simple inspeccion visual muestra que 1 = 0 es una raz de PA (x). Con
esa informacion es facil probar (con ayuda de la F
atica)
ormula General
Cuadr
15
3
3
15
que las otras races de PA (x) son 2 = 2 2 33 y 3 = 2 33 + 2 . As,
(A) = 0, 15
32 33, 23 33 + 15
.
2
2
Por lo general, es difcil o imposible hallar las races de PA (x). Sin embargo, si
6.6. CALCULO
DE VALORES PROPIOS
79
Definici
on. Sea es un valor propio de A Rnn . El n
umero de veces que
se repita como raz de PA (x) es la multiplicidad algebraica del valor
propio de A.
Ejemplo. La matriz
A=
1
0
0 0 0
0 2
0 0 0
1
0 5 6 0
1
0 3 4 0
0
0
0 0 2
80
Demostraci
on. Bastara probar que PA (x) = PAT (x). En efecto,
PA (x) = det(xIn A) = det((xIn A)T )
= det(xIn AT ) = PAT (x).
6.7.
C
alculo de Vectores Propios
2 12
1 5
Soluci
on. La ecuacion caracterstica de A es
det(xIn A) = det
x 2 12
1 x + 5
= x2 + 3x + 2 = (x + 1)(x + 2) = 0,
1 2
12
1
1 + 5
3 12
1 4
6.7. CALCULO
DE VECTORES PROPIOS
81
x1
x2
Luego EA (1 ) = gen
4
1
(2)I2 A =
4x2
x2
= x2
4
1
, x2 = 0.
4 12
1 3
x1
x2
Luego EA (2 ) = gen
3
1
3x2
x2
= x2
3
1
, x2 = 0.
2 1
A= 0 2
0 0
0
0 .
2
Soluci
on. La ecuacion caracterstica de A es
x 2 1
0
x2
0 = (x 2)3 = 0.
det(xIn A) = det 0
0
0
x2
Por tanto, 1 = 2 es el u
nico valor propio de A. Ahora,
0 1 0
2I3 A = 0 0 0
0 0 0
82
mplica que en la solucion del sistema homogeneo (2I3 A)x = 0 tiene que
x2 = 0 y las variables x1 , x3 estan libres. Luego todo vector propio de A
asociado a 1 = 2 es de la forma
0
1
x1
x1
x = x2 = 0 = x1 0 + x3 0 .
1
0
x3
x3
0
1
Luego EA (1 ) = gen 0 , 0 .
0
1
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
1 0 0
0
0 1 5 10
.
A=
1 0 2
0
1 0 0
3
Soluci
on. La ecuacion caracterstica de A es
x1
0
0
0
0
x 1 5
10
det(xIn A) = det
1
0
x2
0
1
0
0
x3
= (x 1)2 (x 2)(x 3) = 0.
As los valores propios de A son 1 = 1, 2 = 2 y 3 = 3. Una base para el
espacio propio de 1 = 1 se encuentra como sigue:
0 0
0
0
0 0 5 10
(1)I3 A =
1 0 1
0
1 0
0 2
y se reduce a la matriz
1
0
0
0
0
0
0
0
0
2
1 2
.
0
0
0
0
83
2
x1
2x4
0
x2
x2
=
= x2 1 + x4 0 .
x=
2
x3 2x4
0
1
0
x4
x4
0
2
1
0
Luego EA (1 ) = gen
0 , 2 .
0
1
Para 2 = 2 y 3 = 3, se sigue el mismo patron para obtener
0
0
5
5
EA (2 ) = gen
1 y que EA (3 ) = gen 0 .
1
0
6.8.
6.9.
84
Teorema 6.16. Los valores propios de una matriz simetrica son reales.
Demostraci
on. Ejercicio.
Teorema 6.17. Sean U Rnn ortogonal y es un valor propio de U.
Entonces || = 1.
Demostraci
on. Sea x un vector propio de U asociado al valor propio ,
entonces
x 2 = Ux 2 = x 2 = || x 2 .
Luego || = 1.
Teorema 6.18. Sea U Rnn ortogonal. Entonces
|det(U)| = 1.
Demostraci
on. Si 1 , ..., n son los valores propios de U (algunos i pueden
ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como |i | = 1
para i = 1, ..., n, entonces
|det(U)| = |1 n | = |1 | |n | = 1 1 = 1.
Teorema 6.19. Sea A Rnn es tal que AAT = AT A, entonces para todo
valor propio de A, se tiene que
EA () = EAT ().
Demostraci
on. Ejercicio.
Teorema 6.20. Sean A Rnn es tal que AAT = AT A y i , j valores
propios distintos de A. Entonces EA (i ) EA (j ).
Demostraci
on. Ejercicio.
6.10.
85
Semejanza de Matrices
Definici
on. Sean A, B Rnn . Decimos que A es semejante a B, si
existe P Rnn invertible tal que
A = P1 BP.
Demostraci
on. Ejercicio.
Teorema 6.21. (Lema de Schur). Toda matriz A Rnn es semejante a
una matriz triangular superior.
Demostraci
on. Ejercicio.
Teorema 6.22. Sean A, B Rnn . Si A y B son semejantes, entonces
A y B tienen el mismo polinomio caracterstico, y por consiguiente los mismos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.
Demostraci
on. Como A y B son semejantes, existe P Rnn invertible
tal que A = P1 BP, luego
PA (x) = det(xIn A) = det(xIn P1 BP)
= det(P1 xIn P P1 BP) = det(P1 (xIn B)P)
= det(P1 ) det(xIn B) det(P) = det(xIn B) = PB (x).
Teorema 6.23. Sean A, B Rnn semejantes con A = P1 BP. Entonces
para todo (A) se tiene que
EB () = {Px : x EA ()} .
Demostraci
on. Ejercicio.
86
3 1 0
A = 1 2 1
0 1 3
1
1 1
0 1
P= 2
1 1 1
es invertible y
1
1
1
3 1
0
1/6
2/6
1/6
0 1
2 1 2
0/6 3/6 1
P1 AP = 3/6
1 1
1
0 1
3
2/6 2/6
2/6
= diag(1, 3, 4).
Teorema 6.25. Sea A Rnn tal que A tiene n valores propios distintos,
entonces A es diagonalizable.
Demostraci
on. Ejercicio.
Teorema 6.26. Sean A Rnn y 1 , ..., k los valores propios distintos de
A, entonces las siguientes afirmaciones son equivalentes:
1. A es diagonalizable.
6.11. EJERCICIOS
87
2. Existe una base para los vectores n 1 formada por vectores propios de
A.
3. para i = 1, ..., k dim(EA (i )) es igual a la multiplicidad algebraica, mi , de
i como valor propio de A.
Demostraci
on. Ejercicio.
6.11.
Ejercicios
88
1
A = 1/4
1
la matriz
0 1/4
1 1/4 .
1 3
6
2 1
1 5 0
2
1 4
satisfacen la desigualdad 1 || 9.
11. Demuestre que las partes imaginarias de los valores propios de la matriz
3 1/3 2/3
1 4 0
1/2 1/2 1
estan situadas en el intervalo [1 , 1].
12. Verifique que p(x) = x4 2x3 11x2 + 24 es el polinomio caracterstico
de la matriz
1 1 3 2
0 1 4 0
0
1 1 1
2
1 3 1
13. Halle todos los valores propios y bases para los espacios propios de la
matriz
3
2
2
1 1 .
A= 1
0 2
3
Ayuda: x =
1 1 1
es un vector propio de A.
6.11. EJERCICIOS
89
14. Halle todos los valores propios y bases para los espacios propios de la
matriz
1
2
0
0 2 .
A= 4
0 2 1
Ayuda: 3 es un valor propio de A.
15. Demuestre que el polinomio caracterstico de la matriz nula [resp. identidad] de Rnn es xn [resp. (x 1)n ], y por tanto su u
nico valor propio es
= 0 [resp. = 1] con multiplicidad algebraica n.
16. Demuestre que los valores propios de una matriz triangular son los elementos de su diagonal principal.
17. Si
18
2 12
9 6 ,
A = 4
3 2
3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = {5, 10, 15}.
18.Demuestre que si A Rnn y (A) = {1 , ..., n }, entonces para todo
c R (cA) = {c1 , ..., cn }.
19. Sean A Rnn y c R. Demuestre que
EA () = EcA (c) (A).
20. Demuestre que existen matrices no nulas en Rnn cuyo polinomio caracterstico es xn .
21. Sean A Rnn , (A) y r R+ . Demuestre que existe x EA ()
tal que x 2 = r.
22. Si A, B Rnn , n > 1 y PA (x) = PB (x). Demuestre que A y B no son
necesariamente semejantes.
90
Bibliografa
91