Transformaciones Lineales

Algebra lineal
Temario
Matemticas I
Programa:
Algebra de matrices
1.1 Matrices
1.2 Matrices especiales
1.3 Operaciones con matrices
1.4 Matrices por bloques
Temario
Matemticas I
Programa:
Sistemas de ecuaciones lineales

2.1 Algoritmo de Gauss
2.2 Algoritmo de Gauss-Jordan
2.3 Existencia de soluciones
2.4 Operaciones elementales por filas y matrices elementales
2.5 Factorizacin LU
2.6 Geometra de ecuaciones lineales
Temario
Matemticas I
Programa:
Determinantes
3.1 Definicin
3.2 Propiedades
3.3 Determinantes e inversas
3.4 Regla de Cramer
3.5 Determinantes y matrices por bloques
3.6 Interpretacin geomtrica
Temario
Programa:
Matemticas I
Espacios vectoriales
Elementos de lgebra abstracta
Grupos
Todo sobre homomorfismos
Anillos
Campos
4.1 Espacios vectoriales

4.2 Subespacios vectoriales
4.3 Combinaciones lineales
4.4 Dependencia e independencia lineal
4.5 Base y dimensin
4.6 Kernel, imagen, espacio columna y espacio fila de una
matriz
4.7 Ecuaciones lineales y espacios vectoriales
4.8 Cambio de base
4.9 Espacio cociente
4.10 Sumas y sumas directas
Temario
Matemticas I
Programa:
Espacios vectoriales con producto interno

5.1 Producto interno
5.2 Desigualdad de Cauchy-Schwarz
5.3 Ortogonalidad
5.4 Procedimiento de Gram-Schmidt
5.5 Espacios normados
Temario
Matemticas I
Programa:
Transformaciones lineales
6.1 Definicin
6.2 Propiedades
6.3 Kernel e imagen de una transformacin lineal
6.4 Representacin matricial de una transformacin lineal
6.5 Isomorfismos
6.6 Operaciones con transformaciones lineales
6.7 Algebra de transformaciones lineales
Temario
Matemticas I
Programa:
Valores propios y vectores propios

7.1 Definicin y propiedades
7.2 Teorema de Cayley-Hamilton
7.3 Diagonalizacin de matrices
Temario
Matemticas I
Programa:
Formas cannicas
8.1 Forma cannica de Jordan
8.2 Forma cannica racional
Descomposicin en valores singulares
Pseudoinversa
Funciones de matrices
Matrices definidas positivas
Temario
Matemticas I
Bibliografa
B. Noble, J.W. Daniel, Applied linear algebra, Prentice

Hall.
S. Grossman, Linear algebra, McGraw Hill.
F.R. Gantmacher, Matrix Theory, Chelsea Publishing Co.
G. Strang, Linear algebra and its applications, Harcourt

Brace Jovanovich Publishers.
S. Lipschutz, Algebra lineal, McGraw Hill.
Meta y objetivo
Uso indiscriminado del lgebra lineal en

el modo de pensar del ingeniero
1. Algebra de Matrices
1.1
1.2
1.3
1.4
Matrices
Matrices especiales
Operaciones con matrices
Matrices por bloques

a11
a12
a13
a14
b11
b12
a21
a22
a23
a24
b21
b22
a31
a32
a33
a34
b31
b32
a41
a42
a43
a44
b41
b42

A11
A12
B11
A11B11+A12B21
A21
A22
B21
A21B11+A22B21
En este momento
Ya sabemos operar con matrices
2. Sistemas de Ecuaciones
2.1 Algoritmo de Gauss

2.2 Algoritmo de Gauss-Jordan
2.3 Existencia de soluciones
2.4 Operaciones elementales por filas y matrices elementales
2.5 Factorizacin LU
2.6 Geometra de ecuaciones lineales
Sistema de ecuaciones lineales

a11x1+a12x2+...+a1nxn=b1
.
.
.
an1x1+an2x2+...+annxn=bn

2x1+3x2=2
x2=2/3-(2/3)x1
x1+x2=3
x2=3-x1
3-x1=2/3-(2/3)x1
3-2/3 =x1-(2/3)x1
2.333=0.333x1
x1=7
x2=-4
2x1+3x2=2
x1+x2=3
x2=2/3-(2/3)x1
x2=3-x1
(7,-4)
Algoritmo de Gauss
2x1+3x2=2
x1
x1+x2=3
x2
Algoritmo de Gauss
2
x1
2
=
x2
1/2
1.5
x1
-1
x2
1.5
x1
0
1
-2
-1.5
-.5
1
x2
1.5
=
x1
x2
x1
x2
-1
-2
-1.5
-4
1/2
Algoritmo de Gauss
1
x1
7
=
x2
-4
-1.5
1/2 0
-2
-1
-1
1
3
-2
Inversa
2
1
3
1
Original
-1 3
1
-2
Notas
Si el sistema tiene soluciones Consistente
Si el sistema no tiene soluciones Inconsistente
Cada ecuacin es la ecuacin de una recta. Si todas las rectas se

intersectan en al menos un punto, el sistema es consistente, caso
contrario es inconsistente
Operaciones elementales multiplicar un rengln por una
constante diferente de cero; intercambiar renglones; sumar un
mltiplo de un rengln a otro rengln
Definicin. Se dice que una matriz de n*n es una matriz elemental
si es posible obtenerla a partir de la matriz identidad In de n*n
mediante una sola operacin elemental en los renglones
Notas
En el mtodo de Gauss slo se utilizaron matrices elementales
Inversa de una matriz

2
-1 3
1
-2
x1
x2
x1
x2
2
=
Si se tiene la inversa ...
-1 3
-2

La inversa de una matriz cuadrada A se define como la matriz B
que:
AB=BA=I y se denota como A-1
Teorema. Si B Y C son invesras de A, entonces B=C
Demo.
BA=I (BA)C=IC (BA)C=B(AC)=BI=B=C

Teorema. Si A y B tienen inversa y son del mismo tamao,
entonces
a)
AB tiene inversa
b)
(AB)-1=B-1A-1
Demo
Demostrar que: (AB)(B-1A-1)=(B-1A-1)(AB)=I
(AB)(B-1A-1)=A(BB-1)A-1=AIA-1=I
(B-1A-1)(AB)=B-1(AA-1)B=I

Notar que una matriz elemental tiene inversa. Esto es cierto ya que
es una operacin elemental por la matriz identidad.
Definicin. Si A=E1E2...EnB con Ei elementales, entonces A es
equivalente a B por renglones
Teorema. Si A es una matriz cuadrada, entonces las siguientes

afirmaciones son ciertas:
a) A tiene inversa
b) AX=0 nicamente tiene la solucin trivial
c) A es equivalente por renglones a I

Demo
a) b)
Si A tiene inversa AX=0 A-1AX=A-10=0 X=0 es la nica
solucin
b) c) AX=0, donde la nica solucin es X=0 se puede llevar
por Gauss a la forma IX=0, pero para llevar a esta forma se
tienen que utilizar matrices elementales, i.e.
EnEn-1...E1A=I, como las Ei tienen inversa, entonces
E1-1E2-1...En-1I=A
c) a)
Como A es quivalente a I, entonces E1-1E2-1...En-1I=A, y por tanto
A-1= EnEn-1...E1I
En este momento
Ya resolvemos sistemas de ecuaciones y

conocemos cosas de la inversa.
3. Determinantes
Determinantes
3.1 Definicin
3.2 Propiedades
3.3 Determinantes e inversas
3.4 Regla de Cramer
3.5 Determinantes y matrices por bloques
3.6 Interpretacin geomtrica
Permutaciones
Conjunto n={1,2,...,n}, el conjunto de las

permutaciones de n es Sn.
Una permutacin Sn se escribe como
1
(1) (2) (3) (4)
Composicin
Inversas
-1=
-1=
Transposicin
Todos permanecen iguales, excepto dos que se intercambiaron
Ciclos
1
=
2
6
3
2
4
1
5
3
6
5
=(1 4) (2 6 5 3)
(1)=4, (4)=1 -- (2)=6, (6)=5, (5)=3, (3)=2

Toda permutacin se puede escribir como el producto de ciclos
Ciclos
Chequen lo siguiente. Todo ciclo se puede escribir como un
producto de transposiciones
ejemplo (4 5 3 2 1)=(2 1)(3 1)(5 1)(4 1)
No es nica, pero todas las representaciones son pares o

impares en el nmero de transposiciones una permutacin es
par o impar.
Definicin. El signo de una permutacin es (+) 1 si es par (-1) si

es impar
Determinante
A=[aij] de n*n, el determinante de A se define como:
Det(A)=
a1(1)a2(2)...an(n)
Determinante
Ejemplo. Sea A una matriz de 3*3, entonces S3 tiene 6 elementos (3!)
Las permutaciones de arriba son pares, las de abajo impares.

Det(A)=a11a22a33+a12a23a31+a13a21a32-a12a21a33-a13a22a31-a11a23a32
Propiedades
R1
Ri+Rj
Rn
En este momento
Entendemos lo que es el determinante
4. Espacios vectoriales
Elementos de lgebra abstracta
Grupos
Todo sobre homomorfismos
Anillos
Campos
Algebra abstracta
Grupo: G(S,+)
S Conjunto de elementos
+ Operacin binaria
a+b=c, a,b,c S
Existe e S, a+e=e+a=a
Existe a-1 S a-1+a=e
Es grupo?
Los naturales con +, *?

Z4, +?, Z4, *?
Los reales con +, *?
Los racionales con +, *?
Homomorfismos
Dos grupos (S1,+), (S2,*)

H:S1S2
H(a+b)=H(a)*H(b)
H(e1+e1)=H(e1)+H(e1)=
H(e1)= e2 *H(e1)
H(e1)*[H(e1)-1]= e2 *H(e1)* H(e1)-1=e2
H(e1)= e2
Propiedad
H(x-1)=[H(x)]-1
H(x)+ H(x-1)=H(x+x-1)=H(e1)=e2
H(x-1)=[H(x)]-1
Imagen
Im(H)={y|H(a)=y, aS1}
Son elementos de S2
Kernel
Ker(H)={x|H(x)=e1}
son elementos de S1
El kernel es una medida de la

inyectividad de la funcin
Suponer que H(x)=H(y)
H(x)+[H(y)]-1=e2
H(x+y-1)=e2
si y-1x-1
hay ms de un elemento en el kernel de H
y por lo tanto no es inyectiva H.
La imagen es grupo
Sean a,b Im(H).
a+b=H(x)+H(y)=H(x+y) a+b tambin

est en la imagen de H.
H(e1)=e2 la identidad est en la imagen
Si a est en Im(H) H(x)=a H(x-1) es el
inverso de a.
El kernel es grupo
Sean a,b Ker(H).
a+b=H(a)+H(b)=e2+e2 H(a+b)=e2
a+b tambin est en el kernel de H.
H(e1)=e2 la identidad est en el kernel
Si a est en Ker(H) H(a)=e2
H(a+a-1)=H(a)+H(a-1)=e2+e2 a-1 est en el
kernel
Subgrupos
Si G=(S,+) es un grupo, entonces

H=(R,+) es un subgrupo de G ssi
H=(R,+) tiene las caractersticas de un
grupo.
R es un subconjunto de S
Coconjuntos
Si H=(R,+) es un subgrupo de G
entonces para todo a elemento de G, el
conjunto aH es llamado el coconjunto
izquierdo de a debido a H.
Coconjuntos
El conjunto de todos los coconjuntos de

un grupo G debido a un grupo H es
llamado el grupo cociente G/H debido a
que tiene las propiedades de un grupo
Cada coconjunto de G/H es denotado
como [a] (el elemento que le di origen,
H est fijo)
Coconjuntos
Lo primero que hay que notar es que se

puede establecer la siguiente relacin de
equivalencia
a~b ssi a-1+b pertenece a H
a~a a est en aH,

a-1+a=e, como en H est la identidad,
entonces en aH est a
Coconjuntos
Si a~b entonces b~a
a-1+b est en H
(a-1+b)-1 est en H
b-1+a est en H
Adems b est en aH
a-1+b est en H y e est en H y a est en aH

a-1+b=h a+a-1+b=a+h b=a+h, i.e. es un
elemento de aH
Coconjuntos
Si a~b y b~c entonces a~c a est en

H
a-1b, b-1cH a-1c H

Adems c est en aH,
Claro
Coconjuntos
Como vemos, la relacin anterior

particiona el conjunto S del grupo
G=(S,+).
A su vez, cada particin es igual a un
coconjunto de G/H, entonces los
coconjuntos particionan a G/H
si b aH existe x H, tal que ax=b aH

a-1ax=a-1b=x H
Recordatorio
TEOREMA. Sea L una particin del
conjunto X. Defnase xRy si x, yS para
algn S L. Entonces R es reflexiva,
simtrica y transitiva.
Recordatorio
Demo.
Sea x X. Como X = L, x S para algn S L.

Entonces xRx y R es reflexiva.
Sup. xRy. Entonces x e y pertenecen a un S L. Como
y y x pertenecen a S, yRx R es simtrica.
Sup. xRy e yRx entonces
x, y S L.
y, z T L.
Si S T yS zT pero L es disjunta por

pares no es posible; entonces S = T x y z S
xRz; R es transitiva.
Recordatorio
TEOREMA. Sea R una relacin de equivalencia sobre

un conjunto X. Para cada a X, sea
[a] = {x XxRa} entonces
L = {[a] a X} es una particin de X
Demo
Para verificar que L es una particin de X
i) X = L
ii) L es una familia disjunta por pares
Recordatorio
Sea a X; como aRa a [a]; entonces X = L

> Dem que si aRb [a] = [b]
- Sup aRb. Sea x [a], entonces xRa. Como aRb y R es
transitiva xRb. x [b] y [a] [b].
- Sup bRa. Sea x [b], entonces xRb. Como bRa y R es
transitiva, xRa. x [a] y [b] [a]
> Sup [a], [b] L con [a] [b]. Probar [a] [b] = .
- Sup para algn x, x [a] [b], entonces xRa y xRb,
entonces [x]=[a] y [x]=[b]; consecuentemente [a]= [b]:
contradiccin [a] [b] = y L es disjunta por pares.
Grupos
En el grupo G/H el elemento [e] funciona

como la identidad.
[e]+[a]=[a]+[e]=[a] al menos el
elemento e+a est en la suma, pero este
elemento est en [a]
El inverso de [a] es [a-1], al sumar a+a-1 se
genera el elemento e y por tanto [e]
Adems es cerrado
Sean X y Y dos conjuntos cualesquiera. Sea A:XY una

funcin cualquiera. Entonces se puede definir la relacin
Ker A de la siguiente forma:
x1~x2 ssi A(x1)=A(x2)
Note que la relacin Ker A es una relacin de
equivalencia.
Como es una relacin de equivalencia, entonces diremos
que x1x2 (mod Ker A) x1 es equivalente a x2 mdulo
Ker A- -Tambin se dice que x1 es congruente a x2 va
Ker A o que la relacin Ker A es una congruencia-
Significado geomtrico de esta relacin

X
clusters
y1
x1
x2
x3
y2
x4
y3
x5
y4
x6
Imagen de A
Observe que hay tantos clusters como imgenes de A
Podemos hacer el conjunto de los clusters

clusters
A este conjunto lo llamaremos X/Ker A,
o conjunto cociente X/Ker A
c1={x1, x2, x3}
c2={x4}
c3={x5, x6}
(A menudo yo le llamo conjunto de clustercillos)

X/Ker A
c1={x1, x2, x3}
c2={x4}
Noten que la relacin Ker A est dando

una medida de la inyectividad de A. Si
el nmero de clusters es igual al nmero
de elementos en X, entonces A es
inyectiva.
c3={x5, x6}
A los clusters se les llama coconjuntos (cosets) y son justamente los

subconjuntos de X sobre los cuales A tiene diferente valor. Tambin se
les suele llamar las fibras de A.

Ejem. A(x)=x mdulo 4 -es el residuo de la divisin, no la congruencia
X
1 5 9
3 7
Aqu est A
0 4 8
2 6
Y
X/Ker A
c2=[1 5 9]
c1=[0 4 8]
c4=[3 7]
c3=[2 6]
Como X/Ker A y la imagen de A tienen la misma cantidad de elementos,

entoces hay un isomorfismo entre X/Ker A y Im(A) [X/Ker AIm(A)]

Proposicin. Sea A:XY y sea PA:XX/Ker A su proyeccin cannica,
entonces g:X/ker Aim(A) tal que A=gPA, donde g es una biyeccin.
X
1 5 9
0 4 8
PA
3 7
Aqu est A
2 6
Y
X/Ker A
c2=[1 5 9]
c1=[0 4 8]
0
c4=[3 7]
c3=[2 6]
Demostracin
Definir g(z)=A(x) ssi z=PA(x). Se afirma que g(z) es

funcin
Cubre todo X. Como A es funcin, entonces a cubre todo X, y

por la definicin anterior, g tambin cubrir todo X
Un valor de X/Ker A no est asociado a dos valores de Y.
Suponer que si es as, (z,y1), (z,y2)g.
Entonces y1y2. Por la definicin de g se tiene:

z= PA(x1), y1=A(x1) y adems
z= PA(x2), y2=A(x2)
Como PA(x1),= PA(x2) implica que A(x1)= A(x2)
Entonces y1=y2, una contradiccin, entonces
Un valor de X/Ker A no est asociado a dos valores de Y
Por tanto g(z) si es funcin.
Demostracin
Ahora veremos que g es una biyeccin.
g es inyectiva. Suponer que no es as, i.e. (z,y),(z,y)g
Entonces zz
Entonces z=PA(x) y z=PA(x)
Adems A(x)=A(x)=y.
Como tienen la misma y, entonces PA(x)=PA(x), una
contradiccin. Por tanto es inyectiva.
g es sobre. Como g:X/Ker AIm(A), slo abarca las imgenes

de A. Por definicin de g, cualquier imagen de A tiene una
preimagen en X/Ker A. Por lo tanto g es sobre.
Como es inyectiva y sobre, es una biyeccin.
Demostracin
Por definicin A=g PA

o

,... Y ahora
Definicin. Se dice que una relacin R1 refina (es ms fina) a R2 y se
escribe R1R2 si (x,y)R1 entonces (x,y)R2. En otras palabras, todo
coconjunto de R1 es un subconjunto de algn coconjunto de R2.
1 5 9
0 4 8
2 6
3 7
1 5 9
0 4 8
2 6
3 7

Ahora se generalizarn estos conceptos
Proposicin. Sea f:XY y sea una particin del conjunto X,
donde Ker f . Entonces existe un nico mapa g:X/Y tal
que f=gP.
En pocas palabras, dice que si existe una particin ms fina que
la que deja la funcin, entonces es posible recuperar la informacin de la funcin va la particin ms fina (que en este caso se
llama ).
1 5 9
0 4 8
Aqu est f
3 7
2 6
Aqu est Ker f (son los crculos

que forman las clases de equivalencia)
0
1 5 9
0 4 8
Aqu est f
3 7
2 6
Aqu est (son los rectngulos

que forman las clases de equivalencia),
Se puede ver que Ker f
1 5 9
0 4 8
Aqu est Pf
Aqu est f
3 7
2 6
e1=[0 2 4 6 8]
e2=[1 3 5 7 9]
0
1 5 9
0 4 8
Aqu est Pf
Aqu est f
3 7
2 6
e1=[0 2 4 6 8]
e2=[1 3 5 7 9]
0
Aqu est P
e2=[1 5 9]
e1=[0 4 8]
e4=[3 7]
e3=[2 6]
1 5 9
0 4 8
Aqu est Pf
Aqu est f
3 7
2 6
e1=[0 2 4 6 8]
e2=[1 3 5 7 9]
0
Aqu est P
e2=[1 5 9]
e1=[0 4 8]
e4=[3 7]
e3=[2 6]
Aqu est g
Demostracin
1.
2.
3.
Definir g(z)=f(x) ssi z=P(x). Adems para

cada zk={xi|xiAi} existe una clase
[xi]={xi|f(xi)=y} donde zk[xi]
como Ker f, entonces [xi] puede ser
particionado en z1,...,zn
g es una funcin.
a.
b.
Como zk pertenece a algn [xi], entonces este g(zk)

ser igual a f(xi), o sea todo elemento de X/ ser
asociado con un valor en Y. X/ est cubierto.
Si (zk,yi), (zk,yj)g, implica que zk[xi] y zk[xj], pero
por 2) esto no es cierto, por lo tanto cada zk se
asocia con uno y slo un valor de Y.
Demostracin
Por la definicin de g, se tiene que

f(x)=g P(x)
Suponer que existe g(z) tal que f=gP
Sea xX g(P(x)) =f(x)= g(P(x))
entonces g=g.
Proposicin. Sea f:XY y g:XZ y sea Ker fKer g. Entonces

existe un mapa h:ZY tal que f=hg. Ms an, h est solamente
definida en la imagen de g; esto es la restriccin h|g(X).
Intuitivamente dice que la imagen de g deja suficiente informacin
para poder relacionar cada elemento de Z con uno y slo uno de Y.
1 5 9
0 4 8
Aqu est f
Y
3 7
2 6
1
0
Aqu est Pf
Hay una funcin isomrfica
X/Ker f
e2
e1
Aqu est g
1 5 9
0 4 8
3 7
2 6
Aqu est Pg
Hay una funcin isomrfica

e1
e3
e2 e4
X/Ker g
1 5 9
0 4 8
3 7
2 6
El Ker f Ker g
Aqu est g
Z
1 5 9
0 4 8
3 7
Aqu est f
Y
2 6
0
2
Aqu est h
e2
e1
e3
e2 e4
X/Ker g
X/Ker f
e1
Demostracin
h(z)=f(x) ssi z=g(x)

[xi]={xi|f(xi)=y}; como Ker fKer g implica que
[xi] puede ser particionado en z1,...,zn tal que
g(xi) =zi y por tanto h(zi)=y. Por la definicin, h
est definida en la imagen de g.
Como en el caso anterior h asigna a cada zi un
nico valor en Y.
Por la definicin de h se tiene que h(g(x)=f(x).
Se ve que se cumple, ya que como Ker fKer g,
un xg-1(zi) xf-1(y)
Demostracin
Suponer que existe h(z) tal que f=hg

Sea xX h(g(x)) =f(x)= h(g(x))
entonces h=h.
Proposicin. Si , son dos particiones tal que

, entonces existe una nica funcin
f:X/X/ tal que P=fP.
1 5 9
0 4 8
3 7
2 6
X
X
1 5 9
0 4 8
1 5 9
3 7
2 6
La particin
0 4 8
3 7
2 6
La particin
1 5 9
0 4 8
3 7
2 6
Aqu est P
Aqu est P
X/
X/
e2
e1
e2
e4
e3
e1
1 5 9
0 4 8
3 7
2 6
Aqu est P
Aqu est P
X/
X/
e2
e1
e2
e1
e4
e3
Aqu est f
Congruencias de sistemas dinmicos
Un sistema dinmico sobre un conjunto X

es un mapa :XX con la siguiente
interpretacin. Los elementos xX son
llamados estados y es llamada funcin
de transicin de estados.
k es la k-sima composicin de s
Sea una particin de X con proyeccin

cannica P :XX/ . es una
congruencia para si existe un mapa :
X/ X/ tal que:
P = P X
X
P
X/Ker
P
X/Ker
Recordando resultados previos

es una congruencia de ssi
Ker P Ker (P )
X
P
X/Ker
P
X/Ker
Anillos
Un anillo R=(S,+,*) es un conjunto con

dos operaciones binarias.
(S,+) es un grupo conmutativo (grupo

abeliano)
(S,*) es un semigrupo (se le pide cerrado,
pero no unidad ni inversas)
Anillos
En un anillo se deben cumplir las

propiedades distributivas
a*(b+a)=a*b+a*c
(b+c)*a=b*a+c*a
Anillos
En un anillo elemento identidad de (S,+)

ser denotado como 0.
Si (S,*) forma un grupo para sus
elementos no 0, es llamado anillo de
divisin.
Anillos
Un anillo de divisin, (S,*) si es

conmutativo ser llamado Campo
Anillos
Por ser anillo se tiene
a0=0a=0
a(-b)=-(ab)=(-a)b
a0=a(0+0)=a0+a0
a0+(-(a0))=a00=a0
0=a0=a(b+(-b))=ab+a(-b)
-ab=a(-b)
a(b-c)=ab-ac
a(b-c)=a(b+(-c))=ab+a(-c)=ab-ac
Subespacios vectoriales
Combinaciones lineales
Dependencia e independencia lineal
Base y dimensin
Un espacio vectorial E=(V,F)

Es un conjunto de elementos llamados
vectores sobre un campo F donde
x+y=y+x y pertenece a V
x+(y+z)=(x+y)+z
Existe el vector 0, tal que 0+x=x+0=x
Para cada vector x existe el x, tal que x-x=0
Cada elemento dol campo es llamado un

escalar
(x+y)= x+y
x= x
(1+ 2)x= 1(x)+ 2(y)
1x=x 1 la unidad multiplicativa del campo
ejemplos
Teorema
0v=v0=0
0v=0v+0v-0v=(0+0)v-0v=0v-0v=0
(-1)v=-v
v+(-1)v=1v+(-1)v=(1-1)v=0v=0
Agregando v a ambos lados se tiene el
resultado
Subespacio
Sea (V,F) un espacio, entonces (S,F) es

un subespacio de (V,F) si preserva todas
las caractersticas de espacio y S es un
subconjunto de V
Subespacio
ejemplos
Creacin de espacios
Teorema.
Espacio vectorial (V,F)

S subconjunto de V
Si v1,vn estn en S, entonces tambin

1v1++nvn, donde i son elementos del
campo
(S,F) es un subespacio
Demo en clase por los alumnos
Creacin de espacios
Preguntas importantes
En qu condiciones dos conjuntos S1, S2

crean el mismo espacio vectorial?
Cal es la cardinalidad mnima de QS tal
que Q y S crean el mismo espacio vectorial?
Cando S crea el mismo espacio que
contiene a los vectores de S?
Dependencia e independencia
lineal
Definicin. Sea S={v1,v2,...vn} un

conjunto de vectores. El vector
y=1v1+2v2+...+nvn donde los
coeficientes son escalares ser llamada
combinacin lineal de S.
lineal

conjunto de vectores. S es linealmente
independiente si
1v1+2v2+...+nvn=0 tiene como
nica solucin la trivial. De lo contrario se
llamarn linealmente dependientes.
lineal

conjunto de vectores. Si S es linealmente
independiente, entonces el espacio
creado por S ser llamado espacio
generado por S.
lineal
Sea S={v1,v2,...vn} un conjunto de

vectores. Para mostrar si es linealmente
independiente se resuelve la ecuacin:
1
2
[v1 v2 ... vn] ...
=0
lineal
Entonces ya podemos aplicar Gauss para

resolver el sistema y ver su solucin
Si la matriz [v1 ...vn] es de rango n entonces

tiene solucin nica
Si la matriz [v1 ... vn] es de rango menor a
n, entonces tiene ms de una solucin.
lineal
Ejemplos en clase
Bases, Dimensin y
coordenadas
Definicin. Sea (V,F) un espacio vectorial,

entonces el conjunto S={v1, v2, ...vn}
ser una base para (V,F) si S genera
(V,F).
S es linealmente independiente
S genera (V,F)
Bases, Dimensin y
coordenadas
ejemplos de bases en diferentes espacios
Bases, Dimensin y
coordenadas
Notita. Si z es una C.L. (combinacin lineal) de

los vectores x1,...,xr; y xi es una C.L. de los
vectores y1,...,ys. Entonces z es una C.L. de los
vectores y1,...,ys.
z=a1x1+...+arxr
z=a1(b11y1+...+b1sys)+...+ar(br1y1+...+brsys)
Es una propiedad de transitividad
Bases, Dimensin y
coordenadas
Notita. Si algunos vectores x1,...,xn son

linealmente dependientes (L.D.) entonces
todo el sistema x1,...,xn son L.D.
Suponer que x1,...,xk (k<n) son L.D.
a1x1+...+akxk=0 con ai diferente de nulo.
a1x1+...+akxk+0xk+1+...+0xn=0 es
solucin y el sistema es L.D.
Bases, Dimensin y
coordenadas
Coordenadas
La base B={v1, ..., vn} es un conjunto,

pero tiene un orden para facilitar
1
trabajos futuros.
Representacin. Un vector v se puede 2
reescribir en trminos de una base.
v=1v1+2v2+...+nvn, a donde
Es la representacin del vector
...
n
Bases, Dimensin y
coordenadas
Ejemplos de representacin de vectores
Bases, Dimensin y
coordenadas
Teorema. La representacin del vector es

nica
v=1v1+2v2+...+nvn=
1v1+2v2+...+nvn
(1-1)v1+...+ (n-n)vn=0
base L.I. entonces la nica solucin
es cero (i-i)=0 i=i
Bases, Dimensin y
coordenadas
Notita. El teorema anterior es cierto si

dice que z=a1x1+...+akxk los ai son
nicos ssi los xi son L.I.
Bases, Dimensin y
coordenadas
Definicin. Sea (V,F) un espacio vectorial.

Dos subespacios de (V,F); (V1,F) y (V2,F)
se dicen equivalentes si los vectores de
uno se pueden escribir como C.L. del
otro y viceversa.
Bases, Dimensin y
coordenadas
Teorema. Suponer que B={v1, ...,vp} es

una base para (V,F) y suponer que
D={u1,...,uq} es un subconjunto L.I. en
(V,F), entonces qp
Demostracin.
Como B es una base, entonces
uiD,(V,F) se puede expresar como una
C.L. de B
Bases, Dimensin y
coordenadas
S1={u1,e1,...,ep} es L.I. Existe un vector

que es C.L. de los anteriores, digamos que es ei.
Por transitividad el resto {u2,...,uq} es una C.L.
de S1-{ei} y se puede aplicar el mismo
procedimiento
Como se observa el procedimiento no puede
eliminar todos los vp vectores antes de que los
ui vectores se hayan agotado y qp.
Bases, Dimensin y
coordenadas
Teorema. Nmero de vectores en la base.

Suponer que para un espacio (V,F) se tiene una
base con p vectores. Entonces todas las bases
tienen p vectores.
Demo. Aplicar teorema anterior suponiendo que
se tiene otra base con q vectores. qp.
Aplicar partiendo de la base con q vectores
pq q=p.
Bases, Dimensin y
coordenadas
Definicin. Al nmero de vectores en la base de

un espacio (V,F) se le llama dimensin de (V,F).
En especial, todos los subespacios equivalentes
tambin tienen un conjunto de vectores que lo
generan (ya que son un espacio en s) y se tiene
una base y por tanto tambin tienen su
dimensin. En tal caso es ms adecuado hablar
de rango que de dimensin, ya que podemos
hablar de un subespacio en R3, pero de rango 2.
A su vez, a la dimensin del espacio completo
se le puede llamar rango, pero es mejor hablar
de dimensin.
Bases, Dimensin y
coordenadas
El espacio Rn tiene timensin n.

Si la dimensin de un espacio es p
cualquier conjunto con s vectores s>p es
L.D.
En efecto, la base tiene p vectores y el
resto ser una C.L. de la base.
Bases, Dimensin y
coordenadas
Teorema. Un espacio tiene dimensin finita k ssi

k es el maximo nmero de vectores que se
pueden obtener en el espacio.
Demo. Si la dimensin es k la base tiene k
vectores son L.I. y cualquier otro es una C.L.
de la base (ya no es L.I.).
Si el mximo nmero de vectores L.I. es k
estos generan todo el espacio y por tanto es
una base k es la dimensin.
Bases, Dimensin y
coordenadas
Ok, regresemos a la representacin de

vectores
0
B1={ 1
0
4
4
=4
1
0
+4
0
1
Bases, Dimensin y
coordenadas
El mismo vector en otra base

B2={
4
0
1
1
=4
0
1
1
1
+0
0
1
Bases, Dimensin y
coordenadas
Si el mismo vector se puede representar

en diferentes bases, se podr
transformar de una en otra?
1
0
0
1
4
4
1 0
1 1
4
0
Bases, Dimensin y
coordenadas
1 0
1 1
-1
1
0
0
1
4
4
4
0
Matriz de cambio de base de B1 a B2
Bases, Dimensin y
coordenadas
El concepto fcilmente se puede
generalizar a cualquier par de bases
Lo que es ms chido...
(P[x]2,R) una posible base es B={1, x, x2}
v1=1 en la base
1
0
0
Bases, Dimensin y
coordenadas
v2=x en la base
0
1
0
v3=x2
0
0
1
Bases, Dimensin y
coordenadas
v4=1-x
v5=3+x
v6=-2+2x+x2
v7=2+3x+7x2
Son L.I.?
Todo cambia a matrices!!!
Kernel, imagen, espacio columna y espacio fila de una

matriz
Ecuaciones lineales y espacios vectoriales
Cambio de base
Espacio cociente
Sumas y sumas directas
Pausa: Cosas de una Matriz
Kernel.
Todos los x tales que Ax=0

Kernel={x|Ax=0}
Se puede hablar de dos kerneles, el

izquierdo y el derecho
KerI={y|yTA=0}
KerD={x|Ax=0}
Imagen
Todos los y que son obtenidos de A

multiplicado por un vector
Imagen={y|Ax=y}
Teorema (operaciones columna y dependencia

lineal). Suponer que una secuencia de
operaciones elementales por rengln transforma
la matriz A en la matriz B, entonces:
Una coleccin de columnas de A es linealmente

dependiente (independiente) ssi la colleccin
correspondiente de columnas de B es linealmente
dependiente (independiente).
Una matriz rengln puede ser escrita como una
combinacin lineal de (esto es linealmente
dependiendte de) todos los renglones de A ssi puede
ser escrita como una combinacin lineal de todos los
renglones de B.
Demostracin caso 1.Sea F=E1E2...En la secuencia de matrices

elementales que realizan las operaciones
elementales que transforman a A en B.
F tiene inversa=no singular
FA=B
Fx=0 x=0 (solucin nica)
Si las columnas de A son L.D. entonces
1a1+2a2+...+nan=A[]
FA[ ]=B[ ]
Si A es LD hay muchas combinaciones
que dan cero esas mismas combinaciones en

B dan cero y sus columnas son LI.
Si A tiene una sola combinacin que da cero,
entonces en B ser la nica posibilidad de dar
cero, ya que slo es este caso FA[]=0
Apliquemos esto a cualquier coleccin de
columnas de A y se tendr la demostracin de la
primera parte.
Demostracin caso 2.Un matriz rengln y es una CL de los renglones
de A ssi y=xA para alguan matriz rengln x,
pero y=xF-1FA=xB, para x=xF-1
como FA=B; y y=xB ssi y es una CL de

los renglones de B.
Veamos ms a fondo el mtodo de Gauss

1
-1
-1
1
2
1
3
2
1
0
-1
0
2
3
3
5
1
1
2
3
4
1
1
2
0
0
3
4
2
-1
-2
-1

1
0
-1
3
2
2
3
-2
1
0
-1
1
2
2/3
0
0
0
4
3
-1
5
-1
0
0
0
0
2
-2
-11/3 -23/3
3
5/3
1
0
-1
1
2
2/3
3
-5/3
0
0
0
0
1
-1
-11/3 -23/3
1
0
-1
1
2
2/3
3
5/3
0
0
0
0
1
0
-1
1

Columnas dominantes
1.5
Matriz
Forma de Gauss

Columnas dominantes
1
-1
-1
-1
Matriz
Forma de Gauss

Columnas dominantes
0
-1
Matriz
Forma de Gauss
Matrices
1.
2.
3.
Por intercambio de renglones hacer que

el elemento (1,1) sea diferente de cero.
Si no es posible es porque toda la
columna 1 es igual a cero, tacharla y
tratar de hacer lo mismo para la
submatriz generada
El proceso se repite hasta tener un
elemento diferente de cero.
Matrices
4.
Todo el rengln se divide entre el

elemento diferente de cero y se procede
a hacer cero el resto de los elementos
de esta columna de acuerdo al mtodo
de Gauss
Matrices
5.
6.
7.
Una vez hecho esto se tacha el rengln

y se obtiene una nueva submatriz
Con esta nueva submatriz se procede
desde el punto 1)
El resultado es la matriz en la forma de
Gauss
Matrices
Si se tiene un rengln diferente de cero,

entonces a la primer columna diferente
de cero se le llamar dominante o lder.
Teorema (matrices reducidas y dependencias)

Suponer que G es una matriz en la forma de
Gauss y de rango k
a) El conjunto de las k columnas lderes es
linealmente independiente
b) Cualquier columna a la izquierda de la
primera columna lder es una columna cero.
Cualquier columna a la izquierda de la i-sima
columna lder es combinacin lineal de las
anteriores columnas lderes.
Definicin.- Sea A una matriz de p*q

a) El espacio columna de A es el
subespacio que es generado por el
conjunto de columnas de A
b) El espacio rengln de A es el
subespacio generado por los renglones
de A.
Poner ejemplos
Dar las condiciones para que el sistema
tenga solucin.
Ax=b
Teorema. Sea una matriz A de rango k.

Entonces
a) El espacio columna de A tiene diemnsin k.
Una base son las columnas lderes.
b) El espacio rengln es de dimensin k, una
base son los renglones diferentes de cero.
c) Una matriz p*p es no singular si sus
columnas son LI rango p
d) Una matriz p*p es no singular si sus
renglones son LI rango p
Matrices
Corolario
Rango por columnas = rango por filas
Teorema (espacios rengln iguales). Sea

A1 y A2 matrices de tamao r*q y s*q
respectivamente. El espacio rengln de
A1 es igual al espacio renglon de A2 ssi
los renglones no cero de las matrices de
Gauss coinciden.
El maldito Kernel otra vez
Definicin: Sea f:XY una funcin de X a Y.

Con f se asocia una relacin de equivalencia
llamada equivalencia kernel de f y se denota por
Ker f y est definida como sigue:
x1,x2X, x1~x2 ssi f(x1)=f(x2)
(mostrar que s es una relacin de equivalencia y por
tanto particiona a X)
Por qu se le llama
equivalencia kernel
Sucede que en el caso de homomorfismos si

f(x1)=f(x2) f(x1)-f(x2)=0 f(x1-x2)=0, i.e.
x1-x2 est en el kernel de f.
Claramente una matriz A puede ser considereda
como una funcin (y an ms, un
homomerfismo, chequen en clase esto y vern
que si la hace). Entonces el kernel que
definimos de A es consistente con el kernel en
homomerfismos y sucede que:
Por qu se le llama
equivalencia kernel
El kernel de A es un subespacio
La imagen de A es un subespacio
Ya qu no saben qu, A/ker A es un
espacio y se le llama espacio cociente.
Entendamos bien esto, que

est demasiado fcil, salvo la
primera vez
Encontrar Kernel, imagen (range, no

rank), A/Ker A de la siguiente matriz A.
1
-1
-1
Sistemas Lineales III:

Control Geomtrico-1.8
Sean X y Y dos conjuntos cualesquiera. Sea A:XY una

funcin cualquiera. Entonces se puede definir la relacin
Ker A de la siguiente forma:
x1~x2 ssi A(x1)=A(x2)

Note que la relacin Ker A es una relacin de
equivalencia.
Como es una relacin de equivalencia, entonces diremos

que x1x2 (mod Ker A) x1 es equivalente a x2 mdulo
Ker A- -Tambin se dice que x1 es congruente a x2 va
Ker A o que la relacin Ker A es una congruencia-

X
clusters
y1
x1
x2
x3
y2
x4
y3
x5
y4
x6
Imagen de A
Observe que hay tantos clusters como imgenes de A
Podemos hacer el conjunto de los clusters

clusters
A este conjunto lo llamaremos X/Ker A,
o conjunto cociente X/Ker A
c1={x1, x2, x3}
c2={x4}
c3={x5, x6}
(A menudo yo le llamo conjunto de clustercillos)

X/Ker A
c1={x1, x2, x3}
c2={x4}
Noten que la relacin Ker A est dando

una medida de la inyectividad de A. Si
el nmero de clusters es igual al nmero
de elementos en X, entonces A es
inyectiva.
c3={x5, x6}
A los clusters se les llama coconjuntos (cosets) y son justamente los

subconjuntos de X sobre los cuales A tiene diferente valor. Tambin se
les suele llamar las fibras de A.

Ejem. A(x)=x mdulo 4 -es el residuo de la divisin, no la congruencia
X
1 5 9
3 7
Aqu est A
0 4 8
2 6
Y
X/Ker A
c2=[1 5 9]
c1=[0 4 8]
c4=[3 7]
c3=[2 6]
Como X/Ker A y la imagen de A tienen la misma cantidad de elementos,

entoces hay un isomorfismo entre X/Ker A y Im(A) [X/Ker AIm(A)]

Proposicin. Sea A:XY y sea PA:XX/Ker A su proyeccin cannica,
entonces g:X/ker Aim(A) tal que A=gPA, donde g es un isomorfismo.
X
1 5 9
0 4 8
PA
3 7
Aqu est A
2 6
Y
X/Ker A
c2=[1 5 9]
c1=[0 4 8]
0
c4=[3 7]
c3=[2 6]
Demostracin
Definir g(z)=A(x) ssi z=PA(x). Se afirma que g(z) es

funcin
Cubre todo X. Como A es funcin, entonces a cubre todo X, y

por la definicin anterior, g tambin cubrir todo X
Un valor de X/Ker A no est asociado a dos valores de Y.
Suponer que si es as, (z,y1), (z,y2)g.
Entonces y1y2. Por la definicin de g se tiene:

z= PA(x1), y1=A(x1) y adems
z= PA(x2), y2=A(x2)
Como PA(x1),= PA(x2) implica que A(x1)= A(x2)
Entonces y1=y2, una contradiccin, entonces
Un valor de X/Ker A no est asociado a dos valores de Y
Por tanto g(z) si es funcin.
Demostracin
Ahora veremos que g es un isomorfismo.
g es inyectiva. Suponer que no es as, i.e. (z,y),(z,y)g
Entonces zz
Entonces z=PA(x) y z=PA(x)
Adems A(x)=A(x)=y.
Como tienen la misma y, entonces PA(x)=PA(x), una
contradiccin. Por tanto es inyectiva.
g es sobre. Como g:X/Ker AIm(A), slo abarca las imgenes

de A. Por definicin de g, cualquier imagen de A tiene una
preimagen en X/Ker A. Por lo tanto g es sobre.
Como es inyectiva y sobre, es un isomorfismo.
Demostracin
Por definicin A=g PA

o

Estamos en los lmites...
Si los conjuntos tienen estructura matemtica, p.e. X, Y son espacios
vectoriales y la funcin A resulta ser un operador lineal.
Ax1=Ax2 es la relacin Ker A. Un caso particular es para la imagen
cero.
En este caso todos los x, tales que Ax=0 formarn una clase de
equivalencia. Las dems clases de equivalencia las obtendremos al
estudiar las otras imgenes de A.
Sin embargo, este proceso puede resultar muy lento, sobre todo porque Y
tiene un nmero infinito de elementos. Una forma ms adecuada es
estudiarlos a travs de la clase de equivalencia del 0 [0].

Por ejemplo, si queremos estudiar el caso para la imagen y, entonces
debemos encontrar todos los x tales que Ax=y.
x1, x2 [x], Ax1=Ax2=y, entonces A(x1-x2)=0. Entonces si x1[x], se
tiene que x2[x] ssi (x1-x2)[0].
Como la clase [0] es un subespacio de X
De hecho si Ax=0 y Ay=0, entonces A(x+y)=0 y por tanto es

un subespacio
entonces (x1-x2) span[0], o (x1-x2) = 1e1+2e2+...+nen
Si x1 est fijo, entonces x2= x1-1e1-2e2-...-nen.............................(1)

Como con la clase de equivalencia [0] se generan todas las dems, a est
clase la llamaremos genricamente Kernel de A.

Como se observa, la ecuacin (1) es un mtodo para calcular todas las
clases de equivalencia [x2].
Se puede ver que es un un espacio vectorial (el del Kernel) desplazado
por x1 (cualquier vector de la clase).
A esta clase de equivalencia, y slo cuando hablamos de operadores

lineales en espacios vectoriales, le llamaremos una variedad lineal. No es
un espacio, ya que en general, el cero no est includo en dicha variedad,
pero si ser un espacio vectorial va mdulo algn vector de la clase.
Ejemplos

A:22 tal que A([x y]T)=[xy y-x]T. Claramente A es un operador

lineal y un vector de la forma [k k]T est en la clase de equivalencia [0] o
Kernel de A.
El vector [2 1]T no est en la clase [0], pero si est en la clase [[2 1]T].
Los vectores que pertenecen a esta clase, de acuerdo a la ecuacin (1)
son:
X=[2 1]T-[1 1]T

Clase [0]
Clase [2 1]T

En realidad, cada clase forma una

lnea paralela al Kernel de A.

Si tenemos un operador lineal A:VW, entonces el Kernel de A ser un
subespacio de V, y cada una de las clases de equivalencia ser una
variedad lineal paralela al Kernel de A.
Ms an, el conjunto de las clases de equivalencia se denotar en la

forma comn V/Ker A y ser llamado el espacio cociente V/Ker A.
Proposicin. Sea un operador lineal A:VW, entonces el conjunto

V/Ker A es un espacio vectorial.
Demo. En este espacio, el vector nulo es la clase [0]. De hecho se tiene

[v1]=[v1]+[0] para cualquier v1V. De la ecuacin (1) x2= v1-1e12e2-...-nen se observa que esto es cierto, ya que x2[v1].
Los escalares, son los del campo definido en V.
La suma de vectores [v1]+[v2]=[v3] se define como x1[v1], x2[v2] y

x1+x2[v3]. Note que est bien definida ya que cualquier x1[v1] y
x2[v2] sirven. De hecho v1- 1[0]+v2- 2[0]=v1+v2- [0]=[v3]
Todas las propiedades se pueden demostrar y resulta un espacio vectorial

,... Pero hay ms cosas
Claramente, Im(A)V/Ker A. Vimos que esto se cumple an en el caso
que no sean espacios vectoriales.
Ahora volvamos a los conjuntos.
Vimos que si A:XY, entonces Ker A es una relacin de equivalencia.

Por la definicin, cualquier funcin deja una relacin de equivalencia en
su dominio. Pero, adems, nosotros sabemos que una relacin de
equivalencia sobre un conjunto X es equivalente a una particin de X
Espacios vectoriales con producto interno
Espacios vectoriales con producto

interno
5.1
5.2
5.3
5.4
5.5
Producto interno
Desigualdad de Cauchy-Schwarz
Ortogonalidad
Procedimiento de Gram-Schmidt
Espacios normados
Norma
Definicin.- Una norma (o norma

vectorial) en (V,F) es una funcional que
asigna a cada vector v un nmero real no
negativo, llamado norma del vector v, y
es denotado por ||v|| y satisface:
||v||>0 para v0, y ||0||=0

||v||=|| ||v|| escalar y v vector
||u+v||||u||+||v||
Norma
Definicin.- Para vectores x=[x1 x2 ...

xp]T, las normas ||||1, ||||2, |||| son
llamadas norma 1, norma 2 y norma
infinito respectivamente y se definen
como:
||||1=|x1|+|x2|+...+|xp|
||||2=(|x1|2+|x2|2+...+|xp|2)1/2
||||=max{|x1|, |x2|, ...,|xp|}
Norma
Definicin.- Sea |||| una norma en (V,F). Una

secuencia de vectores vi se dice que converje al
vector v ssi la secuencia de nmero reales ||viv|| Para vectores x=[x1 x2 ... xp]T, las normas
||||1, ||||2, |||| son llamadas norma 1,
norma 2 y norma infinito respectivamente y se
definen como:
||||1=|x1|+|x2|+...+|xp|
||||2=(|x1|2+|x2|2+...+|xp|2)1/2
||||=max{|x1|, |x2|, ...,|xp|}
Norma
Teorema: Sean x, y dos vectores. Entonces

|xTy|||x||2||y||2
Demostracin.
sabemos 0||x+y||=(x+y)T(x+y)=||x||22+ 2 ||y||22+2

|xTy|
si =-||x||22/xTy, entonces
0-||x||22+(||x||24||y||22/xTy|2)
Despejando se llega a la desigualdad
Producto interno
Definicin. El producto interno en (V,F) sobre un

par de vectores (u,v) que satisface:
(u,v)=(v,u)
(u+v,w)= (u,w)+ (v,w)
(w,u+v)= (w,u)+ (w,v)
(u,u)>0, y es igual a cero si u es cero.
Producto interno
El producto interno (u,v)1/2 induce una norma en el espacio

vectorial.
Definicin. Sean el producto interno (,)
u, v son ortogonales ssi (u,v)=0

Un conjunto de vectores son ortogonales ssi cada par de vectores
(u,v) son ortogonales
Si un vector u es usado para producir u/||u|| tal que ||v||=1,
entonces u se dice ser normalizado para producir el vector
normalizado v
Un conjunto de vectores se dice ortonormal ssi es ortogonal y
||v||=1 para todo vector v
Producto interno
Diferentes productos internos
(u,v)=uTv
si f y g son funciones real valuadas continuas en 0t1,
entonces (f,g)= f (t ) g (t )dt
0
Proyecciones ortogonales
Teorema. Sea (V,F) un espacio vectorial. Sea (V0,F) un

subespacio generado por los vectores ortogonales
S={v1,...,vq}. Defnase la proyeccin ortogonal como sigue.
Para cualquier vector v
P0v=1v1+...+qvq, donde i=(vi,v)/(vi,vi)
entonces
v-P0v es ortogonal a todo vector v en (V0,F)

P0(u+v)=P0u+P0v
P0(v)= P0v
Demostracin
(vi,v-P0v)=(vi,v)-1(vi,v1)-...-q(vi,vq)=(vi,v)- i(vi,vi)=0
Los otros puntos salen de la definicin de los
coeficientes .
v
v-P0v
vi
P0v= vi
Teorema. Sea (V,F) un espacio vectorial con

producto interno y con su norma inducida por el
producto interno ||||. Sea (V0,F) un subespacio
generado por los vectores ortogonales
S={v1,...,vq}. Entonces para cualquier v, P0v es el
nico punto ms cercano en (V0,F) a v, y ||v-P0v||
es la distancia de v a (V0,F)
||v-P0v||<||v-v0|| para todo v0 diferente de P0v en (V0,F)
Demostracin.
||v-v0||2=(v-v0,v-v0)=(v-P0v+P0v-v0, v-P0v+P0v-v0)= (v-P0v, v-P0v

)+(v-P0v, P0v-v0)+(P0v-v0,v- P0v)+(P0v-v0, P0v-v0)
Sabemos que v- P0v es ortogonal a los vectores en (V0,F), entonces
se obtiene que:
||v-v0||=||v- P0v||+|| P0v-v0||
entonces ||v-v0||>||v- P0v|| a menos que v0= ||v-v0||=||vP0v||+||
Sea S={v1,...,vq} un conjunto de vectores

ortogonales, entonces estos vectores son
linealmente independientes.
si se toma el vector 0=c1v1+...+cqvq, tenemos
que saber el valor de cada ci.
0=(vi,0)=(vi,c1v1+...+cqvq)=ci(vi,vi)
como (vi,vi)>0 ci=0 y son L.I.
Se sigue que si el vector proyectado v est en el

espacio (V0,F), entonces P0v ser el mismo v y los
valores de las i ser la representacin del vector
en la base seleccionada S.
Teorema. Sea B={v1,...vq} una base ortogonal. La

representacin del vector v se calcula como
v=1v1+...+qvq, donde
i=(vi,v)/(vi,vi)
Note que si la base es ortonormal, entonces los i se
calculan fcilmente
Si tenemos S={v1,...,vq} un conjunto de vetores

que genera (V,F)
Tomar u1=v1,
desde 2 hasta q, ui=vi-Pi-1vi
6.1 Definicin
6.2 Propiedades
6.3 Kernel e imagen de una transformacin lineal
6.4 Representacin matricial de una transformacin lineal
6.5 Isomorfismos
6.6 Operaciones con transformaciones lineales
6.7 Algebra de transformaciones lineales
Definicin. Sean (V,F) y (W,G) dos espacios vectoriales.

Una transformacin lineal T de (V,F) a (W,G) es una
correspondencia que asigna a cada vector v en V un
vector w en W tal que:
T(v1+v2)=T(v1)+T(v2)
T(v)= T(v)
Se sigue que T(0)=0, ya que T(v)=T(v+0)=T(v)+T(0) lo
que implica que T(0) debe ser el cero de W.
El espacio imagen
Todos los vectores w en (W,G) tal que w=T(v)
Solucin. Si w es fijo, entonces existe v en (V,F) tal que
T(v)=w ssi w est en la imagen de T.
Se aplica Sobre
Claramente el problema Solucin tiene solucin si T es

onto.
Otro problema es si la solucin es nica.

T(v1)=T(v2)=w
Se aplica Inyectividad
Claramente la solucin es nica si w esta en la imagen de

T y T es inyectiva.
T(v1)=T(v2) T(v1)-T(v2)=0 T(v1-v2)=0
Tambin T tiene kernel.
Ms propiedades de las transformaciones lineales

T(u-v)=T[u+(-1)v]=T(u)+T[(-1)v]=T(u)+(-1)T(v)=T(u)-T(v)
T(1v1+...+nvn)= 1v1+...+nvn
Esto se puede ver por asociatividad e induccin
Teorema. Sea (V,F) un espacio vectorial de dimensin finita con
base B={v1,...vn} y T1, T2 dos transformaciones lineales. Si
T1(vi)=T2(vi) para todo vi en B, entonces T1(v)=T2(v) para v
en (V,F).
Demo, como cualquier vector de (V,F) se escribe como v=
1v1+...+nvn, entonces T1(v)=T1(1v1+...+nvn)=
T1(1v1)+...+T1(nvn)=T2(1v1)+...+T2(nvn)=T2(v)
Teorema. Sea (V,F) un espacio vectorial de dimensin

finita con base B={v1,...vn} y (W,G) un espacio vectorial
que contiene a los vectores w1,...,wn, entonces existe
una nica transformacin lineal tal que T(vi)=wi, para vi
en B.
Demo. Como cualquier vector de (V,F) se escribe como
v= 1v1+...+nvn, entonces T se define como
T(v)=1w1+...+nwn
T ser una transformacin lineal
T(u+v)=T[(1v1+...+nvn)+(1v1+...+ nvn)]=
=T[(1+1) v1+...+( n+n) vn] Por la definicin de T,
= (1+1) w1+...+( n+n) wn=T(u)+T(v)
De igual forma
T(u)=T[(1v1+...+ nvn)] Por la definicin de T,
1w1+...+ nwn= T(u)
Por teorema anterior se tiene la unicidad
Tarea: Sean (V,F) y (W,G) dos espacios vectoriales y
T:(V,F)(W,G) una transformacin lineal. Demsotrar que
el kernel de T es un subespacio de (V,F) y que la imagen
de T es un subespacio de (W,G).
Definicin. Sean (V,F) y (W,G) dos espacios vectoriales y

T:(V,F)(W,G) una transformacin lineal.
Teorema. Sean (V,F) y (W,G) dos espacios vectoriales y

T:(V,F)(W,G) una transformacin lineal.
Nulidad de T = (T) =dim (Ker (T))

rango de T = (T) = dim (Im (T))
(T)+ (T) = dim (V,F)
Demo. Suponer que (T)=r y que {v1,...vr} es una base

para el kernel; adems (T)=k y {w1,...wk} es una base
para la imagen de T.
Entonces hay que demostrar que B={v1,...,vr,u1,...,uk}
Sea un v que pertenece a (V,F). Como T(v)= 1w1+...+kwK

Al Vector v lo podemos escribir como
v= 1u1+...+kuK-v v= 1u1+...+kuK-v
T(v)=T(1u1+...+kuK-v)= 1T(u1)+...+kT(uk)-T(v)
= 1w1+...+kwK-T(v)=0 v est en el kernel de T
Como {v1,...vr} es una base de Kernel de T, existen escalares 1
,.., r tal que v= 1v1+ ... +rvr=1u1+...+kuK-v
Por tanto v= 1u1+...+kuK- 1v1- ... -rvr
y {u1,...,uk, v1,..., vr} genera (V,F)
Ahora hay que ver que sean L.I.
Sea un vector 1u1+...+ kuK+ 1v1+ ... + rvr=0

Entonces T(1u1+...+ kuK+ 1v1+ ... + rvr)=0
Como los vi estn en el kernel
0= 1w1+...+ kwK, como los wi son una base de la
magen, entonces son L.I. y la nica solucin es i=0
Entonces el vector se reescribe como
1v1+ ... + rvr=0 , como los vi son una base para el
kernel son L.I., entonces la nica solucin i=0 y los
vectores son L.I.
y por lo tanto es una base y la dimensin de (V,F) es
(T)+ (T) = dim (V,F)
Sean (V,F) y (W,G) dos espacios vectoriales y

T:(V,F)(W,G) , entonces existe una nica matriz A
(dim(v), dim(W)) tal que T(x)=Ax
A est la matriz de transformacin correspondiente a T.
Demo
sea B={e1,...,en} la base cannica en (V,F)
T(ei)=wi
Se puede formar la matriz A=[w1 wn]
entonces Aei=wi (T(ei)=wi)
En general T(x)=T(1e1+ ... +nen)= 1w1+ ... +nwn
Tambin Ax=A[1e1+ ... +nen]= 1w1+ ... +nwn =T(x)
Suponer que T(x)=Ax=Bx (A-B)x=0,

para x=ei (A-B)ei=0 que la i-sima columna de (A-B)
es cero, por lo que las matrices son iguales y A es nica.
Teorema Sea A la matriz de transformacin

correspondiente a T, entonces
i) Im T Im A, pero isomorfo
ii)(T)=(A)
iii)Ker TKer A, pero isomorfo
iv)(T)=(A)
Teorema. Sean (V,F), (W,G) dos espacios vectoriales de

dimensiones n y m respectivamente. Sea T(V,F)(W,G)
una transformacin lineal. Sean B1={v1,...,vn} y
B2={w1,...,wm} las bases de los espacios
respectivamente. Entonces existe una nica matriz A
(m,n) tal que:
[T(x)]B2la representacin de T(x) en B2
[T(x)]B2=A(xB1)
T(x)= 1w1+ ... +mwm [T(x)]B2=[1 ... m]T

xB1 es la representacin del vector en B1
La matriz A se conoce como la matriz de transformacin

correspondiente a T con respecto a las bases B1 y B2
Considere los vectores T(v1, ...,T(vn), escrbase

A=[[T(v1)]B2 ... [T(vn)]B2]
Como AviB1=Aei= [T(vi)]B2
y xB1 es la representacin del vector en B1, i.e. [1 ... n]T
entonces
A xB1=[[T(v1)]B2 ... [T(vn)]B2] xB1= 1[T(v1)]B2+...+[T(vn)]B2]n
Por otro lado
T(xB1)=T(1v1+...+nvn)= 1T(v1)+...+nT(vn)
Al poner cada uno de estos vectores en la representacin
de la base B2 se obtiene que:
A xB1= T(xB1)
La unicidad es similar al teorema anterior
Teorema.- Sea A (m,n) la matriz de transformacin

correspondiente a T:(V,F)(W,G) con respecto a las
bases B1={v1,...,vn} y B2={w1,...,wm} respectivamente.
Suponga que hay otras bases B1={v1,...,vn} y
B2={w1,...,wm} de los espacios respectivos.
Entonces la matriz A correspondiente a la misma
transformacin T con respecto a las bases B1 y B2 est
dada por:
A=P-1AQ
P es la matriz de transicin (de paso) de la base B2 en B2

Q es la matriz de transicin (de paso) de la base B1 en
B1
Demo.
Sabemos que [T(x)]B2=AxB1
Ahora,
xB1=QxB1 y [T(x)]B2=P[T(x)]B2
Por tanto
P[T(x)]B2=A QxB1
[T(x)]B2=P-1A QxB1
A=P-1AQ es la matriz de transformacin
En especial, si (V,F) y (W,G) son los mismos, entonces

A=P-1AP
Definicin. Se dice que dos matrices cuadradas A y B son
similares si existe una matriz P no singular (determinante
diferente de cero) tal que
B=P-1AP
Transformaciones T
Inyectiva Kernel T = {0}

Sobre
Teorema. T:VW una transformacin lineal y dim v=n y

dim w=m
i) si n>m, T no es inyectiva
ii) si m>n T no es sobre
Demo. Tarea.
Definicin. Una T.L es un Isomorfismos ssi es inyectiva y sobre.

La matriz de un isomorfismo es invertible.
Definicin. Se dice que (V,F) y (W,G) son isomorfos ssi existe un
isomorfismo entre ambos
Teorema. Sean (V,F) y (W,G) dos espacios vectoriales de
dimensin finita. Entonces (V,F) y (W,G) son isomorfos si dim
(V,F)=dim (W,G)
Demo. Obtener bases para cada uno. Entonces quedan
representados en (Rn,R). Como son bases en el mismo espacio,
existe una matriz de cambio de base A. por teoremas anteriores
existe una T.L. asociada a A que es un isomorfismo.
Si existe el isomorfismo entre las representaciones, lo existe
entre los espacios.
Corolario. Cualquier espacio de dimensin n es isomorfo a (Rn,R)

Teorema. Si T:(V,F)(W,G) es un isomorfismo
i) Si {v1,...vn} genera (V,F), entonces {T(v1),...,T(vn)} genera

(W,G)
ii) Si {v1,...vn} son L.I., entonces {T(v1),...,T(vn)} son L.I.
iii) si {v1,...vn} es una base, entonces {T(v1),...,T(vn)} es una
base.
Demo.
i) v=1v1+ ... +nvn T(v)=w=1T(v1)+ ... +nT(vn) {T(v1),...,T(vn)}

genera (W,G)
iii) Suponga que 0=T(v)=w=1T(v1)+ ... +nT(vn) , entonces T(1v1+ ...
iii) se sigue de anteriores.
+nvn)=0, como T es isomorfismo T(0)=0 es el nico. Entonces 1v1+ ...

+nvn=0, pero como son L.I. i=0 y por tanto {T(v1),...,T(vn)} son L.I.
Prop. Si T:(V,F)(W,G) es un isomorfismo, entonces para todo
vector wW existe un nico vector v V tal que
T-1(w)=v, donde T-1:(W,G)(V,F) es conocida como la
transformacin inversa de T.
Demo. 2 partes T-1 es T.L. y T-1(w)=v nico
T(v1)=w1; T-1(w1)=v1; T(v2)=w2 T-1(w2)=v2
T(v1+v2)=T(v1)+T(v2)=w1+w2 T-1(w1+w2)=v1+v2
T(v1)= T(v1)= w1 T-1(w1)= v1
Como T es isomorfiso, la definicin de T-1 hace que exista un
nico valor de regreso.
Nota. T es T.L. A es su operador
T-1 es la inversa de T, entonces A-1 es el operador de T-1
Operaciones con transformaciones lineales

Sean (V,F) y (W,F) dos espacios vectoriales sobre el
mismo campo F. Hom(V,W) es el conjutno de todas las
transformaciones lineales entre (V,F) y (W,F).
Sean T1 y T2 dos T.L. entre (V,F) y (W,F)
Se define la suma T1+T2 como
T1+T2:VW (T1+T2)(v)=T1(v)+T2(v)
para todo F, T1 es
(T1)(v)=T1(v)
El conjunto Hom(V,W) definido anteriormente es un

espacio vectorial sobre el campo F.
Demo. Tarea.
Algebra de Transformaciones
lineales
Definicin. Un lgebra A sobre un campo F es un espacio

vectorial sobre F en el que se tiene definida una operacin
producto que satisface para todos los elementos T1, T2,
T3 A y F:
T1(T2+T3)=T1T2+T1T3
(T2+T3)T1=T2T1+T3T1
(T1T2)=(T1)T2=T1(T2)
Si adems se cumple que
(T1T2)T3=T1(T2T3)
entonces A es un lgebra asociativa
Algebra de Transformaciones
lineales
Definicin. Sean V, U y W espacios vectoriales sobre el mismo

campo F. Sean T1:VU y T2:UW dos transformaciones
lineales.
Se define la composicin de T2 seguida de T1 T2T1 como la
funcin de V a W (T2T1) :VW tal que (T2T1)(v)=T2(T1(v))
Proposicin. Si T1 y T2 son TL, entonces T2T1 tambin lo es.
Demo. Sean u,v V y , F, entonces
(T2T1)(v+u)=T2(T1(v+u))=T2(T1(v)+T1(u))
= (T2T1)(v)+ (T2T1)(u)
(T2T1) es T.L.
Puede verse que Hom(V,V) con la composicin es un lgebra
asociativa.
Adicional de Transformaciones
lineales
Sean A, B dos matrices de qxn y nxp con coeficientes en

el mismo campo.
Entonces (A)+(B)-n (AB) min((A), (B))
Demo
(A)
(B)
R(B)
d
n
n(B)
n(A)
R(A)
R(AB)
Adicional de Transformaciones
lineales
De la figura (AB)min((A), (B)).

Tambin (AB)= (B)-d (la interseccin de R(B) y n(A).
La dimensin de n(A)=n- (A) d n+ (A)
y se sigue que (AB) (A)-n+ (B)
Si B es no singular
(A)+(B)-n = (A) (AB) min((A),n) = (A)
(A)
(B)
R(B)
d
n
n(B)
n(A)
R(A)
R(AB)
4. Valores y vectores propios
Valores y vectores propios
Definicin y propiedades
Teorema de Cayley-Hamilton
Diagonalizacin de matrices
Definicin. Sea V un espacio vectorial y

T:VV una transformacin lineal del
espacio en s mismo. Sea vV un vector
diferente de cero pa el cual existe un
escalar tal que T(v)=v,
entonces se dice que es un valor propio
de T y que v es un vector propio de T
asociado a .
Cuando V es un espacio de dimensin finita, la

transformacin T la podemos representar como
una matriz A de n,n. Entonces podemos redefir
los valores y vectores propios de la siguiente
forma.
Definicin. Sea A una matriz de n,n. El escalar
se denomina valor propio de A si existe un
vector x diferente del nulo, tal que Ax= x
nuevamente x es el vector propio asociado a .
Teorema. Sea A una matriz de n,n. Entonces

es un valor propio de A ssi det(I-A)=0
Demo.
Slo si. Suponga que es un valor propio de A;
entonces existe un vector x diferente de cero tal
que Ax= x
(I-A)x=0, como x diferente de cero (I-A)
es singular det(I-A)=0
(si). Si det( I-A)=0 ( I-A) es singular
( I-A)x=0 tiene soluciones diferentes de

cero, entonces existe x diferente de cero
tal que Ax= x.
Definicin. La ecuacin det(I-A)=0 se conoce

como ecuacin caracterstica de A, y el
polinomio p()=det(I-A)
Observe que p()=(det(I-A)=a0+a1+...+an
por el teorema fundamental del lgebra,
cualquier polinomio de grado n tiene n races
(contando multiplicidades).
p()=(det(I-A)=a0+a1+...+an=
(- 1)r1...(- m)rm
Los nmero ri son la multiplicidad algebraica de
los valores propios de ,..., .
Teorema. Sea un valor propio de A y

E={x|Ax= x}. Entonces E es un
subespacio vectorial de Cn
Ntese que E son las soluciones de (IA)x=0, es decir el kernel de un operador
lineal es un subespacio vectorial.
Definicin. Sean un valor propio de A.

Entonces E se denomina espacio propio de A
correspondiente a .
Definicin. Sea E el espacio propio de A debido
a . A la dimensin de E se le conoce como
multiplicidad geomtrica de .
Multiplicidad geomtrica de =dim E=dim{Ker
(I-A)}
Ejemplos y procedimientos de clculo.

4
-2
-1
-1
-4
-1
Teorema. Sea un valor propio de A.

Entonces se cumple que la multiplicidad
geomtrica de multiplicidad algebraica
de
Teorema. Sean 1, 2, ..., m valores propios

diferentes de A (n,n), donde mn y sean x1,
x2,..., xm sus vectores propios correspondientes.
Entonces x1, x2, ..., xm son linealmente
independientes.
Demostracin.
Suponga que {x1,...,xm} son L.D. y que xs es el
primer vector L.D. de los previos
xs=1x1+2x2+...+s-1xs-1
Multiplicando por A
Axs= 1Ax1+2Ax2+...+s-1Axs-1
sxs= 1 1 x1+2 2 x2+...+s-1 s-1 xs-1

Restando ecuaciones y multiplicando por s se
tiene
0=1(1-s)x1+2 (2-s) x2+...+s-1 (s-1-s)xs-1
Como xs es el primer vector L.D. entonces
1(1-s)=2 (2-s)=...=s-1 (s-1-s)=0
como is i=0 xs=0, lo cual contradice
la suposicin las vectores son L.I.
Teorema. La matriz A (n,n) tiene n

vectores propios L.I. ssi la multiplicidad
geomtrica de cada valor propio es igual
a su multiplicidad algebraica.
Tarea (Grossman, pag 545)
Definicin. Sea F(x)=a0+a1x+a2x2+...+anxn un

polinomio y A una matriz cuadrada
Se define el polinomio f(x) en la matriz A como:
F(A)=a0I+a1A+a2A2+...+anAn
Sy f(A) es igual a la matriz cero, entonces se dice
que A es raz (o cero) del polinomio f(x).
Sea F() (n,n) una matriz polinomial en la variable
, i.e.
F()=F0+F1+...+Fmm= F()=F0+F1+...+mFm
donde F0, F1,...,Fm son matrices cuadradas reales.
Se dice que F() es de orden n; y si Fm0,

entonces F() es de grado m. Adems F() se dice
regular si det(Fm)0
Definicion. Sean F() y G() matrices polinomiales
de orden n., y G() es regular. Las matrices
polinomiales Q() y R() se conocen como
cociente derecho y residuo derecho
respectivamente de F() dicidida por G() si
F()= Q() G() + R()
y si el grado de R() es menor que el grado de
G() [R() puede ser cero]
De manera similar se pueden definir el

cociente izquierdo y residuo izquierdo
Sea A (n,n) y denota F(A) la evaluacin por
la derecha de A en la matriz polinomial F()
, esto es, si
F()=F0+F1+...+Fmm=
F()= F0+F1A+...+FmAm
Teorema. Si la matriz polimial F() es dividida por

la derecha por la matriz (I-A) entonces el residuo
es F(A), y si es dividida por la izquierda por (I-A)
entonces el resiudo es F(A) (por la izquierdA).
Demostracin. Tarea.
(teorema generalizado de Bezout, Grantmatcher,
pag 81)
Corolario. La matriz polinomial F() es divisible por

la derecha por la matriz (I-A) sin residuo
(R()=0) ssi F(A)=0
(De manera similar se puede hacer por la
izquierda)
Teorema (Cayley-Hamilton). Toda matriz A (n,n) es
raz de su polinomio caracterstico.
Demostracin. P()=det(I-A)=a0+a1+...+n
Hay que mostrar que P(A)=0
de teoremas previos
(I-A)adj(I-A)=det(I-A)I=[adj(I-A)](I-A)
Lo cual puede verse como
P()=(I-A)Q()=Q()(I-A)
donde Q()=adj(I-A) es una matriz polinomial en
y
P()=det(I-A)I=a0I+a1I+...+nI
como P() es divisible por la derecha y por la
izquierda por (I-A) sin residuos, entonces
P(A)=a0I+a1AI+...+AnI
Definicin. Se dice que el polinomio F() es

un polinomio aniquilador de la matriz A
(n,n) si F(A)=0
(p.e. el polinomio caracterstico de A)
Definicin. Al polinomio aniquilador mnico
Q() de A de menor grado se le conoce
como polinomio mnimo de A.
Definicin. Se dice que A (n,n) es

diagonalizable (bajo similaridad) si existe
una matriz no singular P tal que P-1AP es
diagonal
Teorema. La matriz A (n,n) es diagonalizable ssi

tiene n vectores propios linealmente
independientes
Si 1, 2, ..., n son los valores propios de A y los
vectores propios x1, x2, ..., xn correspondientes a
estos valores propios son linealmente
independientes, entonces P-1AP=diag{1, 2, ...,
n}, donde P=[x1 x2 ... Xn]
Demostracin.
(si) Suponga que A tiene n vectores propios L.I. x1
x2 ... xn correspondientes a los valores propios 1,
2, ..., n (algunos pueden ser repetidos).
Sea P la matriz [x1 x2 ... xn], entonces
AP= [Ax1 Ax2 ... Axn]= [1x1 2x2 ... nxn]
= [x1 x2 ... xn]diag{1, 2, ..., n}
=Pdiag{1, 2, ..., n}
Como P es no singular tiene inversa
P-1AP=diag{1, 2, ..., n}
Demostracin.
(slo si) Suponga que existe una matriz no
singular P tal que
P-1AP=diag{1, 2, ..., n}
AP=Pdiag{1, 2, ..., n}
Para cada xi de P se tiene que:
Axi= ix
xi es vector propio de A i es valor propio de A
P es no singular A tiene n vectores propios L.I.
Corolario. La matriz A (n,n) es

diagonalizable ssi la multiplicidad
geomtrica de cada valor propio es igual a
su multiplicidad algebraica. En particular A
es diagonalizable si todos sus valores
propios son distintos
Teorema. Si A y B son similares, entonces

tienen el mismo polinomio caracterstico, y
por consiguiente los mismos valores
propios.
Demo. det(I-B)=det(I-P-1AP)=det(P-1PP-1AP)=det(P-1(I-A)P)=det(P-1)det(IA)det(P)=det(I-A)
Teorema. Si A y B son similares, i.e. existe

una matriz no singular tal que B=P-1AP.
Entonces:
i) Bk=P-1AkP
ii)Si f(x)=a0+a1x+...+anxn es un polinomio
cualquiera, entonces f(B)=P-1f(A)P
Demo
Bk=(P-1AP)k= =(P-1AP)(P-1AP)...(P-1AP)=
P-1AkP
ii)Si f(B)=a0I+a1(P-1AP)+...+an(P-1AnP)=
=P-1(a0+a1A+...+anAn)P=P-1f(A)P
1
Tiene dos propio valores 1=1, 2=2 con

multiplicidades algebraicas 2 y 1 y
geomtricas 1 y 1 respectivamente no es
posible diagonalizar A, pero es posible
encontrar una bse donde A sea casi
diagonal?
Definicin.- Un vector v es llamado un vector

propio generalizado de rango k de A
asociado con iff
(A- I)kv=0
(A- I)k-1v0
Note que si k=1 coincide con vector propio
Definicin.vk=v vector propio generalizado

vk-1=(A-I)v=(A-I)vk
vk-2=(A-I)2v=(A-I)vk-1
...
v1=(A-I)k-1v=(A-I)v2
...
vk-2=(A-I)2v=(A-I)vk-1
...
Entonces para 1ik vi es un vector propio
generalizado de rango i, por ejemplo
(A-I)k-2vk-2=(A-I)k-2(A-I)2v=(A-I)kv=0
(A- I)k-1vk-2=(A-I)k-1v0
Definicin.- Lleamaremos a los vectores {v1,

v2,...,vk} una cadena de vectores propios
generalizados si vk es un vector propio
generalizado que dio origen a todos los
dems vectores
Teorema. El conjunto de vectores propios

generalizados v1, v2, ..., vk definidos anteriormente
es L.I.
Demostracin.Suponer que v1, v2, ..., vk son L.D., entonces existen
soluciones diferentes de la trivial a:
1v1+2v2+...+kvk=0
Multiplicando por (A-I)k-1 y observando que

vi=vk-(k-i)=(A-I)k-iv por definicin
entonces
(A-I)k-1vi=(A-I)2k-(i+1)v=0
para i=1,2,...,k-1
k(A-I)k-1vk=0
y sabiendo de la def. de vector propio generalizado
que (A-I)k-1vk0, k=0
Aplicando ahora (A-I)k-2 se demuestra que k-1=0
Siguiendo esto se tiene que i=0, lo que contradice
la suposicin. son L.I.
Teorema: Los vectores propios generalizados de A

asociados con diferentes propio valores son L.I.
Demostracin.
Sea v vector propio generalizado 1
vi=(A-1I)vi+1=(A-1I)k-iv
Sea u vector propio generalizado 2
ui=(A-2I)ui+1=(A-2I)l-iu
Del teorema anterior los vi son L.I. y los ui son L.I,
falta ver que {ui}, {vi} son L.I.
Suponer que vi es L.D. en {u1,...,ul}

vi=1u1+2u2+...+lul
Aplicando (A-1I)i
0= (A-1I)i [1u1+2u2+...+lul ]
Ahora aplicando (A-2I)l-1 y observando que
(A-2I)l-1 (A-1I)i = (A-1I)i (A-2I)l-1
y el hecho de que (A-2I)l-1 uj=0, j=1,2,..., l-1
0=l(A-1I)i(A-2I)l-1ul=l(A-1I)iu1
Como (A-2I)u1=0 o Au1=2u1, la ecuacin anterior
se reduce a
l(2-1)iu1=0
se reduce a
l(2-1)iu1=0
lo cual implica que l=0.
Un procedimiento similar llega a la conclusin
de que todos los i=0, lo que contradice la
suposicin y los vectores son L.I.
Teorema. Sean u y v propio vectores de

rango o y l respectivamente, asociados con el
mismo valor propio .
vi=(A-I)vi+1=(A-1I)k-iv
ui=(A-I)ui+1=(A-2I)l-iu
Si u1 y v1 son L.I. las cadenas son L.I.
El tratar de construir la forma casi diagonal (diagonal

por bloques o forma de Jordan) se convierte en un
proceso iterativo.
1.- se calculan propio valores y propio vectores de la
forma tradicional.
2.- Si la multiplicidad algebraica es mayor que la
geomtrica tratar de encontrar una cadena lo
suficientemente larga de vectores generalizados para
construir los vectores L.I. independientes faltantes,
de lo contrario construir cadenas ms pequeas
hasta completarlos
Matrices unitarias
Si P es no singular B=P-1AP transformacin de

similaridad
Sirven para cambio de bases
Ms conveniente si las bases son ortogonales y
ortonormales
Si {x1,...,xp} es un conjunto ortonormal xiTxi=1 y
xiTxj=0
Si hacemos que P=[x1,...,xp] PTP=I o PT=P-1
Matrices unitarias
Definicin. Una matriz P (de reales) para la cual

PT=P-1 tal que PTP=I, se dice ser unitaria.
Teorema.
a) P unitaria el conjunto de vectores columna es
ortonormal
b) P unitiaria |det(P)|=1
c) P unitaria <PX,Py>=<x,y>
d) P unitaria si valor propio de P ||=1
Demo. Clara
Matrices unitarias
Teorema.
Si B=P-1AP donde P es unitaria (se dice
transformacin de similaridad unitaria)
todo lo que se vi de propiedades de
similaridad sigue valiendo.
Matrices unitarias
Teorema.
Si A es una matriz de pxp.
a) A es similar unitaria a una matriz triangular
superior T; T=P-1AP con P unitaria y con los
propiovalores de A en su diagonal principal. T es
llamada la forma de Shur de A y la descomposicin
A=PTP-1= PTPT es la descomposicin Shur de A.
Demo.
Si p=1 ya terminamos.
Suponer que para p=k es cierto
Para p=k+1 tenemos.
Matrices unitarias
1 es el propio valor asociado a x1, podemos

normalizar este vector para que ||x1||2=1
Entonces x1 entra a la base que ya tenamos de
propiovectores ortonormalizados {w1,...,wk} si no es
otronormal a esta base, aplicamos Gram-Schmidt y
tenemos la nueva base {x1,w1,...,wk}
U= [x1,w1,...,wk]=[x1,W]
A=UTAU=[x1,W]TA[x1,W]=[x1,W]T[Ax1 AW]=
1
x1TAW
WTAW
bT
Matrices unitarias
Definicin. Una matriz A de pxp es normal si

ATA=AAT
Teorema. A normal D=PTAP, D es
diagonal, y P es unitaria.
Por tanto los propio vectores de A son p
linealmente independientes
Matrices unitarias
Veamos ahora el caso en que A=UVT, con U

y V unitarias de pxp y qxq, es pxq casi
cero, excepto en la diagonal que vale ii=i
que es un real no negativo.
2
As son
3
0
0
2
0
0
Matrices unitarias
Claramente se tendra AV=U Avi=iui para

1imin(p,q), dende los ui, vi son las columnas de U
y V respectivamente.
Adems
ATA= (UVT)T (UVT)=VTUTUVT=V(T)VT
donde T=D=VTATAV es diagonal de qxq
que los propio vectores de ATA sirven para
construir V y D tiene los valores propios D=T
Similarmente para el caso
AAT=U(T)UT en este caso D= T
Matrices unitarias
Definicin. A la descomposicin que hemos venido

manejando, A=UVT, se le conoce como
descomposicin en valores singulares de A.
Viendo lo que hicimos para la descomposicin de
Schur, podemos ver que la descomposicin en
valores singulares siempre existe.
Los valores singulares de A son los i, y el nmero
de valores no cero es el rango de A. Los ui son los
vetores singulares izquierdos y los vi los vectores
singulares derechos relacionados con i.
A=
1
2
2
1
2
2
ATA
propiovalores 18 y 0. 1=18(1/2) y 2=0

Un par de vectores propios de ATA normalizados son
v1=[1.71/2 1.71/2]T y v2=[1.71/2 -1.71/2]T
Entonces V=[V1 v2]
A=
1
2
2
1
2
2
AAT=
propiovalores 18 y 0. 1=18 y 2=0

Vectores propios de AAT normalizados son
u1=[1/3 2/3 2/3]T u2=[(-2)51/2/5 51/2/5 0]T
Entonces U=[u1 u2 u3]
u3 =[(2)51/2/15 (4)51/2/15
(-1)51/2/3 ]T
A=
1
2
2
1
2
2
AAT=
3(2)1/2
Mnimos cuadrados
Suponer que A=UVT, es la descomposicin en valores

singulares, donde A es de rango k. El problema es minimizar
||Ax-b||2 con respecto a x.
||Ax-b||2=||UVTx-b||2=||y-UTb||2
y=VTx ||Ax-b||2 es mnimo cra x ssi ||y-UTb||2 es mnimo
cra y.
||y-b||22=|1y1-b1|2+...+|kyk-bk|2+|bk+1|2+...+|bp|2
b=UTb
Es minimizado si yi=bi/i
Mnimos cuadrados
Entonces para ||Ax-b||2 con respecto a x.

Encontrar A=UVT
Calcular b=UTb
Calcular yi=bi/i para 1ik, yi=0 otro caso
x0=Vy
y=VTx ||Ax-b||2 es mnimo cra x ssi ||y-UTb||2 es mnimo
cra y.
||y-b||22=|1y1-b1|2+...+|kyk-bk|2+|bk+1|2+...+|bp|2
b=UTb
Es minimizado si yi=bi/i

Transformaciones Lineales

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transformaciones Lineales

Cargado por

Copyright:

Formatos disponibles

Algebra lineal

Sistemas de ecuaciones lineales

Todo sobre homomorfismos

4.1 Espacios vectoriales

Espacios vectoriales con producto interno

Valores propios y vectores propios

Descomposicin en valores singulares

Matrices definidas positivas

B. Noble, J.W. Daniel, Applied linear algebra, Prentice

S. Grossman, Linear algebra, McGraw Hill.

F.R. Gantmacher, Matrix Theory, Chelsea Publishing Co.

G. Strang, Linear algebra and its applications, Harcourt

S. Lipschutz, Algebra lineal, McGraw Hill.

Uso indiscriminado del lgebra lineal en

Matrices por bloques

Matrices por bloques

Ya sabemos operar con matrices

2.1 Algoritmo de Gauss

Sistema de ecuaciones lineales

Sistema de ecuaciones lineales

Sistema de ecuaciones lineales

Cada ecuacin es la ecuacin de una recta. Si todas las rectas se

Inversa de una matriz

Si se tiene la inversa ...

Inversa de una matriz

Teorema. Si B Y C son invesras de A, entonces B=C

Inversa de una matriz

Inversa de una matriz

Teorema. Si A es una matriz cuadrada, entonces las siguientes

Inversa de una matriz

Ya resolvemos sistemas de ecuaciones y

Conjunto n={1,2,...,n}, el conjunto de las

(1) (2) (3) (4)

Todos permanecen iguales, excepto dos que se intercambiaron

(1)=4, (4)=1 -- (2)=6, (6)=5, (5)=3, (3)=2

ejemplo (4 5 3 2 1)=(2 1)(3 1)(5 1)(4 1)

No es nica, pero todas las representaciones son pares o

Definicin. El signo de una permutacin es (+) 1 si es par (-1) si

Las permutaciones de arriba son pares, las de abajo impares.

Entendemos lo que es el determinante

Elementos de lgebra abstracta

Todo sobre homomorfismos

Los naturales con +, *?

Dos grupos (S1,+), (S2,*)

El kernel es una medida de la

Suponer que H(x)=H(y)

Sean a,b Im(H).

a+b=H(x)+H(y)=H(x+y) a+b tambin

Sean a,b Ker(H).

Si G=(S,+) es un grupo, entonces

El conjunto de todos los coconjuntos de

Lo primero que hay que notar es que se

a~a a est en aH,

Si a~b entonces b~a

a-1+b est en H y e est en H y a est en aH

Si a~b y b~c entonces a~c a est en

a-1b, b-1cH a-1c H

Como vemos, la relacin anterior

si b aH existe x H, tal que ax=b aH

Sea x X. Como X = L, x S para algn S L.

Si S T yS zT pero L es disjunta por

TEOREMA. Sea R una relacin de equivalencia sobre

Sea a X; como aRa a [a]; entonces X = L

En el grupo G/H el elemento [e] funciona