Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Indice general
Prlogo
o
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
Prlogo
o
El objetivo principal de este trabajo es el de proporcionar un mdulo guia,
o
a partir del cual los estudiantes de Ingenier de Sistemas de la Universidad
a
Mayo 22 de 2006.
iv
INDICE GENERAL
Cap
tulo 1
Sistemas de ecuaciones lineales
(S.E.L)
El propsito de este cap
o
tulo es dar al lector informacin bsica acerca de los
o a
sistemas de ecuaciones lineales y ensearle el mtodo habitual para resolvern
e
los.
1.1.
a
u
n
ros reales. Los elementos de R son llamados escalares. R representar al
a
conjunto
a1
.
. : ai R para todo i = 1, ..., n .
n
El elemento
a1
.
.
.
an
1
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
bn
de Rn se dene 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
o
u
a
tiene a como una solucin. An ms, todo elemento de R4 de la forma
2
5
w
3t + 4s 3w + 1
Denicin. Un sistema de ecuaciones lineales con m ecuaciones y n
o
incgnitas, es una expresin de la forma
o
o
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
coecientes y los bj trminos independientes. Una solucin de (1.2)
o
e
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 solucin de cada ecuacin del sistema. El sistema (1.2) es
o
o
homogneo si b1 = = bm = 0.
e
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
1.2. SOLUCION DE S.E.L
E1
1.2.
E2
2x2 + x3 = 0
Solucin de S.E.L
o
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (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 solucin del sistema es
,
o
1/7
1 .
2/7
1.2. SOLUCION DE S.E.L
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
+
+
+
+
+
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 1 E2
4
E2
E3
E4
E5
+ 2x2
+ 0x2
+ 2x2
+ x2
x2
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
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
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 solucin del sistema es
o
1.2. SOLUCION DE S.E.L
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
0
: x2 , x 4 , x 6 R .
+
+ x6
+ x4
=
x2
0 0
1 2
0
0
0
1
0
0
Para hallar una solucin particular del sistema tenemos que dar valores eso
pec
cos 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
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
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
4x1
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 solucin unica de este tipo de sistemas.
o
6. Considere el sistema
2x1 x2 + 3x3 = a
3x1 + x2 5x3 = b .
12
CAP
ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
7. Considere el sistema
2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
Cap
tulo 2
Matrices
El objetivo de este cap
tulo es el de estudiar las propiedades bsicas de las
a
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 la i de A es
Ai = [ai1 ain ]
y la columna j de A es
a1j
.
Aj = . .
.
amj
13
CAP
ITULO 2. MATRICES
14
La componente i,j de A es el elemento de R que se encuentra en la interseccin de la la i con la columna j de A. La componente i,j de A se
o
denotar por aij o por Aij . El tama o de A es m n y el conjunto de
a
n
todas las matrices m n con componentes en R se denotar por Rmn . La
a
mn
expresin (2.1) se puede compactar como A = [aij ] R
o
. Si A Rnn ,
se dice que A es una matriz cuadrada de orden n.
Ejemplo. Una matriz general 2 4 es
A=
Ejemplo. Si
1 1
2
0
5
6
A=
3
4 2
5 5
8
1
5
A2 =
4 .
5
= 6, la
Denicin. Dos matrices A, B Rmn son iguales si Aij = Bij para toda
o
i = 1, ..., m y j = 1, ..., n.
2.2.
Suma de matrices
15
1 4
1 3
2 1
0
4 + 5 4 = 5
8 .
2
3
1 6
3
9
4. Para cada matriz A Rmn existe una unica matriz A Rmn tal que
A + (A) = 0.
Demostracin. Ejercicio.
o
2.3.
0
3 2
0
9 6
5 6 = 3/2 15 18 .
3 1/2
6 3 8
18 9 24
CAP
ITULO 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.
Demostracin. Ejercicio.
o
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
a1j
.
Ai Bj = [ai1 ain ] . = ai1 a1j + + ain anj R.
.
anj
Ejemplo. Si
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
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
Ntese que para que el producto AB tenga sentido se requiere que el nmero
o
u
de columnas de A sea igual al nmero de las de B. En el evento en que esta
u
condicin no se de, el producto de A por B no se puede realizar.
o
CAP
ITULO 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 demostracin y ejemplicacin de estas propiedades se deja como ejercicio.
o
o
Teorema 2.3. Sean A Rmn y B, C Rnp . Entonces
A(B + C) = AB + AC.
19
Demostracin.
o
(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.
Demostracin. Ejercicio.
o
Teorema 2.5. Sean A Rmn , B Rnp y C Rpq . Entonces
A(BC) = (AB)C.
Demostracin.
o
(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 .
Denicin. La matriz In de Rnn tal que
o
1 si i = j
0 si i = j
(In )ij =
a
representar a la columna i de In .
Teorema 2.6. Sea A Rmn . Entonces
AIn = A
Demostracin. Ejercicio.
o
Im A = A.
CAP
ITULO 2. MATRICES
20
(Im )i A = Ai .
Demostracin. Ejercicio.
o
Para una matriz A Rnn se denen 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
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
CAP
ITULO 2. MATRICES
22
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.
Demostracin. Ejercicio.
o
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.
1 2
A = 3 5 R32 , entonces AT =
7 9
1 3 7
2 5 9
R23 .
2.5.2.
CAP
ITULO 2. MATRICES
24
2.6.
2.6.1.
Permutaciones
1
2
(1) (2)
n
(n)
25
(1) (2)
(n)
2.6.2.
(2.2)
CAP
ITULO 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 la o una columna nula.
Entonces det(A) = 0.
Demostracin. Ejercicio.
o
Denicin. Una matriz T = [tij ] Rmn es triangular superior si tij = 0
o
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 algunas veces por el s
a
mbolo
diag(d11 , ..., dtt ), donde t es el m
nimo entre m y n.
Ntese que si A = [aij ] Rnn y Sn , entonces en la lista a1(1) , ...,
o
an(n) hay exactamente un elemento de cada la y cada columna de A. Este
hecho implica que el determinante de una matriz triangular n n sea fcil
a
de calcular.
27
det(T) =
Tii .
i=1
Demostracin. Ejercicio.
o
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 ).
Demostracin. Ejercicio.
o
A continuacin dedicaremos un espacio a estudiar la relacin existente entre
o
o
el determinante de una matriz y las operaciones elementales de la.
Teorema 2.15. Sean A, B Rnn tales que A Fi Fj B. Entonces
det(A) = det(B).
Demostracin. Ejercicio.
o
Teorema 2.16. Sean A, B Rnn tales que A Fi cFi B para cierto
c R. Entonces
det(B) = c det(A).
CAP
ITULO 2. MATRICES
28
Demostracin. Ejercicio.
o
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).
Demostracin. Ejercicio.
o
Veamos otras propiedades importantes del determinante.
Teorema 2.18. Sea A Rnn tal que su la i es igual a su la j. Entonces
det(A) = 0.
Demostracin. Ejercicio.
o
Teorema 2.19. Sean A, B Rnn . Entonces
det(AB) = det(A) det(B).
Demostracin. Ejercicio.
o
Una combinacin de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitir calo
a
cular el determinante de cualquier matriz de una manera bastante sencilla.
En el siguiente ejemplo damos una pequea muestra de este hecho.
n
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
1
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 continuacin nos muestra la linealidad del
o
determinante respecto a las las de matrices.
Teorema 2.19. Sean A Rnn y x1 , x2 , ..., xk Rn tales que
Ai = xT + xT + + xT .
1
2
k
Entonces
A1
A1
.
.
.
.
.
.
T
T
det(A) = det( x1 ) + det( x2
.
.
.
.
.
.
An
An
A1
.
.
T
) + + det( xk ).
.
.
An
Demostracin. Ejercicio.
o
Ntese que si A = [aij ] Rnn tenemos
o
Ai = ai1 eT + ai2 eT + + ain eT .
1
2
n
Entonces, por Teorema 2.19,
A1
A1
.
.
.
.
.
.
T
T
det(A) = ai1 det( e1 ) + ai1 det( e2
.
.
.
.
.
.
An
An
) + + ain
A1
.
.
.
T
det( en ).
.
.
.
An
CAP
ITULO 2. MATRICES
30
Si A Rnn , el s
mbolo A(i/j) representar la matriz n 1 n 1 que se
a
obtiene al eliminar de A la la i y la columna j.
El teorema que presentamos a continuacin nos proporciona 2n frmulas para
o
o
calcular el determinante de una matriz n n.
Teorema 2.20. Sea A = [aij ] Rnn . Entonces para i = 1, ..., n y j =
1, ..., n
det(A) = ai1 (1)i+1 det(A(i/1)) + + ain (1)i+n det(A(i/n)).
y
det(A) = a1j (1)1+j det(A(1/j)) + + anj (1)n+j det(A(n/j)).
Demostracin. Ejercicio.
o
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
CAP
ITULO 2. MATRICES
32
Demostracin. Ejercicio.
o
Teorema 2.27. Toda matriz elemental es invertible. An ms, la inversa
u
a
de una matriz elemental es una matriz elemental del mismo tipo. Es decir,
si E es una matriz elemental de la de tipo 1, entonces E1 es una matriz
elemental de la de tipo 1, etc.
Demostracin. Ejercicio.
o
Teorema 2.28. Sea A Rnn tal que A tiene una columna nula. Entonces
A no es invertible.
Demostracin. Ejercicio.
o
Teorema 2.29. Sea A Rnn una matriz invertible. Entonces A se puede
expresar como producto de matrices elementales la.
Demostracin. Ejercicio.
o
Teorema 2.30. Sea A Rnn una matriz no invertible. Entonces A se
puede expresar como producto de matrices elementales la por una matriz
triangular.
33
Demostracin. Ejercicio.
o
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
1 1 0 , E2 = 0 1 0 , E3 = 0 2
E1 =
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
E1 E1 A = In
1
p
A1 = E1 E1
1
p
A = E1 Ep
A1 = E1 E1 In
1
p
CAP
ITULO 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
1
= 2 1 0 .
2
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
o
o
Demostracin. Ejercicio.
o
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
CAP
ITULO 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
verique 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 la 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 .
CAP
ITULO 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 slo si, AT es ortoo
gonal.
Cap
tulo 3
Espacios vectoriales
En este cap
tulo se denirn y analizarn los espacios vectoriales y algunos
a
a
de los principales objetos matemticos relacionados con estos.
a
3.1.
Espacios vectoriales
x para todo x V .
(d) Para cada x V , existe un unico vector x V , tal que x + (x) = 0.
41
n
Rn Rn
R
x1
y1
x1 + y 1
. .
.
.
( . , . )
.
.
.
xn
yn
xn + y n
y
:
R Rn Rn
x1
cx1
.
.
(c, . ) .
.
.
xn
cxn
CAP
ITULO 3. ESPACIOS VECTORIALES
42
V
f + g
y
: RV
(c, f )
V
,
cf
es un espacio vectorial.
3.2.
Subespacios
3.2. SUBESPACIOS
43
CAP
ITULO 3. ESPACIOS VECTORIALES
44
3.3.
Independencia lineal
o
escalares ai en la ecuacin homognea
o
e
a1 x1 + + ar xr = 0
es la solucin trivial a1 = = ar = 0. Si S no es linealmente independiente
o
se dir linealmente dependiente.
a
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 vac de S es
o
tambin linealmente independiente.
e
Demostracin. Ejercicio.
o
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 tambin
e
linealmente dependiente.
Demostracin. Ejercicio.
o
3.4. BASES Y DIMENSION
45
o
vactores de S.
Demostracin. Ejercicio.
o
Teorema 3.9. Sea S = {x1 , ..., xr } un subconjunto de un espacio vectorial
o
u
R V . Entonces S es linealmente dependiente si, y slo si, algn vector de S
es combinacin lineal del resto de vectores de S.
o
Demostracin. Ejercicio.
o
3.4.
Bases y dimensin
o
3.4.1.
Bases y dimensin
o
R V.
46
CAP
ITULO 3. ESPACIOS VECTORIALES
Demostracin. Ejercicio.
o
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.
Demostracin. Ejercicio.
o
Deniciones. Un espacio vectorial R V se dice de dimensin nita si tiene
o
una base constituida por un nmero nito de vectores. La dimensin de
u
o
V , denotada por dim(V ), es el nmero de vectores de una base de V . La
u
dimensin del espacio vectorial {0}, se dene como cero. Un espacio vectorial
o
que no tiene una base nita se dice que es de dimensin innita.
o
Teorema 3.13. Sea R V un espacio vectorial con dim(V ) = n. Entonces:
1. Cualquier conjunto linealmente independiente en V tiene a lo ms n veca
tores.
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 .
Demostracin. Ejercicio.
o
Teorema 3.14. Sean R V un espacio vectorian de dimensin n y W un
o
subespacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y
3.4. BASES Y DIMENSION
47
slo si, W = V .
o
Demostracin. Ejercicio.
o
3.4.2.
Vectores de coordenadas
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] .
Demostracin Ejercicio.
o
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 slo si, [y1 ] , ..., [yt ] es linealmente indepeno
n
diente en R .
Demostracin. Ejercicio.
o
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
CAP
ITULO 3. ESPACIOS VECTORIALES
48
P [x]1 = [x]2
x V .
P1 [x]2 = [x]1
x V .
Demostracin. Ejercicio.
o
Denicin. La matriz P en el Teorema 3.17 se conoce como la matriz de
o
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 .
Demostracin. Ejercicio.
o
3.5.
3.5.1.
49
3.5.2.
CAP
ITULO 3. ESPACIOS VECTORIALES
50
Ejemplo.
1 3 2 1
rk( 2 0 1 5 ) = 2.
1 1 1 2
Demostracin. Ejercicio.
o
Teorema 3.27. Sean A Rmn y P Rnn invertible. Entonces
rk(A) = rk(PA).
51
Demostracin. Ejercicio.
o
Teorema 3.28. Sean A Rmn y P Rmm invertible. Entonces
rk(A) = rk(AP).
Demostracin. Ejercicio.
o
Teorema 3.29. Sean A Rmn , P Rmm invertible y Q Rnn invertible. Entonces
rk(A) = rk(PAQ).
Demostracin. Ejercicio.
o
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
Demostracin. Supongamos que las columnas i1 , ..., ir de A forman un
o
conjunto linealmente independiente, entonces una matriz E Rnn que se
obtiene al reordenar las las de In de tal manera que tenga como primeras
las 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 . Ntese
o
que rk(B) = rk(L) = r.
CAP
ITULO 3. ESPACIOS VECTORIALES
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 est generado por los vectores
a
0
3
1
1
1 , 0 , 1 , 2 .
2
5
3
2
3. Determine cules de los vectores
a
3
1
1 0
15 , 1
6
0
estn en
a
1
1
,
1
0
2
1
1
3 1 8
,
,
.
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 cules de las siguientes matrices no pueden escribirse como
a
combinacin lineal de las dems.
o
a
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 slo si, las columnas
o
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 .
Cap
tulo 4
Transformaciones lineales
En este cap
tulo 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
54
55
56
CAP
ITULO 4. TRANSFORMACIONES LINEALES
Demostracin. Ejercicio.
o
Teorema 4.4. Sean V un espacio vectorial de dimensin nita sobre R, W
o
un espacio vectorial sobre R, {x1 , ..., xn } una base de V y y1 , ..., yn vectores
de W . Entonces existe una unica transformacin lineal T de V en W tal que
o
T (xi ) = yi para toda i.
Demostracin. Ejercicio.
o
Ejemplo. La unica transformacin lineal T de R3 en R2 tal que
o
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 transformacin lineal de V en W . Entonces T es inyectiva si, y slo si, el espacio nulo
o
o
de T es {0}.
Demostracin. Ejercicio.
o
Denicin. Sean V, W espacios vectoriales sobre R y T de V en W una
o
transformacin lineal. Entonces T es un isomorsmo si T es biyectiva. En
o
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 dimensin nita sobre R y
o
T un isomorsmo 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 .
Demostracin. Ejercicio.
o
Teorema 4.9. Todo espacio vectorial V sobre R de dimensin n es isomorfo
o
a Rn .
Demostracin. Ejercicio.
o
Teorema 4.10. Sean V un espacio vectorial de dimensin n sobre R, W un
o
espacio vectorial de dimensin m sobre R, = {x1 , ..., xn } una base ordenada
o
de V , una base ordenada de W y T una transformacin lineal de V en
o
W . Entonces
A = [T (x1 )] [T (xn )]
es la unica matriz de Rmn tal que
CAP
ITULO 4. TRANSFORMACIONES LINEALES
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 ] .
Demostracin. Ejercicio.
o
Teorema 4.12. Sea V un espacio vectorial de dimensin nita sobre R con
o
bases y y sea T : V V una transformacin lineal. Entonces
o
[T ] = P1 [T ] P,
donde P es la matriz de cambio de la base a la base .
Demostracin. Ejercicio.
o
CAP
ITULO 4. TRANSFORMACIONES LINEALES
60
4.2.
Ejercicios
1. Determine si
T : R3
R3
x
1+x+y
y 3x + 2z
z
5 2y z
es una transformacin lineal.
o
2. Halle una transformacin lineal de R4 a R3 que tenga como espacio nulo a
o
1
1
2 3
.
gen ,
0
1
4
2
3. Encuentre una transformacin lineal de R3 en R3 que tenga como imagen
o
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 isomorsmo de R22 en R4 y otro de R4 en R22 .
6. Sean R V un espacio vectorial de dimensin n y una base de R V . Deo
muestre que
T : V Rn
x [x]
4.2. EJERCICIOS
61
Cap
tulo 5
Ortogonalidad
El principal objetivo de este cap
tulo es el estudio de los espacios vectoriales
reales en los que tiene sentido hablar de longitud de un vector y ngulo entre
a
vectores. Se har esto mediante el estudio de ciertas funciones conocidas como
a
productos interiores.
5.1.
62
63
x1
y1
.
.
x = . , y = . en Rn
.
.
yn
xn
como
x, y
= x1 y1 + + xn yn .
5.2.
Espacios normados
CAP
ITULO 5. ORTOGONALIDAD
64
3. x + y x + y .
Denicin. Un espacio normado es un espacio vectorial sobre R junto
o
con una norma denida en ese espacio.
Ejemplo. Si para cada x = [xi ] Rn denimos
x
Entonces
= x2 + + x2
1
n
1
2
xT x.
es una norma en 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 .
Demostracin. Ejercicio.
o
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 .
Demostracin. Ejercicio.
o
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 , .
Demostracin. Ejercicio.
o
CAP
ITULO 5. ORTOGONALIDAD
66
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
Demostracin. Ejercicio.
o
Teorema 5.5. Sean U Rnn ortogonal y u una columna de U. Entonces
u
= 1.
Demostracin.
o
UT U = In = uT u = 1
=
2
2
= 1 =
u, u
u
=1
= 1.
= x 2.
Demostracin.
o
Ux
Luego Ux
5.3.
2
2
= Ux , Ux
= (Ux)T Ux = xT UT Ux = xT x = x
2
2
= x 2.
Vectores ortogonales
CAP
ITULO 5. ORTOGONALIDAD
68
xj , y1
xj , yj1
y1 + +
yj1 ) para j = 2, ..., n.
y1 , y1
yj1 , yj1
Demostracin. Ejercicio.
o
Teorema 5.10. Todo espacio con producto interior de dimensin nita tiene
o
una base ortonormal.
Demostracin. Ejercicio.
o
Denicin. Sean W un subespacio de un espacio vectorial con producto
o
interior V y x V . Una mejor aproximacin a x por vectores de W es
o
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 aproximacin a x, por vectores de W si,
o
y slo si, x y es ortogonal a todo vector de W .
o
5.4. EJERCICIOS
69
x, x1
x, xn
xn .
2 x1 + +
x1
xn 2
o
Demostracin. Ejercicio.
o
Denicin. Siempre que exista el vector y del que se habla en el Teorema
o
5.11 se le llamar la proyeccin ortogonal de x sobre W .
a
o
Denicin. Sean V un espacio con producto interior y S un subconjunto no
o
vaco de V . El complemento ortogonal de S es el conjunto S de todos
Demostracin. Ejercicio.
o
5.4.
Ejercicios
1. Calcule x, y
si
1
3
2 , y = 2 .
x=
1
2
CAP
ITULO 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 2 ).
2
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
Cap
tulo 6
Valores y Vectores Propios
En este cap
tulo presentaremos los conceptos bsicos de valor propio, veca
tor propio, espacio propio y espectro de una matriz. Adems, presentaremos
a
algunos de los resultados ms relevantes relacionados con tales conceptos.
a
Debido a que en un estudio de los valores y vectores propios es imposible no
hablar de nmeros complejos, debemos hacer algunas observaciones respecto
u
a la terminolog que utilizaremos en este cap
a
tulo. La palabra escalar se
utilizar para referirnos a un nmero que puede ser real o complejo. Un
a
u
vector n 1 ser una matriz n 1 cuyas componentes pueden ser nmeros
a
u
reales o complejos.
6.1.
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
Adems, 3 es un vector propio de A asociado al valor propio 2.
a
4
Teorema 6.1. Sea A Rnn . Entonces ningn vector propio de A puede
u
estar asociado a valores propios distintos de A.
Demostracin. Si suponemos que x es un vector propio de A asociado a
o
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, ningn vector propio de A puede estar asociado
u
a valores propios distintos de A.
Denicin. Sea A Rnn , el espectro de A es
o
(A) = { escalar : es un valor propio de A} .
El s
mbolo R [x] denotar al conjunto de los polinomios en la variable x y
a
coecientes en R. La evaluacin de un polinomio p(x) = a0 + a1 x + + at xt
o
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
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
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
Ntese que EA () es igual a {0} unido con el conjunto formado por todos
o
los vectores propios de A asociados al valor propio . Adems, por Teorema
a
6.1 se tiene que si i , j son valores propios distintos de A, entonces
EA (i ) EA (j ) = {0} .
6.3.
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
76
de A asociado a
Ax = x
A1 Ax = A1 x
A1 x = 1 x
6.4.
6.5.
p = 1, ..., n.
6.6. CALCULO DE VALORES PROPIOS
77
Donde
Rp (A) = |ap1 | + + ap(p1) + ap(p+1) + + |apn | .
La regin del plano complejo formada por la unin de esos n discos ser llao
o
a
mada regin de Gershgorin y denotada por G(A).
o
Teorema 6.8. (De Gershgorin). Sea A Rnn . Entonces (A) est cona
tenido en G(A).
Demostracin. Ejercicio.
o
6.6.
x = 0 : A x = x
x = 0 : (In A)x = 0
(In A) es no invertible
det(In A) = 0.
una ra de PA (x).
z
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
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 inspeccin visual muestra que 1 = 0 es una ra de PA (x). Con
o
z
esa informacin es fcil probar (con ayuda de la Frmula General Cuadrtica)
o
a
o
a
15
3
3
15
que las otras ra
ces de PA (x) son 2 = 2 2 33 y 3 = 2 33 + 2 . As
,
15
3
3
15
(A) = 0, 2 2 33, 2 33 + 2 .
Por lo general, es dif o imposible hallar las ra de PA (x). Sin embargo, si
cil
ces
6.6. CALCULO DE VALORES PROPIOS
79
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
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
80
6.7.
2 12
1 5
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
0 2
A=
0 0
0
0 .
2
x 2 1
0
x2
0 = (x 2)3 = 0.
det(xIn A) = det 0
0
0
x2
Por tanto, 1 = 2 es el unico valor propio de A. Ahora,
0 1 0
2I3 A = 0 0 0
0 0 0
82
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
mplica que en la solucin del sistema homogneo (2I3 A)x = 0 tiene que
o
e
x2 = 0 y las variables x1 , x3 estn libres. Luego todo vector propio de A
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
Solucin. La ecuacin caracter
o
o
stica 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
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 1 + x4 0 .
x= 2 =
2
x3 2x4
0
1
0
x4
x4
2
0
1 0
.
Luego EA (1 ) = gen ,
2
0
0
1
Para 2 = 2 y 3 = 3, se sigue el mismo patrn para obtener
o
5
5
.
EA (2 ) = gen y que EA (3 ) = gen
0
1
1
0
6.8.
6.9.
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
84
Teorema 6.16. Los valores propios de una matriz simtrica son reales.
e
Demostracin. Ejercicio.
o
Teorema 6.17. Sean U Rnn ortogonal y es un valor propio de U.
Entonces || = 1.
Demostracin. Sea x un vector propio de U asociado al valor propio ,
o
entonces
x 2 = Ux 2 = x 2 = || x 2 .
Luego || = 1.
Teorema 6.18. Sea U Rnn ortogonal. Entonces
|det(U)| = 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 ().
Demostracin. Ejercicio.
o
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 ).
Demostracin. Ejercicio.
o
6.10.
85
Semejanza de Matrices
Demostracin. Ejercicio.
o
Teorema 6.21. (Lema de Schur). Toda matriz A Rnn es semejante a
una matriz triangular superior.
Demostracin. Ejercicio.
o
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 mis
mos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.
Demostracin. Como A y B son semejantes, existe P Rnn invertible
o
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 ()} .
Demostracin. Ejercicio.
o
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
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.
Demostracin. Ejercicio.
o
Teorema 6.26. Sean A Rnn y 1 , ..., k los valores propios distintos de
A, entonces las siguientes armaciones 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.
Demostracin. Ejercicio.
o
6.11.
Ejercicios
88
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
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
estn situadas en el intervalo [1 , 1].
a
12. Verique que p(x) = x4 2x3 11x2 + 24 es el polinomio caracter
stico
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 caracter
stico de la matriz nula [resp. idennn
n
n
tidad] de R
es x [resp. (x 1) ], y por tanto su unico valor propio es
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 caracter
stico 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
CAP
ITULO 6. VALORES Y VECTORES PROPIOS
Bibliograf
a
o
[1] Anton, H. (1996), Introduccin al Algebra Lineal, Editorial Limusa S.A.
Grupo Noriega Editores, Mxico.
e
[2] Asmar, A. J. (1995), Tpicos en Teora de Matrices, Universidad Nacional
o
[4] Homan, K. y Kunze, R. (1983), Algebra Lineal, Prentice - Hall Hispanoamericana, S.A., Mxico.
e
[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,
U.S.A.
[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Publishing company. Pacic Grove, California.
[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadelphia.
91