Algebra Lineal

ALGEBRA LINEAL
Ricardo Miguel Guzman Navarro

Universidad de Crdoba
o
Facultad de Ciencias Bsicas e Ingenier
a
as
Departamento de Matemticas
a

Indice general
Prlogo
o
III
1. Sistemas de ecuaciones lineales (S.E.L)

1
1.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 1
1.2. Solucin de S.E.L . . . . . . . . . . . . . . . . . . . . . . . . . 5
o
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2. Matrices
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Producto por escalar . . . . . . . . . . . . . . . . . . . . . . .
2.4. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . .
2.4.1. Producto de matrices . . . . . . . . . . . . . . . . . . .
2.4.2. Operaciones elementales de la y producto de matrices
2.5. Traspuesta y traza de una matriz . . . . . . . . . . . . . . . .
2.5.1. Traspuesta de una matriz . . . . . . . . . . . . . . . .
2.5.2. Traza de una matriz . . . . . . . . . . . . . . . . . . .
2.6. Determinante de una matriz . . . . . . . . . . . . . . . . . . .
2.6.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . .
2.6.2. Determinante de una matriz . . . . . . . . . . . . . . .
2.7. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . .
2.8. Sistemas de ecuaciones lineales y matrices . . . . . . . . . . .
2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
3.4. Bases y dimensin . . . . . . . . . . . . . . .

o
3.4.1. Bases y dimensin . . . . . . . . . . .
o
3.4.2. Vectores de coordenadas . . . . . . . .
3.5. Espacios vectoriales y matrices . . . . . . . . .
3.5.1. Los cuatro subespacios fundamentales .
3.5.2. Rango de una matriz . . . . . . . . . .
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. Valores y Vectores Propios

6.1. Valores y Vectores Propios . . . . . . . . . . .
6.2. Subespacios Propios . . . . . . . . . . . . . .
6.3. Matrices Invertibles y Valores Propios . . . . .
6.4. Producto de matrices y Valores Propios . . . .
6.5. Localizacin de Valores Propios . . . . . . . .
o
6.6. Clculo de Valores Propios . . . . . . . . . . .
a
6.7. Clculo de Vectores Propios . . . . . . . . . .
a
6.8. Independencia lineal y vectores propios . . . .
6.9. Valores propios de algunas matrices especiales
6.10. Semejanza de Matrices . . . . . . . . . . . . .
6.11. Ejercicios . . . . . . . . . . . . . . . . . . . .
Bibliograf
a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
de Crdoba adquieran conocimientos bsicos del Algebra Lineal.

o
a
Lo especial de este mdulo es que en l se realiza un estudio del Algebra Lineal

o
e
con un nfasis en Teor de Matrices. Esto se hace porque las Matrices son
e
a
los entes matemticos ms utiles para los que se dedican al estudio de las
a
a
Ciencias Computacionales.
En este trabajo se realiza un estudio de los ms importantes temas que coma
ponen normalmente un primer curso de Algebra L

neal. Estos temas son:
Sistemas de Ecuaciones Lineales, Matrices, Espacios Vectoriales, Transformaciones Lineales, Ortogonalidad y Valores y vectores Propios.
Ricardo Miguel Guzman Navarro.
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.
Sistemas de ecuaciones lineales
En esta seccin presentaremos: los componentes esenciales, algunas clasicao

ciones y varios de los ms importantes resultados de los sistemas de ecuacioa
nes lineales.
Notacin - Deniciones. El smbolo R de notar al conjunto de los nmeo
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)
de Rn se puede denotar de manera compacta por [ai ] Rn

.
a1
.
El producto de un elemento a R por un elemento . de Rn se dene
.
an
como

aa1
a1
. .
. = . Rn ,
a .
.
aan
an
donde aai , para i = 1, ..., n, es el producto usual en R. La suma de dos
elementos

b1
a1
.
.
. y .
.
.
an
bn
de Rn se dene como

a1
b1
a1 + b1
. . .
. + . = . ,
.
.
.
an
bn
an + bn
donde la suma ai + bi es la suma usual en R.

Deniciones. una ecuacin es una igualdad con una o ms incgnitas.
o
a
o
Una ecuacin lineal en R con n variables tiene la forma
o
a1 x1 + a2 x2 + + an xn = b,
donde a1 , a2 , ..., an , b estn en R. Se considera que las variables slo pueden
a
o
tomar valores en R. Una solucin de una ecuacin lineal
o
o
a1 x1 + a2 x2 + + an xn = b,
donde a1 , a2 , ..., an , b R, es una ntupla ordenada
c1
.
n
. R
.
cn
tal que a1 c1 + a2 c2 + + an cn = b.
1.1. SISTEMAS DE ECUACIONES LINEALES
Ejemplo. La ecuacin lineal

o
3x1 + 4x2 3x3 x4 = 1
(1.1)

2
1
o
u
a
tiene a como una solucin. An ms, todo elemento de R4 de la forma
2
5
con t, s, w R es solucin de (1.1).

o
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
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

(1.2)
.
.
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
a11 c1 + a12 c2 + + a1n cn = b1
a21 c1 + a22 c2 + + a2n cn = b2

.
.
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
Ejemplo. Una solucin del sistema de ecuaciones lineales

o
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 9
4x1 + 4x2 3x3 = 2

1
1, ya que
es
2
2(1) + 3(1) 2(2) = 1

3(1) + 2(1) + 2(2) = 9 .
4(1) + 4(1) 3(2) = 2

Denicin. Un sistema de ecuaciones lineales es consistente si tiene al
o
menos una solucin.
o
Es necesario anotar que todo sistema homogneo de ecuaciones lineales es
e
consistente, ya que este tipo de sistemas tiene siempre la solucin trivial,
o
es dec la solucin
r,
o

0
.
. .
.
0
Denicin. Dos sistemas de ecuaciones lineales consistentes son equivao
lentes, si tienen exactamente las mismas soluciones.
Las propiedades de la igualdad permiten realizar algunas operaciones a las
ecuaciones de un sistema para obtener sistemas equivalentes.
Denicin. Las operaciones elementales de las ecuaciones de un siso
tema de ecaciones lineales son de los siguientes tres tipos: (Ei representa
la isima ecuacin del sistema.)
e
o
Tipo 1. Intercambio de dos ecuaciones del sistema: Ei Ej .
Tipo 2. Multiplicar una ecuacin por un escalar no cero: cEi Ei .
o

1.2. SOLUCION DE S.E.L
Tipo 3. Adicionar a una ecuacin un mltipliplo de otra: Ei cEj + Ei .

o
u
Ejemplos.
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
E1
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
1.2.
E2
2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2 ,
E3
3x1 + 2x2 + 2x3 = 1
6x1 + 9x2 6x3 = 3

3x1 + 2x2 + 2x3 = 1 ,
3E1
4x1 + 4x2 3x3 = 2
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1 .
E3 2E1 + E3
2x2 + x3 = 0
Solucin de S.E.L
o
En esta seccin daremos ideas sucientes para resolver cualquier sistema de

o
ecuaciones lineales.
Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de
otro por medio de un nmero nito de operaciones elementales, entonces los
u
dos sistemas son equivalentes.
Demostracin. Ejercicio.
o
En lugar de resolver un sistema de ecuaciones lineales, podemos resolver
cualquier sistema equivalente; ninguna solucin se pierde y ninguna solucin
o
o
nueva aparece. Esta idea tan simple es la que permite resolver de manera sencilla sistemas de ecuaciones lineales. Dado un sistema de ecuaciones lineales
cuya solucin se busca, lo transformamos realizando operaciones elementales,
o
de manera inteligente, en un sistema equivalente ms simple que podamos
a
resolver con facilidad.
CAP
Ejemplo. Resolvamos el sistema
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

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
Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As la solucin del sistema es

,
o

2x3
x3 : x3 R = x3 1 : x3 R .

x3
1
CAP
x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1 .
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

En efecto,
x1 + x 2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

E2 E1 + E2
E3 E1 + E2
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

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
es una de las innitas soluciones del sistema.

x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1 .
3x1 + 4x2 x3 = 1
6
1
1
1
4
2
10
CAP
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
La tercera igualdad anterior es contradictoria, esto implica que el sistema

que deseamos resolver no tiene solucin.
o
1.3.
Ejercicios
1. Resolver los siguientes sistemas de ecuaciones lineales:
3x1 + 2x2 2x3 + 5x4
2x1 4x2 3x3

2x1 + 6x2
4x1
x1 4x2 + 5x3 7x4
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
los siguientes sistemas de ecuaciones lineales:

x2
2x2
3x2
3x2
0x2
= 1
= 6
= 6 ,
= 5
= 10
5x1 + 2x2 + 2x3 + x4 2x5 3x6 = 0

x1 + 3x2 + x3 + 0x4 x5 x6 = 0 .
x1 + 2x2 + 4x3 + x4 x5 4x6 = 0
4. Resolver los siguientes sistemas de ecuaciones lineales:
2x1 + x2 + 0x3 = 2
x1 + 2x2 x3 = 0
,
2x1 + 0x2 + 2x3 = 3
3x1 + 2x2 + x3 = 4
3x1 + x2 + 7x3 + 3x4 + 2x5 = 1

x1 + 4x2 5x3 10x4 3x5 = 2 .
2x1 + 2x2 + 2x3 2x4 + 0x5 = 5

5. Un sistema de n ecuaciones lineales y n incgnitas
o
a11 x1 + a12 x2 + + a1n xn
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 .
5x1 5x2 + 21x3 = c

Encuentre condiciones sobre a, b y c para que el sistema sea consistente.
12
CAP
2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
3x1 + 7x2 5x3 = c

Encuentre condiciones sobre a, b y c para que el sistema sea inconsistente.
2x1 3x2 + 5x3 = 0

x1 + 7x2 x3 = 0 .
4x1 11x2 + kx3 = 0

para qu valor de k, el sistema tendr soluciones no triviales ?
e
a
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
Las matrices son una herramienta fundamental para la sistematizacin de

o
algunos clculos laboriosos y almacenamiento de datos. Adems, facilitan la
a
a
modelacin de fenmenos complicados existentes en matemticas y en otras
o
o
a
reas del conocimiento.
a
Denicin. Una Matriz m n con componentes en R, es un arreglo reco
tangular ordenado de la forma
a11 a12 a1n

a21 a22 a2n
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
a11 a12 a13 a14

a21 a22 a23 a24
1 1
2
0
5
6
A=
3
4 2
5 5
8
entonces, el tamao de A es 4 3, la componente 2, 3 de A es A2

n
la 3 de A es A3 = 3 4 2 y la columna 2 de A es
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
Denicin. Si A, B Rmn , denimos la suma de A y B como la matriz

o
A + B Rmn tal que
(A + B)ij = Aij + Bij
para toda i = 1, ..., m y j = 1, ..., n.
2.3. PRODUCTO POR ESCALAR

Ejemplo.
15
1 4
1 3
2 1
0
4 + 5 4 = 5
8 .
2
3
1 6
3
9
Teorema 2.1. Sean A, B, C Rmn . Entonces

1. (A + B) + C = A + (B + C).
2. A + B = B + A.
3. Existe una unica matriz 0 Rmn tal que A+0 = A para toda A Rmn .
4. Para cada matriz A Rmn existe una unica matriz A Rmn tal que
A + (A) = 0.
o
2.3.
Producto por escalar
Denicin. Si A Rmn y c R, denimos el producto de c por A como

o
la matriz cA Rmn tal que
(cA)ij = cAij
para toda i = 1, ..., m y j = 1, ..., n. Este producto se conoce como producto
por escalar.
Ejemplo.
0
3 2
0
9 6
5 6 = 3/2 15 18 .
3 1/2
6 3 8
18 9 24
Teorema 2.2. Sean A, B Rmn y a, b R. Entonces

1. (ab)A = a(bA).
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.
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
2.4. PRODUCTO DE MATRICES
17
2.4.
Producto de matrices
2.4.1.
Producto de matrices
Denicin. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se dene el producto

o
de Ai y Bj como
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
Denicin. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se dene el producto

o
de A y B como la matriz AB Rmp tal que
(AB)ij = Ai Bj = ai1 b1j + + ain bnj .
Ejemplo.
1 2
4 2 0 1
4 11
3
0
2 3 1
1
0 .
= 10
5
1
2 5 3
6
16
17
2
3
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
Respecto a la conmutatividad del producto de matrices podemos decir un

par de cosas: primero, si AB est denido y el nmero de las de A es igual
a
u
al nmero de columnas de B, entonces BA tambin est denido, pero si
u
e
a
el nmero de las de A es distinto del nmero columnas de A se tiene que
u
u
AB y BA tienen tamaos distintos y por tanto nunca podrn ser iguales.
n
a
Segundo, si AB y BA estn denidos y son del mismo tamao, esto no es
a
n
suciente para concluir que AB = BA. Ejemplo,
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.
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 =
es llamada matriz identidad. El smbolo ei se usar exclusivamente para
a
representar a la columna i de In .
Teorema 2.6. Sea A Rmn . Entonces
AIn = A
o
Im A = A.
CAP
ITULO 2. MATRICES
20
Teorema 2.7. Sea A Rmn . Entonces

A(In )j = Aj
(Im )i A = Ai .
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 .
Teorema 2.8. El producto realizable, en cualquier orden, de una matriz por

una matriz nula es una matriz nula.
o
A diferencia de la multiplicacin en R, donde la multiplicacin de dos eso
o
calares no nulos da como resultado un escalar no nulo, en el contexto del
producto de matrices puede ocurrir que el producto de dos matrices no nulas
sea una matriz nula. Por ejemplo,
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
Operaciones elementales de la y producto de

matrices
Denicin. Sean A Rmn y c R. Las operaciones elementales de

o
las son:
Tipo 1. Intercambio de dos las: Fi Fj .
Tipo 2. Multiplicar una la por un nmero no cero: Fi cFi .
u
Tipo 3. Sumar a una la un multiplo de otra: Fi Fi + cFj .
Las operaciones elementales de columnas son:
Tipo 1. Intercambio de dos columnas: Ci Cj .
Tipo 2. Multiplicar una columna por un nmero no cero: Ci c Ci .
u
Tipo 3. Sumar a una columna un multiplo de otra: Ci Ci + c Cj .
Ejemplo. Sea
Entonces
1 2 3
4
2 R34 .
A = 1 0 3
2 2 0 3
1 2 3
4
1 0 3
2 F1 F3
2 2 0 3
1 2 3
4
1 0 3
2 F2 3F2
2 2 0 3
2 2 0 3
1 0 3
2 ,
1 2 3
4
1 2 3
4
3 0 9
6 ,
2 2 0 3
1 2 3
4
1 2
3
4
1 0 3
2 F3 F3 + (2)F2 1 0
3
2 .
2 2 0 3
4 2 6 7
CAP
ITULO 2. MATRICES
22
Denicin. Una matriz elemental en Rnn es cualquier matriz que resulta

o
de realizar una sola operacin elemental de la una sola operacin elemental
o
o
o
de columna a In .
Ejemplo. La matriz
1 0 0
E = 0 1 0 R33
0 3 1
es elemental, ya que
I3 F3 F3 + 3F2 E.
Teorema 2.9. Sean A Rmn , c R {0} y E1 , E2 , E3 tales que
Im Fi Fj E1 ,
Im Fi cFi E2 ,
Im Fi Fi + cFj E3 .
Entonces
1. A Fi Fj E1 A.
2. A Fi cFi E2 A.
3. A Fi Fi + cFj E3 A.
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
2.5. TRASPUESTA Y TRAZA DE UNA MATRIZ

Donde
23
I3 F1 F1 + 2F2
1 2 0
0 1 0 .
0 3 1
2.5.
Traspuesta y traza de una matriz
2.5.1.
Traspuesta de una matriz
Denicin. Si A Rmn , se dene la traspuesta de A como la matriz

o
T
nm
A R
, tal que
(AT )ij = Aji
para i = 1, ..., n y j = 1, ..., m.
Ejemplo. Si
1 2
A = 3 5 R32 , entonces AT =
7 9
1 3 7
2 5 9
R23 .
Teorema 2.10. Sean A, B Rmn y c R. Entonces

1. (AT )T = A.
2. (A + B)T = AT + BT .
3. (cA)T = cAT .
o
Deniciones. Una matriz A Rnn es simtrica si AT = A y A es
e
antisimtrica si A = AT .
e
2.5.2.
Traza de una matriz
Denicin. Sea A Rmn . La diagonal principal de A es la diagonal de

o
A constituida por todos los elementos Aii .
CAP
ITULO 2. MATRICES
24
Denicin. Sea A Rnn . La traza de A se dene como

o
tr(A) = A11 + + Ann .
Teorema 2.11. Sean A, B, P Rnn y c R. Entonces
1. tr(A + B) = tr(A) + tr(B).
2. tr(cA) = c tr(A).
3. tr(AB) = tr(BA).
4. tr(A) = tr(AT ).
5. tr(AT A) = a2 + + a2 + + a2 + + a2 .
11
1n
n1
nn
Demostracin. Ejercicico.
o
2.6.
Determinante de una matriz
En esta seccin presentaremos las principales propiedades del determinante

o
de una matriz y aplicaremos esas propiedades en su clculo.
a
En esta seccin el s
o
mbolo Jn representar siempre al conjunto {1, ..., n}.
a
2.6.1.
Permutaciones
Denicin. Una permutacin de Jn es una biyeccin de Jn en Jn .

o
o
o
Una permutacin de Jn se acostumbra a representar por
o
=
1
2
(1) (2)
n
(n)
2.6. DETERMINANTE DE UNA MATRIZ
25
o por la notacin ms compacta

o
a
=
(1) (2)
(n)
El conjunto de todas las permutaciones de Jn se denotar por Sn . No es dif

a
cil
probar que Sn tiene exactamente n! elementos, donde n! = n(n1) (2)(1).
Denicin. Sea = ((1) (2) (n)) una permutacin de Jn . Se dene
o
o
el signo de como + si el nmero mnimo de intercambios de elementos
u
consecutivos que se le pueden realizar a la lista

(1) (2) (n)
para convertirla en
1 2 n
es un nmero par. En caso distinto tiene signo . Denotaremos el signo
u
de por sgn().
Ejemplo. Hallemos el signo de cada permutacin en S3 .
o
Si 1 = (1 2 3), entonces sgn(1 ) = +
Si 2 = (1 3 2), entonces sgn(2 ) =
Si 3 = (2 1 3), entonces sgn(2 ) =
Si 4 = (2 3 1), entonces sgn(4 ) = +
Si 5 = (3 1 2), entonces sgn(5 ) = +
Si 6 = (3 2 1), entonces sgn(6 ) = .
2.6.2.
Determinante de una matriz
Denicin. Sea A = [aij ] Rnn . Se dene el determinante de A como

o
det(A) =
sgn() a1(1) a2(2) an(n) .

Sn
(2.2)
CAP
ITULO 2. MATRICES
26
Ejemplo. Hallemos el determinante de A = [aij ] R33 .

Como signo de (1 2 3), (2 3 1) y (3 1 2) es + y signo de (1 3 2), (2 1 3) y
(3 2 1) es . Entonces
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a11 a23 a32 a12 a21 a33 a13 a22 a31 .
En particular, si
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.
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
Teorema 2.13. Sea T Rnn triangular. Entonces

n
det(T) =
Tii .
i=1
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 ).
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).
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
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).
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.
o
Teorema 2.19. Sean A, B Rnn . Entonces
det(AB) = det(A) det(B).
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
Por Teorema 2.16
2 2 6
1 1 3
det 2 2 4 = 2 det 2 2 4 ,
3 4
6
3 4
6
por aplicacin reiterada

o
1
2
det
3
del Teorema 2.17
1 3
1 1 3
2 4 = det 0 0
2 ,
4 6
0 1
3
29
por Teorema 2.15
1 1 3
1 1 3
2 = det 0 1
3
det 0 0
0 1
3
0 0
2
y por Teorema 2.13
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
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)).
o
2.7.
Inversa de una matriz
Esta seccin est dedicada al estudio de las principales propiedades de las

o
a
matrices invertibles, a determinar cuando una matriz es invertible y al clculo
a
de la inversa de matrices invertibles.
Denicin. Sea A Rmn una inversa a izquierda de A es una matriz
o
B Rnm tal que BA = In . una inversa a derecha de A es una matriz
C Rnm tal que AC = Im .
Teorema 2.21. Sea A Rmn con inversa a izquierda B e inversa a derecha
C. Entonces B = C.
Demostracin.
o
B = BIm = B(AC) = (BA)C = In C = C.
Denicin. Una matriz A Rnn es invertible si existe una matriz B
o
nn
R
tal que AB = In = BA. En tal caso B es una inversa de A.
2.7. INVERSA DE UNA MATRIZ
31
Teorema 2.22. Sea A Rnn invertible. Entonces A tiene a lo ms una

a
inversa.
Demostracin. Supongamos que B y C son inversas de A, entonces en
o
particular B es inversa a izquierda de A y C es inversa a derecha de A,
luego por Teorema 2.21 B = C.
Puesto que una matriz A Rnn puede tener a lo ms una inversa, es
a
conveniente tener un s
mbolo para representar la inversa de A cuando exista,
el s
mbolo que usaremos ser A1 .
a
Ejemplo.
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
Teorema 2.23. Si A, B Rnn son tales que AB = In . Entonces B = A1 .

Demostracin. Sea C = BA In + B. Entonces
o
AC = ABA AIn + AB = A A + In = In .
Luego, C es tambin una inversa a derecha de A. Por Teorema 2.21 B = C,
e
por tanto
BA = C + In B = B + In B = In
y as B = A1 .
,
Teorema 2.24. Si A, B Rnn son matrices invertibles, entonces AB es
tambin invertible.
e
Demostracin.
o
AB(B1 A1 ) = A(BB1 )A1 = AIn A1 = AA1 = In .
Adems,
a
(B1 A1 )AB = B1 (A1 A)B = B1 In B = B1 B = In .
CAP
ITULO 2. MATRICES
32
Luego AB es invertible y (AB)1 = B1 A1 .

El teorema que sigue da una condicin suciente y necesaria para que una
o
matriz sea invertible.
Teorema 2.25. Sea A Rnn . Entonces A es invertible si, y slo si,
o
det(A) = 0 (o equivalentemente, A es no invertible si, y slo si, det(A) = 0).
o
o
Teorema 2.26. Sea A Rnn invertible. Entonces
det(A1 ) = (det(A))1 .
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.
o
Teorema 2.28. Sea A Rnn tal que A tiene una columna nula. Entonces
A no es invertible.
o
Teorema 2.29. Sea A Rnn una matriz invertible. Entonces A se puede
expresar como producto de matrices elementales la.
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.
2.7. INVERSA DE UNA MATRIZ
33
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
El Teorema 2.32 nos garantiza que si A Rnn es invertible, entonces existen

matrices elementales la E1 , ..., Ep tales que
A = E1 Ep .
Pero
E1 E1 A = In
1
p
A1 = E1 E1
1
p
A = E1 Ep
A1 = E1 E1 In
1
p
Concluimos de lo anterior que A1 se puede hallar realizando a In , de manera

ordenada, las mismas operaciones elementales de la que se le realizan a A
para convertirla en In .
CAP
ITULO 2. MATRICES
34
Ejemplo. Hallemos la inversa de la matriz invertible
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
Sistemas de ecuaciones lineales y matrices
Un sistema de ecuaciones lineales con coecientes en R

a11 x1 + a12 x2 + + a1n x1
a21 x1 + a22 x2 + + a2n x1
= b1
= b2
.
.
.
am1 x1 + am2 x2 + + amn x1 = bm ,

se puede expresar de forma matricial como
Ax = b,
2.9. EJERCICIOS
donde
35
a11 a1n
.
. Rmn , x =
..
.
A= .
.
.
.
am1 amn
x1
. Rn y x =
.
.
xn
b1
. Rm .
.
.
bm
Teorema 2.31. Sea A Rnn . Entonces A es invertible (resp. no invertible)

si, y slo si, el sistema homogneo de ecuaciones lineales Ax = 0 tiene slo
o
e
o
la solucin trivial (resp. soluciones no triviales).
o
o
Teorema 2.32. Sea A Rnn . Entonces A es invertible (resp. no invertible)
si, y slo si, para todo b Rn el sistema de ecuaciones lineales Ax = b tiene
o
unica solucin (resp. innitas soluciones o no tiene solucin).
o
o
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. Construya un algoritmo para la suma de matrices m n.

3. Calcule
3
2 3
4
1
0 5
4. Construya un algoritmo para la multiplicacin de un escalar por una matriz

o
m n.
5. Calcule
2 3 3
8 1 5
1
5 0
2
3 7 6 1 .
6
0 2 4
CAP
ITULO 2. MATRICES
36
6. Construya un algoritmo para la multiplicacin de una matriz m n por

o
una matriz n p.
7. Halle el signo de todas las permutaciones en S4 .
8. Construya un algoritmo para calcular el determinantes de una matriz nn.
9. Utilice la frmula (2.2) para hallar el determinante de A = [aij ] R44 .
o
10. Halle el determinante de la matriz
1
2 1
3
2 1
0
4
3
2
3 1
2
0
1
5
utilizando la frmula obtenida en el Ejercicio 9 y despus utilizando slo los

o
e
o
Teoremas 2.13, 2.15, 2.16 y 2.17.
11. Calcule el determinante de las

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
12. Sean A Rnn y c R. Demuestre que det(cA) = cn det(A).

13. Una matriz A Rnn es una matriz de bloques si tiene la forma
A1
...
A=
At
2.9. EJERCICIOS
37
con t > 1, Ai Rni ni para i = 1, ..., n, n1 + n2 + + nt = n, las diagonales

principales de las Ai estn sobre la diagonal principal de A y las componentes
a
de A que no estn en ninguna Ai son cero. Cada Ai se dice un bloque de
a
A. Demuestre que
t
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
15. Halle la inversa de las
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
21. Sea A Rnn invertible. Demuestre que AT es invertible y que

(AT )1 = (A1 )T .
22. Demuestre que la inversa de una matriz triangular superior (respectivamente, triangular inferior o diagonal) n n invertible, es una matriz del
mismo tipo.
23. Sean A, B Rnn matrices simtricas. Demuestre que A + B es tambin
e
e
simtrica.
e
24. Sean A, B Rnn matrices simtricas. Demuestre que AB es simtrica
e
e
si, y slo si AB = BA.
o
25. Sea A Rnn . Demuestre que si A es antisimtrica, entonces Aii = 0
e
para toda i.
26. Sea A Rnn . Demuestre que A + AT es simtrica y que A AT es
e
antisimtrica. Demuestre adems que A puede escribirse de manera unica
e
a
como la suma de una matriz simtrica y una matriz antisimtrica.

e
e
27. Escriba la matriz
2 3 4
2 1 0
3 2 1
como la suma de una matriz simtrica y una matriz antisimtrica.

e
e
28. Sea A Rnn . Demuestre que si A es antihermitiana, entonces Aii es
un nmero imaginario puro para toda i.
u
29. Demuestre que no existen matrices A, B Rnn tales que
AB BA = In .
Ayuda: piense en las trazas.
2.9. EJERCICIOS
39
30. Halle la traza de la matriz
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
Denicin Un espacio vectorial sobre R consta de lo siguiente:

o
1. Un conjunto no vaco V de objetos llamados vectores.
2. Una operacin llamada suma, que asigna a cada par de vectores x, y de

o
V un vector x + y de V , llamado la suma de x y y tal que:
(a) x + y = y + x x, y V .
(b) x + (y + z) = (x + y) + z x, y, z V .
(c) Existe un unico vector 0 de V , llamado vector nulo, tal que x + 0 =
x para todo x V .
(d) Para cada x V , existe un unico vector x V , tal que x + (x) = 0.
3. Una operacin, llamada multiplicacin por escalar, que asocia a cada

o
o
escalar c R y cada vector x V un vector cx V , tal que:
(e) 1x = x para todo x V .
(f ) (c1 c2 )x = c1 (c2 x) para todo c1 , c2 R y todo x V .
(g) c(x + y) = cx + cy para toda c R y todas las x, y V .
(h) (c1 + c2 )x = c1 x + c2 y para todas las c1 , c2 R y toda x V .
40
3.1. ESPACIOS VECTORIALES
41
Notacin. Si V es un espacio vectorial sobre R, algunas veces denotaremos

o
este hecho por R V .
Ejemplo. Rn con las operaciones
+ :
n
Rn Rn
R
x1
y1
x1 + y 1
. .
.
.
( . , . )
.
.
.
xn
yn
xn + y n
y
:
R Rn Rn
x1
cx1
.
.
(c, . ) .
.
.
xn
cxn
es un espacio vectorial sobre R.

Ejemplo. Rmn con las operaciones
+ : Rmn Rmn Rmn
(A, B)
A + B
y
: R Rmn Rmn
(c, A)
cA
es un espacio vectorial.
Ejemplo. El conjunto, Pn , de todos los polinomios en la variable x, con
coecientes en R y grado menor o igual a n, es un espacio vectorial sobre
R con las operaciones: suma ordinaria de polinomios y producto por escalar
denido como
c(a0 + a1 x + + an xn ) = ca0 + ca1 x + + can xn
para toda c R y todo a0 + a1 x + + an xn Pn .
CAP
ITULO 3. ESPACIOS VECTORIALES
42
Ejemplo. Sea S un subconjuto no vac de R. Si V es el conjunto formado

o
por todas las funciones de S en R, entonces:
Si f, g V se dene f + g como
f + g : S
R
.
s f (s) + g(s)
Si f V y c R se dene cf como
cf : S
R
.
s cf (s)
Entonces V junto las operaciones
+ : V V
(f, g)
V
f + g
y
: RV
(c, f )
V
,
cf
es un espacio vectorial.
3.2.
Subespacios
Denicin. Sea W un subconjunto no vac de un espacio vectorial V sobre

o
o
R. Si W es tambin un espacio vectorial sobre R con la suma de vectores y
e
multiplicacin por escalar denidas en V y restringidas a W , entonces W
o
es llamado un subespacio de V .
Teorema 3.1. Un subconjunto no vac W de un espacio vectorial R V es un
o
subespacio de R V si, y slo si, para todo x, y W y todo c R
o
cx + y W .
o
V y {0} son subespacios de V . Estos subespacios son llamados los subespacios triviales de V .
3.2. SUBESPACIOS
43
Denicin. Sean R V un espacio vectorial y S un subconjunto no vac de

o
o
V . Una combinacin lineal de los vectores de S es cualquier vector x V
o
que se deja expresar en la forma
x = c1 x1 + + cr xr ,
donde los ci R, los xi S y r es un entero positivo. El conjunto de todas
las combinaciones lineales de elementos de S se denotar por gen(S).
a
Teorema 3.2. Sean R V un espacio vectorial y S un subconjunto no vac de
o
V . Entonces gen(S) es un subespacio de V .
o
gen(S) es llamado el subespacio generado por S.
Denicin. Sean U, W subespacios de un espacio vectorial R V . La suma de
o
los subespacios U y W es el conjunto
U + W = {x + y : x U y y W } .
Teorema 3.3. Sean U, W subespacios de un espacio vectorial R V . Entonces
U +W
es un subespacio de V .
o
La unin de subespacios no es siempre un subespacio.
o
Teorema 3.4. Sean X = {x1 , ..., xr } y Y = {y1 , ..., yt } subconjuntos de un
espacio vectorial R V . Entonces
gen(X Y ) = gen(X) + gen(Y ).
o
CAP
44
3.3.
Independencia lineal
Denicin. Un conjunto de vectores S = {x1 , ..., xr } de un espacio vectoo

rial R V es linealmente independiente cuando la unica solucin para los
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
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.
o

3.4. BASES Y DIMENSION
45
Teorema 3.7. Sean S = {x1 , ..., xr } un conjunto linealmente independiente

en un espacio vectorial R V y x V gen(S). Entonces S {x} es un
conjunto linealmente independiente de V .
o
Teorema 3.8. Sean S = {x1 , ..., xr } un subconjunto de un espacio vectorial
o
R V . S es linealmente independiente si, y slo si, cada vector de gen(S) se
deja escribir de manera unica, salvo orden, como una conbinacin lineal de
o
vactores de S.
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
o
3.4.
Bases y dimensin
o
3.4.1.
Bases y dimensin
o
Denicin. Un subconjunto de un espacio vectorial R V es una base para

o
V si gen() = V y es linealmente independiente.
Teorema 3.10. Sea = {x1 , ..., xn } una base de un espacio vectorial R V .
Entonces cualquier conjunto con ms de n vectores es linealmente dependiena
te.
o
Teorema 3.11. Sea = {x1 , ..., xn } una base de un espacio vectorial
Entonces cualquier conjunto con menos de n vectores no genera a V .
R V.
46
CAP
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.
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 .
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
o
3.4.2.
Vectores de coordenadas
Denicin. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial

o
V y x V . Los coecientes ai en la expresin
o
R
x = a1 x1 + + an xn
son llamados coordenadas de x respecto a . Adems, el vector
a
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 .
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
48
es la unica matriz que tiene la propiedad
P [x]1 = [x]2
x V .
Adems, P1 es la unica matriz con la propiedad

a
P1 [x]2 = [x]1
x V .
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 .
o
3.5.
Espacios vectoriales y matrices
En esta seccin presentaremos algunos resultados fundamentales que relacioo

nan las matrices con los espacios vectoriales.
3.5.1.
Los cuatro subespacios fundamentales
Teorema - denicin 3.19. Sea A Rmn . Entonces

o
R(A) = {Ax : x Rn }
es un subespacio de Rm . Este subespacio se denomina el espacio columna
de A. El espacio la de A es el espacio columna de AT . Naturalmente, el
espacio la de A se denotar por R(AT ).
a
o
3.5. ESPACIOS VECTORIALES Y MATRICES
49
Teorema 3.20. Sean A, B Rmn . Entonces:

1. R(A) = R(B) si, y slo si, B se puede obtener al realizar un nmero
o
u
nito de operaciones elementales de columna a A.
2. R(AT ) = R(BT ) si, y slo si, B se puede obtener al realizar un nmero
o
u
nito de operaciones elementales de la a A.
o
Teorema - Denicin 3.21. Sea A Rmn . Entonces
o
N (A) = {x Rn : Ax = 0}
es un subespacio de Rn . Este subespacio se conoce como el espacio nulo de
A y N (AT ) es llamado el espacio nulo izquierdo de A. La nulidad de
A es la dimensin del espacio nulo de A.
o
o
Teorema 3.22. Sean A, B Rmn . Entonces:
1. N (A) = N (B) si, y slo si, B se puede obtener al realizar un nmero
o
u
nito de operaciones elementales de la a A.
2. N (AT ) = N (BT ) si, y slo si, B se puede obtener al realizar un nmero
o
u
nito de operaciones elementales de columna a A.
o
3.5.2.
Rango de una matriz
Denicin. Sea A Rmn . El rango de A se dene como

o
rk(A) = dim(gen {A1 , ..., An }) = dim(R(A)).
CAP
50
Ejemplo.
1 3 2 1
rk( 2 0 1 5 ) = 2.
1 1 1 2
Teorema 3.23. Sea A Rnn . Entonces A es invertible si, y slo si,

o
rk(A) = n.
o
Teorema 3.24. Sea A Rmn . Entonces rk(A) = rk(AT )
o
Del Teorema anterior y de la denicin de rango de una matriz podemos
o
mn
concluir que: si A R
, entonces
rk(A) = dim(gen {A1 , ..., An }) = dim(gen AT , ..., AT ).
1
m
Ntese que los subespacios en cuestin tienen la misma dimensin, pero el
o
o
o
primero es subespacio de Rm y el segundo de Rn .
Teorema 3.25. Sea A Rmn . Entonces rk(A) min{m, n}.
o
Teorema 3.26. Sean A Rmn , B Rnp . Entonces
rk(AB) rk(A).
o
Teorema 3.27. Sean A Rmn y P Rnn invertible. Entonces
rk(A) = rk(PA).
3.5. ESPACIOS VECTORIALES Y MATRICES
51
o
Teorema 3.28. Sean A Rmn y P Rmm invertible. Entonces
rk(A) = rk(AP).
o
Teorema 3.29. Sean A Rmn , P Rmm invertible y Q Rnn invertible. Entonces
rk(A) = rk(PAQ).
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
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
4. Exprese el vector general
x
y
z
como combinacin lineal de los vectores

o

1
1
1
2 , 0 , 2 .
1
1
1
3.6. EJERCICIOS
53
5. Demuestre que el espacio de los polinomios de grado menor que 3 en la

variable x y coecientes en R est generado por
a
2, 3 + x, 2 x2
y tambin por
e
1, 2 + 2x, 1 x + x2 , 2 x2 ,
pero no por
1 + x, x + x2 .
6. Demuestre que si el conjunto {x1 , x2 , x3 } es linealmente independiente en
un espacio vectorial R V . Entonces {x1 + x2 , x2 + x3 , x1 + x3 } es tambin un
e
conjunto linealmente independiente.
7. Demuestre que el conjunto

1
1
1
1
2 , 0 , 2 , 4
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
Denicin. Sean V y W espacios vectoriales sobre R. Una transformacin

o
o
lineal de V en W es una funcin de V en W tal que
o
T (cx + y) = cT (x) + T (y)
para todos los vectores de y todo escalar de R.
Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes
son transformaciones lineales
T : V V
,
x x
T : V W
.
x 0
Estas transformaciones son llamadas transformacin identidad y transo
formacin cero, respectivamente.
o
54
4.1. TRANSFORMACIONES LINEALES
55
Ejemplos. Sea A Rmn . Entonces

T : Rn Rm
x Ax
es una transformacin lineal.
o
Teorema 4.1. Sean V, W espacios vectoriales sobre R y T de V en W una
transformacin lineal. Entonces:
o
1. T (0) = 0.
2. T (x) = T (x).
o
Denicin. Si T : U V y S : V W son transformaciones lineales,
o
entonces la composicin de S con T es la funcin S T : U W denida
o
o
por
(S T )(x) = S(T (x)) x U .
Teorema 4.2. Sean U, V, W espacios vectoriales sobre R y T : U V y
S : V W transformaciones lineales. Entonces S T : U W es una
transformacin lineal.
o
o
Teorema 4.3. Sean V, W espacios vectoriales sobre R y T de V en W una
transformacin lineal. Entonces:
o
1. Im(T ) es un subespacio de W . La dimensin de Im(T ) se acostumbra a
o
llamar rango de T (rango (T )).
2. {x V : T (x) = 0} es un subespacio de V . Este subespacio es llamado
el espacio nulo de T y su dimensin se conoce como la nulidad de T
o
(nulidad (T )).
56
CAP
ITULO 4. TRANSFORMACIONES LINEALES
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.
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
Teorema 4.5. Sean V un espacio vectorial de dimensin nita sobre R, W

o
un espacio vectorial sobre R y T una transformacin lineal de V en W .
o
Entonces
rango (T ) + nulidad (T ) = dim(V ).
o
Teorema 4.6. Sean V, W un espacios vectoriales sobre R y T una transformacin lineal de V en W . Entonces T es sobreyectiva si, y slo si, existe
o
o
una base de W contenida en Im(T ).
o
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}.
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 .
o
Teorema 4.9. Todo espacio vectorial V sobre R de dimensin n es isomorfo
o
a Rn .
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
A [x] = [T (x)] para todo x V .
CAP
58
Esta matriz se llama la matriz que representa a T respecto a las bases

ordendas y .
o
Algunas veces, la matriz que representa a una trasformacin lineal T respecto
o
a las base y se denota por [T ] . Con esta notacin, la expresin
o
o
A [x] = [T (x)] se convierte en
[T ] [x] = [T (x)] .
Ejemplo. Consideremos las bases
1 = 1, 1 x, 1 x2 , 1 x3
de P3 ,
2 =
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
de R23 y hallemos la matriz que representa a la transformacin lineal

o
T :
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

T (1 x3 ) =
1 0
0
0 0 1
= T (1 x3 )
59
1 1 0 0 0 1
Luego, la matriz que representa a T respecto de las bases 1 y 2 es
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
Ntese que si p(x) = a0 + a1 x + a2 x2 + a3 x3 , entonces

o
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
Teorema 4.11. Sean U, V y W espacios vectoriales de dimensin nita sobre

o
R con base , y , respectivamente. Sean T : U V y S : V W
transformaciones lineales. Entonces
[S T ]
= [S]
[T ] .
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 .
o
CAP
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
es un isomorsmo. Esto demuestra el Teorema 4.9.

7. Sea A Rnn . Demuestre que A es invertible si, y slo si la transformacin
o
o
lineal
T : Rn Rn
x Ax
es biyectiva.
8. Sean V un espacio vectorial sobre R de dimensin nita, una base de
o
V , W un espacio vectorial sobre R y T una transformacin lineal de V en
o
W . Demuestre que T es la transformacin cero si, y slo si, T (x) = 0 para
o
o
todo x de .
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.
Espacios con productos interiores
Denicin. Un producto interior en un espacio vectorial V sobre R es

o
una funcin que asigna a cada par de vectores x, y de V un escalar x, y R
o
de tal modo que para cualesquier x, y, z de V y todos los escalares c R se
tiene que:
1. x, x 0 y x, x = 0 si, y slo si, x = 0.
o
2. x, cy = c x, y .
3. x, y + z = x, y + x, z .
4. x, y = y, x .
Debe observarse que las condiciones 2, 3 y 4 implican que
cx + y, z = c x, z + y, z .
62
5.2. ESPACIOS NORMADOS
63
Denicin. Un espacio con producto interior es un espacio vectorial

o
sobre R junto con un producto interior denido en ese espacio.
Un espacio vectorial real con producto interior y dimensin nita es un eso
pacio euclidiano.
Ejemplo. En Rn existe un producto interior llamado producto interior
cannico o producto punto. Est denido para
o
a
x1
y1
.
.
x = . , y = . en Rn
.
.
yn
xn
como
x, y
= x1 y1 + + xn yn .
Ejemplo. Si A Rnn es invertible, entonces

x, y = xT AT Ay
es un producto interior en Rn . Este es llamado el Aproducto interior.
Ejemplo.
A, B = tr(AT B)
es un producto interior en Rmn y Rmn . Este es el producto interior
cannico de matrices. Ntese que se reducen al productor interior cannico
o
o
o
m
en R cuando n = 1.
5.2.
Espacios normados
Denicin. Una norma en un espacio vectorial V sobre R es una funcin

o
o
de V en R que satisface las siguientes condiciones para todo x, y V y
todo c R :
1. x 0 y x = 0 si, y slo si, x = 0.
o
2. cx = |c| x .
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 .
Ms an, tenemos el siguiente resultado, en forma de ejemplo, que es una

a u
fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden
denir en Rn
Ejemplo. Sea p 1. Si para cada x = [xi ] Rn denimos
x
Entonces
Rn .
= (|x1 |p + + |xn |p ) p .
es una norma en Rn . Esta norma es llamada la p-norma de
Ejemplo. Si para cada x = [xi ] Rn denimos

x
Entonces
= max |xi | .
i
es una norma en Rn .
Deniciones. Sean V un espacio vectorial normado y x, y V . La longitud de x es x 2 y la distancia entre x e y es

d(x, y) = x y
Ejemplo. Hallemos la longitud de x y la distancia entre x y y, donde
1
3
x = 2 y y = 1 .
4
5
5.2. ESPACIOS NORMADOS
65
Por denicin de longitud y distancia tenemos:

o
x 2 = 2 = (1)2 + (2)2 + (4)2 = 21,

4
2
y

3
1
2 1
5
4
d(x, y) =
4
= 1
9
(4)2 + (1)2 + (9)2 = 7 2.
Teorema 5.1. (Desigualdad de Cauchy-Bunyakovskii-Schwarz). Sea

V un espacio vectorial sobre R con producto interior , . Entonces
| x, y |
x, x
y, y
para todo x, y V .
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 .
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 , .
o
CAP
66
Denicin. Sean x, y vectores no nulos de un espacio vectorial V sobre R

o
con producto interior , . El ngulo entre los vectores x e y se dende
a
como
x, y
= cos1
,
x y
donde es la norma en inducida por , .
Cuando hablemos de ngulo entre vectores de Rn slo consideraremos el
a
o
producto interior , 2 y la norma 2 .
Al realizar los clculos para hallar el ngulo entre dos vectores, asegrese de
a
a
u
que su calculadora est en modo radianes.
e
Ejemplo. Hallemos el ngulo entre los vectores
a
2
3
7
1
En efecto,
= cos1
= cos1
x, y 2
x 2 y
11

13 52
= cos1
3
32
2 5 4 7 5
,
1
3
2
3 2
3
2 5 4 7 5
1 2
3 2
2
4
2
4
cos1 (0,431455497)
2,0169 radianes 115,6 grados.

Teorema 5.4. (Identidad del paralelogramo). Para una norma en
un espacio vectorial V sobre R, existe un pruducto interior , en V tal
que x 2 = x, x para todo x V si, y slo si, la identidad del paraleo
logramo
x+y 2+ xy 2 =2 x 2+ y 2
se cumple para todo x, y V .
5.3. VECTORES ORTOGONALES
67
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.
Teorema 5.6. Sean U Rnn ortogonal y x Rn . Entonces Ux
= 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
Deniciones. Sean x y y vectores de un espacio vectorial V con producto

interior , . Entonces x es ortogonal a y si x, y = 0; como esto implica
que y es ortogonal a x, a menudo slo diremos que x y y son ortogonales.
o
Si S es un conjunto de vectores de V , se dice que S es un conjunto ortogonal siempre que todos los pares de vectores distintos de S sean ortogonales.
Un conjunto ortonormal es un conjunto ortogonal S con la propiedad
adicional de que x = 1 para todo x S.
Teorema 5.7. Todo conjunto ortogonal de vectores no nulos es linealmente
independiente.
o
CAP
68
Teorema 5.8. Si un vector x es combinacin lineal de un conjuto ortogonal

o
de vectores no nulos {x1 , ..., xn }, entonces x es igual a la combinacin lineal
o
particular
x, x1
x, xn
x=
xn .
2 x1 + +
x1
xn 2
o
Teorema 5.9. (Proceso de ortogonalizacin Gram-Schmidt) Sean V
o
un espacio con producto interior , y = {x1 , ..., xn } una base de V . Si
es la norma en V inducida por , . Entonces = {y1 , ..., yn } es una
base de ortogonal de V , donde
y1 = x1 y yj = xj (
xj , y1
xj , yj1
y1 + +
yj1 ) para j = 2, ..., n.
y1 , y1
yj1 , yj1
o
Teorema 5.10. Todo espacio con producto interior de dimensin nita tiene
o
una base ortonormal.
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
2. Si existe una mejor aproximacin a x por vectores de W es unica.

o
3. Si W es de dimensin nita y {x1 , ..., xn } es cualquier base ortogonal de

o
W , entonces el vector
y=
x, x1
x, xn
xn .
2 x1 + +
x1
xn 2
es la unica mejor aproximacin a x por vectores de W .
o
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
los vectores de V ortogonales a todo vector de S. Si W y U son subespacios

de V , y cada vector de W es ortogonal a cada vector de U , entonces W y
U son subespacios ortogonales. Si W y U son subespacios ortogonales,
denotaremos tal hecho por W U .
Teorema 5.12. Sea W un subespacio de un espacio vectorial dimensin
o
nita con producto interior V . Entonces
V = W W .
La expresin W W signica que cada vector de V se deja escribir de
o
manera unica, salvo conmutatividad, como la suma de un vector en W con
otro de W y que W W es igual a vaco.
o
5.4.
Ejercicios
1. Calcule x, y
si

1
3
2 , y = 2 .
x=
1
2
CAP
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
5. Sean x, y Rn . Demuestre que

x+y
2
2
+ xy
6. Halle una base ortonormal

3

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
7. Halle la proyeccin ortogonal de

o
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
9. Sean U Rnn ortogonal y x, y Rn . Demuestre que

x,y
=0
Ux , Uy
= 0.
10. Demuestre que A Rnn satisface AT A = AAT si, y slo si,

o
Ax
= 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.
Valores y Vectores Propios
Denicin. Sea A Rnn . Un escalar es un valor propio de A si existe

o
un vector n 1 x = 0 tal que Ax = x. Ahora, si Ax = x con x = 0,
entonces x es un vector propio de A asociado al valor propio .
Ejemplo. 2 es un valor propio de la matriz
2
0
1
2 ,
A = 5 1
3 2 5/4
72
6.1. VALORES Y VECTORES PROPIOS
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
y p(x) = 1 3x + 2x2 . Entonces

p(A) = 1
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
Teorema 6.2. Sean A Rnn , p(x) R [x], (A) y x un vector propio

de A asociado a . Entonces p() (p(A)) y x es un vector propio de
p(A) asociado a p().
Demostracin. Supongamos que p(x) = a0 + a1 x + + at xt , entonces
o
p(A)x = a0 x + a1 Ax + + at At x,
pero
Aj x = Aj1 Ax = Aj1 x = Aj1 x = = j x
para todo j = 1,...,t. Luego
p(A)x = a0 x + a1 x + + at t x
= (a0 + a1 + + at t )x = p()x.
6.2.
Subespacios Propios
Teorema 6.3. Sean A Rnn y un valor propio de A. Entonces

EA () = {x vectores n 1 : Ax = x}
es un subespacio del espacio de los vectores n1 sobre los nmeros complejos.
u
Demostracin. Claramente A0 = 0, por tanto 0 EA (). Ahora, si x,
o
y EA () y c escalar, entonces
A(c x + y) = c Ax + Ay = c x + y = (c x + y),
por tanto (c x + y) EA (). Luego EA () es un subespacio de los vectores
n 1 sobre los nmeros complejos.
u
6.3. MATRICES INVERTIBLES Y VALORES 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} .
Denicin. El subespacio EA () se denomina subespacio propio de A

o
asociado al valor propio . Adems, la dimensin de EA (), dim(EA ()), se
a
o
llama la multiplicidad geomtrica del valor propio de A.
e
De la denicin de vector propio, es claro que EA () tiene al menos un vector
o
no nulo, por tanto
dim(Rn ) = n dim(EA ()) 1.
6.3.
Matrices Invertibles y Valores Propios
Teorema 6.4. Sea A Rnn . Entonces = 0 es un valor propio de A si, y

slo si, A es no invertible.
o
o
Teorema 6.5. Sea A Rnn . Entonces A es invertible si, y slo si, ningn
o
u
valor propio de A es cero.
Demostracin. Este resultado es equivalente al Teorema 6.4.
o
Teorema 6.6. Sea A Rnn una matriz invertible. Entonces es un valor
propio de A si, y slo si, 1 es un valor propio de A1 . An ms, x es un
o
u
a
vector propio de A asociado a si, y slo si, x es un vector propio de A1
o
asociado a 1 .
Demostracin. Puesto que A es invertible, ninguno de sus valores propios
o
es cero. Luego, un escalar es un valor propio de A y x es un vector propio
CAP
76
de A asociado a
Ax = x
A1 Ax = A1 x
A1 x = 1 x
si, y slo si, 1 es un valor propio de A1 y x es un vector propio de A1

o
asociado a 1 .
6.4.
Producto de matrices y Valores Propios
Teorema 6.7. Sean A, B Rnn . Entonces

(AB) = (BA).
o
6.5.
Localizacin de Valores Propios

o
Existen muchos teoremas que dan informacin acerca de la localizacin en el

o
o
plano complejo de los valores propios de una matriz. El ms famoso de ellos
a
es el Teorema de Gershgorin, el cual constituye el centro de esta pequea
n
seccin.
o
Denicin. Sea A Rnn . El radio espectral de A es el nmero real no
o
u
negativo
rad(A) = mx {|| : (A)} .
a
|| signica mdulo de si es complejo o valor absoluto de si es real.
o
El radio espectral de una matriz A Rnn es justamente el radio del disco
cerrado ms pequeo centrado en el origen del plano complejo que contiene
a
n
a todos los valores propios de A.
Denicin. Sea A Rnn . Los n discos de Gershgorin de A son:
o
Dp = {z escalar : |z app | Rp (A)}
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).
o
6.6.
Clculo de Valores Propios

a
Teorema 6.9. Sea A Rnn . Entonces es un valor propio de A si, y slo

o
si, det(In A) = 0.
Demostracin.
o
valor propio de A
x = 0 : A x = x
x = 0 : (In A)x = 0
(In A) es no invertible
det(In A) = 0.
Denicin. Sea A Rnn . El polinomio caracter

o
stico de A es el polinomio de R [x] dado por
PA (x) = det(xIn A).
La expresin PA (x) = 0 se llama ecuacin caracter
o
o
stica de A.
Segn Teorema 6.9, es un valor propio de A Rnn si, y slo si, es
u
o
solucin de la ecuacin caracter
o
o
stica de A. Esto ultimo equivale a que es
una ra de PA (x).
z
CAP
78
Ejemplo. Hallemos el polinomio caracter

stico y los valores propios de
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
PA (x) tiene coecientes enteros, algunas veces es util un resultado de Algebra
elemental que dice: si p(x) es un polinomio con coecientes enteros, entonces

toda ra entera de p(x) divide al trmino independiente de este.
z
e
Ejemplo. Hallemos los valores propios de una matriz A que tiene como
polinomio caracter
stico a
PA (x) = x3 + 2x2 3x 6.
Si PA (x) tiene una ra entera, esa ra debe ser un divisor del trmino
z
z
e
constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en
PA (x) se obtiene cero. De tal hecho podemos deducir que 2 es una ra de
z
PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la Frmula
o
General Cuadrtica encontramos que
a
PA (x) = (x + 2)(x 3)(x + 3).
Luego los valores propios de A son 2, 3 y 3.

6.6. CALCULO DE VALORES PROPIOS
79
Denicin. Sea es un valor propio de A Rnn . El nmero de veces que

o
u
se repita como raz de PA (x) es la multiplicidad algebraica del valor
propio de A.
Ejemplo. La matriz
A=
1
0
0 0 0
0 2
0 0 0
1
0 5 6 0
1
0 3 4 0
0
0
0 0 2
cuyo polinomio caracter

stico es
PA (x) = x5 7x3 + 2x2 + 12x 8
= (x + 2)2 (x 1)2 (x 2),
tiene como valores propios 1 = 2 con multiplicidad algebraica 2, 2 = 1
con multiplicidad algebraica 2 y 3 = 2 con multiplicidad algebraica 1.
Teorema 6.10. Sea A Rnn . Entonces PA (x) es un polinomio de grado
n. Adems, si
a
PA (x) = an xn + an1 xn1 + an2 xn2 + + a1 x + a0 ,
entonces an = 1, an1 = tr(A) y a0 = (1)n det(A).
o
Teorema 6.11. Sean A Rnn y 1 , ..., n los valores propios de A. Entonces
det(A) = 1 n
y
tr(A) = 1 + + n .
o
Teorema 6.12. Sea A Rnn . Entonces A y AT tienen los mismos valores
propios con las mismas multiplicidades algebraicas correspondientes.
CAP
80
Demostracin. Bastar probar que PA (x) = PAT (x). En efecto,

o
a
PA (x) = det(xIn A) = det((xIn A)T )
= det(xIn AT ) = PAT (x).
6.7.
Clculo de Vectores Propios

a
Teorema 6.13. Sean A Rnn y un valor propio de A. Entonces x es

un vector propio de A asociado a si, y slo si, x es una solucin no trivial
o
o
del sistema homogneo de ecuaciones lineales (In A)y = 0.
e
Demostracin. x es solucin no trivial del sistema (In A)y = 0, si, y
o
o
slo si, x = 0 y (In A)x = 0 si, y slo si, x = 0 y Ax = x.
o
o
Presentamos a continuacin algunos ejemplos que ilustran la forma como se
o
pueden hallar valores propios y vectores propios.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
A=
2 12
1 5
Solucin. La ecuacin caracter

o
o
stica de A es
det(xIn A) = det
x 2 12
1 x + 5
= x2 + 3x + 2 = (x + 1)(x + 2) = 0,
de donde se obtiene que 1 = 1 y 2 = 2 son los valores propios de

A. Para determinar los vectores propios correspondientes se resuelven los
sistemas homogneos (1 I2 A)x = 0 y (2 I2 A)x = 0: para 1 = 1, la
e
matriz de coecientes es
(1)I2 A =
1 2
12
1
1 + 5
que se reduce por las a

1 4
0 0
3 12
1 4

6.7. CALCULO DE VECTORES PROPIOS
81
Por consiguiente, x1 4x2 = 0. Se concluye que todo vector propio de A

asociado a 1 = 1 es de la forma
x=
x1
x2
Luego EA (1 ) = gen
4
1
(2)I2 A =
4x2
x2
= x2
4
1
, x2 = 0.
. Para 2 = 2, la matriz de coecientes es

2 2
12
1
2 + 5
4 12
1 3
que se reduce por las a

1 3
0 0
Por consiguiente, x1 3x2 = 0. Luego todo vector propio de A asociado a

1 = 2 es de la forma
x=
x1
x2
Luego EA (2 ) = gen
3
1
3x2
x2
= x2
3
1
, x2 = 0.
Ejemplo. Hallemos los valores propios y
2 1
0 2
A=
0 0
los espacios propios de la matriz
0
0 .
2

o
o
stica de A es
x 2 1
0
x2
0 = (x 2)3 = 0.
det(xIn A) = det 0
0
0
x2
Por tanto, 1 = 2 es el unico valor propio de A. Ahora,
0 1 0
2I3 A = 0 0 0
0 0 0
82
CAP
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
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
espacio propio de 1 = 1 se encuentra como sigue:
0 0
0
0
0 0 5 10
(1)I3 A =
1 0 1
0
1 0
0 2
y se reduce a la matriz
1
0
0
0
0
0
0
0
0
2
1 2
.
0
0
0
0
6.8. INDEPENDENCIA LINEAL Y VECTORES PROPIOS
83
Lo cual implica que x1 + 2x4 = 0, x3 2x4 = 0 y x2 est libre. As todo

a
,
vector propio de A asociado a 1 = 1 es de la forma

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.
Independencia lineal y vectores propios
Teorema 6.14. Sean 1 , ..., r valores propios distintos de A Rnn . Si para

cada i {1, ..., r} Si es un conjunto linealmente independiente de vectores
propios de A asociados a i , entonces S = S1 Sr es todav un conjunto
a
linealmente independiente.
o
Teorema 6.15. Sea A Rnn y i un valor propio de A. Entonces
multiplicidad geomtrica de i multiplicidad algebraica de i .
e
o
6.9.
Valores propios de algunas matrices especiales
CAP
84
Teorema 6.16. Los valores propios de una matriz simtrica son reales.
e
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.
Demostracin. Si 1 , ..., n son los valores propios de U (algunos i pueden

o
ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como |i | = 1
para i = 1, ..., n, entonces
|det(U)| = |1 n | = |1 | |n | = 1 1 = 1.
Teorema 6.19. Sea A Rnn es tal que AAT = AT A, entonces para todo
valor propio de A, se tiene que
EA () = EAT ().
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 ).
o
6.10. SEMEJANZA DE MATRICES
6.10.
85
Semejanza de Matrices
Denicin. Sean A, B Rnn . Decimos que A es semejante a B, si

o
existe P Rnn invertible tal que
A = P1 BP.
o
Teorema 6.21. (Lema de Schur). Toda matriz A Rnn es semejante a
una matriz triangular superior.
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 ()} .
o
CAP
86
Teorema 6.24. Sean A, B Rnn semejantes, entonces para todo (A)

se tiene que dim(EA ()) = dim(EB ()).
o
Denicin. Una matriz A Rnn es diagonalizable si es semejante a
o
una matriz diagonal.
Ejemplo. La matriz
3 1 0
A = 1 2 1
0 1 3
es diagonalizable, ya que la matriz
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.
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.
o
6.11.
Ejercicios
1. Halle el espectro de una matriz diagonal de Rnn .

2. Sean A,B Rnn (n 2). Demuestre que:
(a) (A) y (B) no implica + (A + B).
(b) (A) y (B) no implica (AB).
3. Sean A Rnn y s {1, ..., n} un nmero jo. Demuestre que si ais = 0
u
para i = 1, ..., s 1, s + 1, ..., n, entonces ass es valor propio de A.
4. Sea A Rnn . Demuestre que si (A), entonces k (Ak ) para
todo k entero positivo.
5. Sea A Rnn tal que la suma de los elementos de cada la de A es c.
Pruebe que c (A).
6. Una matriz A Rnn es idempotente si A2 = A. Demuestre que
(A) {0, 1} .
7. Una matriz A Rnn es unipotente si A2 = In . Demuestre que
(A) {1, 1} .
8. Una matriz A Rnn es nilpotente si Ak = 0 para algn entero positivo

u
k. Demuestre que (A) = {0}.
88
CAP
9. Halle los discos de Gershgorin para
1
A = 1/4
1
la matriz
0 1/4
1 1/4 .
1 3
10. Demuestre, sin calcularlos, que los valores propios de la matriz
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
= 0 [resp. = 1] con multiplicidad algebraica n.

16. Demuestre que los valores propios de una matriz triangular son los elementos de su diagonal principal.
17. Si
18
2 12
9 6 ,
A = 4
3 2
3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = {5, 10, 15}.
18.Demuestre que si A Rnn y (A) = {1 , ..., n }, entonces para todo
c R (cA) = {c1 , ..., cn }.
19. Sean A Rnn y c R. Demuestre que
EA () = EcA (c) (A).
20. Demuestre que existen matrices no nulas en Rnn cuyo polinomio 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
23. Sean D1 , D2 Rnn matrices diagonales. Demuestre que son semejantes

si, y slo si, tienen los mismos polinomios caracter
o
sticos.
24. Demuestre que matrices semejantes tienen igual rango.
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
de Colombia, Sede Medell

n.
[3] Harville, D. (1997), Matrix Algebra From a Statisticians Perspective,
Springer - verlag, New York.
[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.
[8] Noble, B. y Daniel, J. W. (1989), Algebra Lineal Aplicada, Prentice - Hall

Hispanoamericana, S.A., Mxico.
e
[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.
91

Algebra Lineal

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

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

ALGEBRA LINEAL

Ricardo Miguel Guzman Navarro

1. Sistemas de ecuaciones lineales (S.E.L)

3.4. Bases y dimensin . . . . . . . . . . . . . . .

6. Valores y Vectores Propios

de Crdoba adquieran conocimientos bsicos del Algebra Lineal.

Lo especial de este mdulo es que en l se realiza un estudio del Algebra Lineal

ponen normalmente un primer curso de Algebra L

Ricardo Miguel Guzman Navarro.

Sistemas de ecuaciones lineales

En esta seccin presentaremos: los componentes esenciales, algunas clasicao

de Rn se puede denotar de manera compacta por [ai ] Rn

donde la suma ai + bi es la suma usual en R.

1.1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo. La ecuacin lineal

con t, s, w R es solucin de (1.1).

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

a11 c1 + a12 c2 + + a1n cn = b1

a21 c1 + a22 c2 + + a2n cn = b2

Ejemplo. Una solucin del sistema de ecuaciones lineales

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2(1) + 3(1) 2(2) = 1

4(1) + 4(1) 3(2) = 2

Tipo 3. Adicionar a una ecuacin un mltipliplo de otra: Ei cEj + Ei .

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1

6x1 + 9x2 6x3 = 3

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

En esta seccin daremos ideas sucientes para resolver cualquier sistema de

Ejemplo. Resolvamos el sistema

Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As la solucin del sistema es

Ejemplo. Resolvamos el sistema

x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

es una de las innitas soluciones del sistema.

La tercera igualdad anterior es contradictoria, esto implica que el sistema

1. Resolver los siguientes sistemas de ecuaciones lineales:

3x1 + 2x2 2x3 + 5x4

2x1 4x2 3x3

x1 4x2 + 5x3 7x4

los siguientes sistemas de ecuaciones lineales:

5x1 + 2x2 + 2x3 + x4 2x5 3x6 = 0

x1 + 2x2 + 4x3 + x4 x5 4x6 = 0

4. Resolver los siguientes sistemas de ecuaciones lineales:

3x1 + x2 + 7x3 + 3x4 + 2x5 = 1

2x1 + 2x2 + 2x3 2x4 + 0x5 = 5

a11 x1 + a12 x2 + + a1n xn

5x1 5x2 + 21x3 = c

3x1 + 7x2 5x3 = c

2x1 3x2 + 5x3 = 0

4x1 11x2 + kx3 = 0

Las matrices son una herramienta fundamental para la sistematizacin de

a11 a12 a1n

a11 a12 a13 a14

entonces, el tamao de A es 4 3, la componente 2, 3 de A es A2