Está en la página 1de 28

Matem´aticas III para Econom´ıa

Raciel V´asquez Aguilar
Agosto - Diciembre

Unidad 1
´
Algebra
lineal
1.1

Introducci´
on

Los espacios vectoriales se derivan de la geometr´ıa, a trav´es de la introducci´on de coordenadas en el plano o el espacio tridimensional. Alrededor
de 1636, los matem´aticos franceses Descartes y Fermat fundaron las bases
de la geometr´ıa anal´ıtica mediante la vinculaci´on de las soluciones de una
ecuaci´on con dos variables a la determinaci´on de un curva plana. Bernhard
Bolzano introdujo en 1804 ciertas operaciones sobre puntos, l´ıneas y planos,
que son predecesores de los vectores. Este trabajo hizo uso del concepto de
coordenadas baric´entricas de August Ferdinand M¨obius en 1827.

El origen de la definici´on de los vectores es la de Giusto Bellavitis, que
es un segmento orientado, uno de cuyos extremos es el origen y el otro un
objetivo. Los vectores se reconsideraron con la presentaci´on de los nmeros
´
complejos de Argand y Hamilton y la creaci´on de los cuaterniones por este
u
´ltimo (Hamilton fue adem´s el que invent´o el nombre de vector).

El tratamiento mediante combinaciones lineales se remonta a Laguerre
en 1867, quien tambi´en defini´o los sistemas de ecuaciones lineales. En 1857,
Cayley introdujo la notaci´on matricial, que permite una armonizaci´on y simplificaci´on de los aplicaciones lineales. Casi al mismo tiempo, Grassmann
estudi´o el c´alculo baricntrico iniciado por M¨obius. En su trabajo, los conceptos de independencia lineal y dimensi´on, as´ı como de producto escalar est´an
1

se dice que forma un grupo si en G est´a definida una operaci´ on binaria. Hemos aprendido algo de uno de ellos.3 Supongamos que G est´ a constituido por el conjunto de los enteros 0. Ejemplo 1. . . Un desarrollo importante de los espacios vectoriales se debe a la construcci´on de los espacios de funciones por Henri Lebesgue.2 Grupos. Esto m´as tarde fue formalizado por Banacnh en su tesis doctoral de 1920 y por Hilbert. . b ∈ G se tiene que a · b = b · a. Hay ciertos sistemas algebraicos que nos sirven como los bloques de construcci´on de las estructuras que componen la materia que actualmente se llama ´algebra moderna. .2. con a · b = a + b. el ´algebra y el nuevo campo del an´alisis funcional empezaron a interactuar. b ∈ G implica que a · b ∈ G (cerradura.1 Un conjunto no vac´ıo de elementos.´ UNIDAD 1. En este momento. estable o absorbente) 2) a. en particular con conceptos clave tales como los espacios de funciones p-integrables y los espacios de Hilbert.2 Un grupo G se dice que es abeliano (o conmutativo) si para cualesquiera a. 1. b. G. ALGEBRA LINEAL 2 presentes. los grupos. Tambi´en en este tiempo. llamada producto y denotada por (·) tal que: 1) a. ±2.2. ±1. c ∈ G implica que a · (b · c) = (a · b) · c (asociatividad) 3) Existe un elemento e ∈ G tal que a · e = e · a = a para todo a ∈ G (existencia del elemento identidad) 4) Para todo a ∈ G existe un elemento a−1 ∈ G tal que a · a−1 = a−1 · a = e (existencia de inversos en G) Definici´ on 1.2. los primeros estudios sobre espacios vectoriales de infinitas dimensiones se realizaron. Anillos y Campos (Cuerpos) Definici´ on 1. Se puede verificar que G es un grupo abeliano infinito. El matem´atico italiano Peano dio la primera definici´on moderna de espacios vectoriales y aplicaciones lineales en 1888.

El concepto abstracto de grupo tiene su origen en el conjunto de aplicaciones (funciones) o permutaciones de un conjunto sobre s´ı mismo. Los axiomas (6) y (7) nos dicen que R es cerrado bajo una operaci´on asociativa. denotadas por ” + ” y ” · ” respectivamente tales que para cualesquiera a.4 Un conjunto no vac´ıo R se dice que es un anillo asociativo si en R est´an definidas dos operaciones. si tal elemento existe diremos que R es un anillo con elemento unitario. b ∈ R entonces llamamos a R anillo conmutativo. c ∈ R: 1) a + b ∈ R 2) a + b = b + a 3) (a + b) + c = a + (b + c) 4) Hay un elemento 0 ∈ R tal que a + 0 = a ∀a ∈ R 5) Existe un elemento −a ∈ R tal que a + (−a) = 0 6) a · b ∈ R 7) a · (b · c) = (a · b) · c 8) a · (b + c) = a · b + a · c y (b + c) · a = b · a + c · a Los axiomas (1) a (5) simplemente afirman que R es un grupo abeliano bajo la operaci´on + a la que llamaremos adici´on. .2. Un anillo es completamente diferente de un grupo. b.´ UNIDAD 1. el constituido por los llamados anillos. ALGEBRA LINEAL 3 Ahora. introduciremos un segundo de tales bloques. en el que hay definidas dos operaciones. Veremos que est´an caracterizados de acuerdo con los aspectos algebraicos de los enteros ordinarios de los que pueden considerarse una generalizaci´on. En contraste. Puede o no suceder que exista un elemento 1 ∈ R tal que a · 1 = 1 · a = a para toda a ∈ R. ya que es un sistema bioperacional. los anillos surgen de otra fuente bastante m´as familiar. el conjunto de los enteros. El axioma (8) sirve para correlacionar las dos operaciones de R. Si la multiplicaci´on de R es tal que a · b = b · a para todo a. a la que llamaremos multiplicaci´on. estas operaciones se llaman com´ unmente adici´on y multiplicaci´on. ·. Definici´ on 1.

R es un anillo conmutativo con elemento unitario.2. Un anillo con esta u ´ltima propiedad se llama campo. . Ejemplo 1. a.8 Los conjuntos Q.6 R es el conjunto de todos los enteros pares bajo operaciones habituales de adici´on y multiplicaci´ on. ∀a ∈ F 4) Existe un elemento −a ∈ F tal que a + (−a) = 0 5) a · b = b · a. pues podemos ver que los elementos de R distintos del 0 forman un grupo abeliano bajo la multiplicaci´on.2. positivos.7 R es el conjunto de los n´ umeros racionales bajo la adici´ on y multiplicaci´on habituales de los n´ umeros racionales.2. b ∈ F 6) a · (b · c) = (a · b) · c. Ejemplo 1. ∀a ∈ F 8) A cada elemento no nulo a ∈ F le corresponde un u ´nicoelemento a−1 tal que aa−1 = 1 9) a · (b + c) = a · b + a · c y (b + c) · a = b · a + c · a Ejemplo 1. R es un anillo conmutativo con elemento unitario. c ∈ F 3) Exite un elemento 0 ∈ R tal que a + 0 = a.5 R es el conjunto de los enteros. negativos y el 0. Con lo anterior podemos decir que un campo es un conjunto no vac´ıo F con dos operaciones definidas + y · tales que 1) a + b = b + a. a. a. c ∈ F 7) Existe un elemnto no nulo u ´nico de F tal que a · 1 = a. Pero es m´ as que eso.2. pero no tiene elemento unitario. b. ALGEBRA LINEAL 4 Ejemplo 1. + es la adici´on usual y · es la mutiplicaci´ on usual de los enteros. R y C con las operaciones usuales de adici´on y multiplicaci´on forman un campo. b ∈ F 2) (a + b) + c = a + (b + c). R es un anillo conmutativo.´ UNIDAD 1. a. b.

Dados x.. ALGEBRA LINEAL 1. definamos la adici´ on vectorial y la multiplicaci´on de un escalar por un vector como x + y := (x1 + y1 ..3. el conjunto de todos los n-tuples de n´ umeros reales x = (x1 . y ∈ Rn y α ∈ R..3. vii) (α + β)x = αx + βx. αxn ) . . Ejemplo 1. x) 7→ αx. tales que satisfacen las siguientes propiedades para todo x.´ UNIDAD 1. iii) Existe un vector u ´nico 0 en X tal que x + 0 = x. donde n es un entero positivo arbitrario fijo. z ∈ X y α. vi) 1x = x. ... a la operaci´on + la llamaremos adici´on vectorial y a la operaci´on • la llamaremos multiplicaci´on de un escalar por un vector.3 5 Espacios vectoriales Definici´ on 1. x2 . e • : R × X −→ X definida por (α.. iv) Para cada vector x ∈ X existe un vector u ´nico −x ∈ X tal que x+(−x) = 0. viii) α(x + y) = αx + αy.. ii) x + (y + z) = (x + y) + z. αx := (αx1 ... xn + yn ). junto con dos operaciones binarias + : X × X −→ X definida como (x. .2 a) Sea X = Rn . v) α(βx) = (αβ)x. x2 + y2 . y) 7→ x + y. αx2 . xn ). Se puede ver que Rn con las operaciones antes definidas satisfacen las propiedades de espacio vectorial. y. β ∈ R: i) x + y = y + x. Los elementos de R se denominan escalares.1 Un espacio vectorial X sobre R es un conjunto de objetos a los que llamaremos vectores. .

ALGEBRA LINEAL 6 b) Sea X el conjunto de todas las funciones f : E −→ R. Se puede mostrar que X satisface las propiedades de espacio vectorial. para que W sea un subespacio vectorial es suficiente que cumpla las condiciones: i) W ⊂ V . Un subespacio de X es un subconjunto W de X tal que. c) Sea F cualquier cuerpo y sean m y n enteros positivos. F. Definici´ on 1. Definimos la adici´ on vectorial y la multiplicaci´ on de un escalar por un vector de la siguiente manera: Sean f.2 (Alternativa) Un subconjunto no vac´ıo W de V es un subespacio vectorial de V si y s´ olo si. Nota. 1. d) El conjunto soluci´on del sistema de ecuaciones AX = 0 con las operaciones usuales de adic´ on vectorial (suma de matrices columnas) y multiplicaci´on (un escalar por una matriz columna) es un espacio vectorial sobre R.4. con las operaciones de adici´ on vectorial y multiplicaci´on escalar sobre X. el vctor cα + β est´ a en W . ·) es un espacio vectorial.1 Sea X un espacio vectorial sobre R.4. es W un espacio vectorial sobre R (usaremos W < X para decir que W es subespacio de X ) . entonces (f + g)(x) := f (x) + g(x).´ UNIDAD 1. para todo par de vectores α.4 Subespacios vectoriales Definici´ on 1. Sea F mxn el conjunto de todas las matrices mxn sobre el cuerpo F . Ahora sean α ∈ R y f ∈ X. La suma de dos vectores y el producto est´ an definidos como (A + B)ij = Aij + Bij (cA)ij = cAij Se puede mostrar que (F mxn . Dado un espacio vectorial V . entonces (αf )(x) := αf (x). donde E es un conjunto no vac´ıo. +. g ∈ X . β de W y todo escalar c de K (K un campo).

la igualdad α1 x1 + α2 x2 + · · · + αn xn = 0 implica que α1 = α2 = · · · = αn = 0. entonces se dice que es linealmente independiente. El conjunto de todos los vectores en X que son combinaciones lineales de vectores en M es un subespacio de X. en otro caso M es linealmente dependiente. Sea V un espacio vectorial sobre un campo F ..4..3.. Un conjunto infinito M de vectores es linealmente independiente si todo subconjunto finito de M es linealmente independiente. lo llamaremos el subespacio generado por M y lo denotaremos por gen(M ). c) Consideremos el espacio vectorial Rn .. xi+1 . as´ı Ei = {(x1 . 0. α2 . Definici´ on 1. . b].. αn tales que x = α1 x1 + α2 x2 + · · · + αn xn . b) El conjunto C([a. β ∈ W y c ∈ F Ejemplo 1.´ UNIDAD 1.... α2 .. no todos nulos. Si el conjunto M no es linealmente dependiente. αn . 1 ≤ i ≤ n).. b]} es un subespacio del espacio vectorial del Ejemplo 1.. x2 .4. xn en un espacio vectorial X se dice que es linealmente dependiente si existen escalares α1 . ´el mismo es un espacio vectorial. xi = 0} es un subespacio vectorial de Rn (para cada Ei ....5 Sea X un espacio vectorial sobre R y sea M un subconjunto no vac´ıo de X.2 b) con E = [a. en este caso. xn )|xj ∈ R. .. . .3 a) Los subespacios triviales de un espacio vectorial X son ´el mismo y el conjunto que consta solamente del vector cero. . y por tanto. .6 Un conjunto finito M de vectores x1 . Definici´ on 1. b]) = {f ∈ X | f es continua en [a.. x2 . . ALGEBRA LINEAL 7 ii) 0 ∈ W iii) cα + β ∈ W . xn ∈ M y escalares α1 . 1 ≤ j ≤ n. Teorema 1. Un vector x ∈ X se dice que es una combinaci´ on lineal de vectores en M si existe un conjunto finito x1 ..4 . xi−1 ..4. donde α.4. tales que α1 x1 + α2 x2 + · · · + αn xn = 0. La intersecci´on de cualquier colecci´ on de subespacios de V es un subespacio de V.

.. 1.. x.       1 2 1 2 5 10 c) El conjunto S = . e) El conjunto {e1 = (1. .4.4.. ALGEBRA LINEAL 8 Ejemplo 1.. . d) (Tarea) El conjunto {1. 0) . .8 Sea X un espacio vectorial sobre K. . x2 } con coeficientes reales son un conjunto linealmente independiente. e1 = (0. . . si 0 ∈ S entonces S es linealmente dependiente. 0). Si la base de Hamel tiene un n´ umero finito de elementos.´ UNIDAD 1. xn } es linealmente independiente. . Ejemplo 1. . ii) El subespacio generado por H es todo X. 1 + 3x − x2 } ⊂ P2 es linealmente dependiente. b) El conjunto de polinomios P(x) = {1.. . esto es. Inmediatamente concluimos que un espacio vectorial X es de dimensi´on infinita si para cada n ∈ N. e3 = (0. . 1 − x + 3x2 . un subconjunto H de X se dice que es una base de Hamel para X si cumple las siguientes condiciones: i) H es un subconjunto linealmente independiente de X. . . . . .7 a) Sea S un subconjunto de un espacio vectorial V .. x. 0) e2 = (0. f ) El conjunto {1 + x + x2 . . y S ⊂ F n el subconjunto que consta de los vectores e1 . e2 = (0. existe un conjunto de n vectores linealmente independiente. en definidos por e1 = (1. x2 . es linealmente de0 3 −1 0 −3 6 pendiente. 1)} es un conjunto linealmente independiente..4..9 a) Sea F un campo. . 0. 1) S forman la base can´onica de Rn . 0. 1. gen(H) = X. 0. . 0. . . ).. . entonces el espacio es de dimensi´on finita. 0.. e2 . Definici´ on 1. .

cn tales que v = Pn c v . . . i=1 i i Teorema 1. vn } es una base de V y si v ∈ V . . . A = [a1 . c2 . 0 0 . xn }. . . 0 0    0 0 0 0 1 0 0 0 0 0 0 1 es la base can´onica del espacio de matrices F 3x2 c) Sea S = {1. x2 . Si la matriz A es de dimensiones mxn contesta lo siguiente i) X a qu´e espacio pertenece ii) b a qu´e espacio pertenece iii) ¿Cu´al es la relaci´on de b con las columnas de A si el sistema AX = b tiene soluci´on? Teorema 1. . . . ALGEBRA LINEAL 9 b) El conjunto             0 0 0 0 0 1 0 0 0 0   1 0 S =  0 0 . Entonces todo conjunto independiente de vectores de V es finito y no contiene m´ as de m elementos. βm }. 0 0 . d) Sea A una matriz invertible de orden n.4. Ejercicio.11 Sea V un espacio vectorial generado por un conjunto finito de vectores linealmente independientes {β1 . . 0 1 .4. Las columnas de A forman una base de Rn . . β2 . entonces existe un u ´nico conjunto de escalares c1 . . 1 0 .´ UNIDAD 1. .10 Si B = {v1 . Se puede mostrar que S es una base para Pn . v2 . . . . x. . Determinar una base para los siguientes espacios vectoriales sobre R que se definen de manera general como:   a  b   a) W =   −b  a b) S = {a + bx − bx2 + ax3 } c) Considere el sistema lineal AX = b. . . an ].

bn } una base para un espacio vectorial V y x ∈ V .4. ALGEBRA LINEAL 10 Corolario 1. entonces el vector en Rn   c1   [x]B =  . . . entonces a) cualquier subconjunto de V que contenga m´ as de n vectores es linealmente dependiente. . Lema 1. entonces todo subconjunto linealmente independiente de W es finito y es parte de una base (finita) de W .16 Si W es un subespacio propio de un espacio vectorial de dimensi´on finita V . 1.15 Si W es un subespacio de un espacio vectorial de dimensi´ on finita V. . . cn tales que x = c 1 b1 + c 2 b2 + · · · + c n bn = n X c i bi i=1 Si c1 .13 Sea V es un espacio vectorial de dimensi´ on finita y sea n = dimV . b2 . . . entonces dos bases cualesquiera de V tienen el mismo n´ umero(finito) de elementos..5 Coordenadas y cambio de base Definici´ on 1. Entonces el conjunto que se obtiene agregando β a S.4. . b) ning´ un subconjunto de V que contenga menos de n vectores puede generar a V. . Corolario 1. es linealmente independiente. Sup´ongase que β es un vector de V que no pertenece al subespacio generado por S. entonces W es de dimensi´ on finita y dimW < dimV .12 Si V es un espacio vectorial de dimensi´ on finita.4. . Corolario 1.  cn . Las coordenadas de x relativa a la base B(o las B-coordenadas de x) son los ”pesos” c1 .1 Sea B = {b1 .5.´ UNIDAD 1. .4. c2 .. .14 Sea S un subconjunto linealmente independiente de un espacio vectorial V . Teorema 1.4. cn son las B-coordenadas de x. c2 .

una base nos proporciona un sistema coordenado para un espacio vectorial. u2 = 2 1 y      1 1 B2 = v1 = . Por ejemplo Sean      −1 2 B1 = u1 = . v2 = 0 1 dos bases para R2 . [x]B1 = c1 u1 + c2 u2 [x]B2 = d1 v1 + d2 v2   5 por lo tanto si x est´a dada. d2 se tiene     5 1 = −1 B1 3     5 6 = −1 B2 −1  . es decir. transformaci´on que se logra por medio de un cambio de variables. En muchas aplicaciones. entonces. mediante la noci´on de vectores coordenados y un cambio de variables se puede asociar con un cambio de base para la representaci´on de un mismo vector. Si x ∈ R2 entonces x tiene una representaci´on diferente para cada base. por ejemplo x = . −1       5 −1 2 = c1 + c2 −1 B1 2 −1  5 −1   = d1 B2 1 0   + d2 1 1 resolviendo cada sistema para c1 . ALGEBRA LINEAL 11 es el vector de coordenadas de x relativas a B. c2 y d1 . un problema descrito usando un sistema coordenado puede ser resuelto m´as f´acilmente si se cambia a un nuevo sistema coordenado. En ´ Algebra lineal.´ UNIDAD 1.

El ejemplo anterior muestra c´omo un vector x puede tener diferentes representaciones dependiendo de las bases que se tengan. expre−1 B1 3 sando a u1 y u2 en t´erminos de v1 y v2 tenemos  u1 = −1 2  u2 =  2 −1  = p1 v1 + p2 v2 = p1  1 0  = q1 v 1 + q2 v 2 = q1   + p2 1 0  1 1  + q2  = −3v1 + 2v2 1 1  = 3v1 − v2 utilizando lo anterior tenemos x = u1 + 3u2 = (−3v1 + 2v2 ) + 3(3v1 − v2 ) = 6v1 − v2   6 por tanto [x]B2 = . Ahora mostraremos c´omo determinar [x]B2 a partir de [x]B1 . ALGEBRA LINEAL 12 Lo anterior indica que la representaci´on de x en una base cualquiera B es precisamente la matriz columna cuyas entradas son las coordenadas de x en la base dada. −1 a esto le llamaremos el cambio de base de B1 a B2 para el vector x. Analicemos el desarrollo anterior desde otro punto de vista. .     5 1 Ya se determin´o que = ya que x = u1 + 3u2 .´ UNIDAD 1. De x = u1 + 3u2 tenemos que   1 [x]B2 = [u1 + 3u2 ]B2 = [u1 ]B2 + 3[u2 ]B2 = [ [u1 ]B2 [u2 ]B2 ] 3    −3 3 1 = = P [x]B1 2 −1 3 donde P es la matriz cuyas columnas son [u1 ]B2 y [u2 ]B2 . Notaremos que la idea es exactamente la misma que se aplic´o para obtener la representaci´on de x en las dos bases dadas. Ahora. A dicha matriz se le llamar´a matriz de transici´ on o matriz cambio de base de B1 a B2 .

Entonces. 0)}. 0) = −1e1 + 0e2 = −1e1 por tanto la matriz de transici´ on P de la base B1 a B2 es   1 −1 PB2 ←−B1 = 1 0 De la misma manera se puede ver que la matriz de transici´ on de B1 a B2 es   0 1 QB1 ←−B2 = −1 1 m´ as a´ un. B1 = {e1 = (1. . v2 .1 Sea V un espacio vectorial real. 1). 1 An´ alogamente se pueden encontrar las coordenadas de f2 en la base B1 . .6. vi . .5. 1)} y B2 = {f1 = (1. La matriz de orden n cuyas columnas son los vectores coordenados [u1 ]B2 . . f2 = (−1. f2 = (−1.6 Bases ortonormales Ahora introduciremos las nociones de espacios con producto interno lo cual llevar´a de manera natural a hablar de bases ortogonales y ortonormales. . f1 = (1. . vn } dos bases para un espacio vectorial V . . vi + b hu2 . ALGEBRA LINEAL 13 Definici´ on 1. Ejemplo 1. . [un ]B2 de los vectores en B1 con respecto a B2 se denota mediante PB2 ←−B1 y es llamada matriz de transici´ on o cambio de base de B1 a B2 . . Supongamos que a cada par de vectores u. Q es la inversa de P y viceversa. vi. . 0). un } y B2 = {v1 . 1) = 1e1 + 1e2  por lo tanto las coordenadas de f1 respecto a la base B1 es  1 . vi = a hu1 . Esta funci´on se llama producto interno (producto punto o interior) en V si satisface las siguientes caracter´ısticas: i) hau1 + bu2 .3 Consideremos las siguientes dos bases de R2 . 1.5. Definici´ on 1. e2 = (0.´ UNIDAD 1. v ∈ V se le asigna un n´ umero real denotado por hu. u2 .2 Sean B1 = {u1 . . .

ui ≥ 0. entonces a u se le denominar´a vector unitario. Si u 6= 0 entonces u kuk es un vector unitario. ui. A esto se llama normalizar un vector. ui ≥ 0. ui iii) hu. Ejemplo 1. gi = f (t)g(t)dt a Si u ∈ V cumple con kuk = 1. y ∈ X. porplo tanto existe su ra´ız cuadrada positiva. El inciso iii) indica que hu. vi = hv.´ UNIDAD 1. hu. v= . ii) kαxk = |α|kxk. la cual se denotar´a como kuk = hu. ALGEBRA LINEAL 14 ii) hu.2 Sea X un espacio vectorial sobre R.3 a) Considerando a Rn como espacio vectorial se define el producto interior como u · v = a1 b 1 + · · · + an b n donde u = (ai ) y v = (bi ). Definici´ on 1. para todo x ∈ X. Una funci´ on k · k que toma valores no negativos sobre X se dice que es una norma en X si: i) kxk = 0 si y s´olo si x = 0. para todo α ∈ R. para todo x.6. ui = 0 ⇔ u = 0 El espacio vectorial V se denomina entonces espacio con producto interno. iii) kx + yk ≤ kxk + kyk. Esta funci´ on define de manera natural la n norma de un vector v ∈ R como q √ kuk = u · u = a21 + a22 + · · · + a2n b) Sea V el espacio vectorial de las funciones reales continuas en el intervalo a ≤ t ≤ b. El n´ umero real no negativo kuk se denomina norma o longitud de u.6. Cualquier vector diferente del vector cero se puede volver unitario. El siguiente es un producto interno en V Z b hf. En esto casos se acostumbra a decir que la norma en un espacio vectorial est´a inducida por el producto interior.

v2 . wn = vn − α1 w1 − α2 w2 − .. .. . Demostraci´ on. 5).... v3 = (1. se dice ortogonal si cada par de vectores en S son ortogonales. Se puede construir una base ortogonal {w1 . Se dice que u.. 2. con V espacio vectorial.. ..6. wn } como sigue: w1 = v1 w2 = v2 − α1 w1 w3 = v3 − α1 w1 − α2 w2 .6.... −2). 1. 1)..5 Un conjunto de vectores S ⊂ V . El proceso anterior de ortogonalizaci´on se conoce como proceso de GramSchmidt.´ UNIDAD 1.... Al t´ 2 wi se le llama la proyecci´ ik ik a lo largo de wi . Hallar una base ortonormal para V .. vi = 0 Definici´ on 1. Ejemplo 1. 1. Una base de un espacio vectorial se llama ortogonal u ortonormal si lo es como conjunto de vectores. −3...6.6. Entonces H tiene una base ortonormal.. vn } es una base de un espacio con producto interno H..w ermino <vkwn . La expresi´on normalizar un conjunto ortogonal S de vectores se refiere al proceso de multiplicar cada vector de S por el inverso de su longitud con el fin de transformar S en un conjunto ortonormal..w on de vn 2 . ALGEBRA LINEAL 15 Definici´ on 1. . αn−1 wn−1 i> i> donde los αi = <vkwn ... v ∈ V son ortogonales si hu. S se dice ortonormal si es ortogonal y adem´ as. 4. cada vector tiene norma 1.... −4.6 Sea H un subespacio de Rn . ... v2 = (1. . Supongamos que {v1 .7 Consideremos el subespacio V de R4 generado por v1 = (1..... ... .. . Teorema 1.4 Sea V un espacio vectorial con producto interno... Los wi as´ı construidos son ortogonales y se divide entre su norma tendremos una base ortonormal. .. . w2 .

. Se define la transformaci´on lineal  ∂f1 ∂f1 ∂f1  . 2 . ALGEBRA LINEAL 1. . las funciones que han visto de R a R o de Rn a R lineales son casos partculares. . .2 i) Los siguientes son ejemplos de transformaciones lineales de R2 −→ R2 : a) Homotecia: f (u) = ku. . ∂x.1 Sean V y W dos espacios vectoriales sobre un campo K. . Esto es. Si la transformaci´on va de un espacio vectorial al campo de soporte de dicho espacio vectorial. Ejemplo 1. y) = (x. ∂f2    D(f ) =  ∂x.  ∂fm ∂fm ∂fm . tendremos un funcional lineal. aplicaci´ on. c) Sea A el conjunto de todas las funciones f : Rn −→ Rm .´ UNIDAD 1. ∂xn ∂x1 ∂x2 . la transformaci´ on f : Rn −→ Rm definida por f (u) = Au es una transformaci´ on lineal (asociada a la matriz A). operador en lugar de transformaci´on. 1 ∂x. 0) c) Simetr´ıa: f (x.7.7 16 Transformaciones lineales Definici´ on 1. . ∂x ∂x1 ∂x2 n  ∂f2 ∂f2 . Cuando la transformaci´on lineal va de un espacio vectorial V en si mismo tendremos un operador lineal. −y) ii) Si A ∈ Mmxn sobre R. . . Una transformaci´on lineal (u homomorfismo) de V en W es una funci´ on T de V en W tal que T (bα + cβ) = bT (α) + cT (β) para todos los vectores α y β de V y todos los escalares c de K. k ∈ R b) Proyecci´on: f (x. Hay que notar que esta es una definici´on de ”funci´on lineal” generalizada pues el ”dominio” es un espacio vectorial y ”el rango” es otro espacio vectorial. . y) = (x.7. n  .  . . Se pueden utilizar las palabras funci´ on. .

b]. e isomorfismo si es biyectiva. . respectivamente. . • T es inyectiva si T (x) = T (y) =⇒ x = y • T es sobreyectiva si la imagen de T coincide con W . v2 . Se define T por Z T (f (x)) = b f (x)dx a es un funcional lineal.7 Sea T : V −→ W una transformaci´ on lineal. f (vn )} y en consecuencia dim Im T ≤ dim V . Proposici´ on 1.7. al conjunto de todos los vectores α tales que T α = 0. Se llama imagen al subespacio vectorial Im T = (T (V )) y n´ ucleo de T .5 Sea T : V −→ W una transformaci´ on lineal. ALGEBRA LINEAL 17 d) Sea R el campo del espacio vectorial V que consta de todas las funciones continuas en [a. Definici´ on 1. . vn } es una base para V entonces ImT = gen{f (v1 ). epimorfismo si es sobreyectiva.7. Entonces T es monomorfismo si y s´olo si KerT = {0}.7. la transformaci´on lineal y el isomorfismo se suelen llamar endomorfismo y automorfismo. f (v2 ).3 Si T : V −→ W es una transformaci´ on lineal entonces: • T (0) = 0 • T (−u) = −T (u) • S < V =⇒ T (S) < W • El conjunto {u : T (u) = 0} < V Definici´ on 1. Si B = {v1 . . . .7.7. Una transformaci´on lineal (homomorfismo) se llama monomorfismo si es inyectiva.6 Sea T : V −→ W una transformaci´ on lineal. . .´ UNIDAD 1.4 Sean V y W dos espacios vectoriales sobre R y sea T una transformaci´on lineal de V en W . denotado por ker T = T −1 ({0}). Proposici´ on 1. Cuando los espacios inicial y final coinciden. Proposici´ on 1. .

0. . (0. . −1)}) ya que     1 0 1 1 0 1  x=α  0 1 0  −→  0 1 0  =⇒ y=0 α∈R  1 1 1 0 0 0 z = −α  1. vn } es una base para V y {w1 . . . w2 . . 1 1 1 ImT = gen ({(1. (1. 1 ≤ i ≤ n. . . entonces ImT = gen ({T (e1 ). c2 . 1. . 0. . Si BW = {w1 . v2 . wm } es una base de W y T (vj ) = m X i=1 aij wi . . T (en )}) = gen ({c1 .7. ALGEBRA LINEAL 18 Proposici´ on 1. . 1)}) kerT = {u|Au = 0} = gen ({(1. 1≤j≤n . . v2 . 1. .9 R3 −→ R3 es la transformaci´ on lineal asociada a la  Si T :  1 0 1 matriz A =  0 1 0  entonces. 1). 1). . vn } de V . Ejemplo 1. cn }) donde ci es la columna i-´esima de la matriz A. . w2 . .7.8 Si B = {v1 . . T (e2 ).8 Matriz de una transformaci´ on lineal Como hemos visto una transformaci´on lineal T : V −→ W queda un´ıvocamente determinada por las im´agenes de los elementos de una base BV = {v1 . Observaciones. . .´ UNIDAD 1. . Si T : Rn −→ Rm definida por T (u) = Au. . 1). 0. 0. wn } son n vectores cualesquiera de W entonces existe una u ´nica transformaci´ on lineal T : V −→ W tal que T (vi ) = wi . . . e2 . . (0. . A ∈ Mmxn entonces: • Ker T son las soluciones del sistema homog´eneo Au = 0 • Si B = {e1 . . en } es la base can´onica de Rn . 1)}) = gen ({(1. .

. (0. . son las coordenadas en la base BW de las im´agenes de los vectores de la base BV . i=1 i=1 · · · a1n · · · a2n . 1) = 0e1 + 1e2 + 1e3 x2  1 1 1 0  =⇒ T (u) = Au =  T (e3 ) = (0. x3 .. x4 ) = (x1 + x4 . Fijadas las bases BV y BW . 1. j=1     = Au  xn donde las columnas de la matriz A ∈ Mmxn . 0.. 1. 0. . se resuelve el sistema         x1 = α x1 + x4 = 0 x2 = β T (u) = Au = 0 =⇒ =⇒ x1 + x2 + x3 = 0 x3 = −(α + β)       x4 = −α de donde ker T = gen{(1. 1. Ejemplo 1. . 1.. . 0)}. (0. llamada matriz de la transformaci´ on respecto a las bases BV y BW . (0. .. x2 . La imagen es ImT = {(1. 1. −1).1 La expresi´on matricial de la transformaci´ on lineal T : R4 −→ R3 definida. (1. a cada transformaci´on lineal le corresponde una matriz y viceversa. ) = 1e1 + 0e2 + 0e3 x4 Para hallar el n´ ucleo. a12 a22 . . respecto de las bases can´ onicas. ALGEBRA LINEAL 19 entonces la imagen de cualquier u = (x1 . 1) = 1e1 + 1e2 + 1e3 1 0 0 1  T (e2 ) = (0. 1. xn )BV ∈ V .´ UNIDAD 1.  Pn . (0. 1. 1). j=1 amj xj j=1  j=1      =   a11 a21 . por T (x1 . 0).. x2 . x1 + x2 + x3 ) es    x1 T (e1 ) = (1. −1. x1 + x2 + x3 . 0. 1) = 0e1 + 1e2 + 1e3 x3 1 1 1 0 T (e4 ) = (1. 0. expresada en la base BW de W es ! ! n n n m m n X X X X X X T (u) = T xj vj = xj T (vj ) = xj aij wi = aij xj wi j=1  Pn j=1 aij xj  Pn a2j xj j=1  = . am1 am2 · · · amn      x1 x2 . −1.8. 0)} = gen{(1. 1). 1). . 1)}     . 1.

. . . Que es equivalente a decir nuliad (T ) + rango (T ) = dim V . T (vn )} es una base de Im T . . . . entonces rango(T ) + nulidad(T ) = dim(V ) Demostraci´ on Sean dim V = n. v2 . .9 20 Dimensi´ on de la imagen y el n´ ucleo de una transformaci´ on lineal. el rango de T es la dimensi´on de la imagen de T y la nulidad de T es la dimensi´on del espacio nulo de T . ALGEBRA LINEAL 1. . . vr . . Sopongamos que V es de dimensi´ on finita. . n X αi vi ∈ KerT i=r+1 αi vi = r X (−αi )vi i=1 1 ≤ i ≤ n =⇒ αi = 0 r+1≤i≤n i=1 Por lo tanto dim(ker T ) + dim(Im T )= dim V . . . el conjunto de todos los vectores α ∈ V tales que T (α) = 0 es el n´ ucleo de la funci´on al que tambi´en se le llama espacio nulo de T . vr+1 . Entonces B2 = {T (vr+1 ). ya que • B2 es un sistema de generadores: w ∈ ImT =⇒ w = T (v) con v= n X αi vi ∈ V i=1 =⇒ w = T (v) = T n X ! αi vi = i=1 n X n X αi T (vi ) = i=1 αi T (vi ) i=r+1 • B2 es linealmente independiente: n X αi T (vi ) = T i=r+1 n X n X i=r+1 =⇒ αi vi = 0 =⇒ i=r+1 =⇒ n X ! αi vi = 0 =⇒ αi = 0. vn } una base de V .´ UNIDAD 1.9. . . Si T : V −→ W es una transformaci´on lineal y V es de dimensi´on finita.1 Sean V y W espacios vectoriales sobre el campo K y sea T una transformaci´on lineal de V en W . vr } una base de ker T y B = {v1 . dim (ker(T )) = r ≤ n y B1 = {v1 . v2 . Teorema 1. . . Teorema Fun´ damental del Algebra Lineal Como hemos visto.

ALGEBRA LINEAL 1. como T (v) = Av entonces kerT = {v : T (v) = 0} = {v : Av = 0} = kerA ker A se llamar´a n´ ucleo de A y puede denotarse como NA .2 Dado el sistema de ecuaciones lineales x1 − 3x2 − 2x3 = 0 −5x1 + 9x2 + x3 = 0 cuya forma matricial es AX = 0.1 Sean T : V −→ W una transformaci´ on lineal y A la matriz asociada a la transformaci´ on. por tanto como ya hablamos del rango y nulidad de una transformaci´on lineal es natural preguntarse cu´ales ser´ıan el rango y la nuliad en una matriz.10 21 Rango y nulidad de una matriz Como hemos visto. La dimensi´ on de este espacio se llamar´a rango de A. La dimensi´ on de este espacio se llamar´a nulidad de A. a cada transformaci´on lineal le corresponde una matriz. Definici´ on 1.10. Si ker T = ker A contiene s´ olo al vector {0} entonces diresmo que la nulidad es cero.3 Sean T : V −→ W una transformaci´ on lineal y A la matriz asociada a la transformaci´ on. Determine • el n´ ucleo de A • nulidad de A   5 • verifique si v =  3  pertenece al n´ ucleo de A −2 • la transformaci´on lineal que genera la matriz A Definici´ on 1.´ UNIDAD 1. Ejemplo 1.10. como T (v) = Av entonces ImT = {w : T (v) = w} = {w : Av = w} = ImA Im A se llamar´a imagen de A y puede denotarse como RA .10. .

Entonces en 1743. . c2 . cn } las columnas de A.5 Si A es una matriz de mxn. cuyas razones por alg´ un espiritualismo incomprensible se materializan en n´ umeros finitos. . • V y W .10. r2 . ecuaciones diferenciales. b ∈ R . Entonces definimos SA = espacio fila deA = gen{r1 . Hallar una matriz A   −7a tal que W ∈ gen (columnas) de A. .10. Euler lleg´o a ser el principal de los matem´aticos de la Academia en San Petesburgo a la edad de 26 aos. si T : V −→ W . Determinar: • RA • NA • La transformaci´on lineal de la cual proviene A. teor´ıa de n´ umeros y calculo de variaciones. . . una funci´on era un conjunto de representaciones formales transformables una en otra mediante ingeniosos artificios que utilizaban desde el ´algebra elemental hasta el c´alculo. c2 .4 Sea W = . . . a.10. 1. determinados. . Euler escribi´o m´as de 500 libros sobre c´alculo. ALGEBRA LINEAL 22     6a − b    a+b Ejemplo 1. rm } CA = espacio columna deA = gen{c1 . . . . .6 Si A es una matriz mxn entonces dim SA =dim CA = dim RA . . geometr´ıa anal´ıtica y diferencial. Sus diferenciales son en primero y u ´ltimo lugar ceros absolutos. rm } las filas de A y por {c1 . . r2 . 1707-1783) cuando en 1743 introdujo por primera vez el m´etodo est´andar de resoluci´on de una ecuaci´on diferencial de n-´esimo orden con coeficientes constantes. De paso debe anotarse que para Euler. denotemos por {r1 . .11 Valores propios y vectores propios Notas hist´ oricas La primera aplicaci´on de los valores propios se debe al matem´atico Leonhard Euler (suizo. cn } Proposici´ on 1.´ UNIDAD 1. . Euler introduce el m´etodo est´andar para la soluci´on de una ecuaci´on diferencial de n-´esimo orden con coeficientes constantes . Definici´ on 1.

al hallar la soluci´on de un sistema de ecuaciones diferenciales hallando las ra´ıces de lo equivalente a la ecuaci´on caracter´ıstica de la matriz de coeficientes. A. para v 6= 0. donde V es un espacio vectorial de dimensi´on finita.1 Sea V un espacio vectorial de dimensi´ on finita y sea T : V −→ V una transformaci´ on lineal. y como es de suponer. Como v 6= 0 entonces Av = λv Av − λIv = 0 (A − λI) v = 0 . 1856-1922) quien genera el concepto de probabilidades encadenadas. El nombre de cadenas de Markov se debe al matem´atico A. Definici´ on 1. la topolog´ıa y los espacios abstractos.´ UNIDAD 1. esto es. relativa a una base. se encuentran los de trigonometr´ıa esf´erica en un espacio de n dimensiones. veremos que la manera de encontrar dicha base. v ∈ V y alg´ un escalar λ entonces λ se llamar´ a un valor propio para T y v se llamar´ a el vector propio asociado al valor propio λ . Toda transformaci´on lineal tiene asociada una matriz. Entre los m´etodos que se han encontrado aplicaciones en estad´ıstica. dada una transformaci´on lineal T : V −→ V . Markov quien las defini´o por primera vez en un art´ıculo en 1906. entonces en la definici´on anterior podemos utilizar de manera equivalente T (v) = Av = λv. Lagrange dio una versi´on m´as expl´ıcita de esta misma idea. Un ejemplo de la moderna teor´ıa es la generada por Andrei Andreevitch Markov (ruso. Buscaremos una base ordenada para el espacio vectorial V de tal manera que la matriz asociada a T relativa a esa base sea una matriz diagonal. Si T (v) = λv. ALGEBRA LINEAL 23 Y n + an−1 Y (n−1) + + a1 Y 0 + a0 Y = 0 Para lo cual utiliz´o el concepto de ecuaci´on caracter´ıstica. Esto se refiere a cadenas de probabilidades sucesivas en las que el valor de la probabilidad de una variable en un lugar dado de la cadena depende de los valores obtenidos para las variables anteriores. Dos d´ecadas m´as tarde. En esta secci´on trataremos el problema de la diagonalizaci´on. La estad´ıstica moderna exige muchos conocimientos y mucha pericia a los matem´aticos puros para que se dediquen a ella.11.

´ UNIDAD 1. . Definici´ on 1. Proposici´ on 1. + bn λn al polinomio anterio le llamaremos polinomio caracter´ıstico. . por lo tanto tenemos p(λ) = |A − λI| = b0 + b1 λ + b2 λ2 + . vn ] es invertible. es decir.11. . . . . v2 .11. tambi´en lo es kv. λ2 . es decir.11. λ1 .3 Dado un valor propio λ. λr22 . que el polinomio no tenga soluciones en el campo K • que tenga n ra´ıces diferentes. λrns Los ri se llamar´an multiplicidades algebraicas de los λi . Y otro resultado importante es que dado el valor propio λ no s´olo v es su vector propio asociado. se define su espacio propio como Eλ = {v : Av = λv}. . . k ∈ K. que |A − λI| = 0 es una ecuaci´on con variable λ.2 Sea A una matriz de orden n. . por lo tanto |A − λI| = 0 a la ecuaci´on anterior la llamaremos ecuaci´ on caracter´ıstica. . v2 . si λ1 . . para cada valor propio λ. vn son linealmente independientes. . Si los vectores propios v1 . . λr11 . entonces la matriz P = [v1 v2 . . La dimensi´ on de dicho espacio se llamar´ a multiplicidad geom´ etrica de λ. Las ra´ıces del polinomio anterior pueden presentar tres casos: • no tener ra´ıces reales. . . .4 La multiplicidad algebraica es mayor o igual que la multitplicidad geom´etrica. . Dada la transformaci´on lineal T : V −→ V es f´acil demostrar que Eλ es un subespacio de V . Es claro. ALGEBRA LINEAL 24 tiene una infinidad de soluciones lo cual implica que la matriz A − λI no es invertible. λn son n valores propios de A entonces sus respectivos vectores propios v1 . vn son linealmente independientes. λ2 . . . λn • que tenga ra´ıces repetidas. . . . Proposici´ on 1. . .

12.11. 1.12 Matrices equivalentes y diagonalizaci´ on Definici´ on 1. geom´etrica y construir la matriz P en cada caso   2 −1 a) −4 2   3 −5 b) 1 −1   4 0 c) 0 4   4 1 d) 0 4   3 2 4 e)  2 0 2  4 2 3   −5 −5 9 9 18  f)  8 −2 −3 −7   −1 −3 −9 5 18  g)  0 0 −2 −7 Proposici´ on 1. se llaman equivalentes si existe una matriz invertible.1 Dos matrices de orden n. Entonces A tiene n vectores propios linealmente independientes si y s´ olo si la multiplicidad geom´etrica de todo valor propio es igual a la multiplicidad algebraica. ALGEBRA LINEAL 25 Ejemplo 1.11. de orden n tal que B = C −1 AC . C.6 Sea A una matriz de orden n. espacios propios y las multiplicidades algebraica.´ UNIDAD 1. A y B.5 Para los siguientes ejemplos encontrar:valores propios. vectores propios.

Definici´ on 1. .5 Si la matriz A de orden n tiene n valores propios distintos.´ UNIDAD 1.12. Proposici´ on 1. entonces A es diagonalizable.3 Una matriz A de orden n es diagonalizable si existe una matriz diagonal D tal que A es equivalente a D.2 Si A y B son matrices equivalentes de orden n entonces A y B tienen la misma ecuaci´ on caracter´ıstica y por tanto los mismos valores propios.4 Una matriz de orden n es diagonalizable si y s´ olo si tiene n vectores linealmente independientes. Como caso particular tenemos que si A es una matriz de orden n y P es la matriz cuyas columnas son los vectores propios de A entonces D = P −1 AP Corolario 1.12.12. ALGEBRA LINEAL 26 Obviamente se puede decir que toda matriz de orden n es equivalente a s´ı misma. Proposici´ on 1.12.

. . . . n. n. Propiedades de los valores propios. 2. λn y µ1 . . los valores propios de A1/p son λi . Sean A ∈ Mnxn y B ∈ Mmxm dos matrices cuyos valores propios son los escalares λ1 .13 27 Algunos resultados importantes Proposici´ on 1.1 Sea A una matriz de orden n. siendo 1 + λi sus 1 valores propios y 1+λ los de su inversa. µm .+|A| siendo tri (A). n sean reales. . n h) Para cualquier n´ umero natural k no nulo los valores propios de Ak son k λi . . . i = 1. se tiene que |A−λI| = (−λ)n +(−λ)n−1 tr1 (A)+(−λ)n−2 tr2 (A)+(−λ)n−3 tr3 (A)+. . i = 1. . 2. . 2.´ UNIDAD 1. . . . iguales o distintos. . respectivamente. n − 1 la suma de todos los menores de orden i que contienen en su diagonal principal i elementos de la diagonal principal de A.. . i = 1. ALGEBRA LINEAL 1. i = 1. 2. . . . 2. . . entonces los valores propios de A−1 son 1/λi . n f ) Si m = n entonces lo valores propios de AB y BA son los mismos g) Si A es no singular. . i = 1. 2. . i . . n i) Si A es una matriz de orden n con elementos pertenecientes a R tal que sus valores propios λi . Estos valores propios pueden ser reales o complejos. n j) Si λi 6= −1. . i = 1. n´ umero natural impar. entonces A + I es invertible. . . .. Se verifica que: a) Los valores propios de At coinciden con los de la matriz A b) El n´ umero de valores propios no nulos de una matriz A de rango r < n es mayor o igual que n − r Q c) |A| = ni=1 λi P d) tr (A) = ni=1 λi e) Los valores propios de αA para cualqier α ∈ R(C). 2. . . . . entonces para todo 1/p p. i = 1. . .13. i = 1. . 2. . . alpha 6= 0 son αλi . . . Si p es par esta propiedad se verifica siempre que λi ≥ 0.