Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
Introducci
on 5
2 Espacios Vectoriales 31
2.1 Denicion y propiedades basicas de espacio vectorial . . 31
2.2 Sub-espacios vectoriales . . . . . . . . . . . . . . . . . 42
2.3 Combinaciones Lineales . . . . . . . . . . . . . . . . . . 52
2.4 Sub-espacio generado . . . . . . . . . . . . . . . . . . . 58
2.5 Dependencia Lineal . . . . . . . . . . . . . . . . . . . . 69
2.6 Bases de un espacio vectorial . . . . . . . . . . . . . . . 79
2.6.1 Metodo para encontrar una base de un espacio
vectorial . . . . . . . . . . . . . . . . . . . . . . 85
2.6.2 Aplicacion del Teorema de Steinitz . . . . . . . 89
2.7 Dimension de un espacio vectorial . . . . . . . . . . . . 92
2.8 Suma de sub-espacios vectoriales . . . . . . . . . . . . 101
2.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 116
1
2
4 Matrices 173
4.1 Matriz asociada a una aplicacion lineal . . . . . . . . . 173
4.2 Suma de morsmos y suma de matrices . . . . . . . . . 179
4.3 Producto de un escalar por un morsmo y producto de
un escalar por una matriz . . . . . . . . . . . . . . . . 181
4.4 Composicion de morsmos y producto de matrices . . . 183
4.5 Algunos tipos especiales de matrices . . . . . . . . . . . 186
4.6 Forma matricial de f (v) = w . . . . . . . . . . . . . . . 193
4.7 Forma matricial de un sistema de ec. lineales . . . . . 195
4.8 Isomorsmos y matrices invertibles . . . . . . . . . . . 195
4.9 Automorsmo y matriz de cambio de base . . . . . . . 200
4.10 Un morsmo cualquiera y matrices equivalentes . . . . 203
4.11 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 206
4.12 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 215
5 Determinantes 219
5.1 Determinantes de matrices de M2 (K) . . . . . . . . . . 219
5.2 Determinantes de matrices de M3 (K) . . . . . . . . . . 225
5.3 Determinante de matrices de Mn (K) . . . . . . . . . . 228
5.4 Interpretacion geometrica del determinante . . . . . . . 231
5.5 Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . 232
5.6 Determinante de un endomorsmo . . . . . . . . . . . 234
5.7 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 236
5.8 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 246
6 Diagonalizacion 249
6.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . 249
6.2 Valores propios y vectores propios . . . . . . . . . . . . 253
6.3 Valores propios simples . . . . . . . . . . . . . . . . . . 258
6.4 Valores propios m ultiples . . . . . . . . . . . . . . . . . 265
3
Eplogo 317
Bibliografa 319
Introducci
on
Queremos que sepas que estos apuntes los escribimos con toda ded-
icacion para ti. Deseamos que te entretengas estudiando y que por
supuesto, te alegre aprender.
Tratamos de explicarte como ha ido naciendo el Algebra Lineal. Tu
sabes, las matematicas han sido creadas por personas al igual que ti
y siempre tuvieron un motivo para crear tal denicion, proposicion o
teorema. Siempre tuvieron un motivo para dar tal nombre a tal ente
matematico.
Queremos conversarte de lo importante que es para ti, estudiar clase
a clase, muy especialmente en el primer y segundo captulo. Son con-
ceptos muy distintos, sin embargo, bastantes alumnos los confunden
y esto se debe exclusivamente a la falta de estudio organizado.
El Algebra Lineal, como las demas materias, no se puede estudiar
solo la u
ltima semana antes de la prueba. Que no tengas que decir:
Estudie los dos u
ltimos das hasta la madrugada y mire profe, me
saque un dos
Al ir estudiando es muy importante que leas con mucha atencion la in-
troduccion en cada captulo y en cada seccion. Ah se explica lo que se
quiere conseguir en esa seccion, se explica cual es el problema a estu-
diar. As sera mas facil entender la materia. Si tienes poco tiempo para
estudiar, no creas que ganaras tiempo saltandote las introducciones.
Eso es un error.
Las explicaciones que hay a lo largo de los apuntes se deben a una serie
de consultas que han hecho los alumnos en forma frecuente y tambien
5
6
Sistemas de Ecuaciones
Lineales
1 x1 + 2 x2 + + n xn = , i , K
7
8 M.T. Alcalde - C. Burgue
no Algebra Lineal
K = Q, IR, C, ZZ 2 , ZZ 3 , ZZ p , p primo
Ejemplo
Soluci
on
Ejemplo
Estas dos ecuaciones son equivalentes pues tienen las mismas solu-
ciones.
Ejemplo
1) : x + 3y 5z = 5
2) : 2x + 6y 10z = 10
Estas dos ecuaciones son equivalentes.
Nota
Ejemplo
)
2x y + z = 1
x + 3y + 2z = 5
Ejemplo
3x + 2y = 11
4x y = 11
x + 3y = 9
x + y = 14
Ejemplo
x+y+z=4
2x + 3y = 7
3x y + z = 2
Ejemplo
)
x+y+z=2
2x + 2y + 2z = 5
11 x1 + 12 x2 + +1n xn = 1
21 x1 + 22 x2 + +2n xn = 2
......................................
m1 x1 + m2 x2 + +mn xn = m
Observaci
on
Estudiemos el sistema
)
E1 : 2x y = 4
E1 + E2 : 5x = 5 x=1
E2 : 3x + y = 1
x = 1 en E2 : y = 1 3 y=-2
x = 1 en E2 : 2y = 3 1 y=-2
12 M.T. Alcalde - C. Burgue
no Algebra Lineal
Puesto que los dos sistemas tienen las mismas soluciones diremos que
son equivalentes.
Tenemos, entonces, la denicion siguiente:
1.2 Combinaci
on lineal de ecuaciones
En esta seccion nos ocuparemos de como obtener a partir de algunas
ecuaciones, otras ecuaciones, dentro del mismo sistema.
Veamoslo en un ejemplo. Es tan facil comprender los conceptos en
un ejemplo! ... y luego generalizarlo.
Observaci
on
Definici
on 1.3.1 Diremos que una operaci on es elemental si nos
permite pasar de un sistema de ecuaciones a otro equivalente.
Ejemplo
Ejemplo
Ejemplo
) )
x=6 L1 (0) 0x = 0
x + 2y = 7 x + 2y = 7
7x
{(x, ); x IR}
2
Ejemplo
( 5)x + ( 5)y = 3( 5)
Ejemplo
(1)
) )
x+y=3 L21 x+y=3
xy=7 2x = 10
Nota
Observaci
on
Consideremos el sistema:
E1 : 3x + y = 2
E2 : 2x y = 3
E3 : x + 2y = 1
Observaci
on
n
umero de ecuaciones = n
umero de incognitas.
Definici
on 1.5.1 Un sistema de n ecuaciones y n incognitas, lineal-
mente independiente, es llamado Sistema de Cramer.
Observaci
on
Proposici
on 1.5.1 Un sistema de Cramer tiene una u
nica solucion.
Demostraci
on
E1 : 11 x1 + 12 x2 + +1n+1 xn+1 = 1
E2 : 21 x1 + 22 x2 + +2n+1 xn+1 = 2
....................................................
En : n1 x1 + n2 x2 + +nn+1 xn+1 = n
En+1 : n+11 x1 + n+12 x2 + +n+1n+1 xn+1 = n+1
Ejemplo
x + 2y + 5t = 2
z + 3t = 3
u=4
1 2 0 5 0 2
0 0 1 3 0 3
0 0 0 0 1 4
Definici
on de sistema escalonado
Ejemplo
)
x + 4z + 3t = 1
y + 2z + 5t = 4
!
1 0 4 3 1
0 1 2 5 4
Ejemplo
0 0 0 1
Definici
on 1.6.1 Matriz es una ordenaci
on rectangular de n
umeros.
Definici
on 1.6.2 Escalonar un sistema de ecuaciones lineales es lle-
varlo a un sistema escalonado equivalente, a traves de operaciones
elementales.
Observaciones
0 0 0 1
Ejercicio
x+y+z=2
2x y + 2z = 2
x + 2y + 2z = 3
x y + 2z = 3
Soluci
on
(2)
1 1 1 2 L21 1 1 1 2
2 1 2 2
0 3 0 6
(1)
1 2 2 3 L31 0 1 1 1
1 1 2 3 (1)
L41 0 2 1 5
(1)
1 1 1 2 L12 1 0 1 0
( 1 )
L2 3
0 1 0 2 0 1 0 2
(1)
0 1 1 1 L32 0 0 1 1
(1)
L4 0 2 1 5 (2) 0 0 1 1
L42
1 0 0 1
(1)
L13 x=1
0 1 0 2
y=2
0 0 1 1
(1)
L43 0 0 0 0 z=-1
Ejercicio
x y z + 2u = 0
x + y + 3z + 4u = 0
2x + y + 4z + 7u = 0
3x + y + 5z + 10u = 0
Soluci
on
(1)
1 1 1 2 0 L21 1 1 1 2 0
1 1 3 4 0
0 2 4 2 0
(2)
2 1 4 7 0 L31 0 3 6 3 0
3 1 5 10 0 (3) 0 4 8 4 0
L41
(1) (1)
L22 1 1 1 2 0
L12
1 0 1 3 0
0 1 2 1 0
0 1 2 1 0
( 31 ) (1)
L3 0 1 2 1 0 L32 0 0 0 0 0
( 41 ) 0 1 2 1 0 (1) 0 0 0 0 0
L4 L42
Ejercicio
Soluci
on
1 0 4 6 1 (1) 1 0 4 6 1
L21
1 1 9 6 3 0 1 5 0 2
0 2 10 + 3 + 3 0 2 10 + 3 + 3
(2) 1 0 4 6 1
L32
0 1 5 0 2 (1.1)
0 0 0 +3 1
0 0 0 0 4
5+9
1 0 4 0
( 1 ) 1 0 4 6 1 (6) +3
L3+3 L13
0 1 5 0 2 0 1 5 0 2
0 0 0 1 1
0 0 0 1 1
+3 +3
x + 4z = 5+9
+3
y + 5z = 2 6= 3
t = 1
+3
x = 5+9 4z
+3
y = 2 5z ; z IR, 6= 3
1
t = +3
1 0 4 6 1
1 1 9 6 3
2E1 2E2 + E3 : 0 = 4
0 2 10 0 0
E1 : ( 5+9
+3
4z) + 4z + 66
+3
= +3
+3
= 1
5+9 66 +3
E2 : ( +3 4z) + (2 5z) + 9z + +3 = +3
+ 2 = 3
1
E3 : 2(2 5z) + 10z + ( + 3) +3 = 4 + 1 = ( + 3)
Luego cumple
Ejercicio
x + 2y + 3z = 1
x + ( + 1)y + ( + 2)z = 2
x + 2y + ( + 5)z = 2 7
Captulo 1. Sistemas de Ecuaciones Lineales 27
Soluci
on
1 2 3 1
1 +1 +2 2
1 2 + 5 2 7
(1)
L21 1 2 3 1
0 1 1
3
(1.2)
(1) 2
L31 0 0 + 2 6
Caso 1 + 2 = 0 es decir = 2
Reemplazando en (1.2), tenemos:
1 2 3 1 ( 1 ) 1 2 3 1
L2 3
0 3 3 3 0 1 1 1
0 0 0 0 0 0 0 0
1 0 1 1
L12 (2)
0 1 1 1
0 0 0 0
El sistema escalonado es :
) )
x+z=1 x=1z
; z IR
y + z = 1 y = 1 z
Caso 2i 1 = 0, es decir = 1
En el sistema (1.3), la segunda ecuacion queda
28 M.T. Alcalde - C. Burgue
no Algebra Lineal
0 = 3
(3)
1 2 3 1
( 1 ) L13
L21 0 1 1
3
1
0 0 1 3 (1)
L23
2 +38
1 2 0 3 + 8 (2) 1 0 0
1
2 +4 L12 2 +4
0 1 0 0 1 0
1
1
0 0 1 3 0 0 1 3
2 + 3 8 2 + 4
x= ; y= ; z =3
1 1
)
E1 : x + 2y + 3z = 1
E2 : x + 2y + 3z = 2
Con estas dos ecuaciones basta ver que el sistema es inconsistente. Las
demas soluciones satisfacen el sistema. Ahora es su turno comprobar
las otras soluciones. Animo!
Ejercicio
x+z=1
y + z = 1
(2 4)y + ( 2)z = + 2
Soluci
on
1 0 1 1
0
1 1 1
2
0 4 2 +2
(2 +4) 1 0 1 1
L32 1
0 1 1 =
0 0 2 + + 2 2 + 2
1 0 1 1
= 0 1
1 1
(1.4)
0 0 ( 2)( + 1) ( + 2)( 1)
Caso 1 2 = 0, es decir = 2
La tercera ecuacion queda 0 = 4 Luego no existe solucion.
Caso 2 + 1 = 0, es decir = 1
La tercera ecuacion queda 0 = 2 Luego no existe solucion.
Caso 3 6= 1, 2
Escalonamos a partir de (1.4)
1 1 0 1 1
L3 ( (2)(+1) ) 0 1 1 1
(+2)(1)
0 0 1 (2)(+1)
30 M.T. Alcalde - C. Burgue
no Algebra Lineal
2(2 2)
(1)
L13 1 0 0 (2)(+1)
2
0 1 0
(2)(+1)
(1) (+2)(1)
L23 0 0 1 (2)(+1)
2(2 2) 2 ( + 2)( 1)
x= ; y= ; z=
( 2)( + 1) ( 2)( + 1) ( 2)( + 1)
Ejercicios Propuestos
un el valor de IR
3. Resuelva la familia de sistemas, seg
x + y + z = 1
x + y + z = 1
x + y + z = 1
Espacios Vectoriales
2.1 Definici
on y propiedades b
asicas de
espacio vectorial
Nos parece que este es uno de los captulos mas emocionante del curso.
Este concepto de espacio vectorial, realmente hace crear un nuevo
espacio en nuestras mentes. Es algo muy diferente a lo estudiado en el
curso anterior de Algebra.
Todos los conceptos de este captulo, los veremos geometricamente
para poder entenderlos mejor.
Despues de haber visualizado estos conceptos uno puede hacer her-
mosas abstracciones y llegar a tener pensamientos tales como una
funcion es un vector.
Veremos muchsimos ejemplos y ejercicios. Vas a poder experimentar,
t
u mismo, que es un espacio vectorial y que es lo que ocurre en el que
lo hace algo tan especial.
Ademas esperamos que te vayas imaginando los conceptos y propiedades,
de manera que vayas haciendote preguntas de materias que veremos
unas hojas mas adelante.
Es tratar de vivir uno mismo la historia de la creacion de esta rama
31
32 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
Tenemos que IR2 con esta suma cumple las siguientes propiedades
1. La suma es asociativa
4. La suma es conmutativa
Ex : IR IR2 IR2
(, (x, y)) 7 (x, y) (x, y) IR2 , IR
5. 1 (x, y) = (x, y)
34 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
1. Una operaci
on llamada suma, denotada por +:
+ : V V V ; (v, w) ; v + w
Captulo 2. Espacios Vectoriales 35
Esta operaci
on es una ley de composicion interna.
2. Una operaci
on entre los elementos de V y los elementos de K,
denotada por Ex que cumple
Ex : K V V ; (, v) ; v
Nota
Nota
Ejemplo
~v + w
~ = (2x, x)+(2y, y) = (2x+(2y), x+y) = (2(x+y), x+y)
Ejemplo
Ejemplo
Ejemplo
Q( 2) = {a + b 2; a, b Q} es un Q-espacio vectorial, donde la suma
esta denida por:
(a + b 2) + (a + b 2) = (a + a ) + (b + b ) 2
y el producto por escalar por:
(a + b 2) = a + (b) 2
de donde Q(2) es cerrado para la suma y producto por escalar. Se
tiene que Q( 2) con la suma y la ponderacion as denidas, cumple
los ocho axiomas.
Ejemplo
Ejemplo
Ejemplo
Ejemplo
a b
M22 (K) = { ; a, b, c, d K}, es el espacio vectorial formado
c d
por todas las matrices de 2 2 con coecientes en K.
La igualdad de matrices esta dada por:
a b a b
= si y solo si a = a , b = b , c = c , d = d .
c d c d
Ademas la suma esta denida por:
a b a b a + a b + b
+ =
c d c d c + c d + d
a b a b
=
c d c d
Ejemplo
(f )(x) = f (x)
40 M.T. Alcalde - C. Burgue
no Algebra Lineal
ZZ 3 ( 2) = {a + b 2); a, b ZZ 3 }
es un espacio vectorial sobre ZZ 3 , con la suma denida por
(a + b 2) + (c + d 2) = (a + c) + (b + d) 2
ZZ 3 ( 2, 5) = {a + b 2 + c 5 + d 10; a, b, c, d K3 }
es un espacio vectorial sobre ZZ 3 , sobre ZZ 3 ( 2) y sobre ZZ 3 ( 5)
Ejemplo
ZZ 5 [X] = {a0 + a1 X + a2 X 2 + . . . + an X n ; a0 , a1 , a2 , . . . , an ZZ 5 } es
un ZZ 5 -espacio vectorial, con la suma denida en ZZ 5 [X]:
Cuya multiplicacion por escalar esta denida por:
Captulo 2. Espacios Vectoriales 41
Proposici
on 2.1.1 Sea V un K-espacio vectorial. Entonces
1. El neutro es u
nico.
Demostraci
on de 1
Demostraci
on de 2
v = v + 0 = v + (v + v ) = (v + v) + v = 0 + v = v
Proposici
on 2.1.2 Sea V un K-espacio vectorial. Entonces:
1. 0v = ~0, v V .
2. ~0 = ~0, K
3. ~v = ~0, K, v V = = 0 o v = ~0
5. (1)v = v, v V
42 M.T. Alcalde - C. Burgue
no Algebra Lineal
Demostraci
on 1
0 v = (0 + 0)v = 0 v + 0 v luego 0 v = ~0
Demostraci
on 2
Demostraci
on 3
Demostraci
on 4
Demostraci
on 5
Ejemplo
Observaci
on
En K 2 , consideremos
A = {(2x + 1, x); x K}
44 M.T. Alcalde - C. Burgue
no Algebra Lineal
Problema
Proposici
on 2.2.1 (Caracterizaci
on de sub-espacio vectorial)
Sea V un K-espacio vectorial. S V , S 6= . Entonces son equiva-
lentes
Captulo 2. Espacios Vectoriales 45
1. S es sub-espacio de V .
2. (a) v + w S, v, w S
(b) v S, K, v S
3. v + w S v, w S, K
Demostraci
on
(1)(2)
Puesto que S es un sub-espacio vectorial de V , en particular es un
espacio vectorial, luego cumple (2).
(2)(1)
Para demostrar (1), tenemos que demostrar que se cumplen los 8 a-
xiomas y que las operaciones estan bien denidas.
Que S es cerrado para la suma, lo sabemos por (a). Que la ponderacion
esta bien denida, lo sabemos por (b).
Sabemos que en V , la suma es asociativa y conmutativa y S V ,
luego la suma es asociativa y conmutativa en S.
En la hipotesis general, tenemos que S 6= , luego existe un vector en
S, llamemosle v. Multipliquemos v por el escalar 0 (este existe, pues
K es un cuerpo) tenemos 0 v = ~0. Luego ~0 esta en S. As tenemos
E.V.2.
Sea v S, un vector cualquiera. Este vector lo podemos multiplicar
por (1), tenemos (1)v = v, luego v S. As tenemos E.V.3.
En ambos casos, usamos (b).
los restantes axiomas se obtienen trivialmente por el hecho que S es
un subconjunto de V .
Luego (2)(1)
46 M.T. Alcalde - C. Burgue
no Algebra Lineal
Nota
Ejemplo
S = {(a, 0)/a K} K 2
En efecto, S 6= , pues, por ejemplo (2, 0) S. Sean s, s S, luego
s = (a, 0) y s = (a , 0), ciertos a, a K. Tenemos s + s = (a, 0) +
(a + 0) = (a + a , 0) el cual es un elemento de S.
Sea K, luego s = (a, 0) = (a, 0) = (a, 0) el cual es
tambien un elemento de S. Luego S es un sub-espacio vectorial de K 2 .
Ejemplos
Ejemplo
S = {(a, b); a + b = 0} K 2
En efecto, S 6= , pues, por ejemplo (2, 2) S. Sean s, s S,
entonces s = (a, a), s = (b, b), ciertos a, b K. Tenemos s + s =
(a, a) + (b, b) = (a + b, a b) el cual es un elemento de S, pues
la suma de las componentes del par ordenado es nula.
Sea K, tenemos (a, a) = (a, (a)) = (a, a), el cual es
un elemento de S. Luego S K 2 .
Ejercicio
Soluci
on
2. Demostremos que u, v S u + v S
Sean u, v S. Esto signica que u y v tienen la forma u = (x, y),
v = (x1 , y1 ) donde 2x 3y = 0 y 2x1 3y1 = 0. La suma de u y
v es:
u + v = (x, y) + (x1 , y1 ) = (x + x1 , y + y1 )
y se cumple:
2(x + x1 ) 3(y + y1 ) = 2x + 2x1 3y 3y1 =
= (2x 3y) + (2x1 3y1 ) = 0
Luego u + v S.
Ejercicio
a b
Demostremos que S = ; a, b, c K M22 (K).
0 c
Soluci
on
3 5
1. S, luego S 6= .
0 2
2. u, v S. Esto signica que u y v tienen la forma:
a b a1 b 1
u= yv= .
0 c 0 c1
Sumando tenemos:
a b a1 b 1 a + a1 b + b 1
u+v = + = S.
0 c 0 c1 0 c + c1
a b a b
3. u = = S.
0 c 0 c
Ejercicio
Soluci
on
Ejercicio
Soluci
on
1. p(X) = 1 + X + X 2 S, luego S 6= .
Ejercicio
Soluci
on
Ejercicio
Soluci
on
2. Sean f, g S, luego
(f + g)(x 1) = f (x 1) + g(x 1) = f (x) + g(x) = (f + g)(x).
Luego (f + g) S
Ejercicio
En K 4 , considere el sub-espacio
S = {(x + y + 2z, x + 2y + 2z, 2x + 3y + 5z, x + 2y + 5z); x, y, z K}.
Busquemos una representacion cartesiana de S.
Captulo 2. Espacios Vectoriales 51
Soluci
on
Sea
x + y + 2z = a
x + 2y + 2z = b
2x + 3y + 5z = c
x + 2y + 5z = d
Ejercicio
En K 4 , considere el sub-espacio
S = {(a, b, c, d); 2a b c + d = 0, a + b + d = 0}
descrito en forma cartesiana.
Busquemos una representacion parametrica de S.
! !
2 1 1 1 0 1 0 13 2
0
3
1 1 0 1 0 0 1 13 1
3
0
) )
a 13 c + 23 d = 0 a = 31 c 32 d
Luego Es decir c, d K
b + 13 c + 13 d = 0 b = 13 c 13 d
S = {( 13 c 23 d, 31 c 13 d, c, d); c, d K}
Ejercicio
Soluci
on
1. 0 S, 0 T luego 0 S T , es decir S T 6=
2. Sean u, v S T , esto signica que u, v S y al mismo tiempo
u, v T .
Pero si u, v S se tiene que u + v S, pues S es un sub-espacio
vectorial de V y u + v T , pues T es un sub-espacio vectorial
de V . Luego u + v S T .
3. Sea u S T , luego u S y u T . Puesto que S y T son sub-
espacios vectoriales, tenemos que u S y u T K,
es decir, u S T , K
Ejercicio
Demostraci
on
Observaci
on
Sea V = IR2 , espacio vectorial sobre IR, sea u = (2, 1) IR2 . A partir
de u podemos obtener otros vectores, como por ejemplo, u1 = 3(2, 1),
es decir, u1 = (6, 3), o bien u2 = (10, 5), o u3 = (8, 4), etc.
Entonces diremos que u1 es combinacion lineal de u. Lo mismo para
u2 y u 3 .
Observaci
on
Observaci
on
Luego
(3, 3) = (2 + 4, + 2)
es decir, que cumplan simultaneamente
)
3 = 2 + 4
3 = + 2
54 M.T. Alcalde - C. Burgue
no Algebra Lineal
pero, dos cantidades iguales a una tercera son iguales entre si, luego
comparando las ecuaciones tenemos 3 = 32 , lo cual es una con-
tradiccion. El error estuvo en suponer que w lo podamos obtener
a partir de u y v.
En este caso diremos que w no es combinacion lineal de u y v.
v = 1 v1 + 2 v2 + . . . + n vn , ciertos i K, ciertos vi S
Ejemplo
Ejercicio
Soluci
on
1. Sea w1 = (1 + 2X + X 2 ) + (X X 2 ). Luego
2 + 3X + 3X 2 = + (2 + )X + ( )X 2
0 1 1 = 1
3 + X = (1 + 2X + X 2 ) + (X X 2 )
= + (2 + )X + ( )X 2
(2) (1)
1 1 0 L21 1 1 0 L13 1 0 3
2 1 1 0 3 1 0 0 8
(1) (3)
1 0 3 L31 0 1 3 L23 0 1 3
3. Sea w3 = u + v. Luego:
1 + kX X 2 = 1 + (2 + )X + ( )X 2
Ejercicio
0 1 4
Demostremos que v = es combinacion lineal de v1 , v2
0 0 7
y v3 .
Es decir, tenemos que encontrar 1 , 2 , 3 K tales que v = 1 v1 +
2 v2 + 3 v3 .
Soluci
on
0 1 4 1 2 5 1 0 0 0 1 1
= 1 + 2 + 3
0 0 7 0 1 1 0 1 6 0 0 2
0 = 0
1 + 2 = 0
1 + 62 + 23 = 7
1 = 1, 2 = 1, 3 = 1
Observaci
on
Observaci
on
S = {1 v1 + 2 v2 + + n vn ; 1 , 2 , . . . , n K}
es el mas peque
no sub-espacio de V que contiene a v1 , v2 , . . . , vn .
Demostraci
on
Ejemplo
< v1 , v2 , . . . , vn >= {1 v1 +2 v2 + +n vn ; 1 , 2 , . . . , n K} = S.
Pregunta
Luego
3x + y x 3y
(x, y) = (3, 1) + (1, 3)
10 10
Es decir todo vector (x, y) de K 2 , es combinacion lineal de (3, 1) y
(1, 3). De donde tenemos que < (3, 1), (1, 3) >= K 2 .
Ejercicio
Soluci
on
(1)
1 2 x L21 1 2 x (1) 1 2 x
L32
1 3 y 0 1 y x 0 1 yx
(1)
1 1 z L31 0 1 z x 0 0 y + z 2x
Ejercicio
Soluci
on
Los elementos de U tienen entonces la forma tpica (x, 2x, z). Ahora
bien (x, 2x, z) = x(1, 2, 0)+z(0, 0, 1). Esto nos dice que todo vector
de U lo podemos obtener a partir de (1, 2, 0) y (0, 0, 1), es decir,
lo podemos obtener como combinacion lineal de (1, 2, 0) y (0, 0, 1).
Entonces (1, 2, 0) y (0, 0, 1) generan U , es decir
U =< (1, 2, 0), (0, 0, 1) >
62 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
Observamos que:
Ejercicio
W = {(x, y, z); x + 3y z = 0}
Soluci
on
Ejercicio
Sea V = K 3 .
Sea U =< (1, 2, 0), (0, 0, 1) > y V =< (1, 0, 1), (0, 1, 3) >.
Busquemos un conjunto de generadores de U V .
Captulo 2. Espacios Vectoriales 63
Soluci
on
Sea v U V , luego:
Tenemos:
= a
2 = b
= a + 3b
Luego = 5.
Entonces v = (1, 20) 5(0, 0, 1) = (, 2, 5) = (1, 2, 5)
Luego U V =< (1, 2, 5) >. Entonces {(1, 2, 5)} es un conjunto
de generadores de U V
Ejercicio
Soluci
on
Por ejemplo:
v1 = (1, 2, 1) + (1, 0, 1), es decir v1 = (2, 2, 2);
v2 = 2(1, 2, 1) = (2, 4, 2);
v3 = 3(1, 2, 1) (1, 0, 1) = (2, 6, 2);
v4 = 2(1, 0, 1) = (2, 0, 2);
v5 = (1, 2, 1) + 3(1, 0, 1) = (4, 2, 4)
En n, toda combinacion lineal de (1, 2, 1) y (1, 0, 1) es un vector de
S.
64 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
S = {a + bX + cX 2 + dX 3 ; 2a + b = c}
Soluci
on
S =< 1 + 2X 2 , X + X 2 , X 3 >
Demostraci
on 1
Demostraci
on 2
Demostraci
on 3
Notaci
on
Observaci
on
Observaci
on
Definici
on 2.4.2 Estos tres tipos de operaciones que dejan invariante
un conjunto de generadores son llamadas operaciones elementales.
Ejercicio
Sea V = K 3 , U =< (3, 9, 12), (1, 3, 6), (1, 3, 4) >. Busquemos una pre-
sentacion mas simple de U .
Soluci
on
Para mayor comodidad, los vectores los anotaremos sin comas y los
ordenaremos en una matriz. Hagamos las siguientes operaciones ele-
mentales:
3 9 12 L1 ( 13 ) 1 3 4 L21 (1) 1 3 4
1 3 4 1 3 4 0 0 0
1 3 6 1 3 6 L31 (1) 0 0 2
Es decir, < (3, 9, 12), (1, 3, 6), (1, 3, 4) >=< (1, 3, 4), (0, 0, 2) >.
Con esto hemos conseguido una presentacion mas simple del espacio.
Ejercicio
Soluci
on
1 3 L (1) 1 3 1 3 1 3
2 3 L31 (2) L21 (1)
3 9 1 3 1 3 0 0
2 6 2 6 0 0 0 0
Captulo 2. Espacios Vectoriales 67
Luego < (1, 3), (3, 9), (2, 6) >=< (1, 3) >= {(x, 3x); x IR}. Este
sub-espacio de IR2 , representa la recta que pasa por el origen y tiene
pendiente 3.
Ejercicio
Soluci
on
2 4 6 L (1) 1 2 3 1 2 3
1 2 L21 (1)
1 2 3 1 2 3 0 0 0
5 10 15 5 10 15 5 10 15
1 2 3
L31 (5)
0 0 0
0 0 0
= < (2, 4, 6), (1, 2, 3), (5, 10, 15) > = < (1, 2, 3) >
= {(x, 2x, 3x); x IR}
El cual representa una recta de IR3 que pasa por el origen.
Ejercicio
Soluci
on
1 2 1 2 1 2 1 0
L21 (1) L2 (1) L12 (2)
1 1 0 1 0 1 0 1
68 M.T. Alcalde - C. Burgue
no Algebra Lineal
Luego < (1, 2), (1, 1) >=< (1, 0), (0, 1) >= {(x, y); x, y K} = K 2
Entonces A genera K 2 .
Ejercicio
Soluci
on
1 1 2 1 1 1 2 1 1 1 2 1
1 0 3 0 1 0 3 0
L23 L21 (1)
1 1 2 1 0 1 1 1
0 0 0 0 0 0 0 0
{1 + 3X 2 , X X 2 + X 3 }
Nota
Ejemplo
Observaci
on
Observaci
on
Definici
on 2.5.1 Sea V un K-espacio vectorial. Sea
A = {v1 , v2 , . . . , vn }
Ejercicio
Soluci
on
Observaci
on
Ejercicio
Soluci
on
Tomemos = 1
luego
(6, 2) = 2(3, 1) + 0(1, 1)
Entonces el conjunto A es l.d.
Nota
es una combinaci
on lineal trivial.
Proposici
on 2.5.1 (Caracterizaci
on de dependencia lineal)
Sea V un espacio vectorial sobre K. Sea A = {v1 , v2 , . . . , vn }, entonces
son equivalentes:
1. A es linealmente dependiente.
Demostraci
on
Repaso de l
ogica
A = {v1 , v2 , . . . , vn }
1. A es linealmente independiente.
1 v1 + + n vn = ~0 1 = = n = 0
Ejercicio
Soluci
on
Ejercicio
Soluci
on
Proposici
on 2.5.3 Sea V un K-espacio vectorial. Entonces:
Demostraci
on 1: Trivial!
Demostraci
on 2
Demostraci
on 3
Si = 0 entonces:
1 v1 + 2 v2 + + n vn = ~0
1 = 2 = = n = 0
Demostraci
on 4
1 v1 + 2 v2 + + n vn = ~0
luego 1 = 2 = = n = 0.
Ejercicio
Soluci
on
+ = 0
2 + + = 0
+ 2 = 0
1 1 0 0 1 0 0 0
2 1 1 0
0 1 0 0
0 1 2 0 0 0 1 0
Luego = 0, = 0, = 0, es decir {r, s, t} es l.i.
Ejercicio
Soluci
on
Caso 2 = 0 ssi = 2
78 M.T. Alcalde - C. Burgue
no Algebra Lineal
Tenemos
1 0 0 0 )
a = 0
0 0 1 0 Luego
Para todo b IR
c = 0
0 0 0 0
Reemplazando en (2.1), tenemos u, s = ~0, t = v. Luego para todo
b IR, tenemos 0u + bs + 0t = ~0, luego {u, ~0, t} es l.d., luego{u, s, t}
es l.d.
Caso 2 6= 0 ssi 6= 2
1
L2 ( 2 ) 1 0 0 0
1 1 0 0
1 0 1 1
(2.1) 0 1
2
0
2
0
1 2 5
L3 ( 2 ) 0 1 +2 0 0 0 2
0
Caso 2 5 = 0 ssi 2 = 5
Tenemos
) )
a = 0 a = 0
1 = 1 c IR
b + 2 c = 0 b = 2
c
Luego 0u + 1
2
cs + ct = ~0, c IR, 2 = 5. Luego {u, s, t} es l.d. en
este caso
Caso 2 6= 5
en este caso tenemos a = b = c = 0, luego {u, s, t} es l.i.
Ejemplo
Observaci
on
En este caso:
Observaci
on
Observaci
on
Se puede tener:
u + v + w = ~0 con , , 6= 0
Luego se tiene:
Ademas se tiene que {u, v, w} l.d.; {u, w} l.i.; {v, w} l.i.; {u, v} l.i.
Diremos que {u, v}, {u, w}, {v, w} forman bases de IR2 .
Definici
on 2.6.1 Un subconjunto B de V , se dice que forma una
base de V , si B es l.i. y B es un conjunto de generadores de V .
Problema
En este momento, uno se pregunta que relacion habra entre base y los
conceptos de conjunto l.i. maximal y conjunto de generadores minimal.
La respuesta a esta inquietud, esta dada en la proposicion siguiente:
82 M.T. Alcalde - C. Burgue
no Algebra Lineal
Proposici
on 2.6.1 (Conceptos equivalentes a base)
Sea B = {v1 , v2 , . . . , vn }, entonces son equivalentes:
v = 1 v1 + 2 v2 + + n vn
Demostraci
on
(1)=(3)
Sea B = {v1 , v2 , . . . , vn } l.i y V =< B >. Por demostrar que B es un
conjunto minimal de generadores de V . Por hipotesis B genera V. Solo
falta demostrar que este conjunto es minimal.
Supongamos que no es minimal, es decir, supongamos sin perdida de
generalidad que B = {v1 , v2 , . . . , vn1 } genera V , luego vn es combi-
nacion lineal de v1 , . . . vn1 , es decir, vn = 1 v1 +2 v2 +. . .+n1 vn1 ,
ciertos i K, luego {v1 , v2 , . . . , vn } es l.d. contradiccion. Luego B es
minimal.
(3) = (4)
Supongamos que {v1 , v2 , . . . , vn } es un conjunto minimal de gener-
adores y supongamos ademas que {v1 , v2 , . . . , vn } es l.i. Sea C =
{v1 , v2 , . . . , vn , w}. Por (3) se tiene que w = 1 v1 + 2 v2 + . . . + n vn .
Luego {v1 , v2 , . . . , vn , w} es l.d., luego {v1 , v2 , . . . , vn } es l.i. maximal
(4)=(1)
B es l.i. pues es l.i. maximal
Sea w V un vector cualquiera. Tenemos que {v1 , v2 , . . . , vn , w} es
l.d., luego w = 1 v1 + 2 v2 + . . . + n vn , luego < v1 , v2 , . . . , vn >= V
(1)=(2)
Captulo 2. Espacios Vectoriales 83
Sea v = 1 v1 + 2 v2 + . . . + n vn y v = 1 v1 + 2 v2 + . . . + n vn . Dos
descomposiciones de v.
Luego 1 v1 + 2 v2 + . . . + n vn = 1 v1 + 2 v2 + . . . + n vn .
Luego (1 1 )v1 + (2 2 )v2 + . . . + (n n )vn = ~0.
Puesto que {v1 , v2 , . . . , vn } es l.i. tenemos que 1 1 = 2 2 =
. . . = n n = 0, luego 1 = 1 , 2 = 2 , . . . , n = n . Entonces
existe una u
nica manera de escribir los vectores de V seg un el conjunto
de vectores {v1 , v2 , . . . , vn }
(2)=(1)
(i) Por demostrar {v1 , v2 , . . . , vn } es l.i. Sea 1 v1 +2 v2 +. . .+n vn = 0.
Pero 0 = 0v1 + 0v2 + . . . + 0vn . Entonces 1 v1 + 2 v2 + . . . + n vn =
0v1 + 0v2 + . . . + 0vn .
Puesto que la escritura es u
nica, 1 = 0, 2 = 0, . . . , n = 0. Luego es
l.i.
(ii) Sea v V , entonces v = 1 v1 + 2 v2 + . . . + n vn de manera unica,
en particular v = 1 v1 + 2 v2 + . . . + n vn . Por (i) y (ii), tenemos (1)
Hemos demostrado que (1)=(3), (3)=(4), (4)=(1) y (1)=(2),
(2)=(1). Luego el teorema esta demostrado.
Ejercicio
Soluci
on
(x, y) = ( + , + 2)
de donde = y x y = 2x y, es decir:
( + , + 2) = (0, 0)
Proposici
on 2.6.2 Sea V un K-espacio vectorial. Entonces
Demostraci
on
v = 1 v1 + 2 v2 + + n vn y w = 1 v1 + 2 v2 + + n vn
Entonces:
v + w = (1 v1 + 2 v2 + + n vn ) + (1 v1 + 2 v2 + + n vn )
= (1 + 1 )v1 + (2 + 2 )v2 + + (n + n )vn
Ejercicio
Soluci
on
1
(2) ( )
2 4 5 L21 2 4 5 L2 12
4 8 2 0 0 12
(2) 1
2 4 5 0 0 10 )
L31 L310
(5)
2 4 5 L12 1 2 0
0 0
1 0 0 1
(1)
0 0 1 L32 0 0 0
Ejercicio
Soluci
on
Ejercicio
Soluci
on
1 2 4 1 2 4 1 2 0
L21 (3)
3 6 1 31 (5)
L 0 0 11
0
0 1
5 10 9 0 0 11 0 0 0
L41 (2)
2 4 3 0 0 11 0 0 0
Luego, la base escalonada de S es {(1, 2, 0), (0, 0, 1)}.
88 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
luego
S =< (1, 1, 2, 3), (1, 1, 1, 1), (1, 3, 4, 5), (2, 4, 7, 10) >
Ejercicio
Soluci
on
S =< (1, 2, 3), (2, 4, 10) >; T =< (2, 4, 2), (3, 6, 5) >. Ambos con-
juntos al ser escalonados tienen la misma base escalonada B =
{(1, 2, 0), (0, 0, 1)}, luego S = T .
Captulo 2. Espacios Vectoriales 89
Demostraci
on
2.6.2 Aplicaci
on del Teorema de Steinitz
Sea V un K-espacio vectorial. Sea {v1 , v2 , . . . , vn } un conjunto l.i. y
sea {e1 , e2 , . . . , em } una base de V , entonces existe una base de V de
la forma:
{v1 , v2 , . . . , vn , ek1 , ek2 , . . . , ekp }, ciertos k1 , k2 , . . . , kp {1, 2, . . . , m}
90 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
Ejercicio
A = {3 + 6X 12X 3 , 2 4X + X 2 }
Soluci
on
Ejercicio
Soluci
on
3 2
< (5, 3, 2, 5) >=< (1, , , 1) >
5 5
La base pedida puede ser C = {(5, 3, 2, 5), (0, 1, 1, 0)}
Ejercicio
5 3 0 2 0 0
u= yv=
2 2 1 2 2 4
92 M.T. Alcalde - C. Burgue
no Algebra Lineal
Soluci
on
Un conjunto de generadores de S es
3 3
0 0 1 1 0 1 0 1 1 0
, 2 , 2 ,
0 0 0 1 0 0 0 1 0 0 0 1
La base escalonada de S es:
1 0 0 0 1 0 0 0 1 0 0 0
, , ,
0 2 2 0 2 3 0 0 0 1 1 0
2.7 Dimensi
on de un espacio vectorial
Sabes, es bueno que vayas comprendiendo que uno de los problemas
que preocupa en matematicas, es encontrar entes que permanezcan
invariantes al producir ciertos cambios. Son los llamados invariantes.
Por el momento, hemos visto que todas las bases de K 2 , como K-
espacio vectorial, tienen 2 elementos.
umero de elementos de cada base es invariante en K 2 .
Es decir el n
Sera cierto que en K 3 , todas las bases tienen 3 elementos?.
. . .Y en un K-espacio vectorial V , ocurrira que todas las bases tiene
la misma cantidad de elementos?.
Es decir, uno se pregunta si el n
umero de elementos de las diferentes
bases de un espacio vectorial es un invariante.
Interesante pregunta cierto?.
Bueno, esta seccion nos da la respuesta a esa pregunta.
Captulo 2. Espacios Vectoriales 93
Lema
Demostraci
on
v = 1 (11 u 11 2 u2 11 n un ) + 2 u2 + + n un
= 1 11 u + (2 1 11 + 2 )u2 + + (11 n 1 + n )un
(1 u1 + + n un ) + 2 u2 + + n un = 0
94 M.T. Alcalde - C. Burgue
no Algebra Lineal
De donde
(1) 1 = 0
(2) 2 + 2 = 0
(n) n + n = 0
Ejemplo
Entonces C = {(5, 5, 2), (1, 1, 0), (1, 0, 0)} es otra base de K 3 , o bien,
D = {(1, 1, 1), (5, 5, 2), (1, 0, 0)}.
Sin embargo, el conjunto A = {(1, 1, 1), (1, 1, 0), (5, 5, 2)} no es una
base de K 3
Lema
Demostraci
on
u1 = 1 v1 + 2 v2 + + n vn
u2 = 1 u1 + 2 v2 + + n vn
Lema
Demostraci
on
un+1 = 1 u1 + 2 u2 + + n un
Demostraci
on
Nota
Ejemplo
Ejemplo
Ejemplo
Notaci
on: dimK V
Ejemplos
Soluci
on
Ejercicio
Soluci
on
Ejercicio
Soluci
on
on: A = {(1, 0), (i, 0), (0, 1), (0, i)} es una base de C2 sobre
Afirmaci
IR.
Captulo 2. Espacios Vectoriales 99
Ejercicio
Soluci
on
on: A = {(1, 0, 0), (0, 0, 1), (0, 0, 1)} es una base de C3 sobre
Afirmaci
C.
La forma tpica de un elemento de C3 es (a + bi, c + di, e + f i), el cual
se escribe:
Ejercicio
Soluci
on
Afirmacion: A = {(1, 0, 0), (i, 0, 0), (0, 1, 0), (0, i, 0), (0, 0, 1), (0, 0, i)}
es una base de C3 sobre IR y dimIR C3 = 6.
Bueno, la demostracion queda para ti como ejercicio.
100 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
1 + i1 = 0 + 0i, 2 + i2 = 0 + 0i, . . . , n + in = 0 + 0i
1 = 1 = 0 = 2 = 2 = = n = n
Observaci
on
S + T = {s + t; s S, t T }
Demostraci
on
1. S + T 6= pues 0 + 0 S + T
2. Sean u, v S + T , luego u = s + t y v = s + t , ciertos s, s S,
ciertos t, t T . Tenemos que:
u + v = (s + t) + (s + t ) = (s + s ) + (t + t )
que es un elemento tpico de S + T . Luego S + T es cerrado para
la suma.
3. Sea v S + T , luego v = s + t ciertos s S, cierto t T . Ahora
bien
v = (s + t) = s + t
el cual es un elemento de S + T .
Definici
on 2.8.2 El sub-espacio vectorial S + T es llamado el sub-
espacio suma de S y T .
Demostraci
on
Demostremos que S T S + T .
v S T v = s, cierto s S, o bien v = t, cierto t T . Luego
v = s + 0 S + T o bien v = 0 + t S + T , en ambos casos v S + T
Corolario 2.8.3 S T S + T = T
Demostraci
on
)
S + T es el mas peque no sub-espacio que contiene a S T , pero
S T = T . Ademas T es un sub-espacio vectorial y es el mas peque
no
que se contiene a si mismo, luego S + T = T .
)
S ST S+T =T
Nota
S + T =< B C >
Ejercicio
Sea V = K 3 , S =< (1, 1, 1), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >.
Busquemos la base escalonada de S + T .
Soluci
on
1 1 1 1 1 1 1 1 1
1 2 3 0 3 2 L (1)
42 0 3 2
1 1 1 0 0 0 0 0 0
2 1 0 0 3 2 0 0 4
104 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 0 0
0 1 0
0 0 0
0 0 1
La base escalonada de S + T es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Ejercicio
Sea U = K 4 .
Sean S =< (1, 1, 1, 1), (1, 2, 3, 0) > , T =< (3, 4, 1, 2), (0, 1, 1, 0) >
Busquemos la base escalonada de S + T
Soluci
on
Sabemos que:
1 1 1 1 1 1 1 1 1 0 0 1
1 2 3 0 0 1 4 1 0 1 4 1
3 4 1 2 0 1 4 1 0 0 0 0
0 1 1 0 0 1 1 0 0 1 1 0
1 0 0 1 1 0 0 1
L42 (1) 0 1 4 1
0 1 0 51
0 0 0 0 0 0 0 0
0 0 5 1 0 0 1 15
La base escalonada de S + T es: {(1, 0, 0, 1), (0, 1, 0, 51 ), (0, 0, 1, 15 )}
Observaci
on
Sea V = K 3 , S =< (1, 1, 0), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >,
dimS = 2, dimT = 2
Captulo 2. Espacios Vectoriales 105
1 1 0 1 1 0 1 0 0
1 2 3 0 3 3 0 1 0
1 1 1 0 0 0 0 0 1
2 1 0 0 3 0 0 0 0
Luego dim(S + T ) = 3
Busquemos S T . Sea v S T , luego
(1) : + = a + 2b
(2) : + 2 = a + b
(3) : 3 = a
)
(3) en (1) : = 2 + 2b
(3) en (2) : = 5 + b
Demostraci
on
w = (1 u1 + + r ur + 1 v1 + + s vs )+
(1 u1 + + r ur + 1 w1 + + t wt )
= (1 + 1 )u1 + + (r + r )ur +
1 v1 + + s vs + 1 w1 + + t wt < B >
1 u1 + + r ur + 1 v1 + + s vs = ~0
Entonces 1 = = r = 1 = = s = 0
Captulo 2. Espacios Vectoriales 107
Luego B es l.i.
Por (1) y (2) se tiene que B es una base de S + T .
Luego dim(S+T ) = r+s+t; dimS = r+s, dimT = r+t, dimST = r
r + s + t = (r + s) + (r + t) r
Ejercicio
Soluci
on
1 1 0 0
0 1 1 0
0 1 0 0
0 0 1 0
0 0 1 0
0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0 dim(S + T ) = 4
0 0 0 1
0 0 0 0
4 = 2 + 3 dim(S T ) dim(S T ) = 1
Necesitamos encontrar v S T , v 6= ~0
v = (1, 0, 1, 0)+(0, 1, 0, 0) = (1, 1, 0, 0)+(0, 0, 1, 0)+(0, 0, 0, 1)
108 M.T. Alcalde - C. Burgue
no Algebra Lineal
Luego, (, , , 0) = (, , , ), de donde = = = , = 0
Entonces tenemos
Nota
1. W = S + T
2. S T = {~0}.
Notaci
on: W = S T
L
Ejercicio
Soluci
on
1. Demostremos que K 3 = S + T
Sea v K 3 luego v = (x, y, z) = (x, 0, 0) + (0, y, z) luego (x, y, z)
se escribe como un vector de S mas un vector de T . Luego K 3
S + T , luego K 3 = S + T
Captulo 2. Espacios Vectoriales 109
Entonces K 3 = S T
L
Ejercicio
1. Demostremos que W = S + T :
! ! !
1 0 2 L21 (2) 1 0 2 L2 ( 1
3
) 1 0 2
2 0 1 0 0 3 0 0 1
!
L21 (2) 1 0 0
0 0 1
Pero tambien {(1, 0, 0), (0, 0, 1)} es una base de W pues los vec-
tores son l.i. y ademas (x, 0, z) = x(1, 0, 0)+z(0, 0, 1). Luego W =
S+T
Otra manera de demostrar que W = S + T es la siguiente
Consideremos w W y hacemos la siguiente armacion:
Luego (x, 0, z) = ( + 2, 0, 2 + )
De donde se concluye que x = + 2, z = 2 +
110 M.T. Alcalde - C. Burgue
no Algebra Lineal
Entonces
2z x 2x z
= y =
3 3
Luego tenemos:
2z x 2x z
(x, 0, z) = ( )(1, 0, 2) + ( )(2, 0, 1) S + T
3 3
Definici
on 2.8.4 Dos sub-espacios S y T de un sub-espacio vectorial
V se dicen linealmente independientes ssi:
S T = {~0}
Definici
on 2.8.5 Si S T = W entonces S y T son llamados sub-
L
Ejemplo
< (1, 1) > es suplementario de < (1, 3) > en K 2 y < (1, 3) > es
suplementario de < (1, 1) > en K 2
Captulo 2. Espacios Vectoriales 111
Observaci
on
Sean:
S =< (1, 3, 0 >, T =< (0, 0, 1), (0, 1, 0) >, U =< (1, 0, 0), (0, 0, 1) >
Tenemos entonces que K 3 =< (1, 3, 0) > < (0, 0, 1), (0, 1, 0) >
L
Tambien:
K 3 =< (1, 3, 0) > < (1, 0, 0), (0, 0, 1) >
L
Se tiene K 3 = S T y K3 = S U y T 6= U
L L
Ejemplo
1 0 0 x
M22 (K) =< > { ; x, y, z K}
L
0 0 y z
1 0 0 1 0 0 0 0
M22 (K) =< > < , , >
L
0 0 0 0 1 0 0 1
Observaci
on
f2n (x) = x2n = f2n (x); f2n+1 (x)2n+1 = x2n+1 = f2n+1 (x)
Ejercicio
Soluci
on
1. W = S T
L
2. W = S + T y ~0 = s + t, s S, t T = s = t = ~0
La afirmacion 2 nos dice que W = S + T y el ~0 se escribe de
manera unica.
Demostraci
on
(1)=(2)
Captulo 2. Espacios Vectoriales 113
Proposici
on 2.8.6 Sea W = S + T . Entonces son equivalentes:
Demostraci
on
(1)(2)
Sea s + t = s + t . Luego (s s ) + (t t ) = ~0
Por (1), tenemos que s s = ~0 y t t = ~0.
Luego s = s y t = t
(2)(1)
Sea s + t = ~0. Pensemos el ~0 como ~0 + ~0, el primer ~0 lo pensamos en
S y el segundo en T .
Luego s + t = ~0 + ~0. De (2.) tenemos s = ~0 y t = ~0.
V1 + V2 + + Vn = {v1 + v2 + + vn ; vi Vi , i = 1, 2, . . . , n}
114 M.T. Alcalde - C. Burgue
no Algebra Lineal
V1 + V2 + + Vn V
Demostraci
on
Definici
on 2.8.8 Decimos que W es suma directa de los subes-
pacios V1 , V2 , . . . , Vn si:
1. W = V1 + V2 + + Vn
2. ~0 = v1 + v2 + + vn , vi Vi , i = 1, 2, . . . , n
= v1 = v2 = = vn = ~0. ( El cero se escribe de una sola
manera ).
n
1. vi = ~0, vi Vi , i = 1, . . . , n = vi = 0
P
i=1
n n
2. vi = wi , vi , wi Vi i = 1, . . . , n = vi = wi
P P
i=1 i=1
n
3. Vi Vj = {~0}, i = 1, . . . , n
P
j=1
i6=j
Ejemplo
(a, b) (c, d) = (a + d, b + c)
(a, b) = (a, b)
Estudie cuales de axiomas de espacio vectorial cumplen estas
operaciones.
(a + bX) = (a) + bX
Es IR1 [X] un IR espacio vectorial con estas operaciones?
Aplicaciones Lineales
3.1 Introducci
on, definici
on y ejemplos
Nosotros vimos que lo mas importante de un espacio vectorial es la
existencia de una base en el. Uno dira que la esencia de un espacio
vectorial es la existencia de una base en el.
Entonces, si queremos denir una aplicacion entre dos espacios vec-
toriales, debemos tener en cuenta esta consideracion. Obvio! Si no lo
hacemos, entonces cerremos los libros y terminemos aqu el curso. No
te parece? Bueno, pero Que quiere decir tener en cuenta la existencia
de una base?. Creo que sera mejor que lo veamos en un ejemplo.
Consideremos IR2 y IR3 como IR-espacios vectoriales y f : IR2 IR3 .
Ademas consideremos la base B = {(2, 1), (3, 2)} en el dominio de f .
Supongamos que solo sabemos como se comporta f en los elementos
de esta base.
Supongamos, por ejemplo, que
119
120 M.T. Alcalde - C. Burgue
no Algebra Lineal
Para esto, comencemos por usar el concepto de base, es decir, que todo
elemento de IR2 se escribe de una manera u nica como combinacion
lineal de la base.
Veamos, por ejemplo, si es posible conocer la imagen del vector v =
(1, 0)
Sabemos que (1, 0) = 2(2, 1) + (1)(3, 2), luego f (1, 0) = f [2(2, 1) +
(1)(3, 2)].
Que exigencias deberamos hacer a f para que la informacion dada
a los vectores de B, pueda ser extendida a todo IR2 ?
... un chispazo genial y hacemos las operaciones siguientes:
f [2(2, 1) + (1)(3, 2)] = f (2(2, 1)) + f (1(3, 2)) =
= 2f (2, 1) + (1)f (3, 2) =
= 2(3, 2, 1) + (1)(5, 1, 1) =
= (1, 3, 1)
Es decir hicimos las exigencias siguientes:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Definici
on 3.1.1 Sean U y V dos K-espacios vectoriales. Diremos
que f : U V es una aplicaci on lineal si se cumplen si-
mult
aneamente:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Captulo 3. Aplicaciones Lineales 121
Ejemplo
Ejemplo
f (u + v) = 0 = 0 + 0 = f (u) + f (v)
f (u) = 0 = 0 = f (u)
Luego f es lineal.
Ejemplo
T (u + v) = (u + v) = u + v = T (u) + T (v)
T (u) = (u) = (u) = T (u)
Ejemplo: Reflexi
on en torno al eje X
T [(x, y) + (x , y )] = T [(x + x , y + y )]
= (x + x , (y + y ))
= (x, y) + (x , y )
= T ((x, y)) + T ((x , y ))
T [(x, y)] = T ((x, y))
= (x, (y))
= (x, y)
= T ((x, y))
Luego T es lineal.
Antiejemplo
Antiejemplo: Translaci
on en el plano
T [(x, y) + (x , y )] = T [(x + x , y + y )]
= (x + x + a, y + y + b))
= (x + a, y + b) + (x , y )
= T (x, y) + (x , y )
6= T (x, y) + T (x , y )
Ejemplo: Rotaci
on en un
angulo
(1) R ((x, y) + (x , y )) = R (x + x , y + y )
= ((x + x ) cos (y + y ) sin ,
(x + x ) sin + (y + y ) cos )
= (x cos y sin , x sin + y cos )+
(x cos y sin , x sin + y cos )
= R (x, y) + R (x , y )
Ejemplo
Ejemplo
Ejemplo
f ((a + bX + cX 2 )) = f (a + bX + cX 2 )
= (a) + 2(c) + ((b) (a))X
= a + 2c + (b a)X
= (a + 2c + (b a)X) = f (a + bX + cX 2 )
Luego f es lineal.
Ejemplo
! a b
a b
Sea f : M2 (K) M32 (K), denida por f a b+c
=
c d
d 2a
es una aplicacion lineal.
Nota
Nota
3.2 Determinaci
on de una aplicaci
on lin-
eal
Tenemos resuelto el problema losoco sobre la existencia de aplica-
ciones lineales. Existen aplicaciones lineales. Ah tienes muchos ejem-
Captulo 3. Aplicaciones Lineales 127
Demostraci
on
w = 1 w1 + 2 w2 + + n wn
n
X n
X
1. Sea v = i vi , v = i vi . Entonces
i=1 i=1
n
X n
X n
X
f (v + v ) = f ( i vi + i vi ) = f ( (i + i )vi ) =
i=1 i=1 i=1
n n n
i wi = f (v) + f (v ).
X X X
= (i + i )wi = i wi +
i=1 i=1 i=1
2. Sea K. Tenemos
n
X n
X n
X n
X
f (v) = f ( i vi ) = f ( (i )vi ) = i wi = i wi =
i=1 i=1 i=1 i=1
= f (v).
g(v) = g(1 v1 + 2 v2 + + n vn )
= 1 g(v1 ) + 2 g(v2 ) + + n g(vn )
= 1 w1 + 2 w2 + + n wn
= 1 f (v1 ) + 2 f (v2 ) + + n f (vn )
= f (1 v1 + 2 v2 + + n vn )
= f (v)
Comentario
Este Teorema nos dice que una aplicacion lineal esta totalmente de-
terminada cuando conocemos su comportamiento en los elementos de
una base y esta informacion se extiende por linealidad a todos los vec-
tores del Dominio de la aplicacion lineal. Es decir, si uno conoce el
comportamiento de una aplicacion lineal en una base, entonces se da
por conocida la aplicacion. Uno dice : Esta bien, se de que aplicacion
se trata.
Observaci
on
Ejercicio
Soluci
on
Bueno, {(1, 1), (1, 2)} forman una base de K 2 . Luego el vector (3, 4)
lo podemos escribir como combinacion lineal de esta base y notese de
manera u
nica. A saber:
(3, 4) = 2(1, 1) + 1(1, 2)
Si f fuese lineal, tendramos:
f (3, 4) = 2f (1, 1) + 1f (1, 2) = 2(1, 5, 1) + 1(1, 0, 1) = (3, 10, 3) que es
distinto a (3, 10, 7)
Luego no existe una aplicacion lineal que cumpla tales condiciones.
Ejercicio
Soluci
on
Sabemos que existe una y solo una aplicacion lineal si esta denida
en una base, pero {(1, 1, 1), (1, 1, 0)} no forma una base de K 3 .
Entonces cada vez que denamos f en una base, por ejemplo en
{(1, 1, 1), (1, 1, 0), (1, 0, 0)}, tendremos una aplicacion lineal.
La respuesta es : Hay innitas aplicaciones lineales que cumplen las
condiciones dadas.
Ejemplos:
Ej 1: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 3)
Ej 2: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (4, 2, 6)
Ej 3: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 1)
Para cada a, b, c K, se tiene f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1),
f (1, 0, 0) = (a, b, c), una aplicacion que cumple las exigencias pedidas.
Luego hay innitas aplicaciones lineales que cumplen las propiedades
exigidas.
Bueno, ahora que hemos resuelto el problema losoco sobre la exis-
tencia de una aplicacion lineal, comencemos por ver sus propiedades.
3.3 Imagen y N
ucleo de una aplicaci
on
lineal
Dada una aplicacion lineal queremos saber la estructura de la imagen
de un sub-espacio vectorial.
Demostraci
on
Demostraci
on
Observaci
on
Consideremos
Tenemos que
Luego
Im(f ) =< (1, 3, 0), (1, 0, 2) >
Una base de Im(f ) es {(1, 3, 0), (1, 0, 2)}, luego
Demostraci
on
Nota
Observaci
on
Observaci
on
Sea
f : K 2 K 3 ; f (x, y) = (x, 3x, 5x)
Observaci
on
Sea
f : K 3 K 3 ; f (x, y, z) = (x + y, x, 3z)
Demostraci
on
1. N (f ) 6= pues ~0 N (f ).
Observaci
on
N (f ) = {v V ; f (v) = ~0}
Comentario
Ejercicio
Soluci
on
3 2 3 2
(x, x, x, u) = x(1, , , 0) + u(0, 0, 0, 1)
5 5 5 5
La base escalonada de N (f ) es {(1, 3
5
, 2
5
, 0), (0, 0, 0, 1)}. Se tiene en-
tonces que dimK N (f ) = 2
Utilizando este resultado observamos: como dimK N (f ) 6= 0, hay mas
de un vector que tiene por imagen al ~0, luego f no es inyectiva.
Que ocurre si N (f ) = {~0} ? Es f inyectiva ?
La respuesta a esta pregunta la tenemos en el siguiente teorema.
f olo si N (f ) = {~0}
es inyectiva si y s
Captulo 3. Aplicaciones Lineales 137
Demostraci
on
Ejercicio
f : K 2 K 3 ; f (x, y) = (x + y, 3x y, 2y)
Soluci
on
Debemos conocer el n
ucleo de f .
Nota
El Teorema anterior nos dice que para estudiar si una aplicacion lineal
es inyectiva, no es necesario usar su denicion, sino estudiar su n
ucleo
~
y entonces este es {0} si y solo si f es inyectiva.
(Es decir, el ~0 es 1-1, si y solo si todo vector es 1-1)
138 M.T. Alcalde - C. Burgue
no Algebra Lineal
Nota
Observaci
on
Observaci
on
Sea f : K 5 K; f (x, y, z, t, u) = x + y + z.
ucleo de f : Tenemos x + y + z = 0 = y = x z.
Conozcamos el N
Entonces
(x, y, z, t, u) = (x, x z, z, t, u)
= x(1, 1, 0, 0, 0) + z(0, 1, 1, 0, 0)+
t(0, 0, 0, 1, 0) + u(0, 0, 0, 0, 1)
Captulo 3. Aplicaciones Lineales 139
Demostraci
on
Armamos que BB = {u1 , u2 , ..., up , up+1 , up+2 , ..., up+q } es una base
de V .
Luego debemos demostrar que B B genera V y es un conjunto l.i.
Entonces
1 u1 + 2 u2 + + p up = ~0
1 = 2 = = p = 0 (3.2)
Demostraci
on (1)
Demostraci
on(2)
Demostraci
on (1.)
Sea {f (v1 ), ..., f (vn )} l.i. Demostremos que f es inyectiva, es decir, que
N (f ) = {~0}. Sea v N (f ), luego f (v) = ~0. Si v N (f ), en particular
v V , luego v = 1 v1 + + n vn , ciertos 1 , ..., n K y f (v) = ~0.
Luego ~0 = f (v) = f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ).
Luego 1 = = n = 0, luego v = ~0.
Demostraci
on (2.)
Nota
Notese que una aplicacion lineal puede llevar un conjunto l.i. en otro l.i.
y no ser inyectiva. Por ejemplo consideremos f : K 4 K 4 lineal tal
que f (1, 0, 0, 0) = (1, 1, 1, 1), f (0, 1, 0, 0) = (1, 1, 1, 2), f (0, 0, 1, 0) =
(1, 2, 3, 4), f (0, 0, 0, 1) = (1, 2, 3, 4).
Esta aplicacion lleva el conjunto l.i. {(1, 0, 0, 0), (0, 1, 0, 0)} en el con-
junto l.i. {(1, 1, 1, 1), (1, 1, 1, 2)} y no es inyectiva.
Nota
Esta proposicion tambien nos dice que una aplicacion lineal epiyectiva
se reconoce por llevar una base del Dominio de la aplicacion en un
conjunto de generadores del Codominio de ella.
Nota
Definiciones
dimK V dimK W
Demostraci
on
dimK V dimK W
Demostraci
on
Proposici
on 3.4.5 (Todo o nada) Sea f : V W lineal tal que
dimK V = dimK W . Entonces son equivalentes:
1. f es inyectiva
2. f es epiyectiva
Demostraci
on
Tenemos
f (v) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq )
= f (1 u1 + 2 u2 + + q uq )
= f (v )
con v = 1 u1 + 2 u2 + + q uq .
Como f (v) = f (v ), se tiene f (vv ) = ~0, es decir vv N (f ) = {~0},
luego v v = ~0, es decir
v = v = 1 u1 + 2 u2 + + q uq
1 u1 + 2 u2 + + q uq = ~0,
Captulo 3. Aplicaciones Lineales 147
luego
f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq ) = ~0
Nota
1. g f es lineal
Demostraci
on 1
(g f )(v + w) = g(f (v + w)) = g(f (v) + f (w)) = g(f (v)) + g(f (w)) =
(g f )(v) + (g f )(w)
(g f )(v) = g(f (v)) = g(f (v)) = g(f (v)) = (g f )(v)
Luego (g f ) es lineal.
Demostraci
on 2
Sea (g f )(v) = ~0, luego g(f (v)) = ~0. Entonces f (v) = ~0 pues N (g) =
{~0}. Ademas v = ~0 ya que v N (f ). Luego N (g f ) = {~0}, es decir
g f es inyectiva, dicho mas elegantemente g f es un monomorsmo.
Demostraci
on 3
Ejemplos de isomorfismos
Ejemplo
IR2
=C
Ejemplo
K2 [X]
= K3
Ejemplo
M2 (K)
= K4
150 M.T. Alcalde - C. Burgue
no Algebra Lineal
Antiejemplo
Demostraci
on
Ejercicio
un K n
V = {(x, y, z, u); x + y + z = 0, x + 2u = 0} y alg
Soluci
on
1 1
(x, y, z, u) = (x, y, x y, x) = x(1, 0, 1, ) + y(0, 1, 1, 0)
2 2
1
B = {(1, 0, 1, ), (0, 1, 1, 0)}
2
De donde dimK V = 2 y V
= K 2.
Establezcamos el isomorsmo siguiente:
1
f : V K 2 ; f (1, 0, 1, ) = (1, 0), f (0, 1, 1, 0) = (0, 1)
2
Nota
Este teorema nos dice que todos los espacios vectoriales de dimension
nita estan clasicados.
Todos los espacios vectoriales de una misma dimension tienen las mis-
mas propiedades, solo que tienen una escritura diferente.
152 M.T. Alcalde - C. Burgue
no Algebra Lineal
Lema
Demostraci
on
llamada la suma de f y g.
Captulo 3. Aplicaciones Lineales 153
Demostraci
on
1. La suma es asociativa.
((f + g) + h)(u) = (f + g)(u) + h(u) = f (u) + g(u)) + h(u) =
= f (u) + (g(u) + h(u)) = f (u) + (g + h)(u) = (f + (g + h))(u).
4. La suma es conmutativa.
(f + g)(u) = f (u) + g(u) = g(u) + f (u) = (f + g)(u).
Pregunta
Lema
h(u) = f (u)
es lineal.
154 M.T. Alcalde - C. Burgue
no Algebra Lineal
Demostraci
on
( f )(u) = f (u), u U
Demostraci
on
Soluci
on
1. f (u + v) = f ((x, y) + (x , y )) = f (x + x , y + y ) =
= (2(x + x ) + (y + y ), 3(x + x )) = (2x + y + 2x + y , 3x + 3x ) =
= (2x + y, 3x) + (2x + y , 3x ) = f (x, y) + f (x , y ) = f (u) + f (v).
Ejercicio
Soluci
on
1. f (u + v) = f ((x, y, z) + (x , y , z )) = f (x + x , y + y , z + z ) =
= (2(x + x ) + (y + y ), (x + x ) + (y + y ), 2(x + x )) =
= ((2x + y) + (2x + y ), (x + y) + (x + y ), 2x + 2x ) =
= (2x + y, x + y, 2x) + (2x + y , x + y , 2x ) =
156 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
x+y+z+u = 0
2x + 2y + z + v = 0
(x, y, z, u, v) N (f ) ssi x+y+z+u = 0
2x y + z + v = 0
y z 2u + v = 0
1 1 1 1 0 0
1 1 1 1 0 0
L21 (2)
2 2 1 0 1 0 0 0 1 2 1 0
L31 (1)
1 1 1 1 0 0 0 0
0 0 0 0
2 1 1 0 1 0 L (2) 0 3 1 2 1 0
41
0 1 1 2 1 0 0 1 1 2 1 0
Captulo 3. Aplicaciones Lineales 157
1 1 1 1 0 0
0 0 1 2 1 0
L ( 1 ) L14 (1)
L45 (1)
4 4
0 0 0 0 0 0
0 4 0 0 0 0 L54 (1)
0 1 1 2 1 0
1 0 1 1 0 0
1 0 0 1 1 0
L15 (1)
0 0 1 2 1 0 0 0 0 0 0 0
0 0 0 0 0 0
L (1)
0 0 0 0 0 0
25
0 1 0 0 0 0 0 1 0 0 0 0
L (1)
5
0 0 1 2 1 0 0 0 1 2 1 0
Luego
xu+v=0
y=0
z + 2u v = 0
Es decir
x = uv
y = 0 ; u, v K
z = 2u + v
N (f ) = {(u v, 0, 2u + v, u, v); u, v K}
Una base de N (f ) es
1 0 1 0 2 1 0 1 0 2
L15 (2)
0 0 0 1 1 0 0 0 1 1
3 L (1) 3
32
0 43
0 1 0 1 1 0 1 0
L35 (1)
0 0 0 0 0
0 0 0 0 0
L45 (2)
0 0 0 0 0 0 0 0 0 0
4 1
{(1, 0, 1, 0, 2), (0, 1, 0, 0, ), (0, 0, 0, 1, )}
3 3
Pero solo se peda una base, luego podra haber dado la base
{(1, 0, 1, 0, 2), (0, 0, 0, 3, 1), (0, 1, 0, 1, 1)} y habramos evitado dos
pasos de escalonamiento.
Puesto que dimk Im(f ) = 3, f no es epiyectiva, pues dimk Codom(f ) =
5.
Ejercicio
Soluci
on
1 1 2 2
0 1 3 3
1 3 2 2 L31 (1) 0 1 3 3 L32 (1)
1 0 5 + 5 1 1 0 5 + 5 L13 (5)
L3 ( 6 )
0 1 3 3 0 1 3 3
0 0 6 6 0 0 1 L23 (3)
1 0 0
0 1 0
0 0 1
Caso (1) 1 = 0 ssi = 1
La base escalonada de Im(f1 ) es {(1, 0, 0), (0, 1, 0)}.
luego f1 no es epiyectiva.
160 M.T. Alcalde - C. Burgue
no Algebra Lineal
Sabemos que
Ejercicio
Busquemos el n
ucleo y la imagen de f .
Estudiemos si f es inyectiva o epiyectiva.
Soluci
on
Tenemos que
Ejercicio
Soluci
on
Observemos que {(1, 2, 3), (1, 0, 2), (0, 1, 1)} es una base de Dom(f ) =
K 3 . Luego
(x, y, z) = (1, 2, 3) + (1, 0, 2) + (0, 1, 1)
+ = x
2 + = y
3 + 2 + = z
Captulo 3. Aplicaciones Lineales 163
Escalonando, tenemos
1 1 0 x L21 (2) 1 1 0 x
L13 (1) L3 (1)
2 0 1 y
0 2 1 y 2x
3 2 1 z L31 (2) 0 1 1 z 3x
1 0 1 z 2x 1 0 1 z 2x
L23 (2)
0 2 1 y 2x 0 0 1 4x + y 2z
0 1 1 3x z 0 1 1 3x z
L12 (1) 1 0 0 2x + y z
0 0 1 4x y + 2z
L32 (1) 0 1 0 x y + z
Luego
= 2x + y z
= 4x y + 2z
= x y + z
Ejercicio
Sean f, g, h : K 3 K 2
1. f (x, y, z) = (x + y, x + y)
3. h(1, 0, 0) = (1, 1), h(0, 1, 0) = (a2 , 1), h(0, 0, 1) = (a, 0), donde
a es un real jo.
Soluci
on (1)
Soluci
on (2)
Tenemos que
Captulo 3. Aplicaciones Lineales 165
Armacion: g no es lineal.
Contraejemplo: g(1, 1, 0) = ((1 1)1, 0 1) = (0, 1);
Soluci
on (3)
Ejercicio
Encontremos el n
ucleo y la imagen de f para los distintos valores de
K y luego estudiemos la inyectividad y epiyectividad de f .
Soluci
on
Busquemos el n
ucleo de f
x+z = 0
y + 2z = 0
( 3)z = 0
De donde (z, 2z, z) = z(1, 2, 1), luego N (f3 ) =< (1, 2, 1) >;
y por lo tanto f no es inyectiva en el caso = 3 y en tal caso la
dimension del n
ucleo es uno, luego por el teorema de las dimensiones
se tiene que dimIm(f3 ) = 2. Busquemos Im(f3 )
Tenemos (x + z, y + 2z, 0) = x(1, 0, 0) + y(0, 1, 0) + z(1, 2, 0) y como
(1, 2, 0) es combinacion lineal de (1, 0, 0) y (0, 1, 0), entonces
Im(f3 ) =< (1, 0, 0), (0, 1, 0) >, luego f3 no es epiyectiva.
Caso (2) 3 6= 0 ssi 6= 3
Captulo 3. Aplicaciones Lineales 167
Seguimos escalonando
1 1 0 1 0 L13 (1) 1 0 0 0
L3 ( 3 )
0 1 2 0
0 1 0 0
0 0 1 0 L23 (2) 0 0 1 0
Ejercicio
1. monomorsmo;
2. epimorsmo;
3. automorsmo.
Soluci
on
+ 2 = 0 )
= 2
+ 2 = 0 equivalente a
=
= 0
Ejercicio
Soluci
on
Ejercicio
1. T (2, 1, 2) = (1, 4, 8)
2. T (2, 1, 2) = (0, 4, 8)
3. T (1, 0, 0) = (1, 3, 5)
Soluci
on (1)
Soluci
on (2)
Soluci
on (3)
Ocurre que {(1, 1, 1), (1, 0, 1), (1, 0, 0)} es una base de K 3 , luego existe
una aplicacion lineal denida en esta base y es u nica.
Busquemos su escritura.
(x, y, z) = y(1, 1, 1) + (z y)(1, 0, 1) + (x z)(1, 0, 0)
T (x, y, z) = yT (1, 1, 1) + (z y)T (1, 0, 1) + (x z)T (1, 0, 0) =
= y(1, 3, 5) + (z y)(0, 1, 3) + (x z)(1, 3, 5)
Luego T (x, y, z) = (x + y z, 3x + 2y 2z, 5x + 2y 2z)
Matrices
173
174 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
Construcci
on de la matriz asociada a una aplicaci
on lineal
n
X
Sea f (v) = w. Sea v = x1 v1 + x2 v2 + + xn vn = xj v j
j=1
m
X
w = y 1 w1 + y 2 w2 + + y m wm = y i wi
i=1
n
X
Todo vector v de V , v = xj vj , es enviado, por la aplicacion lineal
j=1
f , en el vector de W siguiente:
n
X
w = f (v) = x1 f (v1 ) + x2 f (v2 ) + + xn f (vn ) = xj f (vj )
j=1
X n
m X n
X m
X n
X n
X
w= ( aij xj )wi = xj ( aij wi ) = xi f (vj ) = f ( xj vj ) = f (v)
i=1 j=1 j=1 i=1 j=1 j=1
Ejemplo
Soluci
on
Ejemplo
Ejercicio
donde B = {1 + t + t2 , 1 + t, 1} y C = {t + t2 , 1 + t + t2 , t2 }.
Soluci
on
Luego
0 2 0
(f ; B, C) = 1
1 0
3 1 0
Ejercicio
5 4
Soluci
on
Sabemos que:
Luego
f (1, 1) = 9 + 4X + X 2
f (1, 0) = 13 + 9X + 2X 2
Ahora escribamos (z, t) K 2 , seg
un la base B
Luego
es decir,
luego,
1 3 0 1
2 0
1 1
(f + g; B, C) =
1 4
Es obvio como uno sumara las dos primeras matrices de manera de
obtener la tercera como resultado de esta suma. Todos somos un poco
matematicos en nuestro ser! Cierto?
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Sean V y W dos K-espacios vectoriales. Sea B = {v1 , v2 , ..., vn } una
base ordenada de B y C = {w1 , w2 , ..., wm } una base ordenada de W .
Sean f, g : V W dos morsmos
m
X m
X
f (vj ) = aij wi , g(vj ) = bij wi . Luego
i=1 i=1
m
X m
X m
X
(f + g)(vj ) = f (vj ) + g(vj ) = aij wi + bij wi = (aij + bij )wi
i=1 i=1 i=1
Luego
a11 . . . a1j . . . a1n
.........................
(f ; B, C) =
ai1 . . . aij . . . ain
.........................
am1 . . . amj . . . amn
Captulo 4. Matrices 181
b11 . . . b1j . . . b1n
........................
(g; B, C) =
bi1 . . . bij . . . bin
........................
bm1 . . . bmj . . . bmn
a11 + b11 . . . a1j + b1j . . . a1n + b1n
...........................................
(f + g; B, C) =
ai1 + bi1 . . . aij + bij . . . ain + bin
...........................................
am1 + bm1 . . . amj + bmj . . . amn + bmn
es decir,
(f ; B, C) + (g; B, C) = (f + g; B, C)
Observaci
on
Luego
1 1
(f ; B, C) = 2 1 y (f ; B, C) = 2
1 3 3
m
X m
X
(f )(vj ) = f (vj ) = aij wi = (aij )wi
i=1 i=1
Luego
a11 . . . a1j . . . a1n
.............................
(f ; B, C) =
ai1 . . . aij . . . ain
.............................
am1 . . . amj . . . amn
(aij ) = ( aij )
es decir,
(f ; B, C) = ( f ; B, C)
Luego
p
X p
X p
X q
X
(g f )(uj ) = g(f (uj )) = g( aij vi ) = aij g(vi ) = aij ( bki wk )
i=1 i=1 i=1 k=1
De donde
184 M.T. Alcalde - C. Burgue
no Algebra Lineal
q X
X p
(g f )(uj ) = ( bki aij )wk , 1 j n
k=1 i=1
Sea p
X
ckj = bki aij = bk1 a1j + bk2 a2j + + bkp apj
i=1
Obtenemos entonces
q
X
(g f )(uj ) = ckj wk
k=1
Definici
on 4.4.1 A una matriz (aij ) en Mpn (K) y una matriz (bki )
en Mqp (K), le asociamos una matriz de Mqn (K), llamada pro-
ducto de las matrices (bki ) y (aij ), denotada (bki ) (aij ) y definida
por
p
X
(bki ) (aij ) = ( bki aij )
i=1
Esquema de la denicion:
a1j
..
a2j
.
bk1
bk2 bkp
.. = ckj
. ..
apj .
(g; C, D) (f ; B, C) = (g f ; B, D)
Ejemplo
Luego tenemos
1 1
1 1 1
(g; C, D) = ; (f ; B, C) = 2 1
1 1 2
1 3
2 3
(g f ; B, D) =
1 4
umero 2 de la tercera matriz se obtiene de 1 1 + 1 2 + (1) 1, es
El n
decir la primera la de (g; C, D), por la primera columna de (f ; B, C).
Ademas
3 = 1 (1) + 1 1 + (1) 3
1 = 1 1 + (1) 2 + 2 1
4 = 1 (1) + (1) 1 + 2 3
186 M.T. Alcalde - C. Burgue
no Algebra Lineal
Demostraci
on
Demostraci
on
Observaci
on
1 2 2 1
Sea A = yB= . Entonces
3 1 3 6
1 2 2 1 8 11
AB = =
3 1 3 6 3 9
2 1 1 2 1 5
BA= =
3 6 3 1 21 0
Nota
Observaci
on
Ejercicio
Soluci
on
a b 1 1 1 1 a b
=
c d 0 0 0 0 c d
188 M.T. Alcalde - C. Burgue
no Algebra Lineal
a a a+c b+d
Luego =
c c 0 0
b+d b
Entonces a = b + d y c = 0. Luego { ; b, d IR}, es el
0 d
conjunto de todas las matrices que conmutan con la matriz A.
Ejercicio
1 a 1
Estudie para que valores de a, a IR, la matriz A = a 1 a
,
0 a 1
es invertible.
Soluci
on
1 a 1 1 a 1 1 a 1
L21 (a) L23 (a)
a 1 a 0 1 a2 0 0 1 a
0 a 1 0 a 1 0 a 1
1 0 1 a2
L12 (a) L32 (a)
0 1 a
2
0 0 1a
Luego la matriz A es invertible ssi a 6= 1, 1
Ejemplo
0 2 0 3
Consideremos las matrices A = y .
0 0 0 0
0 0
Su producto es: A B = . Luego las matrices A y B, son
0 0
divisores de cero.
Captulo 4. Matrices 189
Observaci
on
0 1
Consideremos la matriz A = . Se tiene que A2 = 0. Diremos
0 0
que A es una matriz nilpotente de grado 2
Ejemplo
0 0 0 0 0 0
2
Sea A = 1 0 0 . Entonces A = 0 0 0 y A3 = 0.
2 1 0 1 0 0
Luego A es una matriz nilpotente de grado 3.
Ejemplo
1 0
Consideremos A = . Se tiene que A2 = A
0 0
Ejemplo
0 1 1
Consideremos A = 4 3 4 . Se tiene que A2 = I3
3 3 4
Luego A es involutiva.
190 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Contraejemplo
1 2 1 1 3 3
Sea A = ,B= yC= .
2 4 2 0 1 1
Se tiene A B = A C y B 6= C
Ejemplo
1 4
1 2 3
Sea A = . Entonces At =
2 5
4 5 6
3 6
Proposici
on 4.5.4 Sean A, B matrices. Entonces:
1. (A + B)t = At + B t
2. (A)t = At
3. (A B)t = B t At
Ejercicio
Soluci
on
etrica si At = A
1. A es una matriz sim
etrica si At = A
2. A es una matriz antisim
3. A es una matriz ortogonal si At = (A)1
Ejemplos
0 3 2 5 1 4
Son simetricas las matrices: , ,
3 2 5 1 4 0
0 3 0 1 0 5
Son antisimetricas las matrices: , ,
3 0 1 0 5 0
0 1 0 1 1 0
Son ortogonales las matrices: , ,
1 0 1 0 0 1
Lema
Demostraci
on
Lema
Demostraci
on
Ejercicio
1 2
Sea A = M2 (IR). Busquemos su parte simetrica y su parte
3 4
antisimetrica.
Soluci
on
1 2 1 3
1 t 1
Su parte simetrica S es: S = 2
(A +A) = 2
( + )=
3 4 2 4
5
2 5 1
1 2
2
( )= 5
5 8 2
4
1 2 1 3
1 1
Su parte antisimetrica T es: T = 2
(AAt ) = 2
( )=
3 4 2 4
0 1 0 1
1
2
( )= 1 2
1 0 2
0
Se tiene que A = S + T
1. T r( A) = T r(A)
2. T r(A + B) = T r(A) + T r(B)
3. T r(A B) = T r(B A)
Captulo 4. Matrices 193
v = x1 v 1 + x2 v 2 + + x n v n
y
f (v) = y1 w1 + y2 w2 + + ym wm
Luego
f (v) = f (x1 v1 + + xn vn )
= x1 f (v1 ) + + xn f (vn )
= x1 (a11 w1 + + am1 wm ) + + xn (a1n w1 + + amn wm )
= (x1 a11 + + xn a1n )w1 + + (x1 am1 + + xn amn )wm
Luego por la unicidad de las componentes de la base:
De donde
a11 a12 a1n
x1
y1
a21 a22 a2n x2 y2
.. = .
..
...................
.
am1 am2 amn xn ym
194 M.T. Alcalde - C. Burgue
no Algebra Lineal
Es decir,
v f (v)
(f ; B, C)
seg
u n
=
segun
B C
Ejemplo
Escribamos v seg
un la base B
9 + 2X + 5X 2 = 7 1 + 3(1 + X) + 5(1 + X + X 2 )
es decir,
......................................
m1 x1 + m2 x2 + + mn xn = m
xn m
Lema
Demostraci
on
Dados w1 , w2 W , existen v1 , v2 u
nicos tales que f (v1 ) = w1 y
196 M.T. Alcalde - C. Burgue
no Algebra Lineal
f (v2 ) = w2
Tenemos que
f 1 (w1 + w2 ) = v1 + v2 (2)
f 1 (w1 ) = v1 = f 1 (w1 )
(f ; B, C)1 = (f 1 ; C, B)
Demostraci
on
Observaci
on
Esta u
ltima matriz la obtenemos del producto:
3 0 0 1 2 1 3 6 3
0 1 0 3 7 2 = 3 7 2
0 0 1 2 1 1 2 1 1
Lema
Observaci
on
Esta u
ltima matriz la obtenemos del producto:
198 M.T. Alcalde - C. Burgue
no Algebra Lineal
0 0 1 1 2 1 2 1 1
0 1 0 3 7 2 = 3 7 2
1 0 0 2 1 1 1 2 1
Lema
Observaci
on
Esta u
ltima matriz la obtenemos del producto:
1 0 0 1 2 1 1 2 1
0 1 0
3 7 2
=
3 7 2
2 0 1 2 1 1 0 3 1
Lema
operaci
on elemental.
Demostraci
on
Conclusi
on
(A|I) (I|A1 )
Ejemplo
1 2
A=
1 4
200 M.T. Alcalde - C. Burgue
no Algebra Lineal
Soluci
on
! !
1 2 1 0 L21 (1) 1 2 1 0
1 4 0 1 0 2 1 1
! !
L12 (1) 1 0 2 1 L2 ( 12 ) 1 0 2 1
0 2 1 1 0 1 21 12
Luego
!
1 2 1
A =
21 21
Problema
Soluci
on
v = y 1 u1 + y 2 u2 + + y n u n
n
X n
X n
X
= y1 i1 vi + y2 i2 vi + + yn in vi
i=1 i=1 i=1
= (y1 11 + + yn 1n )v1 + + (y1 n1 + + yn nn )vn
202 M.T. Alcalde - C. Burgue
no Algebra Lineal
Luego
x1 = 11 y1 + 12 y2 + ... + 1n yn
x2 = 21 y1 + 22 y2 + ... + 2n yn
..................................
xn = n1 y1 + n2 y2 + ... + nn yn
Sea
x1 y1
x y
2 2
X= ; Y = ; X = PY ; Y = P 1 X
xn yn
x1 11 12 1n y1
x
2 21 22 2n y
2
=
....................
xn m1 m2 mn yn
(v seg
un B) = (C seg
un B) (v seg
un C)
Definici
on 4.9.1 La matriz P = (ij ) es llamada matriz de cam-
bio de base, de la base C a la base B.
Nota
Ejemplo
1 1
Luego (B seg
un B ) =
1 1
Esta matriz nos permite efectuar el cambio de base de B a B . Por
ejemplo si consideramos el vector v = (2, 6), con respecto a la base
B tenemos que sus componentes con respecto a dicha base son 3 y
5 pues v = 3(1, 2) + (5)(1, 0). Para obtener las componentes de v
con respecto a la base B basta realizar la siguiente multiplicacion de
matrices:
1 1 3 2
=
1 1 5 8
xn ym
204 M.T. Alcalde - C. Burgue
no Algebra Lineal
x1 y1
x y
X =
2
un B ;
v seg Y =
2
un C
f (v) seg
xn
ym
Se tiene (1): Y = M X; (2): Y = M X (3): X = P X (4): Y = QY
Reemplazando (3) y (4) en (1) se tiene: QY = M P X de donde,
multiplicando por Q1 se obtiene (5): Y = Q1 M P X . Comparando
(5) y (2) tenemos:
M = Q1 M P
Es decir,
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Ejemplo
3 1
Luego tenemos la matriz (f ; B, C) = 4 2
6 0
Nos falta por encontrar la matriz de cambio de base de C a C :
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Lo anterior nos lleva a dar una nueva denicion en el espacio de las
matrices. Diremos que estas matrices son equivalentes, pero, daremos
una denicion mas general que esta.
Observaci
on
Observaci
on
Soluci
on
2 1 2 8 1 0 0
L31 (1)
1 6 0 0 1 0
2 5 2 8 0 0 1
2 1 2 8 1 0 0
L3 ( 14 )
1 6 0 0 1 0
0 4 0 1 0 1
2 1 2 8 1 0 0
1 6 0 0 1 0
1 1
0 1 0 4 0 4
3
1 23
1 0 0
2
0 1
0
14 0 14 ()
7 11
0 0 + 4 1 8
8
Caso 4 = 0 ssi = 4
1 0 0 32 1 23
1 1
0 1 0 4 0
4
0 0 0 8 1 11
7
8
En este caso:
3
1 32
2
A =
41 0 1
4
7 1 11
8(+4) +4
8(+4)
Ejercicio
1 1
Sea f : K 2 K 2 . Dada la matriz (f ; B, C) = ; De-
2 1
terminemos f (x, y) y f 1 (x, y), donde B = {(1, 2), (2, 0)} y C =
{(1, 1), (0, 3)}
Soluci
on
2xy
(x, y) = y2 (1, 2) + 4
(2, 0)
Luego
x y
f (x, y) = ( + , x + 4y)
2 4
Busquemos (f ; C, B) = (f ; B, C)1
1
! !
1 1
1 1 1 0 1 0
3
2
3
2 1 0 1 0 1 13
3
1
f 1 (1, 1) = 3
(1, 2) + 32 (2, 0) = ( 53 , 32 )
1
f 1 (0, 3) = 3
(1, 2) 31 (2, 0) = ( 13 , 32 )
Luego
f 1 (x, y) = ( 16
9
x 19 y, 49 x + 29 y)
Captulo 4. Matrices 209
Ejercicio
Soluci
on
Ejercicio
Soluci
on
Ejercicio
1 1
Determinemos A2 , A3 , A4 , ..., An , n IN, donde A =
1 1
Soluci
on
1 1 1 1 2 2
A2 = =
1 1 1 1 2 2
2 2 1 1 4 4 22 22
3 2
A =A A= = =
2 2 1 1 4 4 22 22
Luego pienso
Hipotesis de induccion
2n1 2n1
An =
2n1 2n1
2n 2n
Por demostrar An+1 =
2n 2n
En efecto:
2n1 2n1 1 1
n+1 n
A =A A= =
2n1 2n1 1 1
Luego
2n1 2n1
n
A = n IN
2n1 2n1
Ejercicio
(
0 si k = 1
f (vk ) =
v1 + v2 + + vk1 si k > 1
Soluci
on
Tenemos que
f (v1 ) = 0 = 0v1 + 0v2 + 0v3 + + 0vn
f (v2 ) = v1 = 1v1 + 0v2 + 0v3 + + 0vn
f (v3 ) = v1 + v2 = 1v1 + 1v2 + 0v3 + + 0vn
...........................................................
f (vn ) = v1 + v2 + + vn1 = 1v1 + 1v2 + + 1vn1 + 0vn
0 1 1 1 1 1
0 0 1 1 1 1
0 0 0 1 1 1
Luego (f ; B, B) =
.....................
0 0 0 0 0 1
0 0 0 0 0 0
!
0 1
Para n = 2, tenemos A = y A2 = 0
0 0
0 1 1
y A3 = 0
Para n = 3, tenemos A = 0 0 1
0 0 0
umero entero tal que Am = 0 es m = n, con
Hipotesis: el menor n
A Mn (K)
Demuestre, por induccion, tal armacion
212 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
2. Si B 2 B + I = 0 entonces B es invertible.
Soluci
on
(I B)2 = I B = I 2 IB BI + B 2 = I B
= I 2B + B 2 = I B
= B2 B = 0
= B2 = B
Es decir B es idempotente.
2. B 2 B + I = 0 = B B 2 = I = B(I B) = I. Luego B 1
existe y B 1 = I B
Ejercicio
1 2
En M2 (K), consideremos A = . Busquemos A1 y escribamos
3 4
esta u
ltima como el producto de matrices elementales.
Captulo 4. Matrices 213
Soluci
on
! !
1 2 1 0 L21 (3) 1 2 1 0
L2 ( 1
2
)
3 4 0 1 0 2 3 1
! !
1 2 1 0 L12 (2) 1 0 2 1
0 1 23 1
0 1 32 1
2 2
Luego
!
1 2 1
A = 3 1
2 2
Ejercicio
1 2 2
Sea A = 0
1 2 . Descompongamos A en una suma conveniente
0 0 1
de matrices y utilicemos el binomio de Newton para encontrar A50
Soluci
on
1 0 0 0 2 2 0 2 2
A = 0 1 0 + 0 0 2 = I + B, donde B = 0 0 2
0 0 1 0 0 0 0 0 0
0 2 2 0 2 2 0 0 4
B2 =
0 0 20 0 2 = 0 0 0
0 0 0 0 0 0 0 0 0
0 0 4 0 2 2 0 0 0
3
B = 0 0 0 0 0 2 = 0 0 0
0 0 0 0 0 0 0 0 0
Recordemos que A es nilpotente de grado n ssi n es el menor entero
tal que An = 0
Luego B 3 = 0. Ademas todas las potencias de B conmutan con las
potencias de I, es decir, con I, luego es aplicable a esta situacion el
Teorema del Binomio de Newton
A50 = (I + B)50
50 500 0 50 501 1 50 5050 50
= I B + I B + + I B
0 1 50
Luego
50 50 50
50
A = B0 + B1 + B2
0 1 2
0 2 2 0 0 4
0 0 2 + 1.225 0 0 0
= I + 50
0 0 0 0 0 0
Luego
1 100 5.000
A50 0
= 1 100
0 0 1
Ejercicio
Soluci
on
cos sin 63
63
cos 5 sin 5
63 4 4
A = = 5
sin cos sin 4 cos!5
4
cos 635 sin 635 22 22
= 4 4 =
635
sin 4 cos 635
4
2
22
2
Utilizamos que cos 635
4
= cos 315
4
= cos (398+3)
4
= cos 3
4
= 2
2
3 3
a esas bases.
216 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 1 1 1 0 1
0 0 a
7. Para cada n
umero real , considere la matriz
cos sen
M =
sen cos
11.
Determine
si es posible x, y IR, de manera que la matriz
2 x
sea ortogonal.
y 2
12. Demuestre que el producto de dos matrices ortogonales es ortog-
onal.
(a) S = {A V ; A es invertible}
(b) T = {A V ; AB = BA, B una matriz ja}
(c) U = {A V ; A es idempotente}
(d) W = {A V ; A es simetrica}
(e) X = {A V ; A es antisimetrica}
(f) Y = {A V ; A es ortogonal}
Captulo 5
Determinantes
Motivaci
on
219
220 M.T. Alcalde - C. Burgue
no Algebra Lineal
db
Si (ad bc) 6= 0, entonces x = adbc
.
Hagamos ahora las operaciones siguientes c (1) a (2): (bc ad)y =
c a O bien (ad bc)y = a c
ac
Si ad bc 6= 0, tenemos y = adbc
a b x
=
c d y
a b
Definici
on 5.1.1 Sea A = una matriz con sus elementos en
c d
un cuerpo K. El determinante de A, denotado |A|, es el n
umero de
K,
a b
=: ad bc
c d
Ejemplos
1 2 2 4
= 4 6, =44
3 4 1 2
Captulo 5. Determinantes 221
Nota
a b
Sea A = , A1 = ( a b ), A2 = ( c d ). Podemos escribir
c d
A1
D(A), det(A) o bien D . Es decir, podemos considerar el deter-
A2
minante como funcion de la matriz A o como una funcion de las las
de la matriz A.
Propiedades(1) y (2)
a + a b + b a b a b
1. = +
c d c d c d
ta tb a b
2. =t
c d c d
Ejemplo
2 6 1 3
=22 = 4 (5 6) = 4
4 10 2 5
Ejercicio
2 6
Calculemos el valor de
3 9
Soluci
on
2 6 1 3
=23 = 2 3 (3 3) = 0
3 9 1 3
222 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
a + a b + b a b a b
= + =
c + c d + d c + c d + d c + c d + d
a b a b a b a b
= +
+
+
c d c d c d c d
Propiedad (3)
Demostraci
on
a b
= ab ab = 0
a b
Propiedad (4)
Propiedad (5)
Si se suma un m
ultiplo de una la a la otra la, el valor del determi-
nante no cambia, es decir,
a + tc b + td a b
=
c d c d
Ejercicio
71 72 L (1) 71 72
21
=
74 75 = 3 3
71 72
= 3 = 3(71 72) = 3
1 1
Propiedad(6)
a b c d
=
c d a b
Propiedad(7)
t
a b a b
Det = Det
c d c d
Demostraci
on
t
a c
a b
a b
Det = = ad bc =
c d b d c d
Propiedad(8)
Demostraci
on
Sea ( a b ) = ( c d ). Luego
a b c d c d
= = =0=0
c d c d c d
Recprocamente tenemos
a b
Si = 0, entonces ad bc = 0, es decir, ad = bc.
c d
b
Supongamos c 6= 0 y d 6= 0, luego a = d
c. Luego
b
( a b ) = ( db c b dd ) = ( db c b
d
d) = (c d)
d
Luego son linealmente dependientes.
Supongamos d = 0. Luego b = 0 o c = 0.
i) Si b = 0 y c 6= 0, entonces ( a b ) = ( a 0 ) = ac ( c 0 ) =
a
c
( c d ). Luego el vector ( a b ) es linealmente dependiente con
el vector ( c d )
ii) Si b 6= 0 y c = 0, entonces
{( a b ) , ( c d )} = {( a b ) , ( 0 0 )}
el cual es un conjunto l.d. por tener el ~0.
Ejemplo
2 5
=0
6 15
Propiedad(9)
Propiedad(10)
Demostraci
on
(aei ahf )x + (bei bhf )y + (cei chf )z = ei hf
(dch dib)x + (ech eib)y + (f ch f ib)z = ch ib
(gbf gec)x + (hbf hec)y + (ibf iec)z = bf ec
g h i z
diremos que el determinante de la matriz de los coecientes, denotado:
a b c
d e f
g h i
Definici
on 5.2.1 Sea
a11 a12 a13
A = a21
a22 a23
a31 a32 a33
Se define su determinante de acuerdo con la formula conocida como
desarrollo por la primera fila.
a a23 a a23 a a22
Det(A) = a11 22 21
a12
21
+ a13
a32 a33 a31 a33 a31 a32
Ejemplo
1 2 1
1
Sea A = 1 1
. Calculemos el determinante de A.
1 3 5
1 2 1
1 1 1 1 1 1
1
1 1 = 1
2
+ 1
= 8
3 5 1 5 1 3
1 3 5
Nota
A3
Regla de Gramer
Propiedad (1)
det(A1 , ..., C+C , ..., An ) = det(A1 , ..., C, ..., An )+det(A1 , ..., C , ..., An )
Propiedad (2)
Propiedad (3)
Propiedad (4)
Propiedad (5)
Si se suma un m
ultiplo de una la a otra la, el valor del determinante
no cambia.
Propiedad (6)
Propiedad (7)
Det(At ) = Det(A)
Propiedad (8)
Propiedad (9)
Propiedad (10)
Entonces
Det(A1 ) = (DetA)1
Demostraci
on
5.4 Interpretaci
on geom
etrica del deter-
minante
Si en el plano cartesiano consideramos los vectores u y v, entonces el
area del paralelogramo que tiene por lados estos vectores corresponde
a |Det(u, v)|, es decir, el valor absoluto de Det(u, v),donde u y v son
considerados como vectores las.
Ejemplo
2 0
A = | | = 6
1 3
1 3
A = | | = |0 6| = | 6| = 6
2 0
Lema
Sea A Mn (K)
Si A es invertible, entonces Det(A) 6= 0
Demostraci
on
Nota
Lema
Demostraci
on
a b d b
En efecto, sea A = , consideremos B = y se tiene,
c d c a
a b d b detA 0
=
c d c a 0 detA
Lema
A B = (DetA) I3
Demostraci
on
a11 a12 a13
a21
En efecto, sea A = a22 a23
,
a31 a32 a33
S(a11 ) S(a21 ) S(a31 )
Tomando B =
S(a 12 ) S(a22 ) S(a32 )
S(a13 ) S(a23 ) S(a33 )
Tenemos
a11 a12 a13 S(a11 ) S(a21 ) S(a31 )
a21 a22 a23 S(a12 ) S(a22 ) S(a32 ) =
Demostraci
on
B = ((1)i+j S(aji ))
Definici
on 5.5.1 Esta matriz B es llamada, la matriz adjunta de
A, denotada A.
Nota
Lema
Demostraci
on
Observaci
on
Observaci
on
Lema
Demostraci
on
Nota
Equivalentemente:
22 32 42 52
62 72 82 92
102 112 122 132
142 152 162 172
Soluci
on
22 32 42 52 22 32 42 52
62 72 82 92 62 22 72 32 82 42 92 52
= =
102 112 122 132 10 22 112 32 122 42 132 52
142 152 162 172 142 22 152 32 162 42 172 52
Captulo 5. Determinantes 237
22 32 42 52
2
2 32 42 52
48 4 10 4 12 4 14 4 5 6 7
= = 481223 =
8 12 8 14 8 16 8 18 6 7 8 9
12 16 12 18 12 20 12 22 8 9 10 11
2
2 32 42 52
4 5 6 7
10
= 2 3
=0
2 2 2 2
4 4 4 4
Ejercicio
a2
1 a
1 b
b2
1 c c2
Soluci
on
a2 a2
1 a L (1) 1 a
21
1 b
b2
= 0 b a b 2 a2 =
1 c c2 L31 (1) 0 c a c2 a2
a2
1 a
1 b + a L (1)
21
= (b a)(c a) 0 1 b + a = (b a)(c a)
1 c+a =
0 1 c+a
1 b+a 1 b+a
= (b a)(c a)
= (b a)(c a)(c b)
=
0 cb 0 1
= (b a)(c a)(c b)
Ejercicio
Demostremos que
238 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 1 1
a b c = (a + b + c)(b a)(c a)(c b)
3
a b3 c 3
Soluci
on
1 1 1 C (1) 0 1 0
32
a b c = ab b c b =
3
a b3 c 3 C12 (1) a3 b3 b3 c3 b3
0 1 0
= (a b)(c b)
1 b 1 =
2
a + ab + b2 b3 c2 + bc + b2
0 1 0
= (a b)(c b)
0 b 1 =
2
a c2 + b(a c) b3 c2 + bc + b2
0 1 0
= (a b)(c b)(a c)
0 b 1 =
a + b + c b3 c2 + bc + b2
1 0
= (a b)(c b)(a c)(a + b + c)
=
b 1
= (a b)(c b)(a c)(a + b + c)
Ejercicio
Ejercicio
Soluci
on
cos sin
= cos2 + sin2 = 1
sin cos
Ejercicio
k + 3 1 2
3 2 1 = 6
k2 3 3
Soluci
on
k + 3 1 2 k + 3 1 2
C (1) L (1)
3 2 1 23
3 1 1 21
= =
k2 3 3 k2 0 3
k + 3 1 2
k 3 L (1) k2 k 0
12
k 0 3 = 2 =
k 3 = k2 3
k2 0 3
3(k 2 k)
Luego 3(k 2 k) = 6, luego k 2 k 2 = 0, luego (k 2)(k + 1) = 0
Entonces k = 2 o k = 1
Ejercicio
3
6 x
1
2 y
2 4 z
240 M.T. Alcalde - C. Burgue
no Algebra Lineal
Soluci
on
3 6 x 3 0 x
C (2)
1
2 y 21 1
0 y = 0
=
2 4 z 2 0 z
Ejercicio
Demostremos que:
x y z
2
x y 2 z 2 = (y z)(z x)(x y)(yz + xz + xy)
yz xz xy
Soluci
on
x y z C13 (1) xz yz z
2
x y 2 z 2 = 2
x z2 2
y z 2
z 2 =
yz xz xy C23 (1) yz xy xz xy xy
1 1 z
= (x z)(y z) x + z
y + z z 2 =
y x xy
C21 (1)
1 0 0
= (x z)(y z) x + z y x
xz =
C31 (z) y y x xy + yz
1 xz
= (x z)(y z)(y x) =
1 xy + yz
1 xz
= (x z)(y z)(y x) =
0 xy + yz + xz
Ejercicio
1 x y z+t
1 y z x+t
1 z t x+y
1 t x y+z
Soluci
on
yx zy xz C (1) yx zy 0
31
= z x t y x+yzt
= zx ty
0 =0
tx xy yt C32 (1) tx xy 0
!!Trivial!!
Ejercicio
Demostremos que:
1 cos x cos 2x
cos x cos 2x cos 3x = 0
cos 2x cos 3x cos 4x
242 M.T. Alcalde - C. Burgue
no Algebra Lineal
Soluci
on
Entonces
1 cos x cos 2x L31 (1)
cos x cos 2x cos 3x =
cos 2x cos 3x cos 4x (1)(2)(3)
1 cos x cos 2x
= cos x
cos 2x cos 3x =
2 cos2 x 2 cos x cos 2x 2 cos x cos 3x
1 cos x cos 2x
= 2 cos x cos x cos 2x cos 3x = 2 cos x 0 = 0
cos x cos 2x cos 3x
Ejercicio
Demostremos que
a2 1 a2 a3
bc a
ca b
b2 = 1 b2
b3
con abc 6= 0
ab c c2 1 c2 c3
Captulo 5. Determinantes 243
Soluci
on
bc a a2 L1 (a) a2 a3 1 a2 a3
abc
= 1
ca b b2 abc b2 b3 = 1 b2 b3
ab c c2 L 2 (b)
abc
abc c 2 c3 1 c2 c3
L3 (c)
Ejercicio
1 x x2 x3
x3 1 x x2
x2 x3 1 x
x x 2 x3 1
Soluci
on
1 x x2 x3 L21 (x3 ) 1 x x2 x3
x3 1 x x2 = 0 1 x x x x x6
4 5 2
=
x x 1 x L31 (x2 )
2 3
0 0 1 x4 x x5
x x2 x3 1 L41 (x) 1 x4
0 0 0
= (1 x4 )3
Ejercicio
Soluci
on
Con las operaciones L21 (xn ), L31 (xn1 ), . . . , Ln+11 (x) tenemos
1 x x2 x3 xn
0 1 xn+1 x xn+2 x2 xn+3 xn1 x2n
1 xn+1 x xn+2 xn2 x2n1 = (1 xn+1 )n
0 0
................................................
0 0 0 0 1 xn+1
Ejercicio
Soluci
on
L21 (1)
x + 1 x x x x
L31 (1)
1 2 0 0 0
=
1 0 3 0 0 =
..
......................
.
1 0 0 0 n
Ln1 (1)
n
1
X
1+x x x x x
k=1 k
n
0 2 0 0 0 1
X
= (1 + x )n!
=
0 0 3 0 0
k=1 k
...........................
0 0 0 0 n
Ejercicio
1 0 1 1 1 1
1 1 0 1 1 1
1 1 1 0 1 1
.....................
1 1 1 1 1 0
0 1 1 1 1 1
Soluci
on
1 1
1 0 1 1
L21 (1)
0 1 1 0 0 0
L31 (1)
0 1 0 1 0 0
= .......................... =
..
.
0 1 0 0 0 1
Ln11 (1) 0 1 1
1 1 1
1 1 0 0 0 0 1 0 0 0
1 0 1 0 0 0 0 1 0 0
(a) (b) . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
= =
1 0 0 0 1 0
0 0 0 1
1 1 1 1 1 n1 1 1 1 1
1 0 0 0
0 1 0 0
= (n 1)(1n1+1 )
....................
0 0 0 1
= (n 1)(1)n (1)n2 = (n 1)(1)2n2 = n 1
(a): desarollamos el determinante por la primera columna.
(b) A la columna 1 se le suman las demas columnas
246 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
n n 1 n 2 2 1
n 1 n 2 n 3 1 0
..............................
2 1 0 0 0
1 0 0 0 0
Soluci
on
n n 1 n 2 3 2 1
n 1 n 2 n 3 2 1 0
(n+1)(n+2) n2 +3n
3
................................. = (1)
2 = (1) 2
2 1 0 0 0 0
1 0 0 0 0 0
71 72 73
74 75 76
77 78 79
10 15 20 25 30
11 17 23 29 35
12 19 26 33 40
13 21 29 37 45
14 23 32 41 50
Diagonalizaci
on
6.1 Introducci
on
Tu sabes que una aplicacion lineal esta determinada por su compor-
tamiento en una base. Quisieramos saber si existira una base tal que
la imagen de cada vector de ella, sea colineal con el mismo. Es decir, si
V es un K-espacio vectorial y f : V V un endomorsmo Existira
B = {v1 , v2 , ..., vn } base de V , tal que
f (vi ) = i vi , i = 1, ..., n ?
Esta sera una manera mas facil, mas comoda de trabajar con un
endomorsmo. Por ejemplo, sera trivial! conocer el valor de
249
250 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
2
5 0 5 0 5 0 52 0
= =
0 7 0 7 0 7 0 72
3 2
5 0 5 0 5 0 52 0 5 0 53 0
= = =
0 7 0 7 0 7 0 72 0 7 0 73
Hipotesis de induccion
n
5 0 5n 0
=
0 7 0 7n
Demostremos que
n+1
5 0 5n+1 0
=
0 7 0 7n+1
n+1 n
5 0 5 0 5 0 5n 0 5 0
= = =
0 7 0 7 0 7 0 7n 0 7
5n+1 0
=
0 7n+1
Luego para todo n
umero natural n, tenemos
n
5 0 5n 0
=
0 7 0 7n
Lema
Para todo k, n
umero natural, tenemos
Captulo 6. Diagonalizacion 251
k
a11 0 0 0 0 ak11 0 0 0
k
0 a22 0 0 0 0 a22 0 0
=
....................... ....................
0 0 0 0 ann 0 0 0 aknn
Pregunta
Observaci
on
f (v) = v
Observaci
on
Sea
f : K 2 K 2 ; f (x, y) = (2y, x)
Existira B, base de K 2 , tal que (f ; B, B) es una matriz diagonal?
Supongamos que existe v = (x, y) K 2 tal que f (x, y) = (x, y)
Tenemos
f (x, y) = (x, y) y f (x, y) = (2y, x)
Luego
(2y, x) = (x, y)
Captulo 6. Diagonalizacion 253
De donde
)
2y = x
x = y
Nota
Observaci
on
Lema
Demostraci
on
v = v = v v = ~0 = ( )v = ~0 = = 0 = =
Debido a la unicidad de , damos la siguiente denicion:
Observaci
on
Tenemos entonces:
Para todo valor propio de f se tiene
f (v) = v v N (f idV )
Tenemos la denicion siguiente:
Captulo 6. Diagonalizacion 255
S := N (f idV )
Nota
El n
ucleo de un morsmo puede tener dimension mayor o igual a 2,
luego puede haber vectores l.i. asociados a un mismo .
Observaci
on
Demostraci
on
Observaci
on
Nota
Veamos ahora la relacion que existe entre los vectores propios asocia-
dos a valores propios distintos de dos en dos.
Demostraci
on
vn+1 = 1 v1 + 2 v2 + ... + n vn ,
luego
f (vn+1 ) = 1 f (v1 ) + ... + n f (vn ) = 1 1 v1 + ... + n n vn
Pero
Luego:
1 1 = n+1 1
2 2 = n+1 2
...............
n n = n+1 n
Por (1), (2) y (3) tenemos que la proposicion es valida para todo
n N , n dimV .
1 0 0
0 2 0
(f ; B; B) =
...............
0 0 n
1 0 0
0 2 0
M =
...............
0 0 n
Definici
on 6.3.1 Si es una raz simple del polinomio caracterstico
entonces diremos que es un valor propio simple.
Nota
1 0 0
0 2 0
(f ; B, B) =
...............
0 0 n
Demostraci
on
B = {v1 , v2 , ..., vn } es l.i. y puesto que son n vectores, forman una base
de V . Ademas, f (v1 ) = 1 v1 , f (v2 ) = 2 v2 , ..., f (vn ) = n vn . Luego se
obtiene la matriz diagonal buscada.
xn 0
1 0 0
0 2 0
P 1 M P =
...............
0 0 n
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
260 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Diagonalicemos
4 6 0
M = 3 5 0
M3 (K)
3 6 5
Soluci
on
z
0
a v, entonces (M I3 )(v) = 0
0
Escribir este sistema en su forma mas sencilla, equivale a escalonar la
matriz M I3
Captulo 6. Diagonalizacion 261
Caso 1 = 5
Al azar fue escogido 5 como primer valor propio.
9 6 0 3 2 0 1 0 0
3 0 0 1 0 0 1 2 0
3 6 0 1 2 0 3 2 0
L21 (1) 1 0 0 1 0 0
0 2 0
0 1 0
L31 (3) 0 2 0 0 0 0
Es decir obtenemos el siguiente sistema equivalente
1 0 0 x 0
0 1 0 y = 0
0 0 0 z 0
Luego x = y = 0, z K
Notese que tenemos 0 z = 0. Luego es valido para todo z K.
Escojamos v1 = (0, 0, 1). Podramos haber escogido v1 = (0, 0, 2) o
v1 = (0, 0, 3) etc.
S5 = {(0, 0, z); z K} =< (0, 0, 1) >
Caso 2 = 2
6 6 0 1 1 0 L21 (1) 1 1 0
3 3 0 1 1 0 0 0 0
3 6 3 1 2 1 L31 (1) 0 1 1
1 0 1
L13 (1)
0 0 0
0 1 1
Es decir obtenemos el siguiente sistema equivalente
262 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 0 1 x 0
0 0 0 y = 0
0 1 1 z 0
Luego x = z, y = z.
Luego S2 = {(z, z, z); z K} =< (1, 1, 1) >
Sea v2 = (1, 1, 1)
Caso 3 = 1
L1 ( 13 )
3 6 0 L21 (1) 3 6 0 1 2 0
3 6 0 0 0 0 0 0 0
3 6 6 L31 (1) 0 0 6 L3 ( 61 ) 0 0 1
0 0 1 z 0
Luego (f ; D; D) = P 1 M P
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
Ejercicio
2 2 3
Sea M = 1 2 1 la matriz de un endomorsmo f de K 3 con
2 2 1
respecto a la base canonica. Busquemos:
1. El polinomio caracterstico de f.
Soluci
on
p() = det(M I3 )
En efecto
2 2 3 4 0 4
L13 (1)
1 2 1
1 2 1 =
=
2 2 1 2 2 1
1 0 1 1 0 0
C31 (1)
(4 ) 1 2 1
(4 ) 1 2 0 =
=
2 2 1 2 2 1
2 0
(4 ) = (4 )(2 )(1 )
2 1
264 M.T. Alcalde - C. Burgue
no Algebra Lineal
Luego
p() = (4 )(2 )(1 + )(1)
es el polinomio caracterstico de f . Luego los valores propios son:
1, 2, 4
Caso = 1
3 2 3 1 1 1 1 L21 (1)
L3 ( 2 ) L13
1 3 1
1 3 1
2 2 2 3 2 3 L31 (3)
1 1 1 1 0 1
0 4 0 0 1 0
0 5 0 0 0 0
Luego tenemos el sistema siguiente:
1 0 1 x 0
0 1 0 y = 0
0 0 0 z 0
x + z = 0, y = 0 luego x = z, y = 0
S1 = {(z, 0, z); z K} =< (1, 0, 1) > es el subespacio propio
asociado a = 1
Caso = 2
0 2 3 0 2 3 1 0 1
L32 (2) 3
1 0 1 1 0 0 1 2
1
2 2 1 0 2 3 0 0 0
Luego tenemos el siguiente sistema de ecuaciones:
1 0 1 x 0
3
0 1 2 y = 0
0 0 0 z 0
De donde: x + z = 0, y + 32 z = 0, Luego x = z, y = 23 z, z K
S2 = {(z, 32 z, z); z K} =< (2, 3, 2) >, es el subespacio asociado
a=2
Captulo 6. Diagonalizacion 265
Caso = 4
2 2 3 2 2 3
L31 (1) L1 (1)
1 2 1 1 2 1
2 2 3 0 0 0
1 2 1 1 0 4
5
0 2 5 0 1 2
0 0 0 0 0 0
Luego tenemos el siguiente sistema:
1 0 4 x 0
5
0 1 2
y
= 0
0 0 0 z 0
De donde se obtiene:
) )
x 4z = 0 x = 4z
= zK
y 25 z = 0 y = 52 z
Donde P = (D seg
un C)
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
P () = ( 1 )1 ( 2 )2 ( r )r
dimK N (f idV ) k
Demostraci
on
f (vi ) = vi , i = 1, ..., r
El polinomio caracterstico de f es
X ... 0
.. ... .. P
. .
0 ... X
P (X) = det(M XIn ) =
0 ... 0
.. ... .. Q XIn
. .
0 ... 0
1. f es diagonalizable
2. P () = ( 1 )1 ( 2 )2 ( r )r y dimK Si = i ,
i = 1, , r
Demostraci
on
(1) (2)
Supongamos que f es diagonalizable. Entonces existe una base B =
{v1 , v2 , ..., vn } formada por vectores propios de f . Ademas (f ; B) es
diagonal y el polinomio caracterstico de f es de la forma
1 1 3
Encontremos
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios propios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Captulo 6. Diagonalizacion 269
Soluci
on
3 1 1 L (1) 2 0 2 +
13
2 4 2
2 4 2 =
=
1 1 3 1 1 3
1 0 1 1 0 0
C (1)
= (2 ) 2 4
2 31 (2 ) 2 4
4 =
=
1 1 3 1 1 4
4 4
= (2) = (2)((4)2 4) = (2)(2)(6)
1 4
Luego los valores propios son: 2 de multiplicidad 2 y 6 de multiplicidad
1.
Caso = 6
36 1 1 3 1 1 1
L2 ( 2 )
2 46 2 = 2 2 2
1 1 36 1 1 3
3 1 1 1 0 1
1 1 1 0 1 2
1 1 3 0 0 0
Luego
1 0 1 x 0
0 1 2 y = 0
0 0 0 z 0
Luego )
xz = 0
y 2z = 0
Luego x = z, y = 2z
Reemplazando, tenemos
(x, y, z) = (z, 2z, z) = z(1, 2, 1) luego v6 = (1, 2, 1) y S6 =< (1, 2, 1) >
270 M.T. Alcalde - C. Burgue
no Algebra Lineal
Caso = 2
32 1 1 1 1 1 1 1 1
2 42 2 = 2 2 2 0 0 0
1 1 32 1 1 1 0 0 0
Luego
1 1 1 x 0
0 0 0 y = 0
0 0 0 z 0
1 1 1
6 0 0 4 4 4
3 1 1 1 1 1
1
0 2 0 =
2
21 1
2 2 4 2 2 1 0
1 1
0 0 2 4 4
34 1 1 3 1 0 1
Ejercicio
2 2 3
Estudiemos si M es diagonalizable.
Captulo 6. Diagonalizacion 271
Soluci
on
2 2 2
Luego x + y + z = 0 de donde x = y + z; y, z IR
Por lo tanto
S1 = {(y + z, y, z); y, z IR}
Es decir
S1 =< (1, 1, 0), (1, 0, 1) >
2 2 4 0 0 0
Luego
272 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 0 1 x 0
0 1 1
y
= 0
0 0 0 z 0
0 0 1 1 1 1 2 2 3 0 1 1
Ejercicio
Soluci
on
p() = det(M I3 )
4 2 3 1 2 3
C13 (1)
2 1 2
0 1 2 =
=
1 2 1 + 2
1 2 3 1 2 3
L31 (1)
(1 ) 0 1 2
(1 ) 0 1 2 =
=
1 2 0 0 3
Captulo 6. Diagonalizacion 273
1 2
(1 ) = (1 )(1 )(3 )
0 3
2 0 2 1 0 1
1 2 1 3 2 3
1 2 1 1 0 1
L32 (3)
1 0 1 0 1 0
0 2 0 0 0 0
1 0 1 x 0
0 1 0 y = 0
0 0 0 z 0
4 1 2
respecto a la base canonica es A = 0
3 0, encuentre
1 1 1
(a) El polinomio caracterstico de f.
(b) Los valores propios de f y sus subespacios propios asocia-
dos.
(c) Una base diagonalizante D
(d) Una matriz invertible P tal que (f ; D) = P 1 M P
Aplicaciones Bilineales
Introducci
on
tal que
a c
det , = ad bc
b d
Tenemos las propiedades siguientes
1.
a + a c a c a c
= +
b + b d b d b d
275
276 M.T. Alcalde - C. Burgue
no Algebra Lineal
3.
a c a c
=
b d b d
4. Analogamente
a c a c
det , = det ,
b d b d
3. det(u, v) = det(u, v)
4. det(u, v) = det(u, v)
(x1 , y1 ) (x2 , y2 ) = x1 x2 + y1 y2
1.
((x1 , y1 ) + (x2 , y2 )) (x3 , y3 ) = (x1 + x2 , y1 + y2 ) (x3 , y3 )
= (x1 + x2 ) x3 + (y1 + y2 ) y3
= x 1 x3 + x 2 x3 + y1 y3 + y2 y3
= (x1 x3 + y1 y3 ) + (x2 x3 + y2 y3 )
= ((x1 , y1 ) (x3 , y3 ))+
+((x2 , y2 ) (x3 , y3 ))
3.
((x1 , y1 )) (x2 , y2 ) = (x1 , y1 ) (x2 , y2 )
= (x1 )x2 + (y1 )y2
= (x1 x2 + y1 y2 )
= ((x1 , y1 ) (x2 , y2 ))
Definici
on 7.1.1 Sean U , V , W tres espacios vectoriales sobre un
on bilineal de U V
mismo cuerpo K. Se dice que f es una aplicaci
en W si verifica los siguientes axiomas:
Para todo u, u U , v, v V , K
1. f (u + u , v) = f (u, v) + f (u , v)
3. f (u, v) = f (u, v)
4. f (u, v) = f (u, v)
1. g : U W ; g(u) = f (u, v) v V
2. h : V W ; h(v) = f (u, v) u U
son lineales
Ejercicio
Estudiemos si f es bilineal
Captulo 7. Aplicaciones Bilineales 279
Soluci
on
1. f ((x, y) + (x , y ), (x , y )) = f ((x + x , y + y ), (x , y ))
= 3(x + x )x 5(y + y )y
= 3xx + 3x x 5yy 5y y
= (3xx 5yy ) + (3x x 5y y )
= f ((x, y), (x , y ))+
+f ((x , y ), (x , y ))
2. f ((x, y), (x , y ) + (x , y )) = f ((x, y), (x + x , y + y ))
= 3x(x + x ) 5y(y + y )
= 3xx + 3xx 5yy 5yy
= f ((x, y), (x , y ))+
+f ((x, y), (x , y ))
Ejercicio
Demostraci
on
n
X m
X
1. Existencia. Sean u = i ui , v = j vj . Sea f tal que
i=1 j=1
X
f (u, v) = i j wij
i,j
f (u, v) = f (u, v)
2. Unicidad
Sea g : U V W bilineal tal que g(ui , vj ) = wij . Por demostrar
que f = g
n
X m
X X
f (u, v) = f i ui , j vj = i j wij =
i=1 j=1 ij
X n
X m
X
= i j g(ui vj ) = g i ui , j vj = g(u, v)
i,j i=1 j=1
luego f = g.
Ejemplo
Sea f : IR2 IR2 IR. Sea B = {(1, 1), (1, 0)} una base ordenada de
IR2 . Se tiene que f esta determinada por:
En efecto
f ((x, y), (x , y )) =
= f (y(1, 1) + (x y)(1, 0), y (1, 1) + (x y )(1, 0))
= yy f ((1, 1), (1, 1)) + y(x y )f ((1, 1), (1, 0))+
+(x y)y f ((1, 0), (1, 1)) + (x y)(x y )f ((1, 0), (1, 0))
luego
f ((x, y), (x , y )) =
= yy 1 + y(x y ) 2 + (x y)y 3 + (x y)(x y ) 4
= yy + 2x y 2yy + 3xy 3yy + 4xx 4xy 4x y + 4yy
= 4xx 2x y xy
282 M.T. Alcalde - C. Burgue
no Algebra Lineal
Es decir
f ((x, y), (x , y )) = 4xx 2x y xy
Observaci
on
Que f este determinada por estos cuatro valores quiere decir que no
puede haber una aplicacion bilineal distinta de f que coincida en estos
cuatro valores.
Dicho de otra manera: esos cuatro valores son una microinformacion
del comportamiento de f . Con esos cuatro valores se sabe exactamente
el comportamiento de f en todo IR2 IR2 .
Nota: En IR3 consideremos la base canonica B = {i, j, k} y la apli-
cacion bilineal f : IR3 IR3 IR denida por
Ejercicio
f (x, y) = f (x1 e1 + x2 e2 , y1 e1 + y2 e2 )
= x1 y1 0 + x1 y2 1 + x2 y1 (1) + x2 y2 0
= x 1 y2 x2y1
x y
= 1 1
x2 y2
Demostraci
on
Demostracion de (1)
Demostracion de (1)
Demostraci
on
luego 0 + f = f
E.V.3. Dada f : U V W bilineal, su aplicacion bilineal opuesta
es denotada f y se dene por
Observaci
on
(x, y) (x , y ) = xx + yy = x x + y y = (x , y ) (x, y)
Ejemplo
es decir,
f (u, v) = f (v, u); u, v IR2
Captulo 7. Aplicaciones Bilineales 287
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Construcci
on de la matriz asociada
la cual es bilineal.
Se tiene entonces el teorema siguiente:
Definici
on 7.2.2 La matriz que corresponde a f se llama matriz de
la forma bilineal f con respecto a las bases B y C.
7.2.2 Representaci
on matricial de f (x, y)
Sea f B(U, V : K) y su correspondiente matriz A = (aij ), tal que
A Mnm (K), en el isomorsmo anterior, relativo a las bases B y C
de U y V respectivamente.
Para todo (x, y) U V se tiene
X m
n X n
X n
X
f (x, y) = aij xi yj = xi aij yj
i=1 j=1 i=1 j=1
290 M.T. Alcalde - C. Burgue
no Algebra Lineal
xn ym
Ejemplo
Entonces
0 3 x + y
f ((x, y), (x , y )) = ( x y x )
2 7 y
En IR3 , consideremos la base canonica {,, k}.
Sean u = x1 i + x2 j + x3 k y v = y1 i + y2 j + y3 k dos vectores en IR3 .
Entonces el producto punto de u y v se dene por
u v = x 1 y1 + x2 y2 + x 3 y3
es decir, |u|2 = u u
Este producto punto puede tambien ser descrito por uv = |u||v|cos ,
donde es el menor angulo comprendido entre u y v; u, v 6= 0. Ademas
u v = 0 si y solo si es 2 .
Luego u v = 0 si y solo si u y v son perpendiculares.
Los conceptos de producto punto, longitud de un vector, ortogonalidad
seran generalizados a espacios vectoriales que no tienen facil descrip-
cion geometrica como son IRn , n 4 y los espacios de funciones, y en
IR2 y IR3 se dara conceptos mas amplios que el producto punto.
Nota: En esta seccion consideramos solamente formas bilineales que
tienen por codominio los n umeros reales, pues en el codominio vamos
a utilizar el concepto de orden.
292 M.T. Alcalde - C. Burgue
no Algebra Lineal
Observaci
on
Ejemplo
Observaci
on
En la forma bilineal del ejercicio (7.1) se tiene que f ((x, y), (x, y)) = 0
implica que x2 + (x 2y)2 + y 2 = 0 luego x = y = 0, es decir (x, y) =
(0, 0).
Ejemplo
En la forma
Z 1
bilineal del ejercicio (7.2) se tiene que si (f, f ) = 0 en-
tonces f (t)2 dt = 0 luego f (t)2 = 0 t IR luego f (t) = 0 t [0, 1]
0
Captulo 7. Aplicaciones Bilineales 293
es decir f = 0 en[0,1]
Ejemplos
Las formas bilineales del ejercicio (7.1) y del ejercicio (7.2) son pro-
ductos escalares.
Definici
on 7.3.4 Sea V un IR-espacio vectorial. Diremos que V es un
Espacio Euclidiano si sobre V se puede definir un producto escalar.
7.3.2 Norma
Observaci
on
Ejemplo
Ejemplo
Ejemplo
h i
V = {f : 2 , 2 IR continua} con el producto
Z
2
(f, g) = f (t)g(t)dt
2
Z
2
|| cos mx||2 = (cos mx, cos mx) = cos2 mxdx =
2
Z
2 1 + cos 2mx 1 2 1 2
= dx = x + sen2mx =
2 2 2 2 4m 2 2
q
luego || cos mx|| = 2
m IN
Ejemplo
Proposici
on 7.3.1 Sea V un espacio euclidiano, entonces se tiene
2. ||u|| 0 u V
olo si u = ~0
3. ||u|| = 0 si y s
Demostraci
on (1)
||u|| = < u, u > = 2 < u, u > = 2 < u, u > =
= || ||u||
Demostraci
on (2)
< u, u > 0 u V < u, u > esta denida u V y
Demostracion (3)
||u|| = 0 < u, u > = 0 < u, u >= 0 u = ~0
296 M.T. Alcalde - C. Burgue
no Algebra Lineal
Demostraci
on
< u v, u v > 0
De la bilinealidad, se deduce
luego
< u, u > < v, v > | < u, v > | | < u, v > | ||u|| ||v||
Ejemplo
es decir q q
|x1 x2 + y1 y2 | x21 + y12 x22 + y22
Captulo 7. Aplicaciones Bilineales 297
Ejemplo
es decir v v
n u n u n
X uX uX
x i yi
t x2 i t y2 i
i=1 i=1 i=1
Demostraci
on
Corolario 7.3.4
Demostraci
on
luego
||u|| ||v|| ||u v|| (7.3)
Ademas v = (v u) + u, luego
luego
||v|| ||u|| ||v u|| = ||u v||
de donde
||v|| ||u|| ||u v|| (7.4)
Por (7.3) y (7.4)
| ||u|| ||v|| | ||u v||
7.3.3 Ortogonalidad
En IR2 , considerando el producto usual se tiene que el producto entre
dos vectores es nulo si y solo si el angulo comprendido es de 2 radianes,
es decir, si y solo si estos vectores son ortogonales.
Este concepto de ortogonalidad se generaliza de la manera siguiente:
Ejemplo
Ejemplo
Ejemplo
Ejercicio
nx nx
Demostremos que cos , sen ; n = 0, 1, 2, . . .} es una fa-
l l
milia ortogonal. Determinemos ademas la norma de cada vector.
300 M.T. Alcalde - C. Burgue
no Algebra Lineal
Soluci
on
1. Sea m 6= n
mx nx Z l
mx nx
cos , cos = cos cos dx =
l l l l l
" ! !#
Z l
1 (m + n)x (m n)x
= cos + cos dx = 0
l 2 l l
2. Sea m 6= n
mx nx Z l
mx nx
sen , sen = sen sen dx =
l l l l l
" ! !#
Z l
1 (m n)x (m + n)x
= cos cos dx = 0
l 2 l l
3. m, n IN
mx nx Z l
mx nx
cos , sen = cos sen dx =
l l l l l
" ! !#
Z l
1 (m n)x (m + n)x
= sen + sen dx = 0
l 2 l l
es decir
nx
cos
= l
l
3. Para n 1
nx 2 Z l 2 nx
sen = sen dx =
l l l
1Z l 2nx
= 1 cos dx =
2 l l
!l
1 l 2nx
= x sen
=l
2 2n l
l
es decir
nx
sen
= l
l
Teorema 7.3.5
(Proceso de ortonormalizaci
on de Gram-Schmidt)
Todo espacio euclidiano V de dimensi on finita n, no nulo, admite una
base ortonormal {g1 , g2 , . . . , gn }.
Demostraci
on
1
1. Si dim V = 1. Sea {u} una base de V , entonces g = . Se
||u||
tiene que ||g1 || = 1.
1
2. Si dim V = 2. Sea {u1 , u2 } una base de V , entonces g1 = u1 .
||u1 ||
Sea v2 = u2 < u2 , g1 > g1 . Se tiene que
302 M.T. Alcalde - C. Burgue
no Algebra Lineal
Ejercicio
Soluci
on
Sea u1 = (1, 1)
||u1 ||2 =< (1, 1), (1, 1) >= 2 1 1 2 1 1 2 1 1 + 5 1 1 = 3
Captulo 7. Aplicaciones Bilineales 303
(1, 1)
g1 =
3
v2 = u2 < u2 , g1 > g1
D E
v2 = (1, 1) (1, 1), (1,1)
3
(1,1)
3
(1,1)
v2 = (1, 1) < (1, 1), (1, 1) > 3
(1,1)
v2 = (1, 1) (2 1 1 2 1 1 2 1 (1) + 5 (1) 1) 3
(1,1)
v2 = (1, 1) + 3 3
= (1, 1) + (1, 1) = (2, 0)
< v2 , v2 >=< (2, 0), (2, 0) >= 8
||v2 || = < v2 , v2 > = 2 2
(2, 0) (1, 0)
g2 = =
2 2 2
n o
, (1,0)
(1,1)
La base ortonormalizada es B = 3
2
Ejemplo
Ejemplo
cos mx sen nx
l l
S= , ; m, n IN
l l
Ejemplo
En IR2 , con el producto usual B = {(1, 0), (0, 1)} es una base ortonor-
mal de IR2 .
Demostraci
on
Sean u1 , u2 U entonces
Definici
on 7.3.10 El sub-espacio S de la proposicion anterior ser
a
denotado S y es llamado el subespacio ortogonal a S.
Definici
on 7.3.11 Sea V un espacio vectorial euclidiano con pro-
ducto escalar < u, v >. Se define el coseno del
angulo menor com-
prendido entre dos vectores no nulos como
< u, v >
cos =
||u|| ||v||
Captulo 7. Aplicaciones Bilineales 305
Ejemplo
Ejemplo
Observaci
on
Proposici
on 7.3.7 Sea V un espacio euclidiano. Entonces
1. d(u, v) 0 u, v V
2. d(u, v) = 0 si y s
olo si u = v
3. d(u, v) = d(v, u) u, v V
Definici
on 7.3.13 Un espacio vectorial real dotado de una distancia
es llamado un espacio m
etrico.
Ejemplo
Ejemplo
Demostraci
on
Sea u, v V , entonces
0 = f (u + v, u + v) = f (u, u) + 2f (u, v) + f (v, v) =
= 2f (u, v) luego f (u, v) = 0 u, v V luego f = 0.
2. Sean
1 1 2 1
A= yB=
0 1 1 1
Calculemos ||A||, ||B||, d(A, B) y el angulo comprendido entre
AyB
Soluci
on de (1)
Soluci
on de (2)
s
1 1 1 1
||A|| = < A, A > = < , >=
0 1 0 1
= 1+2+0+1= 4=2
s
2 1 2 1
||B|| = < B, B > = < , >=
1 1 1 1
Captulo 7. Aplicaciones Bilineales 309
= 4+2+3+1= 10
1 1 2 1
d(A, B) = ||A B|| = || || =
0 1 1 1
s
1 2 1 2 1 2
= || || = < , >=
1 0 1 0 1 0
= 1 + 8 + 3 + 0 = 12 = 2 3
Tenemos que ||A|| ||B|| cos =< A, B >, luego
1 1 2 1
< , >
< A, B > 0 1 1 1 1
cos = = =
||A|| ||B|| 2 10 2 10
luego
1
= arccos
2 10
Ejercicio
Soluci
on de (1)
(a) f es simetrica.
En efecto
310 M.T. Alcalde - C. Burgue
no Algebra Lineal
(b) f es positiva.
En efecto
f ((x, y), (x, y)) = 3x2 +4xy+10y 2 = 2x2 +(x2 +4xy+4y 2 )+6y 2 =
= 2x2 + (x + 2y)2 + 6y 2 0 (x, y) IR2
Soluci
on de (2)
q
||u|| = ||(1, 1)|| = f ((1, 1), (1, 1)) = 3
q
||v|| = ||(1, 0)|| = f ((1, 0), (1, 0)) = 3
d(u, v) = ||u v|| = ||(1, 1) (1, 0)|| = ||(0, 1)|| =
q
3 02 + 4 0 (1) + 10 (1)2 = 10
Tenemos que
Ejercicio
1 1 1 1 1 0
C = {u1 = , u2 = , u3 = }
1 0 1 0 0 1
1. Ortonormalicemos la base de C de S
Soluci
on de (1)
s
1 1
t
1 1
||u1 || = tr = 3
1 0 1 0
1 1
Sea g1 = 1
1 0
3
1 1 1 1 1 1 1
= < , 3 > 1 =
1 0 1 0 1 o 3
2
1 1 1 1 43
= (1 + (1) + 1) 13 = 3
2
1 0 1 0 3
0
q
||v2 || = ( 32 )2 + ( 43 )2 + ( 32 )2 = 2
3
6
2
34 1 2
1
g2 = 6
2
3
2= 16
3 0 3
1 0
Se tiene que: v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
1 0 1 0 1 1 1 1 1
v3 = < , 3 > 1
0 1 0 1 1 0 3 1 0
312 M.T. Alcalde - C. Burgue
no Algebra Lineal
1 1 1 1 2 1 2
< , 6 > 1 =
1 0 1 0 6 1 0
1
1 0 1 1 1 2 0
1 1
= = 2
0 1 3 1 0 6 1 0 21 1
s t
1 1
0 0
q q
||v3 || = tr 2 2 = ( 21 )2 + ( 21 )2 + 12 = 3
21 1 21 1 2
1
0
2
1 2 0
1 2 3
g3 = 2
3
=
2 223 2
3
Soluci
on de (2)
x y 1 1
< , >= 0 x + y + z = 0
z t 1 0
x y 1 1
< , >= 0 x y + z = 0
z t 1 0
x y 1 0
< , >= 0 x + t = 0
z t 0 1
Ejercicio
Soluci
on de (1)
q(x, y, z) = f ((x, y, z), (x, y, z)) = 2x2 + 3xy + 3xy + 5yz + 5yz + 4z 2 .
Luego q(x, y, z) = 2x2 + 6xy + 10yz + 4z 2
Soluci
on de (2)
0 5 4
Ejercicio
Soluci
on de (1)
Tenemos que
a b c x
q(x, y, z) = ( x y z)b d e y =
c e f z
x
= ( ax + by + cz bx + dy + ez cx + ey + f z ) y =
z
= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 ) =
= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 )
Luego a = 3; b = 0; c = 1; d = 0; e = 5; f = 2
Luego
3 0 1
(q; C) = 0 0 5
1 5 2
Soluci
on de (2)
Sea x = 1 e1 + 2 e2 + 3 e3 y y = 1 e1 + 2 e2 + 3 e3
f (x, y) = f (1 e1 + 2 e2 + 3 e3 , 1 e1 + 2 e2 + 3 e3 ) =
= 1 1 3 + (1 2 + 2 , 1 ) 0 + (1 3 + 3 1 ) 1 + 2 2 0 +
+ (2 3 + 3 2 ) (5) + 3 3 2
Luego
f (x, y) = 31 1 + 1 3 + 3 1 + (5)2 3 + (5)3 2 + 23 3
O bien lo podramos haber obtenido de la manera siguiente:
Captulo 7. Aplicaciones Bilineales 315
a b c x2
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = ( x1 y1 z1 ) b d e y2
c e f z2
317
Bibliografa
319
Indice de t
erminos
321
322 M.T. Alcalde - C. Burgue
no Algebra Lineal