Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Vectorial PDF
Algebra Vectorial PDF
por
Jose Antonio Belinchon
ii
iii
Prologo
1. Golovina, L.I. Algebra lineal y algunas de sus aplicaciones Edt. MIR 1980
todo ello aderezado (como he indicado antes) con una serie de ejemplos de-
sarrollados (eso espero) al final de cada capitulillo.
1 Espacios Vectoriales. 1
1.1 Espacios Vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Composicion de espacios. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Aplicaciones Lineales 9
2.1 Aplicaciones Lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Espacio Dual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Ecuaciones implcitas de un subespacio. . . . . . . . . . . . . . 16
2.3 Homomorfismo transpuesto. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Determinantes y Sistemas 19
3.1 Aplicaciones multilineales. . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1 Tensores simetricos. . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Tensores antisimetricos. . . . . . . . . . . . . . . . . . . . . . . 21
3.1.3 Algebra exterior. . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Permutaciones de orden n. . . . . . . . . . . . . . . . . . . . . 21
3.2.2 Determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.3 Formas nlienales alternadas. . . . . . . . . . . . . . . . . . . . 22
3.2.4 Propiedades de las formas n-lineales alternadas. . . . . . . . . . 23
3.2.5 Expresion analitica de una forma n-lineal alternada. . . . . . . 23
3.2.6 Determinante de un sistema de vectores. . . . . . . . . . . . . . 23
3.2.7 Determinante de una matriz cuadrada. . . . . . . . . . . . . . . 24
3.2.8 Determinante de un endomorfismo. . . . . . . . . . . . . . . . . 24
3.2.9 Rango de una matriz. . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.10 Matriz inversa. . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Sistemas lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.6 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
+ : V V V
(u, v) 7 u + v
asociativa
elemento neutro
inverso
conmutativa.
: K V V
(, u) 7 u
(u + v) = u + v
( + v) = + v
(v) = v
1 =
Sean u, v W = u + v W
K, u W = u W
2 Espacios Vectoriales.
Definicion 1.1.4 Combinacion lineal. Sea V un espacio vectorial. Sean {v1 , ...., vn }
vectores del espacio V . Decimos que un vector u es combinacion lineal de {v1 , ...., vn }
si se puede expresar de la siguiente forma:
X
u= i vi
i
Proposicion 1.1.1 Sean {v1 , ...., vn } vectores de V entonces {v1 , ...., vn } son lineal-
mente independientes sii al menos uno de ellos se puede expresar como combinacion
lineal de los demas.
Proposicion 1.1.2 Supongamos que {v1 , ...., vn } son todos linealmente independi-
entes. Sea u V tal que u no es combinacion lineal de {v1 , ...., vn } entonces
{v1 , ...., vn } son linealmente independientes (L.I.).
1.2 Bases.
Definicion 1.2.1 Base. Decimos que S es base de un espacio V si cumple las sigu-
ientes condiciones:
1. S es sistema de generadores de V
2. S es L.I.
Definicion 1.2.2 Sea V un espacio de tipo finito sobre K. Se llama dimension del
espacio V al numero de elementos que tiene una base cualquiera de V y se denota
por dim V.
Sea V un espacio vectorial de tipo finito sobre un cuerpo K, sea S = {v1 , ...., vn }
un sistema de generadores de V . Sean {v1 , ...., vp } L.I. entonces encontramos que
n p. De igual forma si S = {v1 , ...., vp } es un sistema de generadoresde V en-
tonces p dim V y si {v1 , ...., vp } son un conjunto L.I. de vectores de V resulta que
p dim V. Si S = {v1 , ...., vp } es un sistema de generadores de V y p = dim V en-
tonces S forma un conjunto L.I. y por lo tanto base. Y por ultimo si S = {v1 , ...., vn }
son vectores L.I. tales que n = dim V entonces S es base de V .
Demostracion. Sea (V, K) un e.v. tal que dim V = n. Sea {v1 , ...., vp }
vectores L.I. con p n. Si p = n entonces forman base. Si p < n como los {v1 , ...., vp }
son un sistema de generadores entonces existe un vector ui / L [v1 , ...., vp ] entonces
{ui , v1 , ...., vp } son LI. Si resulta que n = p + 1 entonces formarian base. Si p + 1 < n,
repitiendo el razonamiento, vemos que existe un vector uj / L [ui , v1 , ...., vp ] entonces
{uj , ui , v1 , ...., vp } son LI. Si resulta que n = p+2 entonces formarian base. Repitiendo
el argumento n p veces llegamos a la conclusion de que existen {u1 , ...., unp }
vectores de tal forma que {v1 , ...., vp , u1 , ...., unp } que forman base de V.
1. W es de tipo finito
2. dim W dim V
entonces
1 u1 + .... + k uk + k+1 k+1 + ...... + r r = 0
al formar base, resulta que el conjunto de { j } = 0. Por lo tanto
V =W U
V W = {(v, w) / v V y w W }
(u, w) + (u0 + w0 ) = (u + u0 , w + w0 )
(v, w, ) = (v, w)
Proposicion 1.3.1 Si {v1 , ...., vp } es una base de V y {w1 , ...., wn } es una base de
W se tiene que
{(v1 , 0), ...., (vp , 0), (0, w1 ), ......., (0, wn )}
es base de V W
Definicion 1.3.4 Realcion de equivalencia. Se dice que una relacion biunivoca sobre
un conjunto X es de equivalencia si cumple las siguientes propiedades
1. Reflexiva xRx
6 Espacios Vectoriales.
1. Suma. u + W , v + W V /W entonces (u + W ) + (v + W ) = (u + v) + W
(u + v) + L = (u + L) + (v + L)
() v + L = (v) + L
( + ) (v + L) = (v + L) + (v + L)
1 + L = v + L
Teorema 1.3.1 Sea V espacio vectorial de dimension finita sobre un cuerpo K. Sea
W un subespacio de V entonces el espacio vectorial cociente es tambien de dimension
finita y
dim (V /W ) = dim V dim W
k
X n
X
x+L= ai (wi + L) + bj (wj + L) =
i=1 j=k+1
Xn
= bj (wj + L)
j=k+1
1.4 Ejemplos
8 Espacios Vectoriales.
Captulo 2
APLICACIONES LINEALES
f : V W
si verifica que:
2. v1 V, K f (v1 ) = f (v1 )
y la Im f como:
Im f = {w W / v V / f (v) = w} W
V / ker f Im f
es una aplicacion biyectiva, veamos ahora que es lineal. Sean x, y ker f V / ker f,
, K
g((x + ker f ) + (y + ker f ))
= g(x + ker f ) + g(y + ker f )
ya que g((x + ker f )) = g(x + ker f ) = f (x) = f (x) i.e.
g((x + ker f ) + (y + ker f )) = g((x + y) + ker f )
f (x + y) = f (x) + f (y) = f (x) + f (y)
g(x + ker f ) + g(y + ker f )
entonces g es biyectiva y lineal.
Observacion 2.1.5
f
V - W
6
p i
?
V / ker f - Im f
f
i f p = f
donde
p(x) = x + ker f
f (x + ker f ) = f (x)
i(y) = y
Corolario 2.1.2
dim(V / ker f ) = dim(Im f )
dim (V ) dim (ker f ) = dim(Im f ) =
dim (V ) = dim (ker f ) + dim(Im f )
ademas
f (v1 ) = a11 w1 + ...... + a1r wr
..
. / f (x) = y
f (vn ) = an1 w1 + ...... + anr wr
entonces X
yi = aij xi
de tal forma que podemos escribir:
a11 a1r
.. .. ..
M(f ) = . Mnr
. .
an1 anr
y1 a11 a1r x1
.. .. .. .. ..
. = . . . .
yn an1 anr xn
@
@
@ g
gf @
@
R ?
U
la composicion de aplicaciones lineales es lineal.
Definicion 2.1.5 Matriz inversa. Sea f : V W una aplicacion lineal tal que
dim V = n y dim W = n y sean BV = {v1 , ......, vn } y BW = {w1 , ......, wn } tal que
M(f ) = A Mnn (K). Entonces la matriz de la aplicacion f 1 : W V esta
dada por M(f 1 ) = B de tal forma que si f f 1 = I entonces A B = Inn
(f + g) (x + y) = f (x + y) + g(x + y) =
(f (x) + g(x)) + (f (y) + g(y)) = (f + g)(x) + (f + g)(y)
1. Asociativa: f + (g + h) = (f + g) + h.
4. Conmutativa: f + g = g + f.
Definimos ohora una operacion externa y comprobamos que esta bien definida.
f Hom(V, W ), K. (f ) (x) = [f (x)] i.e. (f ) Hom(V, W ). Vemos que
esta bien definida ya que
1. (f + g) = f + g
2. ( + ) f = f + f
3. (f ) = f
4. 1 f = f
Demostracion. Tenemos que demostrar que entre dichos espacios existe una
aplicacion lineal y biyectiva.
es lineal i.e. (f + g) = (f ) + (g) = M(f ) + M(g). Sea
a11 a1p b11 b1p
M(f ) = ... .
.. . .. .
. .. y M(g) = .. . ..
ani anp bni bnp
p
X p
X
f (v1 ) = a1j wj , ........., f (vn ) = anj wj
j=i j=i
Xp Xp
g(v1 ) = b1j wj , ........., g(vn ) = bnj wj
j=i j=i
Xp Xp
(f + g)(vi ) = f (vj ) + g(vi ) = aij wj + bij wj
j=i j=i
p
X
(aij + bij ) wj
j=i
entonces
a11 + b11 a1p + b1p
M (f + g) = .. .. ..
=
. . .
an1 + bn1 anp + bnp
= M(f ) + M(g)
Hom(V, K) = {f : V K } := V
dim V = dim V
a los elementos f V se les denomina formas lineales. Esta formula solo es valida
si dim V < .
Observacion 2.2.1 Supongamos que BV = {v1 , ......, vn } es una base de V, que puede
escribirse de forma matricial como una matriz M Mn1 . Sabemos que existe :
Hom(V, K) Mn1 que asigna a cada homomorfismo f una matriz de la forma
f (v1 )
f 7 ...
f (vn )
i.e.
1 0
f1 = 1 ... , ......, fn = 1 ..
.
0 1
de tal forma que podemos escribir
B = {f1 , ........., fn }
16 Aplicaciones Lineales
como la base del espacio dual. Las formas lineales de la base B quedan determinadas
como:
f1 (v1 ) = 1 .... .... f1 (vn ) = 0
f2 (v1 ) = 0 f2 (v2 ) = 1 ..... f2 (vn ) = 0
.. .. .. ..
. . . .
fn (v1 ) = 0 ...... .... fn (vn ) = 1
i.e.
fi (vj ) = ij
xi vi entonces
P
si por ejemplo x V, x =
f1 (x) = f1 (x1 v1 + .... + xn vn ) = x1 f1 (v1 ) = x1
f2 (x) = f2 (x1 v1 + .... + xn vn ) = x2 f2 (v2 ) = x2
..
.
fn (x) = fn (x1 v1 + .... + xn vn ) = xn fn (vn ) = xn
Asi fi (x) es la coordenada i-esima de x, xi por lo que podemos considerar las formas
lineales de la base dual B como las funciones coordenadas de los vectores x V
respecto de la base B.
Proposicion 2.2.1 L V
Observacion 2.2.2 Sea BL = {v1 , ......, vr } y BV = {v1 , ...vr , vr+1 , ..., vn } hemos
visto que BV = {f1 , ...fr , fr+1 , ..., fn } y que BL = {f1 , ......, fr } de tal forma que
L V . Las formas {fr+1 , ..., fn } forman base de L . Por lo tanto V = L L y
se aplica la formula de las dimensiones dim V = dim L + dim L .
d
entonces
f1 (v1 ) = 0 = 3a + b + 2c + d = 0
f2 (v2 ) = 0 = 2a + b + 3c + d = 0
resolviendo el sistema obtenemos:
1 0
5 1
M(f1 ) =
1
M(f2 ) =
0
0 1
por lo tanto las ecuaciones implicitas de un subespacio vendran dadas por:
x1 5x2 + x3 = 0
x2 + x4 = 0
@
@
@ g
gf @
@
R ?
K
donde g W , g f V y
f t : W V
tal que
f t (g) = f g
verificando las siguientes propiedades:
18 Aplicaciones Lineales
1. f, g : V W, (f + g)t = f t + g t
2. (g f )t = f t g t
3. f : V V, es un isomorfismo, entonces: f t tambien es isomorfismo.
sabemos que ht = h u.
n
X
t
h (uj ) = bji fi = gj h
i=1
Pn
Sea x V / x = i=1 xi vi entonces
n
X
h(x) = yi wi
i=1
Pn
tal que yi = i=1 aij xi . Por lo tanto:
n
X
t
h (uj ) (x) = uj [h(x)] = yi = aij xi
i=1
1. (A + B)t = At + B t
2. Si A es invertible entonces At tambien.
3. (At )t = A
2.4 Ejemplos.
Captulo 3
DETERMINANTES Y SISTEMAS
f (u + v, w) = f (u, w) + f (v, w)
f (u, v + w) = f (u, w) + f (u, v)
pero podemos extender esta definicion de tal forma que a tales aplicaciones las de-
nominamos multilineales.
Supongamos que w V y W definimos la aplicacion multilineal (bi-
linela)
w (u, v) = w(u)(v)
denominado producto tensorial de w y .
Las aplicaciones multilineales pueden ser multiplicadas por escalares y sumar
entre si. Lo mismo que en le caso lineal, el conjunto de funciones multilineales
L(V1 , ....., Vr ; W )
h, i : V V K
(, v) 7 h, vi = (v)
Si fijamos v V , entonces la aplicacion
h, vi : V K
7 h, vi
que es lineal y por lo tanto un elemento de V .
La aplicacion
: V V
u 7 h, ui
es un isomorfismo.
20 Determinantes y Sistemas
r covariante y s contravariante.
Definimos el producto tensorial de dos tensores A Tsr y B Tnt como:
r+t
A B Ts+n
AB 1 , ..., r+t , v1 , .., vs+n = A( 1 , ..., r , v1 , .., vs )B( r+1 , ..., t+r , vs+1 , ...., vn+s )
Teorema 3.1.1 Un tensor estas determinado por su vlaor sobre una base y su dual
(i.e. es localizable). Estos vlaores son las componentes de un tensor con respecto al
productotensorial de los elementos de las bases y ssu duales las cuales formana base
del espacio vectorial.
entonces
A = Aij11,......,ir j1
,......,js ei1 ...... eir ......
js
Corolario 3.1.1
dim (Tsr ) = r + s
i , V y vi V.
Ts0 s (V ) s
A B = (A B)a
3.2 Determinantes.
3.2.1 Permutaciones de orden n.
Definicion 3.2.1 Llamamos permutacion de orden n a toda aplicacion biyectiva
de un conjunto de n elementos A = {a1 , ....., an } sobre si mismo, i.e. : A A.
Al conjunto de todas las permutaciones lo denotamos por Sn .
es finita por serlo el comjunto A; por lo tanto un elemento de la misma, k (j) con
k 0 que coincide con alguno de los anteriores.
22 Determinantes y Sistemas
j.
Dados los elementos distintos de A = j, (j), 2 (j), ....., r (j) / r+1 (j) = j
decimos que es un ciclo de orden r si deja fijos los elementos de A que aparecen en
la sucesion anterior. Designamos tal permutacion como:
() = +1 si es par,
() = 1 si es impar.
2. D (a1 , ..., ai + a0i ....., an ) = D (a1 , ...., ai , ...., an ) + D (a1 , ...., a0i , ...., an )
2. Si ai = 0
D (a1 , ...., ai , ...., an ) = 0
3. Sn
D a(1) , ........, a(n) = () D (a1 , ......., an )
D (a1 , ......., an ) = 0
X
D (x1 , ......., xn ) = a1(1) ........an(n) D e(1) , ........, e(n) =
Sn
X
D(e1 , ...., en ) () a1(1) ........an(n)
Sn
Proposicion 3.2.5 Sea BV = {e1 , ...., en } y sea BV0 = {u1 , ...., un } entonces para
todo conjunto de vectores {x1 , ...., xn } V se tiene:
det
0
(x1 , ......., xn ) = det (x1 , ......., xn ) det
0
(e1 , ...., en )
B B B
24 Determinantes y Sistemas
Df : V ....... V K
(x1 , ......., xn ) 7 D(f (x1 ), ...., f (xn ))
Df = det f D
i.e.
D [f (x1 ), ...., f (xn )] = det f D (x1 , ......., xn )
BV = {e1 , ...., en } se verifica:
det f = det A
2. det(I) = 1
rg (A) = dim(Im f )
ij = det(Cij )
ad(A) = (ij )
Ct
A1 =
det A
donde C t es el menor de orden n 1 n 1
y sea
a b c ie f h ib + ch bf ce
1
B = d e f = B 1 = id + f g ia cg af + cd
det B
g h i dh eg ah + bg ae bd
Sistemas lineales. 27
P
la solucion del sistema es un conjunto de escalares (1 , ......, n ) / aij j = bj . Sea
ahora f : V W tal que dim V = n y dim W = p tal que BV = {e1 , ......, en } y
BW = {u1 , ......, up } tal que
a11 a1n
M(f, BV ) = ... .. .
. ..
an1 ann
Observacion 3.3.2 Teniendo en cuenta que los vectores {f (ei )}ni=1 constituyen un
sistema de generadores de Im f y puesto que dim [Im f ] = rangA si llamamos B a la
matriz ampliada, entonces el toerema de R-F dice:
Observacion 3.3.3 Las ecuaciones del sistema homogeneo representan las ecua-
ciones del ker f . Si el sistema es compatible, el conjunto de sus soluciones es el
conjunto f 1 (b) i.e. las soluciones del sistema (3.1) constityen en virtud del teorema
de isomorfia una clase de equivalencia de V respecto del subespacio ker f de man-
era que si (1 , ......, n ) es una solucion concreta de (3.1) el conjunto de todas las
soluciones del sistema es:
por lo tanto las soluciones del sistema (3.1) se obtiene sumando a una solucion par-
ticualr del mismo el conjunto de todos los vectores de ker f , o lo que es lo mismo, el
conjunto de todas las soluciones del sistema homogeneo asociado a (3.1). Sabemos
que dim Im f = rangA entonces dim ker f = n rangA.
rangA = n determinado
rangA < n indeterminado
xi = A1 bj
Ejemplos. 29
i.e.
x1 11 n1 b1
.. 1 .. .. .. ..
. =
. . . .
det A
xn 1n nn bn
i.e.
b1 a12 a1n
det ... ..
.
bn a2n ann
x1 = ,
det A
..
.
a11 a1n1 b1
det ... ..
.
an1 ann1 bn
x1 =
det A
x+y+z =4
2x y + z = 3
x y z = 2
Sea
1 1 1 1 1 1 4
c = 2 1 1 y A = 2 1 1 3
1 1 1 1 1 1 2
3.4 Ejemplos.
Ejemplo 3.4.1 Sea V / dim V = 3 y sea f End(V ) de tal forma que
1 2 3
M (f, BV ) = 1 1 2
0 0 1
Solucion.
En primer lugar vamos a calcular las ecuaciones implicitas del subespacio L,
estas son:
x y z
L 1 2 1 = x z = 0
1 1 1
Observacion 3.4.1 Podemos pensar de forma intuitiva en que estos dos vectores
generan un plano cuya ecuacion es:
~n = (u v) = (1, 0, 1) = x z = 0
f (L) estara generada por {f (u), f (v)} donde f (u) = (8, 3, 1) y f (v) = (2, 0, 1)
por lo tanto
x y z
f (L) = 8 3 1 = 0 =
2 0 1
f (L) x 2y + 2z = 0
Por ultimo como f es biyectiva entonces es un isomorfismo (det M (f, BV ) 6= 0) en-
tonces f f = f 2 es un isomorfismo
f 2 (f 1 (L)) = f (L)
es un isomorfismo.
Ejemplos. 31
1 2
entonces
BL = {(1, 1, 1, 0) , (1, 3, 0, 1)}
asi
x+y+z =0
L
x + 3y + t = 0
entonces como en el caso (1) sera:
1 2 5
x
1 1 1 0 2 1 1 y = 0
1 3 0 1 1 1 4 0
z
5 1 2
x
0 0 0 0
y =
0 0 0 0
z
obteniendose que f 1 (L) R3 .
32 Determinantes y Sistemas
calcular:
2. Ec. implicitas de Im f
Solucion.
Calculamos el rango de la matriz A siendo rangA = 2 por lo tanto dim Im f =
dim ker f = 2. Las ecuaciones del ker f son:
x + 3y + z 2t = 0
2y + 2z + t = 0
ker f := = Bker f = {(2, 1, 1, 0) , (7, 1, 0, 2)}
2x + 4y 5t = 0
x y + z + 3t = 0
p i
?
4
R / ker f - Im f
f
como BR4 / ker f = {(e1 + ker f ) , (e2 + ker f )} entonces calculamos
por lo tanto
1 0
M (f ) = =
0 1 0 0
ya que
y1 = y1 + y2
y2 = 0 y 1 + 0 y 2
Solucion.
Calculamos la matriz M (f, BV ) donde BV = {e1 , e2 , e3 }
f (1, 0, 0) = (1, 0, 2, 1)
f (0, 1, 0) = (0, 1, 1, 0)
f (0, 0, 1) = (1, 2, 0, 1)
entonces
1 0 2 1
M (f, BV ) = 0 1 1 0
1 2 0 1
34 Determinantes y Sistemas
y dim ker f = 1 (recordamos que dim V = dim ker f + dim Im f ). Las ecuaciones del
ker f son:
x+z =0
y 2z =0
ker f := = Bker f = {(1, 2, 1)}
2x + y =0
x+z =0
y
BV / ker f = {(1, 0, 0) + ker f, (0, 1, 0) + ker f }
por lo tanto
1 0
M (f ) = =
0 1 0 0
ya que
y1 = y1 + y2
y 2 = 0 y 1 + 0 y2
calcular:
2. Ec. implicitas de Im f
Solucion.
Calculamos el rango de la matriz A siendo rangA = 3 por lo tanto dim ker f =
1. Las ecuaciones del ker f son:
x + 2y + 2z 3t = 0
2x + y 4z + 6t = 0
= Bker f = {(3, 0, 0, 1)}
3x y + 3z 9t = 0
x + 2y z + 3t = 0
f - 4
R4 R
6
p i
?
R4 / ker f - Im f
f
como BR4 / ker f = {(e1 + ker f ) , (e2 + ker f ) , (e3 + ker f )} entonces calculamos
Solucion.
De forma rapida vemos que:
asi pues:
1 1 0
M (f, B) = 1 0 1
0 1 1
cuyo rango es 2 como facilmete se puede comprobar. Las ecuaciones del ker f son:
x + y = 0,
x + z = 0,
yz =0
Solucion.
Sea B = {e1 , e2 , e3 } base de R3 y sea B = {e1 , e2 , e3 } su base dual puesto
que
fi = fi (e1 )e1 + fi (e2 )e2 + fi (e3 )e3 con i = 1, 2, 3
resulta que la matriz de coordenadas por columnas, de los fi respecto a B es
1 2 2
Q= 2 3 1
3 4 1
como det Q 6= 0 entonces {f1 , f2 , f3 } son LI y por lo tanto forman base.
Respecto al segundo apartado vemos que la matriz de base de B a B 0 es Q
t 1 1 1 1
Q1 = 10 7 2
3
8 5 1
si C = {u1 , u2 , u3 }
1 1 1
u1 = e1 + e2 + e3
3 3 3
10 7 2
u2 = e1 + e2 e3
3 3 3
8 5 1
u3 = e1 + e2 e3
3 3 3
38 Determinantes y Sistemas
u1 = 2e1 + e3
u2 = 3e3
u3 = e2 e3
demostrar que:
1. C es base de V.
Solucion.
En primer lugar comprobamos que
2 0 0
det A = det 0 0 1 6= 0 = LI i.e. forman base.
1 3 1
x0
1 1
2 6 0 x
y0 = 0 1
1 y
3
z 0 0 1
0 z
3
entonces como
u1 = 2e1 + e3
u2 = 3e3
u3 = e2 e3
Ejemplos. 39
vemos que
f (x, y, z, t) = (x y, 2y z, 2z t)
Calcular:
Solucion.
Ya de forma rutinaria pasamos a calcular las bases.
1 1 0 0
M (f, B) = 0 2 1 0
0 0 2 1
cuyo rango es 3.
BIm f = {(1, 0, 0) , (1, 2, 0) , (0, 1, 2)}
mientras que ker f es:
xy =0
2y z = 0 = Bker f = {(1, 1, 2, 4)}
2z t = 0
por lo tanto
u1 = x y, u2 = y z, u3 = z
como g = u1 + u2 + u3 entonces
g = x0 y 0 + y 0 z 0 + z 0
y
(g f ) (x, y, z, t) = g (f (x, y, z, t)) = g (x y, 2y z, 2z t) = 2h1 + h3 h4
eligiendo
x0 = x y, y 0 = 2y z, z 0 = 2z t
entonces
x0 y 0 + y 0 z 0 + z 0 =
(x y 2y + z) + (2y z 2z + t) + (2z t) =
x = 2
(3 + 2) y = 0
( 3 + 2) z = 1
( ) t = 1
por lo tanto
= 2, =3 y =4
Ejemplos. 41
Ejemplo 3.4.10 Sea V etc.. tal que BV = {ei }3i=1 y sea B 0 = {(1, 3, 1) , (2, 0, 1) , (1, 2, 2)}
i.e. B 0 = {vi }3i=1 queremos comprobar:
1. B 0 es base de V,
2. Determinar (B 0 ) , (referenciada a la base dual de B)
3. L = L(v1 , v2 ) entonces determinar L y las ecuaciones implicitas de L.
Solucion.
Comprobamos de forma trivial que B 0 es base de V si detB ({vi }3i=1 ) 6= 0 i.e.
1 3 1 1 3
1
A= 2 0 1 2
0 1 6= 0
1 2 2 1 2 2
donde A es la matriz de paso de B B 0 .
(B 0 ) = {fi }3i=1 / fi (vj ) = ij entonces tenemos:
a
(1, 3, 1) b =1
c
a a 3b + c = 1
f1 : (2, 0, 1) b
= 0 = 2a + c = 0
c a + 2b 2c = 0
a
(1, 2, 2) b = 0
c
lo hacemos para f2 y f3 obteniendo:
a 3b + c = 0 a 3b + c = 0
f2 : 2a + c = 1 , f2 : 2a + c = 0
a + 2b 2c = 0 a + 2b 2c = 1
BL = {3, , 6}
x 3y + z = 0
2x + z = 0
resepcto de BV . Calcular:
1. Extraer de {wi }3i=1 una base de L y prolongarla a una base de V. Hallar su dual.
Solucion.
Vemos de forma trivial que
1 1 3
det {wi }3i=1 = 0
i.e. 1 1 1 = 0
B 2 3 7
1
w1 = [x + y]
2
1
w2 = [x + y]
2
1
e3 = [4x y + z]
2
Las ecuaciones de L son:
x + y + 3z = 0
L =
x + y z = 0
1. Hallar f t ,
2. Determinar ker f t , Im f t ,
Solucion.
Sean BR 3 y BR 4 duales de las bases canonicas respectivas y (x1 , x2 , x3 ),
(y1 , y2 , y3 , y4 ) coordenadas respecto de dichas bases entonces f t es:
y
3 2 1
x1 1 2
y2
x2 = 2 1 2 4 y3
x3 1 4 5 2
y4
44 Determinantes y Sistemas
donde
Bker f t = {( 2, 4, 3, ) / , R} ,
observandose que
dim ker f t = dim Im f t
entonces una base de ker f t esta formada por las formas lineales {u1 , u2 } las coor-
denadas respecto de BR 4 son {(1, 4, 3, 0) , (2, 0, 0, 1)} . Una base de Im f t esta for-
mada por las formas {v1 , v2 } R3 cuyas coordenadas respecto de la base BR 3 son
{(1, 2, 1) , (2, 1, 4)} .
Las ecuaciones implcitas de Im f t resultan de:
x y z
1 2 1 = 3x 2y + z = 0
2 1 4
Definicion 4.1.1 Valor propio y vector propio. Sea f End(V ) tal que f (v) = v.
f (v) v = 0 v ker(f I)
f (x + y) = f (x) + f (y) = x + y = (x + y) V
f (x + y) = (x + y) V
y por ultimo. n o
Si 1 , 2 (f )/ 1 6= 2 entonces V1 V2 = ~0 ya que si tomo x
n1o V2 i.e. x V1 y x V2 entonces f (x) = 1 x = 2 x entonces (1 2 ) x =
V
~0 1 = 2 como queriamos hacer ver.
Proposicion 4.1.3 Los vectores propios de valores propios diferentes son LI.
46 Clasificacion de Endomorfismos. Matrices de Jordan
Corolario 4.1.1 El numero de valores propios diferentes es menor igual que la di-
mension del espacio V . Si hay exactamente n diferentes entonces f es diagonalizable.
el polinomio caractersco es
2 1 = 0
y las soluciones por lo tanto (i.e. los autovalores) son:
() = {1, 1}
ker(A I)
i.e.
1 3 4 1 0 v1
i =0
5 4 3 0 1 v2
resultando que para = 1 su autovector es v = (2, 1) mientras que para = 1
w = (1, 2). De esta forma se observa que
A = B 1 DB
donde
2 1
B=
1 2
3 4
1
5 5 2 1 1 0 2 1
4 =
5 35 1 2 0 1 1 2
Polinomio mnimo. 47
dim (V1 ) = s1 7 {e11 , ......, ers1 }
B = {e11 , ......, ers1 , ......, ersr }
V
dim (Vr ) = sr 7 {er1 , ......, ersr }
comprobando que
(11 e11 + ...... + 1s1 ers1 ) + ..... + (r1 er1 + ...... + rsr ersr ) = ~0
v1 = 0 = 11 = ...... = 1s1 = 0
vr = 0 = r1 = ...... = rsr = 0
por lo que la matriz resultante es de la forma:
1
..
.
1
M (f, BV ) =
..
.
r
..
.
r
como queramos hacer ver.
f 0 = I, f 1 = f, ....., f r = f f r1
a0 f 0 + a1 f 1 + ..... + ar f r = 0
las potencias de f r no pueden ser todas LI. Definimos,
f : K [x] End(V )
p(x) 7 p(f ) = a0 I + a1 f + ..... + ar f r
tal que
ker f := {p(x) K [x] / p(f ) = 0} := mf (x)
48 Clasificacion de Endomorfismos. Matrices de Jordan
Definicion 4.2.1 El conjunto de polinomios p(x) ker f se denominan anu-
ladores de f , N (f ), y a mf (x) polinomio mnimo de f. Verificandose mf (x) N (f ).
f 0 := f|F : F F
v 7 f (v)
Proposicion 4.3.2 Para todo p(x) K [x], ker p(f ), Im p(f ) son subespacios in-
variantes por f.
observandose que
ker p(f ) Im q(f )
=
ker q(f ) Im p(f )
n = dim ker p(f ) + dim Im p(f ) dim ker p(f ) + dim ker q(f )
= dim (ker p(f ) ker q(f )) n
de tal forma que (p(x), mr (x)nr ) = 1, entonces V = L Vr tal que L = ker [p(f )]
y Vr = ker (mr (f )nr ) donde f 0 = f|L mf 0 (x) = p(x), y fr = f|Vr mfr (x) =
mr (x)nr . El subespacio L esta formado por L n= oV1 .... Vr1 ya que mL (x) =
m1 (x)n1 ......mr1 (x)nr1 donde i, j Vi Vj = ~0 , con Vi = ker (mi (f )ni ) de esta
forma V = V1 .... Vr .
La descomposicion de V en suma directa de subespacios invariantes, reduce
el estudio del comportamiento de f al estudio de sus restricciones a cada uno de estos
subespacios.
A0 = I, A1 = A, A2 = I
mf (x) = x 1 mf (f ) = f I = 0 = f = I
mf (x) = x + 1 mf (f ) = f + I = 0 = f = I
ninguno de estos casos es el nuestro, entonces
mf (x) = (x 1)(x + 1)
r
Y
mf (x) = (x i )
i=1
Observacion 4.4.1 Los ceros del polinomio caracteristico pf (x) son tambien ceros
del polinomio mf (x).
I AB0 = a0 I
A AB1 B0 = a1 I
An1 ABn1 Bn2 = an1 I
An Bn1 = (1)n I
Grado del polinomio mnimo. 51
AB0 = a0 I
A2 B1 AB0 = a1 A
n
A Bn1 A n1 Bn2 = an1 A n1
An Bn1 = (1)n An
sumamos entonces
0 = a0 I + .... + ((1)n An )
de esta forma demostramos que M(pf (f ), BV ) = 0 Mnn y A = M(f, BV ) de esta
forma pf (f ) = 0(x) [End(V )] = pf (x) N (f ) y ademas (mf (x)/pf (x)) como
queriamos hacer ver.
Sea mf (x) el polinomio monico de grado mas pequeno entre los del conjunto
ker(~u ). Se tiene que
q(x) ker(~u ) mf (x) | q(x)
f : R4 R4
p(x) = (X 1)2 X 2 2X + 2
m(x) = (X 1) X 2 2X + 2
52 Clasificacion de Endomorfismos. Matrices de Jordan
q1 (x) = (1 x)3
q2 (x) = (1 x)2
q3 (x) = (1 x)2
q4 (x) = (1 x) 2 2x + x2
por lo tanto
q(x) = m.c.d (qi (x))4i=1 = (1 x)
de tal forma que el polinomio minimo es:
pf (x)
= (X 1) X 2 2X + 2 ,
mf =
q(x)
entonces
u, f (u), ...., f s1 (u)
p(x) = (x 1 )1 .....(x r )r
P
el polinomio caracteristico de f , tal que i = dim V y sea
tal que
ker (f i I)si = ker (f i I)t = Vi
X
V = Vi
54 Clasificacion de Endomorfismos. Matrices de Jordan
4.6 Ejemplos.
Empezamos con un esquema.
det (A I) = 0
ker (A i I) = 0 S1 = I1
2
ker (A I) = 0 S2 = I2 I1
.. ..
. .
ker (A I)pi = 0 Sp = Ip Ip1
donde Ii = dim V rang (A I)i = dim ker (A I)i de tal forma que
q1 + q2 + ....... + qp = S1
q2 + ....... + qp = S2
..
.
q p = Sp
p() = ( 1)4 ( 2)
P
y que por lo tanto () = (1, 2) donde (1) = 4 y (2) = 1 (vemos que (i ) =
a
4+1 = dim V = 5) tambien podemos comprobar (th Caley-Hamilton) que el polinmio
minimo coincide con el caracteristico i.e.
mf (X) = (X 1)4 (X 2)
Ejemplos. 55
q1 + q2 = 2 I1 = 2 = S1
q2 = 1 I2 = 3 = S2 = I2 I1 = 1
por lo tanto habra dos cajas, una de oreden 2 y la otra de orden 1 i.e.
1 1 0 0
0 1 0 0
JA =
0
0 1 0
0 0 0 2
u1 ker (A I) = (1, 0, 0, 0)
u2 ker (A I)2 = (0, 0, 1, 0)
u3 = (A I) u2 = (2, 1, 0, 0)
u4 ker (A 2I) = (0, 0, 3, 1)
Solucion.
En primer lugar calculamos el polinomio caracterstico, siendo este:
p () = ( 2) ( + 2)2
mf (X) = (X 2) (X + 2)2
1. rang (A 2I) = 2 por lo tanto dim ker (A 2I) = 1 = (2). Las ecuaciones del
ker (A 2I) son
2 3 1 x 2x + 3y + z = 0
2 3 1 y = 0 = 2x 3y z = 0
2 1 3 z 2x y 3z = 0
Bker(A2I) = {1, 1, 1}
2. rang (A + 2I) = 2, entonces dim ker (A + 2I) = 1 6= (2) Las ecuaciones del
ker son:
2 3 1 x 2x + 3y + z = 0
2 1 1 y = 0 = 2x + y z = 0
2 1 1 z 2x y + z = 0
Bker(A+2I) = {1, 1, 1}
q1 + q2 = 1
q2 = 1
Solucion.
El polinomio caracterstico es:
p () = ( + 2)3 = mf (X)
por lo tanto
() = {2} / () = 3
los subespacios invariantes de este autovalor son:
q1 + q2 + q3 = 1
q2 + q3 = 1
q3 = 1
i.e
2 1 0
JA = 0 2 1
0 0 2
y que la matriz de paso esta formada por los siguientes vectores:
v3 E3 = (1, 0, 0)
v2 = (A + 2I)v3 = (0, 1, 0)
v1 = (A + 2I)v2 = (1, 1, 1)
2 1 1 1 0 1 2 1 0 0 0 1
1 1 0 = 1 1 0 0 2 1 0 1 1
0 1 3 1 0 0 0 0 2 1 0 1
60 Clasificacion de Endomorfismos. Matrices de Jordan
Solucion.
El polinomio caracterstico coincide con el polinomio mnimo
p () = 4 + 22 + 1 = mf ()
(0, 0, 1, 0)
(i, 0, 1, 0) =
(1, 0, 0, 0)
p () = 3 + 1 = mf ()
1 1 1 1
() = 1, i 3, + i 3
2 2 2 2
1
2. rang A 2 12 i 3 I = 2
3
+ 12 i 3
2 0 3 x
3 1
0 2 + 2i 3 0 y = 0 =
3 1
1 0 2 + 2i 3 z
3 1
2 x + 2 ix 3 3z = 0
1
2 3 + i 3y = 0 =
x 32 z + 12 iz 3 = 0
las ecuaciones del ker = z = z, y = 0, x = 32 z 12 iz 3
3 1
Bker(A( 1 1 i3)I ) = i 3, 0, 1
2 2 2 2
Ejemplos. 63
1
3. rang A + 12 i 3 I = 2
2
3 1
2 2i 3 0 3 x
0 32 12 i 3 0 y = 0 =
1 0 23 12 i 3 z
3 1
2 x 2 ix 3 3z = 0
1
2 3 i 3y = 0 =
x 32 z 12 iz 3 = 0
las ecuaciones del ker = z = z, y = 0, x = 32 z + 12 iz 3
3 1
Bker(A( 1 + 1 i3)I ) = + i 3, 0, 1
2 2 2 2
3 4 3 5
Solucion.
El polinomio caracterstico es
p(X) = X 4 + 2X 3 + 2X 2 + 2X + 1 = mf (X)
asi pues
(X) = {i, i, 1, 1}
calculamos los subespacios correspondientes viendo que:
64 Clasificacion de Endomorfismos. Matrices de Jordan
5 1
Bker(AiI) = 2 i, i, 3, 1
2 2
5 1
Bker(AiI) = 2 + i, + i, 3, 1
2 2
3. rang(A + I) = 3entonces
6 10 8 14 x 6x + 10y 8z + 14t = 0
7 10 8 16
= 0 7x + 10y 8z + 16t = 0
y
8 10 8 18 z 8x + 10y 8z + 18t = 0
3 4 3 6 t 3x + 4y 3z + 6t = 0
0 0 0 1
Ejemplos. 65
alternativamente obtenemos:
1 32 12 i 1 + 12 i 32 12 i
1 + 3i 1 3i 2 3 i 0 0 0
2 + 3i 2 3i 3 4 3 1 1 3 1
0 i 0 0 1 2 + 2i 1 2i 2 + 2i
3 + 3i 3 3i 4 6 0 0 1 1 0 0 1 3
1 + i 1 i 1 2 0 0 0 1 1 2 1 0
Solucion.
El polinomio caracterstico es:
P (X) = X 4 + 8X 2 + 16
asi que los autovalores son (X) = {2i, 2i, 2i, 2i} , de esta forma los subespacios
son:
1. rang(A 2iI) = 2
6 2i 6 4 4 x 6x 2ix + 6y + 4z + 4t = 0
4 2 2i 0 4 y 4x 2y 2iy 4t = 0
= 0 =
0 2 2 2i 2 z 2y 2z 2iz + 2t = 0
4 4 4 2 2i t 4x 4y 4z 2t 2it = 0
3 1
Bker(A2iI) = i, 1, 0, 1 , (i, 1 i, 1, 0)
2 2
66 Clasificacion de Endomorfismos. Matrices de Jordan
2. rang(A + 2iI) = 2
6 + 2i 6 4 4 x 6x + 2ix + 6y + 4z + 4t = 0
4 2 + 2i 0 4 y 4x 2y + 2iy 4t = 0
= 0 =
0 2 2 + 2i 2 z 2y 2z + 2iz + 2t = 0
4 4 4 2 + 2i t 4x 4y 4z 2t + 2it = 0
3 1
Bker(A+2iI) = + i, 1, 0, 1 , (i, 1 + i, 1, 0)
2 2
b : V V K
u, v 7 b(u, v)
verificnado:
3. alternada si b(u, u) = 0
f, g B (V ) y k K
b(x, y) = xAy t
donde x V e y W.
Cambio de base.
C D
Sean BV BV0 bases de V tal que la matriz de paso es C y sean BW BW
0
entonces
y10
y1
.. t ..
. =D .
yn yn0
como
y10
yn0
donde B = CADt .
Teorema 5.1.2 Dos matrices son congruentes sii ! b y dos bases de V, B y B 0 tal
que A = P t A0 P.
sean ahora las bases BV = {v1 , ..., vn } BW = {w1 , ...., wr } y BV = {f1 , ..., fn } BW
=
{g1 , ...., gr }. Sea A = (aij )nr / aij = b(vi , wj ) entonces M(d) = A y M(s) = At .
Tenemos entonces las siguientes definiciones:
3. si V = W , b es ordianria det A 6= 0.
Definicion 5.1.5 Sea (V, R) y b es simetrica si b(u, v) = b(v, u). Sea (V, C) y b
hermitica i.e. b(u, v) = b(v, u).
R C
bilineal sesquilineal
simetrica hermitica
Lema 5.1.1 b es simetrica sii existe una base tal que la matriz de b respecto de dicha
base es simetrica i.e. b es simetrica si B / A = M(b, B) de tal forma que A = At .
Una forma sesquilineal es hermitica sii A = At .
70 Formas Bilineales y Cuadraticas.
b : V V K
u, v 7 b(u, v)
entonces uv b(u, v) = 0.
J = {w V / v J; b(w, v) = 0 }
Observacion 5.1.6 Sea b forma bilineal simetrica definida y B = {v1 , ....., vn } una
base ortogonal respecto a b i.e. vi vj b(vi , vj ) = 0 i 6= j. Entonces la expresion
matricial de la forma b respecto de dicha base es diagonal.
b(v1 , v1 ) 0 0
..
0 .
.
M(b, B) = ..
b(v ,
i iv )
0 0
0 0 b(vn , vn )
Proposicion 5.1.3 Si b es una forma bilineal simetrica definida, entonces existe una
base ortogonal del espacio V.
Observacion 5.1.7 Si b definida positiva entonces existe una baseB tal que M(b, B) =
I. Si b definida negativa entonces existe una base B tal que M(b, B) = I
Formas bilineales. 71
i.e. es una matriz diagonal con todos los terminos de la diagonal {1} .
de tal forma que una base de L estara formada por los vectores BL = {(1, 1, 0) , (2, 0, 1)}
comprobamos que b(vi , vi ) 6= 0 y que b(vi , vj ) = 0 viendo que los vectores v2 y v3 no
son ortogonales con respecto a b, luego tenemos que buscar un vector v3 = (x, y, z)
que sea ortogonal a v2 = (1, 1, 0) y continue perteneciendo a L i.e debe verificar
x + y + 2z = 0
xy =0
comprobamos que:
00 1 1 1
B = (1, 1, 0), (1, 1, 0) , (1, 1, 1)
2 2 2
ya que
b(v1 , v1 ) = 2, b(v2 , v2 ) = 2 = b(v3 , v3 )
como podemos comprobar facilmente:
1 1 0 0 1 1 1 1 1 1 0 0
1 1
1 1 0 1 0 1 1 1 1 = 0 1 0
2 1 1 1 1 1 0 2 0 0 1 0 0 1
por ultimo resaltamos que la matriz original A (de rango 3) es diagonlaizable y que
su matriz diagonal es:
1 1
0 1 1 3 3 1 1 0 0 1 2 1
1 0 1 = 1 1 0 0 2 0 1 1 1
3 3
2 1
1 1 0 3 3 1 0 0 1 1 1 0
N = {v V / b(v, w) = 0, w V }
Proposicion 5.1.6 Sea B = {v1 , ....., vn } una base de V, entonces u rad(b) sii
b(u, vi ) = 0. Ademas:
1. rad(b) V
b : V /N V /N K
(x + N, y + N ) 7 b(x + N, y + N ) = b(x, y)
pero como b(vi +N, vi +N ) = b(vi , vi ) = 1 i = 1, ..., r. Sea BN = {vr+1 , ...., vn } una
base cualquiera del nucleo / b(vj , vk ) = 0. Tomo como base B = {v1 , ...., vr , vr+1 , ...., vn }
de tal forma que
b(vi , vi ) = 1 i = 1, ..., r
b(vj , vk ) = 0 j, k = r + 1, ..., n
queremos ver la forma diagonal que tiene respecto de la base B que debemos encontrar.
En primer lugar debemos calcular el nucleo de b i.e.
1 1 2 x x + y + 2z = 0
1 2 3 y = 0 x + 2y + 3z = 0
2 3 5 z 2x + 3y + 5x = 0
d1
..
.
dp0
dp0 +1
0
M(b, B ) =
..
.
dr0
0
..
.
0
tal que
b(y, y) = y12 d1 + ... + yp20 dp0 0
con y
/ N si y 6= 0 entonces b(x, x) > 0. Atendiendo a ls formulas de Grassmann,
vemos que
= n + p0 p dim(L M ) n
3. q(v) = b(v, v)
1. Para que una forma cuadratica b(x, x) sea definida positiva es necesario y su-
ficiente que sean positivos todos los menores angulares de la matriz A =
M(b, B) i.e. los menores
a11 a12
1 = a11 > 0, 2 = > 0, ....., n = |A| > 0
a21 a22
deben ser positivos.
2. Para que una forma sea definida negativa es necesario y suficiente que se veri-
fique
a11 a12
1 = a11 < 0, 2 = > 0....., n = |A| 0
a21 a22
i.e. que se alternen los signos de los menores angulares de la matriz A siendo
de signo negativo el primero i.e. 1 = a11 .
5.3 Ejemplos.
Ejemplo 5.3.1 Diagonalizar la aplicacion bilineal dada por
2 5 0
A = 5 1 3
0 3 6
Solucion.
En primer lugar calculaomos el polinomio caracteristico viendo que es igual a
p(X) = X 3 + 5X 2 42X 144
y que por lo tanto los autovalores son:
(X) = {8, 6, 3}
pasando a calcular cada uno de los subespacios:
78 Formas Bilineales y Cuadraticas.
2. rang(A 6I) = 2
4 5 0 x 4x 5y = 0
5 7 3 y = 0 = 5x 7y + 3z = 0
0 3 12 z 3y 12z = 0
las ecuaciones del ker son: y = y, x = 45 y, z = 14 y , mientras que una base es:
3. rang(A + 3I) = 2
5 5 0 x 5x 5y = 0
5 2 3 y = 0 = 5x + 2y + 3z = 0
0 3 3 z 3y 3z = 0
las ecuaciones del ker son:{x = z, z = z, y = z} ,mientras que una base es:
mientras que P t AP = D
5 4 1 2 5 0 5 1 1 252 0 0
1 1 1 5 1 3 4 1 2 = 0 9 0
1 2 3 0 3 6 1 1 3 0 0 112
Ejemplos. 79
con
1 5 2 1
5 1 1 42 21 42
4 1 1 1 1
2 = 3 3 3
1 1 3
1 1 3 14 7 14
observamos ademas cada autovector es ortogonal i.e.
2 5 0 5
1 1 1 5 1 3 4 = 0
0 3 6 1
esta es la base buscada. Por lo tanto la matriz diagonal queda P t AP = D: (se han
simplificado las expresiones para que no aparezcan raices en el denominador)
5
2
1
5
1
1
42 7 21 7 7 42 2 5 0 42 7 3 28 7 1 0 0
1 1 1 2 1 1
3 3 3 5 1 3
21 7 3 14 7
= 0 1 0
1 1 3 3 6 1 1 3 0 1
14 7 28 7
28 7
0 42 7 3 28 7 0
Observacion 5.3.1 En este caso coincide que la matriz es diagonlaizable, pero como
veremos exsiten casos de aplicaciones bilinelaes no diagonalizables y sin embargo
existir bases respecto de las cuales la forma es diagonal.
Ejemplo 5.3.2 Dada la forma bibilineal A, queremos encontrar una base respecto
de la cual la expresion del endomorfismo tenga una expresion diagonal 1, 0.
3 6 4
A= 6 9 6
4 6 4
80 Formas Bilineales y Cuadraticas.
Solucion.
el espacio hay que descomponerlo
V = L L ker f
L = {3x + 6y + 4z = 0}
las ecuaciones de L son
x = 2 43
L = y=
z=
comprobando que
3 6 4 2
2 1 0 6 9 6 1 = 3
4 6 4 0
tenemos que
3 0 0
M (f, B) = 0 3 0
0 0 0
Ejemplos. 81
si normalizamos entonces
1 0 0
M (f, B 0 ) = 0 1 0
0 0 0
siendo
0 1 2 1
B = , 0, 0 , , , 0 , (0, 2, 3)
3 3 3
Solucion.
V = L L ker f
Vemos que dim ker f = 1 ya que
1 2 3 0 x x + 2y + 3z = 0
2 3 6 0 y 2x + 3y + 6z = 0
= 0 =
3 6 5 2
z 3x + 6y + 5z + 2t = 0
0 0 2 1 t 2z t = 0
las ecuaciones del ker : {z = z, y = 0, x = 3z, t = 2z}, una base esta formada por
L = {x + 2y + 3z = 0}
las ecuaciones parametricas de
x = 2 3
y=
L =
z=
t=
82 Formas Bilineales y Cuadraticas.
observando que
1 2 3 0 2
2 3 6 0
1 = 1
2 1 0 0
3 6 5 2 0
0 0 2 1 0
1 2 3 0 3
2 3 6 0 0
3 0 1 0
3
= 4
6 5 2 1
0 0 2 1 0
1 2 3 0 0
2 3 6 0 0
0 0 0 1 = 1
3 6 5 2
0
0 0 2 1 1
Podemos tomar la base formaba por
B = (1, 0, 0, 0), (2, 1, 0, 0) , (0, 0, 0, 1), (3, 0, 1, 2)
| {z } |
{z } | {z }
L L ker f
V = L L ker f
de tal forma que
L L ker f
son ortogonales entre si y respecto de la forma A.
Solucion.
vemos que la forma cuadratica asociada es:
b(e3 , e3 ) = 0
i.e
3 1 2 0
0 0 1 1 2 1 0 = 0
2 1 0 1
Ejemplos. 83
sin embargo rangB = 3. Nos piden calcular la ecuacion del subespacio generado por
los vectores L = L {(1, 3, 0) , (1, 1, 2)} . De forma trivial calculamos que
x y z
L = det 1 3 0 = 0 = 3x y + 2z
1 1 2
siendo BL = {(1, 3, 0) , (1, 1, 2)} , las ecuaciones del subespacio ortogonal son por lo
tanto
3 1 2 x
1 3 0 1 2 1 y = 6x + 7y + z
2 1 0 z
3 1 2 x
1 1 2 1 2 1 y = 6x + 3y + 3z
2 1 0 z
x = 3
6x + 7y + z = 0
L := = y = 4
6x + 3y + 3z = 0
z = 10
Ejemplo 5.3.5 Probar que la matriz A no es diagonalizable pero sin embargo existe
una matriz P invertible / P t AP es diagonal.
La matriz A esta dada por
8 i 2 i 2
A= i2 3 1
i 2 1 3
Solucion.
Vemos que el polinomio caracterstico es:
y que por lo tanto (f ) = {2, 6, 6} , vemos ahora que la dimension de cada uno de
los subespacios invariantes no coincide con la multiplicidad de su correspondiente
autovalor ya que dim(ker(f 2I)) = 1 pero dim(ker(f 6I)) = 1 y para que sea
diagonalizable deberia ser 2. Sin embargo podemos comprobar que la forma de Jordan
es:
0 2i 2 12 i 2
8 i 2 i 2 2 0 0 0 1 1
i 2
3 1 = 12 2 1
2 0 6 1 18 i2 18 18
1 1
i 2 1 3 2 2 2 0 0 6 21 i 2 1
2
1
2
84 Formas Bilineales y Cuadraticas.
de rango
3 entonces
la forma bilineal es ordinaria. Tomamos un vector cualquiera
v1 = 8, i 2, i 2 , siendo L = L(v1 ), de tal forma que b(v1 , v1 ) = 432
8 i 2 i 2 8
8 i 2 i 2 i2 3 1 i2 = 432
i 2 1 3 i 2
10
79
v3 = i 2, 1,
29 29
432 0 0
79
= 0 25 0
17 064
0 0 841
por ultimo resaltar que la matriz encontrada P es invertible como se puede comprobar:
1 5 15
145
8 i 2 i 2 36 79 i 2 2844 i 2
1i 2 1 0 = 1 85 29
1422
5 36 i2 79
10 79 1 35 551
29 i 2 1 29 36 i 2 79 1422
Ejemplo 5.3.6 Sea la forma cuadratica definida sobre R respecto de la base canonica:
Solucion.
Vemos que la forma forma pola de q es:
i.e.
h i
2f (x, y) = (x1 + y1 )2 3 (x2 + y2 )2 4 (x3 + y3 )2 + (x4 + y4 )2 + 2 (x1 + y1 ) (x2 + y2 )
x21 3x22 4x23 + x24 + 2x1 x2 y12 3y22 4y32 + y42 + 2y1 y2
= x1 y1 + x4 y4 3x2 y2 4x3 y3 + y1 x2 + x1 y2
= x1 (y1 + y2 ) + x2 (y1 3y2 ) 4x3 y3 + x4 y4
86 Formas Bilineales y Cuadraticas.
por lo tanto
y1 + y2
y1 3y2
(x1 , x2 , x3 , x4 ) por lo tanto
4y3
y4
1 0 0 y1
3 0 0 y2
(x1 , x2 , x3 , x4 )
0 0 4 0 y3
0 0 0 y4
1. si 6= 0 entonces el rango de A es 4
2. si = 0 entonces el rango de A es 3
2. Ecuaciones y base de L
3. M (f, B 0 ) / B 0 = {BL , BL }
Solucion.
En primer lugar vemos que r(A) = 4. Una base del subespacio L esta dada
por:
x=
xyz =0 y=
L= = L =
2x y t = 0
z =
t = 2
por ultimo
23 13 0 0
10 8 0 0
M (f, B 0 ) =
6= 0 6= 0 81 66
6= 0 6= 0 47 42
vemos que hemos elegido los vectores de L por la izquierda y que como A no es
simetrica entonces vi Avjt 6= vj Avit .
88 Formas Bilineales y Cuadraticas.
Captulo 6
ESPACIOS VECTORIALES EUCLDEOS.
Definicion 6.1.2 Espacio euclideo (resp. unitario) (V, g) con g producto escalar.
kk : V R
v 7 kvk
verificando:
1. kvk = 0 v = 0
d : V V R
u, v d(u, v)
se observa que
d(u, v) = kv uk
verificando:
90 Espacios vectoriales eucldeos.
1. d(u, v) = 0 u = v
2. d(u, v) = d(v, u)
g(u, v)
cos =
kuk kvk
Definicion 6.1.6 Vector unitario sii g(u, u) = 1 y decimos que uv (vectores oro-
togonales) sii g(u, v) = 0
0 = g(u0r+1 , ui ) = g(er+1 , ui ) k i
entonces
k i = g(er+1 , ui )
de esta forma los vectores u1 , ......, ur , u0r+1 son LI y por lo tanto forman base de
de esta forma la base {u1 , ......, ur , ur+1 } es ortonormal. Por induccion completamos
el razonamiento hasta obtener una base de V.
Espacios vectoriales eucldeos. 91
Observacion 6.1.1 Este toerema es fundamental para varias de las ramas de la
matematica como el analisis de Fourier etc... veamos un ejemplo.
Ejemplo 6.1.1 En el espacio C([a, b]) consideramos el producto interior definido por
Z b
hf, gi = f (x)g(x)dx
a
y comprobamos que en C([, ]) la base de funciones B = {1, cos t, sin t, cos 2t, sin 2t, ....}
son ortogonales dos a dos con respecto al producto interior anteriormente definido i.e.
Z
hcos nt, sin mti = 0 = (cos nt sin mt) dt =
Z
1
Z
1
sin (m + n) tdt sin (n m) tdt
2 2
Pensemos ahora en el desarrollo de Fourier de la funcion f (x) = x2 en el intervalo
x (, )
a0 X
f (x) + (ak cos kx + bk sin kx)
2
k=1
considerando la base de funciones B = {1, cos x, sin x, cos 2x, sin 2x, ....}, como la
funcion la funcion es par entonces se observa que bk = 0. La idea es la de ir calculando
las respectivas proyecciones de la funcion f con respecto a cada uno de los elementos
de la base i.e. R 2 2 3
hf, 1i x dx 3 2
proy1 f = = R = =
h1, 1i 1dx
2 3
en la teoria de series de Fourier se define
1 1 2 2 2
Z Z
a0 = f (x)dx = x dx =
3
vamos viendo la analgia, i.e. a20 = proy1 f, mientra que el termino ak se define como:
1 1 2
Z Z
ak = f (x) cos kxdx = x cos kxdx
mientras que la proyeccion de f con respecto a cos x se define como
R 2 R 2
hf, cos xi x cos xdx x cos xdx
proycos x f = = R 2
=
hcos x, cos xi cos xdx
: V V
v 7 v
Teorema 6.2.1 Isomorfia, espacio dual. Sea (V, g) espacio euclideo entonces se
establece el isomorfismo canonico entre el espacio V y su dual.
: V V
v 7 v
W = {v V / g(u, v) = 0 u W }
V = W W
verificandose:
dim W = dim V dim W
por las formulas de Grassmamm.
1. (u v) = detB (u, v, ) ,
2. u v = v u,
3. (ku) v = k (u v) ,
4. (u + u0 ) v = u v + u0 v,
1. e1 e2 = e3 , e2 e3 = e1 , e3 e1 = e2 ,
2. Si u = ei uj y v = ei v j entonces
P P
e1 u1 v 1
u v = e2 u2 v 2
e3 u3 v 3
(u v) + (u ) v + ( u) v = ~0.
ker h = (Im f )
Im g = (ker f )
94 Espacios vectoriales eucldeos.
Demostracion.
1. Caso unitario:
si f (u) = u / u 6= ~0 entonces
entonces = sii R.
2. Caso euclideo:
Sea A la matriz de la aplicion simetrica f y B una una base ortogonal. Si
considero A como matriz compleja entonces es hermitica entonces seria la matriz
de cierta aplicacion f : V V entre espacios unitarios. puesto que f y f
tiene la misma matriz, su polinomio caracteristico sera el mismo y sabemos
que en el caso complejo R entonces solo puede pasar que R.
Como vemos los autovalores de una matriz simetrica son siempre reales.
f (x) = xi A
f (y) = yj A
Aplicaciones entre espacios euclideos. 95
si
xi Ayjt = z C =1 xi yjt = z
yj Axti = z C =2 yj xti = z
xi yjt = yj xti
i.e
1 xi yjt = z = 2 yj xti
reagrupando
(1 2 ) xi yjt = 0
esto se cumple para cualesquiera valores propios de f dsitintos.
Si existe (f ) tal que C entonces su conjungado tambien es autovalor
de f i.e. (f ). Entonces eligiendo adecuadamente un x V e y V tal que
y = x i.e. f (y) = x y V aplicamos el resultado anterior i.e. (1 2 ) xi yjt =
0 al caso , observando que
xi xtj = 0
h i
|xi |2 = 0
pero esto solo puede pasar si = pero esto es imposible si estamos en C asi que
R.
F = hvi = {u V / g(u, v) = 0}
de donde f (u) F. Por hipotesis de induccion, existe una base ortonormal de vectores
propios de F, {u2 , ......, un }. Entonces si tomamos u1 = v vemos que el conjunto de
vectores {u1 , u2 , ......, un } es base ortonormal de vectores propios de f tal y como
queriamos hacer ver.
96 Espacios vectoriales eucldeos.
3. Ei Ej = 0 i 6= j
D = M(f|W , BW )
luego
BV0 = {u1 , u2 , ....., un }
base ortonormal de vectores propios de V.
At = A
Aplicaciones entre espacios euclideos. 97
E1 + E2 + E3 = I
Ei Ej = 0
6.5.3 Aplicaciones ortogonales. Aplicaciones unitarias
Definicion 6.5.3 (V, g) espacio vectorial euclideo (o unitario). Sea f End(V );
f : V V una aplicacion, decimos que es ortogonal en el caso real y unitaria en el
caso complejo si
g(f (u), f (v)) = g(u, v) u, v V
1. kf (u)k = kuk u V
3. f es biyectiva
f ortonormal At A = I
f unitaria At A = I
t
Definicion 6.5.5 A es unitaria si At A = I i.e. A1 = A = |det A| = 1
Sea {w1 , ...., wn } una base ortonormal obtenida a partir de la anterior por el metodo
de Gram-Schmidt. Como wi hv1 , ......, vi i resulta que
para i = 1, ...., k
pero bi = 1 entonces bi 6= 0 de donde ai = 0 i = 1, ..., k entonces
6.6 Ejemplos.
Ejemplo 6.6.1 Se considera en R3 la forma bilineal simetrica definida por
para ver que se trata de un producto escalar tenemos que ver que se trata de una forma
bilineal simetrica y definida positiva, es obvio que es bilineal y simetrica solo queda
ver que es definida positiva pero es sencillo si tenemos encuenta que el determinante
de todos los menores angulares es positivo e incluso el determinante de det A = 1.
De esta forma garantizamos que A es un producto escalar.
Para ortonormalizar la base procedemos mediante el metodo de Gramm-
Schmidt de la siguiente manera.
v1 = (1, 1, 1) = e1
e2 = v2 + e1 / g(e2 , e1 ) = 0
100 Espacios vectoriales eucldeos.
g(v2 , e1 )
i.e. g(e2 , e1 ) = 0 = g(e1 , v2 ) + g(e1 , e1 ) =
g(e1 , e1 )
de esta forma obtenemos que
g(v2 , e1 ) 2
= =
g(e1 , e1 ) 5
donde
2 0 1
1
g(v2 , e1 ) = 0 1 1 0 1 1 1 = 1
1 1 2 1
2 0 1 1
g(e1 , e1 ) = 1 1 1 0 1 1 1 =5
1 1 2 1
por lo tanto
2 2 7 3
e2 = v2 + e1 = (0, 1, 1) + (1, 1, 1) = , ,
5 5 5 5
de igual forma calcularemos el vector e3
e3 = v3 + e1 + e2 / g(ei , ej ) = 0,
por lo tanto
g(v3 , e1 ) g(v3 , e2 )
= y =
g(e1 , e1 ) g(e2 , e2 )
en este caso
2 0 1 1
g(v3 , e1 ) = 0 2 0 0 1 1 1 = 0 = = 0
1 1 2 1
2
2 0 1 5
g(v3 , e2 ) = 0 2 0 0 1 1 75 = 4
1 1 2 35
2
2 0 1 5 21
g(e2 , e2 ) = 25 75 35 0 1 1 75 =
5
1 1 2 35
g(v3 , e2 ) 20
= =
g(e2 , e2 ) 21
20 2 7 3 8 2 4
e3 = v3 + e1 + e2 = (0, 2, 0) , , = , ,
21 5 5 5 21 3 7
por lo que la base ortogonal resulta ser:
0 2 7 3 8 2 4
B = (1, 1, 1) , , , , , ,
5 5 5 21 3 7
ahora solo queda normalizarla i.e.
( )
00 ei
B = p
g(ei , ei )
Ejemplos. 101
1
1 2 7 3 1 8 2 4
B 00 = (1, 1, 1) , q , , ,q , ,
5 21 5 5 5 4 21 3 7
5 21
ya que
8
2 0 1 21
8 2 4
2 4
g(e3 , e3 ) = 21 3 7
0 1 1 3 =
4 21
1 1 2 7
por lo tanto nuestra base ortonormal es:
1
1 2 7 3 1 8 2 4
B 00 = (1, 1, 1) , q , , ,q , ,
5 21 5 5 5 4 21 3 7
5 21
F = x + iy z = 0 (x, y, z, t) C4
Solucion.
En primer lugar vamos a calcular las ecuaciones parametricas del subespacio
F, siendo estas:
x=
y=
F = = BL = {(1, 0, 1, 0) , (0, 1, i, 0) , (0, 0, 0, 1)}
z = + i
z=
g(u2 , v1 ) i
= = = v2 = (i, 2, i, 0)
g(v1 , v1 ) 2
Solucion.
calcular F y F .
F = (x, y, z) R3
/ h(x, y, z) , (1, 1, 1)i = 0 = F
i.e. x=y+z
p(x) = hx | b1 i b1 + hx | b2 i b2
1 1
hx | b2 i b2 = (x, y, z, t) (1, 1, 2, 2) (1, 1, 2, 2) =
10 10
1
= (x + y 2z + 2t, x + y 2z + 2t, 2x 2y + 4z 4t, 2x + 2y 4z + 4t)
10
por lo tanto
hx | b1 i b1 + hx | b2 i b2 =
3 2 1 1
xy x + y 2z + 2t 5x 5y 5z + 5t
1 x + y
1
x + y 2z + 2t 25 x +
3
5y 1
5z + 1
5t
= + =
2 0 10 2x 2y + 4z 4t 15 x 1
5y + 2
5z 2
5t
1 1 2 2
0 2x + 2y 4z + 4t 5x + 5y 5z + 5t
de tal forma que la matriz de la proyeccion en la base caconica toma la siguiente
expresion:
3 2 1 1
1 2 3 1 1
M(p, B) =
5 1 1 2 2
1 1 2 2
Ejemplo 6.6.6 Encontrar una matriz P tal que P t AP sea diagonal siendo A
5 2 2 5 2i 4
A = 2 2 4 y A = 2i 8 2i
2 4 2 4 2i 5
p(X) = X 3 9X 2 + 108
1. V3 = ker (A + 3I)
8 2 2 x 8x 2y + 2z = 0
2 5 4 y = 0 = 2x + 5y + 4z = 0
2 4 5 z 2x + 4y + 5z = 0
Comprobamos que
1
5 2 2 1 2 2 3 0 0 1 2 2
2 2 4 = 2 0 1 0 6 0 2 0 1
2 4 2 2 1 0 0 0 6 2 1 0
donde 1 1 2
29
1 2 2 9 9
2 0 1 = 29 4
9
5
9
2 1 0 92 5
9
4
9
si aplicamos el metodo de G-M obtendremos una base ortonormal, siendo esta
1 1 1
B= (1, 2, 2) , (2, 0, 1) , (2, 5, 4)
3 5 3 5
lo unico que hay que ver es que v2 V6
hv1 , u2 i 4
v2 = v1 + u2 / = = = v2 = (2, 5, 4)
hv1 , v1 i 5
de esta forma
1 2 1 2 2
3
23
3 3 5 2 2 3 5 5 3 0 0
2 1 2 5
5 5 0 5 2 2 4 0 =
0 6 0
5 3
3 5
2
15 5 13 5 4
15 5
2 4 2 23 1 4
0 0 6
5 3 5
observandose que P t = P 1 .
Con respecto a la segunda matriz operamos de igual forma i.e.
5 2i 4
A = 2i 8 2i
4 2i 5
(f ) = {0, 9, 9}
1. V0 = ker(A)
5 2i 4 x 5x 2iy 4z = 0
2i 8 2i y = 0 == 2ix + 8y + 2iz = 0
4 2i 5 z 4x 2iy + 5z = 0
2. V9 = ker(A 9I)
4 2i 4 x 4x 2iy 4z = 0
2i 1 2i y = 0 == 2ix y + 2iz = 0
4 2i 4 z 4x 2iy 4z = 0
4x 2iy 4z = 0
2ix y + 2iz = 0
4x 2iy 4z = 0
cuya solucion es: {y = 2ix + 2iz}, de esta forma una base es:
Al igual que antes aplicamos el metodo de G-M para obtener una base ortonor-
mal respecto de A. De esta forma
1 1 1
B= (2, i, 2) , (1, 2i, 0) , (4, 2i, 5)
3 5 3 5
hv1 , u2 i 4
v2 = v1 + u2 / = = = v2 = (4, 2i, 5)
hv1 , v1 i 5
recordamos que:
Solucion.
Vemos que el polinomio caracteristico es:
p(X) = X 4 6X 3 + 32X
mf (X) = 8X 2X 2 + X 3
(f ) = {0, 2, 4, 4}
1. V0 = ker(A)
2 0 0 2 x 2x 2t = 0
0 1 3 0 y y 3z = 0
= 0 =
0 3 1 0 z 3y +z =0
2 0 0 2 t 2x + 2t = 0
2. V4 = ker(A 4I)
2 0 0 2 x
2x 2t = 0
0 3 3 0 y
3y 3z = 0
= 0 =
0 3 3 0 z 3y 3z = 0
2 0 0 2 t 2x 2t = 0
3. V2 = ker(A + 2I)
4 0 0 2 x 4x 2t = 0
0 3 3 0 y 3y 3z = 0
= 0 =
0 3 3 0 z 3y + 3z = 0
2 0 0 4 t 2x + 4t = 0
Si v es un vector y {pi }3i=1 son las proyecciones ortogonales sobre cada uno
de los subespacios (V0 , V4 , V2 ):
p1 = hv | a1 i a1
p2 = hv | a2 i a2 + hv | a3 i a3
p3 = hv | a4 i a4
entonces
1 1
p1 = hv | a1 i a1 = h(x, y, z, t) | (1, 0, 0, 1)i (1, 0, 0, 1) = (x + t, 0, 0, x + t)
2 2
1
p2 = hv | a2 i a2 + hv | a3 i a3 = (x t, y z, z y, t x)
2
1
p3 = hv | a4 i a4 = (0, y + z, z + y, 0)
2
1. V2i = {ix z = 0} , entonces una base de este espacio esta formada por (ya
normalizada):
1
BV2i = (1, 0, i) , (0, 1, 0)
2
2. V2 = {ix + z = 0, y = 0} , entonces una base de este espacio esta formada por:
1
BV2 = (1, 0, i)
2
De esta forma:
p1 = hv | a1 i a1 + hv | a2 i a2
p3 = hv | a3 i a3
entonces
1
p1 = hv | a1 i a1 + hv | a2 i a2 = (x iz, y, ix + z)
2
1
p3 = hv | a3 i a3 = (x + iz, 0, ix + z)
2
Ejemplo 6.6.9 En R4 con el producto escalar ordinario calcular las coordenadas del
vector proyeccion ortogonal de u = (1, 3, 1, 0) sobre el subespacio L
x 2y + t = 0
L= (x, y, z, t) R4
y + z 2t = 0
Solucion.
las ecuaciones de L son:
x = 2
y=
L=
z = + 2
t=
entonces:
6 3 21 6 3 3
proyL (u) = x = (2, 1, 1, 0) + (1, 0, 2, 1) = , , ,
5 10 10 5 5 10
11 2 11 9 2 3
z = (1, 2, 0, 1) (0, 1, 1, 2) = , , ,
10 5 10 5 5 10
1
d(u, L) = kzk = 470
10